CN113299352B - 一种烧结台车的料层厚度动态预测系统及方法 - Google Patents

一种烧结台车的料层厚度动态预测系统及方法 Download PDF

Info

Publication number
CN113299352B
CN113299352B CN202010844793.0A CN202010844793A CN113299352B CN 113299352 B CN113299352 B CN 113299352B CN 202010844793 A CN202010844793 A CN 202010844793A CN 113299352 B CN113299352 B CN 113299352B
Authority
CN
China
Prior art keywords
material layer
layer thickness
rotating speed
thickness
sintering trolley
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010844793.0A
Other languages
English (en)
Other versions
CN113299352A (zh
Inventor
朱佼佼
邱立运
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Changtian Automation Engineering Co ltd
Zhongye Changtian International Engineering Co Ltd
Original Assignee
Hunan Changtian Automation Engineering Co ltd
Zhongye Changtian International Engineering Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan Changtian Automation Engineering Co ltd, Zhongye Changtian International Engineering Co Ltd filed Critical Hunan Changtian Automation Engineering Co ltd
Priority to CN202010844793.0A priority Critical patent/CN113299352B/zh
Publication of CN113299352A publication Critical patent/CN113299352A/zh
Application granted granted Critical
Publication of CN113299352B publication Critical patent/CN113299352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本申请涉及钢铁冶炼技术领域，提供了一种烧结台车的料层厚度动态预测系统及方法，在实际应用过程中，获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度以及烧结台车速度；将同一时刻的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，按照一定收缩比例量化到同一区间，并生成预测料层厚度的特征向量；将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值；最后对料层厚度的特征值进行数据还原，获得料层厚度的预测值。本申请提供的料层厚度动态预测系统，通过采集的混合料参数以及烧结系统状态参数，提前预测出烧结台车上的料层厚度，以便通过预测的料层厚度，更好的指导实际的生产作业。

Description

一种烧结台车的料层厚度动态预测系统及方法
技术领域
本申请涉及钢铁冶炼技术领域，尤其涉及一种烧结台车的料层厚度动态预测系统及方法。
背景技术
烧结是指将粉状物料转变为致密体的工艺，在钢铁生产工艺中，则是指将铁矿粉、煤粉和石灰按一定配比混匀，通过烧结得到具有足够强度和粒度的烧结矿，为高炉炼铁输送原料。针对烧结生产工艺流程中布料过程，若是布料之后的混合料粒度分布合适且料层厚度均匀适，则能够提高料层整体的透气性，提高烧结矿的质量，因此，布料效果的好坏直接影响烧结矿的质量。
料层厚度是否合适是影响烧结生产产量与质量的重要参数之一，目前，布料过程中通常是利用调节辅门开度大小调节与辅门对应区域物料层厚，或利用调节圆辊给料机转速，对台车宽度范围料层整体改变。若辅门开度调节大，则对应的布料装置向烧结台车布料的流量就大，相应的料层的厚度就厚，反之，料层厚度小。
为了获得厚度合适的料层，现有技术中，一般通过实时检测烧结台车的料层厚度，进行布料的调控。具体过程为，在烧结台车布料过程中，在烧结台车运动方向的下游，检测烧结台车的料层厚度，并根据检测的料层厚度，进行布料的反馈控制。
在实际运行中，这种料层厚度检测方法，检测的是布料已经完成的烧结台车料层厚度，从辅门调节点到层厚检测点约2到3分钟，采用反馈控制滞后性较大。如果此时发现料层厚度不合适，已经无法改变。
发明内容
本申请提供了一种烧结台车的料层厚度动态预测系统及方法，以解决现有技术中，通过检测烧结台车运动方向下游的烧结台车的料层厚度，布料反馈控制大大滞后于烧结台车料层厚度变化的问题。
本申请第一方面提供一种烧结台车的料层厚度动态预测系统所述料层厚度动态预测系统包括混合料检测机构、与圆辊给料机连接的给料辊转速检测装置、与辊式布料机连接的布料辊转速检测装置、辅门开度检测装置和烧结台车速度检测装置；以及与混合料检测机构、给料辊转速检测装置、布料辊转速检测装置、辅门开度检测装置和烧结台车速度检测装置连接的中央处理器；其中：
所述中央处理器被配置为执行以下步骤：
接收所述混合料检测机构发送的混合料的堆密度，接收给料辊转速检测装置发送的给料辊转速，接收布料辊转速检测装置发送的布料辊转速，接收辅门开度检测装置发送的辅门开度，接收烧结台车速度检测装置发送的烧结台车速度；
将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值的映射关系；
对料层厚度的特征值进行数据还原，获得料层厚度的预测值。
可选的，在将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值的步骤之前，还包括：
获取与所述预测料层厚度的特征向量邻近时序上的数据并作为学习样本，其中，所述学习样本包括输入样本，以及所述输入样本对应的料层厚度的特征值；
利用所述学习样本在线更新所述料层厚度动态预测模型，获取更新后的料层厚度动态预测模型。
可选的，获取与所述预测料层厚度的特征向量邻近时序上的学习样本包括：获取与所述预测料层厚度的特征向量邻近时序上预设时间间隔内的历史学习样本；获取与所述历史预学习样本相对应的料层厚度的特征值。
可选的，将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，具体执行以下步骤：
计算堆密度与混合料检测系统记录中最大密度的比值；
计算给料辊转速与给料辊最大转速的比值；
计算布料辊转速与布料辊最大转速的比值；
计算烧结台车速度与烧结台车最大速度的比值。
可选的，所述料层厚度动态预测系统还包括料层厚度检测装置，所述层厚检测装置可以实时检测烧结台车上的料层厚度；
所述料层厚度动态预测模型是基于循环神经网络模型训练生成，所述中央处理器按照以下步骤建立所述料层厚度动态预测模型：
获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；
将N组独立的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成N组训练样本的输入；
获取料层厚度检测装置发送的相应N组独立的料层厚度测量值，并将料层厚度测量值按照一定收缩比例量化，生成N组训练样本的输出；
利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练循环神经网络模型；
通过迭代训练不断更新循环神经网络模型的权重参数、偏置参数以及学习因子；
若循环神经网络模型预测的料层厚度的特征值与测量的料层厚度的特征值，达到设定的允差范围，或循环神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得料层厚度动态预测模型。
可选的，将料层厚度测量值按照一定收缩比例量化，具体执行以下步骤：
计算料层厚度测量值与烧结台车的料层最大允许厚度的比值。
可选的，所述循环神经网络模型将多组训练样本分为两个部分，包括2/3组的训练数据和1/3组的测试数据；
将2/3组训练样本的输入以及训练样本的输出，作为循环神经网络模型的训练数据，不断更新权重参数、偏置参数以及学习因子；
并利用1/3组训练样本的输入以及训练样本的输出，作为循环神经网络模型的允差测试数据。
可选的，对料层厚度的特征值进行数据还原，获得料层厚度的预测值，具体执行以下步骤：
计算料层厚度的特征值与烧结台车的料层最大容许厚度的乘积，获得料层厚度的预测值。
可选的，所述料层厚度动态预测系统还包括料层厚度检测装置，所述层厚检测装置可以实时检测烧结台车上的料层厚度；所述料层厚度动态预测模型还可以是料层层厚预测表，所述中央处理器按照以下步骤建立所述料层厚度厚预测表：
获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；
获取料层厚度检测装置发送的相应N组独立的料层厚度测量值；
对N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度以及对应的料层厚度测量值，进行统计分析，建立层厚预测表。
本申请第二方面提供一种烧结台车的料层厚度动态预测方法，所述料层厚度动态预测方法包括：
获取混合料的堆密度，获取给料辊转速，获取布料辊转速，获取辅门开度，接收烧获取烧结台车速度；
将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值的映射关系；
对料层厚度的特征值进行数据还原，获得料层厚度的预测值。
由以上技术方案可知，本申请提供了一种烧结台车的料层厚度动态预测系统及方法，在实际应用过程中，首先，获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度以及烧结台车速度；第二步，然后将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；第三步，将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值；最后对料层厚度的特征值进行数据还原，获得料层厚度的预测值。本申请实施例提供的料层厚度动态预测系统，可以通过采集的混合料参数以及烧结系统状态参数，动态预测出烧结台车上的料层厚度，以便通过预测的料层厚度，更好的指导实际的生产作业。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种烧结台车的料层厚度动态预测系统的结构示意图；
图2为图1料层厚度动态预测系统预测料层厚度的流程图；
图3为本申请实施例提供的在线更新料层厚度动态预测模型的流程图；
图4为本申请实施例提供的一种生成料层厚度动态预测模型的流程图；
图5为本申请实施例提供的LSTM循环神经网络模型的结构示意图；
图6为本申请实施例提供的另一种生成料层厚度动态预测模型的流程图。
图示说明：
其中，1-配料室，2-混合机，3-圆辊给料机，4-辊式布料机，5-烧结台车，6-点火风机，7-引火风机，8-单辊破碎机，9-环冷机，10-料层厚度检测装置，101-混合料检测机构，102-给料辊转速检测装置，103-布料辊转速检测装置，104-辅门开度检测装置，105-烧结台车速度检测装置，106-中央处理器。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
烧结系统主要包括烧结台车、混合机、主轴风机、环冷机等多个设备，其总的工艺流程图参见图1所示：各种原料经配料室1配比，形成混合料，混合料进入混合机2混匀和造球后，在通过圆辊给料机3和辊式布料机4将其均匀的散布在烧结台车5上形成混合料层，点火风机6和引火风机7启动混合料点火开始烧结过程。烧结完成后，得到的烧结矿经单辊破碎机8破碎后进入环冷机9冷却，最后经筛分整粒后送至高炉或成品矿仓。
为了实现对烧结台车上料层厚度的预测，如图1所示，本申请实施例提供的一种烧结台车的料层厚度动态预测系统，所述料层厚度动态预测系统包括混合料检测机构101，所述混合料检测机构101包括取样装置和离线检测装置；所述取样装置用于从烧结系统中获取烧结混合料，并将获取的混合料输入所述离线检测装置，所述离线检测装置可用于测量检测混合料样本的堆密度。
给料辊转速检测装置102，所述给料辊转速检测装置102与圆辊给料机3连接，用于检测圆辊给料机3的给料辊转速。
布料辊转速检测装置103，所述布料辊转速检测装置103与辊式布料机4连接，用于检测辊式布料机4的布料辊转速。
辅门开度检测装置104，所述辅门开度检测装置104设置在所述圆辊给料机3的上方，用于检测辊式布料机4的辅门开度。需要说明的是，每个料仓下有至少四个辅门，本申请实施例中采用的辅门开度检测装置104的数量与辅门数量一致，一个辅门开度检测装置104检测一个辅门开度。
烧结台车速度检测装置105，烧结台车速度检测装置105设置在所述烧结台车5上，用于检测烧结台车5的运行速度。
中央处理器106，所述中央处理器106连接混合料检测机构101、给料辊转速检测装置102、布料辊转速检测装置103、辅门开度检测装置104和烧结台车速度检测装置105，其中：
如图2所示，所述中央处理器被配置为执行以下步骤：
步骤S101，接收所述混合料检测机构发送的混合料的堆密度，接收给料辊转速检测装置发送的给料辊转速，接收布料辊转速检测装置发送的布料辊转速，接收辅门开度检测装置发送的辅门开度，接收烧结台车速度检测装置发送的烧结台车速度。
需要说明的是，在同一次烧结过程中，一般混合料的堆密度处于稳定状态，一种获取方式是，按照预定的时间间隔获取一次混合料的堆密度，并用新获取的混合料的堆密度更新之前获取混合料的堆密度；另一种获取方式是，实时获取混合料的堆密度，并分别判断混合料的堆密度的变化率，若变化率较小，处于预设的误差范围，则沿用之前获取的混合料的堆密度，若变化率较大，超出预设的误差范围，则用新获取的混合料的堆密度更新之前获取的混合料的堆密度。
给料辊转速检测装置102和布料辊转速检测装置103为转速传感器，具体方式是将给料辊转速检测装置102安装在给料辊转动轴上，将布料辊转速检测装置103安装在布料辊转动轴上，通过传输传感器获取给料辊转动轴和布料辊转动轴的转速，从而获得给料辊转速和布料辊转速。
其中，转速传感器是将旋转物体的转速转换为电量输出的传感器，例如采用磁敏式转速传感器或者激光式转速传感器。在转速的检测过程中，若检测的转速处于稳定状态下，将稳定状态下的驱动轴转速保存，并作为后续的检测数据使用，若检测到的驱动轴转速出现变化，则实时更新保存的驱动轴转速。
步骤S102，将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量。
由于同一时刻的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度的数据量及数据类型不同，无法直接对这些数据量进行运算。在本申请实施例中，将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，量化后的同一区间为区间(0,1)。
即，计算堆密度与混合料检测系统记录中最大密度的比值；计算给料辊转速与给料辊最大转速的比值；计算布料辊转速与布料辊最大转速的比值；计算烧结台车速度与烧结台车最大速度的比值。其中，混合料检测系统是用于记录烧结系统生产过程中，混合料的各种参数以及烧结系统中各设备的各种参数。例如，混合料的各种参数包括堆密度、含水率和原料种类等参数；设备的各种参数包括布料辊转速、给料辊转速、辅门开度、烧结台车速度和混合机填充率等参数，其中，辅门开度的数值为百分比数据。
其中，堆密度的量化模型为：
Figure BDA0002642675480000061
给料辊转速的量化模型为：
Figure BDA0002642675480000062
布料辊转速的量化模型为：
Figure BDA0002642675480000063
烧结台车速度的量化模型为：
Figure BDA0002642675480000071
其中，Norm(ρ)表示量化后堆密度，ρ表示堆密度，
Figure BDA0002642675480000072
表示混合料检测系统记录中最大密度；Norm(n1)表示量化后的给料辊转速，n1表示给料辊转速，
Figure BDA0002642675480000073
表示给料辊的最大转速；Norm(n2)表示量化后的布料辊转速，n2表示布料辊转速，
Figure BDA0002642675480000074
表示布料辊的最大转速；Norm(v)表示量化后的烧结台车速度，v表示烧结台车速度，
Figure BDA0002642675480000075
表示烧结台车最大速度。
所述预测料层厚度的特征向量是将料层厚度的影响因素按照一定规律整合，例如：
X(k)＝(x1(k),x2(k),x3(k),x4(k),x5(k))
其中,X(k)表示预测料层厚度的特征向量,x1(k)，x2(k)，x3(k)，x4(k)，x5(k),分别表示堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度。
步骤S103，将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值的映射关系。
所述映射关系中包含了不同预测料层厚度的特征向量对应的料层厚度的特征值，即：
y(k)＝fk(X(k))
其中，y(k)为料层厚度的特征值，fk为预测料层厚度的特征向量与料层厚度的特征值的映射关系。
步骤S104，对料层厚度的特征值进行数据还原，获得料层厚度的预测值。
对于所述料层厚度动态预测模型输出的料层厚度的特征值，需要进行一定的数据处理，才能够得到最终的料层厚度的预测值，具体操作是，计算料层厚度的特征值与烧结台车的料层最大容许厚度的乘积，获得料层厚度的预测值。
具体采用以下方法对料层厚度的特征值进行数据还原：
hi＝ki×H
其中，hi为获得的i时刻料层厚度的预测值，ki为生成的i时刻料层厚度的特征值，H为烧结台车上的料层最大容许厚度。
由以上技术方案可知，本申请实施例提供了一种烧结台车的料层厚度动态预测系统，在实际应用过程中，首先，获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度以及烧结台车速度；第二步，将同一时刻的堆密度、给料辊转速、布料辊转速和烧结机速度量化到同一区间，再然后将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值；最后对料层厚度的特征值进行数据还原，获得料层厚度的预测值。本申请实施例提供的料层厚度动态预测系统，可以通过采集的混合料参数以及烧结系统状态参数，动态预测出烧结台车上的料层厚度，以便通过预测的料层厚度，更好的指导实际的生产作业。
需要说明的是，混合料参数是指混合料的堆密度，烧结系统状态参数是指给料辊转速、布料辊转速、辅门开度和烧结台车速度。影响烧结台车的料层厚度的因素很多，例如主门开度、给料辊倾角、烧结台车宽度和辅门数量等，但是这些因素一般属于定值，例如烧结台车宽度和辅门数量；或者有变化，但是不会出现频繁变化，属于比较长时间的稳定值，例如主门开度和给料辊倾角，所以本申请实施例的料层厚度动态预测系统没有将这些影响因素纳入考虑的范围，即这些影响因素在实际应用过程中和在建立料层厚度动态预测模型中，没有发生变化。
由于料层厚度动态预测模型是依据部分烧结系统的实际生产数据预先建立，而在应用阶段，料层厚度动态预测模型会使用在所有烧结系统中，而不同烧结系统的实际工况存在一定的差异性，以及同一烧结系统在长期使用过程中，随着时间推移，工况也会发生一定的变化，在此情况下，若料层厚度动态预测模型没有适应性的调整，可能会出现料层厚度的预测值与实际结果偏差较大的情况，为了避免这一技术问题，在本申请的部分实施例中提供了一种在线更新料层厚度动态预测模型的方法。
如图3所示，在步骤S104将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值的步骤之前，还包括：
步骤S201，获取与所述预测料层厚度的特征向量邻近时序上的学习样本，其中，所述学习样本包括输入样本，以及所述输入样本对应的料层厚度的特征值。
其中，所述学习样本不仅包含了烧结系统的混合料参数及烧结系统状态参数，还包含了对应的料层厚度测量值，所述学习样本的具体获取方法是：
获取与所述预测料层厚度的特征向量邻近时序上预设时间间隔内的历史学习样本；
获取与所述历史预学习样本相对应的料层厚度的特征值。需要说明的是，料层厚度测量值需要经过量化处理后，才能用作料层厚度动态预测模型的更新或者训练，量化处理采用以下模型：
Figure BDA0002642675480000081
其中，hi为获得的i时刻料层厚度的预测值，ki为生成的i时刻料层厚度的特征值，H为烧结台车上的料层最大容许厚度。
这里采集的历史学习样本是用作学习样本使用，由于烧结系统的烧结过程是一个长时间连续的过程，在进行预测料层厚度的特征向量采集之前，烧结系统一直在进行混合作业，采集与所述预测料层厚度的特征向量邻近时序上以预设常数为时间间隔的历史学习样本，可以保证得到的学习样本所对应的烧结系统工况，与预测料层厚度的特征向量采集时间点的烧结系统工况一致。
步骤S202，利用所述学习样本在线更新所述料层厚度动态预测模型，获取更新后的料层厚度动态预测模型。
通过步骤S201中获取的学习样本，可以对料层厚度动态预测模型进行在线更新，进一步保证所述料层厚度动态预测模型输出的料层厚度的特征值精准性。在具体更新过程中，主要根据学习样本预测的料层厚度的特征值，与测量值对应的料层厚度的特征值之间的偏差判断模型质量，从而选择相应的更新方式。所述预测模型具备两种更新方式，若预测偏差值较小且相对稳定，处于模型质量指标容许误差范围内，则将预测偏差值直接加到所述预测模型的料层厚度的特征值上，并将结果作为更新后的料层厚度的特征值。若预测偏差值较大，且根据模型质量指标判断为映射关系发生变化，则根据所述学习样本以及测量值对应的料层厚度的特征值，更新所述料层厚度动态预测模型中包含的映射关系。
需要说明的是，通常可采用预测偏差值的均方差作为质量指标，然后根据质量指标的统计分布规律，预设统计置信限，判断是否需要触发更新以及需要的更新方法。测量值对应的料层厚度的特征值，虽然因为滞后问题不适合用于混合工艺闭环控制问题，但可用于稳定状态的参考，即烧结系统在稳定状态下达到稳态时，料层厚度会维持在一定的水平，在正常的情况下，测量值虽有波动，但其分布通常不会偏离置信区间，当超出这个置信区间，触发模型更新机制。如果根据指标分析结果判断过程特征属于渐变，则选择模型递推法，利用移动窗递推法来更新料层厚度动态预测模型，步骤如下：
设原预测模型的样本集为S＝{[X1,Y1],...,[Xt,Yt]}，t为总的样本数。当获取新测量值[Xm,Ym]，则将其加入样本集，并淘汰最陈旧的样本，则新的样本集(学习样本)为：
S＝{[X2,Y2],...,[Xt,Yt],[Xm,Ym]}
然后利用学习样本在线更新所述料层厚度动态预测模型，获得新的料层厚度动态预测模型。
如果根据指标分析结果判断过程特征属于突变，则选择即时学习法，重构料层厚度动态预测模型。
所述料层厚度动态预测模型，是利用多组已知混合料参数、烧结系统状态参数以及对应的料层厚度测量值建立。本申请实施例提供一种利用循环神经网络模型训练的方式，生成所述料层厚度动态预测模型。具体操作是将多组已知混合料参数、烧结系统状态参数作为循环神经网络模型的输入，而将对应的料层厚度测量值，作为循环神经网络模型的输出，对循环神经网络模型进行训练，即调整循环神经网络模型中间层对应的权重矩阵和偏置项，从而建立混合料参数以及对应的混合机状态参数，与混匀度之间的映射关系。在本申请的部分实施例中，所述料层厚度动态预测系统还包括料层厚度检测装置10，所述层厚检测装置可以实时检测烧结台车上的布料厚度，所述料层厚度检测装置10设置在烧结台车上位，以检测烧结台车的布料厚度，例如采用料位计检测料层厚度。参见图4，为本申请实施例提供的一种生成料层厚度动态预测模型的流程图，具体生成步骤包括：
步骤S301，获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度。
其中，N组独立的混合料参数以及对应的烧结系统状态参数，可以是同一烧结系统的数据，也可以是多个烧结系统的数据，并按照对应关系分为一组，即，同一混合机且同一时刻的数据作为统一组数据。
步骤S302，将N组独立的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成N组训练样本的输入。其中，混合料参数中的堆密度，以及烧结系统状态参数中的给料辊转速、布料辊转速和烧结台车速度，需要量化到区间(0,1)。
步骤S303，获取料层厚度检测装置10发送的相应N组独立的料层厚度测量值，并将料层厚度测量值按照一定收缩比例量化，生成N组训练样本的输出。
其中，将料层厚度测量值按照一定收缩比例量化，具体操作是计算料层厚度测量值与烧结台车的料层最大允许厚度的比值。
步骤S304，利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练循环神经网络模型。
所述动态预测训练模块利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练循环神经网络模型；其中，时间反向传播法是一种适用于多层神经元网络的学习算法，通过激励传播和权重更新反复循环迭代，指导多层神经元网络对输入的响应(输出)达到预定的目标范围为止。
步骤S305，通过迭代训练不断更新循环神经网络模型的权重参数、偏置参数以及学习因子。
步骤S306，若循环神经网络模型的预测料层厚度的特征值与测量的料层厚度的特征值，达到设定的允差范围，或循环神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得料层厚度动态预测模型。
通过不断更新循环神经网络模型的权重参数、偏置参数以及学习因子，在循环神经网络模型建立预测料层厚度的特征向量与料层厚度的特征值的映射关系，直到根据所述映射关系预测的料层厚度的特征值满足生产需求。具体的判断方法是，判断循环神经网络模型的预测的料层厚度的特征值与检测的料层厚度的特征值是否达到设定的允差范围，以及判断循环神经网络模型是否达到设定的最大迭代次数，若循环神经网络模型的预测的料层厚度的特征值与检测的料层厚度的特征值达到设定的允差范围，或循环神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得料层厚度动态预测模型。
本申请实施例提供的利用循环神经网络模型训练生成所述料层厚度动态预测模型。具体可以采用RNN(Recurrent Neural Network)循环神经网络或者LSTM(Long Short-Term Memory)循环神经网络，如图5所示，为基于LSTM循环神经网络模型的结构示意图，其中，中间层的结构主要有遗忘门、输入门和输出门组成，每个门都有对应的权重矩阵和偏置项，通过训练样本对多层神经元网络进行训练，不断更新权重参数、偏置参数以及学习因子，从而获得所述料层厚度动态预测模型。
在本申请实施例的循环神经网络模型具体训练过程中，所述循环神经网络模型将多组训练样本分为两个部分，包括2/3组的训练数据和1/3组的测试数据，将2/3组训练样本的输入以及训练样本的输出，作为循环神经网络模型的训练数据，不断更新权重参数、偏置参数以及学习因子；并利用1/3组训练样本的输入以及训练样本的输出，作为循环神经网络模型的允差测试数据。
参见图6，为本申请实施例提供的另一种生成料层厚度动态预测模型的流程图，所述料层厚度动态预测模型还可以是混匀度预测表，并按照以下步骤建立：
步骤S401，获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度。
步骤S402，获取料层厚度检测装置10发送的相应N组独立的料层厚度测量值。
步骤S403，对N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度以及对应的料层厚度测量值，进行统计分析，建立层厚预测表。
其中，统计分析包括数据预处理，数据预处理先将堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，然后将混合料参数、烧结系统状态参数相同的多组数据提取出，并比较不同组对应的料层厚度测量值，若对应的料层厚度测量值也相同，则，只保留一组数据，去除其他组相同的数据。若对应的混匀度不同，但是偏差处于容许范围内，则将多组数据对应的混匀度平均值作为对应的料层厚度，且只保留一组数据，一般根据生产精度要求，偏差的容许范围设置为0.5％-2％。对于混合料参数、烧结系统状态参数相同的多组数据，对应的混匀度测量值不同，且偏差超过容许范围，且标记多组数据的来源，保留在隔离区，这里的数据来源是指数据采集对应的烧结系统及采集时间，隔离区是指在层厚预测表单独的一块区域，用于记录异常数据，以作为设备检修的参考数据。
需要说明的是，这里的料层厚度测量值同样需要进行预处理，具体操作是，计算料层厚度测量值与烧结台车的料层最大容许厚度的比值。
对于经过数据预处理的多组独立的混合料参数、烧结系统状态参数以及对应的料层厚度测量值，按照设定的多个索引项进行排序，每一个索引项的排序为从小到大排列。其中，至少包括5个索引项，例如本申请实施例中，设置的,5个索引项，以及索引顺序，第一级索引项为混合料的堆密度，第二级索引项为给料辊转速，第三级索引项为布料辊转速，第四级索引项为辅门开度，第五级索引项为烧结台车速度。按照以上规则完成混匀度预测表的建立，所述混匀度预测表中包含预测料层厚度的特征向量与料层厚度的特征值的映射关系，例如表1所示，为混匀度预测表的部分数据。
表1 层厚预测表代表性部分数据
Figure BDA0002642675480000121
下述为本申请方法实施例，用于实施本申请方法实施例。对于本申请方法实施例中未披露的细节，请参照本申请系统实施例。
本申请实施例提供一种烧结台车的料层厚度动态预测方法，所述料层厚度动态预测方法包括：
获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度。
将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量。
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值的映射关系。
对料层厚度的特征值进行数据还原，获得料层厚度的预测值。
由以上技术方案可知，本申请实施例提供了一种烧结台车的料层厚度动态预测系统及方法，在实际应用过程中，首先，获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度以及烧结台车速度；第二步，将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；第三步，将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值；最后对料层厚度的特征值进行数据还原，获得料层厚度的预测值。本申请实施例提供的料层厚度动态预测系统，可以通过采集的混合料参数以及烧结系统状态参数，动态预测出烧结台车上的料层厚度，以便通过预测的料层厚度，更好的指导实际的生产作业。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (9)

1.一种烧结台车的料层厚度动态预测系统，其特征在于，所述料层厚度动态预测系统包括混合料检测机构、与圆辊给料机连接的给料辊转速检测装置、与辊式布料机连接的布料辊转速检测装置、辅门开度检测装置和烧结台车速度检测装置；以及与混合料检测机构、给料辊转速检测装置、布料辊转速检测装置、辅门开度检测装置和烧结台车速度检测装置连接的中央处理器；其中：
所述中央处理器被配置为执行以下步骤：
接收所述混合料检测机构发送的混合料的堆密度，接收给料辊转速检测装置发送的给料辊转速，接收布料辊转速检测装置发送的布料辊转速，接收辅门开度检测装置发送的辅门开度，接收烧结台车速度检测装置发送的烧结台车速度；
将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值的映射关系；
对料层厚度的特征值进行数据还原，获得料层厚度的预测值，其中，采用以下模型对料层厚度的特征值进行数据还原：
hi＝ki×H
其中，hi为获得的i时刻料层厚度的预测值，ki为生成的i时刻料层厚度的特征值，H为烧结台车上的料层最大容许厚度；
所述料层厚度动态预测系统还包括料层厚度检测装置，所述料层厚度检测装置可以实时检测烧结台车上的料层厚度；
所述料层厚度动态预测模型是基于循环神经网络模型训练生成，所述中央处理器按照以下步骤建立所述料层厚度动态预测模型：
获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；
将N组独立的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成N组训练样本的输入；
获取料层厚度检测装置发送的相应N组独立的料层厚度测量值，并将料层厚度测量值按照一定收缩比例量化，生成N组训练样本的输出；
利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练循环神经网络模型；
通过迭代训练不断更新循环神经网络模型的权重参数、偏置参数以及学习因子；
若循环神经网络模型预测的料层厚度的特征值与测量的料层厚度的特征值，达到设定的允差范围，或循环神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得料层厚度动态预测模型。
2.根据权利要求1所述的料层厚度动态预测系统，其特征在于，在将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值的步骤之前，还包括：
获取与所述预测料层厚度的特征向量邻近时序上的数据并作为学习样本，其中，所述学习样本包括输入样本，以及所述输入样本对应的料层厚度的特征值；
利用所述学习样本在线更新所述料层厚度动态预测模型，获取更新后的料层厚度动态预测模型。
3.根据权利要求2所述的料层厚度动态预测系统，其特征在于，获取与所述预测料层厚度的特征向量邻近时序上的学习样本包括：
获取与所述预测料层厚度的特征向量邻近时序上预设时间间隔内的历史学习样本；
获取与所述历史预学习样本相对应的料层厚度的特征值。
4.根据权利要求1所述的料层厚度动态预测系统，其特征在于，将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，具体执行以下步骤：
计算堆密度与混合料检测系统记录中最大密度的比值；
计算给料辊转速与给料辊最大转速的比值；
计算布料辊转速与布料辊最大转速的比值；
计算烧结台车速度与烧结台车最大速度的比值。
5.根据权利要求1所述的料层厚度动态预测系统，其特征在于，将料层厚度测量值按照一定收缩比例量化，具体执行以下步骤：
计算料层厚度测量值与烧结台车的料层最大允许厚度的比值。
6.根据权利要求1所述的料层厚度动态预测系统，其特征在于，所述循环神经网络模型将多组训练样本分为两个部分，包括2/3组的训练数据和1/3组的测试数据；
将2/3组训练样本的输入以及训练样本的输出，作为循环神经网络模型的训练数据，不断更新权重参数、偏置参数以及学习因子；
并利用1/3组训练样本的输入以及训练样本的输出，作为循环神经网络模型的允差测试数据。
7.根据权利要求1所述的料层厚度动态预测系统，其特征在于，对料层厚度的特征值进行数据还原，获得料层厚度的预测值，具体执行以下步骤：
计算料层厚度的特征值与烧结台车的料层最大容许厚度的乘积，获得料层厚度的预测值。
8.根据权利要求1所述的料层厚度动态预测系统，其特征在于，所述料层厚度动态预测模型还可以是料层层厚预测表，所述中央处理器按照以下步骤建立所述料层厚度厚预测表：
获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；
获取料层厚度检测装置发送的相应N组独立的料层厚度测量值；
对N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度以及对应的料层厚度测量值，进行统计分析，建立层厚预测表。
9.一种烧结台车的料层厚度动态预测方法，其特征在于，所述料层厚度动态预测方法包括：
获取混合料的堆密度，获取给料辊转速，获取布料辊转速，获取辅门开度，接收烧结台车速度；
将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值的映射关系；
对料层厚度的特征值进行数据还原，获得料层厚度的预测值，其中，采用以下模型对料层厚度的特征值进行数据还原：
hi＝ki×H
其中，hi为获得的i时刻料层厚度的预测值，ki为生成的i时刻料层厚度的特征值，H为烧结台车上的料层最大容许厚度；
所述料层厚度动态预测模型是基于循环神经网络模型训练生成，并按照以下步骤建立所述料层厚度动态预测模型：
获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；
将N组独立的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成N组训练样本的输入；
获取料层厚度检测装置发送的相应N组独立的料层厚度测量值，并将料层厚度测量值按照一定收缩比例量化，生成N组训练样本的输出；
利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练循环神经网络模型；
通过迭代训练不断更新循环神经网络模型的权重参数、偏置参数以及学习因子；
若循环神经网络模型预测的料层厚度的特征值与测量的料层厚度的特征值，达到设定的允差范围，或循环神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得料层厚度动态预测模型。
CN202010844793.0A 2020-08-20 2020-08-20 一种烧结台车的料层厚度动态预测系统及方法 Active CN113299352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010844793.0A CN113299352B (zh) 2020-08-20 2020-08-20 一种烧结台车的料层厚度动态预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010844793.0A CN113299352B (zh) 2020-08-20 2020-08-20 一种烧结台车的料层厚度动态预测系统及方法

Publications (2)

Publication Number Publication Date
CN113299352A CN113299352A (zh) 2021-08-24
CN113299352B true CN113299352B (zh) 2022-08-26

Family

ID=77318170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010844793.0A Active CN113299352B (zh) 2020-08-20 2020-08-20 一种烧结台车的料层厚度动态预测系统及方法

Country Status (1)

Country Link
CN (1) CN113299352B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021446A (zh) * 2021-10-29 2022-02-08 中冶南方工程技术有限公司 一种基于循环神经网络的料面预测方法
CN117420807B (zh) * 2023-12-14 2024-03-12 深圳市德镒盟电子有限公司 一种智能控制去粘层厚度的方法、系统及生产设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102072657A (zh) * 2010-12-30 2011-05-25 中南大学 一种基于多目标遗传算法的烧结布料过程优化控制方法
CN103045855A (zh) * 2012-12-27 2013-04-17 中冶长天国际工程有限责任公司 烧结矿层厚度预测方法及系统
CN106022377A (zh) * 2016-05-20 2016-10-12 中南大学 一种铁矿烧结料层透气性状态的在线预测方法
KR20200072302A (ko) * 2018-12-12 2020-06-22 삼성전자주식회사 두께 예측 네트워크 학습 방법, 반도체 소자 제조 방법 및 반도체 물질 퇴적 장비

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102072657A (zh) * 2010-12-30 2011-05-25 中南大学 一种基于多目标遗传算法的烧结布料过程优化控制方法
CN103045855A (zh) * 2012-12-27 2013-04-17 中冶长天国际工程有限责任公司 烧结矿层厚度预测方法及系统
CN106022377A (zh) * 2016-05-20 2016-10-12 中南大学 一种铁矿烧结料层透气性状态的在线预测方法
KR20200072302A (ko) * 2018-12-12 2020-06-22 삼성전자주식회사 두께 예측 네트워크 학습 방법, 반도체 소자 제조 방법 및 반도체 물질 퇴적 장비

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep learning-based tensile strength prediction in fused deposition modeling;Jianjing Zhang,et al.;《Computers in Industry》;20190531;11-21 *
利用数字图像处理技术在线检测烧结台车料层厚度;王阿虎 等;《冶金自动化》;20101231;50-52,56 *

Also Published As

Publication number Publication date
CN113299352A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN113295000B (zh) 一种基于料层厚度预测的布料控制系统及方法
CN113299352B (zh) 一种烧结台车的料层厚度动态预测系统及方法
CN109446236B (zh) 基于随机分布的水泥粒径分布预测方法
CN113296561B (zh) 一种用于造球机的控制系统及控制方法
CN111079906B (zh) 基于长短时记忆网络的水泥成品比表面积预测方法及系统
CN102165382B (zh) 用于控制工业过程的方法和系统
CN102059071A (zh) 一种用于烧结生产的自动配料控制系统
CN113299353B (zh) 一种混合机的混匀度预测方法及系统
CN113289541B (zh) 一种基于混匀度预测的混合机控制系统及方法
CN112986491A (zh) 一种基于反馈自适应预测模型的混合料水分检测值修正方法
CN114326630A (zh) 沥青混合料智能称重配料控制方法
CN114265885A (zh) 一种烧结返粉料的水分自动控制方法及系统
CN103350023B (zh) 适用于中卸式水泥生料磨系统的双层结构预测控制方法
CN117732576A (zh) 一种基于分层处理的矿石破碎机控制系统、方法及介质
CN113962150A (zh) 一种烧结混合料粒度预测方法及系统
AU723878B2 (en) Real-time optimization for mix beds
CN113289542B (zh) 一种基于混合能效比最优的混合机控制系统及方法
CN112070408A (zh) 基于大数据和深度学习的烧结矿成分预报模型
CN110008566B (zh) 基于大数据的充填料浆性能指标预测方法
Shchokin et al. Nuro-fuzzy activation sub-system of effective control channels in adaptive control system of agglomerative process.
CN114169640B (zh) 一种烧结流程冷却圆筒返粉料水分预测方法及预测系统
Wang et al. RBF neural network soft-sensor modeling of rotary kiln pellet quality indices optimized by biogeography-based optimization algorithm
CN113297542A (zh) 一种造球机的生球占比预测方法及装置
RU2812444C1 (ru) Система и способ управления распределением материала на основе прогнозирования толщины слоя материала
Apelt Inferential measurement models for semi-autogenous grinding mills

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant