CN114622048A - 一种热风炉燃烧优化系统及方法 - Google Patents

一种热风炉燃烧优化系统及方法 Download PDF

Info

Publication number
CN114622048A
CN114622048A CN202210253980.0A CN202210253980A CN114622048A CN 114622048 A CN114622048 A CN 114622048A CN 202210253980 A CN202210253980 A CN 202210253980A CN 114622048 A CN114622048 A CN 114622048A
Authority
CN
China
Prior art keywords
gas flow
temperature
vault
data set
training data
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.)
Granted
Application number
CN202210253980.0A
Other languages
English (en)
Other versions
CN114622048B (zh
Inventor
周忠
周斌
陈玉俊
王崇鹏
项卫兵
钟亚豪
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.)
Hengchuang Digital Technology Jiangsu Co ltd
Original Assignee
Hengchuang Digital Technology Jiangsu 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 Hengchuang Digital Technology Jiangsu Co ltd filed Critical Hengchuang Digital Technology Jiangsu Co ltd
Priority to CN202210253980.0A priority Critical patent/CN114622048B/zh
Publication of CN114622048A publication Critical patent/CN114622048A/zh
Application granted granted Critical
Publication of CN114622048B publication Critical patent/CN114622048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B9/00—Stoves for heating the blast in blast furnaces
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B5/00—Making pig-iron in the blast furnace
    • C21B5/006—Automatically controlling the process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B2300/00—Process aspects
    • C21B2300/04—Modeling of the process, e.g. for control purposes; CII
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Organic Chemistry (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Regulation And Control Of Combustion (AREA)

Abstract

本发明公开了热风炉控制技术领域的一种热风炉燃烧优化系统及方法，包括：获取历史人工烧炉数据和历史空气流量数据；基于历史人工烧炉数据生成拱顶温度训练数据集和煤气流量训练数据集；将拱顶温度训练数据集输入预测拱顶温度模型，得到拱顶温度预测值，将拱顶温度预测值和煤气流量训练数据集输入预测煤气流量模型，得到煤气流量预测值；基于拱顶温度训练数据集和历史空气流量数据进行空气流量修正后，得到修正后的空气流量。本发明通过对热风炉烧炉过程中对煤空比实现精细化控制，减少加热过程中的高炉煤气用量。

Description

一种热风炉燃烧优化系统及方法
技术领域
本发明涉及一种热风炉燃烧优化系统及方法，属于热风炉控制技术领域。
背景技术
钢铁工业是高能耗行业，而其中炼铁工序能耗占了钢铁能耗的70％左右，故而在当下经济形势严峻，企业追求高效、低耗生产的状况下，有效降低炼铁工序的能源消耗对于降低产品成本、提高企业竞争力有重要作用。而在整个炼铁工序中热风炉是高炉炼铁生产过程中的重要设备之一，是提供高炉热风热量的，热风温度对高炉炼铁生产产量和节能至关重要，热风炉风温对提高高炉炼铁的许多经济技术指标非常明显，其主要表现在：降低焦比、提高煤比、提高产量，有利于整个钢铁企业的降本节资。
热风炉控制通常采用可编程控制器PLC进行控制，根据拱顶温度以及烟道温度的变化自动修改空气和煤气的配比，即空煤比，但只能将空煤比在预设好的大烧煤空比，或设好的小烧煤空比之间切换，无法随时根据炉况给出最佳空煤比，导致煤气的大量浪费。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种热风炉燃烧优化系统及方法，通过对热风炉烧炉过程中对煤空比实现精细化控制，减少加热过程中的高炉煤气用量。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种热风炉燃烧优化方法，包括：
获取历史人工烧炉数据和历史空气流量数据；
基于历史人工烧炉数据生成拱顶温度训练数据集和煤气流量训练数据集；
将拱顶温度训练数据集输入预测拱顶温度模型，得到拱顶温度预测值，将拱顶温度预测值和煤气流量训练数据集输入预测煤气流量模型，得到煤气流量预测值；
基于拱顶温度训练数据集和历史空气流量数据进行空气流量修正后，得到修正后的空气流量。
进一步的，基于历史人工烧炉数据生成拱顶温度训练数据集和煤气流量训练数据集，包括：
获取历史人工烧炉数据中的燃烧周期数据；
计算每个燃烧周期数据的平均拱顶温度、拱顶温度标准差、拱顶温度最大值、拱顶温度最小值、热值点乘煤气流量的均值，确定训练数据集筛选条件；
基于训练数据集筛选条件和燃烧周期数据，筛选出拱顶温度训练数据集和煤气流量训练数据集。
进一步的，所述训练数据集筛选条件包括：
条件一：同一个炉子的燃烧期的热值点乘煤气流量的均值小于全部燃烧期的每个燃烧期的热值点乘煤气流量的均值排序后的0.3分位数；
条件二：同一个炉子的燃烧期结束后的送风期的最高送风温度大于送风温度的阈值。
进一步的，所述拱顶温度训练数据集包括：t+1时刻拱顶温度，变量是燃烧时间、t时刻前5分钟的拱顶温度(右)、t时刻前5分钟烟道温度；
所述煤气流量训练数据集包括：t+1时刻煤气流量，变量是燃烧时间、t时刻前5至前9分钟的热值、t时刻前5分钟拱顶温度、t时刻前5分钟煤气流。
进一步的，所述预测拱顶温度模型和预测煤气流量模型是根据绝对误差均值、均方误差、可决系数作为选择模型标准，综合模型选择确定的极端随机树模型。
进一步的，所述煤气流量预测值包括修正后的煤气流量和固定煤气流量，其中：
所述修正后的煤气流量计算公式为：
Y＝2/3*A+1/3*F-B+(C-D)*E
其中，Y为修正后的煤气流量，A为t时刻模型预测流量，B为结合调试过程温度补偿值，C为更新预测t时刻拱顶温度，D为t时刻当前拱顶温度，E为温度折算流量比例，F为t时刻煤气流量；
所述固定煤气流量公式：
Z＝F*G/H
其中，Z为固定煤气流量，F为热风炉煤气流量值，G为标准热值，H为t时刻热值。
进一步的，基于拱顶温度训练数据集和历史空气流量数据进行空气流量修正后，得到修正后的空气流量，包括：以历史空气流量数据作为推荐值，在燃烧时间在5分钟到105分钟时，若拱顶温度训练数据集中的拱顶温度高于预期拱顶温度且烟道温度低于预期温度，则上调对应的空气流量，且调整幅度最高不超过3％；若拱顶温度训练数据集中的拱顶温度低于预期拱顶温度且烟道温度高于预期温度，则下调对应的空气流量，上调煤气流量，且调整幅度最高不超过3％；若燃烧时间小于5分钟，则输出固定空气流量。
第二方面，本发明提供了一种热风炉燃烧优化系统，包括：
数据获取模块：用于获取历史人工烧炉数据和历史空气流量数据；
训练集生成模块：用于基于历史人工烧炉数据生成拱顶温度训练数据集和煤气流量训练数据集；
煤气流量预测值生成模块：用于将拱顶温度训练数据集输入预测拱顶温度模型，得到拱顶温度预测值，将拱顶温度预测值和煤气流量训练数据集输入预测煤气流量模型，得到煤气流量预测值；
空气流量修正模块：用于基于拱顶温度训练数据集和历史空气流量数据进行空气流量修正后，得到修正后的空气流量。
第三方面，本发明提供了一种热风炉燃烧优化装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明通过对热风炉烧炉过程中对煤空比实现精细化控制，减少加热过程中的高炉煤气用量，解决现有技术中无法随时根据炉况给出最佳空煤比，导致煤气的大量浪费的情况，避免同时换炉时，各风炉之间配合效果差，导致多风炉同时需要送入煤气，但总管中气量不足，导致炉内温度波动较大的情况。
附图说明
图1是本发明实施例一提供的方法流程图；
图2是本发明实施例一提供的模型预测图；
图3是本发明实施例一提供的数据生成流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
一种热风炉燃烧优化方法，包括以下步骤：
S1、利用历史人工烧炉数据，生成训练数据集
S110、用煤气流量大于200筛选历史数据，筛选之后的数据中相邻index的差值小于30认为是在同一个燃烧周期内，否则认为是另一燃烧周期的数据。这样就得到一个完整的燃烧周期数据，再依据燃烧周期的数据量大于100筛选数据，获取完整的燃烧周期数据。
S120、计算每个燃烧周期的平均拱顶温度、拱顶温度标准差、拱顶温度最大值、拱顶温度最小值、热值点乘煤气流量的均值，用来产生新的筛选条件，计算筛选出有效周期的指标，生成新的筛选条件如下：
S121、描述每个燃烧周期的拱顶温度最大值和每个燃烧周期的热值点乘煤气流量的均值之间的关系，可通过每个燃烧周期的拱顶温度最大值和每个燃烧周期的热值点乘煤气流量的均值的散点图看出，方便得出指标的阈值；
S122、描述每个燃烧周期热值点乘煤气流量的均值和该燃烧周期结束后的送风周期中的最高送风温度的关系，可通过每个燃烧周期热值点乘煤气流量的均值和该燃烧周期结束后的送风周期中的最高送风温度的散点图看出，方便得出送风温度指标的阈值；
S123、根据两个散点图和每个燃烧周期的平均拱顶温度、拱顶温度标准差、拱顶温度最大值、拱顶温度最小值、热值点乘煤气流量的均值、送风温度(同一个炉子每个燃烧期结束后送风期的最高送风温度)，得到两个筛选一个燃烧期和送风期条件：
1、同一个炉子的燃烧期的热值点乘煤气流量的均值小于全部燃烧期的每个燃烧期的热值点乘煤气流量的均值排序后的0.3分位数，节约煤气量的阈值；
2、同一个炉子的燃烧期结束后的送风期的最高送风温度大于1193(送风温度的阈值)。为了说明两个筛选条件怎么得到的，用下表说明：
序列 热值点乘煤气流量的均值 最高送风温度
燃烧期1 x1 y1
燃烧期2 x2 y2
燃烧期3 x3 y3
... ... ...
注：x1，x2，...是每个燃烧期的热值点乘煤气流量的均值；y1，y2，...是每个燃烧期结束后该炉送风期的最高送风温度；热值点乘煤气流量的均值的0.3分位数是将x1，x2，x3，...按照大小进行排序，取排序后的数据的前30％位置数字。
S130、根据S120中的两个新筛选条件，分别得到两个数据集，然后再取燃烧周期都出现在两个数据集的燃烧周期的数据，然后取每个燃烧期3分钟以后的数据，数据的Lable是t+1时刻拱顶温度，变量是燃烧时间、t时刻前5分钟的拱顶温度(右)、t时刻前5分钟烟道温度，最后保存为csv文件。
S140、取S110筛选后数据的每个燃烧期3分钟以后的数据，数据的Lable是t+1时刻煤气流量，变量是燃烧时间、t时刻前5至前9分钟的热值、t时刻前5分钟拱顶温度、t时刻前5分钟煤气流量，最后保存为csv文件。
S150、根据S120中的两个新筛选条件，分别得到两个数据集，然后再取燃烧周期都出现在两个数据集的燃烧周期的数据，生成预测拱顶温度和烟道温度的基线参考值，结果保存在wind_temp.py，基线参考值将参与到PID控制。
S2、利用两个数据集训练预测拱顶温度模型和预测煤气流量模型
S210、训练预测拱顶温度模型
S211、训练数据的Label是t+1时刻拱顶温度，变量是燃烧时刻、t时刻前5分钟的拱顶温度(右)、t时刻前5分钟烟道温度的模型；
S212、采用十折交叉验证对比常见的机器学习方法；
S213、根据绝对误差均值、均方误差、可决系数等作为选择模型标准，综合模型选择标准后选择了极端随机树模型；
S214、将极端随机树模型保存下来。
S220、训练预测煤气流量模型
S221、训练Label是t+1时刻煤气流量，变量是燃烧时间、燃烧时间t前5至前9分钟的热值、燃烧时间t前5分钟拱顶温度、t时刻前5分钟煤气流量的模型；
S222、采用十折交叉验证对比常见的机器学习方法；
S223、根据绝对误差均值、均方误差、可决系数等为选择模型标准，综合模型选择标准后选择了极端随机树模型；
S224、将极端随机树模型保存下来。
S230、每个炉子有两个模型，3个炉子共总有6个模型
S240、模型预测
请参阅图2，在预测t+1时刻的煤气流量时，需要用到预测拱顶温度模型的结果，为了清楚说明预测煤气流量过程，利用上图说明，预测拱顶温度模型预测出的t+1时刻的拱顶温度和燃烧时间、燃烧时间t前5分钟热值、燃烧时间t前5分钟烟道温度、燃烧时间t前5分钟拱顶温度(右)、燃烧时间t前5分钟煤气流量输入到预测煤气流量模型中，得到t+1时刻的煤气流量。
S3、对传入PID模块的参数进行处理，其中要用到S2保存的模型结果。3个炉子对参数处理方法类似，以1号炉处理流程说明：
S310、以燃烧时间大于0判断炉子是否开始燃烧，用t时刻、t时刻的前5分钟拱顶温度和t时刻的前5分钟烟道温度，预测t+1时刻拱顶温度。
S320、根据燃烧时间t小于90分钟，更新t+1时刻的预测拱顶温度为t+1时刻预测拱顶温度和1295最小值(1295为拱顶温度上限值，为现场经验值。人机交付界面可设置)；跳到S330。
S330、根据燃烧时间t大于25分钟和燃烧时间t小于45分钟，再更新t+1时刻拱顶温度，取S320更新过的t+1时刻的拱顶温度和1280的最大值(1280为拱顶温度下限值，为现场经验值。人机交付界面可设置)；跳到S340。
S340、将t-1时刻、t-1时刻的前5分钟拱顶温度和t-1时刻的前5分钟烟道温度的数据，输入到预测拱顶温度模型中，得到预测t时刻拱顶温度。
S350、根据燃烧时间t-1小于90分钟，更新t时刻的预测拱顶温度，取t时刻预测拱顶温度和1295最小值；跳到S360。
S360、根据燃烧时间t-1大于25分钟和燃烧时间t-1小于45分钟，再更新t时刻拱顶温度，取S350更新过的t时刻的拱顶温度和1280的最大值；否则，跳到S370。
S370、如果燃烧时间t小于5，那么输出固定煤气流量；如果燃烧时间t大于等于5、更新后的预测t时刻拱顶温度与t时刻当前拱顶温度的绝对误差小于3，那么输出修正后的煤气流量；如果燃烧时间t大于等于5和预测t时刻拱顶温度与t时刻当前拱顶温度的绝对误差大于3，将燃烧时间t、燃烧时间t前5分钟的热值、燃烧时间t前5分钟的烟道温度、预测燃烧t+1时间的拱顶温度、燃烧时间t前5分钟的煤气流量输入到预测煤气流量模型中，得到t+1时刻的煤气流量，更新t+1时刻的煤气流量，取推荐煤气流量加1500与t+1时刻的煤气流量的最小值(根据经验煤气调节阀特性，观测出的1％开度对应1500的流量)；再次更新t+1时刻的煤气流量，取推荐煤气流量减1500与更新t+1时刻的煤气流量的最大值，得到最终更新后的煤气流量。
3个炉子的煤气流量修正公式：
1号炉修正后的煤气流量＝2/3*t时刻模型预测流量+1/3*t时刻煤气流量-300+(更新预测t时刻拱顶温度-t时刻当前拱顶温度)*300
式中，第一个参数300为根据热风炉特性，结合调试过程，进行的温度补偿，人机交付界面可设置；第二个参数300为根据历史数据，温度折算流量比例，进行温度补偿，人机交付界面可设置。
2号炉修正后的煤气流量＝2/3*t时刻模型预测流量+1/3*t时刻煤气流量-300+(更新预测t时刻拱顶温度-t时刻当前拱顶温度)*300
3号炉修正后的煤气流量＝2/3*t时刻模型预测流量+1/3*t时刻煤气流量-200+(更新预测t时刻拱顶温度-t时刻当前拱顶温度)*300
式中，参数200为根据热风炉特性，结合调试过程，进行的温度补偿，人机交付界面可设置；参数300为根据历史数据，温度折算流量比例，进行温度补偿，人机交付界面可设置。
3个炉子固定煤气流量公式：
1号炉固定煤气流量＝30000*3300/t时刻热值
2号炉固定煤气流量＝28000*3300/t时刻热值
3号炉固定煤气流量＝27500*3300/t时刻热值
式中，参数30000为1号热风炉煤气流量值，参数3300为标准热值，参数28000为2号热风炉煤气流量值，参数27500为3号热风炉煤气流量值。
S380、最终输出煤气流量。
S4、生成空气流量数据
S410、根据之前S120中的两个新筛选条件，得到的训练数据集。
S420、在训练数据集中，针对燃烧时间在5分钟到105分钟的情况，分时间段统计该时间段类，历史的空气流量作为推荐值，在PID模块中，对其进行修正。
S430、在t时刻的燃烧过程中，发现拱顶温度高于预期拱顶温度，并且烟道温度低于预期温度，就上调对应的空气流量。调整增量规则按照提高1％，2％，3％三个档调整。调整幅度最高不超过3％。
S440、在t时刻的燃烧过程中，发现拱顶温度低于预期拱顶温度，并且烟道温度高于预期温度，就下调对应的空气流量，上调煤气流量。调整规则按照1％，2％，3％三个档调整。调整幅度最高不超过3％。
S450、燃烧时间小于5分钟，那么输出固定空气流量。
实施例二：
一种热风炉燃烧优化系统，可实现实施例一所述的一种热风炉燃烧优化方法，包括：
数据获取模块：用于获取历史人工烧炉数据和历史空气流量数据；
训练集生成模块：用于基于历史人工烧炉数据生成拱顶温度训练数据集和煤气流量训练数据集；
煤气流量预测值生成模块：用于将拱顶温度训练数据集输入预测拱顶温度模型，得到拱顶温度预测值，将拱顶温度预测值和煤气流量训练数据集输入预测煤气流量模型，得到煤气流量预测值；
空气流量修正模块：用于基于拱顶温度训练数据集和历史空气流量数据进行空气流量修正后，得到修正后的空气流量。
实施例三：
本发明实施例还提供了一种热风炉燃烧优化装置，可实现实施例一所述的一种热风炉燃烧优化方法，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
获取历史人工烧炉数据和历史空气流量数据；
基于历史人工烧炉数据生成拱顶温度训练数据集和煤气流量训练数据集；
将拱顶温度训练数据集输入预测拱顶温度模型，得到拱顶温度预测值，将拱顶温度预测值和煤气流量训练数据集输入预测煤气流量模型，得到煤气流量预测值；
基于拱顶温度训练数据集和历史空气流量数据进行空气流量修正后，得到修正后的空气流量。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，可实现实施例一所述的一种热风炉燃烧优化方法，其上存储有计算机程序，该程序被处理器执行时实现下述方法的步骤：
获取历史人工烧炉数据和历史空气流量数据；
基于历史人工烧炉数据生成拱顶温度训练数据集和煤气流量训练数据集；
将拱顶温度训练数据集输入预测拱顶温度模型，得到拱顶温度预测值，将拱顶温度预测值和煤气流量训练数据集输入预测煤气流量模型，得到煤气流量预测值；
基于拱顶温度训练数据集和历史空气流量数据进行空气流量修正后，得到修正后的空气流量。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种热风炉燃烧优化方法，其特征是，包括：
获取历史人工烧炉数据和历史空气流量数据；
基于历史人工烧炉数据生成拱顶温度训练数据集和煤气流量训练数据集；
将拱顶温度训练数据集输入预测拱顶温度模型，得到拱顶温度预测值，将拱顶温度预测值和煤气流量训练数据集输入预测煤气流量模型，得到煤气流量预测值；
基于拱顶温度训练数据集和历史空气流量数据进行空气流量修正后，得到修正后的空气流量。
2.根据权利要求1所述的热风炉燃烧优化方法，其特征是，基于历史人工烧炉数据生成拱顶温度训练数据集和煤气流量训练数据集，包括：
获取历史人工烧炉数据中的燃烧周期数据；
计算每个燃烧周期数据的平均拱顶温度、拱顶温度标准差、拱顶温度最大值、拱顶温度最小值、热值点乘煤气流量的均值，确定训练数据集筛选条件；
基于训练数据集筛选条件和燃烧周期数据，筛选出拱顶温度训练数据集和煤气流量训练数据集。
3.根据权利要求1所述的热风炉燃烧优化方法，其特征是，所述训练数据集筛选条件包括：
条件一：同一个炉子的燃烧期的热值点乘煤气流量的均值小于全部燃烧期的每个燃烧期的热值点乘煤气流量的均值排序后的0.3分位数；
条件二：同一个炉子的燃烧期结束后的送风期的最高送风温度大于送风温度的阈值。
4.根据权利要求1所述的热风炉燃烧优化方法，其特征是，所述拱顶温度训练数据集包括：t+1时刻拱顶温度，变量是燃烧时间、t时刻前5分钟的拱顶温度(右)、t时刻前5分钟烟道温度；
所述煤气流量训练数据集包括：t+1时刻煤气流量，变量是燃烧时间、t时刻前5至前9分钟的热值、t时刻前5分钟拱顶温度、t时刻前5分钟煤气流量。
5.根据权利要求1所述的热风炉燃烧优化方法，其特征是，所述预测拱顶温度模型和预测煤气流量模型是根据绝对误差均值、均方误差、可决系数作为选择模型标准，综合模型选择确定的极端随机树模型。
6.根据权利要求1所述的热风炉燃烧优化方法，其特征是，所述煤气流量预测值包括修正后的煤气流量和固定煤气流量，其中：
所述修正后的煤气流量计算公式为：
Y＝2/3*A+1/3*F-B+(C-D)*E
其中，Y为修正后的煤气流量，A为t时刻模型预测流量，B为结合调试过程温度补偿值，C为更新预测t时刻拱顶温度，D为t时刻当前拱顶温度，E为温度折算流量比例，F为t时刻煤气流量；
所述固定煤气流量公式：
Z＝F*G/H
其中，Z为固定煤气流量，F为热风炉煤气流量值，G为标准热值，H为t时刻热值。
7.根据权利要求1所述的热风炉燃烧优化方法，其特征是，基于拱顶温度训练数据集和历史空气流量数据进行空气流量修正后，得到修正后的空气流量，包括：以历史空气流量数据作为推荐值，在燃烧时间在5分钟到105分钟时，若拱顶温度训练数据集中的拱顶温度高于预期拱顶温度且烟道温度低于预期温度，则上调对应的空气流量，且调整幅度最高不超过3％；若拱顶温度训练数据集中的拱顶温度低于预期拱顶温度且烟道温度高于预期温度，则下调对应的空气流量，上调煤气流量，且调整幅度最高不超过3％；若燃烧时间小于5分钟，则输出固定空气流量。
8.一种热风炉燃烧优化系统，其特征是，包括：
数据获取模块：用于获取历史人工烧炉数据和历史空气流量数据；
训练集生成模块：用于基于历史人工烧炉数据生成拱顶温度训练数据集和煤气流量训练数据集；
煤气流量预测值生成模块：用于将拱顶温度训练数据集输入预测拱顶温度模型，得到拱顶温度预测值，将拱顶温度预测值和煤气流量训练数据集输入预测煤气流量模型，得到煤气流量预测值；
空气流量修正模块：用于基于拱顶温度训练数据集和历史空气流量数据进行空气流量修正后，得到修正后的空气流量。
9.一种热风炉燃烧优化装置，其特征是，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
CN202210253980.0A 2022-03-15 2022-03-15 一种热风炉燃烧优化系统及方法 Active CN114622048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210253980.0A CN114622048B (zh) 2022-03-15 2022-03-15 一种热风炉燃烧优化系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210253980.0A CN114622048B (zh) 2022-03-15 2022-03-15 一种热风炉燃烧优化系统及方法

Publications (2)

Publication Number Publication Date
CN114622048A true CN114622048A (zh) 2022-06-14
CN114622048B CN114622048B (zh) 2023-12-01

Family

ID=81901701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210253980.0A Active CN114622048B (zh) 2022-03-15 2022-03-15 一种热风炉燃烧优化系统及方法

Country Status (1)

Country Link
CN (1) CN114622048B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115930594A (zh) * 2023-02-20 2023-04-07 科大智能物联技术股份有限公司 一种竖炉生产控制方法
CN115964942A (zh) * 2022-12-19 2023-04-14 广东邦普循环科技有限公司 一种动力电池材料烧制系统加热组件老化预测方法及系统
CN116182564A (zh) * 2023-04-26 2023-05-30 科大智能物联技术股份有限公司 一种烧结机点火炉智能控制系统
CN117192989A (zh) * 2023-09-19 2023-12-08 广州市赛思达机械设备有限公司 一种旋转热风炉智能控制方法、系统、设备及存储介质
CN117352079A (zh) * 2023-10-27 2024-01-05 上海全应科技有限公司 获取压力变化速率对于燃料的阶跃响应曲线的方法及系统
CN118036500A (zh) * 2024-03-05 2024-05-14 鞍钢股份有限公司 一种基于数字孪生模型的高炉热风炉煤气消耗预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN207062313U (zh) * 2017-08-16 2018-03-02 中冶京诚工程技术有限公司 一种顶燃式热风炉燃烧器
CN108603660A (zh) * 2016-11-04 2018-09-28 郑州安耐克实业有限公司 新型顶燃热风炉
CN110257577A (zh) * 2019-07-16 2019-09-20 中南大学 一种球式热风炉烧炉过程控制方法及系统
CN113251670A (zh) * 2021-05-28 2021-08-13 江苏永联慧科物联技术有限公司 热风炉控制、训练方法、装置、设备、热风炉系统及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108603660A (zh) * 2016-11-04 2018-09-28 郑州安耐克实业有限公司 新型顶燃热风炉
CN207062313U (zh) * 2017-08-16 2018-03-02 中冶京诚工程技术有限公司 一种顶燃式热风炉燃烧器
CN110257577A (zh) * 2019-07-16 2019-09-20 中南大学 一种球式热风炉烧炉过程控制方法及系统
CN113251670A (zh) * 2021-05-28 2021-08-13 江苏永联慧科物联技术有限公司 热风炉控制、训练方法、装置、设备、热风炉系统及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈杉杉等: "基于数值模拟的热风炉燃烧模型", 《北京科技大学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964942A (zh) * 2022-12-19 2023-04-14 广东邦普循环科技有限公司 一种动力电池材料烧制系统加热组件老化预测方法及系统
CN115964942B (zh) * 2022-12-19 2023-12-12 广东邦普循环科技有限公司 一种动力电池材料烧制系统加热组件老化预测方法及系统
CN115930594A (zh) * 2023-02-20 2023-04-07 科大智能物联技术股份有限公司 一种竖炉生产控制方法
CN115930594B (zh) * 2023-02-20 2023-05-30 科大智能物联技术股份有限公司 一种竖炉生产控制方法
CN116182564A (zh) * 2023-04-26 2023-05-30 科大智能物联技术股份有限公司 一种烧结机点火炉智能控制系统
CN116182564B (zh) * 2023-04-26 2024-01-23 科大智能物联技术股份有限公司 一种烧结机点火炉智能控制系统
CN117192989A (zh) * 2023-09-19 2023-12-08 广州市赛思达机械设备有限公司 一种旋转热风炉智能控制方法、系统、设备及存储介质
CN117352079A (zh) * 2023-10-27 2024-01-05 上海全应科技有限公司 获取压力变化速率对于燃料的阶跃响应曲线的方法及系统
CN117352079B (zh) * 2023-10-27 2024-06-28 上海全应科技有限公司 获取压力变化速率对于燃料的阶跃响应曲线的方法及系统
CN118036500A (zh) * 2024-03-05 2024-05-14 鞍钢股份有限公司 一种基于数字孪生模型的高炉热风炉煤气消耗预测方法

Also Published As

Publication number Publication date
CN114622048B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN114622048B (zh) 一种热风炉燃烧优化系统及方法
CN101900992B (zh) 化工过程预测控制系统经济目标优化自适应退避选择方法
CN105955373B (zh) 高炉煤气、焦炉煤气和转炉煤气混合控制方法及系统
CN114036855B (zh) 火电厂动态配煤方法、系统、设备及存储介质
CN101206754A (zh) 基于多种约束规则的火电厂厂级负荷优化分配方法
CN107918368B (zh) 钢铁企业煤气产生量与消耗量的动态预测方法及设备
CN103439926B (zh) 一种钢铁企业煤气优化调度装置
CN102520705A (zh) 一种炼化生产过程优化分析方法及系统
CN114721263B (zh) 基于机器学习和智能优化算法的水泥分解炉智慧调控方法
CN107976976B (zh) 一种钢铁企业煤气消耗设备时序优化方法
CN106011353B (zh) 一种高炉热风炉空燃比自寻优方法
CN114266165B (zh) 考虑碳排放的蒸汽动力系统中蒸汽透平布局优化方法
CN116127345B (zh) 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法
CN115451424B (zh) 一种基于压力前馈的燃煤锅炉给煤控制方法
CN104977911A (zh) 一种提高钢铁能源利用率的在线能源分配控制方法
CN114091720A (zh) 一种基于决策者偏好的多目标配煤方法
CN110673519B (zh) 一种综合能源系统运行模式平滑切换控制方法和装置
CN114317859B (zh) 一种热风炉送风策略修正方法
CN113609684A (zh) 基于工业数据和工艺机理的锅炉吨煤产汽优化方法
Kychkin et al. Automated Cross Channel Temperature Predictions for the PFR Lime Kiln Operating Support
CN114576608B (zh) 一种基于大数据的循环流化床燃煤锅炉优化节能方法
CN107657352A (zh) 一种聚氯乙烯全流程生产规划的求解方法和装置
CN107025513B (zh) 一种电力系统月度火电机组组合问题的启发式搜索方法
CN104100995A (zh) 一种加热炉热负荷分配方法及装置
CN112176135B (zh) 一种基于高炉能效分析的优化节能方法及系统

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