CN114645105A - 钒钛矿高炉炉况稳定性评价方法 - Google Patents

钒钛矿高炉炉况稳定性评价方法 Download PDF

Info

Publication number
CN114645105A
CN114645105A CN202210398003.XA CN202210398003A CN114645105A CN 114645105 A CN114645105 A CN 114645105A CN 202210398003 A CN202210398003 A CN 202210398003A CN 114645105 A CN114645105 A CN 114645105A
Authority
CN
China
Prior art keywords
evaluation
blast furnace
model
stability
furnace condition
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
CN202210398003.XA
Other languages
English (en)
Other versions
CN114645105B (zh
Inventor
饶家庭
郑魁
董晓森
谢洪恩
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.)
Pangang Group Panzhihua Steel and Vanadium Co Ltd
Pangang Group Panzhihua Iron and Steel Research Institute Co Ltd
Pangang Group Xichang Steel and Vanadium Co Ltd
Original Assignee
Pangang Group Panzhihua Iron and Steel Research Institute 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 Pangang Group Panzhihua Iron and Steel Research Institute Co Ltd filed Critical Pangang Group Panzhihua Iron and Steel Research Institute Co Ltd
Priority to CN202210398003.XA priority Critical patent/CN114645105B/zh
Publication of CN114645105A publication Critical patent/CN114645105A/zh
Application granted granted Critical
Publication of CN114645105B publication Critical patent/CN114645105B/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
    • C21B5/00—Making pig-iron in the blast furnace
    • C21B5/006—Automatically controlling the process
    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Manufacture Of Iron (AREA)

Abstract

本发明属于冶金技术领域，具体公开了一种能够快速评价钒钛矿高炉炉况稳定性，且评价吻合度较人工模型更为可靠的评价方法。该评价方法采用相关性矩阵和二元齐次方差，或者互信息熵值计算，对因变量参考值或PCA分析构建的因变量进行分析，并选择相关性较为显著的影响自变量因子作为评价模型输入，再采用PCA算法降维和权重计算，并将降维后的主成分作为评价输入参数，接着采用自适应模糊神经网络重新构建评价模型或组合模型，模型的整个构建过程简单、快捷，最后利用构建的模型能够对钒钛矿高炉的炉况稳定性进行快速评价，且与现有的人工模型评价方法相比，具有筛选参数、计算权重和阈值随样本增加而变更等优点，其评价吻合度更为可靠。

Description

钒钛矿高炉炉况稳定性评价方法
技术领域
本发明属于冶金技术领域，具体涉及一种钒钛矿高炉炉况稳定性评价方法。
背景技术
钒钛矿高炉冶炼由于入炉TiO2负荷高，炉渣中TiO2含量高，炉料高熔点相多，炉渣粘度高且熔化性温度高，TiO2过还原受温度影响大等特点，高炉参数控制范围窄，高炉上部气流及炉缸工作状况受参数变化，易出现大的波动，为了及时判定高炉操作参数对煤气流、炉缸工作状态的影响，需要对大量样本数据进行分析及建立评价模型。目前已有人工筛选参数、设定权重和阈值的评价模型，但该模型具有较大的局限性，不仅构建模型的过程复杂，而且存在评价不及时、评价吻合度不够可靠的问题。
发明内容
本发明要解决的技术问题是提供一种能够快速评价钒钛矿高炉炉况稳定性，且评价吻合度较人工模型更为可靠的方法。
本发明解决其技术问题所采用的技术方案是：钒钛矿高炉炉况稳定性评价方法，包括下列步骤：
步骤一，选取影响评价因子的主要参数，评价因子为钒钛矿冶炼产量、炉缸活跃性、焦比、铁水硅钛差和煤气流分布中的至少一种；
步骤二，判断步骤一选取的主要参数是否有因变量参考值；
若有因变量参考值，则先通过相关性矩阵和二元齐次方差分析，或者互信息熵值计算分析，再选择与评价因子相关性显著的操作参数作为模型输入Xi；
若没有因变量参考值，则先进行PCA分析，构建因变量，再进行相关性矩阵和二元齐次方差分析，或者互信息熵值计算分析，之后选择相关性显著的操作参数作为模型输入Xi；
步骤三，对步骤二选择的Xi进行PCA分析，计算满足特征参数累计贡献率大于85％的降维变量个数及其权重，并组合成炉况判定参数Yi；
步骤四，采用自适应模糊神经网络对炉况判定参数Yi进行学习与预报，形成钒钛矿高炉炉况稳定性评价模型和模糊规则知识库；
步骤五，利用步骤四形成的钒钛矿高炉炉况稳定性评价模型，对钒钛矿高炉的炉况稳定性进行评价。
进一步的是，步骤一中，选取相关系数R≥0.7的主要参数。
进一步的是，步骤四中，炉况判定参数Yi按四区间规则进行学习与预报，钒钛矿高炉炉况稳定性评价模型的评价体系为：指数在1个西格玛波动以内评价为优，指数在1～2个西格玛波动评价为良，指数在2～3个西格玛内波动评价为中，指数大于3个西格玛波动评价为差。
进一步的是，步骤一中，选取m个主要参数X1～Xm，m为大于1的整数；
若主要参数有因变量参考值，步骤二中，按公式
Figure BDA0003591360780000021
进行相关性分析和显著性检验，选择影响Yi的显著性参数P＜0.05的变量常数项Xi和XiXj组合作为新的输入变量Xin；
步骤三中，对新的输入变量Xin进行PCA分析得到主成分个数M，并计算特征值λi(i＝1,...,M)，计算M个主成分PM的相对权重，
Figure BDA0003591360780000022
计算得到综合
Figure BDA0003591360780000023
ai表示回归方程中的Xi系数，bij表示回归方程中的XiXj回归系数，XiXj表示自变量Xi和Xj两两相乘，γk表示第k个特征值占特征累计值的比例，k表示M个主成分中第k个主成分，Pk表示第k个主成分对应的原始数据矩阵，ZY表示对M个主成分按权重加权计算得到的综合评价值；
若主要参数没有因变量参考值，步骤二和步骤三中，通过PCA分析构建ZY后，重复步骤一，并更新ZY；
步骤四，采用自适应模糊神经网络对数据集(Xin，ZYi)进行自适应模糊神经网络学习。
进一步的是，评价因子为钒钛矿冶炼产量；
步骤四中，形成的钒钛矿高炉炉况稳定性评价模型为T-S模型，并形成有钒钛矿高炉产量的影响因子及结果因子，作为单独模型可组合的输入与输出。
本发明的有益效果是：该评价方法采用相关性矩阵和二元齐次方差，或者互信息熵值计算，对因变量参考值或PCA分析构建的因变量进行分析，并选择相关性较为显著的影响自变量因子作为评价模型输入，再采用PCA算法降维和权重计算，并将降维后的主成分作为评价输入参数，接着采用自适应模糊神经网络重新构建评价模型或组合模型，模型的整个构建过程简单、快捷，最后利用构建的模型能够对钒钛矿高炉的炉况稳定性进行快速评价，且与现有的人工模型评价方法相比，具有筛选参数、计算权重和阈值随样本增加而变更等优点，其评价吻合度更为可靠，利于指导生产。
附图说明
图1是本发明实施例1的PCA分析结果图；
图2是本发明实施例1的自适应模糊计算ANF_ZY与钒钛矿冶炼产量的对应关系图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
钒钛矿高炉炉况稳定性评价方法，包括下列步骤：
步骤一，选取影响评价因子的主要参数，评价因子为钒钛矿冶炼产量、炉缸活跃性、焦比、铁水硅钛差和煤气流分布中的至少一种；影响钒钛矿冶炼产量的主要参数一般包括料速、批重、焦炭负荷、风量、风压、顶压、富氧率和标准风速，影响炉缸活跃性的主要参数一般包括风口回旋区占比、冶炼期、富氧率、鼓风动能、实际风速、Tf和炉热指数；选取主要参数时一般选择相关系数R≥0.7的主要参数；
步骤二，判断步骤一选取的主要参数是否有因变量参考值；
若有因变量参考值，则先通过相关性矩阵和二元齐次方差分析，或者互信息熵值计算分析，再选择与评价因子相关性显著的操作参数作为模型输入Xi；
若没有因变量参考值，则先进行PCA分析，构建因变量，再进行相关性矩阵和二元齐次方差分析，或者互信息熵值计算分析，之后选择相关性显著的操作参数作为模型输入Xi；
步骤三，对步骤二选择的Xi进行PCA分析，计算满足特征参数累计贡献率大于85％的降维变量个数及其权重，并组合成炉况判定参数Yi；
步骤四，采用自适应模糊神经网络对炉况判定参数Yi进行学习与预报，形成钒钛矿高炉炉况稳定性评价模型和模糊规则知识库；该步骤中一般采用西格玛作为评价规则，优选的，炉况判定参数Yi按四区间规则进行学习与预报，钒钛矿高炉炉况稳定性评价模型的评价体系为：指数在1个西格玛波动以内评价为优，指数在1～2个西格玛波动评价为良，指数在2～3个西格玛内波动评价为中，指数大于3个西格玛波动评价为差；
步骤五，利用步骤四形成的钒钛矿高炉炉况稳定性评价模型，对钒钛矿高炉的炉况稳定性进行评价。
作为本发明的一种优选方案，该钒钛矿高炉炉况稳定性评价方法，步骤一中，选取m个主要参数X1～Xm，m为大于1的整数；
若主要参数有因变量参考值，步骤二中，按公式
Figure BDA0003591360780000031
进行相关性分析和显著性检验，选择影响Yi的显著性参数P＜0.05的变量常数项Xi和XiXj组合作为新的输入变量Xin；
步骤三中，对新的输入变量Xin进行PCA分析得到主成分个数M，并计算特征值λi(i＝1,...,M)，计算M个主成分PM的相对权重，
Figure BDA0003591360780000032
计算得到综合
Figure BDA0003591360780000033
ai表示回归方程中的Xi系数，bij表示回归方程中的XiXj回归系数，XiXj表示自变量Xi和Xj两两相乘，即交互影响；γk表示第k个特征值占特征累计值的比例，k表示M个主成分中第k个主成分，Pk表示第k个主成分对应的原始数据矩阵，ZY表示对M个主成分按权重加权计算得到的综合评价值；
若主要参数没有因变量参考值，步骤二和步骤三中，通过PCA分析构建ZY后，重复步骤一，并更新ZY；
步骤四，采用自适应模糊神经网络对数据集(Xin，ZYi)进行自适应模糊神经网络学习。
具体的，评价因子为钒钛矿冶炼产量；
步骤四中，形成的钒钛矿高炉炉况稳定性评价模型为T-S模型，并形成有钒钛矿高炉产量的影响因子及结果因子，作为单独模型可组合的输入与输出。
实施例1
某次利用本发明提供的钒钛矿高炉炉况稳定性评价方法，建立评价模型，对钒钛矿高炉炉况稳定性进行评价，过程如下：
本次采用的评价因子为钒钛矿冶炼产量，钒钛矿冶炼产量一般指日产量；
(1)根据相关性系数矩阵(或者互信息熵值计算，用来判定非线性相关)，选择相关系数R>＝0.7的参数作为评价产量好坏的输入，具体见下表1；
表1：影响钒钛矿冶炼产量的主要参数
Y X<sub>1</sub> X<sub>2</sub> X<sub>3</sub> X<sub>4</sub>
日产量 料速 批重 焦炭负荷 风量
X<sub>5</sub> X<sub>6</sub> X<sub>7</sub> X<sub>8</sub>
风压 顶压 富氧率 标准风速
(2)对Y作X1～X9的二次齐次方差分析，选择显著性参数P＜0.05数据一次项、二次项作为模型的最终输入：
-----------------------------方差分析表------------------------------
Figure BDA0003591360780000041
；
------------------------------参数估计-------------------------------
Figure BDA0003591360780000051
Figure BDA0003591360780000061
得到P＜0.05的变量为X1～X8，X1*X3，X1*X4，X1*X7，X2*X3，X2*X5，X2*X6，X2*X8，X3*X7，X4*X7，X5*X7，X6*X7，X7*X8，X4*X4，X5*X5共计22个输入参数。对这22个参数进行PCA分析，用过程参数来评价结果参数。Xi是根据样本数据的相关性计算，系统自动选择二次齐次式的组合方式。
把上述组合参数作为输入，对其PCA分析结果如图1所示；
计算得到γk分别为80.9786、12.6587、6.3627，ZY＝80.978*M1+12.6587*M2+6.3627*M2主成分
Figure BDA0003591360780000062
其中ui为样本xi的均值，σi样本xi的均值的标准偏差，αi主成分Xi在M1的载荷矩阵，图1中右侧已列出，图1中左侧为原始数据。
M1 M2 M3 自适应模糊计算ZY部分输出
-1.2854 -2.2665 -1.9685 -1.4530
-1.0408 -2.1416 -1.6172 -1.2169
-0.3704 -1.6104 -1.1141 -0.5746
-1.4750 -1.7842 -0.9618 -1.4815
-1.0993 -1.4964 -1.4563 -1.1723
-0.4884 -1.4143 -1.6844 -0.6818
-0.4248 -1.4789 -1.5046 -0.6269
-0.5090 -1.6179 -1.5882 -0.7180
对Mi(i＝3)及ZY构成的样本进行按4个高斯隶属函数进行自适应模糊学习，得到ZY1的学习模型与产量预报；由此得到日产量的降维影响因子Mi和对应的ZY(ANF_ZY)，如图2所示。将ZY1作为输出，对数据集(Xin，ZYi)进行自适应模糊神经网络学习(T-S模型)后，对钒钛矿高炉炉况稳定性进行评价。
评估高炉稳定性通过过程参数与结果参数的相关性进行预测评估，从综合评估值与最终结果(产量指标)的相关性来看，实例1的评估吻合度较直接多项式回归的相关性略高。
实施例2
某次利用本发明提供的钒钛矿高炉炉况稳定性评价方法，建立评价模型，对钒钛矿高炉炉况稳定性进行评价，过程如下：
本次采用的评价因子为炉缸活跃状态；
由于对于炉缸活跃性好坏评价没有明确的指导值，先进行PCA主成分分析，形成组合ZY2，再以ZY2作为因变量，与自变量进行相关性分析或互信息分析(非线性)，将显著性P值＜0.05的相关参数一并纳入，并进行二次齐次分析，形成组合输入指标来表征，具体见下表2。并将组合后的PCA结果作为新的ZY2。
表2：影响炉缸活跃性的主要参数
Y X<sub>1</sub> X<sub>2</sub> X<sub>3</sub> X<sub>4</sub>
ZY2 风口回旋区占比 冶炼期 富氧率 鼓风动能
X<sub>5</sub> X<sub>6</sub> X<sub>7</sub> [Ti] [S]
实际风速 Tf 炉热指数
根据多元齐次方差分析，得到影响ZY2及其降维参数M2i；
-----------------------------方差分析表------------------------------
Figure BDA0003591360780000071
----------------------------参数估计-------------------------------
Figure BDA0003591360780000072
Figure BDA0003591360780000081
Figure BDA0003591360780000091
得到P＜0.05的变量为X1～X9，X1*X8，X1*X9，X2*X3，X2*X7，X2*X8，X2*X9，X3*X4，X3*X5，X3*X7，X4*X5、X4*X7，X5*X7，X6*X8，X6*X9，X8*X9，X2*X2，X3*X3，X4*X4，X5*X5，X6*X6，X9*X9共计30个输入参数。对这30个参数进行PCA分析，用过程参数来评价结果参数。Xi是根据样本数据的相关性计算，系统自动选择二次齐次式的组合方式。把上述组合参数作为输入，对其PCA分析结果如下，根据实施例1的分析方法，得到炉缸活跃性影响因子M2i(i＝5)及并更新ZY2。将ZY2作为输出，对数据集(Xin，ZYi)进行自适应模糊神经网络学习(T-S模型)后，对钒钛矿高炉炉况稳定性进行评价。
评估高炉稳定性通过过程参数与结果参数的相关性进行预测评估，从综合评估值与最终结果(产量指标)的相关性来看，实例2的评估吻合度较直接多项式回归的相关性略高。
实施例3
某次利用本发明提供的钒钛矿高炉炉况稳定性评价方法，建立评价模型，对钒钛矿高炉炉况稳定性进行评价，过程如下：
本次采用的评价因子为煤气流分布；
按实施例2相同的方法进行建模，通过PCA构建综合评价参数ZY3，并进行相关性分析或者互信息分析，选择显著性相关性较强参数，再次进行PCA分析，并输入M3(i＝5)，将上述实施例1和实施例2中的M1(i＝3)，M2(i＝5)，M3(i＝5)作为输入参数，将ZY1、ZY2和ZY3作为输出，对数据集(Xin，ZYi)进行自适应模糊神经网络学习(T-S模型)，按六西格玛原理，形成钒钛矿高炉炉况稳定性综合评价指数，并确定指数在1个西格玛以内波动为优，1～2个西格玛波动为良，2～3个西格玛内波动为中，大于3个西格玛内波动为差的评价体系，用以判定炉况的稳定性。

Claims (5)

1.钒钛矿高炉炉况稳定性评价方法，其特征在于，包括下列步骤：
步骤一，选取影响评价因子的主要参数，评价因子为钒钛矿冶炼产量、炉缸活跃性、焦比、铁水硅钛差和煤气流分布中的至少一种；
步骤二，判断步骤一选取的主要参数是否有因变量参考值；
若有因变量参考值，则先通过相关性矩阵和二元齐次方差分析，或者互信息熵值计算分析，再选择与评价因子相关性显著的操作参数作为模型输入Xi；
若没有因变量参考值，则先进行PCA分析，构建因变量，再进行相关性矩阵和二元齐次方差分析，或者互信息熵值计算分析，之后选择相关性显著的操作参数作为模型输入Xi；
步骤三，对步骤二选择的Xi进行PCA分析，计算满足特征参数累计贡献率大于85％的降维变量个数及其权重，并组合成炉况判定参数Yi；
步骤四，采用自适应模糊神经网络对炉况判定参数Yi进行学习与预报，形成钒钛矿高炉炉况稳定性评价模型和模糊规则知识库；
步骤五，利用步骤四形成的钒钛矿高炉炉况稳定性评价模型，对钒钛矿高炉的炉况稳定性进行评价。
2.如权利要求1所述的钒钛矿高炉炉况稳定性评价方法，其特征在于：步骤一中，选取相关系数R≥0.7的主要参数。
3.如权利要求1所述的钒钛矿高炉炉况稳定性评价方法，其特征在于：步骤四中，炉况判定参数Yi按四区间规则进行学习与预报，钒钛矿高炉炉况稳定性评价模型的评价体系为：指数在1个西格玛波动以内评价为优，指数在1～2个西格玛波动评价为良，指数在2～3个西格玛内波动评价为中，指数大于3个西格玛波动评价为差。
4.如权利要求1至3中任意一项所述的钒钛矿高炉炉况稳定性评价方法，其特征在于：
步骤一中，选取m个主要参数X1～Xm，m为大于1的整数；
若主要参数有因变量参考值，步骤二中，按公式
Figure FDA0003591360770000011
进行相关性分析和显著性检验，选择影响Yi的显著性参数P＜0.05的变量常数项Xi和XiXj组合作为新的输入变量Xin；
步骤三中，对新的输入变量Xin进行PCA分析得到主成分个数M，并计算特征值λi(i＝1,...,M)，计算M个主成分PM的相对权重，
Figure FDA0003591360770000012
计算得到综合
Figure FDA0003591360770000013
ai表示回归方程中的Xi系数，bij表示回归方程中的XiXj回归系数，XiXj表示自变量Xi和Xj两两相乘，γk表示第k个特征值占特征累计值的比例，k表示M个主成分中第k个主成分，Pk表示第k个主成分对应的原始数据矩阵，ZY表示对M个主成分按权重加权计算得到的综合评价值；
若主要参数没有因变量参考值，步骤二和步骤三中，通过PCA分析构建ZY后，重复步骤一，并更新ZY；
步骤四，采用自适应模糊神经网络对数据集(Xin,ZYi)进行自适应模糊神经网络学习。
5.如权利要求4所述的钒钛矿高炉炉况稳定性评价方法，其特征在于：评价因子为钒钛矿冶炼产量；
步骤四中，形成的钒钛矿高炉炉况稳定性评价模型为T-S模型，并形成有钒钛矿高炉产量的影响因子及结果因子，作为单独模型可组合的输入与输出。
CN202210398003.XA 2022-04-12 2022-04-12 钒钛矿高炉炉况稳定性评价方法 Active CN114645105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210398003.XA CN114645105B (zh) 2022-04-12 2022-04-12 钒钛矿高炉炉况稳定性评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210398003.XA CN114645105B (zh) 2022-04-12 2022-04-12 钒钛矿高炉炉况稳定性评价方法

Publications (2)

Publication Number Publication Date
CN114645105A true CN114645105A (zh) 2022-06-21
CN114645105B CN114645105B (zh) 2023-03-31

Family

ID=81996886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210398003.XA Active CN114645105B (zh) 2022-04-12 2022-04-12 钒钛矿高炉炉况稳定性评价方法

Country Status (1)

Country Link
CN (1) CN114645105B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117993760A (zh) * 2023-12-22 2024-05-07 常熟市龙腾特种钢有限公司 一种用于高炉喷煤系统的监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10317024A (ja) * 1997-05-19 1998-12-02 Nisshin Steel Co Ltd 高炉異常炉況判定システム
CN106011341A (zh) * 2016-08-08 2016-10-12 四川德胜集团钒钛有限公司 高炉冶炼钒钛矿提高煤比的方法
CN111100961A (zh) * 2020-01-07 2020-05-05 武钢集团昆明钢铁股份有限公司 普通矿与钒钛矿互换快速获取稳定指标的高炉冶炼方法
CN112819802A (zh) * 2021-02-09 2021-05-18 东北大学 基于风口信息深度学习的监督及预测高炉炉况异常的方法
CN112926820A (zh) * 2021-01-11 2021-06-08 武钢集团昆明钢铁股份有限公司 一种高炉煤气流诊断及改善冶炼技术指标的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10317024A (ja) * 1997-05-19 1998-12-02 Nisshin Steel Co Ltd 高炉異常炉況判定システム
CN106011341A (zh) * 2016-08-08 2016-10-12 四川德胜集团钒钛有限公司 高炉冶炼钒钛矿提高煤比的方法
CN111100961A (zh) * 2020-01-07 2020-05-05 武钢集团昆明钢铁股份有限公司 普通矿与钒钛矿互换快速获取稳定指标的高炉冶炼方法
CN112926820A (zh) * 2021-01-11 2021-06-08 武钢集团昆明钢铁股份有限公司 一种高炉煤气流诊断及改善冶炼技术指标的方法
CN112819802A (zh) * 2021-02-09 2021-05-18 东北大学 基于风口信息深度学习的监督及预测高炉炉况异常的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117993760A (zh) * 2023-12-22 2024-05-07 常熟市龙腾特种钢有限公司 一种用于高炉喷煤系统的监测方法

Also Published As

Publication number Publication date
CN114645105B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
US11755976B2 (en) Method for predicting oxygen load in iron and steel enterprises based on production plan
CN114678080B (zh) 转炉终点磷含量预测模型及构建方法、磷含量预测方法
CN114645105B (zh) 钒钛矿高炉炉况稳定性评价方法
CN115034465B (zh) 一种基于人工智能的焦炭质量预测方法
CN105404926A (zh) 基于bp神经网络与mbfo算法的铝电解生产工艺优化方法
CN111915080A (zh) 一种基于铁水质量约束的原燃料成本最优配比方法
CN111444963A (zh) 一种基于ssa-svr模型的高炉铁水硅含量预测方法
CN112819322A (zh) 基于改进模糊层次分析法的输电线路路径方案评估方法
CN115681597A (zh) 一种基于融合驱动的余热阀门控制优化方法
CN109934421B (zh) 一种面向波动炉况的高炉铁水硅含量预测与补偿方法
CN113836786A (zh) 一种结合焦炉加热制度参数的智能冶金焦炭预测方法
CN114066069A (zh) 一种组合权重的副产煤气发生量预测方法
CN116307149A (zh) 基于注意力LSTM和KbNSGA的高炉性能优化方法
Huang et al. Two-stage decision-making method for burden distribution based on recognition of conditions in blast furnace
CN116307513A (zh) 一种基于改进moea/d算法的火电厂配煤方案优化方法
Ji et al. Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate
CN109654897B (zh) 一种提高碳效的烧结终点智能控制方法
CN117290752A (zh) 一种磨煤机煤粉细度的预测方法
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
Ding et al. Dynamic prediction of the silicon content in the blast furnace using lstm-rnn-based models
Zhou et al. A novel performance assessment method of the carbon efficiency for iron ore sintering process
Wang et al. Energy-Aware Cascade optimization for Proportioning in the Sintering Process Using Improved Immune-Simulated Annealing Algorithm
CN111679584B (zh) 一种高炉冶炼的调控方法和装置
CN117556926A (zh) 一种烧结点火炉煤气流量预测模型及其构建方法和应用
Cheng Modeling of Real-Time Double Loops System in Predicting Sintering’s BTP

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231127

Address after: 617000 Taoyuan street, East District, Panzhihua, Sichuan Province, No. 90

Patentee after: PANGANG GROUP PANZHIHUA IRON & STEEL RESEARCH INSTITUTE Co.,Ltd.

Patentee after: PANGANG GROUP PANZHIHUA STEEL & VANADIUM Co.,Ltd.

Patentee after: XICHANG STEEL VANADIUM CO.,LTD., PANGANG Group

Address before: 617000 Taoyuan street, East District, Panzhihua, Sichuan Province, No. 90

Patentee before: PANGANG GROUP PANZHIHUA IRON & STEEL RESEARCH INSTITUTE Co.,Ltd.