CN115130769A - 一种高炉喷煤制粉系统温度智能自适应方法 - Google Patents
一种高炉喷煤制粉系统温度智能自适应方法 Download PDFInfo
- Publication number
- CN115130769A CN115130769A CN202210803747.5A CN202210803747A CN115130769A CN 115130769 A CN115130769 A CN 115130769A CN 202210803747 A CN202210803747 A CN 202210803747A CN 115130769 A CN115130769 A CN 115130769A
- Authority
- CN
- China
- Prior art keywords
- coal
- data
- temperature
- target value
- finished
- 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
Links
- 239000003245 coal Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000002347 injection Methods 0.000 title claims abstract description 23
- 239000007924 injection Substances 0.000 title claims abstract description 23
- 238000010298 pulverizing process Methods 0.000 title claims description 18
- 239000000843 powder Substances 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 4
- 229910000831 Steel Inorganic materials 0.000 abstract description 2
- 229910052742 iron Inorganic materials 0.000 abstract description 2
- 239000010959 steel Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/1919—Control of temperature characterised by the use of electric means characterised by the type of controller
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
- C21B5/001—Injecting additional fuel or reducing agents
- C21B5/003—Injection of pulverulent coal
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Food Science & Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Disintegrating Or Milling (AREA)
Abstract
本发明涉及钢铁厂炉前喷煤制粉技术领域,尤其涉及一种高炉喷煤制粉系统温度智能自适应方法,包括步骤一数据采集,采集的数据包括喷煤制粉过程中的原煤流量数据、原煤水分数据和磨煤机出口温度,服务器每秒从PLC控制器内进行一次取数,步骤二数据处理,步骤三优质样本筛选,步骤四数据建模,步骤五温度目标值预测,步骤六磨煤机温度控制,本发明无需人工,可自动计算出新的物料在不同数值下的适宜温度目标值,能够在高炉炼铁制粉的生产调节过程中实现智能操作,减少了人工操作,节省人力,有效减少系统滞后,适合广泛推广。
Description
技术领域
本发明涉及钢铁厂炉前喷煤制粉技术领域,尤其涉及一种高炉喷煤制粉系统温度智能自适应方法。
背景技术
当前国内冶金工业各炼铁厂高炉均有喷煤系统,喷煤系统分为原煤供应、制粉、喷吹三部分,而制粉是整个喷煤系统中最关键一环,原煤在磨机研磨成煤粉的过程中需要进行干燥,由于原煤的粒度、干湿程度、流量等发生变化,因此需要提供不同的热量进行干燥,给磨煤机出口温度的控制带来困难,极易出现温度过高或过低的现象,影响成品煤粉的产量和质量。当前国内各家制粉系统均为人工手动操作,个体差异及操作习惯不同致各班运行各类指标波动大,操作人员的粗心大意常造成操作失误,致使成品煤粉稳定性差,设备故障率居高不下,煤电、气耗量高成为一个通病,由于系统故障率高,与正常维护保养时间形成冲突,不得放弃一些常规检修项目,造成系统故障率上升,易进入恶性循环。且人工进行操作,消耗人工成本高;不能实时根据原煤流量、干湿程度等变化进行调节,无法保证全时段生产稳定性和长期较高的产品合格率。
发明内容
本发明提出的一种高炉喷煤制粉系统温度智能自适应方法,无需人工,可自动计算出新的物料在不同数值下的适宜温度目标值,解决了上述问题。
为了实现上述目的,本发明采用了如下技术方案:一种高炉喷煤制粉系统温度智能自适应方法,包括以下步骤:
步骤一,数据采集,采集的数据包括喷煤制粉过程中的原煤流量数据、原煤水分数据和磨煤机出口温度,服务器每秒从PLC控制器内进行一次取数;
采集的数据还包括原煤属性数据,人工整理后录入数据库;
步骤二,数据处理,对喷煤制粉工艺参数取60个时间周期的平均值,使参与控制的数据真实有效且平缓,以减小数据波动对控制的影响,延长配料到磨煤机入口处的时间,将各种指标值进行时间对正,已经完成温度控制的样本数据作为训练数据集,未完成温度控制的样本数据作为被测数据集;
步骤三,优质样本筛选,优质样本的选取通过成品煤粉合格率来判定,所述成品煤粉合格率指标为正向指标,按从大到小排序后取前50%作为优质样本数据集用于建模;
步骤四,数据建模,用支持向量机的回归算法对所述优质样本数据集进行模型训练,并通过十折交叉验证法确定模型最优超参数,然后创建最优模型并存储;
步骤五,温度目标值预测,根据步骤四中创建的最优模型对步骤二中的被测数据集进行预测,得到最新的温度目标值,存入数据库;
步骤六,磨煤机温度控制,将最新的磨煤机出口温度目标值与上一统计周期目标值进行比较,如果变化量的绝对值超过3℃并且持续10秒钟,则将温度目标值传输给PLC控制器进行温度控制操作;否则,不进行温度的调整。
优选的,所述数据库为MYSQL数据库。
优选的,所述原煤属性数据包括原煤粒度、易磨性和热值。
本发明的有益效果是:
本发明步骤一,数据采集,采集的数据包括喷煤制粉过程中的原煤流量数据、原煤水分数据和磨煤机出口温度,服务器每秒从PLC控制器内进行一次取数;采集的数据还包括原煤属性数据,人工整理后录入数据库;步骤二,数据处理,对喷煤制粉工艺参数取60个时间周期的平均值,使参与控制的数据真实有效且平缓,以减小数据波动对控制的影响,延长配料到磨煤机入口处的时间,将各种指标值进行时间对正,已经完成温度控制的样本数据作为训练数据集,未完成温度控制的样本数据作为被测数据集;步骤三,优质样本筛选,优质样本的选取通过成品煤粉合格率来判定,所述成品煤粉合格率指标为正向指标,按从大到小排序后取前50%作为优质样本数据集用于建模;步骤四,数据建模,用支持向量机的回归算法对所述优质样本数据集进行模型训练,并通过十折交叉验证法确定模型最优超参数,然后创建最优模型并存储;步骤五,温度目标值预测,根据步骤四中创建的最优模型对步骤二中的被测数据集进行预测,得到最新的温度目标值,存入数据库;步骤六,磨煤机温度控制,将最新的磨煤机出口温度目标值与上一统计周期目标值进行比较,如果变化量的绝对值超过3℃并且持续10秒钟,则将温度目标值传输给PLC控制器进行温度控制操作;否则,不进行温度的调整。本发明服务器采集历史数据,采用机器学习算法对之前的温度调控经验进行归纳总结形成知识,从而能够智能学习、处理、解决原煤属性变化带来的温度控制问题,既减少了人工调整又实现了前馈调节,另外本发明充分考虑了原煤的属性及流量变化对温度目标值的影响,无需设定温度目标值,利用大数据技术可自动计算出新的物料在不同数值下的适宜温度目标值,能够在高炉炼铁制粉的生产调节过程中实现智能操作,减少了人工操作,节省人力,有效减少系统滞后,适合广泛推广。
附图说明
图1为本发明流程框图。
图2为本发明PLC控制器电连接示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1-2,一种高炉喷煤制粉系统温度智能自适应方法,包括以下步骤:
步骤一,数据采集,采集的数据包括喷煤制粉过程中的原煤流量数据、原煤水分数据和磨煤机出口温度,服务器每秒从PLC控制器内进行一次取数;
采集的数据还包括原煤属性数据,人工整理后录入数据库,数据库为MYSQL数据库,原煤属性数据包括原煤粒度、易磨性和热值。
步骤二,数据处理,对喷煤制粉工艺参数取60个时间周期的平均值,使参与控制的数据真实有效且平缓,以减小数据波动对控制的影响,延长配料到磨煤机入口处的时间,将各种指标值进行时间对正,已经完成温度控制的样本数据作为训练数据集,未完成温度控制的样本数据作为被测数据集;
步骤三,优质样本筛选,优质样本的选取通过成品煤粉合格率来判定,所述成品煤粉合格率指标为正向指标,按从大到小排序后取前50%作为优质样本数据集用于建模;
步骤四,数据建模,用支持向量机的回归算法对所述优质样本数据集进行模型训练,并通过十折交叉验证法确定模型最优超参数,然后创建最优模型并存储;
步骤五,温度目标值预测,根据步骤四中创建的最优模型对步骤二中的被测数据集进行预测,得到最新的温度目标值,存入数据库;
步骤六,磨煤机温度控制,将最新的磨煤机出口温度目标值与上一统计周期目标值进行比较,如果变化量的绝对值超过3℃并且持续10秒钟,则将温度目标值传输给PLC控制器进行温度控制操作;否则,不进行温度的调整。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种高炉喷煤制粉系统温度智能自适应方法,其特征在于包括以下步骤:
步骤一,数据采集,采集的数据包括喷煤制粉过程中的原煤流量数据、原煤水分数据和磨煤机出口温度,服务器每秒从PLC控制器内进行一次取数;
采集的数据还包括原煤属性数据,人工整理后录入数据库;
步骤二,数据处理,对喷煤制粉工艺参数取60个时间周期的平均值,使参与控制的数据真实有效且平缓,以减小数据波动对控制的影响,延长配料到磨煤机入口处的时间,将各种指标值进行时间对正,已经完成温度控制的样本数据作为训练数据集,未完成温度控制的样本数据作为被测数据集;
步骤三,优质样本筛选,优质样本的选取通过成品煤粉合格率来判定,所述成品煤粉合格率指标为正向指标,按从大到小排序后取前50%作为优质样本数据集用于建模;
步骤四,数据建模,用支持向量机的回归算法对所述优质样本数据集进行模型训练,并通过十折交叉验证法确定模型最优超参数,然后创建最优模型并存储;
步骤五,温度目标值预测,根据步骤四中创建的最优模型对步骤二中的被测数据集进行预测,得到最新的温度目标值,存入数据库;
步骤六,磨煤机温度控制,将最新的磨煤机出口温度目标值与上一统计周期目标值进行比较,如果变化量的绝对值超过3℃并且持续10秒钟,则将温度目标值传输给PLC控制器进行温度控制操作;否则,不进行温度的调整。
2.根据权利要求1所述的高炉喷煤制粉系统温度智能自适应方法,其特征在于:所述数据库为MYSQL数据库。
3.根据权利要求1所述的高炉喷煤制粉系统温度智能自适应方法,其特征在于:所述原煤属性数据包括原煤粒度、易磨性和热值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210803747.5A CN115130769B (zh) | 2022-07-07 | 2022-07-07 | 一种高炉喷煤制粉系统温度智能自适应方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210803747.5A CN115130769B (zh) | 2022-07-07 | 2022-07-07 | 一种高炉喷煤制粉系统温度智能自适应方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115130769A true CN115130769A (zh) | 2022-09-30 |
CN115130769B CN115130769B (zh) | 2024-03-01 |
Family
ID=83380967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210803747.5A Active CN115130769B (zh) | 2022-07-07 | 2022-07-07 | 一种高炉喷煤制粉系统温度智能自适应方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130769B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR950018489A (ko) * | 1993-12-28 | 1995-07-22 | 조말수 | 인공신경회로망을 이용한 고로용선온도 예측 및 액션제어량 가이드시스템 |
US20140364994A1 (en) * | 2010-10-27 | 2014-12-11 | Baoshan Iron & Steel Co., Ltd. | Method and device for controlling furnace temperature of burning heating furnace |
CN106337099A (zh) * | 2016-09-19 | 2017-01-18 | 石横特钢集团有限公司 | 一种耗能低制粉喷煤工艺方法 |
CN109976147A (zh) * | 2019-04-03 | 2019-07-05 | 清华大学 | 一种基于智能学习的大体积混凝土温控方法 |
US20210365784A1 (en) * | 2020-05-19 | 2021-11-25 | Zhejiang University | Method for deriving fault diagnosis rules of blast furnace based on deep neural network |
CN114341879A (zh) * | 2019-07-19 | 2022-04-12 | 杰富意钢铁株式会社 | 学习模型生成方法、学习模型生成装置、高炉的铁液温度控制方法、高炉的铁液温度控制指导方法及铁液的制造方法 |
CN114657293A (zh) * | 2022-03-29 | 2022-06-24 | 青岛恒拓环保科技有限公司 | 炼铁高炉喷煤速率自动控制方法及装置 |
-
2022
- 2022-07-07 CN CN202210803747.5A patent/CN115130769B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR950018489A (ko) * | 1993-12-28 | 1995-07-22 | 조말수 | 인공신경회로망을 이용한 고로용선온도 예측 및 액션제어량 가이드시스템 |
US20140364994A1 (en) * | 2010-10-27 | 2014-12-11 | Baoshan Iron & Steel Co., Ltd. | Method and device for controlling furnace temperature of burning heating furnace |
CN106337099A (zh) * | 2016-09-19 | 2017-01-18 | 石横特钢集团有限公司 | 一种耗能低制粉喷煤工艺方法 |
CN109976147A (zh) * | 2019-04-03 | 2019-07-05 | 清华大学 | 一种基于智能学习的大体积混凝土温控方法 |
CN114341879A (zh) * | 2019-07-19 | 2022-04-12 | 杰富意钢铁株式会社 | 学习模型生成方法、学习模型生成装置、高炉的铁液温度控制方法、高炉的铁液温度控制指导方法及铁液的制造方法 |
US20210365784A1 (en) * | 2020-05-19 | 2021-11-25 | Zhejiang University | Method for deriving fault diagnosis rules of blast furnace based on deep neural network |
CN114657293A (zh) * | 2022-03-29 | 2022-06-24 | 青岛恒拓环保科技有限公司 | 炼铁高炉喷煤速率自动控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115130769B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102147613B (zh) | 一种对烟叶复烤机水分、温度的模型预测控制方法及系统 | |
CN103028480A (zh) | 一种基于模糊pid算法的立磨智能控制系统 | |
CN104134120B (zh) | 一种选矿生产指标监控系统及方法 | |
EP2369433A1 (en) | Computer-based method and device for automatically providing control parameters for a plurality of coal mills supplying coal powder to a plant | |
CN106819155A (zh) | 一种多功能茶叶加工生产线及其控制系统 | |
CN108393146B (zh) | 一种钢球磨煤机制粉系统自适应最优解耦控制方法 | |
CN108108880B (zh) | 一种选矿生产指标可视化分析系统与方法 | |
CN112327960B (zh) | 松散回潮设备智能控制系统 | |
CN103551403A (zh) | 棒材控轧控冷系统 | |
CN103464474A (zh) | 棒材控冷系统的温度自动控制方法 | |
CN106594793B (zh) | 火电机组中速磨煤机出口温度控制优化方法 | |
CN109108094B (zh) | 一种螺纹钢细晶轧制智能控制方法 | |
CN114011532B (zh) | 一种基于安全评估的水泥粉磨优化控制方法 | |
JP6776881B2 (ja) | 粉砕プラントにおける処理装置、方法、およびプログラム | |
CN114622048B (zh) | 一种热风炉燃烧优化系统及方法 | |
CN107042241A (zh) | 基于棒材轧制过程轧辊磨损的水箱在线调整系统及方法 | |
CN115130769A (zh) | 一种高炉喷煤制粉系统温度智能自适应方法 | |
CN112452520A (zh) | 一种矿渣立磨智能化方法 | |
CN113608510A (zh) | 一种选煤单机设备智能控制系统控制方法 | |
CN113303489A (zh) | 一种制丝过程烟叶水分准确控制的方法 | |
CN108998653B (zh) | 一种螺纹钢智能加热控制方法 | |
CN116086201A (zh) | 冶炼除尘系统终端粉尘的二次燃烧喷射控制系统 | |
CN101927273A (zh) | 防止粗轧板坯头部弯曲变形的控制方法 | |
CN207057282U (zh) | 基于轧件头尾温差的水箱参数在线调整系统 | |
CN106200421B (zh) | 一种在线干燥状态计算系统及方法 |
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 |