CN115186582B - 一种基于机器学习模型的轧钢加热炉控制方法 - Google Patents
一种基于机器学习模型的轧钢加热炉控制方法 Download PDFInfo
- Publication number
- CN115186582B CN115186582B CN202210784165.7A CN202210784165A CN115186582B CN 115186582 B CN115186582 B CN 115186582B CN 202210784165 A CN202210784165 A CN 202210784165A CN 115186582 B CN115186582 B CN 115186582B
- Authority
- CN
- China
- Prior art keywords
- temperature
- flue
- historical
- periodic
- gas flow
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明公开了一种基于机器学习模型的轧钢加热炉控制方法,包括获取历史数据并进行数据预处理;根据周期的烟道温度和差分方法构建周期烟道温度预测模型,得到烟道温度曲线和周期烟道温度;将周期的煤耗量和炉况指标输入煤气流量预测模型中,得到初始煤气流量;以及将历史炉况指标输入出钢温度预测模型,得到预测出钢温度;根据得到的周期烟道温度、初始煤气流量,以及预测出钢温度,基于PID控制算法计算得到加热炉各个加热段的空气阀门开度、煤气阀门开度和减压阀开度,并进行实时调节达到目标出钢温度。本发明通过模型调节达到目标出钢温度和调整各个加热段温度,以实现最优的煤气分配量,达到节省煤气的最佳工况。
Description
技术领域
本发明涉及轧钢加热炉煤气流量调控技术领域,特别涉及一种基于机器学习模型的轧钢加热炉控制方法。
背景技术
在钢胚锻造加热工艺过程中,通常是将钢材通过N段的加热工艺段进行逐渐将其温度加热至需要的出钢温度,在这一过程中需要对加热炉内的煤气流量、各个加热段的温度,以及阀门开度进行掌握控制,从而实现达到目标出钢温度的要求。
现有技术的不足之处在于,目前在各个加热炉的燃烧控制均由人工负责,阀门开度的调节是人工控制,无法实现出钢温度精准控制和调整各个加热段温度,也很难实现最优的煤气分配量,导致了煤气浪费。同时也无法得到最优的钢材质量,降低加热炉的使用寿命。
发明内容
本发明的目的克服现有技术存在的不足,为实现以上目的,采用一种基于机器学习模型的轧钢加热炉控制方法,以解决上述背景技术中提出的问题。
一种基于机器学习模型的轧钢加热炉控制方法,具体步骤包括:
步骤S1、获取历史数据并进行数据预处理,历史数据包括历史周期烟道温度、历史周期煤耗量,以及历史炉况指标;
步骤S2、根据历史周期烟道温度和差分方法构建周期烟道温度预测模型,得到烟道温度曲线,周期烟道温度预测模型能够基于输入数据得到周期烟道温度;
步骤S3、将历史周期煤耗量和历史炉况指标输入基于机器学习模型构建的煤气流量预测模型中,煤气流量预测模型基于输入数据得到初始煤气流量;
步骤S4、将历史炉况指标输入基于机器学习模型构建的出钢温度预测模型,出钢温度预测模型得到预测出钢温度和各个加热段的目标温度;
步骤S5、根据得到的周期烟道温度、初始煤气流量,以及各个加热段的目标温度,基于PID控制算法计算得到加热炉各个加热段的空气阀门开度、煤气阀门开度和减压阀开度,并进行实时调节达到目标出钢温度。
作为本发明进一步的技术方案:步骤S2中的具体步骤包括:
获取历史数据中历史周期烟道温度;
根据一个周期内的烟道温度设置增长曲线;
再根据不同钢种种类的预设工艺参数进行分类;
若未获取历史数据,则利用差分方法建立增长曲线,最终得到烟道温度曲线和周期烟道温度,其中周期烟道温度为一个周期内的烟道末温。
作为本发明进一步的技术方案:步骤S3中的具体步骤包括:
获取历史数据中历史周期煤耗量,统计每个周期的煤耗量,取煤气总热值较少的50%的周期生成训练数据集;
将训练数据集结合历史炉况指标输入基于机器学习模型构建的煤气流量预测模型,其中历史炉况指标包括炉膛温度、烟道温度,以及热值,最后计算得到初始煤气流量。
作为本发明进一步的技术方案:步骤S4中的具体步骤包括:
删除历史数据中异常周期数据,并将符合标准的出钢温度中较低的前百分之三十的数据生成训练集,并输入出钢温度预测模型进行训练;
将出钢温度作为目标,将历史数据中钢坯温度、钢坯规格,以及各个加热段的平均温度差作为参数输入基于机器学习模型构建的出钢温度预测模型,得到预测出钢温度;
根据得到的预测出钢温度结合炉膛温度和煤气流量的对应关系表,同时设置不同钢种的在每个加热段目标温度区间,得到各个加热段的目标温度,计算公式为:
式中,Tj为第j段的加热段的目标温度,n为加热段的总数量,j为当前加热段的编号,Tinitial为进入炉膛温度前的初始温度,Tfinal为钢材的出钢温度。
作为本发明进一步的技术方案:所述输入出钢温度预测模型进行训练的具体步骤包括:
将训练集数据划分多份,其中将不重复的每次取一份作为测试集,其他为训练集;
计算每一次模型的均方误差MSE,即线性回归的损失函数,确定不同模型中的损失值最小,作为最优模型;
采用十字交叉验证对比机器学习模型,同时将误差均值、均方误差,以及可决系数作为模型选择标准,进行综合模型选择,计算公式为:
误差均值的计算公式为:
均方误差的计算公式为:
式中,f(xi)为第i组输入数据经过训练好的模型预测得到的预测值,yi为真实出钢温度,n为测试集中样本的数量。
作为本发明进一步的技术方案:所述步骤S5中的具体步骤包括:
根据钢坯的位置,确定钢坯与各个加热段的距离,以及到达各个加热段的时间,根据距离比例设立每个加热段对应的目标温度,同时设置保留系数;
根据目标温度和实际温度的差,调整煤空比;
根据目标烟道温度和实际烟道温度的差,调整煤气流量;
将空气流量转化为空气阀门开度,同时设定空气阀门上下界,空气阀门开度的计算公式为:
Vk(t)=Vkf(t)+a1*(Fkp(t)-Fkn(t))+b1*(Fkp(t)-Fkn(t-1))+c1*(Fkp(t)-Fknt-2+d1*(Fkpt-Fknt-3);
其中,Vk(t)为t时刻的空气阀门设定,Vkf(t)为t时刻的空气阀门反馈值,Fkp(t)为t时刻的推荐空气流量值,Fkn(t)为t时刻的实际空气流量的值,a1、b1、c1、b1均为可调参数;
将煤气流量转化为煤气阀门开度,同时设定煤气阀门上下界,煤气阀门开度的计算公式为:
VM(t)=Vmf(t)+*α1(Fmp(t)-Fmn(t))+β1*(Fmp(t)-Fmn(t-1))+γ1*(Fmp(t)-Fmn(t-2))+δ1*((Fmp(t)-Fmn(t-3)));
其中,VM(t)为t时刻的煤气阀门设定,Vmf(t)为t时刻的煤气阀门反馈值,Fmp(t)为t时刻的推荐煤气流量值,Fmn(t)为t时刻的实际煤气流量的值,α1、β1、γ1、δ1均为可调参数;
同时根据实际情况设置压力阈值,并通过减压阀开度调节压力。
与现有技术相比,本发明存在以下技术效果:
通过采用上述的技术方案,获取历史数据并对其进行数据清洗和处理,根据预处理后的数据生成不同的训练数据集,然后依次输入不同模型中,包括周期烟道温度预测模型、分别基于机器学习模型构建的煤气流量预测模型和出钢温度预测模型,再通过PID控制算法,最终对各个阀门开度进行控制,从而达到目标出钢温度。实现根据出钢温度分配和调整各个加热段温度,以实现最优的煤气分配量,达到节省煤气,降低成本的目的。确保再得到最优的钢材质量的同时,延长了加热炉的使用寿命。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1为本申请公开的一些实施例的调控方法的步骤示意图;
图2为本申请公开的一些实施例的烟道温度预测流程图;
图3为本申请公开的一些实施例的煤气流量预测流程图;
图4为本申请公开的一些实施例的煤气流量的算法具体流程图;
图5为本申请公开的一些实施例的预测出钢温度算法流程图;
图6为本申请公开的一些实施例的PID控制算法的流程图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例中,情景是通过计算控制各个加热工艺段的温度实现优化目标。
请参考图1,本发明实施例中,一种基于机器学习模型的轧钢加热炉控制方法,具体步骤包括:
步骤S1、获取历史数据并进行数据预处理,所述历史数据包括历史周期烟道温度、历史周期煤耗量,换向时间,各加热段的炉膛温度,煤气阀门开度,空气阀门开度,以及历史炉况指标;
预处理阶段:根据专家经验处理掉异常的烟道温度,炉膛温度,煤气流量以及空气流量,以此来得到符合标准的数据集
步骤S2、根据历史周期烟道温度和差分方法构建周期烟道温度预测模型,得到烟道温度曲线,所述周期烟道温度预测模型能够基于输入数据得到周期烟道温度;
所述步骤S2中的具体步骤包括:
获取历史数据中历史周期烟道温度;
根据一个周期内的烟道温度设置增长曲线;
再根据不同钢种种类的预设工艺参数进行分类;
若未获取历史数据,则利用差分方法建立增长曲线,最终得到烟道温度曲线和周期烟道温度,其中周期烟道温度为一个周期内的烟道末温。
如图2所示图示为烟道温度预测模型的算法流程图。
本实施例中,通过为每一个周期的烟道温度设立增长曲线,其中每一个周期表示每一个加热段的烟道温度在一次完整燃烧中的温度变化的过程,随后将不同种类的钢种的预设工艺参数进行分类,将具有相同预设工艺参数的钢种进行汇总,汇总成为相同的烟道温度曲线;
若存在没有历史数据,此时通过利用差分方法来建立未知区间段和目标温度的均匀增长曲线,以保证最后在换向的时候烟道温度贴近临界值,所述周期烟道温度输出一个周期内的烟道末温。
步骤S3、将所述历史周期煤耗量和所述历史炉况指标输入基于机器学习模型构建的煤气流量预测模型中,所述煤气流量预测模型基于输入数据得到初始煤气流量,具体步骤包括:
获取历史数据中历史周期煤耗量,统计每个周期的煤耗量,取煤气总热值较少的50%的周期生成训练数据集;
将训练数据集结合所述历史炉况指标输入基于机器学习模型构建的煤气流量预测模型,其中所述历史炉况指标包括炉膛温度、烟道温度,以及热值,最后计算得到初始煤气流量。
本实施例中,如图3所示,图示为预测煤气流量算法整体流程图。
具体实施方式中,利用人工烧炉的历史数据:实际在烧炉过程中的烟道温度、炉膛温度、煤气流量、空气流量、换向时间和热值,以此生成训练集;以及
通过统计每个周期的煤耗量,取煤气总热值较少的50%的周期作为训练数据集;
计算燃烧周期的平均烟道温度,烟道温度的最大值和最小值,烟道温度的标准差,平均炉膛温度,炉膛温度的最大值和最小值,炉膛温度的标准差,热值点乘煤气流量的均值;
根据上述条件进行筛选得到两个数据集;
在预测30s/60s后的煤气流量时候,要根据前29s或者59s的各种历史炉况指标如炉膛温度,烟道温度以及热值,输入煤气流量预测模型中,得到30s/60s的初始煤气流量。
如图4所示,图示为预测30s/60s的煤气流量的算法具体流程图。
步骤S4、将历史炉况指标输入基于机器学习模型构建的出钢温度预测模型,所述出钢温度预测模型得到预测出钢温度和各个加热段的目标温度,具体步骤包括:
本实施例中,通过将出钢温度作为目标,钢坯温度,钢坯规格,在各个加热段的平均温度差作为训练的参数,通过机器学习模型,可以预测出来出钢温度。
其中,各种历史炉况指标包括钢坯材质(将不同材质的钢坯标记为不同数字),钢坯规格(通常指钢坯表面积)以及在各加热段的平均温度差以及是实际的出钢温度;
具体的,删除历史数据中异常周期数据筛选出正常周期的数据,并将符合标准的出钢温度中较低的前百分之三十的数据生成训练集,并输入出钢温度预测模型进行训练,因为属于符合温度条件中的较低的出钢温度,也意味着有较少的煤气消耗;
具体的,所述输入出钢温度预测模型进行训练的具体步骤包括:
将训练集数据划分10份,划分数据可根据实际情况设定,其中将不重复的每次取一份作为测试集,其他为训练集;
计算每一次模型的均方误差MSE,即线性回归的损失函数,确定不同模型中的损失值最小,作为最优模型;
采用十字交叉验证对比机器学习模型,同时将误差均值、均方误差,以及可决系数作为模型选择标准,进行综合模型选择,计算公式为:
误差均值的计算公式为:
均方误差的计算公式为:
式中,f(xi)为第i组输入数据经过训练好的模型预测得到的预测值,yi为真实出钢温度,n为测试集中样本的数量。
将出钢温度作为目标,将历史数据中钢坯温度、钢坯规格,以及各个加热段的平均温度差作为参数输入基于机器学习模型构建的出钢温度预测模型,得到预测出钢温度;
如图5所示,图示为预测出钢温度算法流程图;
本实施例中,得到了出钢温度之后,根据专家知识,设定各个加热段处升高1度需要的煤气流量(炉膛温度和煤气流量的关系),即炉膛温度相差一度,煤气用量的变化量。可以查表得到炉膛温度和煤气流量的对应关系,以此我们可以根据每一个加热段的炉膛的实际温度,和分配的温度的差值来进行煤气流量的调整。
写定比例分配,根据少用煤气总量、边际效用递减的原则,写定出钢温度升高1度需要给各个温度段升高的温度分配的比例,根据实时的出钢温度做负反馈,然后输出各个温度段的目标温度
根据得到的预测出钢温度结合炉膛温度和煤气流量的对应关系表,同时设置不同钢种的在每个加热段目标温度区间,得到各个加热段的目标温度,计算公式为:
式中,Tj为第j段的加热段的目标温度,n为加热段的总数量,j为当前加热段的编号,Tinitial为进入炉膛温度前的初始温度,Tfinal为钢材的出钢温度。
具体的,再通过不同钢种的预设工艺参数,即指不同钢种的在每个加热段目标温度区间,给其各个加热段设置上下限,且设置每个加热段的温度差阈限条件以防止波动过大,根据上述条件获得钢坯到达各个加热段的目标温度。
步骤S5、根据得到的所述周期烟道温度、所述初始煤气流量,以及所述各个加热段的目标温度,基于PID控制算法计算得到加热炉各个加热段的空气阀门开度、煤气阀门开度和减压阀开度,并进行实时调节达到目标出钢温度,的具体步骤包括:
如图6所示,图示为PID控制算法的流程图。
根据钢坯的位置,确定钢坯与各个加热段的距离,以及到达各个加热段的时间,根据距离比例设立每个加热段对应的目标温度,同时设置保留系数,防止每个加热段目标温度变化过大,其中保留系数表示各加热段目标温度变动幅度上下界的比例系数;
目标温度输入时进行判读,如果待闸保温被触发,则目标温度为待闸保温温度,否则为目标温度;
根据目标温度和实际温度的差,调整煤空比;
根据目标烟道温度和实际烟道温度的差,调整煤气流量;
空气流量和煤气流量的控制:
将空气流量转化为空气阀门开度,同时设定空气阀门上下界,空气阀门开度的计算公式为:
Vk(t)=Vkf(t)+a1*(Fkp(t)-Fkn(t))+b1*(Fkp(t)-Fkn(t-1))+c1*(Fkp(t)-Fknt-2+d1*(Fkpt-Fknt-3);
其中,Vk(t)为t时刻的空气阀门设定,Vkf(t)为t时刻的空气阀门反馈值,Fkp(t)为t时刻的推荐空气流量值,Fkn(t)为t时刻的实际空气流量的值,a1、b1、c1、b1均为可调参数;
将煤气流量转化为煤气阀门开度,同时设定煤气阀门上下界,煤气阀门开度的计算公式为:
VM(t)=Vmf(t)+*α1(Fmp(t)-Fmn(t))+β1*(Fmp(t)-Fmn(t-1))+γ1*(Fmp(t)-Fmn(t-2))+δ1*((Fmp(t)-Fmn(t-3)));
其中,VM(t)为t时刻的煤气阀门设定,Vmf(t)为t时刻的煤气阀门反馈值,Fmp(t)为t时刻的推荐煤气流量值,Fmn(t)为t时刻的实际煤气流量的值,α1、β1、γ1、δ1均为可调参数;
同时根据实际情况设置压力阈值,并通过减压阀开度调节压力。
具体的,稳压阀门的控制,当压力大了开阀门,压力小了关阀门,根据实际情况取一个要压力最大和最小的平均值,根据这个均值来调整煤气流量的大小,如果还是小于压力的最小值和或者超出压力最大值,可以直接通过调整阀门的开度大小来做出进一步的调整。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于机器学习模型的轧钢加热炉控制方法,其特征在于,具体步骤包括:
步骤S1、获取历史数据并进行数据预处理,所述历史数据包括历史周期烟道温度、历史周期煤耗量,以及历史炉况指标;
步骤S2、根据历史周期烟道温度和差分方法构建周期烟道温度预测模型,得到烟道温度曲线,所述周期烟道温度预测模型能够基于输入数据得到周期烟道温度;
步骤S3、将所述历史周期煤耗量和所述历史炉况指标输入基于机器学习模型构建的煤气流量预测模型中,所述煤气流量预测模型基于输入数据得到初始煤气流量;
步骤S4、将历史炉况指标输入基于机器学习模型构建的出钢温度预测模型,所述出钢温度预测模型得到预测出钢温度和各个加热段的目标温度,其具体步骤包括:
删除历史数据中异常周期数据,并将符合标准的出钢温度中较低的前百分之三十的数据生成训练集,并输入出钢温度预测模型进行训练;
将出钢温度作为目标,将历史数据中钢坯温度、钢坯规格,以及各个加热段的平均温度差作为参数输入基于机器学习模型构建的出钢温度预测模型,得到预测出钢温度;
根据得到的预测出钢温度结合炉膛温度和煤气流量的对应关系表,同时设置不同钢种的在每个加热段目标温度区间,得到各个加热段的目标温度,计算公式为:
式中,Tj为第j段的加热段的目标温度,n为加热段的总数量,j为当前加热段的编号,Tinitial为进入炉膛温度前的初始温度,Tfinal为钢材的出钢温度;
所述输入出钢温度预测模型进行训练的具体步骤包括:
将训练集数据划分多份,其中将不重复的每次取一份作为测试集,其他为训练集;
计算每一次模型的均方误差MSE,即线性回归的损失函数,确定不同模型中的损失值最小,作为最优模型;
采用十字交叉验证对比机器学习模型,同时将误差均值、均方误差,以及可决系数作为模型选择标准,进行综合模型选择,计算公式为:
误差均值的计算公式为:
均方误差的计算公式为:
式中,f(xi)为第i组输入数据经过训练好的模型预测得到的预测值,yi为真实出钢温度,n为测试集中样本的数量;
步骤S5、根据得到的所述周期烟道温度、所述初始煤气流量,以及所述各个加热段的目标温度,基于PID控制算法计算得到加热炉各个加热段的空气阀门开度、煤气阀门开度和减压阀开度,并进行实时调节达到目标出钢温度。
2.根据权利要求1所述一种基于机器学习模型的轧钢加热炉控制方法,其特征在于,所述步骤S2中的具体步骤包括:
获取历史数据中历史周期烟道温度;
根据一个周期内的烟道温度设置增长曲线;
再根据不同钢种种类的预设工艺参数进行分类;
若未获取历史数据,则利用差分方法建立增长曲线,最终得到烟道温度曲线和周期烟道温度,其中周期烟道温度为一个周期内的烟道末温。
3.根据权利要求1所述一种基于机器学习模型的轧钢加热炉控制方法,其特征在于,所述步骤S3中的具体步骤包括:
获取历史数据中历史周期煤耗量,统计每个周期的煤耗量,取煤气总热值较少的50%的周期生成训练数据集;
将训练数据集结合所述历史炉况指标输入基于机器学习模型构建的煤气流量预测模型,其中所述历史炉况指标包括炉膛温度、烟道温度,以及热值,最后计算得到初始煤气流量。
4.根据权利要求1所述一种基于机器学习模型的轧钢加热炉控制方法,其特征在于,所述步骤S5中的具体步骤包括:
根据钢坯的位置,确定钢坯与各个加热段的距离,以及到达各个加热段的时间,根据距离比例设立每个加热段对应的目标温度,同时设置保留系数;
根据目标温度和实际温度的差,调整煤空比;
根据目标烟道温度和实际烟道温度的差,调整煤气流量;
将空气流量转化为空气阀门开度,同时设定空气阀门上下界,空气阀门开度的计算公式为:
Vk(t)=Vkf(t)+a1*(Fkp(t)-Fkn(t))+b1*(Fkp(t)-Fkn(t-1))+c1*(Fkp(t)-Fkn(t-2))+d1*((Fkp(t)-Fkn(t-3)));
其中,Vk(t)为t时刻的空气阀门设定,Vkf(t)为t时刻的空气阀门反馈值,Fkp(t)为t时刻的推荐空气流量值,Fkn(t)为t时刻的实际空气流量的值,a1、b1、c1、b1均为可调参数;
将煤气流量转化为煤气阀门开度,同时设定煤气阀门上下界,煤气阀门开度的计算公式为:
VM(t)=Vmf(t)+α1*(Fmp(t)-Fmn(t))+β1*(Fmp(t)-Fmn(t-1))+γ1*(Fmp(t)-Fmn(t-2))+δ1*((Fmp(t)-Fmn(t-3)));
其中,VM(t)为t时刻的煤气阀门设定,Vmf(t)为t时刻的煤气阀门反馈值,Fmp(t)为t时刻的推荐煤气流量值,Fmn(t)为t时刻的实际煤气流量的值,α1、β1、γ1、δ1均为可调参数;
同时根据实际情况设置压力阈值,并通过减压阀开度调节压力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210784165.7A CN115186582B (zh) | 2022-07-05 | 2022-07-05 | 一种基于机器学习模型的轧钢加热炉控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210784165.7A CN115186582B (zh) | 2022-07-05 | 2022-07-05 | 一种基于机器学习模型的轧钢加热炉控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115186582A CN115186582A (zh) | 2022-10-14 |
CN115186582B true CN115186582B (zh) | 2023-04-18 |
Family
ID=83517837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210784165.7A Active CN115186582B (zh) | 2022-07-05 | 2022-07-05 | 一种基于机器学习模型的轧钢加热炉控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186582B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115583654B (zh) * | 2022-10-18 | 2023-11-21 | 科大智能物联技术股份有限公司 | 一种基于模仿学习的多晶硅还原炉电流控制方法 |
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 |
CN116300666A (zh) * | 2023-05-24 | 2023-06-23 | 科大智能物联技术股份有限公司 | 基于XGBoost优化的电厂锅炉运行控制方法 |
CN117148709B (zh) * | 2023-11-01 | 2024-02-13 | 季华实验室 | 一种真空蝶阀控制方法、系统、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005342787A (ja) * | 2004-05-06 | 2005-12-15 | Nippon Steel Corp | 熱間圧延工場の加熱・圧延スケジュール作成装置、加熱・圧延スケジュール作成方法、コンピュータプログラム、及び読取可能な記憶媒体 |
CN113849020A (zh) * | 2021-09-22 | 2021-12-28 | 北京科技大学 | 一种基于人工智能算法的钢坯升温曲线设计方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103672846B (zh) * | 2013-12-03 | 2015-04-15 | 广东电网公司电力科学研究院 | 锅炉过热器/再热器受热面壁温与氧化皮厚度的监测方法 |
CN107783423B (zh) * | 2017-10-25 | 2020-03-27 | 珠海格力电器股份有限公司 | 基于机器学习的pid参数自整定方法及其装置 |
KR102130838B1 (ko) * | 2018-12-17 | 2020-07-07 | 두산중공업 주식회사 | 보일러 연소 모델 구성 장치 및 방법 |
JP7374751B2 (ja) * | 2018-12-28 | 2023-11-07 | 株式会社荏原製作所 | パッド温度調整装置、パッド温度調整方法、研磨装置、および研磨システム |
CN110348079B (zh) * | 2019-06-25 | 2021-06-15 | 南京航空航天大学 | 基于机器学习算法的涡轴发动机稳态开环控制设计方法 |
KR20210023603A (ko) * | 2019-08-23 | 2021-03-04 | 엘지전자 주식회사 | 온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법 |
CN112100916B (zh) * | 2020-09-10 | 2023-07-25 | 北京百度网讯科技有限公司 | 用于构建强化学习模型的方法、装置、电子设备及介质 |
CN112163376B (zh) * | 2020-10-09 | 2024-03-12 | 江南大学 | 一种基于天牛须搜索的极端随机树炉温预测控制方法 |
CN112597696B (zh) * | 2020-12-07 | 2022-08-23 | 国网江苏省电力有限公司 | 一种基于极限学习机原理的锅炉四管泄漏预警方法 |
CN113251670B (zh) * | 2021-05-28 | 2021-10-26 | 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 |
-
2022
- 2022-07-05 CN CN202210784165.7A patent/CN115186582B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005342787A (ja) * | 2004-05-06 | 2005-12-15 | Nippon Steel Corp | 熱間圧延工場の加熱・圧延スケジュール作成装置、加熱・圧延スケジュール作成方法、コンピュータプログラム、及び読取可能な記憶媒体 |
CN113849020A (zh) * | 2021-09-22 | 2021-12-28 | 北京科技大学 | 一种基于人工智能算法的钢坯升温曲线设计方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115186582A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115186582B (zh) | 一种基于机器学习模型的轧钢加热炉控制方法 | |
CN109248928B (zh) | 一种热轧加热炉动态炉温控制方法 | |
CN110479776B (zh) | 热轧棒线材轧后闭环控冷系统及控制方法 | |
CN106636606B (zh) | 一种基于仿真模型的加热炉炉温控制方法 | |
CN105018718B (zh) | 一种基于热负荷分配的加热炉工艺炉温控制方法 | |
CN106636610A (zh) | 一种基于时间和炉长的双维度步进式加热炉升温曲线优化设定方法 | |
CN109002068B (zh) | 一种火道的温度优化控制方法 | |
CN103019097A (zh) | 一种轧钢加热炉优化控制系统 | |
CN106906352A (zh) | 一种轧钢加热炉钢坯混装时的加热方法 | |
CN111664470A (zh) | 一种热风炉自动节能燃烧控制系统及设备 | |
CN104894362A (zh) | 一种冷热钢坯混装的加热炉炉温设定方法 | |
CN110100141B (zh) | 用于控制连续退火线中的钢板的温度图形的系统及方法 | |
CN109210957B (zh) | 一种退火炉炉内气氛控制方法及系统 | |
CN115449621A (zh) | 一种加热炉温度设定的控制方法 | |
CN111411215B (zh) | 一种多钢坯对象的炉温综合决策方法 | |
CN114675543A (zh) | 基于优化学习算法的热风炉智能燃烧控制方法 | |
CN103593578A (zh) | 焦炉加热燃烧过程烟道吸力反馈设定方法 | |
CN112666834B (zh) | 一种适应燃气热值剧烈波动的加热炉炉温控制方法 | |
CN111766779B (zh) | 一种转炉煤气及天然气混合热值配比稳定控制方法 | |
CN111482466B (zh) | 一种轧机加速度的设定方法 | |
CN114317859B (zh) | 一种热风炉送风策略修正方法 | |
CN111286570A (zh) | 利用扫描雷达调控异常操作炉型的方法 | |
KR19980051203A (ko) | 신경회로망에 의한 가열로 자동연소제어방법 | |
CN104531978A (zh) | 无取向硅钢加热方法及其模型化控制方法 | |
CN110283986A (zh) | 一种基于机器学习的三段连续步进式加热炉优化节能方法 |
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 |