CN115307452A - 一种基于大数据云平台的加热炉燃烧智能控制方法及装置 - Google Patents
一种基于大数据云平台的加热炉燃烧智能控制方法及装置 Download PDFInfo
- Publication number
- CN115307452A CN115307452A CN202211115824.4A CN202211115824A CN115307452A CN 115307452 A CN115307452 A CN 115307452A CN 202211115824 A CN202211115824 A CN 202211115824A CN 115307452 A CN115307452 A CN 115307452A
- Authority
- CN
- China
- Prior art keywords
- furnace
- big data
- heating furnace
- knowledge base
- cloud platform
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 271
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004519 manufacturing process Methods 0.000 claims abstract description 78
- 230000007246 mechanism Effects 0.000 claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 26
- 238000007418 data mining Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims description 41
- 239000000446 fuel Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000005096 rolling process Methods 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 14
- 238000010079 rubber tapping Methods 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000033764 rhythmic process Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 238000012827 research and development Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 239000002436 steel type Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000009411 base construction Methods 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract 1
- 101100348084 Drosophila melanogaster CDase gene Proteins 0.000 description 63
- 238000003860 storage Methods 0.000 description 13
- 229910000831 Steel Inorganic materials 0.000 description 11
- 239000010959 steel Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 238000012800 visualization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010409 ironing Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Control Of Heat Treatment Processes (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种基于大数据云平台的加热炉燃烧智能控制方法及装置，涉及人工智能控制技术领域。包括：基于加热炉生产运行参数的大数据云平台的构建；采用大数据挖掘技术，实现加热炉生产过程关键因素的识别，形成完善的相关性数据知识库；基于机理模型的传统加热炉燃烧控制系统的独立部署；融合云平台大数据专家知识库的加热炉燃烧智能控制系统。通过本发明，可以实现大数据挖掘技术、智能算法与传统机理模型的融合，构建加热炉燃烧智能控制系统，提高加热炉炉温自动控制水平、板坯加热温度均匀性和炉气温度控制精度等，实现加热炉生产的精准控制，达到减少能耗和烧损的同时提高加热产品质量的稳定性。
Description
技术领域
本发明涉及人工智能控制技术领域，特别是指一种基于大数据云平台的加热炉燃烧智能控制方法及装置。
背景技术
随着智能制造向钢铁行业地不断推进，各工艺流程环节均迎来了技术革新的春天，前沿概念、技术的引入无疑将创造钢铁制造业的新时代。加热炉作为钢铁流程工业中的重要环节，其主要目的是将上游的原料进行加热和均热，使其具备更佳的热特性以满足下游生产工艺的要求。长期以来，由于加热炉高温、高尘的环境，以及影响其控制效果的因素众多且耦合紧密，加热炉控制系统的自动化水平较产线其他环节偏低。此外，加热炉也是产线的能耗大户，提高加热炉控制系统的智能化水平将带来巨大的经济和社会效益。
发明内容
针对现有技术中加热炉能耗高，提高加热炉控制系统的智能化水平将带来巨大的经济和社会效益的问题，本发明提出了一种基于大数据云平台的加热炉燃烧智能控制方法及装置。
为解决上述技术问题，本发明提供如下技术方案：
一方面，提供了一种基于大数据云平台的加热炉燃烧智能控制方法，该方法应用于电子设备，包括以下步骤：
S1：基于加热炉生产运行参数构建大数据云平台；
S2：基于所述大数据云平台，采用大数据挖掘技术，进行加热炉生产过程关键因素的识别和分析，获得相关性数据知识库以及大数据决策知识库；
S3：基于机理模型进行加热炉燃烧控制系统的独立部署；
S4：将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，完成对基于大数据云平台的加热炉燃烧智能控制。
可选地，步骤S1中，基于加热炉生产运行参数构建大数据云平台，包括：
根据数据存储量、访问并发数、加热炉专家知识库，以及模型库研发过程中的计算需求量相关因素的分析，对大数据云平台的硬件设备、参数及分工进行设计；
其中，所述大数据云平台采用三层构架，底层为云平台基础设施层，中间为大数据云平台支撑层，最上层为知识库服务层。
可选地，基础设施层用于云平台的硬件资源虚拟化和管理服务；所述大数据云平台支撑层，用于加热炉生产过程运行时，参数的采集、存储、挖掘分析以及可视化的研究开发支撑；所述知识库服务层用于存储加热炉生产过程的关键生产因素。
可选地，步骤S2中，基于所述大数据云平台，采用大数据挖掘技术，进行加热炉生产过程关键因素的识别和分析，获得相关性数据知识库以及大数据决策知识库，包括：
S21：基于所述大数据云平台，采用大数据挖掘技术，对加热炉生产过程关键因素的识别，获得相关性数据知识库；
S22：基于加热炉运行时参数数据中心预设的人工智能、机器学习和模式学习方法，通过对大数据的智能分析，挖掘出各运行时参数的关联图谱，获得大数据知识决策库。
可选地，步骤S21中，所述获得相关性数据知识库，包括：
获得复杂工况、炉况知识库，包括：对于不同计划混装，按照不同加热段，根据钢种、位置权值、空位布局、目标温度、当前温度、预测出段温度情况，对不同板坯的加热制度进行权衡，感知加热炉的炉况和工况状态参数进行统筹，获得复杂工况、炉况知识库；
获得板温预报模型精度评估知识库，包括：动态评估各品规炉内温度的预报精度，供智能燃烧模型进行自适应调节，综合所述预报精度数据获得板温预报模型精度评估知识库；
获得加热炉能效评估知识库，包括：基于生产数据、能源数据以及炉况，形成对加热炉的客观评价，综合所述客观评价数据获得加热炉能效评估知识库；
获得炉压判别知识库，包括：按照炉压控制的优先级高于炉温控制的标准，控制出炉侧处于微正压状态，综合控制标准数据以及微正压状态数据，获得炉压判别知识库；
获得空燃比优化知识库，包括：设定合理的空燃比，确定各段炉温的控制精度以及炉内气氛的控制精度，获得空燃比优化知识库。
可选地，步骤S22中，大数据知识决策库，包括：
获得加热目标决策知识库，包括：通过出炉温度、轧机出口温度RDT描述各加热炉产品规定的加热目标,获得加热目标决策知识库；
获得加热制度决策知识库，包括:统计各工况下加热曲线，获得加热制度决策知识库。
可选地，步骤S3中，基于机理模型进行传统加热炉燃烧控制系统的独立部署，包括：
S31：对加热炉物料进行跟踪修正，将轧制计划与实际板坯一一对应，确定跟踪位置，对板坯流向进行遍历，进行跟踪修正；
S32：对板坯在炉内的升温过程进行预测，采用数学模型预报板坯在炉内每个时刻的温度分布，其中板坯温度控制方程如下述公式(1)所示：
其中，ρ(t)表示板坯的密度；Cp(t)表示板坯的比热；λ(t)表示板坯的导热系数；
S33：基于所述板坯温度控制方程，建立炉温优化模型。
可选地，步骤S33，建立炉温优化模型，包括：
S331：基于所述板坯温度控制方程进行离线优化，建立基础炉温表，即炉温地毯图；
S332：基于所述板坯温度控制方程进行在线动态优化，根据加热工艺和生产节奏，模拟板坯升温过程，反算达到目标加热工艺所需要的必要炉温；
S333：综合炉温，炉段内各板坯的位置、目标温度要素均不同，则各板坯段内权值也不同，在各板坯炉温在线优化基础上，给予各板坯不同权值，获得炉温优化模型。
可选地，步骤S4中，将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，完成对基于大数据云平台的加热炉燃烧智能控制，包括：
将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，大数据云平台根据数据采集信息建立同步的炉内数据映像，不断迭代更新各知识决策库，综合各知识库信息，通过API函数实时向加热炉燃烧控制系统发送工艺、时控参数，完成对基于大数据云平台的加热炉燃烧智能控制。
一方面，提供了一种基于大数据云平台的加热炉燃烧智能控制装置，该装置应用于电子设备，该装置包括：
平台构建模块，用于基于加热炉生产运行参数构建大数据云平台；
知识库构建模块，用于基于所述大数据云平台，采用大数据挖掘技术，进行加热炉生产过程关键因素的识别和分析，获得相关性数据知识库以及大数据决策知识库；
模型部署模块，用于基于机理模型进行加热炉燃烧控制系统的独立部署；
智能控制模块，用于将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，完成对基于大数据云平台的加热炉燃烧智能控制。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述一种基于大数据云平台的加热炉燃烧智能控制方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述一种基于大数据云平台的加热炉燃烧智能控制方法。
本发明实施例的上述技术方案至少具有如下有益效果：
上述方案中，本发明提供的基于大数据云平台的加热炉燃烧智能控制方法，通过成熟的人工智能、大数据技术，形成完善、独立的生产相关性数据知识库。智能燃烧模型基于此知识库，采用机理模型计算当前炉况、工况下板坯的最佳加热曲线及确保板坯质量所需要的炉温，乃至空燃比，并将其实时下发至原有加热炉系统，从而实现加热炉燃烧的智能控制。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制方法的流程图；
图2是本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制方法的流程图；
图3是本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制方法的大数据云平台构架图；
图4位本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制方法的板温预报模型精度评估知识库参数图谱；
图5位本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制方法的加热炉能效评估知识库参数图谱；
图6位本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制方法的炉压判别知识库参数图谱；
图7位本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制方法的空燃比优化知识库参数图谱；
图8位本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制方法的加热目标决策知识库参数图谱；
图9位本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制方法的加热制度决策知识库参数图谱。
图10位本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制方法的传统加热炉燃烧控制系统功能模块图。
图11位本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制方法的各段权值分配图；
图12是本发明实施例提供的一种基于大数据云平台的加热炉燃烧智能控制装置框图；
图13是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种基于大数据云平台的加热炉燃烧智能控制方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的基于大数据云平台的加热炉燃烧智能控制方法流程图，该方法的处理流程可以包括如下的步骤：
S101：基于加热炉生产运行参数构建大数据云平台；
S102：基于所述大数据云平台，采用大数据挖掘技术，进行加热炉生产过程关键因素的识别和分析，获得相关性数据知识库以及大数据决策知识库；
S103：基于机理模型进行加热炉燃烧控制系统的独立部署；
S104：将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，完成对基于大数据云平台的加热炉燃烧智能控制。
可选地，步骤S101中，基于加热炉生产运行参数构建大数据云平台，包括：
根据数据存储量、访问并发数以及加热炉专家知识库和模型库研发过程中的计算需求量等相关因素的分析，对云平台的主要硬件设备、参数及分工进行设计；
其中，所述云平台采用三层构架，底层为云平台基础设施层，中间为大数据云平台支撑层，最上层为知识库服务层。
可选地，基础实施层用于云平台的硬件资源虚拟化和管理服务；所述大数据平台支撑层，用于加热炉生产过程运行时参数的采集、存储、挖掘分析、可视化等方面的研究开发支撑平台；所述知识库服务层用于存储加热炉生产过程的关键生产因素相关性数据知识库。
可选地，步骤S102中，基于所述大数据云平台，采用大数据挖掘技术，进行加热炉生产过程关键因素的识别和分析，获得相关性数据知识库以及大数据决策知识库，包括：
S121：基于所述大数据云平台，采用大数据挖掘技术，对加热炉生产过程关键因素的识别，获得相关性数据知识库；
S122：基于加热炉运行时参数数据中心的人工智能、机器学习和模式学习方法，通过对大数据的智能分析，挖掘出各运行时参数的关联图谱，获得大数据知识决策库。
可选地，步骤S121中，所述获得相关性数据知识库，包括：
获得复杂工况、炉况知识库，包括对于不同计划混装，按照不同加热段，根据钢种、位置权值、空位布局、目标温度、当前温度、预测出段温度情况，对不同板坯的加热制度进行权衡，感知加热炉的炉况和工况等状态参数；
获得板温预报模型精度评估知识库，包括动态评估各品规炉内温度的预报精度，供智能燃烧模型进行自适应调节；
获得加热炉能效评估知识库，包括基于生产数据、能源数据以及炉况，形成对加热炉的客观评价；
获得炉压判别知识库，包括按照炉压控制的优先级高于炉温控制，控制出炉侧处于微正压状态；
获得空燃比优化知识库，包括设定合理的空燃比，确定各段炉温的控制精度以及炉内气氛的控制精度。
可选地，步骤S122中，大数据知识决策库，包括：
获得加热目标决策知识库，包括通过出炉温度、RDT来描述各加热炉产品规定的加热目标；
获得加热制度决策知识库，包括各工况下加热曲线。
可选地，步骤S103中，基于机理模型进行传统加热炉燃烧控制系统的独立部署，包括：
S131：对加热炉物料进行跟踪修正，将轧制计划与实际板坯一一对应，确定跟踪位置，对板坯流向进行遍历，进行跟踪修正；
S132：对板坯在炉内的升温过程进行预测，采用数学模型预报板坯在炉内每个时刻的温度分布，其中板坯温度控制方程如下述公式(1)所示：
其中，ρ(t)表示板坯的密度；Cp(t)板坯的比热；λ(t)板坯的导热系数；
S133：基于所述控制方程，建立炉温优化模型。
可选地，步骤S133，建立炉温优化模型，包括：
S1331：进行离线优化，建立基础炉温表，即炉温地毯图；
S1332：进行在线动态优化，根据加热工艺和生产节奏，模拟板坯升温过程，反算达到目标加热工艺所需要的必要炉温；
S1333：综合炉温，炉段内各板坯的位置、目标温度等要素的不同，其在段内权值也不同，在各板坯炉温在线优化基础上，给予不同权值。
可选地，步骤S104中，将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，完成对基于大数据云平台的加热炉燃烧智能控制，包括：
将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，大数据平台根据数采信息建立同步的炉内数据映像，不断迭代更新各知识决策库，综合各知识库信息，通过API函数实时向加热炉燃烧控制系统发送工艺、时控参数，完成对基于大数据云平台的加热炉燃烧智能控制。
本发明实施例中，本发明提供的基于大数据云平台的加热炉燃烧智能控制方法，通过成熟的人工智能、大数据技术，形成完善、独立的生产相关性数据知识库。智能燃烧模型基于此知识库，采用机理模型计算当前炉况、工况下板坯的最佳加热曲线及确保板坯质量所需要的炉温，乃至空燃比，并将其实时下发至原有加热炉系统，从而实现加热炉燃烧的智能控制。
本发明实施例提供了一种基于大数据云平台的加热炉燃烧智能控制方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图2所示的基于大数据云平台的加热炉燃烧智能控制方法流程图，该方法的处理流程可以包括如下的步骤：
S201：基于加热炉生产运行参数构建大数据云平台；
一种可行的实施方式中，基于加热炉生产运行参数的大数据云平台的构建。根据数据存储量、访问并发数以及加热炉专家知识库和模型库研发过程中的计算需求量等相关因素的分析，对云平台的主要硬件设备、参数及分工进行设计，大数据云平台的硬件组成如表1所示：
表1大数据云平台的硬件组成
其中，大数据云平台采用三层构架，其中：底层为云平台基础设施层，实现云平台的硬件资源虚拟化和管理服务；中间层为大数据平台支撑层，是加热炉生产过程运行时参数的采集、存储、挖掘分析、可视化等方面的研究开发支撑平台；最上层是加热炉生产过程的关键生产因素相关性数据知识库。具体构架如图3所示。
一种可行的实施方式中，基础实施层用于云平台的硬件资源虚拟化和管理服务；所述大数据平台支撑层，用于加热炉生产过程运行时参数的采集、存储、挖掘分析、可视化等方面的研究开发支撑平台；所述知识库服务层用于存储加热炉生产过程的关键生产因素相关性数据知识库。
一种可行的实施方式中，云平台基础设施层的搭建是基于OpenStack开源平台，提供硬件资源虚拟化管理、虚拟局域网、镜像管理、分布式存储管理、安全认证管理等服务。
大数据平台支撑层的搭建主要是基于Hadoop开源平台，采用HDFS分布式存储实现质量管控工业大数据的存储管理，并通过YARN实现资源调度管理。数据管理工具采用HBASE、HIVE、HCatalog等组件，实现非关系数据库、数据仓库以及元数据管理服务，并在此基础上开发相关的数据访问接口。在大数据平台支撑层还集成了数据采集(Sqoop、Falcon等)、挖掘分析(Mahout、Spark MLib、TensorFlow等)、知识库管理工具、模拟与优化计算工具(ANYSY、DEFORM等)、可视化工具。
加热炉生产服务层主要是通过API接口技术生产过程关键因素知识查询和共享服务，而对于对云平台上所研发的知识库和工具集，则通过Docker容器技术进行下载。
S202：基于所述大数据云平台，采用大数据挖掘技术，对加热炉生产过程关键因素的识别，获得相关性数据知识库。
一种可行的实施方式中，采用大数据挖掘技术，实现加热炉生产过程关键因素的识别，形成完善的相关性数据知识库。基于加热炉运行时参数数据中心的人工智能、机器学习、模式学习等，通过对大数据的智能分析，从中挖掘出各运行时参数的关联图谱，形成独立、完善的大数据知识决策库。
一种可行的实施方式中，加热炉系统的相关数据主要来自PLC控制系统以及原L2级控制系统，采用多种协议，数采与上述各系统进行对接，实现原始数据无障碍传输。采集内容包括：
炉况数据：阀门开口度、阀门调节方式(手动/自动)，阀门状态(是否参与控制)，热电偶状态(是否参与控制)，炉压，排烟温度等。
工况数据：燃气/空气压力，燃气/空气流量，燃气热值，空燃比，生产状态(换辊、故障、待温、待轧)等。
生产数据：板坯原料信息(长度、宽度、厚度、重量、钢种、成分等)，板坯在炉内的加热曲线，板坯在炉内的炉温履历曲线，板坯装出炉时刻，板坯进出各段时刻，板坯在炉时间，RDT全长温度曲线等。
工艺数据：各品规、各工况执行的加热工艺制度等。
一种可行的实施方式中，获得相关性数据知识库，包括：
获得复杂工况、炉况知识库，包括对于不同计划混装，按照不同加热段，根据钢种、位置权值、空位布局、目标温度、当前温度、预测出段温度情况，对不同板坯的加热制度进行权衡，感知加热炉的炉况和工况状态参数，进行统筹获得复杂工况、炉况知识库；所有的运行时参数均与当前的炉况、工况相关，具体包括：
换辊坯识别：计划号变更、轧制公里数大于阈值、换辊前后需要烫辊坯、钢种代码有变化、换辊前轧辊有磨损，轧制宽度逐渐降低，因此换辊后的新计划钢卷宽度一般不低于前一计划。
过渡材识别：前后轧制产品的钢种、规格发生变化时，板坯的目标出炉温度一般也发生变化。烫辊坯：3块，1炉1块；轧制过渡材：9～12块，1炉3～4块；温度过渡材：出炉目标温度过渡，可能一批，较多。
品规混装：通过识别各控制段内板坯(部分段提前1～2根坯)的钢种和规格，判断前后板坯出炉温度要求变化幅度和方向，并设置不同级别。根据切换坯在段内的相对位置(如提前、段前、段中、段后等)，赋予各板坯的不同的加热权重系数。
冷热混装：识别各控制段内板坯(部分段提前1～2根坯)的入炉温度，判断冷热切换坯的位置和切换模式(冷换热和热换冷)，根据切换坯在段内的相对位置(如提前、段前、段中、段后等)，赋予各板坯的加热权重系数。
生产节奏预报：精准的生产节奏预报知识库是预测板坯剩余在炉时间的关键，主要相关因素有，轧制能力：依据轧线不同钢种规格、轧制道次和轧制速度，确定其最快生产节奏；最小在炉时间：对于有最小在炉时间工艺要求的钢种，一旦在炉时间不够，需要提前降低出钢节奏或停炉待温。
一种可行的实施方式中，获得板温预报模型精度评估知识库，包括动态评估各品规炉内温度的预报精度，供智能燃烧模型进行自适应调节；板温预报模型的换热系数等参数随着炉况的改变，随时间发生了漂移，模型的精度有所下降。模型精度评估知识库，动态地评估各品规炉内温度的预报精度，供智能燃烧模型进行自适应调节，保证板温预报精度。参数图谱如图4所示。
一种可行的实施方式中，获得加热炉能效评估知识库，包括基于生产数据、能源数据以及炉况，形成对加热炉的客观评价；参数图谱如图5所示。
一种可行的实施方式中，获得炉压判别知识库，包括按照炉压控制的优先级高于炉温控制，控制出炉侧处于微正压状态；参数图谱如图6所示。
一种可行的实施方式中，获得空燃比优化知识库，包括设定合理的空燃比，确定各段炉温的控制精度以及炉内气氛的控制精度。参数图谱如图7所示。
S203：基于加热炉运行时参数数据中心预设的人工智能、机器学习和模式学习方法，通过对大数据的智能分析，挖掘出各运行时参数的关联图谱，获得大数据知识决策库。
一种可行的实施方式中，大数据知识决策库，包括：
获得加热目标决策知识库，包括通过出炉温度、RDT来描述各加热炉产品规定的加热目标；板坯的加热目标通常是通过出炉温度、RDT来描述，但由于测量手段有限，因此出炉目标温度往往根据RDT来推算。该知识库即明确各品规的加热目标。参数图谱如图8所示。
获得加热制度决策知识库，包括各工况下加热曲线。各品规最优加热曲线与诸多因素相关，最优加热曲线的确定是实现炉温智能控制的前提。各品规在各工况下加热曲线的合理性，直接体现在板坯的加热质量方面。参数图谱如图9所示。
S204：对加热炉物料进行跟踪修正，将轧制计划与实际板坯一一对应，确定跟踪位置，对板坯流向进行遍历，进行跟踪修正。
本发明实施例中，加热炉过程控制系统主要功能是通过板坯物流跟踪、温度跟踪、炉温优化设定等模块实现以板坯温度为控制目标的优化控制，使得板坯以最佳的升温曲线加热到目标出炉温度，同时降低能耗和烧损。系统功能模块如图10所示。
一种可行的实施方式中，加热炉物料跟踪逻辑复杂，由于板坯的去向有多种可能，因此要求检测信号准确可靠并辅助必要的跟踪修正功能。它将将轧制计划与实际板坯一一对应，并准确跟踪其位置，为数学模型提供入口参数；它接管连铸、MES的板坯数据，向下游工序传递；它综合校验L1级检测信号，产生可靠的逻辑触发信号；它提供丰富的修正功能，遍历板坯流向的所有可能。
S205：对板坯在炉内的升温过程进行预测，采用数学模型预报板坯在炉内每个时刻的温度分布，其中板坯温度控制方程如下述公式(1)所示：
其中，ρ(t)表示板坯的密度，单位为Kg/m3；Cp(t)板坯的比热，单位为KJ/Kg℃；λ(t)板坯的导热系数，单位为KJ/Kg℃。
一种可行的实施方式中，板坯温度预报模型：板坯温度预报功能实时计算炉内板坯温度场分布，直至板坯出炉结束。板坯加热过程复杂，涉及到燃料的燃烧、气体的流动和传热传质等复杂的物理化学过程；板坯加热受限因素众多，炉膛尺寸、炉墙的热特性、板坯尺寸、板坯的热物性、燃料的种类及供热量、空气、燃料预热温度及空燃比、炉气的热特性、炉气的运动、板坯的运动等；板温检测困难，为准确控制板坯的加热过程及出炉温度和均匀性，需要对板坯在炉内的升温过程进行预测，即采用数学模型预报板坯在炉内每个时刻的温度分布。
S206：基于板坯温度控制方程，建立炉温优化模型。
可选地，步骤S206，建立炉温优化模型，包括：
S261：进行离线优化，建立基础炉温表，即炉温地毯图；
S262：进行在线动态优化，根据加热工艺和生产节奏，模拟板坯升温过程，反算达到目标加热工艺所需要的必要炉温；
S263：综合炉温，炉段内各板坯的位置、目标温度等要素的不同，其在段内权值也不同，在各板坯炉温在线优化基础上，给予不同权值。
一种可行的实施方式中，炉温优化控制的前提是L1级实现炉温闭环，模型依据炉内板坯的钢种和规格动态调整各区的炉温。第一步进行离线优化，建立基础炉温表，即炉温地毯图。综合考虑钢种、板坯厚度、宽度、成品宽度、厚度、装炉温度、目标温度、在炉时间等因素，通过离线优化得到最优升温过程和最优炉温；第二步进行在线动态优化，根据加热工艺和生产节奏，模拟板坯升温过程，反算达到目标加热工艺所需要的必要炉温，该炉温即每一单块板坯升温所需要的炉温；第三步综合炉温，炉段内各板坯的位置、目标温度等要素的不同，其在段内权值也不同，在各板坯炉温在线优化基础上，给予不同权值。如图11所示。
S207：将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，完成对基于大数据云平台的加热炉燃烧智能控制。
一种可行的实施方式中，为突破传统加热炉燃烧控制系统的瓶颈，将机理模型与云平台大数据知识决策库融合，以适应复杂的生产工况和炉况的变化。系统设置开关，控制大数据专家知识库是否参与在线控制。
本发明实施中，机理模型是针对数据驱动模型而言的，机理模型一般指根据传统机理建立的模型，本发明实施例中的机理模型指的是钢坯加热温度场模型。
大数据平台根据数采信息建立同步的炉内数据映像，不断迭代更新各知识决策库，综合各知识库信息，通过API函数实时向加热炉燃烧控制系统发送工艺、时控参数。炉内板坯数据结构如下：本发明实施例中，本发明提供的基于大数据云平台的加热炉燃烧智能控制方法，通过成熟的人工智能、大数据技术，形成完善、独立的生产相关性数据知识库。智能燃烧模型基于此知识库，采用机理模型计算当前炉况、工况下板坯的最佳加热曲线及确保板坯质量所需要的炉温，乃至空燃比，并将其实时下发至原有加热炉系统，从而实现加热炉燃烧的智能控制。
其中，炉内板坯数据结构如下：
本发明实施例中，本发明提供的基于大数据云平台的加热炉燃烧智能控制方法，通过成熟的人工智能、大数据技术，形成完善、独立的生产相关性数据知识库。智能燃烧模型基于此知识库，采用机理模型计算当前炉况、工况下板坯的最佳加热曲线及确保板坯质量所需要的炉温，乃至空燃比，并将其实时下发至原有加热炉系统，从而实现加热炉燃烧的智能控制。
图12是根据一示例性实施例示出的一种基于大数据云平台的加热炉燃烧智能控制装置框图。参照图12，该装置300包括：
平台构建模块310，用于基于加热炉生产运行参数构建大数据云平台；
知识库构建模块320，用于基于所述大数据云平台，采用大数据挖掘技术，进行加热炉生产过程关键因素的识别和分析，获得相关性数据知识库以及大数据决策知识库；
模型部署模块330，用于基于机理模型进行传统加热炉燃烧控制系统的独立部署；
智能控制模块340，用于将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，完成对基于大数据云平台的加热炉燃烧智能控制。
可选地，平台构建模块310，用于根据数据存储量、访问并发数以及加热炉专家知识库和模型库研发过程中的计算需求量等相关因素的分析，对云平台的主要硬件设备、参数及分工进行设计；
其中，所述云平台采用三层构架，底层为云平台基础设施层，中间为大数据云平台支撑层，最上层为知识库服务层。
可选地，基础实施层用于云平台的硬件资源虚拟化和管理服务；所述大数据平台支撑层，用于加热炉生产过程运行时参数的采集、存储、挖掘分析、可视化等方面的研究开发支撑平台；所述知识库服务层用于存储加热炉生产过程的关键生产因素相关性数据知识库。
可选地，知识库构建模块320，用于基于所述大数据云平台，采用大数据挖掘技术，对加热炉生产过程关键因素的识别，获得相关性数据知识库；
基于加热炉运行时参数数据中心的人工智能、机器学习和模式学习方法，通过对大数据的智能分析，挖掘出各运行时参数的关联图谱，获得大数据知识决策库。
可选地，知识库构建模块320，用于获得复杂工况、炉况知识库，包括对于不同计划混装，按照不同加热段，根据钢种、位置权值、空位布局、目标温度、当前温度、预测出段温度情况，对不同板坯的加热制度进行权衡，感知加热炉的炉况和工况等状态参数；
获得板温预报模型精度评估知识库，包括动态评估各品规炉内温度的预报精度，供智能燃烧模型进行自适应调节；
获得加热炉能效评估知识库，包括基于生产数据、能源数据以及炉况，形成对加热炉的客观评价；
获得炉压判别知识库，包括按照炉压控制的优先级高于炉温控制，控制出炉侧处于微正压状态；
获得空燃比优化知识库，包括设定合理的空燃比，确定各段炉温的控制精度以及炉内气氛的控制精度。
可选地，知识库构建模块320，用于获得加热目标决策知识库，包括通过出炉温度、RDT来描述各加热炉产品规定的加热目标；
获得加热制度决策知识库，包括各工况下加热曲线。
可选地，模型部署模块330，用于对加热炉物料进行跟踪修正，将轧制计划与实际板坯一一对应，确定跟踪位置，对板坯流向进行遍历，进行跟踪修正；
对板坯在炉内的升温过程进行预测，采用数学模型预报板坯在炉内每个时刻的温度分布，其中板坯温度控制方程如下述公式(1)所示：
其中，ρ(t)表示板坯的密度；Cp(t)板坯的比热；λ(t)板坯的导热系数；
基于所述控制方程，建立炉温优化模型。
可选地，模型部署模块330，用于进行离线优化，建立基础炉温表，即炉温地毯图；
进行在线动态优化，根据加热工艺和生产节奏，模拟板坯升温过程，反算达到目标加热工艺所需要的必要炉温；
综合炉温，炉段内各板坯的位置、目标温度等要素的不同，其在段内权值也不同，在各板坯炉温在线优化基础上，给予不同权值。
可选地，智能控制模块340，用于将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，大数据平台根据数采信息建立同步的炉内数据映像，不断迭代更新各知识决策库，综合各知识库信息，通过API函数实时向加热炉燃烧控制系统发送工艺、时控参数，完成对基于大数据云平台的加热炉燃烧智能控制。
本发明实施例中，本发明提供的基于大数据云平台的加热炉燃烧智能控制方法，通过成熟的人工智能、大数据技术，形成完善、独立的生产相关性数据知识库。智能燃烧模型基于此知识库，采用机理模型计算当前炉况、工况下板坯的最佳加热曲线及确保板坯质量所需要的炉温，乃至空燃比，并将其实时下发至原有加热炉系统，从而实现加热炉燃烧的智能控制。
图13是本发明实施例提供的一种电子设备400的结构示意图，该电子设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)401和一个或一个以上的存储器402，其中，所述存储器402中存储有至少一条指令，所述至少一条指令由所述处理器401加载并执行以实现下述基于大数据云平台的加热炉燃烧智能控制方法的步骤：
S1：基于加热炉生产运行参数构建大数据云平台；
S2：基于所述大数据云平台，采用大数据挖掘技术，进行加热炉生产过程关键因素的识别和分析，获得相关性数据知识库以及大数据决策知识库；
S3：基于机理模型进行传统加热炉燃烧控制系统的独立部署；
S4：将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，完成对基于大数据云平台的加热炉燃烧智能控制。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于大数据云平台的加热炉燃烧智能控制方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据云平台的加热炉燃烧智能控制方法，其特征在于，包括以下步骤：
S1：基于加热炉生产运行参数构建大数据云平台；
S2：基于所述大数据云平台，采用大数据挖掘技术，进行加热炉生产过程关键因素的识别和分析，获得相关性数据知识库以及大数据决策知识库；
S3：基于机理模型进行加热炉燃烧控制系统的独立部署；
S4：将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，完成对基于大数据云平台的加热炉燃烧智能控制。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，基于加热炉生产运行参数构建大数据云平台，包括：
根据数据存储量、访问并发数、加热炉专家知识库，以及模型库研发过程中的计算需求量相关因素的分析，对大数据云平台的硬件设备、参数及分工进行设计；
其中，所述大数据云平台采用三层构架，底层为大数据云平台基础设施层，中间为大数据云平台支撑层，最上层为知识库服务层。
3.根据权利要求2所述的方法，其特征在于，所述大数据云平台基础设施层用于大数据云平台的硬件资源虚拟化和管理服务；所述大数据云平台支撑层，用于加热炉生产过程运行时，参数的采集、存储、挖掘分析以及可视化的研究开发支撑；所述知识库服务层用于存储加热炉生产过程的关键生产因素。
4.根据权利要求1所述的方法，其特征在于，所述步骤S2中，基于所述大数据云平台，采用大数据挖掘技术，进行加热炉生产过程关键因素的识别和分析，获得相关性数据知识库以及大数据决策知识库，包括：
S21：基于所述大数据云平台，采用大数据挖掘技术，对加热炉生产过程关键因素的识别，获得相关性数据知识库；
S22：基于加热炉运行时参数数据中心预设的人工智能、机器学习和模式学习方法，通过对大数据的智能分析，挖掘出各运行时参数的关联图谱，获得大数据知识决策库。
5.根据权利要求4所述的方法，其特征在于，所述步骤S21中，所述获得相关性数据知识库，包括：
获得复杂工况、炉况知识库，包括：对于不同计划混装，按照不同加热段，根据钢种、位置权值、空位布局、目标温度、当前温度、预测出段温度情况，对不同板坯的加热制度进行权衡，感知加热炉的炉况和工况状态参数进行统筹，获得复杂工况、炉况知识库；
获得板温预报模型精度评估知识库，包括：动态评估各品规炉内温度的预报精度，供智能燃烧模型进行自适应调节，综合所述预报精度数据获得板温预报模型精度评估知识库；
获得加热炉能效评估知识库，包括：基于生产数据、能源数据以及炉况，形成对加热炉的客观评价，综合所述客观评价数据获得加热炉能效评估知识库；
获得炉压判别知识库，包括：按照炉压控制的优先级高于炉温控制的标准，控制出炉侧处于微正压状态，综合控制标准数据以及微正压状态数据，获得炉压判别知识库；
获得空燃比优化知识库，包括：设定合理的空燃比，确定各段炉温的控制精度以及炉内气氛的控制精度，获得空燃比优化知识库。
6.根据权利要求4所述的方法，其特征在于，所述步骤S22中，获得大数据知识决策库，包括：
获得加热目标决策知识库，包括：通过出炉温度、轧机出口温度RDT描述各加热炉产品规定的加热目标,获得加热目标决策知识库；
获得加热制度决策知识库，包括:统计各工况下加热曲线，获得加热制度决策知识库。
7.根据权利要求1所述的方法，其特征在于，所述步骤S3中，基于机理模型进行加热炉燃烧控制系统的独立部署，包括：
S31：对加热炉物料进行跟踪修正，将轧制计划与实际板坯一一对应，确定跟踪位置，对板坯流向进行遍历，进行跟踪修正；
S32：对板坯在炉内的升温过程进行预测，采用数学模型预报板坯在炉内每个时刻的温度分布，其中板坯温度控制方程如下述公式(1)所示：
其中，ρ(t)表示板坯的密度；Cp(t)表示板坯的比热；λ(t)表示板坯的导热系数；
S33：基于所述板坯温度控制方程，建立炉温优化模型。
8.根据权利要求7所述的方法，其特征在于，所述步骤S33，基于所述板坯温度控制方程，建立炉温优化模型，包括：
S331：基于所述板坯温度控制方程进行离线优化，建立基础炉温表，即炉温地毯图；
S332：基于所述板坯温度控制方程进行在线动态优化，根据加热工艺和生产节奏，模拟板坯升温过程，反算达到目标加热工艺所需要的必要炉温；
S333：综合炉温，炉段内各板坯的位置、目标温度要素均不同，则各板坯段内权值也不同，在各板坯炉温在线优化基础上，给予各板坯不同权值，获得炉温优化模型。
9.根据权利要求1所述的方法，其特征在于，所述步骤S4中，将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，完成对基于大数据云平台的加热炉燃烧智能控制，包括：
将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，大数据云平台根据数据采集信息建立同步的炉内数据映像，不断迭代更新各知识决策库，综合各知识库信息，通过API函数实时向加热炉燃烧控制系统发送工艺、时控参数，完成对基于大数据云平台的加热炉燃烧智能控制。
10.一种基于大数据云平台的加热炉燃烧智能控制装置，其特征在于，所述装置适用于上述权利要求1-9中任意一项所述的方法，所述装置包括：
平台构建模块，用于基于加热炉生产运行参数构建大数据云平台；
知识库构建模块，用于基于所述大数据云平台，采用大数据挖掘技术，进行加热炉生产过程关键因素的识别和分析，获得相关性数据知识库以及大数据决策知识库；
模型部署模块，用于基于机理模型进行加热炉燃烧控制系统的独立部署；
智能控制模块，用于将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合，完成对基于大数据云平台的加热炉燃烧智能控制。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211115824.4A CN115307452B (zh) | 2022-09-14 | 2022-09-14 | 一种基于大数据云平台的加热炉燃烧智能控制方法及装置 |
| US18/462,445 US20240085866A1 (en) | 2022-09-14 | 2023-09-07 | Method and device for intelligent control of heating furnace combustion based on a big data cloud platform |
| JP2023144974A JP2024041725A (ja) | 2022-09-14 | 2023-09-07 | ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御方法及び装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211115824.4A CN115307452B (zh) | 2022-09-14 | 2022-09-14 | 一种基于大数据云平台的加热炉燃烧智能控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115307452A true CN115307452A (zh) | 2022-11-08 |
| CN115307452B CN115307452B (zh) | 2023-04-07 |
Family
ID=83866698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211115824.4A Active CN115307452B (zh) | 2022-09-14 | 2022-09-14 | 一种基于大数据云平台的加热炉燃烧智能控制方法及装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240085866A1 (zh) |
| JP (1) | JP2024041725A (zh) |
| CN (1) | CN115307452B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008255443A (ja) * | 2007-04-06 | 2008-10-23 | Nippon Steel Corp | 加熱炉の板温制御方法及び装置 |
| CN102169326A (zh) * | 2011-03-02 | 2011-08-31 | 中冶南方(武汉)威仕工业炉有限公司 | 基于数据挖掘的最优炉温设定值优化系统 |
| CN106636606A (zh) * | 2016-12-30 | 2017-05-10 | 北京和隆软件有限公司 | 一种基于仿真模型的加热炉炉温控制方法 |
| CN114459613A (zh) * | 2022-01-21 | 2022-05-10 | 法孚斯坦因冶金技术（上海）有限公司 | 一种加热炉动态生产实时监测预警系统及使用方法 |
-
2022
- 2022-09-14 CN CN202211115824.4A patent/CN115307452B/zh active Active
-
2023
- 2023-09-07 US US18/462,445 patent/US20240085866A1/en active Pending
- 2023-09-07 JP JP2023144974A patent/JP2024041725A/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008255443A (ja) * | 2007-04-06 | 2008-10-23 | Nippon Steel Corp | 加熱炉の板温制御方法及び装置 |
| CN102169326A (zh) * | 2011-03-02 | 2011-08-31 | 中冶南方(武汉)威仕工业炉有限公司 | 基于数据挖掘的最优炉温设定值优化系统 |
| CN106636606A (zh) * | 2016-12-30 | 2017-05-10 | 北京和隆软件有限公司 | 一种基于仿真模型的加热炉炉温控制方法 |
| CN114459613A (zh) * | 2022-01-21 | 2022-05-10 | 法孚斯坦因冶金技术（上海）有限公司 | 一种加热炉动态生产实时监测预警系统及使用方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115307452B (zh) | 2023-04-07 |
| JP2024041725A (ja) | 2024-03-27 |
| US20240085866A1 (en) | 2024-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109047683B (zh) | 一种连铸坯智能定重定尺在线控制系统 | |
| CN102441578B (zh) | 提高低温钢卷取温度控制精度的方法 | |
| CN106180619A (zh) | 一种连铸过程智能控制的系统方法 | |
| CN106773682B (zh) | 基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法 | |
| CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
| CN105631759B (zh) | 炼钢厂考虑铁水供应条件的多目标调度计划编制方法 | |
| CN103019097A (zh) | 一种轧钢加热炉优化控制系统 | |
| CN102583032B (zh) | 一种钢铁原料场物流传输设备控制方法和装置 | |
| WO2019115655A1 (en) | Method of controlling a gas furnace for melting metal and control system therefor | |
| CN113239482A (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
| CN115307452B (zh) | 一种基于大数据云平台的加热炉燃烧智能控制方法及装置 | |
| EP3943854A1 (en) | Furnace controller and method of operating a furnace | |
| Botnikov et al. | Development of the metal temperature prediction model for steel-pouring and tundish ladles used at the casting and rolling complex | |
| Liu et al. | Ladle intelligent re-scheduling method in steelmaking–refining–continuous casting production process based on BP neural network working condition estimation | |
| CN110517460A (zh) | 一种高拱坝混凝土温度状态区间预测预警方法 | |
| CN109358581A (zh) | 两流异宽的炼钢-连铸过程批量计划优化方法 | |
| CN115287446B (zh) | 一种智慧加热炉远程大数据集控系统 | |
| Botnikov et al. | Development of a steel temperature prediction model in a steel ladle and tundish in a casting and rolling complex | |
| CN110059940A (zh) | 一种炼钢-连铸界面衔接节能方法及系统 | |
| JP3144984B2 (ja) | 製鋼工程における溶鋼温度の調整方法 | |
| CN105242545B (zh) | 一种基于工艺批次模型的转炉用氧流量的预测方法 | |
| Kiyko et al. | Simulation of energy consumption processes at the metallurgical enterprises in the energy-saving projects implementation | |
| Shikimori et al. | Development of automatic rolling scheduling system for synchronized operation of casting and hot rolling | |
| Serdobintsev et al. | Efficient batching algorithm for charging slabs into a continuous furnace | |
| Gurin et al. | Optimal Distribution of Iron Ore Raw Materials in Blast Furnace System |
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 |