CN115584371A - 高炉炉温闭环控制系统的设计方法及应用 - Google Patents
高炉炉温闭环控制系统的设计方法及应用 Download PDFInfo
- Publication number
- CN115584371A CN115584371A CN202211318383.8A CN202211318383A CN115584371A CN 115584371 A CN115584371 A CN 115584371A CN 202211318383 A CN202211318383 A CN 202211318383A CN 115584371 A CN115584371 A CN 115584371A
- Authority
- CN
- China
- Prior art keywords
- furnace temperature
- data
- blast furnace
- furnace
- coal injection
- 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.)
- Pending
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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明提供了一种高炉炉温闭环控制系统的设计方法及应用,采集符合高炉生产高煤比、低焦比、低燃料比指标的数据,进行预处理;基于时间序列神经网络模型进行炉温预测,并建立炉温趋势分类模型,并对其训练和测试;再根据炉温趋势,结合三种炉温工况分类数据,分别建立基于炉温向热、基于炉温平稳和基于炉温向凉的喷煤量预测模型;最后对炉温趋势分类模型和喷煤量预测模型建立反馈关系,得到高炉炉温闭环控制系统。本发明先预测炉温趋势,后基于该趋势进行喷煤量预测,提高了命中率和准确率,且模型收敛性好,总体预测趋势与实际趋势一致;其在应用时自动化、智能化程度高,保证高炉顺行的同时提升了高炉的经济效益,对实际高炉生产的指导价值高。
Description
技术领域
本发明涉及高炉炉温智能控制技术领域,尤其涉及一种高炉炉温闭环控制系统的设计方法及应用。
背景技术
高炉炼铁是钢铁生产中的上游产业,在钢铁工业降低成本与节能降耗的发展中起着举足轻重的作用。高炉冶炼过程控制复杂,涉及了相互交叉的化学反应动力学和流体动力学。高炉炉温是高炉的一个重要的指标,其稳定与否是高炉是否顺行的表现;高炉炉温从数据上看是一个非线性、随机性和滞后性的反应过程,但是如果能够预测炉温趋势,就可以提前采取控制措施,保证炉温的稳定率,进而保证高炉的稳定顺行。传统的高炉炼铁企业的炉温控制主要依靠历史数据,且根据经验丰富的操作工人来实现;但是大多数据有较大的时间滞后性,存在响应速度慢,误差范围大,过于依赖人力的问题,不适合现代化高炉炼铁信息化发展的要求。喷煤量作为调节炉温的重要手段,会直接影响着高炉的炉缸工作状态和高炉的稳定顺行;因此建立能够指导高炉操作人员对喷煤量控制决策的预测模型,有一定的应用价值。
发明专利(申请号为CN 200810163518.1)公开了一种高炉炉温优化控制方法,采用了阶梯式动态矩阵的预测算法,对当前炉温的发展做出正确的预测,采取正确的调控措施,实现对炉温控制提前调节、小幅度调节,以提高高炉炉温控制精度,减小误差范围,杜绝炉温发展成“过热”或“过凉”,避免炉况故障;但是,因为在该方法中采用了大量的复杂公式和复杂模型的运算,其应用效果受限于管理水平和企业人员素质,难以量化,部分企业信息化项目可能达不到该方法的预期效果,这将限制该方法的应用。
有鉴于此,有必要设计一种改进的高炉炉温闭环控制系统的设计方法及应用,从控制理论角度分析,基于经验推理和数学模型计算交叉的预测控制,在复杂推理和优化计算的基础上实现简便智能控制,以解决上述问题。
发明内容
本发明的目的在于提供一种高炉炉温闭环控制系统的设计方法及应用,该方法包括数据筛选和采集、数据预处理、构建炉温趋势分类模型、基于炉温的三种工况分别构建对应的喷煤量预测模型以及完成整个流程的联合调控;在系统应用时基于高炉炼铁工序,以高炉顺行为基础,实现高炉生成过程中自动化、智能化的炉温闭环控制,实时准确的进行高炉炉温检测,并根据炉温实时调控喷煤量。
为实现上述发明目的,本发明提供了一种高炉炉温闭环控制系统的设计方法,包括以下步骤:
S1、采集符合高炉生产高煤比、低焦比、低燃料比指标的数据;将所述数据根据炉温向凉、炉温平稳、炉温向热三种工况进行分类;
S2、将步骤S1采集的所述数据进行预处理,使其值落在相同范围内;
S3、基于时间序列神经网络模型进行炉温预测,并建立炉温趋势分类模型;选取步骤S1中已分类的三种工况数据各若干组作为训练数据,对所述炉温趋势分类模型进行训练,再选取各若干组作为测试数据进行模型的测试,直至模型的分类误差在5%以内;
S4、根据步骤S3的所述炉温趋势分类模型,结合步骤S1的炉温向凉、炉温平稳、炉温向热三种类型的数据,采用支持向量机分别建立基于炉温向热的喷煤量预测模型、基于炉温平稳的喷煤量预测模型以及基于炉温向凉的喷煤量预测模型;
S5、对所述炉温趋势分类模型和喷煤量预测模型建立反馈关系,得到高炉炉温闭环控制系统。
作为本发明的进一步改进,在步骤S1中,通过变量相关性分析,所述数据包括炉顶压力、喷煤量、富氧率、焦比、炉顶温度、热风流量、热风压力、热风温度、热风湿度以及上一炉铁水温度对应的数据。
作为本发明的进一步改进,在步骤S4中,喷煤量预测模型以步骤S1的炉温向凉、炉温平稳、炉温向热三种工况的分类数据作为输入,以下一炉喷煤量作为输出,以指导高炉生产。
作为本发明的进一步改进,在步骤S1中,采集符合高炉生产高煤比、低焦比、低燃料比指标的数据的方式为:采集所述数据时对其进行检测,若数据超出指标的上限或低于下限则检测为异常值,将其剔除;对于剔除的缺失值采用可能值进行填充。
作为本发明的进一步改进,在步骤S4中,建立喷煤量预测模型时,核函数选取径向基函数,使用交叉验证的方法选择参数对选取的炉温向凉、炉温平稳、炉温向热各150~200组数据进行训练建模,最终得到基于炉温向热的喷煤量预测模型、基于炉温平稳的喷煤量预测模型以及基于炉温向凉的喷煤量预测模型。
作为本发明的进一步改进,所述可能值的确定方法为:基于概率的期望最大化算法处理,首先确定缺失值在其所有可能值上的概率分布;再根据概率分布将含有缺失值的数据集分为若干个子集,并根据确定的概率得到相应的可能值。
作为本发明的进一步改进,在步骤S2中,所述预处理为将所述数据进行归一化、指数化或标准化处理,把不同的属性数据进行比例缩放,使其值落在相同范围内。
作为本发明的进一步改进,在步骤S3中,所述训练数据选取的炉温向凉、炉温平稳、炉温向热三种工况的数据均不少于10组,所述测试数据选取的数据均不少于20组。
一种高炉炉温闭环控制系统的应用,将上述任一项所述的设计方法得到的高炉炉温闭环控制系统应用于高炉系统中时,将其与高炉监控系统、数据采集系统、炉温控制辅助系统、和喷吹煤量自动调整系统进行连接,实现高炉炉温的闭环控制。
作为本发明的进一步改进,该系统在所述高炉系统的应用全程为自动化、智能化的应用;具体应用过程包括以下步骤:
SS1、所述数据采集系统自动采集符合高炉生产高煤比、低焦比、低燃料比指标的历史数据,并将其分类输入炉温趋势分类模型,得到高炉的炉温变化趋势;
SS2、根据步骤SS1得到的所述炉温变化趋势,结合所述高炉监控系统判断炉温工况,将对应炉温工况的所述历史数据输入对应的喷煤量预测模型中,得到下一炉喷煤量;
SS3、将步骤SS2得到的所述下一炉喷煤量反馈至所述喷吹煤量自动调整系统,进行高炉喷煤的调整;
SS4、所述下一炉喷煤量继续影响高炉的炉温变化趋势,重复步骤SS1~SS4进行高炉炉温闭环控制。
本发明的有益效果是:
1、本发明的一种高炉炉温闭环控制系统的设计方法,包括采集符合高炉生产高煤比、低焦比、低燃料比指标的数据,将数据根据炉温向凉、炉温平稳、炉温向热三种工况进行分类并进行预处理;基于时间序列神经网络模型进行炉温预测,并建立炉温趋势分类模型,对模型进行训练和测试,直至模型的分类误差在5%以内;根据炉温趋势分类模型,结合炉温三种工况类型的数据,分别建立基于炉温向热的喷煤量预测模型、基于炉温平稳的喷煤量预测模型和基于炉温向凉的喷煤量预测模型;最后对炉温趋势分类模型和喷煤量预测模型建立反馈关系,得到高炉炉温闭环控制系统。该方法在应用时结合高炉炼铁工序,实现了高炉生成过程中自动化、智能化的炉温闭环控制,可实时准确的进行高炉炉温检测,并根据炉温实时调控喷煤量,实现了高炉喷煤量控制和优化,有利于高炉的顺行。
2、本发明以高煤比、低焦比、低燃料比指标为目标,通过采用时间序列神经网络模型进行炉温预测,并建立炉温趋势分类模型,结合高炉生产的历史数据,对其进行训练和测试,得到准确率在95%以上的炉温趋势分类模型。通过仿真比较,将炉温趋势分类模型与喷煤量预测模型进行协同配合,建立基于炉温趋势的高炉喷煤量预测模型,该模型的整体预测效果良好。本发明通过先进行炉温趋势的预测,然后基于炉温趋势进行下一炉喷煤量的预测,根据预测结果进行喷煤量的调整。比现有技术中单一的神经网络喷煤量模型在命中率和准确率上有较大的提高,且均方误差、平均相对误差均最小,模型的收敛性好,模型总体预测趋势与实际趋势基本一致,解决了单一模型的预测精度低、泛化能力差的问题,表明该模型对实际高炉生产具有较高的指导价值。
3、本发明的高炉炉温闭环控制系统在应用时,可实现全自动化、智能化的应用,避免了人为因素对高炉炉温的影响。该系统中炉温趋势分类模型与喷煤量预测模型通过自主学习不断的根据高炉生产更新输入数据,提高了对炉温预测的准确性,避免炉温因出现“过热”或“过凉”问题,而大幅度调控喷煤量对高炉炉况造成的不利影响。采用本发明的高炉炉温闭环控制系统,在保证高炉顺行的同时,达到了高煤比、低焦比、低燃料比的生产指标,实现高炉生产较大的经济效益。
4、本发明以高炉大数据为样本,筛选并优化样本数据,建立基于炉温趋势的多支持向量机的高炉喷煤量预测模型,优化了高炉的智能化操作水平,同时提升了高炉的炉况管理,对企业降低成本、节能降耗具有现实意义。
附图说明
图1为本发明高炉炉温闭环控制系统在应用时的数据采集过程图。
图2为本发明高炉炉温闭环控制系统在高炉系统的应用流程图。
图3为本发明实施例1中预测炉温的算法过程图。
图4为本发明实施例1的炉温趋势分类模型的预测结果。
图5为本发明实施例1采用喷煤量预测模型预测的喷煤量预测值和喷煤量实际值的对比图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
另外,还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
一种高炉炉温闭环控制系统的设计方法,包括以下步骤:
S1、采集符合高炉生产高煤比、低焦比、低燃料比指标的数据;将数据根据炉温向凉、炉温平稳、炉温向热三种工况进行分类;其中,通过变量相关性分析,确定采集的数据包括炉顶压力、喷煤量、富氧率、焦比、炉顶温度、热风流量、热风压力、热风温度、热风湿度以及上一炉铁水温度对应的数据;
传统的高炉往往单纯追求高煤比,没有保证高的置换比,忽略了焦比和燃料比的降低,而只注重喷煤的经济效果,忽略喷煤的节能效果对于高炉生产是不利的。所以,在本发明中需要采集同时符合高煤比、低焦比、低燃料比指标的数据,采用符合这些指标的数据指导的喷煤才能较好的兼顾经济效益和社会效益。
S2、将步骤S1采集的数据进行预处理,使其值落在相同范围内;
如果采集的数据变量单位不统一,数值差别比较大,对于模型的准确性影响较大,因此需要对数据进行预处理,包括将数据进行归一化、指数化或标准化处理;把不同的属性数据进行比例缩放,使其值落在相同范围内,例如-1.0~1.0或0.0~1.0。而最大最小值法可以最大限度的保留原始数据相互之间的关系,因此可采用最大最小值法来对数据归一化。
S3、基于时间序列神经网络模型进行炉温预测,并与实际炉温数据进行对比,建立炉温趋势分类模型;选取步骤S1中已分类的三种工况数据各若干组作为训练数据,对炉温趋势分类模型进行训练,再选取各若干组作为测试数据进行模型的测试,直至模型的分类误差在5%以内;
其中,训练数据选取的炉温向凉、炉温平稳、炉温向热三种工况的数据均不少于10组,测试数据选取的数据均不少于20组。
S4、根据步骤S3的炉温趋势分类模型,结合步骤S1的炉温向凉、炉温平稳、炉温向热三种类型的数据,采用支持向量机分别建立基于炉温向热的喷煤量预测模型、基于炉温平稳的喷煤量预测模型和基于炉温向凉的喷煤量预测模型;
建立喷煤量预测模型时,核函数选取径向基函数,使用交叉验证的方法选择参数对选取的炉温向凉、炉温平稳、炉温向热各150~200组数据进行训练建模,最终得到基于炉温向热的喷煤量预测模型、基于炉温平稳的喷煤量预测模型和基于炉温向凉的喷煤量预测模型;喷煤量预测模型以步骤S1的炉温向凉、炉温平稳、炉温向热三种工况的分类数据作为输入,以下一炉喷煤量作为输出,以指导高炉生产。
S5、对炉温趋势分类模型和喷煤量预测模型建立反馈关系,得到高炉炉温闭环控制系统。
具体地,高炉炼铁生产过程中,由于原料成分波动、生产边界条件变化、外界干扰以及生产操作中人为因素的影响,使得实际过程数据样本波动范围大,存在异常值、缺失值等情况。如果建模时数据未经处理,不仅增加建模算法的难度和复杂度,甚至降低模型的预测性能,导致错误的分析结果。因此,需要对所采集的数据进行适当的处理;在步骤S1中,采集数据时对其进行检测,若数据超出指标的上限或低于下限则检测为异常值,将其剔除;对于剔除的缺失值采用可能值进行填充;可能值的确定方法为:基于概率的期望最大化算法处理,首先确定缺失值在其所有可能值上的概率分布;再根据概率分布将含有缺失值的数据集分为若干个子集,并根据确定的概率得到相应的可能值。
在高炉冶炼过程中,保持合理的炉温是高炉稳定顺行、高产的前提。但由于种种原因,炉温常常发生向热或向凉的变化,此时需要采取增减喷吹物、风量、风温等来调剂炉温;由于各调剂手段都对炉温的影响有一定的滞后性,所以要做到早发现、早调节,以保持高炉的稳定顺行。且在对炉温的趋势预测时,如果仅考虑当前炉参数的值,对炉温趋势作判断,很难对模型进行精确的划分,影响模型的准确性。
特别地,本发明采用时间序列神经网络模型进行炉温预测,并与实际炉温进行对比,建立炉温趋势分类模型,结合高炉生产的历史数据,对其进行训练和测试,得到准确率在95%以上的炉温趋势分类模型。通过仿真比较,将炉温趋势分类模型与喷煤量预测模型进行协同结合,建立了基于炉温趋势的高炉喷煤量预测模型,该模型的整体预测效果良好。另外,本发明通过先进行炉温趋势的预测,然后基于炉温趋势进行下一炉喷煤量的预测,根据预测结果进行喷煤量的调整,在命中率和准确率上均有较大的提高,且均方误差、平均相对误差均最小,模型的收敛性好,模型总体预测趋势与实际趋势基本一致。
在一些具体的实施方式中,在步骤S2中,数据的预处理包括数据筛选、数据变量转换、缺失值处理、异常值处理、数据标准化、数据降维等。在采集的样本数据中常常包含着许多含有噪声、不完整,甚至不一致的数据,或者数据维度过大,这时候就需要采用上面的方法进行处理,从而改善数据质量、降低数据维度等,有利于后续建模以及合理结果的产生。
本发明还提供了一种高炉炉温闭环控制系统的应用,应用于高炉系统中时,将其与高炉监控系统、数据采集系统、炉温控制辅助系统、和喷吹煤量自动调整系统进行连接,实现高炉炉温的闭环控制。
具体地,由于高炉历史数据数据量庞大,以及高炉炉况波动对数据质量可能产生影响;所以数据采集系统采用OPC DA框架,因为它支持串口和网口统一的插件式设备驱动开发,也就是说开发一个驱动可以支持串口和网口通讯。通过网络传输协议将数据传输网关,最终展示给用户;另外,该框架可扩展性比较强,可以大大减小工作量。数据采集的过程如图1所示。
请参阅图2所示,高炉炉温闭环控制系统在高炉系统的应用全程为自动化、智能化的应用;具体应用过程包括以下步骤:
SS1、数据采集系统自动采集符合高炉生产高煤比、低焦比、低燃料比指标的历史数据,并进行数据预处理,将预处理后的数据输入炉温趋势分类模型,得到高炉的炉温变化趋势;
SS2、根据步骤SS1得到的炉温变化趋势,结合高炉监控系统判断炉温工况,将对应炉温工况的历史数据输入对应的喷煤量预测模型中,得到下一炉喷煤量;
SS3、将步骤SS2得到的下一炉喷煤量反馈至喷吹煤量自动调整系统,进行高炉喷煤的调整;
SS4、下一炉喷煤量继续影响高炉的炉温变化趋势,重复步骤SS1~SS4进行高炉炉温闭环控制。
本发明选用喷煤量来调节炉温,相对于其他调节手段,喷煤量对炉况影响最小,是调节炉温的第一选择;且基于本发明的可实时监测和调整的模型系统,对炉温进行趋势预测、提前调节、小幅度调节,实现了高炉炉温长期精测预测和调控,保证高炉长期稳定顺行。
高炉炉温闭环控制系统在高炉系统中的应用,避免了人为因素对高炉炉温的影响。该系统中炉温趋势分类模型与喷煤量预测模型通过自主学习不断的根据高炉生产更新输入数据,提高了对炉温预测的准确性,避免炉温因出现“过热”或“过凉”的问题,而大幅度调控喷煤量对高炉炉况造成不利影响。采用本发明的高炉炉温闭环控制系统,在保证高炉顺行的同时,达到高煤比、低焦比、低燃料比的生产指标,实现高炉生产更大的经济效益。
实施例1
本实施例提供了一种高炉炉温闭环控制系统的设计方法及应用,以铁水温度代表炉温,包括以下步骤:
S1、采集该高炉的某时间段内符合高炉生产高煤比(≥140kg/t)、低焦比(≤372kg/t)、低燃料比(≤530kg/t)指标的数据,包括炉顶压力、喷煤量、富氧率、焦比、炉顶温度、热风流量、热风压力、热风温度、热风湿度以及上一炉铁水温度等因素对应的数据;并对其进行检测,若数据超出指标的上限或低于下限则检测为异常值,将其剔除;对于剔除的缺失值采用可能值进行填充;
S2、将步骤S1采集的数据进行预处理,采用最大最小值法对其进行归一化,使其值落在[0,1]范围内;
S3、基于时间序列神经网络模型进行炉温预测,将其与实际炉温对比,建立时间序列炉温趋势分类预测模型;选取步骤S1中已分类的三种工况数据各10组作为训练数据,对炉温趋势分类模型进行训练,再选取各20组作为测试数据进行模型的测试,直至模型的分类误差在5%以内;如图3所示,为预测炉温的算法过程图;
S4、根据步骤S3的时间序列炉温趋势分类预测模型,结合步骤S1的炉温向凉、炉温平稳、炉温向热三种类型的数据,分别建立基于炉温向热的喷煤量预测模型、基于炉温平稳的喷煤量预测模型以及基于炉温向凉的喷煤量预测模型;建立喷煤量预测模型时,核函数选取径向基函数,使用交叉验证的方法选择参数对选取的炉温向凉、炉温平稳、炉温向热各150组数据进行训练建模,最终得到喷煤量预测模型;
S5、对炉温趋势分类模型和喷煤量预测模型建立反馈关系,得到高炉炉温闭环控制系统。
将该高炉炉温闭环控制系统在高炉系统应用时,其与高炉监控系统、数据采集系统、炉温控制辅助系统、和喷吹煤量自动调整系统进行连接,实现高炉炉温的闭环控制;具体应用过程包括以下步骤:
SS1、数据采集系统自动采集符合高炉生产高煤比、低焦比、低燃料比指标的历史数据,并进行数据处理,将其输入炉温趋势分类模型,得到高炉的炉温变化趋势;
SS2、根据步骤SS1得到的炉温变化趋势,结合高炉监控系统(出铁监控、上料监控、高炉参数监控等)判断炉温工况,将对应炉温工况的历史数据输入对应的喷煤量预测模型中,得到下一炉喷煤量;
SS3、将步骤SS2得到的下一炉喷煤量反馈至喷吹煤量自动调整系统,进行高炉喷煤的调整;
SS4、下一炉喷煤量继续影响高炉的炉温变化趋势,则重复步骤SS1~SS4进行高炉炉温闭环控制。
请参阅图4所示,为本实施例的炉温趋势分类模型的预测结果。以铁水温度来说明炉温的变化;其中,图a为模型输入的各参数数据的变化曲线,图b为模型预测的铁水温度变化和实际铁水温度的曲线图。从图中可以看出,预测趋势基本与实际趋势一致,说明该模型预测的收敛性好;经计算模型的分类准确率均高于95%,说明该模型的准确率高。
请参阅图5所示,为实施例1采用喷煤量预测模型预测的喷煤量预测值和喷煤量实际值的对比图。从图中可以看出,该基于炉温趋势的喷煤量预测模型的命中率高,除了少数几个点外,都能准确命中,而且均方误差、平均相对误差均最小,模型收敛性好,模型总体预测趋势与实际趋势基本一致;表明该模型对高炉工长的实际操作具有较高的指导价值。
对比例1
对比例1采用现有技术中单一神经网络炉温趋势模型对某高炉某时段的炉温进行多次预测,并将结果与实际炉温变化进行对比,得到的准确率如下表所示。
同时,采用实施例1的方案对对比例1中的同一高炉同时段的炉温趋势进行的预测,并将结果与实际炉温变化对比,得到的准确率如下表所示。
表1对比例1和实施例1的模型对炉温趋势预测的准确性/%
从表1可以看出,相对于对比例1中的单一神经网络炉温趋势模型的计算方案来说,本发明使用的实施例1方案的预测结果准确性和精确度较高,并且波动范围很小。因此,本方案中使用了基于时间序列神经网络模型进行炉温模型的预测具有科学性和准确性,可用于指导实际高炉生产。
综上所述,本发明提供了一种高炉炉温闭环控制系统的设计方法,包括采集符合高炉生产高煤比、低焦比、低燃料比指标的数据,将数据根据炉温向凉、炉温平稳、炉温向热三种工况进行分类;并将数据进行预处理;基于时间序列神经网络模型进行炉温预测,并建立炉温趋势分类模型,选取已分类的三种工况数据对模型进行训练和测试,直至模型的分类误差在5%以内;根据炉温趋势分类模型,结合炉温向凉、炉温平稳、炉温向热三种类型的数据,分别建立基于炉温向热的喷煤量预测模型、基于炉温平稳的喷煤量预测模型和基于炉温向凉的喷煤量预测模型;最后对炉温趋势分类模型和喷煤量预测模型建立反馈关系,得到高炉炉温闭环控制系统。本发明通过先进行炉温趋势的预测,然后基于炉温趋势进行下一炉喷煤量的预测,比现有技术中单一的神经网络喷煤量模型在命中率和准确率上有较大的提高,且均方误差、平均相对误差均最小,模型的收敛性好,模型总体预测趋势与实际趋势基本一致,解决了单一模型的预测精度低、泛化能力差的问题,表明该模型对实际高炉生产具有较高的指导价值。该高炉炉温闭环控制系统在应用时,可实现全自动化、智能化的应用,避免了人为因素对高炉炉温的影响;该系统中炉温趋势分类模型与喷煤量预测模型通过自主学习不断的根据高炉生产更新输入数据,提高了对炉温预测的准确性。采用本发明的高炉炉温闭环控制系统,在保证高炉顺行的同时,达到了高煤比、低焦比、低燃料比的生产指标,实现高炉生产较大的经济效益。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种高炉炉温闭环控制系统的设计方法,其特征在于,包括以下步骤:
S1、采集符合高炉生产高煤比、低焦比、低燃料比指标的数据;将所述数据根据炉温向凉、炉温平稳、炉温向热三种工况进行分类;
S2、将步骤S1采集的所述数据进行预处理,使其值落在相同范围内;
S3、基于时间序列神经网络模型进行炉温预测,并建立炉温趋势分类模型;选取步骤S1中已分类的三种工况数据各若干组作为训练数据,对所述炉温趋势分类模型进行训练,再选取各若干组作为测试数据进行模型的测试,直至模型的分类误差在5%以内;
S4、根据步骤S3的所述炉温趋势分类模型,结合步骤S1的炉温向凉、炉温平稳、炉温向热三种类型的数据,采用支持向量机分别建立基于炉温向热的喷煤量预测模型、基于炉温平稳的喷煤量预测模型以及基于炉温向凉的喷煤量预测模型;
S5、对所述炉温趋势分类模型和喷煤量预测模型建立反馈关系,得到高炉炉温闭环控制系统。
2.根据权利要求1所述的高炉炉温闭环控制系统的设计方法,其特征在于,在步骤S1中,通过变量相关性分析,所述数据包括炉顶压力、喷煤量、富氧率、焦比、炉顶温度、热风流量、热风压力、热风温度、热风湿度以及上一炉铁水温度对应的数据。
3.根据权利要求1所述的高炉炉温闭环控制系统的设计方法,其特征在于,在步骤S4中,喷煤量预测模型以步骤S1的炉温向凉、炉温平稳、炉温向热三种工况的分类数据作为输入,以下一炉喷煤量作为输出,以指导高炉生产。
4.根据权利要求1所述的高炉炉温闭环控制系统的设计方法,其特征在于,在步骤S1中,采集符合高炉生产高煤比、低焦比、低燃料比指标的数据的方式为:采集所述数据时对其进行检测,若数据超出指标的上限或低于下限则检测为异常值,将其剔除;对于剔除的缺失值采用可能值进行填充。
5.根据权利要求1所述的高炉炉温闭环控制系统的设计方法,其特征在于,在步骤S4中,建立喷煤量预测模型时,核函数选取径向基函数,使用交叉验证的方法选择参数对选取的炉温向凉、炉温平稳、炉温向热各150~200组数据进行训练建模,最终得到基于炉温向热的喷煤量预测模型、基于炉温平稳的喷煤量预测模型以及基于炉温向凉的喷煤量预测模型。
6.根据权利要求4所述的高炉炉温闭环控制系统的设计方法,其特征在于,所述可能值的确定方法为:基于概率的期望最大化算法处理,首先确定缺失值在其所有可能值上的概率分布;再根据概率分布将含有缺失值的数据集分为若干个子集,并根据确定的概率得到相应的可能值。
7.根据权利要求1所述的高炉炉温闭环控制系统的设计方法,其特征在于,在步骤S2中,所述预处理为将所述数据进行归一化、指数化或标准化处理,把不同的属性数据进行比例缩放,使其值落在相同范围内。
8.根据权利要求1所述的高炉炉温闭环控制系统的设计方法,其特征在于,在步骤S3中,所述训练数据选取的炉温向凉、炉温平稳、炉温向热三种工况的数据均不少于10组,所述测试数据选取的数据均不少于20组。
9.一种高炉炉温闭环控制系统的应用,其特征在于,将权利要求1~8中任一项所述的设计方法得到的高炉炉温闭环控制系统应用于高炉系统中时,将其与高炉监控系统、数据采集系统、炉温控制辅助系统、和喷吹煤量自动调整系统进行连接,实现高炉炉温的闭环控制。
10.根据权利要求9所述的高炉炉温闭环控制系统的应用,其特征在于,该系统在所述高炉系统的应用全程为自动化、智能化的应用;具体应用过程包括以下步骤:
SS1、所述数据采集系统自动采集符合高炉生产高煤比、低焦比、低燃料比指标的历史数据,并将其分类输入炉温趋势分类模型,得到高炉的炉温变化趋势;
SS2、根据步骤SS1得到的所述炉温变化趋势,结合所述高炉监控系统判断炉温工况,将对应炉温工况的所述历史数据输入对应的喷煤量预测模型中,得到下一炉喷煤量;
SS3、将步骤SS2得到的所述下一炉喷煤量反馈至所述喷吹煤量自动调整系统,提前进行高炉喷煤的调整;
SS4、所述下一炉喷煤量继续影响高炉的炉温变化趋势,重复步骤SS1~SS4进行高炉炉温闭环控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211318383.8A CN115584371A (zh) | 2022-10-26 | 2022-10-26 | 高炉炉温闭环控制系统的设计方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211318383.8A CN115584371A (zh) | 2022-10-26 | 2022-10-26 | 高炉炉温闭环控制系统的设计方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115584371A true CN115584371A (zh) | 2023-01-10 |
Family
ID=84781358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211318383.8A Pending CN115584371A (zh) | 2022-10-26 | 2022-10-26 | 高炉炉温闭环控制系统的设计方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115584371A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06172825A (ja) * | 1992-12-07 | 1994-06-21 | Nippon Steel Corp | 高炉操業方法 |
CN105734189A (zh) * | 2016-04-12 | 2016-07-06 | 燕山大学 | 一种高炉运行过程中喷煤量决策的方法 |
CN110427715A (zh) * | 2019-08-08 | 2019-11-08 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
-
2022
- 2022-10-26 CN CN202211318383.8A patent/CN115584371A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06172825A (ja) * | 1992-12-07 | 1994-06-21 | Nippon Steel Corp | 高炉操業方法 |
CN105734189A (zh) * | 2016-04-12 | 2016-07-06 | 燕山大学 | 一种高炉运行过程中喷煤量决策的方法 |
CN110427715A (zh) * | 2019-08-08 | 2019-11-08 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
Non-Patent Citations (3)
Title |
---|
侯佳: "基于炉温趋势的高炉喷煤量预测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, pages 1 * |
崔桂梅;鄢常亮;关英辉;: "基于支持向量机的高炉向凉、向热炉况预测", 钢铁研究学报, no. 07 * |
蒋珂;蒋朝辉;谢永芳;潘冬;桂卫华;: "大型高炉铁水硅含量变化趋势的智能预报", 控制工程, no. 03 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
CN110066895B (zh) | 一种基于Stacking的高炉铁水质量区间预测方法 | |
CN105925750A (zh) | 一种基于神经网络的炼钢终点预测方法 | |
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
CN106249724A (zh) | 一种高炉多元铁水质量预测控制方法及系统 | |
CN1403593A (zh) | 一种利用智能控制系统控制高炉冶炼的方法 | |
Wu et al. | Integrated soft sensing of coke-oven temperature | |
CN112066355A (zh) | 基于数据驱动的余热锅炉阀门自适应调节方法 | |
CN116976148B (zh) | 一种铜电解过程离子含量变化的监测方法及系统 | |
US20050137995A1 (en) | Method for regulating a thermodynamic process by means of neural networks | |
CN111340269B (zh) | 用于流程工业过程的实时优化方法 | |
CN102129242A (zh) | 基于两层混合智能优化的批处理生产过程产品质量控制方法 | |
An et al. | Two-layer fault diagnosis method for blast furnace based on evidence-conflict reduction on multiple time scales | |
CN117066496B (zh) | 一种铸造冷却控制方法及系统 | |
Liu et al. | Temporal hypergraph attention network for silicon content prediction in blast furnace | |
CN115584371A (zh) | 高炉炉温闭环控制系统的设计方法及应用 | |
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 | |
CN107832880B (zh) | 基于布料参数的高炉状态变量预测方法 | |
RU2445668C2 (ru) | Нейросетевой регулятор для управления процессом обжига известняка в печах шахтного типа | |
CN114580712A (zh) | 一种冶金副产煤气产耗量的在线预测方法及系统 | |
Trofimov | Automated expert systems in blast-furnace process control | |
CN112861276A (zh) | 基于数据与知识双驱动的高炉料面优化方法 | |
CN113065222A (zh) | 炉缸状态评估的方法及装置 | |
CN117054734B (zh) | 一种铜板熔炼能耗的监测方法及系统 | |
Wu et al. | Intelligent Optimization and Control of Coking Process |
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 |