CN116189805B - 一种基于氧量预测的煤质变化监测方法 - Google Patents

一种基于氧量预测的煤质变化监测方法 Download PDF

Info

Publication number
CN116189805B
CN116189805B CN202310417367.2A CN202310417367A CN116189805B CN 116189805 B CN116189805 B CN 116189805B CN 202310417367 A CN202310417367 A CN 202310417367A CN 116189805 B CN116189805 B CN 116189805B
Authority
CN
China
Prior art keywords
oxygen
coal quality
variation
change
data set
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
Application number
CN202310417367.2A
Other languages
English (en)
Other versions
CN116189805A (zh
Inventor
阳赛
南玉泽
王栋
党海峰
夏建涛
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.)
Beijing Quanying Technology Co ltd
Original Assignee
Beijing Quanying Technology 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 Beijing Quanying Technology Co ltd filed Critical Beijing Quanying Technology Co ltd
Priority to CN202310417367.2A priority Critical patent/CN116189805B/zh
Publication of CN116189805A publication Critical patent/CN116189805A/zh
Application granted granted Critical
Publication of CN116189805B publication Critical patent/CN116189805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Regulation And Control Of Combustion (AREA)
  • Solid Fuels And Fuel-Associated Substances (AREA)

Abstract

本发明提供一种基于氧量预测的煤质变化监测方法，将历史数据集特征变量进行差分得到数据集，并以部分变量为自变量、部分变量为因变量建立氧量回归模型；获得实时数据集，对数据集中的特征变量进行差分，利用氧量回归模型进行氧量预测，得到预测氧量变化量、预测氧量、煤质变化量和相对热值，运行人员根据煤质变化量和相对热值进行机组运行状态调整。本发明通过建立氧量回归模型，再基于氧量模型进行氧量预测对入炉煤质变化进行监测，无需安装其余设备，能够在分钟级别识别并量化煤质的变化，识别的准确性较高，有助于运行人员对煤质变化进行快速判断并为运行人员的操作提供参考，以快速准确地调整机组运行状态。

Description

一种基于氧量预测的煤质变化监测方法
技术领域
本发明涉及计算、推算或计数技术领域，具体涉及一种基于氧量预测的煤质变化监测方法。
背景技术
受煤炭供应和价格的影响，不少循环流化床锅炉会在运行过程中掺烧劣质煤种，导致入炉煤质变化较大，容易引起燃烧波动，如果能够及时发现入炉煤质的变化就能尽早进行相应的调整稳定燃烧。
目前常用的煤质检测技术主要包括：人工化验、软测量和煤质在线监测技术，其中人工化验有很大的滞后性且耗时长，软测量需要采集的信号多测量误差大，设备成本高，煤质在线监测是指用X射线技术、近红外光谱技术等实际检测煤质，但是设备昂贵，可靠性也有待验证。此外，还有通过建立神经网络模型挖掘煤质与运行参数的关系识别煤质变化和使用数据融合算法利用多方面的运行参数反映煤质的变化，前者需要事先得到大量煤质的数据且可解释不强，而后者只能定性地识别煤质正常和煤质变差两种模式。
因此现有煤质变化监测的方法主要存在滞后性明显、准确性不够等问题。
发明内容
本发明是为了解决煤质变化监测滞后和准确性不够的问题，提供一种基于氧量预测的煤质变化监测方法，通过建立氧量回归模型，再基于氧量模型进行氧量预测对入炉煤质变化进行监测，无需安装其余设备，能够在分钟级别识别并量化煤质的变化，识别的准确性较高，有助于运行人员对煤质变化进行快速判断并为运行人员的操作提供参考，以快速准确地调整机组运行状态。
本发明提供一种基于氧量预测的煤质变化监测方法，包括以下步骤：
S1、将历史数据集data1中的特征变量进行差分得到数据集data2，以数据集data2中的部分变量为自变量、部分变量为因变量建立氧量回归模型，历史数据集data1包括时间戳，历史数据集data1中的特征变量包括总风量、总给煤量/>和排烟氧含量/>，数据集data2中的特征变量包括：总风量变化量/>、总给煤变化量/>和排烟氧含量变化量/>，自变量为总风量变化量/>和总给煤变化量/>，因变量为排烟氧含量变化量；
S2、获得数据集data，对数据集data中的特征变量进行差分得到数据集data’，利用氧量回归模型进行氧量预测，得到预测氧量变化量和预测氧量/>，再基于预测氧量/>、排烟氧含量/>的差值得到煤质变化量/>和相对热值，运行人员根据煤质变化量/>和相对热值进行机组运行状态调整，基于氧量预测的煤质变化监测方法完成。
本发明所述的一种基于氧量预测的煤质变化监测方法，作为优选方式，步骤S1和步骤S2中，差分的方法为：
i≥1；
其中，x为历史数据集data1、数据集data中除时间戳
外的所有特征变量。
本发明所述的一种基于氧量预测的煤质变化监测方法，作为优选方式，氧量回归模型的建立方法为利用机器学习一次多项式算法建立回归模型；
多项式回归方程为：
；
其中：和/>为模型拟合系数，/>为服从标准正态分布的随机误差项。
本发明所述的一种基于氧量预测的煤质变化监测方法，作为优选方式，步骤S2包括以下步骤：
S21、在i＞18时，获得时刻i-18~时刻i的数据集data，对数据集data中的特征变量进行差分得到数据集data’；
S22、利用氧量回归模型进行氧量预测，得到i-3～i时刻的预测氧量变化量：，/>，/>和/>，再得到i-3～i时刻的预测氧量：/>，/>，/>和/>；
S23、基于预测氧量、/>和排烟氧含量/>得到i-2～i时刻的氧量偏差：/>，根据氧量偏差判断煤质是否发生明显变化，如果是，进入步骤S24，如果否，返回步骤S21；
S24、基于氧量偏差得到i-4时刻煤质变化量；
S25、修正i-4时刻煤质变化量，并得到，运行人员根据煤质变化量/>和相对热值进行机组运行状态调整，基于氧量预测的煤质变化监测方法完成。
本发明所述的一种基于氧量预测的煤质变化监测方法，作为优选方式，步骤S21中，数据集data中的特征变量包括：总风量、总给煤量/>和排烟氧含量/>；
数据集data’中的特征变量包括：总风量变化量、总给煤变化量/>、排烟氧含量变化量/>、煤质变化量/>和修正煤变化量/>，其中，煤质变化量/>初始化时和未得到数值时均设为零，/>。
本发明所述的一种基于氧量预测的煤质变化监测方法，作为优选方式，步骤S22中，
；
；
；
。
本发明所述的一种基于氧量预测的煤质变化监测方法，作为优选方式，步骤S22中，
；
；
；
。
本发明所述的一种基于氧量预测的煤质变化监测方法，作为优选方式，步骤S23中，
；
；
；
判断煤质发生明显变化的方法为：氧量偏差序列[,/>,/>同时满足以下条件：
；
；
为对括号内的数值取绝对值。
本发明所述的一种基于氧量预测的煤质变化监测方法，作为优选方式，步骤S24中，
；
其中，为取括号内的最小数据；
最大煤质变化量为最大煤质变化量，/>为常数；
sum_e为偏差和，sum_e = ；
为煤质变化标识；
；
为模型拟合系数和；
；
将煤质变化量迭代回步骤S21中。
本发明所述的一种基于氧量预测的煤质变化监测方法，作为优选方式，步骤S25中，
；
。
氧量是反映燃烧的重要参数，煤质的好坏对氧量有直接且较快的影响，煤质变化大时，锅炉所需氧量不断变化，基于这一点，提出一种基于氧量预测的入炉煤质变化监测的方法，通过将氧量的变化映射成煤量的变化，表征煤质的变化。
本发明包括氧量模型的建立和煤质变化识别两部分，为锅炉运行人员提供快速的入炉煤质变化信息，并对煤质变化进行量化，解决现有技术中煤质变化识别滞后和煤质变化估计不准确的问题。
本发明具有以下优点：
本发明通过建立氧量回归模型，再基于氧量模型进行氧量预测对入炉煤质变化进行监测，无需安装其余设备，能够在分钟级别识别并量化煤质的变化，识别的准确性较高，有助于运行人员对煤质变化进行快速判断并为运行人员的操作提供参考，以快速准确地调整机组运行状态。
附图说明
图1为一种基于氧量预测的煤质变化监测方法流程图；
图2为一种基于氧量预测的煤质变化监测方法步骤S2流程图；
图3为一种基于氧量预测的煤质变化监测方法实施例2中i=20时刻预测的历史排烟氧含量和实际排烟氧含量曲线图；
图4为一种基于氧量预测的煤质变化监测方法实施例2中煤的相对热值变化曲线图；
图5为一种基于氧量预测的煤质变化监测方法实施例2中煤质变化曲线图；
图6为一种基于氧量预测的煤质变化监测方法实施例2中实际排烟氧含量和基于模拟给煤量的排烟氧含量变化曲线图；
图7为一种基于氧量预测的煤质变化监测方法实施例2中实际总给煤量和模拟总给煤量变化曲线图。
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。
实施例1
如图1~2所示，一种基于氧量预测的煤质变化监测方法，包括以下步骤：
S1、将历史数据集data1中的特征变量进行差分得到数据集data2，以数据集data2中的部分变量为自变量、部分变量为因变量建立氧量回归模型，历史数据集data1包括时间戳，历史数据集data1中的特征变量包括总风量、总给煤量/>和排烟氧含量/>，数据集data2中的特征变量包括：总风量变化量/>、总给煤变化量/>和排烟氧含量变化量/>，自变量为总风量变化量/>和总给煤变化量/>，因变量为排烟氧含量变化量；
氧量回归模型的建立方法为利用机器学习一次多项式算法建立回归模型；
多项式回归方程为：
；
其中：和/>为模型拟合系数，/>为服从标准正态分布的随机误差项。
S2、获得数据集data，对数据集data中的特征变量进行差分得到数据集data’，利用氧量回归模型进行氧量预测，得到预测氧量变化量和预测氧量/>，再基于预测氧量/>、排烟氧含量/>的差值得到煤质变化量/>和相对热值，运行人员根据煤质变化量/>和相对热值进行机组运行状态调整，基于氧量预测的煤质变化监测方法完成；
S21、在i＞18时，获得时刻i-18~时刻i的数据集data，对数据集data中的特征变量进行差分得到数据集data’；
数据集data中的特征变量包括：总风量、总给煤量/>和排烟氧含量/>；
数据集data’中的特征变量包括：总风量变化量、总给煤变化量/>、排烟氧含量变化量/>、煤质变化量/>和修正煤变化量/>，其中，煤质变化量/>初始化时和未得到数值时均设为零，/>；
S22、利用氧量回归模型进行氧量预测，得到i-3～i时刻的预测氧量变化量：，/>，/>和/>，再得到i-3～i时刻的预测氧量：/>，/>，/>和/>；
；
；
；
；
；
；
；
；
S23、基于预测氧量、/>和排烟氧含量/>得到i-2～i时刻的氧量偏差：/>，根据氧量偏差判断煤质是否发生明显变化，如果是，进入步骤S24，如果否，返回步骤S21；
；
；
；
判断煤质发生明显变化的方法为：氧量偏差序列[,/>,/>同时满足以下条件：
；
；
为对括号内的数值取绝对值；
S24、基于氧量偏差得到i-4时刻煤质变化量；
；
其中，为取括号内的最小数据；
最大煤质变化量为最大煤质变化量，/>为常数；
sum_e为偏差和，sum_e = ；
为煤质变化标识；
；
为模型拟合系数和；
；
将煤质变化量迭代回步骤S21中；
S25、修正i-4时刻煤质变化量，并得到，运行人员根据煤质变化量/>和相对热值进行机组运行状态调整，基于氧量预测的煤质变化监测方法完成；
；
：
；
步骤S1和步骤S2中，差分的方法为：
i≥1；
其中，x为历史数据集data1、数据集data中除时间戳
外的所有特征变量。
实施例2
如图1~2所示，本发明给出一种基于氧量预测的入炉煤质变化监测的方法，包括如下步骤：
S1，建立氧量回归模型；
S2，基于氧量模型识别煤质变化；
具体的，步骤S1中的评估数据集构建步骤为：
1）获取近3天的原始数据data1，采样频率为20s，原始数据集应包含时间戳，训练氧量模型所使用的原始特征变量：总风量wind、总给煤量coal和原始目标变量排烟氧含量o：
2）差分：将data1按时间戳从远到近进行排序，对总风量、总给煤量和排烟氧含量采用公式（1）获取变量的变化值，得到总风量变化量、总给煤变化量/>和排烟氧含量变化量/>o构成的数据集data2：
index dwind dcoal do
1 0 0 -0.12
2 0 -1 -0.14
3 0 -2 -0.06
... ... ... ...
其中，公式（1）为：
；
x表示data1中除时间戳外的所有变量 。

Claims (6)

1.一种基于氧量预测的煤质变化监测方法，其特征在于：包括以下步骤：
S1、将历史数据集data1中的特征变量进行差分得到数据集data2，以所述数据集data2中的部分变量为自变量、部分变量为因变量建立氧量回归模型，所述历史数据集data1包括时间戳，所述历史数据集data1中的特征变量包括总风量、总给煤量/>和排烟氧含量/>，所述数据集data2中的特征变量包括：总风量变化量/>、总给煤变化量/>和排烟氧含量变化量/>，所述自变量为所述总风量变化量/>和所述总给煤变化量，所述因变量为所述排烟氧含量变化量/>；
所述氧量回归模型的建立方法为利用机器学习一次多项式算法建立回归模型；
多项式回归方程为：
；
其中：和/>为模型拟合系数，/>为服从标准正态分布的随机误差项；
S2、获得数据集data，对所述数据集data中的特征变量进行差分得到数据集data’，利用所述氧量回归模型进行氧量预测，得到预测氧量变化量和预测氧量/>，再基于所述预测氧量/>、所述排烟氧含量/>的差值得到煤质变化量/>和相对热值，运行人员根据所述煤质变化量/>和相对热值进行机组运行状态调整，基于氧量预测的煤质变化监测方法完成；
S21、在i＞18时，获得时刻i-18~时刻i的数据集data，对所述数据集data中的特征变量进行差分得到所述数据集data’；
S22、利用所述氧量回归模型进行氧量预测，得到i-3～i时刻的预测氧量变化量：，/>，/>和/>，再得到i-3～i时刻的预测氧量：/>，/>，/>和/>；
S23、基于所述预测氧量、/>和所述排烟氧含量/>得到i-2～i时刻的氧量偏差：/>，根据氧量偏差判断煤质是否发生明显变化，如果是，进入步骤S24，如果否，返回步骤S21；
S24、基于所述氧量偏差得到i-4时刻煤质变化量；
；
其中，为取括号内的最小数据，最大煤质变化量/>为最大煤质变化量，为常数；sum_e为偏差和，sum_e = />；
为煤质变化标识：
；
为模型拟合系数和：
；
将煤质变化量迭代回步骤S21中；
S25、修正i-4时刻煤质变化量，并得到，运行人员根据所述煤质变化量/>和相对热值进行机组运行状态调整；
；
；
基于氧量预测的煤质变化监测方法完成。
2.根据权利要求1所述的一种基于氧量预测的煤质变化监测方法，其特征在于：步骤S1和步骤S2中，差分的方法为：
i≥1；
其中，x为所述历史数据集data1、所述数据集data中除时间戳
外的特征变量。
3.根据权利要求1所述的一种基于氧量预测的煤质变化监测方法，其特征在于：
步骤S21中，所述数据集data中的特征变量包括：所述总风量、所述总给煤量/>和所述排烟氧含量/>；
所述数据集data’中的特征变量包括：所述总风量变化量、所述总给煤变化量、所述排烟氧含量变化量/>、煤质变化量/>和修正煤变化量/>，其中，煤质变化量/>初始化时和未得到数值时均设为零，/>。
4.根据权利要求1所述的一种基于氧量预测的煤质变化监测方法，其特征在于：步骤S22中，
；
；
；
。
5.根据权利要求4所述的一种基于氧量预测的煤质变化监测方法，其特征在于：步骤S22中，
；
；
；
。
6.根据权利要求1所述的一种基于氧量预测的煤质变化监测方法，其特征在于：步骤S23中，
；
；
；
判断煤质发生明显变化的方法为：氧量偏差序列[,/>,/>同时满足以下条件：
；
；
为对括号内的数值取绝对值。
CN202310417367.2A 2023-04-19 2023-04-19 一种基于氧量预测的煤质变化监测方法 Active CN116189805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310417367.2A CN116189805B (zh) 2023-04-19 2023-04-19 一种基于氧量预测的煤质变化监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310417367.2A CN116189805B (zh) 2023-04-19 2023-04-19 一种基于氧量预测的煤质变化监测方法

Publications (2)

Publication Number Publication Date
CN116189805A CN116189805A (zh) 2023-05-30
CN116189805B true CN116189805B (zh) 2023-07-21

Family

ID=86449160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310417367.2A Active CN116189805B (zh) 2023-04-19 2023-04-19 一种基于氧量预测的煤质变化监测方法

Country Status (1)

Country Link
CN (1) CN116189805B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113485499A (zh) * 2021-08-26 2021-10-08 润电能源科学技术有限公司 一种煤质工况变化的给煤调控方法
CN114187976A (zh) * 2021-11-26 2022-03-15 国家能源蓬莱发电有限公司 一种基于实时测量数据的氧量预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103727530A (zh) * 2013-12-13 2014-04-16 神华集团有限责任公司 一种循环流化床锅炉的炉膛出口氧量监控系统及监控方法
CN106225009B (zh) * 2016-07-26 2018-02-06 西安西热电站信息技术有限公司 一种基于电厂sis系统的判断机组变负荷下的给煤量的方法
CN110848733B (zh) * 2020-01-15 2020-04-17 南京科远智慧科技集团股份有限公司 一种基于煤质在线监测的燃烧优化方法
CN112784474B (zh) * 2020-12-17 2023-12-01 上海全应科技有限公司 一种基于单位煤粉耗氧量的锅炉燃煤相对热值计算方法
CN113341713B (zh) * 2021-05-31 2022-08-30 苏州西热节能环保技术有限公司 一种燃煤机组煤风同步动态协控方法
CN115309052B (zh) * 2022-08-19 2023-04-28 北京全应科技有限公司 一种工业实时数据时序预测结果的在线修正方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113485499A (zh) * 2021-08-26 2021-10-08 润电能源科学技术有限公司 一种煤质工况变化的给煤调控方法
CN114187976A (zh) * 2021-11-26 2022-03-15 国家能源蓬莱发电有限公司 一种基于实时测量数据的氧量预测方法

Also Published As

Publication number Publication date
CN116189805A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN103033399B (zh) 一种pm2.5颗粒物监测仪用大气多参数变送器及其使用方法
CN112001527A (zh) 多特征融合深度神经网络的工业生产过程目标数据预测方法
CN102880905B (zh) 一种常顶油干点在线软测量方法
CN112380738B (zh) 水泥回转窑燃烧场重构误差补偿与优化方法、存储介质及系统
CN110286660B (zh) 一种基于叶丝升温过程调控干燥过程叶丝加工强度的方法
CN109492319B (zh) 一种火电厂锅炉烟气含氧量软测量方法
CN103048994B (zh) 用于过程控制的设备及方法
WO2001084111A1 (en) Emission monitoring system and method
CN107327870A (zh) 加热炉智能精确燃烧控制系统
CN101509812A (zh) 一种冶金加热炉炉内钢坯温度分布检测的软测量方法
CN109375565B (zh) 一种tft玻璃基板弯曲形状在线检测自动调节系统及方法
CN110262419B (zh) 一种基于叶丝水分蒸发焓调控滚筒干燥叶丝加工强度的方法
CN116189805B (zh) 一种基于氧量预测的煤质变化监测方法
CN108204997A (zh) 常一线油闪点在线软测量方法
CN103834776B (zh) 一种连续式退火炉固定式高温计的在线标定方法
CN117399435B (zh) 一种铜管轧制过程自适应补偿调整方法及系统
WO2024179001A1 (zh) 一种火电厂在线化学仪表动态校验方法
CN107844679B (zh) 一种分段式高炉铁水硅含量预测方法及装置
CN117930780A (zh) 石英产品生产质量控制方法及系统
CN108984943A (zh) 加热炉钢坯温度跟踪模型修正方法
CN109933031B (zh) 一种根据化验数据自动校正软测量仪表的系统及方法
CN117870763A (zh) 一种烘干异常检测方法
CN116859875A (zh) 一种基于使用需求的钢管生产工艺调节控制方法及系统
CN110286659B (zh) 一种调控滚筒干燥过程叶丝加工强度的方法
KR101858860B1 (ko) 고로 노열 제어 장치

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