CN116595875A - 一种烧结点火炉点火效果的预测方法、系统及存储介质 - Google Patents
一种烧结点火炉点火效果的预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116595875A CN116595875A CN202310558490.6A CN202310558490A CN116595875A CN 116595875 A CN116595875 A CN 116595875A CN 202310558490 A CN202310558490 A CN 202310558490A CN 116595875 A CN116595875 A CN 116595875A
- Authority
- CN
- China
- Prior art keywords
- ignition
- real
- value
- ignited
- time
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 106
- 238000005245 sintering Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 239000000463 material Substances 0.000 claims abstract description 129
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 230000035699 permeability Effects 0.000 claims abstract description 17
- 239000012223 aqueous fraction Substances 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 229910052742 iron Inorganic materials 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010304 firing Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 208000012868 Overgrowth Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 235000012255 calcium oxide Nutrition 0.000 description 1
- 239000000292 calcium oxide Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010459 dolomite Substances 0.000 description 1
- 229910000514 dolomite Inorganic materials 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005453 pelletization Methods 0.000 description 1
- 239000012256 powdered iron Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004449 solid propellant Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明提供一种烧结点火炉点火效果的预测方法、系统及存储介质,通过获取影响点火效果的实时工况数据,根据实时工况数据建立待点火物料特征矩阵,实时工况数据包括用于反映点火炉炉膛整体温度的炉膛温度实时值、位于烧结机台车上的待点火物料的料层厚度实时值、待点火物料的物料水分率实时值、点火炉炉膛的炉膛压差实时值、待点火物料的物料透气性实时值、待点火物料的物料配比实时值,将待点火物料特征矩阵输入至预先建立的神经网络模型,并接受神经网络模型输出的点火效果标签。本申请能够对烧结点火炉的点火效果进行预测,充分利用生产过程中各项技术参数,为生产过程中操作工对于点火炉的控制提供参考,有助于降低返矿率和节能减排。
Description
技术领域
本发明涉及烧结技术领域,尤其涉及一种烧结点火炉点火效果的预测方法、系统及存储介质。
背景技术
烧结工艺是钢铁工业中的一基础环节,为炼铁提供优质的原材料。烧结的工作原理是将各种粉状含铁原料加入适量的燃料、溶剂及适量的水后,经混合和造球过程,再利用烧结设备使物料发生一系列的物理化学变化,最终烧结成块送往高炉执行下一步工序。在现代烧结工艺的过程中,点火炉向混合料表面喷出高温火焰,使其中的固体燃料着火燃烧。随着台车向前行进,同时在抽风机的抽风作用提供氧量的前提下,使得台车上的物料烧结过程继续向下进行。
在烧结料点火的过程中,点火效果会受到点火炉炉膛温度、烧结料水分率、压料、台车炉条等多方面因素影响。当点火过程中局部区域燃料层内固体碳颗粒未被点燃,会出现料面局部区域发黄的情况,也称欠烧,这种情况会导致成品率降低;而点火过程中出现铁原料中部分铁受点火影响过烧还原,会出现料面局部区域发白的情况,也称过烧,这种情况也会导致成品率降低。
在目前的生产流程中并没有系统性的点火效果预测方法,实际生产中主要依靠现场作业人员在物料点火后在台车上方对料面进行观察并根据经验来判断是否出现异常工况,一方面,对于现场作业人员,现有技术主要通过工人对点火后的料面进行观测来确定点火效果,而烧结机点火炉附近温度较高,生产车间的灰尘较多,不适合工人长时间观察。此外,对于点火效果的判断非常依赖工人的工作经验。另一方面,对于烧结点火系统,在出现异常工况后,需要现场工人通知中控室,然后由中控室进行调控。此外,烧结生产的环境和设备工作情况时刻在变化,人工很难对点火系统做到及时和准确调节。
鉴于此,有必要提出一种烧结点火炉点火效果的预测方法、系统及存储介质以解决或至少缓解上述缺陷。
发明内容
本发明的主要目的在于提供一种烧结点火炉点火效果的预测方法、系统及存储介质,以解决现有技术中依靠现场作业人员在物料点火后在台车上方对料面进行观察并根据经验来判断是否出现异常工况,这种方式存在分析结果模糊或者分析滞后的问题。
为实现上述目的,本发明提供了一种烧结点火炉点火效果的预测方法,包括步骤:
S1,获取影响点火效果的实时工况数据,根据所述实时工况数据得到待点火物料特征矩阵;其中,所述实时工况数据包括用于反映点火炉炉膛整体温度的炉膛温度实时值、位于烧结机台车上的待点火物料的料层厚度实时值、所述待点火物料的物料水分率实时值、所述点火炉炉膛的炉膛压差实时值、所述待点火物料的物料透气性实时值、所述待点火物料的物料配比实时值;
S2,将所述待点火物料特征矩阵输入至预先建立的神经网络模型,并接受所述神经网络模型输出的点火效果标签;其中,所述神经网络模型包含所述待点火物料特征矩阵和所述点火效果标签之间的映射关系;所述点火效果标签包括正常、欠烧以及过烧中的任意一种。
优选地,所述步骤S2中的“神经网络模型”,通过以下步骤得到:
S201,获取N份满足训练与测试用的历史样本数据;并将N份所述历史样本数据按照预设比例分为训练集和测试集,所述训练集中的历史样本数据份数大于所述测试集中的历史样本数据份数;
S202,所述训练集包括历史样本输入数据和历史样本输出数据;其中,所述历史样本输入数据包括炉膛温度历史值、料层厚度历史值、物料水分率历史值、炉膛压差历史值、物料透气性历史值、物料配比历史值;所述历史样本输出数据包括历史样本输入数据对应的点火效果标签历史值;
S203,对所述历史样本输入数据进行预处理,初始化初步神经网络模型的权重和偏置,并将预处理之后的训练集中的历史样本输入数据作为初步神经网络模型的输入到初步神经网络模型,得到对应的点火效果标签;
S204,根据所述点火效果标签和预处理之后的训练集中的点火效果标签历史值确定损失函数运算计算值,并判断所述损失函数运算计算值是否小于预设值,在所述损失函数运算计算值大于预设值时,进入步骤S205,在所述损失函数运算计算值小于预设值时,进入步骤S206;
S205,根据所述损失函数运算计算值反向传播更新网络权重值和偏置,然后重复步骤S203~S204;
S206,将所述测试集输入所述初步神经网络模型,在测试集反馈结果符合预设条件时,将所述初步神经网络作为所述神经网络模型。
优选地,所述步骤S1中的“物料透气性实时值”,通过如下步骤得到:
根据公式
其中,Q为待点火物料对应的点火炉的实时气体流量,A为炉膛面积,H为待点火物料对应的料层厚度实时值,ΔP为待点火物料对应的炉膛压差实时值。
优选地,所述步骤S1中的“炉膛压差实时值”,通过如下步骤得到:
获取待点火物料对应的点火炉压力实时值和待点火物料对应的风箱压力实时值,将所述点火炉压力实时值与所述风箱压力实时值之差作为所述炉膛压差实时值。
优选地,所述步骤S2之后还包括步骤:
在所述点火效果标签为欠烧时,向目标对象发送第一报警指令;
在所述点火效果标签为过烧时,向所述目标对象发送第二报警指令。
优选地,所述步骤S203中对所述历史样本输入数据进行预处理步骤中,具体采用0-1标准化模型对历史样本输入数据进行归一化处理,所述0-1标准化模型为:
其中,x为历史样本输入数据,max为历史样本输入数据的最大值,min历史样本输入数据的最小值。
优选地,所述步骤S202中所述训练集对应的点火效果标签历史值,通过如下步骤得到:
S2021,采集在不同时段的经点火后的料面图像;其中,所述料面图像和历史样本输入数据一一对应;
S2022,对所有料面图像进行图像预处理得到预处理后的料面图像;
S2023,为所有经预处理后的料面图像添加人工标签得到所述训练集对应的点火效果标签历史值;其中,所述人工标签包括正常、欠烧以及过烧中的任意一种。
本发明还提供一种烧结点火炉点火效果的预测系统,用于执行上述的烧结点火炉点火效果的预测方法,包括实时数据获取模块、点火效果预测模块;
所述实时数据获取模块,用于获取影响点火效果的实时工况数据,根据所述实时工况数据得到待点火物料特征矩阵;
所述点火效果预测模块,用于将所述待点火物料特征矩阵输入至预先建立的神经网络模型,并接受所述神经网络模型输出的点火效果标签;其中,所述神经网络模型包含所述待点火物料特征矩阵和所述点火效果标签之间的映射关系;所述点火效果标签包括正常、欠烧以及过烧中的任意一种。
本发明还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述的烧结点火炉点火效果的预测方法的步骤。
与现有技术相比,本发明具有如下的有益效果:
本发明提供一种烧结点火炉点火效果的预测方法、系统及存储介质,通过获取影响点火效果的实时工况数据,根据实时工况数据得到待点火物料特征矩阵,其中,实时工况数据包括用于反映点火炉炉膛整体温度的炉膛温度实时值、位于烧结机台车上的待点火物料的料层厚度实时值、待点火物料的物料水分率实时值、点火炉炉膛的炉膛压差实时值、待点火物料的物料透气性实时值、待点火物料的物料配比实时值,将待点火物料特征矩阵输入至预先建立的神经网络模型,并接受神经网络模型输出的点火效果标签。本发明采取监督学习对烧结点火炉的点火效果进行预测,充分利用了生产过程中的各项技术参数,有较高的准确度。并且可以为生产过程中操作工对于点火炉的控制提供参考,有助于降低返矿率和节能减排。
此外,本发明解决了目前烧结点火炉点火效果判断依赖现场工人的问题,使得现场工人不需要再在环境比较恶劣的地方长时间工作,也避免了因为人工观察导致数据滞后的问题,并且也降低了企业的用工成本。预测的点火效果可以作为参考数据输出到点火炉操作系统的界面上以及存储到生产数据的日志系统中;本发明也可以作为烧结机点火炉自动控制的关键参数为自动化系统提供支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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示出的结构获得其他的附图。
图1为本发明一实施例中的烧结工艺流程图;
图2为本发明一实施例中的整体结构示意图;
图3为本发明一实施例中的流程示意图;
图4为本发明一实施例中的步骤S2中得到神经网络模型的流程示意图。
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
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的一部分实施例,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作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。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一该特征。另外,各份实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
请参阅附图1~4,本发明提供的一实施例中的一种烧结点火炉点火效果的预测方法,包括步骤:
S1,获取影响点火效果的实时工况数据,根据所述实时工况数据得到待点火物料特征矩阵;其中,所述实时工况数据包括用于反映点火炉炉膛整体温度的炉膛温度实时值、位于烧结机台车上的待点火物料的料层厚度实时值、所述待点火物料的物料水分率实时值、所述点火炉炉膛的炉膛压差实时值、所述待点火物料的物料透气性实时值、所述待点火物料的物料配比实时值。
需要注意的是,本申请通过获取待点火物料的相关参数来提前预测该待点火物料对应的点火效果,需要注意的是,为了便于分析,提高最终预测精度,待点火物料的可以选择一个点、也可以是一条线,还可以是一个面区域,为便于和点火炉的点火嘴相匹配,优选地,待点火物料选择为矩形状,矩形的宽度和点火嘴的宽度相匹配,长度与烧结机台车的宽度相匹配。
值得注意的是,实时工况数据能够影响点火效果,具体的,炉膛温度实时值可以通过烧结点火炉内设置热电偶从而采集点火炉炉膛内的整体温度,所述点火炉炉膛内的实时整体温度为待点火物料对应的温度,能够理解的是,点火炉炉膛内的整体温度应当处于合适的范围,过大或过小均会影响物料的点火效果,因此,炉膛温度和点火效果之间具有对应关系;料层厚度实时值可以通过层厚仪测量待点火物料的料层厚度,根据目前已经成熟的数据跟踪技术,例如根据公式s=vt或者采用速度对时间的积分公式,在烧结机稳定工作过程中,v可以视为恒定,因此,在层厚仪安装位置固定、点火位置固定以及拍摄位置的固定的情况下,能够根据数据跟踪技术知道待点火物料的实时位置,料层厚度同样会影响点火效果,料层厚度越厚,物料需要更长的时间被烧透;水分率实时值可以通过水分率采样仪采集待烧结物料的水分率,炉膛压差实时值和物料透气性实时值的获取方式可以通过后文的优选实施方式进行确定。进入点火炉的物料配比采用数据跟踪的方法获得,物料配比包含含铁混匀矿p1、燃料p2、石灰石p3、轻烧白云石p4、生石灰p5、冷返矿p6,单位为百分比。基于这种影响关系的基本构思,可以理解的是,本领域技术人员还可以根据需要选择其他能够影响点火效果的参数。
S2,将所述待点火物料特征矩阵输入至预先建立的神经网络模型,并接受所述神经网络模型输出的点火效果标签;其中,所述神经网络模型包含所述待点火物料特征矩阵和所述点火效果标签之间的映射关系;所述点火效果标签包括正常、欠烧以及过烧中的任意一种。
值得本领域技术人员注意的是,所述预先建立的神经网络模型预先建立的神经网络模型,具体的神经网络模型类型可以根据需要设定,例如采用ANN、CNN等模型,还可以常用其他形式的算法模型,具体可以根据实际数据结构进行设定,在另一较佳的实施例中,还可以采用KNN算法模型也能够达到相同目的。
以KNN算法对点火效果进行预测分类为一个实施例,KNN(K-Nearest Neighbor)是一种机器学习算法,可以用于分类和回归,是一种监督学习算法。KNN的思路是,如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别,即KNN在定类决策上只依据最邻近的一个或几个样本的类别来决定待分类样本所属的类别。
KNN算法的计算过程为:
1)计算待分类点与已知类别的点之间的距离
2)按照距离递增依次递增排序
3)选取与待分类点距离最小的K个点
4)确定前K个点所在类别的出现次数
返回前K个点出现次数最高的类别作为待分类点的预测分类
本发明采取监督学习对烧结点火炉的点火效果进行预测,充分利用了生产过程中的各项技术参数,有较高的准确度。并且可以为生产过程中操作工对于点火炉的控制提供参考,有助于降低返矿率和节能减排。此外,本发明解决了目前烧结点火炉点火效果判断依赖现场工人的问题,使得现场工人不需要再在环境比较恶劣的地方长时间工作,也避免了因为人为失误导致的问题,并且也降低了企业的用工成本。预测的点火效果可以作为参考数据输出到点火炉操作系统的界面上以及存储到生产数据的日志系统中;本发明也可以作为烧结机点火炉自动控制的关键参数为自动化系统提供支持。
作为本发明一优选的实施方式,所述步骤S2中的“神经网络模型”,通过以下步骤得到:
S201,获取N份满足训练与测试用的历史样本数据;并将N份所述历史样本数据按照预设比例分为训练集和测试集,所述训练集中的历史样本数据份数大于所述测试集中的历史样本数据份数;为获取满足训练和测试用的样本样本量可以为[10000,100000]。其中训练集和测试集的比例可以设置成7:3。
S202,所述训练集包括历史样本输入数据和历史样本输出数据;其中,所述历史样本输入数据包括炉膛温度历史值、料层厚度历史值、物料水分率历史值、炉膛压差历史值、物料透气性历史值、物料配比历史值;所述历史样本输出数据包括历史样本输入数据对应的点火效果标签历史值;
进一步地,所述步骤S202中所述训练集对应的点火效果标签历史值,通过如下步骤得到:
S2021,采集在不同时段的经点火后的料面图像;其中,所述料面图像和历史样本输入数据一一对应;需要注意的是,每个样本里面的数据需要一一对应,保证每个样本数据的为当前时刻下的物料对应的数据。
S2022,对所有料面图像进行图像预处理得到预处理后的料面图像;
S2023,为所有经预处理后的料面图像添加人工标签得到所述训练集对应的点火效果标签历史值;其中,所述人工标签包括正常、欠烧以及过烧中的任意一种。具体的,可以分别设置正常标签、过生标签和过熔标签的RGB区间;所述RGB区间的上限值为R、G、B分别能取到的最大值,所述RGB区间的下限值为R、G、B分别能取到的最小值;根据料面图像的RGB值,将RGB值落入RGB区间的料面图像相应添加对应的人工标签得到预处理之后的料面图像。
S203,对所述历史样本输入数据进行预处理,初始化初步神经网络模型的权重和偏置,并将预处理之后的训练集中的历史样本输入数据作为初步神经网络模型的输入到初步神经网络模型,得到对应的点火效果标签;
如附图2所示,在烧结点火炉出口位置设置摄像头支架,使得摄像头能在垂直于料面的位置拍摄平面的料面图像,根据获取的点火效果图像,本发明将点火效果分为三个指标正常、过烧以及欠烧,这三个指标是一个数据区间,当图像被分类至一个区间时则表示该图像代表的料面点火效果是该区间代表的效果。
进一步地,所述步骤S203中对所述历史样本输入数据进行预处理步骤中,具体采用0-1标准化模型对历史样本输入数据进行归一化处理,所述0-1标准化模型为:
其中,x为历史样本输入数据,max为历史样本输入数据的最大值,min历史样本输入数据的最小值。通过计算可以使每种样本数据都落在[0,1]之间,消除单位对数据样本的影响。
具体的,可以参阅下面的数据演变分类表:
由于样本数据种类较多,可以排除部分对于点火效果影响不大的数据。通过分析样本数据中单一样本波动较大但对点火效果影响较小的样本,可以尝试排除该样本后重新分类,如果预测效果变化不大则可以将该种样本数据排除。此外,在本发明中,由于需要为点火炉控制提供参数,所以在烧结流程中不可调控的样本也会被排除。
S204,根据所述点火效果标签和预处理之后的训练集中的点火效果标签历史值确定损失函数运算计算值,并判断所述损失函数运算计算值是否小于预设值,在所述损失函数运算计算值大于预设值时,进入步骤S205,在所述损失函数运算计算值小于预设值时,进入步骤S206;
S205,根据所述损失函数运算计算值反向传播更新网络权重值和偏置,然后重复步骤S203~S204;
S206,将所述测试集输入所述初步神经网络模型,在测试集反馈结果符合预设条件时,将所述初步神经网络作为所述神经网络模型。
通过如上方式建立得到神经网络模型,能够得到较高预测精度,如果在测试集反馈结果不符合预设条件时,可以重新调整网络权重值和偏置,对神经网络重新训练。
作为一较佳的实施方式,所述步骤S1中的“物料透气性实时值”,通过如下步骤得到:
根据公式
其中,Q为待点火物料对应的点火炉的实时气体流量,A为炉膛面积,H为待点火物料对应的料层厚度实时值,ΔP为待点火物料对应的炉膛压差实时值。本发明使用透气性软测量公式计算物料透气性,通过检测装置检测相关参数,计算得到对应的透气性指数,此处也用到了数据跟踪技术,依据可测变量与无法直接测量的待测变量(透气性)之间的关系,建立以可测变量为输入,待测变量(透气性)为输出的数学模型,采用软测量技术实现过程的复杂(高级)控制。
在完成初步的数据采集处理以及预测模型训练后,便可以将模型投入烧结点火预测使用,通过对当前待点火物料以及点火炉的关键参数分析预测,从而预测得到点火炉的点火效果。预测的点火效果可以作为参考数据输出到点火炉操作系统的界面上以及存储到生产数据的日志系统中;此外,本发明也可以作为烧结机点火炉自动控制的关键参数为自动化系统提供支持。
作为另一较佳的实施方式,所述步骤S1中的“炉膛压差实时值”,通过如下步骤得到:获取待点火物料对应的点火炉压力实时值和待点火物料对应的风箱压力实时值,将所述点火炉压力实时值与所述风箱压力实时值之差作为所述炉膛压差实时值。
作为一优选的实施方式,所述步骤S2之后还包括步骤:
在所述点火效果标签为欠烧时,向目标对象发送第一报警指令;
在所述点火效果标签为过烧时,向所述目标对象发送第二报警指令。
本实施例通过引入报警指令的方式,能够便于工作人员/运维人员快速了解掌握异常情况,及时做出判断决策。
本发明还提供一种烧结点火炉点火效果的预测系统,用于执行上述的烧结点火炉点火效果的预测方法,包括实时数据获取模块、点火效果预测模块;
所述实时数据获取模块,用于获取影响点火效果的实时工况数据,根据所述实时工况数据得到待点火物料特征矩阵;
所述点火效果预测模块,用于将所述待点火物料特征矩阵输入至预先建立的神经网络模型,并接受所述神经网络模型输出的点火效果标签;其中,所述神经网络模型包含所述待点火物料特征矩阵和所述点火效果标签之间的映射关系;所述点火效果标签包括正常、欠烧以及过烧中的任意一种。
本发明还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述的烧结点火炉点火效果的预测方法的步骤。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种烧结点火炉点火效果的预测方法,其特征在于,包括步骤:
S1,获取影响点火效果的实时工况数据,根据所述实时工况数据建立待点火物料特征矩阵;其中,所述实时工况数据包括用于反映点火炉炉膛整体温度的炉膛温度实时值、位于烧结机台车上的待点火物料的料层厚度实时值、所述待点火物料的物料水分率实时值、所述点火炉炉膛的炉膛压差实时值、所述待点火物料的物料透气性实时值、所述待点火物料的物料配比实时值;
S2,将所述待点火物料特征矩阵输入至预先建立的神经网络模型,并接受所述神经网络模型输出的点火效果标签;其中,所述神经网络模型包含所述待点火物料特征矩阵和所述点火效果标签之间的映射关系;所述点火效果标签包括正常、欠烧以及过烧中的任意一种。
2.根据权利要求1所述的烧结点火炉点火效果的预测方法,其特征在于,所述步骤S2中的“神经网络模型”,通过以下步骤得到:
S201,获取N份满足训练与测试用的历史样本数据;并将N份所述历史样本数据按照预设比例分为训练集和测试集,所述训练集中的历史样本数据份数大于所述测试集中的历史样本数据份数;
S202,所述训练集包括历史样本输入数据和历史样本输出数据;其中,所述历史样本输入数据包括炉膛温度历史值、料层厚度历史值、物料水分率历史值、炉膛压差历史值、物料透气性历史值、物料配比历史值;所述历史样本输出数据包括历史样本输入数据对应的点火效果标签历史值;
S203,对所述历史样本输入数据进行预处理,初始化初步神经网络模型的权重和偏置,并将预处理之后的训练集中的历史样本输入数据作为初步神经网络模型的输入到初步神经网络模型,得到对应的点火效果标签;
S204,根据所述点火效果标签和预处理之后的训练集中的点火效果标签历史值确定损失函数运算计算值,并判断所述损失函数运算计算值是否小于预设值,在所述损失函数运算计算值大于预设值时,进入步骤S205,在所述损失函数运算计算值小于预设值时,进入步骤S206;
S205,根据所述损失函数运算计算值反向传播更新网络权重值和偏置,然后重复步骤S203~S204;
S206,将所述测试集输入所述初步神经网络模型,在测试集反馈结果符合预设条件时,将所述初步神经网络作为所述神经网络模型。
3.根据权利要求1所述的烧结点火炉点火效果的预测方法,其特征在于,所述步骤S1中的“物料透气性实时值”,通过如下步骤得到:
根据公式
其中,Q为待点火物料对应的点火炉的实时气体流量,A为炉膛面积,H为待点火物料对应的料层厚度实时值,ΔP为待点火物料对应的炉膛压差实时值。
4.根据权利要求1所述的烧结点火炉点火效果的预测方法,其特征在于,所述步骤S1中的“炉膛压差实时值”,通过如下步骤得到:
获取待点火物料对应的点火炉压力实时值和待点火物料对应的风箱压力实时值,将所述点火炉压力实时值与所述风箱压力实时值之差作为所述炉膛压差实时值。
5.根据权利要求1所述的烧结点火炉点火效果的预测方法,其特征在于,所述步骤S2之后还包括步骤:
在所述点火效果标签为欠烧时,向目标对象发送第一报警指令;
在所述点火效果标签为过烧时,向所述目标对象发送第二报警指令。
6.根据权利要求2所述的烧结点火炉点火效果的预测方法,其特征在于,所述步骤S203中对所述历史样本输入数据进行预处理步骤中,具体采用0-1标准化模型对历史样本输入数据进行归一化处理,所述0-1标准化模型为:
其中,x为历史样本输入数据,max为历史样本输入数据的最大值,min历史样本输入数据的最小值。
7.根据权利要求2所述的烧结点火炉点火效果的预测方法,其特征在于,所述步骤S202中所述训练集对应的点火效果标签历史值,通过如下步骤得到:
S2021,采集在不同时段的经点火后的料面图像;其中,所述料面图像和历史样本输入数据一一对应;
S2022,对所有料面图像进行图像预处理得到预处理后的料面图像;
S2023,为所有经预处理后的料面图像添加人工标签得到所述训练集对应的点火效果标签历史值;其中,所述人工标签包括正常、欠烧以及过烧中的任意一种。
8.一种烧结点火炉点火效果的预测系统,用于执行权利要求1-7任意一项所述的烧结点火炉点火效果的预测方法,其特征在于,包括实时数据获取模块、点火效果预测模块;
所述实时数据获取模块,用于获取影响点火效果的实时工况数据,根据所述实时工况数据建立待点火物料特征矩阵;
所述点火效果预测模块,用于将所述待点火物料特征矩阵输入至预先建立的神经网络模型,并接受所述神经网络模型输出的点火效果标签;其中,所述神经网络模型包含所述待点火物料特征矩阵和所述点火效果标签之间的映射关系;所述点火效果标签包括正常、欠烧以及过烧中的任意一种。
9.一种存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的烧结点火炉点火效果的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558490.6A CN116595875A (zh) | 2023-05-17 | 2023-05-17 | 一种烧结点火炉点火效果的预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558490.6A CN116595875A (zh) | 2023-05-17 | 2023-05-17 | 一种烧结点火炉点火效果的预测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116595875A true CN116595875A (zh) | 2023-08-15 |
Family
ID=87593205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310558490.6A Pending CN116595875A (zh) | 2023-05-17 | 2023-05-17 | 一种烧结点火炉点火效果的预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595875A (zh) |
-
2023
- 2023-05-17 CN CN202310558490.6A patent/CN116595875A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063358B (zh) | 一种新型高炉顺行评价的方法 | |
CN109685289B (zh) | 高炉炉况顺行预测方法、装置及系统 | |
CN103017530B (zh) | 烧结终点预测方法及系统 | |
CN111593155B (zh) | 高炉诊断系统及方法 | |
CN111607673B (zh) | 铁前诊断系统及方法 | |
CN111639801B (zh) | 高炉炉况的评分方法及系统 | |
CN110066895A (zh) | 一种基于Stacking的高炉铁水质量区间预测方法 | |
CN109935280A (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
CN104215334A (zh) | 一种rh精炼炉钢水温度实时在线监测方法 | |
CN112066724A (zh) | 一种基于自适应主元分析的辊道窑能耗异常检测方法 | |
CN102925602B (zh) | 高炉操作炉型维护方法 | |
CN106191350A (zh) | 基于定点雷达的高炉下部风口工作状况评估方法 | |
CN111893237A (zh) | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 | |
CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断系统 | |
CN113450880A (zh) | 一种脱硫系统入口so2浓度智能预测方法 | |
CN106327004A (zh) | 一种基于熟料质量指标的水泥烧成过程优化方法 | |
CN104531936A (zh) | 基于火焰图像特征的转炉钢水碳含量在线测量方法 | |
CN112434852A (zh) | 一种高炉送风制度合理性的评价方法 | |
CN117053205A (zh) | 一种基于低二噁英排放目标的生活垃圾焚烧工况控制系统 | |
CN115510754A (zh) | 一种水泥混凝土性能预测和控制的方法及系统 | |
CN116595875A (zh) | 一种烧结点火炉点火效果的预测方法、系统及存储介质 | |
CN103045855A (zh) | 烧结矿层厚度预测方法及系统 | |
CN103033054A (zh) | 烧结机主抽风机负压控制方法及系统 | |
CN103017533A (zh) | 烧结机主抽风机风量控制方法及系统 | |
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 |