CN116759032B - 一种高炉炼钢原料配比的优化方法及其应用系统 - Google Patents
一种高炉炼钢原料配比的优化方法及其应用系统 Download PDFInfo
- Publication number
- CN116759032B CN116759032B CN202311029476.3A CN202311029476A CN116759032B CN 116759032 B CN116759032 B CN 116759032B CN 202311029476 A CN202311029476 A CN 202311029476A CN 116759032 B CN116759032 B CN 116759032B
- Authority
- CN
- China
- Prior art keywords
- raw material
- information
- raw materials
- formula
- blast furnace
- 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
- 239000002994 raw material Substances 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000009628 steelmaking Methods 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 239000000203 mixture Substances 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000005245 sintering Methods 0.000 claims description 24
- 229910052742 iron Inorganic materials 0.000 claims description 21
- 239000000126 substance Substances 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 37
- 238000010586 diagram Methods 0.000 description 11
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
- C21B5/008—Composition or distribution of the charge
-
- 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
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Crystallography & Structural Chemistry (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高炉炼钢原料配比的优化方法及其应用系统,涉及智能制造技术领域。所述方法包括:数据采集:获取原料信息,包括:原料的实时重量信息、原料的成分信息、原料的供应商信息、原料的价格信息及原料的库存信息;数据预处理:对原料信息进行数据清洗得到预处理后的原料信息,数据清洗包括去除异常值、数据去重、缺失值处理、数据标准化;建立优化算法;将预处理后的原料信息作为所述优化算法的输入信息,得到最优原料配比信息;将最优原料配比信息推送至应用终端,能够准确地找到最优原料配比。
Description
技术领域
本发明涉及智能制造技术领域,特别涉及一种高炉炼钢原料配比的优化方法及其应用系统。
背景技术
高炉炼钢是钢铁和铸造行业中的重要工序,需要使用多种原料,其中绝大部分原料需要从外部采购。对于一些中小规模的企业来说,由于原料供应不稳定,如何在满足产品工艺要求的同时最大化经济利益,成为了企业的头等大事。目前,这些企业通常采用每半个月举行生产经营会议的方式,共同制定后续的生产计划和原料采购计划。这种工作方式存在时间和成本的浪费、人为因素影响计划准确性、反应速度慢、无法最大程度优化利润等问题。
发明内容
本发明提供一种高炉炼钢原料配比的优化方法及其应用系统,通过高炉炼钢原料配比的优化方法,能够准确地找到最优原料配比,提高产品质量和稳定性,有效提高生产效率和降低生产成本。
根据本公开的一方面,提供了一种高炉炼钢原料配比的优化方法,所述方法包括:
数据采集:获取原料信息,包括:原料的实时重量信息、原料的成分信息、原料的供应商信息、原料的价格信息及原料的库存信息;
数据预处理:对所述原料信息进行数据清洗得到预处理后的原料信息,所述数据清洗包括去除异常值、数据去重、缺失值处理、数据标准化;
建立优化算法,包括:根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数;
将所述预处理后的原料信息作为所述优化算法的输入信息,得到最优原料配比信息;
将所述最优原料配比信息推送至应用终端。
在一种可能的实现方式中,所述根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数,包括:
成本最低目标函数如下公式:
(1)
其中,烧结工序包括n种原料,高炉工序包括m种原料,m和n均大于等于1,是烧结工序中第i种原料的配比,/>是烧结原料的总重量,/>是高炉工序中第i种原料的配比,/>是高炉原料的总重量,/>表示第i种烧结原料单价,/>表示第i种高炉原料价格,控制变量是烧结工序原料配比和高炉工序原料配比,目标是总采购成本最低。
在一种可能的实现方式中,所述根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数,还包括:
烧结工序中的原料成分计算函数如下公式(2):
(2)
高炉工序中的原料成分计算函数如下公式(3):
(3)
其中,表示烧结工序的原料矿中第j种成分的含量,/>表示第i种原料的含水率,/>表示第i种原料中第j种元素的含量,/>表示该原料的烧损;
表示高炉工序中铁水中第j种成分的含量,/>表示第i种原料的含水率,/>表示第i种原料中第j种元素的含量。
在一种可能的实现方式中,所述根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数,还包括:
铁水成分约束条件如公式(4):
(4)
铁水约束条件指的是最终铁水中各成分的含量在限定范围内,表示铁水中第j种成分的含量的下限,/>表示铁水中第j种成分的含量的上限;
合并铁水约束条件后得到新的成本最低目标函数如公式(5):
(5)
将约束条件转换为罚函数,公式(5)中加号后的项为罚函数,得到新的目标函数F(sp,gp),其中:表示惩罚系数,/>为公式(1),/>为公式(3)。
在一种可能的实现方式中,所述根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数,还包括:
迭代公式(6):
(6)
其中,是公式(5)在/>处的导数,/>是迭代步长,k为自然数;
通过公式(6)进行迭代计算,不断更新所述控制变量,直到新的成本最低目标函数收敛,得到的控制变量作为最优烧结工序原料配比和最优高炉工序原料配比。
在一种可能的实现方式中,所述通过公式(6)进行迭代计算,不断更新所述控制变量,直到新的成本最低目标函数收敛,包括:
a.随机选取一组控制变量;
b.计算当前点的梯度/>,即对控制变量/>为输入的新的成本最低目标函数进行求导;
c.利用公式(6)计算出新的控制变量值;
d.重复步骤b和步骤c,直到新的成本最低目标函数收敛;
e.使用多组随机的控制变量作为公式(6)的起始点,重复步骤b到步骤d,获取多组使得新的成本最低目标函数收敛的控制变量,并从中确定出最佳的一组控制变量。
根据本公开的一方面,提供了一种对高炉炼钢原料配比进行优化的应用系统,所述应用系统包括:
数据采集模块,用于通过传感器网络获取原料的实时重量信息;
数据存储模块,用于存储所述原料的实时重量信息及原料的成分信息、原料的供应商信息、原料的价格信息及原料的库存信息;
数据处理模块,用于对所述原料信息进行数据清洗得到预处理后的原料信息,所述数据清洗包括去除异常值、数据去重、缺失值处理、数据标准化,根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数;
将所述预处理后的原料信息作为所述优化算法的输入信息,得到最优原料配比信息;
将所述最优原料配比信息推送至应用终端;
应用终端,用于接收所述最优原料配比信息。
与现有技术相比,本发明的有益效果是:
本公开实施例的高炉炼钢原料配比的优化方法,是一种可以实现帮助炼钢企业寻找经济效益最佳的原料配比的算法程序,通过建立数据档案,制定数据采集方案,设计权重算法,推导计算公式(及导函数),迭代计算,最终得出最佳配比,并封装成API部署到服务器上,每分钟计算一组最佳配比并推送到相关操作人员。提高了生产的自动化程度,通过算法的自动计算,可以快速找到最优的原料配比,有效提高生产效率和降低生产成本;提高了生产控制的实时性:算法部署在服务器上,每分钟计算一组最佳配比,并实时推送给相关操作人员,能够及时响应生产现场的变化,提高生产效率和灵活性;而且,提高了原料配比的计算精准度:算法通过对生产过程中的各种数据进行分析和计算,能够准确地找到最优原料配比,提高产品质量和稳定性。
附图说明
图1示出本公开一实施例的一种高炉炼钢原料配比的优化方法的框图。
图2示出本公开一实施例的一种对高炉炼钢原料配比进行优化的应用系统框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出,本公开一实施例的一种高炉炼钢原料配比的优化方法的框图所述方法包括:
步骤S01,数据采集:获取原料信息,包括:原料的实时重量信息、原料的成分信息、原料的供应商信息、原料的价格信息及原料的库存信息。举例来说,根据数据采集的实时性和完整性要求,通过传感器、数据库、手工录入等多种方式结合获取计算所需的全部数据,其中:通过传感器数据获取原料的实时重量、流速和位置;通过数据库获取原料的成分检验信息;通过用户的手动录入获取原料的供应商信息、价格、仓号等信息。
在一种可能的实现方式中,还可以通过读取数据档案的数据字典的方式获取原料信息,例如,从数据字典中读取原料信息和工艺约束信息,包括:原料成分、价格、库存、消耗等动态信息,以及产品品质要求、仓库大小、传送带负荷等静态信息。
步骤S02,数据预处理:对所述原料信息进行数据清洗得到预处理后的原料信息,所述数据清洗包括去除异常值、数据去重、缺失值处理、数据标准化。
在一种可能的实现方式中,根据数据档案要求对采集到的数据进行整理和清理,以避免误差和噪声影响算法计算结果的准确性。根据数据的重要性和可信度对数据进行排序,再根据实际情况进行调整和优化,最后利用加权平均法计算出用于公式计算的数值。
步骤S03,建立优化算法,包括:根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数;
成本最低目标函数如下公式:
(1)
其中,烧结工序包括n种原料,高炉工序包括m种原料,m和n均大于等于1,是烧结工序中第i种原料的配比,/>是烧结原料的总重量,/>是高炉工序中第i种原料的配比,/>是高炉原料的总重量,/>表示第i种烧结原料单价,/>表示第i种高炉原料价格,控制变量是烧结工序原料配比和高炉工序原料配比,目标是总采购成本最低。
烧结工序中的原料成分计算函数如下公式(2):
(2)
高炉工序中的原料成分计算函数如下公式(3):
(3)
其中,表示烧结工序的原料矿中第j种成分的含量,/>表示第i种原料的含水率,/>表示第i种原料中第j种元素的含量,/>表示该原料的烧损(燃烧损失);
表示高炉工序中铁水中第j种成分的含量,/>表示第i种原料的含水率,/>表示第i种原料中第j种元素的含量。
铁水成分约束条件如公式(4):
(4)
铁水约束条件指的是最终铁水中各成分的含量在限定范围内,表示铁水中第j种成分的含量的下限,/>表示铁水中第j种成分的含量的上限;
合并铁水约束条件后得到新的成本最低目标函数如公式(5):
(5)
将约束条件转换为罚函数,公式(5)中加号后的项为罚函数,得到新的目标函数F(sp,gp),其中:表示惩罚系数,根据实际情况进行选择,/>为公式(1),/>为公式(3)。
迭代公式(6):
(6)
其中,是公式(5)在/>处的导数,/>是迭代步长,k为自然数,表示第k组控制变量,/>表示第k+1组控制变量;
通过公式(6)进行迭代计算,不断更新控制变量,直到新的成本最低目标函数收敛,得到的控制变量作为最优烧结工序原料配比和最优高炉工序原料配比。
在一种可能的实现方式中,所述通过公式(6)进行迭代计算,不断更新所述控制变量,直到新的成本最低目标函数收敛,包括:
a.随机选取一组控制变量;
b.计算当前点的梯度/>,即对控制变量/>为输入的新的成本最低目标函数进行求导;
c.利用公式(6)计算出新的控制变量值;
d.重复步骤b和步骤c,直到新的成本最低目标函数收敛;
e.使用多组随机的控制变量作为公式(6)的起始点,重复步骤b到步骤d,获取多组使得新的成本最低目标函数收敛的控制变量,并从中确定出最佳的一组控制变量。
步骤S04,将所述预处理后的原料信息作为所述优化算法的输入信息,得到最优原料配比信息;
步骤S05,将所述最优原料配比信息推送至应用终端。
图2示出本公开一实施例的一种对高炉炼钢原料配比进行优化的应用系统框图,如图2所示,所述应用系统包括:
数据采集模块,用于通过传感器网络获取原料的实时重量信息。例如,所述原料可以包括:富矿粉、精矿粉、内返矿、球团矿、焦炭等。
数据存储模块,用于存储所述原料的实时重量信息及原料的成分信息、原料的供应商信息、原料的价格信息及原料的库存信息。例如,所述数据存储模块可以是云端的存储服务器。
数据处理模块,用于对所述原料信息进行数据清洗得到预处理后的原料信息,所述数据清洗包括去除异常值、数据去重、缺失值处理、数据标准化,根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数。
将所述预处理后的原料信息作为所述优化算法的输入信息,得到最优原料配比信息;
将所述最优原料配比信息推送至应用终端;
应用终端,用于接收所述最优原料配比信息。
例如,所述优化算法可以封装成API(Application Programming Interfac,应用程序编程接口)部署到服务器上,所述数据处理模块可以为服务器。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本公开所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory ,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本公开实施例进行了详细介绍,本文中应用了具体个例对本公开的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本公开的方法及其核心思想;同时,对于本领域的一般技术人员,依据本公开的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本公开的限制。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (2)
1.一种高炉炼钢原料配比的优化方法,其特征在于,所述方法包括:
数据采集:获取原料信息,包括:原料的实时重量信息、原料的成分信息、原料的供应商信息、原料的价格信息及原料的库存信息;
数据预处理:对所述原料信息进行数据清洗得到预处理后的原料信息,所述数据清洗包括去除异常值、数据去重、缺失值处理、数据标准化;
建立优化算法,包括:根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数;
将所述预处理后的原料信息作为所述优化算法的输入信息,得到最优原料配比信息;
将所述最优原料配比信息推送至应用终端;
所述根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数,包括:
成本最低目标函数如下公式:(1)
其中,烧结工序包括n种原料,高炉工序包括m种原料,m和n均大于等于1,是烧结工序中第i种原料的配比,/>是烧结原料的总重量,/>是高炉工序中第i种原料的配比,/>是高炉原料的总重量,/>表示第i种烧结原料单价,/>表示第i种高炉原料价格,控制变量是烧结工序原料配比和高炉工序原料配比,目标是总采购成本最低;
所述根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数,还包括:
烧结工序中的原料成分计算函数如下公式(2):
(2)
高炉工序中的原料成分计算函数如下公式(3):
(3)
其中,表示烧结工序的原料矿中第j种成分的含量,/>表示第i种原料的含水率,/>表示第i种原料中第j种元素的含量,/>表示该原料的烧损;
表示高炉工序中铁水中第j种成分的含量,/>表示第i种原料的含水率,表示第i种原料中第j种元素的含量;
所述根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数,还包括:
铁水成分约束条件如公式(4):
(4)
铁水约束条件指的是最终铁水中各成分的含量在限定范围内,表示铁水中第j种成分的含量的下限,/>表示铁水中第j种成分的含量的上限;
合并铁水约束条件后得到新的成本最低目标函数如公式(5):
(5)
将约束条件转换为罚函数,公式(5)中加号后的项为罚函数,得到新的目标函数F(sp,gp),其中:表示惩罚系数,/>为公式(1),/>为公式(3);
所述根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数,还包括:
迭代公式(6):
(6)
其中,是公式(5)在/>处的导数,/>是迭代步长,k为自然数;
通过公式(6)进行迭代计算,不断更新所述控制变量,直到新的成本最低目标函数收敛,得到的控制变量作为最优烧结工序原料配比和最优高炉工序原料配比;
所述通过公式(6)进行迭代计算,不断更新所述控制变量,直到新的成本最低目标函数收敛,包括:
a.随机选取一组控制变量;
b.计算当前点的梯度/>,即对控制变量/>为输入的新的成本最低目标函数进行求导;
c.利用公式(6)计算出新的控制变量值;
d.重复步骤b和步骤c,直到新的成本最低目标函数收敛;
e.使用多组随机的控制变量作为公式(6)的起始点,重复步骤b到步骤d,获取多组使得新的成本最低目标函数收敛的控制变量,并从中确定出最佳的一组控制变量。
2.一种对高炉炼钢原料配比进行优化的应用系统,其特征在于,所述系统应用于权利要求1所述的方法,所述应用系统包括:
数据采集模块,用于通过传感器网络获取原料的实时重量信息;
数据存储模块,用于存储所述原料的实时重量信息及原料的成分信息、原料的供应商信息、原料的价格信息及原料的库存信息;
数据处理模块,用于对所述原料信息进行数据清洗得到预处理后的原料信息,所述数据清洗包括去除异常值、数据去重、缺失值处理、数据标准化,根据原料到产品之间的化学规则,以及各生产要素之间的约束关系,推导出原料成分的计算公式,再结合原料的价格要素,推导出原料配比的优化函数;
将所述预处理后的原料信息作为所述优化算法的输入信息,得到最优原料配比信息;
将所述最优原料配比信息推送至应用终端;
应用终端,用于接收所述最优原料配比信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311029476.3A CN116759032B (zh) | 2023-08-16 | 2023-08-16 | 一种高炉炼钢原料配比的优化方法及其应用系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311029476.3A CN116759032B (zh) | 2023-08-16 | 2023-08-16 | 一种高炉炼钢原料配比的优化方法及其应用系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116759032A CN116759032A (zh) | 2023-09-15 |
CN116759032B true CN116759032B (zh) | 2023-10-31 |
Family
ID=87949986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311029476.3A Active CN116759032B (zh) | 2023-08-16 | 2023-08-16 | 一种高炉炼钢原料配比的优化方法及其应用系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116759032B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BE684315A (zh) * | 1965-09-10 | 1967-01-19 | ||
CN102722652A (zh) * | 2012-06-01 | 2012-10-10 | 攀钢集团攀枝花钢钒有限公司 | 一种高炉冶炼成本计算及优化方法 |
CN104593532A (zh) * | 2015-01-19 | 2015-05-06 | 河北联合大学 | 一种炼铁系统炉料优化方法 |
CN104975118A (zh) * | 2015-05-25 | 2015-10-14 | 王鹏 | 铁前原料配比优化方法 |
JP2018062681A (ja) * | 2016-10-12 | 2018-04-19 | 新日鐵住金株式会社 | 高炉の原料混合比率推定方法 |
KR101951157B1 (ko) * | 2018-09-13 | 2019-02-21 | 마영모 | 원재료 자동 준비 시스템 및 그 방법 |
CN110867219A (zh) * | 2019-10-23 | 2020-03-06 | 同济大学 | 基于isaa算法的烧结配料优化控制方法及控制装置 |
CN114819409A (zh) * | 2022-06-21 | 2022-07-29 | 中国科学院自动化研究所 | 烧结配矿智能优化方法及系统 |
CN114864010A (zh) * | 2022-03-07 | 2022-08-05 | 马鞍山钢铁股份有限公司 | 一种球团矿多功能配矿模型搭建方法 |
CN115359851A (zh) * | 2022-07-18 | 2022-11-18 | 浙江大学 | 基于极端随机树-nsga-ⅱ的烧结配料多目标预测优化方法 |
CN115565618A (zh) * | 2022-09-21 | 2023-01-03 | 中冶南方工程技术有限公司 | 一种高炉配料多目标优化方法、终端设备及存储介质 |
-
2023
- 2023-08-16 CN CN202311029476.3A patent/CN116759032B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BE684315A (zh) * | 1965-09-10 | 1967-01-19 | ||
CN102722652A (zh) * | 2012-06-01 | 2012-10-10 | 攀钢集团攀枝花钢钒有限公司 | 一种高炉冶炼成本计算及优化方法 |
CN104593532A (zh) * | 2015-01-19 | 2015-05-06 | 河北联合大学 | 一种炼铁系统炉料优化方法 |
CN104975118A (zh) * | 2015-05-25 | 2015-10-14 | 王鹏 | 铁前原料配比优化方法 |
JP2018062681A (ja) * | 2016-10-12 | 2018-04-19 | 新日鐵住金株式会社 | 高炉の原料混合比率推定方法 |
KR101951157B1 (ko) * | 2018-09-13 | 2019-02-21 | 마영모 | 원재료 자동 준비 시스템 및 그 방법 |
CN110867219A (zh) * | 2019-10-23 | 2020-03-06 | 同济大学 | 基于isaa算法的烧结配料优化控制方法及控制装置 |
CN114864010A (zh) * | 2022-03-07 | 2022-08-05 | 马鞍山钢铁股份有限公司 | 一种球团矿多功能配矿模型搭建方法 |
CN114819409A (zh) * | 2022-06-21 | 2022-07-29 | 中国科学院自动化研究所 | 烧结配矿智能优化方法及系统 |
CN115359851A (zh) * | 2022-07-18 | 2022-11-18 | 浙江大学 | 基于极端随机树-nsga-ⅱ的烧结配料多目标预测优化方法 |
CN115565618A (zh) * | 2022-09-21 | 2023-01-03 | 中冶南方工程技术有限公司 | 一种高炉配料多目标优化方法、终端设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
"烧结配料计算新方法";贺建峰;《山东冶金》;第17卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116759032A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | A multi-objective differential evolution algorithm for parallel batch processing machine scheduling considering electricity consumption cost | |
CN104077306B (zh) | 一种搜索引擎的结果排序方法及系统 | |
CN110969285B (zh) | 预测模型训练方法、预测方法、装置、设备及介质 | |
Hummels | Time as a trade barrier | |
CN105929690B (zh) | 一种基于分解多目标进化算法的柔性车间鲁棒调度方法 | |
CN110837226A (zh) | 基于智能优化算法的火电机组操作寻优方法及相关装置 | |
CN110689190A (zh) | 一种电网负荷预测方法、装置及相关设备 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN112950262A (zh) | 销量预测方法、装置、计算机设备和存储介质 | |
CN110490635B (zh) | 商户菜品交易预测及备餐方法及装置 | |
CN115545828A (zh) | 一种基于人工智能的电商数据推送分析系统 | |
CN116759032B (zh) | 一种高炉炼钢原料配比的优化方法及其应用系统 | |
Mak et al. | Design of integrated production-inventory-distribution systems using genetic algorithm | |
CN112785057A (zh) | 基于指数平滑的件量预测方法、装置、设备及存储介质 | |
CN116503142B (zh) | 一种合伙人智慧营销调度数据处理系统 | |
CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
CN115049175A (zh) | 多产品的生产规划方法及装置、计算机设备及存储介质 | |
Asl et al. | Capacity management in reconfigurable manufacturing systems with stochastic market demand | |
CN112183827A (zh) | 快递月揽件量的预测方法、装置、设备和存储介质 | |
FAN et al. | Research and application of project settlement overdue prediction based on xgboost intelligent algorithm | |
Hammer et al. | Comparing the value of seasonal climate forecasting systems in managing cropping systems | |
Miller et al. | The motivation for foreign direct investment | |
CN115936184A (zh) | 一种适应多用户类型的负荷预测匹配方法 | |
Naderi et al. | Solving a new multi-objective unrelated parallel machines scheduling problem by hybrid teaching-learning based optimization | |
CN113298291A (zh) | 快递件量预测方法、装置、设备及存储介质 |
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 |