CN117806169B - 基于神经网络的炉温预警优化方法、系统、终端和介质 - Google Patents

基于神经网络的炉温预警优化方法、系统、终端和介质 Download PDF

Info

Publication number
CN117806169B
CN117806169B CN202410064952.3A CN202410064952A CN117806169B CN 117806169 B CN117806169 B CN 117806169B CN 202410064952 A CN202410064952 A CN 202410064952A CN 117806169 B CN117806169 B CN 117806169B
Authority
CN
China
Prior art keywords
furnace temperature
furnace
information
predicted
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
Application number
CN202410064952.3A
Other languages
English (en)
Other versions
CN117806169A (zh
Inventor
段君毅
冯金超
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 University of Technology
Original Assignee
Beijing University of Technology
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 University of Technology filed Critical Beijing University of Technology
Priority to CN202410064952.3A priority Critical patent/CN117806169B/zh
Publication of CN117806169A publication Critical patent/CN117806169A/zh
Application granted granted Critical
Publication of CN117806169B publication Critical patent/CN117806169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B13/042—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 parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Manufacture Of Iron (AREA)

Abstract

本发明涉及高炉炼铁技术领域，公开了一种基于神经网络的炉温预警优化方法、系统、终端和介质，方法包括：确认各子系统的运行状态；根据第一预设时长获取高炉运行信息，将高炉运行信息输入至预训练的炉温预测模型输出第一预测炉温信息；根据第三预设时长获取硅含量得到第一硅含量信息；对第一硅含量信息进行校正截取，得到第二硅含量信息集合；计算第一预测炉温信息与第二硅含量信息之间的变化相似度，若变化相似度小于预设变化相似度阈值，对第一预测炉温信息进行修正；对炉温异常情况进行预警响应。本申请通过结合温度滞后时长和变化相似度，对炉温的预测值进行修正，提高了高炉炉温预测场景的准确性、可靠性和炉温异常预警响应的及时性。

Description

基于神经网络的炉温预警优化方法、系统、终端和介质
技术领域
本发明涉及高炉炼铁技术领域，尤其涉及一种基于神经网络的炉温预警优化方法、系统、终端和介质。
背景技术
高炉炼铁的过程是一个复杂的非线性动态过程，其目标是从铁矿石等含铁化合物中将铁还原出来。在高炉冶炼过程中，铁矿石、焦炭等原料从炉顶加入，铁水从出铁口排除，炉渣从炉缸渣铁口排出，喷吹煤粉和热风从风口鼓入，煤气从炉顶排出。高炉内部的多种物质在多相状态下进行着复杂的相互作用，诸多物理化学现象同时进行，所以在炼铁领域，高炉炼铁被属于最为复杂的冶金反应器。
由于高炉炼铁过程的复杂性使得对其有效的建模控制十分困难，而且炉温直接影响着高炉行程、能量消耗及生铁的质量，如何实现炉况顺行和炉温的平稳控制，维持高炉良好稳定的状态成为国内外冶金行业专家研究和关注的一个重要技术和工程问题，也是推进冶金行业解决节能降耗问题的关键手段之一。
目前，现有技术中存在高炉炉温预测准确度不足，进而导致炉温预警不及时的技术问题。
发明内容
为了克服现有技术存在的缺陷与不足，本申请提供了一种基于神经网络的炉温预警优化方法、系统、终端和介质。
为了达到上述目的，本发明采用以下技术方案：
根据本申请的一个方面，提供了一种基于神经网络的高炉炉温预警优化方法，用于高炉炼铁的控制系统中，高炉炼铁的控制系统用于对高炉炼铁系统进行自动化控制，所述高炉炼铁系统包括：熔炼炉子系统、上料子系统、装料子系统、送风子系统、煤气回收子系统、除尘系统子系统、渣铁处理子系统、动力子系统，熔炼炉子系统分别与上料子系统、装料子系统、送风子系统、煤气回收子系统、渣铁处理子系统，动力子系统连接，煤气回收子系统还与除尘子系统连接，所述方法包括：
在高炉开始前获取炼铁检查信息并进行确认各子系统的运行状态，所述炼铁检查信息用于针对各子系统进行确认运行状态，若炼铁检查信息为正常状态则继续执行后续步骤，若炼铁检查信息为异常状态则根据异常标识位置进行生成检查异常信息，以提示工作人员异常位置；
基于当前时间点确定第一预设时长，根据第一预设时长获取高炉运行信息，将高炉运行信息输入至预训练的炉温预测模型以输出得到第一预测炉温信息，第一预测炉温信息为基于当前时间点在第二预设时长内的预测分布炉温，第一预设时长用于确定与当前时间点相邻的历史时间的间隔；
根据第三预设时长获取硅含量以得到第一硅含量信息，所述第三预设时长大于所述第一预设时长；
基于与每个高炉位置对应的温度滞后时长，对第一硅含量信息进行校正，按第一预设时长对校正后的第一硅含量信息进行截取，得到第二硅含量信息集合；
计算第一预测炉温信息与第二硅含量信息之间的变化相似度，若变化相似度小于预设变化相似度阈值，则对第一预测炉温信息进行修正得到第二预测炉温信息，将第二预测炉温信息作为目标预测炉温信息，若变化相似度大于或等于预设变化相似度阈值，则将第一预测炉温信息作为目标预测炉温信息，其中第二预测炉温信息为基于当前时间点在第二预设时长内的修正分布炉温；
依次遍历目标预测炉温信息，基于预设炉温参照范围对炉温异常情况进行预警响应。
优选地，所述检查异常信息为利用1个字节的数值表示，即以8位二进制表示，每位二进制数值均分别表示一个子系统的运行状态；
在若炼铁检查信息为异常状态则根据异常标识位置进行生成检查异常信息中，包括：
通过判断检查异常信息的数值是否等于0进行确认各子系统的运行状态，若检查异常信息的数值等于0，则每位均为0，对应确认为各子系统的运行状态均正常的情况；
若检查异常信息的数值不等于0，则至少存在一位二进制数值为1，对应确认二进制数值为1的子系统为异常子系统，进而利用位的二进制数值与运行状态的对应关系将至少一个异常子系统进行标记，以构成检查异常信息。
优选地，炉温预测模型的建立过程，包括：
获取不同高炉炼铁情况下不同时间的历史高炉运行信息，从历史高炉运行信息中提取历史炉温信息，历史高炉运行信息包括相同历史时间点对应的煤气利用率、压差、透气指数、理论燃烧温度、风量、煤量、分布炉温，通过提取分布炉温以构成历史炉温信息，历史炉温信息包括与历史时间点对应的分布炉温；
对历史高炉运行信息和历史炉温信息进行预处理，对历史高炉运行信息与历史炉温信息进行关联，以历史高炉运行信息为输入且以历史炉温信息为输出，得到炉温训练集以及炉温验证集；
设置多个候选模型，每个候选模型均采用预设的神经网络学习算法；
将炉温训练集导入多个候选模型进行训练，通过比较训练结果与炉温验证集中对应的同类的数据，评估候选模型输出预测分布炉温的准确度；
挑选出输出预测分布炉温的准确度最高的候选模型作为最终的炉温预测模型，该炉温预测模型用于基于输入的预测时间点进行预测，得到该预测时间点对应的预测分布炉温。
优选地，在计算第一预测炉温信息与第二硅含量信息之间的变化相似度中，具体包括：
；
其中，表示第一预测炉温信息与第二硅含量信息之间在对应/>位置的变化相似度，/>表示第二预设时长内时间点的总个数，/>表示对应高炉位置，/>表示经过标准化后的第一预测炉温信息中第/>个时间点对应/>位置的温度，/>表示经过标准化后的第二硅含量信息中第/>个时间点的硅含量。
优选地，对第一预测炉温信息进行修正得到第二预测炉温信息，具体表示为：
；
表示第二预测炉温信息中对应/>位置的第/>个时间点的温度，/>表示第一预测炉温信息中对应/>位置的第/>个时间点的温度，/>表示对应高炉位置，/>表示对应/>位置的第/>个时间点的温度修正参量，/>根据不同的取值分别对应炉顶、炉喉、炉身、炉腰、炉腹、炉缸中的任一个位置。
优选地，在依次遍历目标预测炉温信息，基于预设炉温参照范围对炉温异常情况进行预警响应中，包括：
基于高炉位置从预设炉温参照范围中获取与高炉位置对应的温度参照范围；
基于高炉位置，若目标预测炉温信息中对应该高炉位置的温度出现超出与该高炉位置对应的温度参照范围时，将出现最早的时间点与该高炉位置进行标记，以确定与该高炉位置对应的炉温异常预警标识；若目标预测炉温信息中对应该高炉位置的温度未出现超出与该高炉位置对应的温度参照范围时，则继续判断下一个高炉位置；
遍历所有的炉温异常预警标识，若存在炉温异常预警标识则筛选最早具有炉温异常预警标识的时间点，以该时间点作为需预警时间点；
基于预存的预警策略表，根据需预警时间点所对应的高炉位置进行匹配相应的预警规则；
所述预警策略表为高炉位置与预警规则进行映射的关联表，所述预警规则包括预警策略时长与预警策略方案，所述预警策略时长用于表示在具有炉温异常预警标识的时间点前进行预警响应的最佳时长，所述预警策略方案为预设用于调整燃料比的控制策略；
将需预警时间点与预警策略时长相减以得到待响应时间点；
若当前时间点的时间戳大于或等于待响应时间点的时间戳则立即执行预警策略方案，若当前时间点的时间戳小于待响应时间点的时间戳，则延迟至待响应时间点的时间戳进行执行预警策略方案。
优选地，在预警策略方案中，包括：
若炉温变化过快则匹配减慢料速消耗的燃料比，即减少炉料供应、降低鼓风量、降低喷吹量；
若炉温变化过慢则匹配加快料速消耗的燃料比，即增加炉料供应、提高鼓风量、提高喷吹量。
根据本申请的另一个方面，还提供了一种基于神经网络的高炉炉温预警优化系统，所述系统用于执行上述任一所述的方法，所述系统包括：
运行检查模块，用于在高炉开始前获取炼铁检查信息并进行确认各子系统的运行状态，炼铁检查信息用于针对各子系统进行确认运行状态；
炉温预测模块，用于基于当前时间点确定第一预设时长，根据第一预设时长获取高炉运行信息，将高炉运行信息输入至预训练的炉温预测模型以输出得到第一预测炉温信息，第一预测炉温信息为基于当前时间点在第二预设时长内的预测分布炉温；
硅含量获取模块，用于根据第三预设时长获取硅含量以得到第一硅含量信息，第三预设时长大于第一预设时长；
硅含量校正模块，用于基于与每个高炉位置对应的温度滞后时长，对第一硅含量信息进行校正，按第一预设时长对校正后的第一硅含量信息进行截取，得到第二硅含量信息集合；
炉温修正模块，计算第一预测炉温信息与第二硅含量信息之间的变化相似度，若变化相似度小于预设变化相似度阈值，则对第一预测炉温信息进行修正得到第二预测炉温信息，将第二预测炉温信息作为目标预测炉温信息，若变化相似度大于或等于预设变化相似度阈值，则将第一预测炉温信息作为目标预测炉温信息，其中所述第二预测炉温信息为基于当前时间点在第二预设时长内的修正分布炉温；
炉温异常响应模块，用于依次遍历目标预测炉温信息，基于预设炉温参照范围进行识别炉温异常情况。
根据本申请的另一个方面，还提供了一种终端，包括：至少一个存储器和至少一个处理器；其中，至少一个存储器用于存储程序代码，至少一个处理器用于调用至少一个存储器所存储的程序代码执行上述任一所述的方法。
根据本申请的另一个方面，还提供了一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行上述任一所述的方法。
本发明与现有技术相比，具有如下优点和有益效果：
（1）本申请在高炉开始前利用炼铁检查信息对各子系统的运行状态进行确认，以确保高炉炼铁的安全性和可靠性；利用预训练的炉温预测模型，通过输入高炉运行信息以输出得到第一预测炉温信息，进而利用与每个高炉位置对应的温度滞后时长对第一硅含量信息进行校正得到第二硅含量信息集合，通过计算第一预测炉温信息与第二硅含量信息之间的变化相似度，基于若变化相似度小于预设变化相似度阈值，对第一预测炉温信息进行修正得到第二预测炉温信息，即通过结合温度滞后时长和变化相似度，对炉温的预测值进行修正，最后依次遍历目标预测炉温信息，基于预设炉温参照范围对炉温异常情况进行预警响应，整体提高了对高炉炼铁时针对炉温异常响应的及时性。
（2）基于与每个高炉位置对应的温度滞后时长对第一硅含量信息进行校正，进而基于预设变化相似度阈值对第一预测炉温信息与第二硅含量信息之间的变化相似度进行修正，即利用硅含量所反映的化学热对第一预测炉温信息所反映的物理热进行修正，使得对每个高炉位置预测的温度值具有更高的准确性，从而提高了高炉炉温预测场景的准确性和可靠性。
附图说明
图1为本申请实施例1中提供的一种基于神经网络的高炉炉温预警优化方法的流程示意图；
图2为本申请实施例2中提供的一种基于神经网络的高炉炉温预警优化系统的示意框图；
图3为本申请实施例3中提供一种终端的结构示意图；
图4为本申请实施例4中提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
需要说明的是，本申请的说明书和技术方案中及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
在此先对高炉炼铁的过程进行简述：将含铁的原料（如烧结矿、球团矿等）与燃料（如焦炭、煤粉等）和熔剂（如石灰石、萤石等）按一定比例自高炉炉顶装入高炉，在高温下，焦炭中的碳同鼓入空气中的氧燃烧生成的一氧化碳和氢气，将原料、燃料随着炉内熔炼等过程的进行而下降，在炉料下降和上升的煤气相遇，先后发生传热、还原、熔化、脱炭作用而生成生铁。同时，铁矿石中的脉石成分、焦炭及喷吹物中的灰分与加入炉内的石灰石等熔剂结合生成炉渣，进而在出铁口排出铁水，在出渣口排出炉渣。煤气从炉顶导出，经除尘后，作为工业用煤气。因此，高炉炼铁的产物主要是生铁，而原料则包括铁矿石、焦炭和石灰石等。
熔炼炉制铁生产中，高炉炼铁系统包括：熔炼炉子系统、上料子系统、装料子系统、送风子系统、煤气回收子系统、除尘系统子系统、渣铁处理子系统、动力子系统，熔炼炉子系统分别与上料子系统、装料子系统、送风子系统、煤气回收子系统、渣铁处理子系统，动力子系统连接，煤气回收子系统还与除尘子系统连接。
熔炼炉子系统是工艺流程的主体，用于生产液态炉渣和生铁。熔炼炉子系统具有耐火砖砌筑的竖立圆筒炉体，该炉体包括炉顶、炉喉、炉身、炉腰、炉腹、炉缸，炉体的外壳由钢板制作，炉体的外壳与耐火砖之间有冷却设备, 从其上部装矿石、燃料和溶剂向下运动，下部鼓入空气，产生大量的高温还原性气体向上运动，炉料经过加热、还原、溶化、造渣、渗碳、脱硫等一系列物理、化学过程，最后生产液态炉渣和生铁。
上料子系统用于将炉料运送到熔炼炉子系统的炉顶位置，装料子系统用于将炉料按预设工作制度装入熔炼炉子系统的炉喉位置，送风子系统用于为熔炼炉子系统提供冶炼所需的热风，煤气回收子系统用于通过改变煤气流方向及流速将大颗粒炉尘与煤气分离，除尘子系统用于利用布袋将半精煤气达到用户要求的煤气标准，通过煤气回收子系统和除尘子系统使回收炉内煤气含尘量降到10㎎／m3，以满足热风炉及煤气用户对煤气质量的要求。渣铁处理子系统用于处理高炉排放的渣铁，以保证熔炼炉子系统生产的正常运行。动力子系统用于为高炉炼铁系统提供设备运行用电，例如：冷却设备用水，冲渣用水，熔炼炉冶炼用风，设备维护及设备安全用蒸汽。
为了提高生铁质量，需要提高对高炉炉温的控制精准性，而现有技术的方法在对炉温预测时依然存在延迟，这将不利于高炉炼铁过程中进行对炉温的精准控制。
对此，如图1所示，本申请实施例1提供了一种基于神经网络的高炉炉温预警优化方法，用于高炉炼铁的控制系统中，高炉炼铁的控制系统用于对高炉炼铁系统进行自动化控制，该方法包括：
步骤S100、在高炉开始前获取炼铁检查信息并进行确认各子系统的运行状态；
在本步骤中，炼铁检查信息用于针对熔炼炉子系统、上料子系统、装料子系统、送风子系统、煤气回收子系统、除尘系统子系统、渣铁处理子系统、动力子系统进行确认运行状态，若炼铁检查信息为正常状态则继续执行后续步骤，若炼铁检查信息为异常状态则根据异常标识位置进行生成检查异常信息，以提示工作人员异常位置；
示例性的，检查异常信息为利用1个字节的数值表示，即以8位二进制表示，每位二进制数值均分别表示一个子系统的运行状态，即：分别对应熔炼炉子系统、上料子系统、装料子系统、送风子系统、煤气回收子系统、除尘系统子系统、渣铁处理子系统、动力子系统。
实际应用时，通过判断检查异常信息的数值是否等于0进行确认各子系统的运行状态，若检查异常信息的数值等于0，则每位均为0，对应确认为各子系统的运行状态均正常的情况；若检查异常信息的数值不等于0，则至少存在一位二进制数值为1，对应确认二进制数值为1的子系统为异常子系统，进而利用位的二进制数值与运行状态的对应关系将至少一个异常子系统进行标记，以构成检查异常信息。
具体而言，利用炼铁检查信息在运行前对熔炼炉子系统、上料子系统、装料子系统、送风子系统、煤气回收子系统、除尘系统子系统、渣铁处理子系统、动力子系统进行确认运行状态，以提高高炉炼铁过程的安全性和可靠性，并在炼铁检查信息为异常状态时根据异常标识位置进行生成检查异常信息，提高了异常检查的排查效率。此外，利用1个字节存储检查异常信息，提高了检查数据的存储效率，降低了用于检查的数据存储压力。
步骤S200、基于当前时间点确定第一预设时长，根据第一预设时长获取高炉运行信息，将高炉运行信息输入至预训练的炉温预测模型以输出得到第一预测炉温信息，第一预测炉温信息为基于当前时间点在第二预设时长内的预测分布炉温，预测分布炉温为分别对应炉顶、炉喉、炉身、炉腰、炉腹、炉缸六个高炉位置的预测温度；
在本步骤中，当前时间点为第一预设时长的末尾点，高炉运行信息包括与第一预设时长对应的煤气利用率、压差、透气指数、理论燃烧温度、风量、煤量、分布炉温，第一预设时长用于确定与当前时间点相邻的历史时间的间隔，示例性的，假设当前时间点为，若第一预设时长可以设置为10s，则对应时间点/>至时间点/>；若第一预设时长可以设置为20s，则对应时间点/>至时间点/>。
煤气利用率具体通过以下公式进行计算：
；
其中，为煤气利用率，/>为熔炼炉子系统煤气生产量，/>为熔炼炉子系统煤气放散量。
压差为炉缸与炉喉间的压力差，炉缸压力和炉喉压力为通过静压力传感器进行采集得到。
透气指数为高炉炼铁过程中热风压力和炉顶压力比，用于反映高炉透气性的重要指标，热风压力是指从鼓风机送入熔炼炉子系统内的热风的压力，炉顶压力为熔炼炉子系统炉顶出口处的压力。热风压力和炉顶压力均用于反映高炉内的压力分布和气流分布情况。
理论燃烧温度为利用经验公式计算得到，具体表示为：
；
其中, 为理论燃烧温度，单位为摄氏度；/>为热风温度，单位为设摄氏度；/>为富氧量，单位为百分比；/>为鼓风湿分，单位为百分比；/>为喷吹煤的数量，单位为千克。
风量为鼓风机送入熔炼炉子系统内的空气流量，风量为通过风量传感器进行测量得到，单位为立方米每分钟（m³/min）。
煤量为高炉炼铁过程中喷吹的煤粉量，通过流量传感器等传感器进行实时监测高炉喷煤管道中煤粉流量，煤量的单位为千克每分钟（kg/min）。
分布炉温为分别对应炉顶、炉喉、炉身、炉腰、炉腹、炉缸六个高炉位置的温度；具体利用温度传感器采集得到，例如在熔炼炉子系统内针对不同高炉位置设置红外测温仪等温度传感器，进而得到指定的高炉位置的温度。
在本实施例中，炉温预测模型的建立过程，包括：
获取不同高炉炼铁情况下不同时间的历史高炉运行信息，从历史高炉运行信息中提取历史炉温信息；历史高炉运行信息包括相同历史时间点对应的煤气利用率、压差、透气指数、理论燃烧温度、风量、煤量、分布炉温，通过提取分布炉温以构成历史炉温信息，历史炉温信息包括与历史时间点对应的分布炉温；
对历史高炉运行信息和历史炉温信息进行预处理，对历史高炉运行信息与历史炉温信息进行关联，以历史高炉运行信息为输入且以历史炉温信息为输出，得到炉温训练集以及炉温验证集；对历史高炉运行信息和历史炉温信息进行预处理，具体包括：a1：对历史高炉运行信息和历史炉温信息进行异常值清洗、重复值清洗和缺失值清洗，得到预处理训练数据，以消除因数据失真、传输错误等问题导致的原始数据中存在的异常数据。a2：对预处理训练数据进行划分，得到炉温训练集以及炉温验证集；
设置多个候选模型，每个候选模型均采用预设的神经网络学习算法，预设的神经网络学习算法包括长短时记忆网络模型算法（LSTM）、Prophet模型算法。示例性的，设置6个候选模型，任意3个候选模型均采用长短时记忆网络模型算法，任意3个候选模型均采用Prophet模型算法，使得评估模型时有更多的对比选择。
将炉温训练集导入多个候选模型进行训练，通过比较训练结果与炉温验证集中对应的同类的数据，评估候选模型输出预测分布炉温的准确度；示例性的，训练结果与炉温验证集中对应的同类的数据，为针对同一输入的时间参数的时间戳对应的预测值与真实值，通过比较预测值与真实值的差异进行评估候选模型输出预测分布炉温的准确度。此外，本领域技术人员应当明白，评估所用的评估指标还可以依据实际情况进行调整，本实施例在此不做限定，示例性的，评估指标包括但不限于均方误差、均方根误差、平均绝对误差，均方误差用于衡量模型预测值与真实值之间的平均差异，越接近于0表示模型预测越准确；均方根误差为均方误差的平方根，用于衡量模型预测值与真实值之间的标准差，越接近于0表示模型预测越准确；平均绝对误差用于衡量模型预测值与真实值之间的平均绝对差异，越接近于0表示模型预测越准确。
挑选出输出预测分布炉温的准确度最高的候选模型作为最终的炉温预测模型，该炉温预测模型用于基于输入的预测时间点进行预测，得到该预测时间点对应的预测分布炉温；实际应用时，通过获取不同高炉炼铁情况下不同日期、不同时间段的历史高炉运行信息，并从中提取出历史炉温信息，基于机器学习的方式，依据这些历史高炉运行信息和历史炉温信息可训练出炉温预测模型，以预测高炉在预测时长范围内每个时间点对应的预测分布炉温。例如，未来指定时间对应的预测分布炉温就可由该炉温预测模型预测出来。
步骤S300、根据第三预设时长获取硅含量以得到第一硅含量信息，第三预设时长大于第一预设时长；示例性的，假设当前时间点为，若第一预设时长可以设置为10s，则对应时间点/>至时间点/>，第三设时长可以设置为15s，则对应时间点/>至时间点。
步骤S400、基于与每个高炉位置对应的温度滞后时长，对第一硅含量信息进行校正，按第一预设时长对校正后的第一硅含量信息进行截取，得到第二硅含量信息集合，与每个高炉位置对应的温度滞后时长为高炉炼铁时由于热传递导致对应高炉位置存在滞后的时长；
实际应用时，硅含量的变化早于分布炉温的变化，温度滞后时长为根据本领域技术人员通过历史实验数据进行统计确定，示例性的，在分布炉温中，对于每个高炉位置，通过多次统计硅含量开始变化的时间点与对应高炉位置的分布炉温开始变化的时间点之间的差值，对差值进行取平均以得到该对应高炉位置的温度滞后时长。还需要说明的是，通过对变化量进行设置阈值以判断硅含量开始变化或对应高炉位置的分布炉温是否开始变化，本领域技术人员可以根据实际情况进行设置，在此不做限定。
步骤S500、计算第一预测炉温信息与第二硅含量信息之间的变化相似度，若变化相似度小于预设变化相似度阈值，则对第一预测炉温信息进行修正得到第二预测炉温信息，将第二预测炉温信息作为目标预测炉温信息，若变化相似度大于或等于预设变化相似度阈值，则将第一预测炉温信息作为目标预测炉温信息，其中第二预测炉温信息为基于当前时间点在第二预设时长内的修正分布炉温。
示例性的，第二预设时长为未来的时间点，假设当前时间点为，若第一预设时长可以设置为10s，则对应时间点/>至时间点/>，第二预设时长可以设置为5s，则对应时间点/>至时间点/>。
在本实施例中，预设变化相似度阈值为预先设置，可以根据实际情况进行调整，在此不做限定。
在计算第一预测炉温信息与第二硅含量信息之间的变化相似度中，具体包括：
；
其中，表示第一预测炉温信息与第二硅含量信息之间在对应/>位置的变化相似度，/>表示第二预设时长内时间点的总个数，/>表示对应高炉位置，/>表示经过标准化后的第一预测炉温信息中第/>个时间点对应/>位置的温度，/>表示经过标准化后的第二硅含量信息中第/>个时间点的硅含量。
在本实施例中，对第一预测炉温信息进行修正得到第二预测炉温信息，具体表示为：
；
表示第二预测炉温信息中对应/>位置的第/>个时间点的温度，/>表示第一预测炉温信息中对应/>位置的第/>个时间点的温度，/>表示对应高炉位置，/>表示对应/>位置的第/>个时间点的温度修正参量，/>为1至6中的正整数，/>且/>为正整数。
在本实施例中，根据不同的取值分别对应炉顶、炉喉、炉身、炉腰、炉腹、炉缸中的任一个位置，示例性的，/>取1时表示炉顶，/>取2时表示炉喉，/>取3时表示炉身，取4时表示炉腰，/>取5时表示炉腹，/>取6时表示炉缸。
步骤S600、依次遍历目标预测炉温信息，基于预设炉温参照范围对炉温异常情况进行预警响应。具体地，包括：
步骤S601、基于高炉位置从预设炉温参照范围中获取与高炉位置对应的温度参照范围；
步骤S602、基于高炉位置，若目标预测炉温信息中对应该高炉位置的温度出现超出与该高炉位置对应的温度参照范围时，将出现最早的时间点与该高炉位置进行标记，以确定与该高炉位置对应的炉温异常预警标识；若目标预测炉温信息中对应该高炉位置的温度未出现超出与该高炉位置对应的温度参照范围时，则继续判断下一个高炉位置；
步骤S603、遍历所有的炉温异常预警标识，若存在炉温异常预警标识则筛选最早具有炉温异常预警标识的时间点，以该时间点作为需预警时间点；
步骤S604、基于预存的预警策略表，根据需预警时间点所对应的高炉位置进行匹配相应的预警规则；
在本步骤中，预警策略表为高炉位置与预警规则进行映射的关联表，预警规则包括预警策略时长与预警策略方案，预警策略时长用于表示在具有炉温异常预警标识的时间点前进行预警响应的最佳时长，预警策略方案为预设用于调整燃料比的控制策略，即对应调整炉料供应、鼓风量、喷吹量，示例性的，若炉温变化过快则匹配减慢料速消耗的燃料比，即减少炉料供应、降低鼓风量、降低喷吹量，若炉温变化过慢则匹配加快料速消耗的燃料比，即增加炉料供应、提高鼓风量、提高喷吹量。
步骤S605、将需预警时间点与预警策略时长相减以得到待响应时间点；
步骤S606、若当前时间点的时间戳大于或等于待响应时间点的时间戳则立即执行预警策略方案，若当前时间点的时间戳小于待响应时间点的时间戳，则延迟至待响应时间点的时间戳进行执行预警策略方案。
实施例2
如图2所示，本实施例提供了一种基于神经网络的高炉炉温预警优化系统，该系统与上述一种基于神经网络的高炉炉温预警优化方法相对应，相同的内容在此不再赘述。
该系统包括：
运行检查模块，用于在高炉开始前获取炼铁检查信息并进行确认各子系统的运行状态，炼铁检查信息用于针对熔炼炉子系统、上料子系统、装料子系统、送风子系统、煤气回收子系统、除尘系统子系统、渣铁处理子系统、动力子系统进行确认运行状态，若炼铁检查信息为正常状态则继续执行后续步骤，若炼铁检查信息为异常状态则根据异常标识位置进行生成检查异常信息，以提示工作人员异常位置；
炉温预测模块，用于基于当前时间点确定第一预设时长，根据第一预设时长获取高炉运行信息，将高炉运行信息输入至预训练的炉温预测模型以输出得到第一预测炉温信息，第一预测炉温信息为基于当前时间点在第二预设时长内的预测分布炉温；
硅含量获取模块，用于根据第三预设时长获取硅含量以得到第一硅含量信息，第三预设时长大于第一预设时长；
硅含量校正模块，用于基于与每个高炉位置对应的温度滞后时长，对第一硅含量信息进行校正，按第一预设时长对校正后的第一硅含量信息进行截取，得到第二硅含量信息集合，与每个高炉位置对应的温度滞后时长为高炉炼铁时由于热传递导致对应高炉位置存在滞后的时长；
炉温修正模块，计算第一预测炉温信息与第二硅含量信息之间的变化相似度，若变化相似度小于预设变化相似度阈值，则对第一预测炉温信息进行修正得到第二预测炉温信息，将第二预测炉温信息作为目标预测炉温信息，若变化相似度大于或等于预设变化相似度阈值，则将第一预测炉温信息作为目标预测炉温信息，其中第二预测炉温信息为基于当前时间点在第二预设时长内的修正分布炉温，修正分布炉温为分别对应炉顶、炉喉、炉身、炉腰、炉腹、炉缸六个高炉位置的修正温度；
炉温异常响应模块，用于依次遍历目标预测炉温信息，基于预设炉温参照范围进行识别炉温异常情况。
实施例3
如图3所示，本实施例提供了一种终端，包括：至少一个存储器和至少一个处理器；其中，至少一个存储器用于存储程序代码，至少一个处理器用于调用至少一个存储器所存储的程序代码执行上述实施例中的任一种基于神经网络的高炉炉温预警优化方法。
实施例4
本实施例提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库为物理层用于存储各种数据库。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络的高炉炉温预警优化方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
实施例5
本实施例提供了一种存储介质，该存储介质用于存储程序代码，该程序代码用于执行上述的基于神经网络的高炉炉温预警优化方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于神经网络的炉温预警优化方法，用于高炉炼铁的控制系统中，高炉炼铁的控制系统用于对高炉炼铁系统进行自动化控制，所述高炉炼铁系统包括：熔炼炉子系统、上料子系统、装料子系统、送风子系统、煤气回收子系统、除尘系统子系统、渣铁处理子系统、动力子系统，熔炼炉子系统分别与上料子系统、装料子系统、送风子系统、煤气回收子系统、渣铁处理子系统，动力子系统连接，煤气回收子系统还与除尘子系统连接，其特征在于，所述方法包括：
在高炉开始前获取炼铁检查信息并进行确认各子系统的运行状态，所述炼铁检查信息用于针对各子系统进行确认运行状态，若炼铁检查信息为正常状态则继续执行后续步骤，若炼铁检查信息为异常状态则根据异常标识位置进行生成检查异常信息，以提示工作人员异常位置；
基于当前时间点确定第一预设时长，根据第一预设时长获取高炉运行信息，将高炉运行信息输入至预训练的炉温预测模型以输出得到第一预测炉温信息，第一预测炉温信息为基于当前时间点在第二预设时长内的预测分布炉温，第一预设时长用于确定与当前时间点相邻的历史时间的间隔；
炉温预测模型的建立过程，包括：
获取不同高炉炼铁情况下不同时间的历史高炉运行信息，从历史高炉运行信息中提取历史炉温信息，历史高炉运行信息包括相同历史时间点对应的煤气利用率、压差、透气指数、理论燃烧温度、风量、煤量、分布炉温，通过提取分布炉温以构成历史炉温信息，历史炉温信息包括与历史时间点对应的分布炉温；
对历史高炉运行信息和历史炉温信息进行预处理，对历史高炉运行信息与历史炉温信息进行关联，以历史高炉运行信息为输入且以历史炉温信息为输出，得到炉温训练集以及炉温验证集；
设置多个候选模型，每个候选模型均采用预设的神经网络学习算法；
将炉温训练集导入多个候选模型进行训练，通过比较训练结果与炉温验证集中对应的同类的数据，评估候选模型输出预测分布炉温的准确度；
挑选出输出预测分布炉温的准确度最高的候选模型作为最终的炉温预测模型，该炉温预测模型用于基于输入的预测时间点进行预测，得到该预测时间点对应的预测分布炉温；
根据第三预设时长获取硅含量以得到第一硅含量信息，所述第三预设时长大于所述第一预设时长；
基于与每个高炉位置对应的温度滞后时长，对第一硅含量信息进行校正，按第一预设时长对校正后的第一硅含量信息进行截取，得到第二硅含量信息集合；
计算第一预测炉温信息与第二硅含量信息之间的变化相似度，若变化相似度小于预设变化相似度阈值，则对第一预测炉温信息进行修正得到第二预测炉温信息，将第二预测炉温信息作为目标预测炉温信息，若变化相似度大于或等于预设变化相似度阈值，则将第一预测炉温信息作为目标预测炉温信息，其中第二预测炉温信息为基于当前时间点在第二预设时长内的修正分布炉温；
在计算第一预测炉温信息与第二硅含量信息之间的变化相似度中，具体包括：；
其中，表示第一预测炉温信息与第二硅含量信息之间在对应/>位置的变化相似度，/>表示第二预设时长内时间点的总个数，/>表示对应高炉位置，/>表示经过标准化后的第一预测炉温信息中第/>个时间点对应/>位置的温度，/>表示经过标准化后的第二硅含量信息中第/>个时间点的硅含量；
对第一预测炉温信息进行修正得到第二预测炉温信息，具体表示为：；
表示第二预测炉温信息中对应/>位置的第/>个时间点的温度，/>表示第一预测炉温信息中对应/>位置的第/>个时间点的温度，/>表示对应高炉位置，/>表示对应位置的第/>个时间点的温度修正参量，/>根据不同的取值分别对应炉顶、炉喉、炉身、炉腰、炉腹、炉缸中的任一个位置；
依次遍历目标预测炉温信息，基于预设炉温参照范围对炉温异常情况进行预警响应；
在依次遍历目标预测炉温信息，基于预设炉温参照范围对炉温异常情况进行预警响应中，包括：
基于高炉位置从预设炉温参照范围中获取与高炉位置对应的温度参照范围；
基于高炉位置，若目标预测炉温信息中对应该高炉位置的温度出现超出与该高炉位置对应的温度参照范围时，将出现最早的时间点与该高炉位置进行标记，以确定与该高炉位置对应的炉温异常预警标识；若目标预测炉温信息中对应该高炉位置的温度未出现超出与该高炉位置对应的温度参照范围时，则继续判断下一个高炉位置；
遍历所有的炉温异常预警标识，若存在炉温异常预警标识则筛选最早具有炉温异常预警标识的时间点，以该时间点作为需预警时间点；
基于预存的预警策略表，根据需预警时间点所对应的高炉位置进行匹配相应的预警规则；
所述预警策略表为高炉位置与预警规则进行映射的关联表，所述预警规则包括预警策略时长与预警策略方案，所述预警策略时长用于表示在具有炉温异常预警标识的时间点前进行预警响应的最佳时长，所述预警策略方案为预设用于调整燃料比的控制策略；
将需预警时间点与预警策略时长相减以得到待响应时间点；
若当前时间点的时间戳大于或等于待响应时间点的时间戳则立即执行预警策略方案，若当前时间点的时间戳小于待响应时间点的时间戳，则延迟至待响应时间点的时间戳进行执行预警策略方案。
2.如权利要求1所述的方法，其特征在于，所述检查异常信息为利用1个字节的数值表示，即以8位二进制表示，每位二进制数值均分别表示一个子系统的运行状态；
在若炼铁检查信息为异常状态则根据异常标识位置进行生成检查异常信息中，包括：
通过判断检查异常信息的数值是否等于0进行确认各子系统的运行状态，若检查异常信息的数值等于0，则每位均为0，对应确认为各子系统的运行状态均正常的情况；
若检查异常信息的数值不等于0，则至少存在一位二进制数值为1，对应确认二进制数值为1的子系统为异常子系统，进而利用位的二进制数值与运行状态的对应关系将至少一个异常子系统进行标记，以构成检查异常信息。
3.如权利要求1所述的方法，其特征在于，在预警策略方案中，包括：
若炉温变化过快则匹配减慢料速消耗的燃料比，即减少炉料供应、降低鼓风量、降低喷吹量；
若炉温变化过慢则匹配加快料速消耗的燃料比，即增加炉料供应、提高鼓风量、提高喷吹量。
4.一种基于神经网络的炉温预警优化系统，其特征在于，所述系统用于执行如权利要求3所述的方法，所述系统包括：
运行检查模块，用于在高炉开始前获取炼铁检查信息并进行确认各子系统的运行状态，炼铁检查信息用于针对各子系统进行确认运行状态；
炉温预测模块，用于基于当前时间点确定第一预设时长，根据第一预设时长获取高炉运行信息，将高炉运行信息输入至预训练的炉温预测模型以输出得到第一预测炉温信息，第一预测炉温信息为基于当前时间点在第二预设时长内的预测分布炉温；
硅含量获取模块，用于根据第三预设时长获取硅含量以得到第一硅含量信息，第三预设时长大于第一预设时长；
硅含量校正模块，用于基于与每个高炉位置对应的温度滞后时长，对第一硅含量信息进行校正，按第一预设时长对校正后的第一硅含量信息进行截取，得到第二硅含量信息集合；
炉温修正模块，计算第一预测炉温信息与第二硅含量信息之间的变化相似度，若变化相似度小于预设变化相似度阈值，则对第一预测炉温信息进行修正得到第二预测炉温信息，将第二预测炉温信息作为目标预测炉温信息，若变化相似度大于或等于预设变化相似度阈值，则将第一预测炉温信息作为目标预测炉温信息，其中所述第二预测炉温信息为基于当前时间点在第二预设时长内的修正分布炉温；
炉温异常响应模块，用于依次遍历目标预测炉温信息，基于预设炉温参照范围进行识别炉温异常情况。
5.一种终端，其特征在于，包括：至少一个存储器和至少一个处理器；
其中，至少一个存储器用于存储程序代码，至少一个处理器用于调用至少一个存储器所存储的程序代码执行如权利要求3所述的方法。
6.一种存储介质，其特征在于，所述存储介质用于存储程序代码，所述程序代码用于执行如权利要求3所述的方法。
CN202410064952.3A 2024-01-17 2024-01-17 基于神经网络的炉温预警优化方法、系统、终端和介质 Active CN117806169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410064952.3A CN117806169B (zh) 2024-01-17 2024-01-17 基于神经网络的炉温预警优化方法、系统、终端和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410064952.3A CN117806169B (zh) 2024-01-17 2024-01-17 基于神经网络的炉温预警优化方法、系统、终端和介质

Publications (2)

Publication Number Publication Date
CN117806169A CN117806169A (zh) 2024-04-02
CN117806169B true CN117806169B (zh) 2024-06-04

Family

ID=90432035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410064952.3A Active CN117806169B (zh) 2024-01-17 2024-01-17 基于神经网络的炉温预警优化方法、系统、终端和介质

Country Status (1)

Country Link
CN (1) CN117806169B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439999A (zh) * 2013-08-23 2013-12-11 武汉钢铁(集团)公司 根据冷却壁温度变化进行高炉异常炉温控制的方法
CN103966376A (zh) * 2014-05-12 2014-08-06 内蒙古科技大学 高炉炉身、炉腹的温度在线检测传感系统
CN112465223A (zh) * 2020-11-26 2021-03-09 中冶南方工程技术有限公司 一种高炉炉温状态的预测方法
KR20210117031A (ko) * 2020-03-18 2021-09-28 재단법인 포항산업과학연구원 Ai 기반 비선형 학습 모델을 이용한 가열로의 최적 온도 설정 장치 및 설정 방법
CN114626303A (zh) * 2022-03-18 2022-06-14 山东莱钢永锋钢铁有限公司 一种基于神经网络的高炉炉温预测及指导操作的方法
CN116861256A (zh) * 2023-08-16 2023-10-10 北京工业大学 一种固废焚烧过程的炉温预测方法、系统、设备及介质
CN117172132A (zh) * 2023-10-12 2023-12-05 北京智冶互联科技有限公司 一种高炉炉温预测方法、装置、设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439999A (zh) * 2013-08-23 2013-12-11 武汉钢铁(集团)公司 根据冷却壁温度变化进行高炉异常炉温控制的方法
CN103966376A (zh) * 2014-05-12 2014-08-06 内蒙古科技大学 高炉炉身、炉腹的温度在线检测传感系统
KR20210117031A (ko) * 2020-03-18 2021-09-28 재단법인 포항산업과학연구원 Ai 기반 비선형 학습 모델을 이용한 가열로의 최적 온도 설정 장치 및 설정 방법
CN112465223A (zh) * 2020-11-26 2021-03-09 中冶南方工程技术有限公司 一种高炉炉温状态的预测方法
CN114626303A (zh) * 2022-03-18 2022-06-14 山东莱钢永锋钢铁有限公司 一种基于神经网络的高炉炉温预测及指导操作的方法
CN116861256A (zh) * 2023-08-16 2023-10-10 北京工业大学 一种固废焚烧过程的炉温预测方法、系统、设备及介质
CN117172132A (zh) * 2023-10-12 2023-12-05 北京智冶互联科技有限公司 一种高炉炉温预测方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN117806169A (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
AU2010249160B2 (en) On-line optimization of induration of wet iron ore pellets on a moving grate
CN103439999B (zh) 根据冷却壁温度变化进行高炉异常炉温控制的方法
CN111893237B (zh) 一种转炉炼钢的熔池碳含量及温度全程实时预测方法
CN101109950A (zh) 高炉生产过程控制信息智能化系统
CN103544273A (zh) 利用模式识别技术对炉况整体状态进行评估的方法
CN1403593A (zh) 一种利用智能控制系统控制高炉冶炼的方法
KR20230019154A (ko) 조업 가이던스 방법, 고로의 조업 방법, 용선의 제조 방법, 조업 가이던스 장치
CN107368125A (zh) 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法
CN102925602B (zh) 高炉操作炉型维护方法
CN1207399C (zh) 智能控制高炉冶炼的系统
CN114626303A (zh) 一种基于神经网络的高炉炉温预测及指导操作的方法
CN102758032B (zh) 一种实时预测高炉发生管道概率的方法
JP7012159B2 (ja) 高炉の送風制御装置およびその方法
Cardoso et al. Artificial neural networks for modelling and controlling the variables of a blast furnace
Fan et al. Mathematical models and expert system for grate-kiln process of iron ore oxide pellet production. Part II: Rotary kiln process control
CN117806169B (zh) 基于神经网络的炉温预警优化方法、系统、终端和介质
Agrawal et al. Advances in thermal level measurement techniques using mathematical models, statistical models and decision support systems in blast furnace
Larsen et al. Intelligent control of cupola melting
CN107177713A (zh) 基于复吹转炉熔池特征的烟道风机联动煤气回收方法
CN103160629B (zh) 一种预报高炉趋热的方法
CN115630268A (zh) 长流程钢铁企业碳排放评估模型、评估方法及评估系统
Fan et al. Expert system for sintering process control
CN108730943B (zh) 一种烟气动态温度评价方法
JPH0673414A (ja) 高炉溶銑の品質管理方法
CN117556711B (zh) 基于神经网络的高炉喷煤优化方法、系统、终端和介质

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