CN117807760A - 一种转炉终点碳含量建模方法 - Google Patents
一种转炉终点碳含量建模方法 Download PDFInfo
- Publication number
- CN117807760A CN117807760A CN202311584097.0A CN202311584097A CN117807760A CN 117807760 A CN117807760 A CN 117807760A CN 202311584097 A CN202311584097 A CN 202311584097A CN 117807760 A CN117807760 A CN 117807760A
- Authority
- CN
- China
- Prior art keywords
- data
- carbon content
- converter
- samples
- active lime
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 41
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 28
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims abstract description 31
- 235000011941 Tilia x europaea Nutrition 0.000 claims abstract description 31
- 239000004571 lime Substances 0.000 claims abstract description 31
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 14
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 14
- 239000001301 oxygen Substances 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 9
- 239000010959 steel Substances 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012952 Resampling Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000004931 aggregating effect Effects 0.000 claims abstract description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 229910052742 iron Inorganic materials 0.000 claims description 7
- 238000007664 blowing Methods 0.000 claims description 4
- 229910000514 dolomite Inorganic materials 0.000 claims description 3
- 239000010459 dolomite Substances 0.000 claims description 3
- 230000036284 oxygen consumption Effects 0.000 claims description 3
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000379 polymerizing effect Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000003723 Smelting Methods 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000010238 partial least squares regression Methods 0.000 description 4
- 238000009628 steelmaking Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- 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
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明涉及冶金控制技术领域，公开了一种转炉终点碳含量建模方法，针对转炉冶炼过程中存在的异常数据干扰和样本干扰问题，提出了一种新颖的建模方法。包括：首先，获取转炉的历史生产数据，对历史生产数据进行筛选以及异常数据剔除。对活性石灰投料数据进行聚类处理，采用密度聚类根据时间将活性石灰加料数据进行聚合，对10min内的氧气高度和流量数据进行重采样处理；然后，利用偏最小二乘回归模型构建预测模型，提高对转炉终点碳含量的预测精度和稳定性。与现有技术相比，本发明通过该方法，可以有效地预测转炉终点碳含量，为钢铁冶炼过程中的生产控制提供可靠的技术支持。
Description
技术领域
本发明属于冶金控制领域，具体涉及一种转炉终点碳含量建模方法。
技术背景
转炉终点碳含量是转炉炼钢过程中的一个关键控制目标，其精准预测一直是实现转炉智能控制的难点。当前，国内钢铁行业在转炉炼钢的控制策略上主要仰赖于操作工人的经验和副枪检测。然而，这种依赖人工经验的方式受到操作工人水平和主观因素的制约，容易导致碳含量判定的不准确性。副枪检测虽然在一定程度上提高了检测的准确性，但其仍然存在着无法实现连续实时监测等问题，限制了其在实际生产中的广泛应用。
在实际情况中，转炉冶炼过程需要根据铁水温度、成分含量、物料种类等炉况特点来采取相应的冶炼策略。如果将各种炉况简单地混合在一起进行建模和预测，会导致模型精度降低。以往的研究为了提高模型的精度，通常会选择筛选出典型的炉况进行预测，即针对部分关键属性进行择优，然后在此基础上建模和预测。然而，在实际应用中，如果遇到缺少关键属性的情况，模型的精度将会大幅降低。
因此，为了提高转炉终点碳含量预测模型的精度和适应性，有必要进一步研究和发展针对不同炉况的精准预测模型，并结合实时数据和先进的控制算法，以确保模型能够在不同条件下保持较高的预测精度。
发明内容
发明目的：针对背景技术中指出的问题，本发明提供一种转炉终点碳含量建模方法，通过密度聚类来减少人工误操作导致异常数据干扰，通过构建偏最小二乘模型可有效提高对转炉终点碳含量的预测精度和稳定性。
技术方案：本发明公开了一种转炉终点碳含量建模方法，其步骤如下：
步骤1：获取转炉的历史生产数据，并对历史生产数据进行筛选，得到辅助变量数据和终点钢水碳含量，对异常数据进行剔除；所述辅助变量数据包括铁水含量，即Si、Mn、P、S和Ti、铁水温度、废钢比、轻烧白云石总重量、活性石灰总重量、第一次投入活性石灰重量与时间、吹氧时间、氧气消耗量、氧枪高度和流量；
步骤2：对活性石灰投料数据进行聚类处理，对步骤1中第一次投入活性石灰重量、时间，采用密度聚类根据时间将活性石灰加料数据进行聚合，对10min内的氧气高度和流量数据进行重采样处理，处理完数据与终点C含量构成数据集；
步骤3：对步骤2中的数据集，采用按照4：1划分训练集和验证集；
步骤4：构建偏最小二乘回归模型，将步骤3中训练集进行模型训练，采用网格搜索选择最佳主成分；
步骤5：采用平均绝对误差MAE、均方根误差RMSE和碳含量预测精度PA，对步骤4建立的终点C含量预测模型进行评价。
进一步地，所述步骤2中第一次活性石灰投入时间是通过计算相同簇样本投料时间的平均值获得。
进一步地，10min的氧气高度和流量数据进行重采样处理时，对其数据每10s间隔取平均值。
进一步地，采用密度聚类根据时间将活性石灰加料数据进行聚合的具体过程如下：
确定某一次加料，然后在其周围ε秒内投入的活性石灰被认为是同一批次加入的，通过类似的方式找到第一次投入活性石灰的总量；ε在30s-50s内。
进一步地，所述步骤3中在划分训练集和验证集时，选择SPXY算法划分数据集：
其中，xp和xq表示两个不同的样本，yp和yq分别为xp和xq样本终点碳含量，xp(j)和xq(j)分别表示p，q两个样本在第J个特征上的值，N为样本的总数，dx(p，q)表示p，q两个样本在x空间上的欧氏距离，dy(p，q)表示p，q两个样本在y空间上的欧氏距离，dxy(p，q)为示考虑两个空间的欧氏距离，maxdx(p，q)和maxdy(p，q)分别表示p与q两个样本在x和y空间欧氏距离的最大值。
有益效果：
本发明提供一种基于密度聚类和偏最小二乘回归的转炉终点碳含量建模方法，通过转炉的历史产生数据采集与处理、投料数据聚类、异常数据剔除、初始模型建立、终点碳含量预测模型建立和评价指标，使得本发明方法相较于副枪测量，速度更快、精确度更高，具有很好的实际应用价值。通过密度聚类来减少人工误操作导致异常数据干扰，通过构建偏最小二乘模型可有效提高对转炉终点碳含量的预测精度和稳定性。
本发明选择聚类时间半径为30秒～50秒，这段时间内样本呈正太分布，且投料三次的样本量最多(现场实际投料多数为3次)，这样根据投料时间聚类的类簇更加准确，减少了数据异常操作。
本发明对氧气高度和流量进行重采样时，不对每一秒进行重采样，而通过每间隔10s取平均值的方法，大大减少了样本数量，减少了计算复杂度，并且其并不影响最终的精确度。
附图说明
图1为本发明DBSCAN聚类示意图；
图2为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明公开了一种转炉终点碳含量建模方法，具体包括如下步骤：
步骤1：数据获取与筛选，输入数据为转炉的历史生产数据，并对历史生产数据进行筛选，得到辅助变量数据和终点钢水碳含量，辅助变量包括铁水含量(Si、Mn、P、S和Ti)、铁水温度、废钢比、轻烧白云石总重量、活性石灰总重量、第一次投入活性石灰重量与时间、吹氧时间、氧气消耗量、氧枪高度和流量。
步骤2：数据预处理，首先对异常数据进行剔除，接下来对步骤1中辅助变量活性石灰重量，采用密度聚类将活性石灰加料数据进行聚合，减少特征维度。为了降低数据维度，加快模型拟合速度，10min的氧气高度和流量数据进行重采样处理，每10s间隔取平均值，处理完数据与终点C含量构成数据集。
步骤3：数据集划分，对步骤2中的数据集，采用SPXY算法按照4：1划分训练集和验证集。
步骤4：模型构建，构建偏最小二乘回归模型，将步骤3中训练集进行模型训练，采用网格搜索选择最佳主成分。
步骤5：评价指标，采用平均绝对误差(MAE)、均方根误差(RMSE)和碳含量预测精度(PA)，对步骤(4)建立的终点C含量预测模型进行评价，确定预测模型的精度和预测性能。
下面提供具体实例如下：
在转炉炼钢过程中，历史数据的采集主要通过PLC，将数据存储在数据库中。为了更有效地处理这些数据，首先对活性石灰投料数据进行了聚类处理。由于操作人员在转炉开始时对活性石灰进行备料，并在氧气开吹时进行第一次加料，活性石灰的加入量是分批投入，导致数据相对分散。为了聚合第一次投入石灰的量，采用了DBSCAN聚类方法。
以图中的X1为例，确定了某一次加料，然后在其周围ε秒(30-50s)内投入的活性石灰被认为是同一批次加入的(X2、X4等)，通过类似的方式找到了第一次投入活性石灰的总量。聚类结果如表1所示，当聚类半径为30s时样本呈正太分布，且投料三次的样本量最多(现场实际投料多数为3次)。其第一次活性石灰投入时间则是通过计算相同簇样本投料时间的平均值。
其次，在选择氧枪高度和流量时，考虑到各转炉样本吹氧冶炼时间存在差异，但在整个冶炼过程中，前10分钟被认为是最为关键的。因此，构建数据集时选择了这段时间内的氧枪高度与流量。这样的选择使得数据集更加关注冶炼的关键阶段，有助于提取对转炉终点影响较大的信息。
表1：ε取30、40、50s时的聚类结果
| ε | 30s | 40s | 50s |
| 样本聚类为一次的比例 | 8.72％ | 7.56％ | 6.76％ |
| 样本聚类为二次的比例 | 20.49％ | 17.11％ | 14.95％ |
| 样本聚类为三次的比例 | 27.20％ | 24.97％ | 22.78％ |
| 样本聚类为四次的比例 | 20.91％ | 21.95％ | 21.91％ |
| 样本聚类为五次的比例 | 11.89％ | 14.01％ | 15.42％ |
本例中，对转炉历史数据进行预处理(筛选，清洗，聚类，剔除异常数据)共得到1003个样本作为数据集，样本的最大值为0.359，最小值为0.031，均值为0.0762，标准差为0.0295，其中32％的样本碳含量都在0.03-0.06之间，46.3％的样本碳含量都在0.06-0.09之间，15.4％的样本碳含量都在0.09-0.12之间，6.6％的样本碳含量在0.12以上。
表2：样本数据集
| 样本分类 | 样本数 | 均值 | 标准差 | 最大值 | 最小值 |
| 0.03-0.06 | 320 | 0.0502 | 0.0069 | 0.06 | 0.031 |
| 0.06-0.09 | 463 | 0.0747 | 0.0082 | 0.09 | 0.061 |
| 0.09-0.12 | 154 | 0.1037 | 0.0086 | 0.12 | 0.091 |
| 0.12以上 | 66 | 0.1491 | 0.0444 | 0.359 | 0.121 |
| 总体 | 1003 | 0.0762 | 0.0295 | 0.359 | 0.031 |
对上述数据集采用公式(1)按照4：1进行划分，
其中，xp和xq表示两个不同的样本，yp和yq分别为xp和xq样本终点碳含量，xp(j)和xq(j)分别表示p，q两个样本在第J个特征上的值，N为样本的总数，dx(p，q)表示p，q两个样本在x空间上的欧氏距离，dy(p，q)表示p，q两个样本在y空间上的欧氏距离，dxy(p，q)为示考虑两个空间的欧氏距离，maxdx(p，q)和maxdy(p，q)分别表示p与q两个样本在x和y空间欧氏距离的最大值。
为了评价本技术方案在转炉炼钢终点碳上的预测效果，采用均方根误差(RootMean Square Error，RMSE)，平均绝对误差(Mean Absolute Error，MAE)和碳含量预测精度(Prediction Accuracy，PA)等三个指标进行评价。其中RMSE和MAE值越小，表明预测结果和实际值越接近。PA为测试样本中预测值与实际值的绝对差值在0.02之间的比例，值越高预测效果越好。其公式如下：
式中，Ntest为测试集的大小，ytest,i为第i个测试样本的真实碳含量，ypre,i为第i个测试样本的预测碳含量，Th为设置的绝对差值。
在建立初始模型时，采用了PLSR(偏最小二乘回归)算法，利用PyCharm软件中的sklearn库，使用Python3.8语言进行模型搭建。为了优化模型性能，采用了网格搜索方式对模型的超参数进行选择。具体而言，超参数的选择范围包括主成分个数，其取值范围为1到9。通过对比不同主成分个数下的模型性能，以评价指标选择最佳的超参数。其结果如下表3：
表3：选择最佳的超参数
通过对预测结果的分析，当选择主成分个数为9时，PLSR模型呈现出较为优异的性能。具体而言，预测值与实际值的绝对偏差为0.0146，RMSE(均方根误差)值为0.0183，同时准确率(PA)达到了75％。这表明，该模型在预测转炉终点碳含量方面取得了良好的效果，其预测结果基本符合现场生产所需的精度要求。通过这一建模方法，成功地实现了对转炉终点碳含量的有效预测。这对于钢铁冶炼过程中的生产控制具有重要的技术支持作用。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种转炉终点碳含量建模方法，其特征在于，其步骤如下：
步骤1：获取转炉的历史生产数据，并对历史生产数据进行筛选，得到辅助变量数据和终点钢水碳含量，对异常数据进行剔除；所述辅助变量数据包括铁水含量，即Si、Mn、P、S和Ti、铁水温度、废钢比、轻烧白云石总重量、活性石灰总重量、第一次投入活性石灰重量与时间、吹氧时间、氧气消耗量、氧枪高度和流量；
步骤2：对活性石灰投料数据进行聚类处理，对步骤1中第一次投入活性石灰重量、时间，采用密度聚类根据时间将活性石灰加料数据进行聚合，对10min内的氧气高度和流量数据进行重采样处理，处理完数据与终点C含量构成数据集；
步骤3：对步骤2中的数据集，采用按照4:1划分训练集和验证集；
步骤4：构建偏最小二乘回归模型，将步骤3中训练集进行模型训练，采用网格搜索选择最佳主成分；
步骤5：采用平均绝对误差MAE、均方根误差RMSE和碳含量预测精度PA，对步骤4建立的终点C含量预测模型进行评价。
2.根据权利要求1所述的一种转炉终点碳含量建模方法，其特征在于，所述步骤2中第一次活性石灰投入时间是通过计算相同簇样本投料时间的平均值获得。
3.根据权利要求1所述的一种转炉终点碳含量建模方法，其特征在于，10min的氧气高度和流量数据进行重采样处理时，对其数据每10s间隔取平均值。
4.根据权利要求1至3任一所述的一种转炉终点碳含量建模方法，其特征在于，采用密度聚类根据时间将活性石灰加料数据进行聚合的具体过程如下：
确定某一次加料，然后在其周围ε秒内投入的活性石灰被认为是同一批次加入的，通过类似的方式找到第一次投入活性石灰的总量；ε在30s-50s内。
5.根据权利要求1所述的一种转炉终点碳含量建模方法，其特征在于，所述步骤3中在划分训练集和验证集时，选择SPXY算法划分数据集：
其中，xp和xq表示两个不同的样本，yp和yq分别为xp和xq样本终点碳含量，xp(j)和xq(j)分别表示p，q两个样本在第J个特征上的值，N为样本的总数，dx(p，q)表示p，q两个样本在x空间上的欧氏距离，dy(p，q)表示p，q两个样本在y空间上的欧氏距离，dxy(p，q)为示考虑两个空间的欧氏距离，maxdx(p，q)和maxdy(p，q)分别表示p与q两个样本在x和y空间欧氏距离的最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311584097.0A CN117807760A (zh) | 2023-11-25 | 2023-11-25 | 一种转炉终点碳含量建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311584097.0A CN117807760A (zh) | 2023-11-25 | 2023-11-25 | 一种转炉终点碳含量建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117807760A true CN117807760A (zh) | 2024-04-02 |
Family
ID=90419282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311584097.0A Pending CN117807760A (zh) | 2023-11-25 | 2023-11-25 | 一种转炉终点碳含量建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807760A (zh) |
-
2023
- 2023-11-25 CN CN202311584097.0A patent/CN117807760A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104630410B (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
| CN114611844B (zh) | 一种转炉出钢过程合金加入量的确定方法和系统 | |
| CN111639801B (zh) | 高炉炉况的评分方法及系统 | |
| CN107368125B (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 | |
| CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
| CN112465239B (zh) | 基于改进pso-fcm算法的脱硫系统运行优化方法 | |
| CN112329269B (zh) | 一种基于工况识别的烧结点火温度建模预测方法 | |
| CN117807760A (zh) | 一种转炉终点碳含量建模方法 | |
| CN103632014B (zh) | 一种热连轧产品生产流程的工艺参数预测方法 | |
| CN113177353A (zh) | 一种应用于工业预警系统的数据模型构建方法 | |
| CN116949233A (zh) | 一种高炉操作参数调整方法、装置、电子设备及存储介质 | |
| CN108364095B (zh) | 基于数据挖掘的炼钢生产过程钢水质量诊断方法 | |
| CN112287283B (zh) | 一种高炉运行状态评价方法、装置及存储介质 | |
| CN115600378A (zh) | 一种氧枪控制方法、系统、电子设备及存储介质 | |
| CN113065222B (zh) | 炉缸状态评估的方法及装置 | |
| CN114841277A (zh) | 一种转炉出钢合金收得率预测方法和系统 | |
| CN114580712A (zh) | 一种冶金副产煤气产耗量的在线预测方法及系统 | |
| CN113592005B (zh) | 一种转炉出钢参数推荐方法、系统、介质和终端 | |
| CN115034370B (zh) | 基于bp网络模型预测高炉炉缸活性的方法 | |
| CN116433108B (zh) | 一种用于特种钢材冶炼的原料管理方法及系统 | |
| CN117711516A (zh) | 一种转炉终点钢液成分的预测方法 | |
| CN117708708B (zh) | 一种炼钢用铁合金的品质评级及推荐方法 | |
| CN115186900B (zh) | 适用于多工况类别的动态高炉煤气产生量预测方法及系统 | |
| Wang et al. | Predicting tapping temperature in electric arc furnace based on an ensemble pruning framework | |
| Han et al. | Case based reasoning for converter steelmaking dynamic oxygen volume control |
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 |