CN118134004A - 一种环冷机的冷却精准预测方法及系统 - Google Patents
一种环冷机的冷却精准预测方法及系统 Download PDFInfo
- Publication number
- CN118134004A CN118134004A CN202211542937.2A CN202211542937A CN118134004A CN 118134004 A CN118134004 A CN 118134004A CN 202211542937 A CN202211542937 A CN 202211542937A CN 118134004 A CN118134004 A CN 118134004A
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- temperature
- network model
- jth
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims description 100
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 57
- 239000011707 mineral Substances 0.000 claims description 57
- 238000005192 partition Methods 0.000 claims description 33
- 239000000463 material Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 15
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 10
- 239000003546 flue gas Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000005245 sintering Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Landscapes
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明提供一种环冷机的冷却精准预测方法及系统,通过获取第i个热矿分块的实时位置,在第i个热矿分块的实时位置处于第j个冷却风机的有效冷却范围入口处时,获取第i个热矿分块的第一实时输入数据,将第一实时输入数据输入至第j个神经网络模型中得到出料温度初步预测值,在出料温度初步预测值和第一出料温度期望值的第一温差值处于预设范围内时,将出料温度初步预测值作为第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值进行输出。本申请能够迅速、及时得知流出第j个冷却风机的出料温度预测值,实现对环冷机冷却状况的精准预测,有效解决了采用人工观察的方式存在发现不及时、耗费人力、判断结果模糊以及分析滞后的问题。
Description
技术领域
本发明涉及环冷机技术领域,尤其涉及一种环冷机的冷却精准预测方法及系统。
背景技术
烧结是钢铁工业的基础环节,为炼铁提供优质的原料。烧结工艺是将含铁原料经配料、混合后在烧结机上高温(≤1400℃)焙烧,使物料发生一系列物理化学变化的过程。烧结的成品为烧结矿,主要用于高炉炼铁。烧结生产工艺流程主要有原料的接受、筛分破碎及溶剂燃料的破碎筛分,配料,布料,抽风烧结,抽风冷却,破碎筛分,除尘等环节组成,其中鼓风冷却工艺是由环冷机(环式冷却机)完成,环冷机主要由进料溜槽、台车、风箱、排料溜槽等部件构成,其作用是通过鼓风的方式将烧结机卸下的热矿冷却,而冷却效果与热矿的料层厚度及铺料的均匀性相关,同样的风量,台车上的热矿铺得越簿越容易冷却。
环冷机是一个环型的冷却装置,烧结矿通过环冷机的台车入口到出口缓慢运行,在环冷机的底部装有鼓风机,将烧结矿中的热量带走冷却,通常环冷机分为三个温度段,分别为高温段、中温段、低温段;高温段风温达到400~500℃,可以用于余热发电;中温段风温达200~350℃,可用于烧结混合料预热,而低温段料温在200℃左右,通常设有变频风机,通过变频调节使排出的烧结矿低于150℃,达到节电的目的,而其它风机的风量通过风门控制。
在实际生产中,随着环冷机烧结热矿的各项参数变化,例如,环冷机的运行速度、风机风量等变化,在风机对应区域内烧结热矿的出料温度也随之变化,现有技术中只能通过在环冷机出口皮带对矿温进行检测,如果温度超高需采用喷水及时冷却。这种方式对环冷机内部的降温过程并不可控,仍然频繁出现出矿温度超高,烧毁运输皮带的情况;或者通过喷水冷却,但又降低了烧结矿的质量,这种依靠人工观察检测的办法,存在发现不及时、耗费人力、判断结果模糊或分析滞后的问题。
鉴于此,有必要提出一种环冷机的冷却精准预测方法及系统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环冷机的冷却精准预测方法及系统,以解决现阶段针对环冷机的出料温度通过人工观察检测的方式,存在发现不及时、耗费人力、判断结果模糊以及分析滞后的问题的问题。
第一方面,为实现上述目的,本发明提供了一种环冷机的冷却精准预测方法,包括步骤:
S1,获取第i个热矿分块的实时位置,并判断所述第i个热矿分块的实时位置是否处于第j个冷却风机的有效冷却范围入口处;其中,i≥1,j≥1,i,j均为整数;
S2,在所述第i个热矿分块的实时位置处于第j个冷却风机的有效冷却范围入口处时,获取所述第i个热矿分块的第一实时输入数据;其中,所述第一实时输入数据包括:第i个热矿分块的活跃长度、环冷机台车宽度、第j个风机实际风量、第j个风机入口烟气温度、第i个热矿分块的平均料厚、第i个热矿分块的热矿平均温度、环冷机运行速度、第i个热矿分块正上方的平均气温;
S3,将所述第一实时输入数据输入至第j个神经网络模型中,并接受所述第j个神经网络模型输出的出料温度初步预测值;其中,所述第j个神经网络模型为第j个冷却风机对应的且预先训练的神经网络模型;所述第j个神经网络模型包含所述第一实时输入数据和所述出料温度初步预测值之间的映射关系;
S4,确定所述出料温度初步预测值和第一出料温度期望值之间的第一温差值,并判断所述第一温差值是否处于预设范围内;
S5,在所述第一温差值处于预设范围内时,将所述出料温度初步预测值作为第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值进行输出;在所述第一温差值未处于预设范围内时,将所述第一实时输入数据重新输入至所述神经网络模型进行训练。
优选地,所述步骤S5之后还包括步骤:
S61,判断所述第j个冷却风机是否为终点冷却风机;若是,进入步骤S62;若否,进入步骤S63~S67;
S62,将所述第j个神经网络模型输出的出料温度预测值作为第i个热矿分块流出环冷机终点的出料温度预测值进行输出;
S63,获取所述第i个热矿分块进入第j+1个冷却风机的有效冷却范围入口处的第二实时输入数据;所述第二实时输入数据包括:第i个热矿分块的活跃长度、环冷机台车宽度、第j+1个风机实际风量、第j+1个风机入口烟气温度、第i个热矿分块的平均料厚、第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值、环冷机运行速度、第i个热矿分块正上方的平均气温;
S64,将所述第二实时输入数据输入至第j+1个神经网络模型,并接受所述第j+1个神经网络模型输出的出料温度初步预测值;
S65,确定第j+1个神经网络模型输出的出料温度初步预测值和第二出料温度期望值之间的第二温差值,并判断所述第二温差值是否处于预设范围内;
S66,在所述第二温差值处于所述预设范围内时,将所述第j+1个神经网络模型输出的出料温度初步预测值作为第i个热矿风块流出第j+1个冷却风机出口的出料温度最终预测值进行输出;
S67,将j+1赋值给j,并返回步骤S61。
优选地,所述步骤S2中的所述第i个热矿分块的活跃长度,通过以下步骤得到:
根据公式得到所述第i个热矿分块的活跃长度;其中,t1为第i个热矿分块的起始时间;t2为第i个热矿分块的结束时间;v2、v1分别为环冷机在台车外边、内边上的线速度。
优选地,所述步骤S2中的所述第i个热矿分块的平均料厚,通过以下步骤得到:
根据公式得到实时层厚仪的采集次数;其中,a为采集次数,Δt为采样时间;
根据公式得到所述第i个热矿分块的平均料厚;其中,hk为单次采集的平均料层厚度。
优选地,所述步骤S2中的所述第i个热矿分块的热矿平均温度,通过以下步骤得到:
根据公式其中,b为所述热矿分块中采用的热像仪中测温点的数量,tk为对应的每一点的温度值。
优选地,所述步骤S3和S4之间还包括步骤:
S31,判断所述出料温度初步预测值是否超出设定阈值;
S32,在所述出料温度初步预测值超出所述设定阈值时,记录所述第i个热矿分块为异常块;
S33,在所述出料温度初步预测值未超出所述设定阈值时,进入步骤S4。
优选地,所述步骤S32之后还包括步骤:
S34,统计在预设时长内热矿分块为异常块的个数是否超出预设个数;
S35,在预设时长内热矿分块为异常块的个数超出预设个数大于预设个数时,向运维人员发送报警指令;
S36,在预设时长内热矿分块为异常块的个数超出预设个数小于或等于预设个数时,进入步骤S4。
优选地,所述步骤S3中的所述第j个神经网络模型,通过以下步骤得到:
S301,获取N个满足训练与测试用的历史样本数据;所述历史样本数据包括历史样本输入数据和历史样本输出数据;所述历史样本输入数据包括热矿分块的活跃长度历史值、环冷机台车宽度历史值、风机实际风量历史值、风机入口烟气温度历史值、热矿分块的平均料厚历史值、热矿分块的热矿平均温度、环冷机运行速度历史值、热矿分块正上方的平均气温历史值;所述历史样本输出数据包括出料温度历史值;
S302,将N1个历史样本输入数据作为初步神经网络模型的输入值,将N1个对应的历史样本输出数据作为初步神经网络模型的输出值,对初步神经网络模型进行训练;
S303,将N2个历史样本输入数据输入至初步神经网络模型进行测试,并输出N2个网络预测值;
S304,计算N2个网络预测值和所述N2个历史样本输入数据对应的N2个历史样本输出数据之间的误差,并判断所述误差是否处于预设范围内;
S305,在所述误差处于预设范围内时,将所述初步神经网络模型作为所述第j个神经网络模型;在所述误差未处于预设范围内时,将N2个历史样本数据重新输入至所述初步神经网络模型进行训练。
本发明还提供一种环冷机的冷却精准预测系统,用于执行如上述的环冷机的冷却精准预测方法,包括位置判断模块、数据获取模块以及温度输出模块;其中,
所述位置判断模块,用于获取第i个热矿分块的实时位置,并判断所述第i个热矿分块的实时位置是否处于第j个冷却风机的有效冷却范围入口处;
所述数据获取模块,用于在所述第i个热矿分块的实时位置处于第j个冷却风机的有效冷却范围入口处时,获取所述第i个热矿分块的第一实时输入数据;
所述温度输出模块,用于将所述第一实时输入数据输入至第j个神经网络模型中,并接受所述第j个神经网络模型输出的出料温度初步预测值;确定所述出料温度初步预测值和第一出料温度期望值之间的第一温差值,并判断所述第一温差值是否处于预设范围内;在所述第一温差值处于预设范围内时,将所述出料温度初步预测值作为第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值进行输出;在所述第一温差值未处于预设范围内时,将所述第一实时输入数据重新输入至所述神经网络模型进行训练。
与现有技术相比,本发明具有如下的有益效果:
本发明提供一种环冷机的冷却精准预测方法及系统,通过获取第i个热矿分块的实时位置,在第i个热矿分块的实时位置处于第j个冷却风机的有效冷却范围入口处时,获取第i个热矿分块的第一实时输入数据,将第一实时输入数据输入至第j个神经网络模型中得到出料温度初步预测值,在出料温度初步预测值和第一出料温度期望值的第一温差值处于预设范围内时,将出料温度初步预测值作为第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值进行输出。本发明能够迅速、及时得知第i个热矿风块流出第j个冷却风机的出料温度预测值,以及流出环冷机终点的出料温度预测值,据此可以实现对环冷机的冷却状况的精准预测,采用神经网络模型预测的方式能够有效解决了采用人工观察的方式存在发现不及时、耗费人力、判断结果模糊以及分析滞后的问题。
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为本发明的环冷机数据采集示意图;
图2为本发明一个实施例中的流程示意图;
图3为本发明一个实施例中的步骤S5之后还包括步骤的流程示意图。
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个该特征。另外,各个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。
第一方面,需要进行数据采集计算,如图1所示为环冷机数据采集示意图,将环冷机展开成直线运动,相当于入口在左边,出口在右边,烧结热矿从入口进入环冷机,经过多个鼓风机作用,从出口流出。
其中入口位置安装层厚仪、热像仪、热电偶,用于获取烧结热矿进入风机有效冷却范围的入口的数据,并且在位置1到位置n都安装热电偶及热像仪,一个环冷机有多个冷却风机,通常情况下是鼓风机,通常有6-8个,前面几个是定频风机,而最后1-2个为变频风机,本领域技术人员可以理解的是,定频风机的风量与风门开度的关系为线性关系,变频风机的风量与频率的关系可以查表,也就是存在对应的映射表。换而言之,每台冷却风机的风量可以通过调控对应的风门开度或者频率的大小实现控制。
所属领域技术人员可以理解的是,层厚仪用于测量环冷机内烧结矿的料层厚度,随着环冷机的台车运行,扫描出整体内部的料层厚度模型;热电偶用于测量环冷机内部气温,该气温是底部鼓风机鼓出的风,经过热矿后的废气温度,每个位置沿着环冷机台车的横向方向布置多个热电偶,通常为3-6个,具体个数可根据现场工艺环境及环冷机的宽度确定,因此借助热电偶可以检测得到风机入口的烟气温度和热矿分块上方的气温;热像仪用于测量烧结热矿料面的实时温度。
第二方面,请参阅附图2-3,本发明提供了一种环冷机的冷却精准预测方法,包括步骤:
S1,获取第i个热矿分块的实时位置,并判断所述第i个热矿分块的实时位置是否处于第j个冷却风机的有效冷却范围入口处;其中,i≥1,j≥1,i,j均为整数;需要注意的是,由于层厚仪、热像仪以及热电偶安装在鼓风机的有效冷却范围入口处,因此,在烧结热矿进入到冷却风机的有效冷却范围的入口位置时,可以进行测量对应的数据值,然后根据数据跟踪判断第i个热矿分块后续的位置,具体数据跟踪方式有多种,为现有技术的成熟技术,在此不做赘述。值得说明的是,本申请实施例通过分片的方式将烧结热矿划分成多个热矿分块,通过分析每个热矿分矿的情况,能够实现对环冷机冷却的精准预测。具体的,只要检测到第i个热矿分矿处于第j个冷却风机的有效冷却范围的入口位置时,进入步骤S2获取第i个热矿分块的第一实时输入数据。
S2,在所述第i个热矿分块的实时位置处于第j个冷却风机的有效冷却范围入口处时,获取所述第i个热矿分块的第一实时输入数据;其中,所述第一实时输入数据包括:第i个热矿分块的活跃长度、环冷机台车宽度、第j个风机实际风量、第j个风机入口烟气温度、第i个热矿分块的平均料厚、第i个热矿分块的热矿平均温度、环冷机运行速度、第i个热矿分块正上方的平均气温。
需要说明的是,本申请采用深度学习方式,也就是通过预先训练出高精度的神经网络模型,然后依据该神经网络模型进行预测,因此,在所述第i个热矿分块的实时位置处于第j个冷却风机的有效冷却范围入口处时,获取所述第i个热矿分块的第一实时输入数据,所述第一实时输入数据即作为神经网络模型的输入数据进行输入。其中,作为第j个神经网络模型的输入数据,所述第一实时输入数据能够通过各种方式进行获取/计算得到,作为本发明较优的示例,具体通过如下方式进行获取:
(a)第i个热矿分块的活跃长度:第i个热矿分块的活跃长度通过烧结热矿分小段进行预测,假定环冷机中心环线长L,每隔划分一块烧结矿,将/>长度的烧结热矿定义为所述热矿分块。通过如下方程获取:
其中,t1为烧结矿分块的起始时间;t2为烧结矿分块的结束时间;v2、v1分别为环冷机在台车外边、内边上的线速度,其中,v2、v1可以通过如速度传感进行获取或者等效计算的方式进行获取,并且环冷机台车的内边和外边是沿环形轨道而言的内外边。
(b)环冷机台车宽度:该数值为环冷机台车的自身的属性值,本领域技术人员能够直接获取得到,在此不作赘述,需要注意的是,虽然环冷机台车宽度为常量,但是能够影响烧结热矿的体积,故而作为输入数据。
(c)第j个风机实际风量:根据上述记载,定频风机的风量与风门开度的关系为线性关系,变频风机的风量与频率的关系可以查表,也就是存在对应的映射表。换而言之,每台冷却风机的风量可以通过调控对应的风门开度或者频率的大小可以得到风机实际风量。
(d)第i个热矿分块的平均料厚:平均料层厚度可以根据实时层厚仪测量值平均处理得出,即料层厚度h为:
其中,hk为单次采集的平均料层厚度;a为采集次数;Δt为采样时间,其中,采样时间本领域技术人员可以根据需要设定。
(e)第j个风机入口烟气温度:可以通过安装在入口处的热电偶进行获取。
(f)环冷机运行速度:该参数为环冷机自身属性的数值,本领域技术人员能够直接获取得到。
(g)第i个热矿分块正上方的平均气温:气温通过热电偶测出气温后,能够计算出每个截面的平均气温tg。
(h)第i个热矿分块的热矿平均温度:热像仪能实时获取一个面的温度,根据数据跟踪,可以知道每个烧结矿的分块实时在环冷机中的位置。当某一热矿分块到达到某个热像仪所拍摄的位置处时,计算该温度参数,包括该热矿块的平均温度、温度占比等参数。
其中b为该烧结矿块的中热像仪中测温点的数量,tk为对应的每一点的温度值。
值得注意的是,这些输入数据均是能够影响出料温度预测值的参数,换句话说,在其他实施例中,本领域技术人员还可以根据需要增加或减少输入参数,具体可以根据实际需要设定。
进一步地,为了能够得到更为准确的数值,在另一实施例中,可以统计T1[0,100℃)、T2[100,200℃)、T3[300,400℃)、T4[400,500℃)、T5[500,600℃)、T6[600,700℃)、T7[700,800℃)、T8[800,900℃)、T9[900,∞]九个区间的占比情况,即统计每个区间内测温点的个数,除以总的测温点个数。通过这种方式,能够得到更为精准的平均温度数值。
S3,将所述第一实时输入数据输入至第j个神经网络模型中,并接受所述第j个神经网络模型输出的出料温度初步预测值;其中,所述第j个神经网络模型为第j个冷却风机对应的且预先训练的神经网络模型;所述第j个神经网络模型包含所述第一实时输入数据和所述出料温度初步预测值之间的映射关系;
本领域技术人员应当注意的是,所述神经网络模型的具体类型可以根据实际需要进行设定,例如可以是全连接神经网络模型、或者是其他类型的神经网络模型,本领域技术人员可以根据实际需要选择。本领域技术人员能够理解的是,由于所述神经网络模型是预先通过大量的样本数据进行学习得到的,并且经过训练之后的神经网络模型的精度高,同时所述神经网络模型包含所述第一实时输入数据和所述出料温度初步预测值之间的映射关系,因此,将第一实时输入数据输入至预先训练得到的神经网络模型中,即可得到出料温度初步预测值,依据该值可以对环冷机的冷却情况进行预测。
需要说明的是,本申请中,每个冷却风机对应对应训练一个神经网络模型,也就是说,第j个冷却风机对应第j个神经网络模型。
作为一较佳的实施方式,所述步骤S3中的所述第j个神经网络模型,通过以下步骤得到:
S301,获取N个满足训练与测试用的历史样本数据;所述历史样本数据包括历史样本输入数据和历史样本输出数据;所述历史样本输入数据包括热矿分块的活跃长度历史值、环冷机台车宽度历史值、风机实际风量历史值、风机入口烟气温度历史值、热矿分块的平均料厚历史值、热矿分块的热矿平均温度、环冷机运行速度历史值、热矿分块正上方的平均气温历史值;所述历史样本输出数据包括出料温度历史值。需要注意的是,所述历史样本数据的获取方式可以按照上述的计算方式进行获取,在此不作赘述。
S302,将N1个历史样本输入数据作为初步神经网络模型的输入值,将N1个对应的历史样本输出数据作为初步神经网络模型的输出值,对初步神经网络模型进行训练;
具体的,在一较佳的实施例中,采用全连接神经网络模型预测模型,包括输入层、隐藏层和输出层三层结构组成,其各层的节点数可根据实际需求设置。输入层的节点数设置与输入数据的维度相同,隐藏层的节点数一般设置为输入层节点数的两倍,输出层的节点数与所需要的输出数据的维度相同。及输入层节点7个,输出层节点1个,隐藏层节点14个,隐藏层深度为5层结构,此部分详细训练过程为本领域技术人员熟知的技术内容,在此不作赘述。
S303,将N2个历史样本输入数据输入至初步神经网络模型进行测试,并输出N2个网络预测值;
S304,计算N2个网络预测值和所述N2个历史样本输入数据对应的N2个历史样本输出数据之间的误差,并判断所述误差是否处于预设范围内;其中,N2个历史样本输出数据为实测得到的样本数据。
S305,在所述误差处于预设范围内时,将所述初步神经网络模型作为所述第j个神经网络模型;在所述误差未处于预设范围内时,将N2个历史样本数据重新输入至所述初步神经网络模型进行训练。
值得注意的是,其中,N1和N2的数值和/或比例本领域技术人员可以根据需要而定,例如,将采集的数据随机分为10份,依次轮流将其中的9份作为训练数据,另外的1份作为测试数据,重复多次,将多次测试的模型精度的平均值作为最终的模型精度值,由此可以训练得到精度较高的神经网络模型。
S4,确定所述出料温度初步预测值和第一出料温度期望值之间的第一温差值,并判断所述第一温差值是否处于预设范围内;其中,所述第一出料温度期望值流出第j个冷却风机出口的出料温度期望值,可以理解的是,本领域技术人员可以根据需要进行设定。
S5,在所述第一温差值处于预设范围内时,将所述出料温度初步预测值作为第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值进行输出;在所述第一温差值未处于预设范围内时,将所述第一实时输入数据重新输入至所述神经网络模型进行训练。
值得说明的是,在所述第一温差值处于预设范围内时,也就是说,当前的神经网络模型的精度足够,能够进行精准的预测,如果未处于预设范围内,说明当前神经网络模型还有待优化,此时将第一实时输入数据重新输入至所述神经网络模型进行训练,提高模型的精准度。
本申请技术方案中,通过获取第i个热矿分块的实时位置,并判断所述第i个热矿分块的实时位置是否处于第j个冷却风机的有效冷却范围入口处,在所述第i个热矿分块的实时位置处于第j个冷却风机的有效冷却范围入口处时,获取所述第i个热矿分块的第一实时输入数据,将所述第一实时输入数据输入至第j个神经网络模型中,并接受所述第j个神经网络模型输出的出料温度初步预测值,确定所述出料温度初步预测值和第一出料温度期望值之间的第一温差值,并判断所述第一温差值是否处于预设范围内,在所述第一温差值处于预设范围内时,将所述出料温度初步预测值作为第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值进行输出。本申请通过获取第i个热矿分块的第一实时输入数据,能够迅速、及时得知流出第j个冷却风机的出料温度预测值,实现对环冷机的冷却精准预测,有效解决了采用人工观察的方式存在发现不及时、耗费人力、判断结果模糊以及分析滞后的问题。
作为一优选的实施方式,所述步骤S5之后还包括步骤:
S61,判断所述第j个冷却风机是否为终点冷却风机;若是,进入步骤S62;若否,进入步骤S63~S67;
S62,将所述第j个神经网络模型输出的出料温度预测值作为第i个热矿分块流出环冷机终点的出料温度预测值进行输出;
S63,获取所述第i个热矿分块进入第j+1个冷却风机的有效冷却范围入口处的第二实时输入数据;所述第二实时输入数据包括:第i个热矿分块的活跃长度、环冷机台车宽度、第j+1个风机实际风量、第j+1个风机入口烟气温度、第i个热矿分块的平均料厚、第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值、环冷机运行速度、第i个热矿分块正上方的平均气温;
S64,将所述第二实时输入数据输入至第j+1个神经网络模型,并接受所述第j+1个神经网络模型输出的出料温度初步预测值;
S65,确定第j+1个神经网络模型输出的出料温度初步预测值和第二出料温度期望值之间的第二温差值,并判断所述第二温差值是否处于预设范围内;其中,所述第二出料温度期望值流出第j+1个冷却风机出口的出料温度期望值,可以理解的是,第二出料温度期望值小于第一出料温度期望值,且第二出料温度期望值本领域技术人员可以根据需要进行设定。
S66,在所述第二温差值处于所述预设范围内时,将所述第j+1个神经网络模型输出的出料温度初步预测值作为第i个热矿风块流出第j+1个冷却风机出口的出料温度最终预测值进行输出;
S67,将j+1赋值给j,并返回步骤S61。
本领域技术人员可以理解的是,环冷机呈环状,多个冷却风机沿周向形成一个闭合的环状,烧结热矿流出第j个冷却风机后的出料温度,也就其流入第j+1个冷却风机的进料温度,本发明实施例充分利用环冷机的结构属性,充分考虑相邻两个冷却风机的耦合情况,换句话说,在本申请实施例中,将第j个神经网络模型的输出将作为第j+1个神经网络模型其中一个输入参数,依次类推指导进入最后一个冷却风机对应的神经网络模型,因此能够在获取第i个热矿分块的输入数据后即可预测出第i个热矿流出环冷机终点(也就是最后一个冷却风机的出口)的出料温度预测值。
具体的,本实施例通过先判断第j个冷却风机是否为终点冷却风机,如果是,将所述第j个神经网络模型输出的出料温度预测值作为第i个热矿分块流出环冷机终点的出料温度预测值进行输出,不难理解的是,最后一个冷却风机对应的神经网络模型的输出作为环冷机终点的出料温度预测值进行输出。
如果不是,进入步骤S63~S67,也就是通过将第j个神经网络模型的输出将作为第j+1个神经网络模型其中一个输入参数,并获取第j+1个神经网络模型的其他输入参数,需要说明的是,第j+1个神经网络模型的第二输入参数的其他输入参数的获取方式可以通过如同第j个神经网络模型一样的方式进行获取。
通过植入变量循环的方式,直到所述第j个冷却风机是否为终点冷却风机,将所述第j个神经网络模型输出的出料温度预测值作为第i个热矿分块流出环冷机终点的出料温度预测值进行输出。
如此,能够判断出任一烧结烧结分块流出环冷机终点的出料温度预测值,实现对环冷机的冷却精准预测,有效解决了采用人工观察的方式存在发现不及时、耗费人力、判断结果模糊以及分析滞后的问题,更加有助于工作人员进行分析决策。
作为本发明一较佳的实施方式,所述步骤S3和S4之间还包括步骤:
S31,判断所述出料温度初步预测值是否超出设定阈值;
S32,在所述出料温度初步预测值超出所述设定阈值时,记录所述第i个热矿分块为异常块;
S33,在所述出料温度初步预测值未超出所述设定阈值时,进入步骤S4;
在另一较佳的实施方式中,所述步骤S32之后还包括步骤:
S34,统计在预设时长内热矿分块为异常块的个数是否超出预设个数;
S35,在预设时长内热矿分块为异常块的个数超出预设个数大于预设个数时,向运维人员发送报警指令;
S36,在预设时长内热矿分块为异常块的个数超出预设个数小于或等于预设个数时,进入步骤S4。
本发明实施例中,在预设时长内热矿分块为异常块的个数超出预设个数大于预设个数时,说明该时间段内已经出现了多次异常状况,此时向运维人员发送报警指令,便于工作人员及时进行处理。其中,所述预设个数所属领域技术人员可以根据实际需要设定。
第三方面,本发明还提供一种环冷机的冷却精准预测系统,用于执行如上述的环冷机的冷却精准预测方法,包括位置判断模块、数据获取模块以及温度输出模块;其中,
所述位置判断模块,用于获取第i个热矿分块的实时位置,并判断所述第i个热矿分块的实时位置是否处于第j个冷却风机的有效冷却范围入口处;
所述数据获取模块,用于在所述第i个热矿分块的实时位置处于第j个冷却风机的有效冷却范围入口处时,获取所述第i个热矿分块的第一实时输入数据;
所述温度输出模块,用于将所述第一实时输入数据输入至第j个神经网络模型中,并接受所述第j个神经网络模型输出的出料温度初步预测值;确定所述出料温度初步预测值和第一出料温度期望值之间的第一温差值,并判断所述第一温差值是否处于预设范围内;在所述第一温差值处于预设范围内时,将所述出料温度初步预测值作为第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值进行输出。
由上述技术方案可知,本申请通过获取第i个热矿分块的第一实时输入数据,能够迅速、及时得知流出第j个冷却风机的出料温度预测值,实现对环冷机的冷却精准预测,有效解决了采用人工观察的方式存在发现不及时、耗费人力、判断结果模糊以及分析滞后的问题。
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)
1.一种环冷机的冷却精准预测方法,其特征在于,包括步骤:
S1,获取第i个热矿分块的实时位置,并判断所述第i个热矿分块的实时位置是否处于第j个冷却风机的有效冷却范围入口处;其中,i≥1,j≥1,i,j均为整数;
S2,在所述第i个热矿分块的实时位置处于第j个冷却风机的有效冷却范围入口处时,获取所述第i个热矿分块的第一实时输入数据;其中,所述第一实时输入数据包括:第i个热矿分块的活跃长度、环冷机台车宽度、第j个风机实际风量、第j个风机入口烟气温度、第i个热矿分块的平均料厚、第i个热矿分块的热矿平均温度、环冷机运行速度、第i个热矿分块正上方的平均气温;
S3,将所述第一实时输入数据输入至第j个神经网络模型中,并接受所述第j个神经网络模型输出的出料温度初步预测值;其中,所述第j个神经网络模型为第j个冷却风机对应的且预先训练的神经网络模型;所述第j个神经网络模型包含所述第一实时输入数据和所述出料温度初步预测值之间的映射关系;
S4,确定所述出料温度初步预测值和第一出料温度期望值之间的第一温差值,并判断所述第一温差值是否处于预设范围内;
S5,在所述第一温差值处于预设范围内时,将所述出料温度初步预测值作为第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值进行输出;在所述第一温差值未处于预设范围内时,将所述第一实时输入数据重新输入至所述神经网络模型进行训练。
2.根据权利要求1所述的环冷机的冷却精准预测方法,其特征在于,所述步骤S5之后还包括步骤:
S61,判断所述第j个冷却风机是否为终点冷却风机;若是,进入步骤S62;若否,进入步骤S63~S67;
S62,将所述第j个神经网络模型输出的出料温度预测值作为第i个热矿分块流出环冷机终点的出料温度预测值进行输出;
S63,获取所述第i个热矿分块进入第j+1个冷却风机的有效冷却范围入口处的第二实时输入数据;所述第二实时输入数据包括:第i个热矿分块的活跃长度、环冷机台车宽度、第j+1个风机实际风量、第j+1个风机入口烟气温度、第i个热矿分块的平均料厚、第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值、环冷机运行速度、第i个热矿分块正上方的平均气温;
S64,将所述第二实时输入数据输入至第j+1个神经网络模型,并接受所述第j+1个神经网络模型输出的出料温度初步预测值;
S65,确定第j+1个神经网络模型输出的出料温度初步预测值和第二出料温度期望值之间的第二温差值,并判断所述第二温差值是否处于预设范围内;
S66,在所述第二温差值处于预设范围内时,将所述第j+1个神经网络模型输出的出料温度初步预测值作为第i个热矿风块流出第j+1个冷却风机出口的出料温度最终预测值进行输出;
S67,将j+1赋值给j,并返回步骤S61。
3.根据权利要求1所述的环冷机的冷却精准预测方法,其特征在于,所述步骤S2中的所述第i个热矿分块的活跃长度,通过以下步骤得到:
根据公式得到所述第i个热矿分块的活跃长度;其中,t1为第i个热矿分块的起始时间;t2为第i个热矿分块的结束时间;v2、v1分别为环冷机在台车外边、内边上的线速度。
4.根据权利要求1所述的环冷机的冷却精准预测方法,其特征在于,所述步骤S2中的所述第i个热矿分块的平均料厚,通过以下步骤得到:
根据公式得到实时层厚仪的采集次数;其中,a为采集次数,Δt为采样时间;
根据公式得到所述第i个热矿分块的平均料厚;其中,hk为单次采集的平均料层厚度。
5.根据权利要求1所述的环冷机的冷却精准预测方法,其特征在于,所述步骤S2中的所述第i个热矿分块的热矿平均温度,通过以下步骤得到:
根据公式其中,b为所述热矿分块中采用的热像仪中测温点的数量,tk为对应的每一点的温度值。
6.根据权利要求1所述的环冷机的冷却精准预测方法,其特征在于,所述步骤S3和S4之间还包括步骤:
S31,判断所述出料温度初步预测值是否超出设定阈值;
S32,在所述出料温度初步预测值超出所述设定阈值时,记录所述第i个热矿分块为异常块;
S33,在所述出料温度初步预测值未超出所述设定阈值时,进入步骤S4。
7.根据权利要求6所述的环冷机的冷却精准预测方法,其特征在于,所述步骤S32之后还包括步骤:
S34,统计在预设时长内热矿分块为异常块的个数是否超出预设个数;
S35,在预设时长内热矿分块为异常块的个数超出预设个数大于预设个数时,向运维人员发送报警指令;
S36,在预设时长内热矿分块为异常块的个数超出预设个数小于或等于预设个数时,进入步骤S4。
8.根据权利要求1所述的环冷机的冷却精准预测方法,其特征在于,所述步骤S3中的所述第j个神经网络模型,通过以下步骤得到:
S301,获取N个满足训练与测试用的历史样本数据;所述历史样本数据包括历史样本输入数据和历史样本输出数据;所述历史样本输入数据包括热矿分块的活跃长度历史值、环冷机台车宽度历史值、风机实际风量历史值、风机入口烟气温度历史值、热矿分块的平均料厚历史值、热矿分块的热矿平均温度、环冷机运行速度历史值、热矿分块正上方的平均气温历史值;所述历史样本输出数据包括出料温度历史值;
S302,将N1个历史样本输入数据作为初步神经网络模型的输入值,将N1个对应的历史样本输出数据作为初步神经网络模型的输出值,对初步神经网络模型进行训练;
S303,将N2个历史样本输入数据输入至初步神经网络模型进行测试,并输出N2个网络预测值;
S304,计算N2个网络预测值和所述N2个历史样本输入数据对应的N2个历史样本输出数据之间的误差,并判断所述误差是否处于预设范围内;
S305,在所述误差处于预设范围内时,将所述初步神经网络模型作为所述第j个神经网络模型;在所述误差未处于预设范围内时,将N2个历史样本数据重新输入至所述初步神经网络模型进行训练。
9.一种环冷机的冷却精准预测系统,用于执行权利要求1-8任意一项所述的环冷机的冷却精准预测方法,其特征在于,包括位置判断模块、数据获取模块以及温度输出模块;其中,
所述位置判断模块,用于获取第i个热矿分块的实时位置,并判断所述第i个热矿分块的实时位置是否处于第j个冷却风机的有效冷却范围入口处;
所述数据获取模块,用于在所述第i个热矿分块的实时位置处于第j个冷却风机的有效冷却范围入口处时,获取所述第i个热矿分块的第一实时输入数据;
所述温度输出模块,用于将所述第一实时输入数据输入至第j个神经网络模型中,并接受所述第j个神经网络模型输出的出料温度初步预测值;确定所述出料温度初步预测值和第一出料温度期望值之间的第一温差值,并判断所述第一温差值是否处于预设范围内;在所述第一温差值处于预设范围内时,将所述出料温度初步预测值作为第i个热矿分块流出第j个冷却风机出口的出料温度最终预测值进行输出;在所述第一温差值未处于预设范围内时,将所述第一实时输入数据重新输入至所述神经网络模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211542937.2A CN118134004A (zh) | 2022-12-02 | 2022-12-02 | 一种环冷机的冷却精准预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211542937.2A CN118134004A (zh) | 2022-12-02 | 2022-12-02 | 一种环冷机的冷却精准预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118134004A true CN118134004A (zh) | 2024-06-04 |
Family
ID=91238357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211542937.2A Pending CN118134004A (zh) | 2022-12-02 | 2022-12-02 | 一种环冷机的冷却精准预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118134004A (zh) |
-
2022
- 2022-12-02 CN CN202211542937.2A patent/CN118134004A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909705B (zh) | 一种高炉铁水质量预报方法及其系统 | |
US8571715B2 (en) | On-line optimization of induration of wet iron ore pellets on a moving grate | |
CN103014329B (zh) | 一种环冷鼓风机控制方法 | |
CN111705174B (zh) | 一种高炉炉墙结厚的检测方法 | |
CN111607673B (zh) | 铁前诊断系统及方法 | |
CN110066895A (zh) | 一种基于Stacking的高炉铁水质量区间预测方法 | |
Zhang et al. | Image-based flame detection and combustion analysis for blast furnace raceway | |
CN116839681B (zh) | 基于多传感器的沥青搅拌设备监测方法及系统 | |
CN104267610B (zh) | 高精度的高炉冶炼过程异常数据检测及修补方法 | |
CN107999547B (zh) | 一种层流冷却的自学习方法及装置 | |
CN101082596B (zh) | 布料均匀性指数在线检测方法 | |
CN102925602A (zh) | 高炉操作炉型维护方法 | |
CN114761582A (zh) | 生产设备的监视方法、生产设备的监视装置以及生产设备的运行方法 | |
Fan et al. | Mathematical models and expert system for grate-kiln process of iron ore oxide pellet production. Part II: Rotary kiln process control | |
CN118134004A (zh) | 一种环冷机的冷却精准预测方法及系统 | |
CN108800967A (zh) | 基于神经网络的环冷机温度控制方法及系统 | |
CN118129490A (zh) | 一种环冷机的冷却控制方法及系统 | |
CN111639800B (zh) | 高炉工艺参数范围的设定方法、设备和存储介质 | |
CN103017533B (zh) | 烧结机主抽风机风量控制方法及系统 | |
CN208162301U (zh) | 一种层流冷却的自学习装置 | |
CN103045855A (zh) | 烧结矿层厚度预测方法及系统 | |
Nikolaevich et al. | Optimal energy-efficient combustion process control in heating furnaces of rolling mills | |
CN112270145B (zh) | 一种基于多相流模型的结圈分析方法及系统 | |
CN108229072A (zh) | 基于数据解析的连退均热炉带钢张力在线测量方法 | |
CN108662906A (zh) | 一种立式冷却机气流控制方法及装置 |
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 |