TWI534574B - Prediction Method of Hot Metal Temperature in Blast Furnace - Google Patents
Prediction Method of Hot Metal Temperature in Blast Furnace Download PDFInfo
- Publication number
- TWI534574B TWI534574B TW103102195A TW103102195A TWI534574B TW I534574 B TWI534574 B TW I534574B TW 103102195 A TW103102195 A TW 103102195A TW 103102195 A TW103102195 A TW 103102195A TW I534574 B TWI534574 B TW I534574B
- Authority
- TW
- Taiwan
- Prior art keywords
- blast furnace
- molten iron
- data
- iron temperature
- classification model
- Prior art date
Links
Landscapes
- Manufacture Of Iron (AREA)
Description
本發明係關於一種溫度預測方法,特別係關於一種高爐鐵水溫度預測方法。
習知高爐生產過程十分複雜,運用傳統數學方法不易準確定義及描述。尤其在模式求解時,其質量轉換(Mass Transport)及熱傳反應(Reaction and Thermal Transfer)等所需之初始條件、邊界條件及物性參數皆難以測量,故無法保證其精度及完整性。
近年來,已有相關研究提出利用資料探勘(Data Mining)等人工智慧(Artificial Intelligence)技術協助控制爐熱的穩定。然而,預測高爐鐵水溫度主要的困難在於從投料到出鐵需6至8小時,其不可控制及操作條件影響的是0.5至9小時以後的出鐵溫度,以及製程條件變動(即資料特徵)與出鐵溫度在時間先後的對應上出現明顯的滯後。
資料探勘與型態識別是目前極受重視的資料分析工具,其在許多領域中都有高度評價。資料探勘主要是對大量資料進行探索及分析,以從中找到有意義的型態,其包括了分類(Classification)、推估(Estimation)、預測Prediction)、關聯分組(Affinity Grouping)及分群(Clustering)等方法論。分類法是最早使用的分析工具之一,主要按照分析對象屬性建立類別(Class),亦即利用訓練資料(Training Data)中的各種特徵屬性建構分類規則,再以相同特徵屬性的測試資料(Testing Data)驗證是否可達到使用者可接受的正確率。
習知常見的分類技術主要有區別分析(Linear Discriminate Analysis,LDA)、倒傳遞類神經網路(Back-Propagation Neural Network,BPNN)分析等。其中利用類神經網路具備容錯與解決非線性等特性,透過歷史高爐製程資料的訓練來展現學習與歸納推演等能力,以處理高爐製程的非線性問題,進而預測高爐產出鐵水溫度。
此外,亦有應用類神經網路建立爐熱與鐵水矽含量預測模式,並以田口方法對變數及時間延遲效應進行篩選,進而建立鐵水矽含量之靜態與動態類神經網路模組。根據分析結果,靜態模式之預測準確度較差,故適合做變數分析,而動態模式則可做為預測模式使用。
然而,將上述方法應用於相同的分類問題時,常常得到不一致的結論,以致無法準確預測高爐鐵水溫度及維持高爐操作穩定。
因此,有必要提供一創新且具進步性之高爐鐵水溫度預測方法,以解決上述問題。
本發明提供一種高爐鐵水溫度預測方法,包括以下步驟:(a)提供一高爐製程資料,並進行資料前處理,以篩選出正常的資料群;(b)進行一特徵選取步驟,以篩選影響分類的重要屬性;(c)進行一相似性資料選取步驟,以找出相似之製程資料群;及(d)以自迴歸移動平均(Auto-Regressive Moving Average with Exogenous Input)分類模型及支持向量機(Support Vector Machine)分類模型形成複合分類模型,並計算所得複合分類模型之測試樣本平均分類正確率,及比較預測分類結果與實際結果。
本發明以複合分類模型預測高爐鐵水溫度,除了可提升高爐鐵水溫度預測的準確度外,亦可達到維持高爐操作穩定之目標。
為了能夠更清楚瞭解本發明的技術手段,而可依照說明書的內容予以實施,並且為了讓本發明所述目的、特徵和優點能夠更明顯易
懂,以下特舉較佳實施例,並配合附圖,詳細說明如下。
10‧‧‧複合分類模型
11‧‧‧自迴歸移動平均分類模型
12‧‧‧支持向量機分類模型
d‧‧‧延遲時間
t‧‧‧時間
X‧‧‧輸入
y‧‧‧輸出
S11~S14‧‧‧步驟
圖1顯示本發明高爐鐵水溫度預測方法之流程圖;圖2顯示本發明複合分類模型之架構圖;圖3顯示比較例之模型建構流程圖;圖4A至4F顯示比較例之12期溫度預測結果圖;圖5顯示發明例複合分類模型之製程參數與鐵水溫度預測流程圖;及圖6A至6F顯示發明例之12期溫度預測結果圖。
圖1顯示本發明高爐鐵水溫度預測方法之流程圖。參閱圖1之步驟S11,提供一高爐製程資料,並進行資料前處理,以篩選出正常的資料群。在此步驟中,該高爐製程資料係可由領域專家提供。
參閱步驟S12,進行一特徵選取步驟,以篩選影響分類的重要屬性。在此步驟中,該特徵選取方法至少包括如下的其中一種:費雪區別分析法(Fisher Discriminant Analysis)、逐步迴歸法(Stepwise Regression Procedure)及窮舉搜尋法(Exhausted Search Method)。
參閱步驟S13,進行一相似性資料選取步驟,以找出相似之製程資料群。在此步驟中,該相似性資料選取方法至少包括如下的其中一種:資料整體相似性指標(Global Similarity Index)、K最鄰近法(K-Nearest Neighborhood)及歐式距離(Euclidean Distance)。其中,該歐式距離包括藉由特定時序資料之範圍選取,由歷史資料中獲得與目前高爐鐵水製程最相似之資料型態。
圖2顯示本發明複合分類模型之架構圖。配合參閱圖1之步驟S14及圖2,以自迴歸移動平均(Auto-Regressive Moving Average with Exogenous Input)分類模型11及支持向量機(Support Vector Machine)
分類模型12形成複合分類模型10,並計算所得複合分類模型10之測試樣本平均分類正確率,及比較預測分類結果與實際結果。在此步驟中,自迴歸移動平均(Auto-Regressive Moving Average with Exogenous Input)分類模型11係用以獲得高爐鐵水溫度趨勢預測之線性解。
此外,為獲得高爐鐵水溫度趨勢預測之非線性解,此步驟另包括利用步驟S13所獲得最相似之資料及該高爐鐵水溫度趨勢預測之線性解,獲得高爐鐵水溫度預測值與實際值之殘差,並利用該支持向量機分類模型12及該殘差,獲得高爐鐵水溫度趨勢預測之非線性解。本發明高爐鐵水溫度預測值係等於線性解與非線性解之和。
茲以下列實例予以詳細說明本發明,唯並不意謂本發明僅侷限於此等實例所揭示之內容。
附件第1頁顯示本發明高爐爐熱相關參數對應位置之示意圖。配合參閱附件第1頁及表1,本發明使用25個高爐爐熱相關參數進行驗證,利用該等相關參數進行質能平衡分析,可建立爐熱指標,以準確預知爐熱變化,且透過爐熱指標與迴歸分析方法可建立爐身鐵水溫度預測模式。該等相關參數可分成四類:
(1)操作條件:鼓風測量值、富氧率、噴煤量、礦石/焦炭比值及焦炭比。
(2)計算指標:透氣性、CO氣體利用率、碳溶損反應、CO總量、氣體平衡、產量/鼓風氣體量、單位時間鼓進熱量及單位時間鼓進還原氣體體積。
(3)爐殼熱損:被水帶走之熱損、爐腹熱損、下爐身熱損及上爐身熱損。
(4)量測資料:爐頂氣體及瞬時產量。
參閱圖3,其係顯示比較例之模型建構流程圖。單純以支持向量機分類模型進行12期預測,所須帶入之參考值,仍為前一次估算之。然而,其預測效果實難被現場高爐操作人員接受。改由歐式範數(Euclidean norm)由計算最鄰近之資料群體(X+y)的距離,並仍以X t 進行y t+4,y t+5,...,y t+12,流程如圖3所示。
參閱圖4A至4F,其係顯示比較例之12期溫度預測結果圖。如圖4A至4F所示,其鐵水溫度預測結果並不理想。
參閱圖5,其係顯示發明例複合分類模型之製程參數與鐵水溫度預測流程圖。發明例係針對不同階段的資料進行演算,說明如下:
1. 初始假設:X與y相差5期。
2. X t-5與y t 以前的資料,均列為已知的模型訓練資料。
3. 在X t-4~X t 的階段,由特定階層的歐式範數(Euclidean norm),對歷史資料求得y t+1、...、y t+5。
4. X t-4與y t+1帶入自迴歸移動平均分類模型,求得。將與y t+1之殘差e t+1帶入支持向量機分類模型進行殘分析,可得一誤差值ε t+1。
圖6A至6F顯示發明例之12期溫度預測結果圖。由於高爐鐵水溫度資料為非穩態的時間序列資料,即一種遵循隨機過程的序列資料,故會受時間影響。而各個不同(離散)時間的出鐵溫度應具自我相關性,利用複合分類模型具有的時序特性,藉數學模式之線性及非線性解,可近似實際物理現象。如圖6A至6F所示,其鐵水溫度預測結果符合實際之鐵水生成狀態。
本發明以複合分類模型預測高爐鐵水溫度,除了可提升高爐鐵水溫度預測的準確度外,亦可達到維持高爐操作穩定之目標。
上述實施例僅為說明本發明之原理及其功效,並非限制本發明,因此習於此技術之人士對上述實施例進行修改及變化仍不脫本發明之精神。本發明之權利範圍應如後述之申請專利範圍所列。
S11~S14‧‧‧步驟
Claims (8)
- 一種高爐鐵水溫度預測方法,包括以下步驟:(a)提供一高爐製程資料,並進行資料前處理,以篩選出正常的資料群;(b)進行一特徵選取步驟,以篩選影響分類的重要屬性;(c)進行一相似性資料選取步驟,以找出相似之製程資料群;及(d)以自迴歸移動平均(Auto-Regressive Moving Average with Exogenous Input)分類模型及支持向量機(Support Vector Machine)分類模型形成複合分類模型,並計算所得複合分類模型之測試樣本平均分類正確率,及比較預測分類結果與實際結果。
- 如請求項1之高爐鐵水溫度預測方法,其中步驟(b)之特徵選取方法至少包括如下的其中一種:費雪區別分析法(Fisher Discriminant Analysis)、逐步迴歸法(Stepwise Regression Procedure)及窮舉搜尋法(Exhausted Search Method)。
- 如請求項1之高爐鐵水溫度預測方法,其中步驟(c)之相似性資料選取方法至少包括如下的其中一種:資料整體相似性指標(Global Similarity Index)、K最鄰近法(K-Nearest Neighborhood)及歐式距離(Euclidean Distance)。
- 如請求項3之高爐鐵水溫度預測方法,其中步驟(d)之自迴歸移動平均(Auto-Regressive Moving Average with Exogenous Input)分類模型係用以獲得高爐鐵水溫度趨勢預測之線性解。
- 如請求項4之高爐鐵水溫度預測方法,其中該歐式距離包括藉由特定時序資料之範圍選取,由歷史 資料中獲得與目前高爐鐵水製程最相似之資料型態。
- 如請求項5之高爐鐵水溫度預測方法,其中步驟(d)另包括利用該最相似之資料及該高爐鐵水溫度趨勢預測之線性解,獲得高爐鐵水溫度預測值與實際值之殘差。
- 如請求項6之高爐鐵水溫度預測方法,其中步驟(d)另包括利用該支持向量機分類模型及該殘差,獲得高爐鐵水溫度趨勢預測之非線性解。
- 如請求項7之高爐鐵水溫度預測方法,其中高爐鐵水溫度預測值係等於線性解與非線性解之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103102195A TWI534574B (zh) | 2014-01-22 | 2014-01-22 | Prediction Method of Hot Metal Temperature in Blast Furnace |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103102195A TWI534574B (zh) | 2014-01-22 | 2014-01-22 | Prediction Method of Hot Metal Temperature in Blast Furnace |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201530277A TW201530277A (zh) | 2015-08-01 |
TWI534574B true TWI534574B (zh) | 2016-05-21 |
Family
ID=54342703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103102195A TWI534574B (zh) | 2014-01-22 | 2014-01-22 | Prediction Method of Hot Metal Temperature in Blast Furnace |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI534574B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11842800B2 (en) | 2019-07-09 | 2023-12-12 | Tata Consultancy Services Limited | Artificial intelligence based temperature measurement in mixed fluid chamber |
TWI781626B (zh) * | 2021-05-18 | 2022-10-21 | 中國鋼鐵股份有限公司 | 高爐鐵水溫度預測方法與系統 |
-
2014
- 2014-01-22 TW TW103102195A patent/TWI534574B/zh not_active IP Right Cessation
Also Published As
Publication number | Publication date |
---|---|
TW201530277A (zh) | 2015-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Application of BP neural network to the prediction of coal ash melting characteristic temperature | |
CN112001527A (zh) | 多特征融合深度神经网络的工业生产过程目标数据预测方法 | |
JP6729514B2 (ja) | 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置 | |
CN102163261A (zh) | 一种基于案例推理的钢水温度预测方法 | |
CN106909705A (zh) | 一种高炉铁水质量预报方法及其系统 | |
CN102176221B (zh) | 基于动态工况的焦炉加热燃烧过程焦炉温度预测方法 | |
CN106156434A (zh) | 基于局部时滞重构的滑动窗时间差‑高斯过程回归建模方法 | |
CN103729571B (zh) | 一种高炉炼铁过程一氧化碳利用率的建模方法 | |
Shi et al. | Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology | |
CN104635493B (zh) | 基于温度波模型预测控制的内部热耦合精馏控制方法及装置 | |
TWI534574B (zh) | Prediction Method of Hot Metal Temperature in Blast Furnace | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
CN111915080A (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
CN113239482A (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
CN110427715A (zh) | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 | |
Zhou et al. | Data‐Driven Dynamic Modeling for Prediction of Molten Iron Silicon Content Using ELM with Self‐Feedback | |
CN115187102A (zh) | 一种基于烧结矿质量预测下的模型评估改进方法 | |
Deng et al. | Establishment of evaluation and prediction system of comprehensive state based on big data technology in a commercial blast furnace | |
CN104517034B (zh) | 火电机组回路通道模型辨识方法和系统 | |
Kai et al. | End temperature prediction of molten steel in RH based on case-based reasoning with optimized case base | |
Sun et al. | Product composition control based on backpropagation neural network in pressure-swing distillation processes | |
Xia et al. | Prediction interval estimation of sinter drum index based on light gradient boosting machine and kernel density estimation | |
JP2017008363A (ja) | 高炉内の層厚分布の推定方法、高炉の操業方法、および高炉内の層厚分布の推定装置 | |
CN105975564B (zh) | 基于相对熵相似度的知识推荐方法 | |
Jiang et al. | A trend prediction method based on fusion model and its application |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |