TWI781626B - 高爐鐵水溫度預測方法與系統 - Google Patents
高爐鐵水溫度預測方法與系統 Download PDFInfo
- Publication number
- TWI781626B TWI781626B TW110117962A TW110117962A TWI781626B TW I781626 B TWI781626 B TW I781626B TW 110117962 A TW110117962 A TW 110117962A TW 110117962 A TW110117962 A TW 110117962A TW I781626 B TWI781626 B TW I781626B
- Authority
- TW
- Taiwan
- Prior art keywords
- features
- molten iron
- blast furnace
- key
- feature
- Prior art date
Links
Images
Landscapes
- Control Of Heat Treatment Processes (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
本發明提出一種高爐鐵水溫度預測方法,適用於一高爐,高爐上設置多個感測器,高爐鐵水溫度預測方法包括:取得每一個感測器在一反應時間內感測到的特徵;根據在反應時間內的特徵執行至少一個特徵篩選演算法以從特徵中取得多個關鍵特徵;將反應時間區分為多個候選反應時間,對於每一個關鍵特徵根據候選反應時間執行特徵篩選演算法以從候選反應時間中取得一關鍵反應時間;收集每一個關鍵特徵在對應的關鍵反應時間內的數值以建立一訓練資料集,並根據訓練資料集來訓練一機器學習模型以預測一鐵水溫度。
Description
本揭露是關於一種高爐鐵水溫度預測方法,與使用此方法的系統。
高爐冶煉是指鐵礦石還原成生鐵的連續生產過程。鐵礦石、焦炭和熔劑等固體原料按規定配料比由高爐頂部的裝料裝置分批送入高爐,焦炭和鐵礦石在爐內形成交替分層結構,鐵礦石在下降過程中逐步被還原、熔化成鐵(又稱鐵水)和渣。在排出鐵水時,可使用熱電偶溫度量測設備來量測鐵水溫度,但高爐從投料口到最後產出鐵水一般預計時間約6~8小時,中間對高爐進行各種操作,對於最後實際反應至鐵水溫度之時間並無法確切知道。因此,如何預測高爐鐵水溫度,為此領域技術人員所關心的議題。
本發明的實施例提出一種高爐鐵水溫度預測方法,適用於一高爐,高爐上設置多個感測器,高爐鐵水溫度預
測方法包括:取得每一個感測器在一反應時間內感測到的特徵;根據在反應時間內的特徵執行至少一個特徵篩選演算法以從特徵中取得多個關鍵特徵;將反應時間區分為多個候選反應時間,對於每一個關鍵特徵根據候選反應時間執行特徵篩選演算法以從候選反應時間中取得一關鍵反應時間;收集每一個關鍵特徵在對應的關鍵反應時間內的數值以建立一訓練資料集,並根據訓練資料集來訓練一機器學習模型以預測一鐵水溫度。
在一些實施例中,上述的特徵篩選演算法包括皮爾森積差相關分析、卡方分布、費雪爾正確概率檢定、Kendall等級相關係數、斯皮爾曼等級相關係數、相互資訊、動態時間規整演算法的至少其中之二。
在一些實施例中,上述根據在反應時間內的特徵執行特徵篩選演算法以從特徵中取得關鍵特徵的步驟還包括:建立一滑動視窗,此滑動視窗的寬度等於反應時間的長度;對於每一個特徵,將滑動視窗內的特徵設定為自變數,而滑動視窗之後的鐵水溫度設定為應變數,藉此取得一樣本,而透過改變滑動視窗的一起始時間點以取得多個樣本,每一個特徵篩選演算法是根據這些樣本所執行;透過每一個特徵篩選演算法排序特徵以計算一相關性分數;對於每一個特徵,將對應的相關性分數累加以得到一總相關性分數;以及根據總相關性分數從特徵中取得關鍵特徵。
在一些實施例中,反應時間為第1~N個小時,N為大於等於8的正整數,鐵水溫度是對應至第M個小時,
M為大於等於N的正整數。
在一些實施例中,上述的機器學習模型為長短期記憶或門控循環單元的神經網路。
以另一個角度來說,本發明的實施例提出一種高爐鐵水溫度預測系統,包括高爐、多個感測器與計算模組。感測器設置在高爐上。計算模組通訊連接至感測器,用以執行以下步驟:取得每一個感測器在一反應時間內感測到的特徵;根據在反應時間內的特徵執行至少一個特徵篩選演算法以從特徵中取得多個關鍵特徵;將反應時間區分為多個候選反應時間,對於每一個關鍵特徵根據候選反應時間執行特徵篩選演算法以從候選反應時間中取得一關鍵反應時間;收集每一個關鍵特徵在對應的關鍵反應時間內的數值以建立一訓練資料集,並根據訓練資料集來訓練一機器學習模型以預測一鐵水溫度。
100:高爐鐵水溫度預測系統
110:高爐
120:感測器
130:計算模組
210,220,230:關鍵反應時間
301~305:步驟
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
圖1是根據一實施例繪示高爐鐵水溫度預測系統的示意圖。
圖2是根據一實施例繪示篩選關鍵反應時間的示意圖。
圖3是根據一實施例繪示高爐鐵水溫度預測方法的流程圖。
圖1是根據一實施例繪示高爐鐵水溫度預測系統的示意圖。請參照圖1,高爐鐵水溫度預測系統100包括高爐110,多個感測器120與計算模組130。感測器120是設置在高爐110上,這些感測器120例如是溫度感測器、一氧化碳濃度感測器、二氧化碳濃度感測器、硫含量感測器、矽含量感測器、壓力感測器等等,本揭露並不在此限。每一個感測器120可用以感測一或多個特徵,這些感測器120所感測到的特徵可例如包括爐頂一氧化碳濃度、爐井二氧化碳濃度、爐頂氫氣濃度、氣體利用率、焦炭率、料率、熱流比、在各種位置的熱負荷、硫含量、矽含量、噴煤率、細焦炭率、熱損、熱風效率、噴煤噸數、爐床液位、熱風硫量、鐵水溫度等等。本領域具有通常知識者當可理解在高爐運作中涉及那些參數,而要量測每個參數需要設置什麼類型的感測器,在此不詳細贅述。此外,圖1中感測器120的設置位置僅是示意,本揭露並不限制感測器120的設置位置。
計算模組130例如為個人電腦、伺服器、工業電腦、分散式系統或具有計算能力的各種電子裝置。計算模組130可用有線或無線的方式通訊連接至感測器120,根據上述的特徵與量測到的鐵水溫度來訓練一機器學習模型,藉此來預測尚未產出的鐵水的溫度。
首先,設定一反應時間,此反應時間為一般產生鐵水所需要的時間,例如為從爐頂投料之後的1~8小時,在
此設定反應時間為第1~N個小時,N為大於等於8的正整數,但本揭露並不在此限。所要預測的鐵水溫度則是對應至第M個小時,M為大於等於N的正整數。
值得注意的是,高爐110的運作是連續的,也就是說所感測到的特徵與鐵水溫度都是時間序列上的多個數值,在此會依照上述的反應時間從中找到應變數與自變數。具體來說,可建立一滑動視窗,此滑動視窗的寬度等於反應時間的長度N,在此設定滑動視窗的起始時間點為T。從時間T到時間T+N之內的特徵可以設定為自變數,而在時間T+M(位在滑動視窗之後)的鐵水溫度可以設定為應變數,藉此可以取得一個樣本(包括應變數與自變數)。透過改變滑動視窗的起始時間點T可以取得多個樣本,舉例來說,每一分鐘可對應到一個樣本,如果滑動視窗連續滑動一千分鐘,則總共可以取得一千個樣本。在此對於每個特徵可取得一千個樣本,但本揭露並不在此限。
對於每個特徵,可以根據所收集的多個樣本來執行至少一個特徵篩選演算法來計算自變數與應變數之間的相關性。此特徵篩選演算法可包括皮爾森積差相關分析(Pearson Correlation)、卡方分布(chi-square distribution)、費雪爾正確概率檢定(Fisher’s Exact Test)、Kendall等級相關係數(Kendall Rank Correlation)、斯皮爾曼等級相關係數(Spearman’s rank correlation)、相互資訊(Mutual information)、動態時間規整演算法(Dynamic Time Warping)。在一
些實施例中,特徵篩選演算法可以包括任意的機器學習演算法,例如支持向量機或是類神經網路,根據應變數與自變數可以用來訓練機器學習演算法,而預測的誤差可用來衡量應變數與自變數之間的相關性,誤差越小則表示越相關。然而,本領域具有通常知識者當可理解這些演算法,在此不贅述。
每個特徵篩選演算法對於每個特徵都會計算出一個數值來代表相關性,在一些演算法中數值越大則越相關,在一些演算法中是數值越小則越相關。根據這些數值可以從相關到不相關來排序特徵,根據此排序可計算出一相關性分數,在此用rank f,m 表示第m個特徵篩選演算法計算出關於第f個特徵的相關性分數,在此實施例中相關性分數rank f,m 是排序的名次,若是rank f,m =1則表示第m個特徵篩選演算法認為第f個特徵是最相關的特徵。
對於每一個特徵,可將對應的相關性分數累加以得到總相關性分數,如以下數學式。
其中correlation score f 是第f個特徵的總相關性分數,此數值越大表示第f個特徵與鐵水溫度越不相關。根據每個特徵的總相關性分數可以篩選出關鍵特徵,在一些實施例中可以選取總相關性分數小於一臨界值(例如為400)的特徵當作關鍵特徵,但本揭露並不限制此臨界值為何。在一些實施例中,關鍵特徵包括熱風流量、焦炭率、熱損、
高爐頂部溫度、熱流比等,但本揭露並不在此限。
接下來,將反應時間區分為多個候選反應時間,可用類似的方式根據候選反應時間執行特徵篩選演算法以從候選反應時間中取得關鍵反應時間。具體請參照圖2,圖2是根據一實施例繪示篩選關鍵反應時間的示意圖。特徵1至特徵3已經是篩選過後的關鍵特徵。在此將反應時間(第1~N個小時)分為N個候選反應時間,每個候選反應時間的長度為2小時,因此第一個候選反應時間包括第1與第2個小時,第二個候選反應時間包括第2與第3個小時,以此類推。對於每一個關鍵特徵來說,可依照特徵篩選演算法選取一個與鐵水溫度最相關的候選反應時間以作為此特徵的關鍵反應時間。舉例來說,特徵1的關鍵反應時間210包括第1至第3個小時,特徵2的關鍵反應時間220包括第3至第5個小時,特徵3的關鍵反應時間230包括第(N-1)至第(N+1)個小時。在其他實施例中,候選反應時間的長度可以更長或更短,本揭露並不在此限。
接下來,收集每一個關鍵特徵在關鍵反應時間內的數值以及第M個小時的鐵水溫度以建立訓練資料集,然後根據此訓練資料集訓練一機器學習模型,此機器學習模型可為長短期記憶(Long Short-Term Memory,LSTM)、門控循環單元(Gated Recurrent Unit,GRU)或其他合適的神經網路,在一些實驗中採用長短期記憶的平均絕對誤差(Mean Absolute Error,MAE)是15.5,而採用門控循環單元的平均絕對誤差是14.6,以鐵水溫度
1500度來計算,兩個模型的誤差大約是1%。在此實施例中是預測第M個小時的鐵水溫度,但在其他實施例中也可以預測一段時間內的鐵水溫度,例如第M個小時至第M+2個小時的鐵水溫度,本揭露並不在此限。
在上述的實施例中,是用兩階段的方式篩選出關鍵的特徵與反應時間,藉此可以得知在什麼時間的什麼特徵對於鐵水溫度的預測更為重要。
圖3是根據一實施例繪示高爐鐵水溫度預測方法的流程圖。請參照圖3,在步驟301中,取得感測器在反應時間內感測到的特徵。在步驟302中,根據在反應時間內的特徵執行至少一個特徵篩選演算法以從這些特徵中取得多個關鍵特徵。在步驟303中,將反應時間區分為多個候選反應時間,對於每一個關鍵特徵根據候選反應時間執行特徵篩選演算法以從候選反應時間中取得關鍵反應時間。在步驟304中,收集每個關鍵特徵在對應的關鍵反應時間內的數值以建立訓練資料集,並根據訓練資料集來訓練機器學習模型以預測鐵水溫度。由於機器學習模型在長時間運作過程中,模型準確度可能會變差,各項參數也可能因為高爐設備變化,造成反應時間改變,當準確度變差時可以重新進行訓練。具體來說,在步驟305中,進入測試階段,根據訓練好的機器學習來預測鐵水溫度,並且量測實際的鐵水溫度以判斷預測誤差是否大於一臨界值,若是的話則回到步驟303,重新篩選出關鍵反應時間,並重複執行步驟304。在一些實施例中,當預測誤差大於臨界值時
也可以回到步驟302或步驟301。然而,圖3中各步驟已詳細說明如上,在此便不再贅述。值得注意的是,圖3中各步驟可以實作為多個程式碼或是電路,本發明並不在此限。此外,圖3的方法可以搭配以上實施例使用,也可以單獨使用。換言之,圖3的各步驟之間也可以加入其他的步驟。
在上述的系統與方法中,可對連續運作的高爐取得關鍵的特徵與關鍵的反應時間,藉此可以準確地預測鐵水溫度,並且當長期設備狀態改變時可以重新訓練機器學習模型。在一些實施例中,所預測的鐵水溫度可以用來調整高爐操作,例如控制高爐上的任何一個設備,此設備可以是氣閥、入料裝置、加熱裝置等等,避免鐵水溫度過大浪費燃料、或者過低造成鐵水凝固以及堵塞高爐。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
301~305:步驟
Claims (10)
- 一種高爐鐵水溫度預測方法,適用於一高爐,該高爐上設置多個感測器,該高爐鐵水溫度預測方法包括:取得每一該些感測器在一反應時間內感測到的特徵;根據在該反應時間內的該些特徵執行至少一特徵篩選演算法以從該些特徵中取得多個關鍵特徵;將該反應時間區分為多個候選反應時間,對於每一該些關鍵特徵根據該些候選反應時間執行該至少一特徵篩選演算法以從該些候選反應時間中取得一關鍵反應時間;收集每一該些關鍵特徵在對應的該關鍵反應時間內的數值以建立一訓練資料集,並根據該訓練資料集來訓練一機器學習模型以預測一鐵水溫度。
- 如請求項1所述之高爐鐵水溫度預測方法,其中該至少一特徵篩選演算法包括皮爾森積差相關分析、卡方分布、費雪爾正確概率檢定、Kendall等級相關係數、斯皮爾曼等級相關係數、相互資訊、動態時間規整演算法的至少其中之二。
- 如請求項1所述之高爐鐵水溫度預測方法,其中根據在該反應時間內的該些特徵執行至少一特徵篩選演算法以從該些特徵中取得該些關鍵特徵的步驟包括:建立一滑動視窗,該滑動視窗的寬度等於該反應時間的 長度;對於每一該些特徵,將該滑動視窗內的該特徵設定為自變數,而該滑動視窗之後的該鐵水溫度設定為應變數,藉此取得一樣本,而透過改變該滑動視窗的一起始時間點以取得多個樣本,每一該些特徵篩選演算法是根據該些樣本所執行;透過每一該些特徵篩選演算法排序該些特徵以計算一相關性分數;對於每一該些特徵,將對應的該些相關性分數累加以得到一總相關性分數;以及根據該總相關性分數從該些特徵中取得該些關鍵特徵。
- 如請求項1所述之高爐鐵水溫度預測方法,其中該反應時間為第1~N個小時,N為大於等於8的正整數,該鐵水溫度是對應至第M個小時,M為大於等於N的正整數。
- 如請求項1所述之高爐鐵水溫度預測方法,其中該機器學習模型為長短期記憶或門控循環單元的神經網路。
- 一種高爐鐵水溫度預測系統,包括:高爐;多個感測器,設置在該高爐上;以及 一計算模組,通訊連接至該些感測器,用以執行多個步驟:取得每一該些感測器在一反應時間內感測到的特徵;根據在該反應時間內的該些特徵執行至少一特徵篩選演算法以從該些特徵中取得多個關鍵特徵;將該反應時間區分為多個候選反應時間,對於每一該些關鍵特徵根據該些候選反應時間執行該至少一特徵篩選演算法以從該些候選反應時間中取得一關鍵反應時間;收集每一該些特徵在對應的該關鍵反應時間內的數值以建立一訓練資料集,並根據該訓練資料集來訓練一機器學習模型以預測一鐵水溫度。
- 如請求項6所述之高爐鐵水溫度預測系統,其中該至少一特徵篩選演算法包括皮爾森積差相關分析、卡方分布、費雪爾正確概率檢定、Kendall等級相關係數、斯皮爾曼等級相關係數、相互資訊、動態時間規整演算法的至少其中之二。
- 如請求項6所述之高爐鐵水溫度預測系統,其中根據在該反應時間內的該些特徵執行至少一特徵篩選演算法以從該些特徵中取得該些關鍵特徵的步驟還包括:建立一滑動視窗,該滑動視窗的寬度等於該反應時間的長度; 對於每一該些特徵,將該滑動視窗內的該特徵設定為自變數,而該滑動視窗之後的該鐵水溫度設定為應變數,藉此取得一樣本,而透過改變該滑動視窗的一起始時間點以取得多個樣本,每一該些特徵篩選演算法是根據該些樣本所執行;透過每一該些特徵篩選演算法排序該些特徵以計算一相關性分數;對於每一該些特徵,將對應的該些相關性分數累加以得到一總相關性分數;以及根據該總相關性分數從該些特徵中取得該些關鍵特徵。
- 如請求項6所述之高爐鐵水溫度預測系統,其中該反應時間為第1~N個小時,N為大於等於8的正整數,該鐵水溫度是對應至第M個小時,M為大於等於N的正整數。
- 如請求項6所述之高爐鐵水溫度預測系統,其中該機器學習模型為長短期記憶或門控循環單元的神經網路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110117962A TWI781626B (zh) | 2021-05-18 | 2021-05-18 | 高爐鐵水溫度預測方法與系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110117962A TWI781626B (zh) | 2021-05-18 | 2021-05-18 | 高爐鐵水溫度預測方法與系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI781626B true TWI781626B (zh) | 2022-10-21 |
TW202247052A TW202247052A (zh) | 2022-12-01 |
Family
ID=85475783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110117962A TWI781626B (zh) | 2021-05-18 | 2021-05-18 | 高爐鐵水溫度預測方法與系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI781626B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070295165A1 (en) * | 2004-10-29 | 2007-12-27 | Kabushiki Kaisha Kobe Seiko Sho ( Kobe Steel Ltd.) | Process for Producing Molten Iron and Apparatus Therefor |
CN103882176A (zh) * | 2014-03-25 | 2014-06-25 | 东北大学 | 一种基于数据驱动的转炉炼钢过程在线动态最优控制方法 |
TWI450969B (zh) * | 2012-01-19 | 2014-09-01 | China Steel Corp | 高爐鐵水溫度之估測方法 |
TW201530277A (zh) * | 2014-01-22 | 2015-08-01 | China Steel Corp | 高爐鐵水溫度預測方法 |
CN109933935A (zh) * | 2019-03-22 | 2019-06-25 | 刘童童 | 一种钢铸截面钢液温降在线预测系统 |
CN111893237A (zh) * | 2020-07-08 | 2020-11-06 | 北京科技大学 | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 |
-
2021
- 2021-05-18 TW TW110117962A patent/TWI781626B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070295165A1 (en) * | 2004-10-29 | 2007-12-27 | Kabushiki Kaisha Kobe Seiko Sho ( Kobe Steel Ltd.) | Process for Producing Molten Iron and Apparatus Therefor |
TWI450969B (zh) * | 2012-01-19 | 2014-09-01 | China Steel Corp | 高爐鐵水溫度之估測方法 |
TW201530277A (zh) * | 2014-01-22 | 2015-08-01 | China Steel Corp | 高爐鐵水溫度預測方法 |
CN103882176A (zh) * | 2014-03-25 | 2014-06-25 | 东北大学 | 一种基于数据驱动的转炉炼钢过程在线动态最优控制方法 |
CN109933935A (zh) * | 2019-03-22 | 2019-06-25 | 刘童童 | 一种钢铸截面钢液温降在线预测系统 |
CN111893237A (zh) * | 2020-07-08 | 2020-11-06 | 北京科技大学 | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202247052A (zh) | 2022-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Double locally weighted principal component regression for soft sensor with sample selection under supervised latent structure | |
CN112001527B (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 | |
Gao et al. | Modeling of the thermal state change of blast furnace hearth with support vector machines | |
CN110066895B (zh) | 一种基于Stacking的高炉铁水质量区间预测方法 | |
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
CN101211383A (zh) | 一种高炉铁水硅含量的特征分析预报方法 | |
CN1403593A (zh) | 一种利用智能控制系统控制高炉冶炼的方法 | |
CN105807741A (zh) | 一种工业生产流程预测方法 | |
CN113761787A (zh) | 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统 | |
Son et al. | Slag foaming estimation in the electric arc furnace using machine learning based long short-term memory networks | |
JP6206368B2 (ja) | 高炉内状態推定装置および高炉内状態推定方法 | |
Cardoso et al. | Prediction of silicon content in the hot metal using Bayesian networks and probabilistic reasoning | |
Feng et al. | Case-based reasoning method based on mechanistic model correction for predicting endpoint sulphur content of molten iron in KR desulphurization | |
Wang et al. | A data-driven model for energy consumption in the sintering process | |
TWI781626B (zh) | 高爐鐵水溫度預測方法與系統 | |
CN111798023B (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
CN113517037A (zh) | 一种数据与知识融合的烧结矿FeO预测方法及系统 | |
CN112509642A (zh) | 一种高炉炉渣粘度的在线预测方法 | |
Jarosz et al. | Metamodeling and optimization of a blister copper two-stage production process | |
Cardoso et al. | Artificial neural network-based committee machine for predicting the slag quality of a blast furnace fed with metallurgical coke | |
Jiang et al. | A new monitoring method for the blocking time of the taphole of blast furnace using molten iron flow images | |
JP7485918B2 (ja) | 炉況評価装置、炉況評価方法、及び炉況評価プログラム、並びに、学習済みモデルの生成方法 | |
Huang et al. | Rotary kiln temperature control under multiple operating conditions: An error-triggered adaptive model predictive control solution | |
WO2022059753A1 (ja) | 溶解炉のエネルギー効率を予測する学習済み予測モデルを生成する方法、溶解炉のエネルギー効率を予測する方法、およびコンピュータプログラム | |
Gao et al. | Assessing the predictability for blast furnace system through nonlinear time series analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |