CN101403567A - 基于svm的电弧炉终点温度预报*** - Google Patents
基于svm的电弧炉终点温度预报*** Download PDFInfo
- Publication number
- CN101403567A CN101403567A CNA2008102269623A CN200810226962A CN101403567A CN 101403567 A CN101403567 A CN 101403567A CN A2008102269623 A CNA2008102269623 A CN A2008102269623A CN 200810226962 A CN200810226962 A CN 200810226962A CN 101403567 A CN101403567 A CN 101403567A
- Authority
- CN
- China
- Prior art keywords
- temperature
- model
- cooling water
- water energy
- energy consumption
- 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
Images
Landscapes
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
一种基于SVM的电弧炉终点温度预报***,属于钢铁企业炼钢自动化技术领域。该***包括:静态温度预报模型和动态温度预报模型;静态温度预报模型由两个逆模型和一个正模型构成,其中逆模型包括吹氧量逆模型和电耗逆模型,而且逆模型的输出作为正模型的输入;静态温度预报模型的输出作为动态温度预报模型的输入;动态温度预报模型是为了实时预报钢水的温度,静态温度预报模型为动态温度预报模型提供起始点温度,它是通过对吹氧量和电耗两个重要的控制变量建立逆模型,来提高静态温度预报模型的精度;另外建模所用数据均来自现场的实际数据。优点在于,可根据正模型预报出当前温度,将此温度作为动态温度预报模型的起始温度,进行过程温度的实时预报。
Description
技术领域
本发明属于钢铁企业炼钢自动化技术领域,特别是提供了一种基于SVM的电弧炉终点温度预报***,它采用将静态温度预报模型和动态温度预报模型相结合的方法对钢水终点温度进行预报,将该模型有助于指导炼钢生产,提高钢水终点温度的命中率,改善控制效果,缩短冶炼周期,提高炼钢生产效率,降低炼钢生产成本。
背景技术
温度是电弧炉炼钢过程的重要技术指标之一,太高则浪费了电能;太低,下一工位的生产难以得到保证,因此准确的控制钢水终点温度对于节能、降低生产成本和保证生产的有序进行有着重要的意义。但是电弧炉炼钢过程是一个非常复杂的物理化学变化过程,影响终点温度的因素很多,难以用定量的数学模型描述,而且电弧炉熔池温度高、冶炼条件恶劣,熔池温度不能直接连续检测。因此,采用先进的控制方法,建立适合电弧炉炼钢过程要求的终点温度预报模型,将对电弧炉终点温度控制起到重要作用。
到目前为止,各国学者研究出来的作为炼钢终点温度预报的方法已经有很多了,常见的终点温度预报方法有:(1)基于机理模型的方法。该方法是通过分析炼钢过程的化学反应和传热传质过程,列出反应方程和物质能量平衡方程,从而描述电炉的内在规律。这种方法的优点是物理意义清楚,但是机理模型是从冶金理论出发,因而这类模型的开发相对复杂,周期较长,同时由于炼钢过程反应过于复杂,其中有许多不可测干扰的影响,这类模型都对实际过程进行了一定的假设或简化,因此,单纯的机理模型常常难以满足现场的要求。(2)增量模型预报方法。电弧炉终点参数增量模型预报方法是以前一炉或前几炉实际操作结果作为本炉的参考炉,根据参考炉与本炉初始条件及部分操作参数的差别,预报冶炼终点温度和成分。由于增量模型的建模以冶炼过程的再现性为基础,有效地避免了建立机理模型的种种假设,增强了模型的适用面,并且建模相对简单、易于维护、具有一定的自学习和自适应能力,增量模型在钢铁冶炼中得到了广泛的应用。然而在实际应用中,增量模型却显示出一些不尽满意之处:增量模型的参考炉次对模型的预报精度有较大的影响,参考炉次的选择直接关系到终点预报的结果,然而参考炉次的选择方法大多局限于经验,这就影响了增量模型的应用效果;增量模型中目标增量与参考参数增量之间假设为线性关系,由于电弧炉冶炼过程具有严重的非线性,因此模型精度还未达到非常令人满意的程度。(3)基于智能理论的方法。人工智能方法是应用较为广泛的炼钢终点预报及终点控制方法,它常用的方法包含专家***、模糊技术、神经网络、支持向量机等。对于炼钢这种影响因素众多且各因素之间相互影响,存在复杂的非线性关系的过程,更适合用神经网络建模。当炼钢工况变化大,影响预报精度时,采用对非线性***具有很强逼近能力的神经网络对炼钢终点温度及成分预报,可提高其预报精度。但是由于神经网络存在过学习、局部极小点、结构和类型设计依赖于专家经验等固有缺陷,这在一定程度上限制了其在终点温度预报中的应用。支持向量机(SVM)是一种新型机器学习算法,成功地克服了神经网络的上述缺陷,具有小样本学习、全局最优、泛化能力强等特点,逼近任意非线性***的能力很强,因此采用支持向量机建立电炉温度预报模型。
发明内容
本发明的目的在于提供一种基于SVM的电弧炉终点温度预报***,提高电弧炉冶炼终点温度控制命中率,通过采用先进的控制方法实现对钢水终点温度的控制,有助于提高钢水温度的控制精度和终点命中率。同时可以指导炼钢生产,实现更合理的炼钢操作,节约能源,降低成本,保证生产的有序进行,提高炼钢生产效率。另外,先进控制方法的应用对于提高电弧炉炼钢过程的自动化控制水平有重要意义。
本发明的***包括:静态温度预报模型和动态温度预报模型。动态温度模型和静态温度预报模型的结构及连接方式如图1所示,静态温度预报模型由两个逆模型和一个正模型构成,其中逆模型包括吹氧量逆模型和电耗逆模型,而且逆模型的输出作为正模型的输入;静态温度预报模型的输出作为动态温度预报模型的输入。动态温度预报模型是为了实时预报钢水的温度。静态温度预报模型为动态温度预报模型提供起始点温度,它是通过对吹氧量和电耗两个重要的控制变量建立逆模型的方法,来提高静态温度预报模型的精度。另外建模所用数据均来自现场的实际数据。
静态温度预报模型:为动态温度预报模型提供起始点温度。控制钢水的终点温度,需要动态温度预报模型,动态温度预报模型需要一个起始点温度。由于钢水熔清前反应比较复杂,规律难以把握,因此考虑从钢水熔清后开始动态预报温度,起始点温度可以在熔清后通过直接检测钢水温度得到。但是电弧炉工作环境恶劣,电弧炉测温是手工操作,多次测量温度不仅不利于成本的降低,而且效率低,安全性差,而且钢水的熔清时刻很难判断,因此需要建立逆模型来预报达到熔清点所需的吹炼方案。鉴于以上考虑,建立了基于SVM逆模型的电弧炉静态温度预报模型,以给动态温度预报模型间接提供起始点温度。静态温度预报模型由两个逆模型和一个正模型构成。逆模型,包括吹氧量逆模型和电耗逆模型,是为了预报达到目标温度所需的吹炼方案(主要是电耗量和吹氧量)。其中逆模型的输出作为正模型的输入,正模型是为了预报一定吹炼方案下的钢水温度值。吹氧量逆模型的输入变量为:本次温度、铁水重量,铁水Si、Mn、P、S含量、SC01、SC02、SC03、电耗总量、喷碳量、废气总量、SL01、SL02、SL10,最近一次加料重量、加料测温电耗、加料测温氧耗、加料时间间隔、炉壁冷却水能耗、炉盖冷却水能耗、除尘冷却水能耗、炉渣碱度。输出变量为:吹氧总量。电耗逆模型的输入变量为:本次温度、铁水重量,铁水Si、Mn、P、S含量、SC01、SC02、SC03、吹氧总量、喷碳量、废气总量、SL01、SL02、SL10,最近一次加料重量、加料测温电耗、加料测温氧耗、加料时间间隔、炉壁冷却水能耗、炉盖冷却水能耗、除尘冷却水能耗、炉渣碱度。输出变量为:电耗总量。正模型的输入变量为:电耗逆模型的输出、吹氧量逆模型的输出、铁水重量,铁水Si、Mn、P、S含量、SC01、SC02、SC03、吹氧总量、喷碳量、废气总量、SL01、SL02、SL10,最近一次加料重量、加料测温电耗、加料测温氧耗、加料时间间隔、炉壁冷却水能耗、炉盖冷却水能耗、除尘冷却水能耗、炉渣碱度。输出变量为:本次温度。
动态温度预报模型:在静态温度预报模型提供了起始点温度后,从起始点温度开始实时预报温度,其主要目的是控制钢水的终点温度,提高终点温度的命中率。动态温度预报模型所用的输入变量有:上次温度、铁水重量,铁水Si、Mn、P、S含量、SC01、SC02、SC03、本次电耗、本次吹氧量、本次喷碳量、本次废气量、本次SL01、本次炉壁冷却水能耗、本次炉盖冷却水能耗、本次除尘冷却水能耗、炉渣碱度。输出变量为当前时刻的钢水温度。动态温度预报模型采用下面的形式:
ΔT=f(x1,x2,...,xn)
其中:ΔT为相对于Tt的温度变化;
f(x1,x2,...,xn)为利用支持向量机建立的模型;
x1,x2,...,xn为输入变量;
Tt为静态温度预报模型计算的温度值。
基于上一时刻的温度值Tt和变化值ΔT,可计算当前时刻的温度预报值为:
Tt+1=Tt+ΔT。
本发明的优点在于:
提出基于SVM逆模型的电弧炉静态温度预报模型,以给动态温度预报模型间接提供起始点温度。静态温度预报模型包括两个逆模型和一个正模型,在实际应用中,根据要求的目标温度,通过逆模型预报出达到目标温度所需的吹炼方案,当吹炼方案满足时,即可根据正模型预报出当前温度,将此温度作为动态温度预报模型的起始温度,进行过程温度的实时预报。
附图说明
图1是静态温度预报模型和动态温度预报模型的结构及连接方式。
图2为铁水重量小于62t的情况下静态温度预报模型测试结果,实际温度和预报温度的数据分布
图3为铁水重量小于62t的情况下静态温度预报模型测试结果,实际温度和预报温度的误差图。
图4为铁水重量大于62t的情况下静态温度预报模型的测试结果,实际温度和预报温度的数据分布。
图5为铁水重量大于62t的情况下静态温度预报模型的测试结果,实际温度和预报温度的误差图。
图6为铁水重量大于62t的情况下动态温度预报模型测试结果,实际温度和预报温度的数据分布。
图7为铁水重量大于62t的情况下动态温度预报模型测试结果,实际温度和预报温度的误差图。
图8为铁水重量大于62t的情况下动态温度预报模型测试结果,实际温度和预报温度的数据分布。
图9为铁水重量大于62t的情况下动态温度预报模型测试结果,实际温度和预报温度的误差图。
图10为钢水终点温度预报模型的应用流程图。
具体实施方式
图1~图10为本发明的一种具体实施方式。
在实际应用中,根据要求的目标温度,通过逆模型预报出达到目标温度所需的吹炼方案,当吹炼方案满足时,即可根据正模型预报出当前温度,将此温度作为动态温度预报模型的起始温度,进行过程温度的实时预报,达到控制钢水终点温度的目的。图10为钢水终点温度预报模型的应用流程图。
图1是静态温度预报模型和动态温度预报模型的结构及连接方式。静态温度预模型由电耗逆模型、吹氧量逆模型和正模型组合而成。其中,吹氧量逆模型,以xO为输出变量,xE、xi(i=1,2…,n)为输入变量,T也为输入变量,用SVM算法建立模型;电耗逆模型,以xE为输出变量,xO、xi(i=1,2…,n)为输入变量,T也为输入变量,用SVM算法建立模型;正模型,以吹氧量逆模型的输出值xO_pre、电耗逆模型的输出值xE_pre、其他的一些输入变量xi(i=1,2…,n)作为SVM模型的输入,以目标温度T为SVM模型的输出。静态温度预报模型的输出作为动态温度预报模型的输入,实时的预报过程温度。
图2、图3为铁水重量小于62t的情况下静态温度预报模型测试结果。对于铁水重量小于62t的579组数据,选取393组数据作为训练数据,186组数据对模型进行验证,结果如图2、3所示,其中,图2为实际温度和预报温度的数据分布,图3为实际温度和预报温度的误差图。预测温度与实际温度之间的误差在±10℃的命中率为86%,±15℃的命中率为92%,±20℃的命中率为97%。
图4、图5为铁水重量大于62t的情况下静态温度预报模型的测试结果。对于铁水重量大于62t的221组数据,选取151组数据作为训练数据,70组数据对模型进行验证,结果如图4、图5所示,其中,图4为实际温度和预报温度的数据分布,图5为实际温度和预报温度的误差图。预测温度与实际温度之间的误差在±10℃的命中率为67%,在±15℃的命中率为81%,±20℃的命中率为89%。
图6、图7为铁水重量大于62t的情况下动态温度预报模型测试结果。对于铁水重量大于62t的215组数据,选取150组数据作为训练数据,65组数据对模型进行验证,结果如图6、图7所示,其中,图6为实际温度和预报温度的数据分布,图7为实际温度和预报温度的误差图。预测温度与实际温度之间的误差在±12℃的命中率为71%,在±15℃的命中率为89%,±20℃的命中率为95%。
图8、9为铁水重量大于62t的情况下动态温度预报模型测试结果。对于铁水重量大于62t的215组数据,选取150组数据作为训练数据,65组数据对模型进行验证,结果如图8、图9所示,其中,图8为实际温度和预报温度的数据分布,图9为实际温度和预报温度的误差图。预测温度与实际温度之间的误差在±12℃的命中率为71%,在±15℃的命中率为89%,±20℃的命中率为95%。
图10为钢水终点温度预报模型的应用流程图。
Claims (5)
1、一种基于SVM的电弧炉终点温度预报***,其特征在于,该***包括:静态温度预报模型和动态温度预报模型;静态温度预报模型由两个逆模型和一个正模型构成,其中逆模型包括吹氧量逆模型和电耗逆模型,而且逆模型的输出作为正模型的输入;静态温度预报模型的输出作为动态温度预报模型的输入;动态温度预报模型是为了实时预报钢水的温度,静态温度预报模型为动态温度预报模型提供起始点温度,它是通过对吹氧量和电耗两个重要的控制变量建立逆模型,来提高静态温度预报模型的精度;另外建模所用数据均来自现场的实际数据。
2、按照权利要求1所述的***,其特征在于,所述的吹氧量逆模型的输入变量为:本次温度、铁水重量,铁水Si、Mn、P、S含量、SC01、SC02、SC03、电耗总量、喷碳量、废气总量、SL01、SL02、SL10,最近一次加料重量、加料测温电耗、加料测温氧耗、加料时间间隔、炉壁冷却水能耗、炉盖冷却水能耗、除尘冷却水能耗、炉渣碱度;输出变量为:吹氧总量。
3、按照权利要求1所述的***,其特征在于,所述的电耗逆模型的输入变量为:本次温度、铁水重量,铁水Si、Mn、P、S含量、SC01、SC02、SC03、吹氧总量、喷碳量、废气总量、SL01、SL02、SL10,最近一次加料重量、加料测温电耗、加料测温氧耗、加料时间间隔、炉壁冷却水能耗、炉盖冷却水能耗、除尘冷却水能耗、炉渣碱度;输出变量为:电耗总量。
4、按照权利要求1所述的***,其特征在于,所述的正模型的输入变量为:电耗逆模型的输出、吹氧量逆模型的输出、铁水重量,铁水Si、Mn、P、S含量、SC01、SC02、SC03、吹氧总量、喷碳量、废气总量、SL01、SL02、SL10,最近一次加料重量、加料测温电耗、加料测温氧耗、加料时间间隔、炉壁冷却水能耗、炉盖冷却水能耗、除尘冷却水能耗、炉渣碱度;输出变量为:本次温度。
5、按照权利要求1所述的***,其特征在于,所述的动态温度预报模型所用的输入变量有:上次温度、铁水重量,铁水Si、Mn、P、S含量、SC01、SC02、SC03、本次电耗、本次吹氧量、本次喷碳量、本次废气量、本次SL01、本次炉壁冷却水能耗、本次炉盖冷却水能耗、本次除尘冷却水能耗、炉渣碱度;输出变量为当前时刻的钢水温度;动态温度预报模型采用下面的形式:
ΔT=f(x1,x2,...,xn)
其中:ΔT为相对于Tt的温度变化;
f(x1,x2,...,xn)为利用支持向量机建立的模型;
x1,x2,...,xn为输入变量;
Tt为静态温度预报模型计算的温度值;
基于上一时刻的温度值Tt和变化值ΔT,可计算当前时刻的温度预报值为:
Tt+1=Tt+ΔT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102269623A CN101403567A (zh) | 2008-11-21 | 2008-11-21 | 基于svm的电弧炉终点温度预报*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102269623A CN101403567A (zh) | 2008-11-21 | 2008-11-21 | 基于svm的电弧炉终点温度预报*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101403567A true CN101403567A (zh) | 2009-04-08 |
Family
ID=40537654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008102269623A Pending CN101403567A (zh) | 2008-11-21 | 2008-11-21 | 基于svm的电弧炉终点温度预报*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101403567A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592964B (zh) * | 2009-06-26 | 2011-12-28 | 北京首钢自动化信息技术有限公司 | 一种双工位lf炉钢水温度预报控制方法 |
CN104794263A (zh) * | 2015-03-31 | 2015-07-22 | 济南大学 | 基于ls_svm软测量的水泥回转窑烧成带温度的混杂建模方法 |
CN106347970A (zh) * | 2015-06-02 | 2017-01-25 | 南通大学 | 一种具有在线能效监测的带式输送机能效监测方法 |
CN106636530A (zh) * | 2016-11-17 | 2017-05-10 | 北京光科博冶科技有限责任公司 | 一种转炉炼钢温度预报方法及服务器 |
CN109116880A (zh) * | 2018-08-10 | 2019-01-01 | 广州百兴网络科技有限公司 | 一种精炼炉的温度控制装置及控制方法 |
CN111020118A (zh) * | 2019-12-25 | 2020-04-17 | 武汉科技大学 | 一种基于粒子群优化案例推理的rh终点温度预测方法 |
CN113108615A (zh) * | 2021-04-13 | 2021-07-13 | 中国恩菲工程技术有限公司 | 反应炉的控制方法、装置、介质与电子设备 |
-
2008
- 2008-11-21 CN CNA2008102269623A patent/CN101403567A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592964B (zh) * | 2009-06-26 | 2011-12-28 | 北京首钢自动化信息技术有限公司 | 一种双工位lf炉钢水温度预报控制方法 |
CN104794263A (zh) * | 2015-03-31 | 2015-07-22 | 济南大学 | 基于ls_svm软测量的水泥回转窑烧成带温度的混杂建模方法 |
CN106347970A (zh) * | 2015-06-02 | 2017-01-25 | 南通大学 | 一种具有在线能效监测的带式输送机能效监测方法 |
CN106347970B (zh) * | 2015-06-02 | 2018-06-22 | 南通大学 | 一种具有在线能效监测的带式输送机能效监测方法 |
CN106636530A (zh) * | 2016-11-17 | 2017-05-10 | 北京光科博冶科技有限责任公司 | 一种转炉炼钢温度预报方法及服务器 |
CN109116880A (zh) * | 2018-08-10 | 2019-01-01 | 广州百兴网络科技有限公司 | 一种精炼炉的温度控制装置及控制方法 |
CN111020118A (zh) * | 2019-12-25 | 2020-04-17 | 武汉科技大学 | 一种基于粒子群优化案例推理的rh终点温度预测方法 |
CN111020118B (zh) * | 2019-12-25 | 2021-09-24 | 武汉科技大学 | 一种基于粒子群优化案例推理的rh终点温度预测方法 |
CN113108615A (zh) * | 2021-04-13 | 2021-07-13 | 中国恩菲工程技术有限公司 | 反应炉的控制方法、装置、介质与电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101403567A (zh) | 基于svm的电弧炉终点温度预报*** | |
Gajic et al. | Modelling of electrical energy consumption in an electric arc furnace using artificial neural networks | |
CN101592964B (zh) | 一种双工位lf炉钢水温度预报控制方法 | |
Wang et al. | Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction | |
CN109447346B (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
CN102766728B (zh) | 钢包精炼炉精炼过程钢水硫含量实时预测的方法及装置 | |
CN108647407B (zh) | 一种转炉炼钢烟气分析定碳方法 | |
CN103645694B (zh) | Ps铜转炉吹炼过程智能决策与终点预报方法及装置 | |
ES2653943T3 (es) | Método y dispositivo para predecir, controlar y/o regular procesos de acería | |
CN107368125B (zh) | 一种基于cbr与rbr并行混合推理的高炉炉温控制***及方法 | |
CN109359723A (zh) | 基于改进正则化极限学习机的转炉终点锰含量预测方法 | |
Lin et al. | Consideration of green intelligent steel processes and narrow window stability control technology on steel quality | |
CN103103309A (zh) | 一种辅助预报转炉炼钢终点的方法 | |
CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
CN112359159B (zh) | 一种基于深度强化学习的热风炉自动烧炉方法及*** | |
CN104750902A (zh) | 基于多输出支持向量回归机的铁水质量多元动态软测量方法 | |
CN108004368A (zh) | 智能化自动炼钢方法及装置 | |
CN105574297A (zh) | 自适应高炉铁水硅含量趋势预报方法 | |
CN102841983B (zh) | 一种工业窑炉热效率在线监测方法 | |
Zhang et al. | Kinetic model of dephosphorization in the new double slag converter steelmaking process | |
CN101576737B (zh) | 一种电弧炉节能控制方法及*** | |
CN111518980B (zh) | 一种转炉终点碳含量预报模型的修正方法和*** | |
Song et al. | A novel operation optimization method based on mechanism analytics for the quality of molten steel in the BOF steelmaking process | |
CN104060024A (zh) | 一种转炉提钒过程中转炉实时温度的预报方法 | |
CN101463408A (zh) | 氧氩脱碳转炉终点温度和终点碳控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090408 |