CN107066659A - 一种利用极限学习机预测水泥分解炉温度的方法 - Google Patents
一种利用极限学习机预测水泥分解炉温度的方法 Download PDFInfo
- Publication number
- CN107066659A CN107066659A CN201611223114.8A CN201611223114A CN107066659A CN 107066659 A CN107066659 A CN 107066659A CN 201611223114 A CN201611223114 A CN 201611223114A CN 107066659 A CN107066659 A CN 107066659A
- Authority
- CN
- China
- Prior art keywords
- learning machine
- temperature
- msub
- cement
- mrow
- 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
- 239000004568 cement Substances 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 239000003245 coal Substances 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000002485 combustion reaction Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 abstract description 5
- 239000000843 powder Substances 0.000 abstract description 3
- 239000002817 coal dust Substances 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009423 ventilation 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Curing Cements, Concrete, And Artificial Stone (AREA)
Abstract
本发明属于水泥生产过程中的分解炉温度预测技术领域，具体的说是一种利用极限学习机预测水泥分解炉温度的方法。该方法包括以下步骤：步骤一、确定影响分解炉温度的主要因素；步骤二、采集数据；步骤三、使用人群搜索算法对极限学习机进行参数寻优；步骤四、建立预测模型；步骤五、预测结果；步骤六、实时优化预测模型；本发明是一种利用人群搜索算法优化极限学习机权值的预测水泥分解炉温度的方法，本方法可以准确的预测分解炉温度，为后期水泥生产中的分解炉温度控制提供支持，避免了现测量水泥分解炉温度利用红外线测温仪等测量工具价格昂贵、操作复杂的问题。
Description
技术领域
本发明属于水泥生产过程中的分解炉温度预测技术领域，具体的说是一种利用极限学习机预测水泥分解炉温度的方法。
背景技术
在水泥的生产过程中，预分解***对于水泥熟料生产的燃烧效率起着至关重要的作用。分解炉是预分解***的核心部分，因此，有必要检测分解炉温度。由于分解炉非线性、大时滞的特点，难以建立精确地数学模型，给预测温度带来了极大的困难。
虽然可以用红外线测温仪测量分解炉温度，但由于其价格昂贵，操作复杂，难以在长时间运行的水泥生产线中广泛应用。传统的机理建模主要从反应动力学角度出发，或者通过一些燃烧反应机理，建立分解炉模型。这些模型主要考虑的是分解炉内部的一些反应机理，并没有考虑到主要影响因素与分解炉温度之间的函数关系。因此，机理建模并没有太大的参考价值。
发明内容
本发明提供了一种利用人群搜索算法优化极限学习机权值的水泥分解炉温度预测方法，本方法可以准确的预测分解炉温度，为后期水泥生产中的分解炉温度控制提供支持，解决了现有测量分解炉温度的上述不足。
本发明技术方案结合附图说明如下：
一种利用极限学习机预测水泥分解炉温度的方法，该方法包括如下步骤：
步骤一、确定影响分解炉温度的主要因素；
通过分解炉内部燃烧机理，结合现场工作人员的经验总结，可以得出影响分解炉温度的主要因素有喂煤量、喂料量和三次风压；
步骤二、采集数据；
从水泥厂DCS***中获取喂煤量和喂料量的数据，利用红外线测温仪测分解炉温度；喂煤量、喂料量和分解炉温度的数据均取100组；
步骤三、使用人群搜索算法对极限学习机进行参数寻优；
使用人群搜索算法对极限学习机的权值进行寻优，并选出最佳权值；极限学习机的回归方程为：
其中：y为输出，xj为输入，K为隐层节点数，ωij为输入权值矩阵；bi为隐含层偏置矩阵；βi为输出权值矩阵；gi(ωij·xj+bi)为激活函数；
步骤四、建立预测模型；
对极限学习机的参数进行设置；根据步骤一，输入节点数：3，输出节点数：1，根据经验设置隐层节点数：9，将步骤三中寻优得到的最佳权值赋给极限学习机；
步骤五、预测结果；
根据当前采集到的喂煤量、喂料量和三次风压数据，利用步骤四得到的模型预测分解炉温度；
步骤六、实时优化预测模型；
根据步骤五所得到的预测结果，可以利用步骤三和步骤四再次对参数寻优，重新建立模型，提高精度.
所述的步骤三的具体步骤如下：
Step1：计算人群搜索算法中的空间维数即权值个数，产生初始搜寻者；
Step2：将初始化的权值赋给极限学习机，进行训练，并用预测数据与真实数据差值的均方差作为适应度值；
Step3：迭代寻优，通过比较，得到适应度值最小的权值；
Step4：当达到停止条件时，停止迭代，输出最优权值；否则，返回Step3继续寻优。
本发明的有益效果为：
1、本发明利用极限学习机所建立的模型仅需要水泥生产过程中DCS***数据及红外线测温仪测得的分解炉温度数据，即可通过训练建立模型，利用模型预测分解炉温度。
2、避免了红外线测温仪等测量工具价格昂贵、操作复杂的问题。
3、无需相关理论知识，根据DCS***中的有关数据即可预测分解炉的温度。
4、采用极限学习机建立的预测模型，可以根据现场运行工况，实时修正模型。
附图说明
图1为从DCS***获取的喂煤量数据图；
图2为从DCS***获取的喂料量数据图；
图3为从DCS***获取的三次风压数据图；
图4为一种分解炉结构示意图；
图5为另一种分解炉结构示意图；
图6为红外线测温仪测得的分解炉温度数据图；
图7为人群搜索算法优化参数过程中，每一代适应度值的变化曲线；
图8为使用最佳权值的极限学习机用于训练集的预测结果图；
图9为使用最佳权值的极限学习机用于预测集的预测结果图。
图10为本方法具体实施步骤的流程图
具体实施方式
一种利用极限学习机预测水泥分解炉温度的方法，该方法包括如下步骤：
步骤一、确定影响分解炉温度的主要因素；
通过分解炉内部燃烧机理，结合现场工作人员的经验总结，可以得出影响分解炉温度的主要因素有喂煤量、喂料量和三次风压；
(1)喂煤量的影响
实际水泥生产过程表明，在分解炉内其他条件不变的情况下，分解炉的温度随着喂煤量的增加而增加，随着喂煤量的减少而减少。但当喂煤量超过一定值时，会有剩余的煤粉，进入下一级预热器继续燃烧。这导致了气体中的CO浓度升高，引起预热器结皮堵塞，导致分解炉温度不高。由此可见，分解炉内其他条件不变时，在分解炉温度与喂煤量的函数里，喂煤量存在一个极值点，分解炉温度随着喂煤量的增加先升高后降低。此外，煤粉的质量对分解炉温度也有一定影响。因此，喂煤量是影响分解炉温度的主要因素。
(2)喂料量的影响
根据预分解窑的工艺流程可知，生料在各级预热器中与热气流混合，预热，最后进入分解炉。喂料量是在预热器入口处给定的，并不是在分解炉处可调。当喂料量骤增时分解炉温度会降低；当喂料量骤降时分解炉温度会升高。当喂料量较小时，生料吸热较少，***温度过高，容易导致预热器结皮；当喂料量较大时，又容易导致局部堵塞。因此，喂料量对分解炉的扰动很大，为了维持分解炉的稳定运行，应避免喂料量的骤增骤降，尽量保持在合适的范围内。
(3)三次风量的影响
三次风即篦冷机返回到分解炉的风，为煤粉燃烧提供氧气，影响燃烧效果。当三次风较小时，生料换热不充分，影响煤粉的燃烧和物料的分解；当三次风较大时，则会导致窑内通风不良，甚至会造成窑尾缩口处塌料，而且因分解炉出口废气量的增大，会引起热耗与电耗的增加。三次风量对煤粉燃烧效果的影响比较直接，由此可见，对于分解炉温度的变化，三次风量也是一个重要的影响因。
影响分解炉温度的因素还有很多，但大多数不是主要因素且无法实时调整。因此，本方法选取喂煤量、喂料量和三次风压这三个变量作为分解炉温度预测模型的输入。
步骤二、采集数据；
参阅图1—图3，首先，在水泥厂DCS***中获取喂煤量、喂料量和三次风压的数据。在本实施例中，每隔1小时取一组喂煤量和喂料量数据，共取100组。每隔6分钟取一次三次风压数据，1个小时内取10组数据，取平均值作为一组数据，共100组。参阅图4～图7，然后，利用红外线测温仪测量分解炉温度：选取燃料裂解和燃烧区处为测量截面，两侧三次风入口处为测点。红外传感器为非接触式测温，测量范围为-50℃～3000℃，测量精度可达0.02～0.1℃，因此传感器选用红外传感器。将两侧传感器测得的温度取平均值。选取喂煤量、喂料量和三次风压数据的时刻，作为分解炉温度选取时刻，每隔6分钟记录一组温度数据，1小时内取10组数据，取平均值作为一组数据，共100组。
步骤三、使用人群搜索算法对极限学习机进行参数寻优
首先，确定极限学习机的输入节点数为3，输出节点数为1，隐层节点数为9。并使用人群搜索算法对极限学习机的权值进行寻优，并选出最佳权值；极限学习机的回归方程为：
其中：y为输出，xj为输入，K为隐层节点数，ωij为输入权值矩阵；bi为隐含层偏置矩阵；βi为输出权值矩阵；gi(ωij·xj+bi)为激活函数；
基于人群算法的极限学习机优化步骤如下：
Step1：计算极限学习机权值的个数作为空间维数，设置人群搜索算法的空间维数，并随机生成初始搜寻者；
Step2：将初始搜寻者用于极限学习机训练，并用预测数据与真实数据偏差的均方差作为适应度值；
Step3：开始迭代，计算每个搜寻者的适应度值，进行比较，选出每次比较中适应度值较小的搜寻者作为最佳搜寻者zbest；
Step4：当达到最大迭代次数时，停止迭代，并将最终的zbest作为最优权值；否则，返回Step3。
本实施例中，人群搜索算法的参数设置为：种群规模：30，最大迭代次数：50，极限学习机输入数目：3，隐层节点数：9，输出数目：1，空间维数：36，优化参数的变化范围为[-10,10]。得到最佳权值为：
ω11＝[-8.5998 1.0498 -10.0000]
ω12＝[2.5288 1.1687 -1.4402]
ω13＝[4.0307 -5.4728 -1.2693]
ω21＝[4.2394 -5.4643 10.0000]
ω22＝[0.1258 2.1132 -4.3216]
ω23＝[-2.5763 0.5363 -0.6820]
ω31＝[2.0390 6.8172 -0.8140]
ω32＝[-0.7877 4.5656 -0.5437]
ω33＝[5.0381 -3.6668 0.2628]
β1＝[8.1040 -9.0870 -2.3459]
β2＝[3.1803 1.2765 -0.6899]
β3＝[-5.1972 -0.6229 3.6674]
步骤四、建立预测模型；
对极限学习机的参数进行设置；根据步骤一，输入节点数：3，输出节点数：1，根据经验设置隐层节点数：9，将步骤三中寻优得到的最佳权值赋给极限学习机；
参阅图8，将喂煤量、喂料量和三次风压作为输入，分解炉温度作为输出，利用极限学习机建立模型，将步骤二里优化得到的最佳权值zbest赋给极限学习机进行训练。用80组数据训练，训练的预测效果如图7。其中，模型的预测温度为：
分解炉真实温度为：
分解炉温度预测的平均绝对误差0.2624℃，均方差为0.1436，精度较高。
步骤五、预测结果；
根据当前采集到的喂煤量、喂料量和三次风压数据，利用步骤四得到的模型预测分解炉温度；
参阅图9，采用剩余20组数据进行测试，测试的预测效果如图8。模型预测温度为：
分解炉真实温度为：
分解炉温度预测的平均绝对误差0.2625℃，均方差为0.1443，精度较高。
步骤六、实时优化预测模型；
根据步骤五所得到的预测结果，可以利用步骤三和步骤四再次对参数寻优，重新建立模型，提高精度。当预测温度与检测温度误差没有达到预期值时(预期值可自行设定)，可以返回步骤二和步骤三进行重新优化参数、建立模型。参阅图10，即本方法实施步骤的流程图。
综上所述，本发明利用水泥厂DCS(集散控制***)中的喂煤量、喂料量和三次风压的实时数据，和通过红外线测温仪测得的分解炉温度，使用人群搜索优化的极限学习机建立水泥分解炉温度的预测模型，提出了一种测量分解炉温度的方法。本发明操作简单、经济实用，无需测量其他数据，即可完成对水泥分解炉温度的在线检测，实时性高，提供了一种有效的测量方法，为控制分解炉温度、优化水泥生产提供了保障。
Claims (2)
1.一种利用极限学习机预测水泥分解炉温度的方法，其特征在于，该方法包括以下步骤：
步骤一、确定影响分解炉温度的主要因素；
通过分解炉内部燃烧机理，结合现场工作人员的经验总结，可以得出影响分解炉温度的主要因素有喂煤量、喂料量和三次风压；
步骤二、采集数据；
从水泥厂DCS***中获取喂煤量和喂料量的数据，利用红外线测温仪测分解炉温度；喂煤量、喂料量和分解炉温度的数据均取100组；
步骤三、使用人群搜索算法对极限学习机进行参数寻优；
使用人群搜索算法对极限学习机的权值进行寻优，并选出最佳权值；极限学习机的回归方程为：
<mrow>
<mi>y</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
</mrow>
其中：y为输出，xj为输入，K为隐层节点数，ωij为输入权值矩阵；bi为隐含层偏置矩阵；βi为输出权值矩阵；gi(ωij·xj+bi)为激活函数；
步骤四、建立预测模型；
对极限学习机的参数进行设置；根据步骤一，输入节点数：3，输出节点数：1，根据经验设置隐层节点数：9，将步骤三中寻优得到的最佳权值赋给极限学习机；
步骤五、预测结果；
根据当前采集到的喂煤量、喂料量和三次风压数据，利用步骤四得到的模型预测分解炉温度；
步骤六、实时优化预测模型；
根据步骤五所得到的预测结果，可以利用步骤三和步骤四再次对参数寻优，重新建立模型，提高精度。
2.根据权利要求1所述的一种利用极限学习机预测水泥分解炉温度的方法，其特征在于，所述的步骤三的具体步骤如下：
Step1：计算人群搜索算法中的空间维数即权值个数，产生初始搜寻者；
Step2：将初始化的权值赋给极限学习机，进行训练，并用预测数据与真实数据差值的均方差作为适应度值；
Step3：迭代寻优，通过比较，得到适应度值最小的权值；
Step4：当达到停止条件时，停止迭代，输出最优权值；否则，返回Step3继续寻优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611223114.8A CN107066659A (zh) | 2016-12-27 | 2016-12-27 | 一种利用极限学习机预测水泥分解炉温度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611223114.8A CN107066659A (zh) | 2016-12-27 | 2016-12-27 | 一种利用极限学习机预测水泥分解炉温度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107066659A true CN107066659A (zh) | 2017-08-18 |
Family
ID=59624044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611223114.8A Pending CN107066659A (zh) | 2016-12-27 | 2016-12-27 | 一种利用极限学习机预测水泥分解炉温度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107066659A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113420461A (zh) * | 2021-07-20 | 2021-09-21 | 山东恒拓科技发展有限公司 | 水泥分解炉在线仿真***及其建立方法 |
| CN113589693A (zh) * | 2021-07-22 | 2021-11-02 | 燕山大学 | 基于邻域优化的水泥工业分解炉温度模型预测控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537033A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于贝叶斯网络和极限学习机的区间型指标预报方法 |
| CN104656436A (zh) * | 2014-10-27 | 2015-05-27 | 济南大学 | 一种分解炉出口温度建模方法 |
-
2016
- 2016-12-27 CN CN201611223114.8A patent/CN107066659A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656436A (zh) * | 2014-10-27 | 2015-05-27 | 济南大学 | 一种分解炉出口温度建模方法 |
| CN104537033A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于贝叶斯网络和极限学习机的区间型指标预报方法 |
Non-Patent Citations (2)
| Title |
|---|
| 余胜威 等: "基于人群搜索算法的PID 控制器参数优化", 《计算机仿真》 * |
| 孙伟 等: "基于改进极根学习机的回转窑煅烧带温度预测方法"", 《计算机测量与控制》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113420461A (zh) * | 2021-07-20 | 2021-09-21 | 山东恒拓科技发展有限公司 | 水泥分解炉在线仿真***及其建立方法 |
| CN113589693A (zh) * | 2021-07-22 | 2021-11-02 | 燕山大学 | 基于邻域优化的水泥工业分解炉温度模型预测控制方法 |
| CN113589693B (zh) * | 2021-07-22 | 2023-05-09 | 燕山大学 | 基于邻域优化的水泥工业分解炉温度模型预测控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
| CN109147878B (zh) | 一种水泥熟料游离钙软测量方法 | |
| CN104765350B (zh) | 基于组合模型预测控制技术的水泥分解炉控制方法及*** | |
| CN107016176A (zh) | 一种混合智能锅炉综合燃烧优化方法 | |
| CN106906351B (zh) | 一种板坯温度预报模型及炉温优化方法 | |
| CN106594794B (zh) | 一种混合智能锅炉效率燃烧优化模型更新方法 | |
| CN103939941B (zh) | 一种融入了不可逆热力学的锅炉燃烧优化方法 | |
| CN106327004A (zh) | 一种基于熟料质量指标的水泥烧成过程优化方法 | |
| CN111665809B (zh) | 一种水泥回转窑的分段机理建模方法及*** | |
| CN106709197A (zh) | 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法 | |
| CN104498706B (zh) | 一种链篦机-回转窑-环冷机三位一体的球团生产优化方法 | |
| CN108760592B (zh) | 一种基于bp神经网络的飞灰含碳量在线测量方法 | |
| CN105674326B (zh) | 一种工业燃气锅炉多目标多约束燃烧优化方法 | |
| CN109342703B (zh) | 一种水泥熟料游离钙含量测量方法及*** | |
| CN104881707B (zh) | 一种基于集成模型的烧结能耗预测方法 | |
| CN103332878A (zh) | 一种新型干法水泥熟料生产全流程优化方法 | |
| CN111174569A (zh) | 一种在线预测回转窑内煅烧段烟气温度的方法及*** | |
| CN107066659A (zh) | 一种利用极限学习机预测水泥分解炉温度的方法 | |
| CN105808945B (zh) | 一种混合智能锅炉效率燃烧优化方法 | |
| Durdán et al. | Modeling of temperatures by using the algorithm of queue burning movement in the UCG Process. | |
| Alves et al. | Improving the sustainability of porcelain tile manufacture by flowsheet simulation | |
| Lobov et al. | Investigation of temperature distribution along the height of the layer of pellets on conveyor roasting machine | |
| CN103440390A (zh) | 工业蒸汽裂解炉辐射段的耦合模拟方法 | |
| CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
| CN113627064B (zh) | 基于机理和数据混合驱动的辊道窑烧成带温度预测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170818 |
|
| WD01 | Invention patent application deemed withdrawn after publication |