CN107245540B - 一种高炉布料过程径向料层厚度分布的控制策略 - Google Patents
一种高炉布料过程径向料层厚度分布的控制策略 Download PDFInfo
- Publication number
- CN107245540B CN107245540B CN201710447597.8A CN201710447597A CN107245540B CN 107245540 B CN107245540 B CN 107245540B CN 201710447597 A CN201710447597 A CN 201710447597A CN 107245540 B CN107245540 B CN 107245540B
- Authority
- CN
- China
- Prior art keywords
- distribution
- blast furnace
- bed
- cloth
- vector
- 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.)
- Active
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
- C21B5/006—Automatically controlling the process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B2300/00—Process aspects
- C21B2300/04—Modeling of the process, e.g. for control purposes; CII
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明给出了一种基于迭代学习和多模型的高炉布料过程径向料层厚度分布的控制策略。本发明以高炉布料过程径向料层厚度分布为被控制目标,以布料矩阵为操作变量,构建了一种面向高炉布料过程径向料层厚度分布的控制策略。首先将料层径向厚度分布写成权值和基函数形式,在基函数模型表述的基础上给出了料层厚度目标分布和被控分布的表述方法,在迭代学习和多模型的基础上给出了一种高炉布料过程径向料层厚度分布的控制策略,多模型负责对整数域布料圈数向量κ的选择和优化,而迭代学习主要用于对实数域溜槽倾角向量α的控制。本发明为布料制度中布料矩阵的调整和设定提供了理论依据,对于推进高炉工业过程自动化的进程,改善面向高性能冶炼的高炉操作,以及更大限度的实现高炉冶炼过程的节能、减排以及性能指标优化具有十分重要的意义。
Description
技术领域
本发明涉及一种基于迭代学习和多模型的高炉布料过程径向料层厚度分布的控制策略,涉及分布式***的建模与控制,涉及冶金学、计算机科学、数学、控制科学和随机分布控制等技术领域的交叉和融合。
背景技术
高炉布料是高炉操作中一个重要操作制度,是高炉稳定顺行、高炉稳产、降低事故率和减少燃料消耗的关键环节。多年的实践和经验告诉我们,高炉布料过程所形成的料层初始厚度分布不仅仅影响初始料面形状和温度场的分布,同时亦是高炉稳产,高炉稳定顺行,高炉事故率和高炉燃料消耗的关键环节(刘云彩,高炉布料规律[M],冶金工业出版社,2012)。由于缺少描述高炉内部复杂三维立体料面输出形状的有效模型,高炉布料制度的制定和调整仍由经验丰富的工长执行,给高炉稳定生产带来较多负面影响。
中国专利201410336893.7提供了一种高炉布料过程径向矿焦比的控制方法,建立了高炉布料控制参数对料面的模型关系,对于描述高炉布料模型,下料过程模型有一定的积极作用,由于缺少布料矩阵和料层厚度输出分布的有效描述,并不能实现对料层厚度分布的控制。专利申请文件201510586609.6提供了一种描述料面输出形状和操作变量之间的模型关系,但并没有给出料层厚度分布的控制方案。针对现行的高炉布料制度,本发明提出了一种以料层输出厚度分布为被控参数的高炉布料控制***,并给出了一种基于迭代学习和多模型的高炉布料过程料层厚度分布的控制策略。本发明对于推进高炉工业过程自动化的进程,改善面向高性能冶炼的高炉操作,以及更大限度的实现高炉冶炼过程的节能、减排以及性能指标优化具有十分重要的意义。现行高炉布料制度的制定和调整仍由经验丰富的工长执行,缺乏有效的理论支撑,给高炉稳定生产带来较多负面影响,这是业内普遍存在且亟待解决的技术问题。
发明内容
本发明专利在专利申请文件201510586609.6的基础上,提出了一类以高炉布料过程径向料层厚度分布为控制目标,以布料矩阵为操作变量的分布参数控制***,并给出了一种基于迭代学习和多模型的高炉布料过程径向料层厚度分布的控制策略。
为了解决上述技术问题,本发明提供了一种基于迭代学习和多模型的高炉布料过程径向料层厚度分布的控制策略,其特征在于,以高炉布料过程径向料层厚度分布为被控制目标,以布料矩阵为操作变量,构建面向高炉布料过程径向料层厚度分布的控制策略;所述控制策略包括:
(1)利用分离变量方法将被控对象料层径向厚度分布写成权值和基函数形式;
(2)在权值和基函数所描述的料层径向厚度分布的基础上,手动调节权值以设定料层厚度分布的控制目标;
(3)根据已设定的高炉布料过程料层厚度分布的控制目标以及料层实时径向厚度的分布定义料层厚度分布控制性能指标准则函数,基于迭代学习和多模型方法对高炉布料过程操作变量布料矩阵进行自动调节。
作为优选的技术方案,上述(1)中,被控对象料层径向厚度分布h(y,u)满足柱形积分约束,是一个与决策变量相关的二维分布函数,操作变量布料矩阵包含溜槽倾角序列和旋转圈数序列两个部分,其中溜槽倾角向量α属于实数域,而布料圈数向量κ属于自然数域,致使高炉布料过程径向料层厚度分布控制为一种特殊的复杂混合控制***。
作为优选的技术方案,上述(1)具体为:
1)在积分约束下将料层径向厚度分布h(y,u)写成权值wi(u)和基函数Bi(y)形式,并确定基函数和权值的个数n+1:
其中,料层径向厚度分布h(y,u)为距离高炉中心的位置y和决策变量布料矩阵u的二维函数,Vt为炉料总体积,bi为基函数Bi(y)的体积积分;基函数Bi(y)为B样条函数,n为5-20之间的整数;
2)采用降维方式描述n维权值向量W(u)和料层径向厚度分布之间的关系:
h(y,u)=C(y)W(u)+L(y),
W(u)=[w1(u),w2(u),…,wn(u)]T∈Rn×1,
其中,W(u)为与决策变量u相关的n维权值向量,C(y)为降维处理后n维基函数构成的矩阵,L(y)为降维处理后的约束变量。
作为优选的技术方案,上述(2)中,被控变量料层径向厚度目标分布函数g(y)由基函数和权值确定,在权利要求3所述的权值和基函数所描述的料层径向厚度分布的基础上,手动调节权值Wg以设定料层厚度分布的控制目标,具体为:g(y)=C(y)Wg+L(y)。
作为优选的技术方案,上述(3)中,根据已设定的高炉布料过程料层厚度分布的控制目标以及料层实时径向厚度的分布定义定料层厚度分布控制性能指标准则函数,并给出一种基于迭代学习和多模型方法的高炉布料过程自动调节操作变量布料矩阵的控制策略,具体为:
1)根据布料圈数序列κ所遵循的约束布料的最大环数m,以及高炉布料过程边缘多中心少的布料原则确定M个备选备选κj构成的有限集合K={κ1,κ2,…κM};
2)根据目标分布g(y),定义有限可数集中布料圈数向量κj的准则函数:
其中
3)根据有限可数集中布料圈数向量κj对应的准则函数,用梯度迭代的方法给出溜槽倾角向量α的控制规律:
其中(k)表示迭代学习的次数;
4)设定最大迭代次数和迭代终止条件,根据已经确定的整数域布料圈数向量κ的有限可数集依次计算布料圈数向量κj的准则函数,从M个有限可数集K={κ1,κ2,…κM}中选择向量κ所对应的准则函数的最小值min并根据最小化的性能指标给出相应的决策变量α和κ。
更具体的,本发明还提供了一种基于迭代学习和多模型的高炉布料过程径向料层厚度分布的控制策略,具体步骤如下:
步骤1:获取高炉布料过程高炉本体参数,包括炉喉半径、料线高度、溜槽长度、喉管高度、溜槽倾动距、溜槽摩擦系数、炉料堆角、炉料堆密度、料批批重,并给出操作变量布料矩阵的向量描述:
α=[α1,…,αm]T∈Rm×1,αi∈[αmin,αmax], (1)
u=[α,κ], (3)
其中αmin和αmax表示溜槽倾角可调节的边界,m表示最大布料环数,溜槽倾角向量α属于实数域,而旋转圈数向量κ属于自然数域。
步骤2:获取高炉布料过程料线径向分布γ(y),即布料过程底部分布形状,其中y表示距离高炉中心的距离。
步骤3:根据料批批重和炉料堆密度计算炉料体积Vt,并假定炉料堆密度恒定,根据质量守恒原则,炉料在料仓中的体积和炉料在高炉炉喉处分布的体积相等,于是我们提出高炉布料过程炉料等体积原则:
其中,f(y,u)表示炉料分布在料线γ(y)的基础上所形成的径向顶部轮廓,u表示布料矩阵,由溜槽倾角向量α和旋转圈数向量构成κ构成。
步骤4:根据高炉布料过程径向底部和顶部的分布形状计算料层厚度分布:
h(y,u)=f(y,u)-γ(y)。 (5)
步骤5:根据高炉布料过程炉料等体积原则和分离变量法,将料层径向厚度分布h(y,u)写成权值wi(u)和基函数Bi(y)形式,具体实施包括以下几个步骤:
步骤5-1:确定基函数和权值的个数n+1:
本专利基函数Bi(y),选择为B样条基函数,n为5-10之间的整数。
步骤5-2:确定基函数Bi(y)的体积积分:
b=[b1,b2,…,bn]T∈Rn×1。 (9)
步骤5-3:确定权值W(u)的向量描述:
W(u)=[w1(u),w2(u),…,wn(u)]T∈Rn×1, (10)
其中向量b和W(u),的维数均为n。
步骤5-4:采用降维方式描述权值向量W(u)和动态径向料层厚度分布之间的关系:
h(y,u)=C(y)W(u)+L(y), (13)
步骤6:根据高炉布料过程炉料等体积原则,以及上述权值和基函数的描述,设置料层厚度分布的目标g(y):
g(y)=C(y)Wg+L(y), (15)
步骤7:根据高炉布料专家经验,确定整数域布料圈数向量κ的有限可数集:K={κ1,κ2,…κM},其中M表示集合的基数。
步骤8:根据设定的料层厚度分布的目标g(y),定义有限可数集中布料圈数向量κj的准则函数:
其中
步骤9:根据有限可数集中布料圈数向量κj对应的准则函数,用梯度迭代的方法给出溜槽倾角向量α的控制规律:
其中(k)表示迭代学习的次数。
步骤10:设定最大迭代次数和迭代终止条件,根据已经确定的整数域布料圈数向量κ的有限可数集依次计算布料圈数向量κj的准则函数,从M个有限可数集K={κ1,κ2,…κM}中选择向量κ所对应的准则函数的最小值min并给出相应的决策变量α和κ。
本发明取得了显著的技术效果,具体体现在:1)给出了一类以高炉布料过程径向料层厚度分布为控制目标,以布料矩阵为操作变量的分布参数控制***,并给出了一种基于迭代学习和多模型的高炉布料过程径向料层厚度分布的控制策略。2)高炉布料过程,由于操作变量布料矩阵中的可调参数分属于不同数域,致使高炉布料过程径向料层厚度分布控制为一种特殊的复杂混合控制***。本专利以高炉布料过程径向料层厚度分布为被控制目标,以布料矩阵为操作变量,构建了一种面向高炉布料过程径向料层厚度分布的控制策略。3)本发明为布料制度中布料矩阵的调整和设定提供了理论依据,以及实际操作层面的方法,给出了手动调节料层厚度分布的具体措施,有利于对于推进高炉布料过程控制的实现,同时本专利分布参数控制的思想也可用于解决其他复杂对象的控制问题。
附图说明
图1为高炉布料过程的径向示意图:
附图说明:Vt表示炉料料批的体积;α为溜槽倾角;ω为旋转角速度;f(y,u)表示料面顶部分布形状,y表示距离炉中心的距离,r表示炉喉半径;γ(y)表示料面底部分布形状(又称之为料线分布);h(y,u)表示厚度分布;
图2为高炉布料过程径向料层厚度分布控制***结构图;
图3为基于迭代学习和多模型的高炉布料过程径向料层厚度分布控制流程图;
图4为基于迭代学习和多模型的高炉布料过程径向料层厚度分布控制的效果图;
具体实施方式
下面结合附图与具体的实施对本发明的技术方案做进一步的描述。
一种基于迭代学习和多模型的高炉布料过程径向料层厚度分布的控制策略,具体步骤如下:
步骤1:获取高炉布料过程高炉本体参数,包括炉喉半径、料线高度、溜槽长度、喉管高度、溜槽倾动距、溜槽摩擦系数、炉料堆角、炉料堆密度、料批批重,并给出操作变量布料矩阵的向量描述:
α=[α1,…,αm]T∈Rm×1,αi∈[αmin,αmax], (1)
u=[α,κ], (3)
其中αmin和αmax表示溜槽倾角可调节的边界,m表示最大布料环数,溜槽倾角向量α属于实数域,而旋转圈数向量κ属于自然数域。
步骤2:获取高炉布料过程料线径向分布γ(y),即布料过程底部分布形状,其中y表示距离高炉中心的距离。
步骤3:根据料批批重和炉料堆密度计算炉料体积Vt,并假定炉料堆密度恒定,根据质量守恒原则,炉料在料仓中的体积和炉料在高炉炉喉处分布的体积相等,于是我们提出高炉布料过程炉料等体积原则:
其中,f(y,u)表示炉料分布在料线γ(y)的基础上所形成的径向顶部轮廓,u表示布料矩阵,由溜槽倾角向量α和旋转圈数向量构成κ构成。
步骤4:根据高炉布料过程径向底部和顶部的分布形状计算料层厚度分布:
h(y,u)=f(y,u)-γ(y)。 (5)
步骤5:根据高炉布料过程炉料等体积原则和分离变量法,将料层径向厚度分布h(y,u)写成权值wi(u)和基函数Bi(y)形式,具体实施包括以下几个步骤:
步骤5-1:确定基函数和权值的个数n+1:
本专利基函数Bi(y),选择为B样条基函数,n为5-10之间的整数。
步骤5-2:确定基函数Bi(y)的体积积分:
b=[b1,b2,…,bn]T∈Rn×1。 (9)
步骤5-3:确定权值W(u)的向量描述:
W(u)=[w1(u),w2(u),…,wn(u)]T∈Rn×1, (10)
其中向量b和W(u),的维数均为n。
步骤5-4:采用降维方式描述权值向量W(u)和动态径向料层厚度分布之间的关系:
h(y,u)=C(y)W(u)+L(y), (13)
步骤6:根据高炉布料过程炉料等体积原则,以及上述权值和基函数的描述,设置料层厚度分布的目标g(y):
g(y)=C(y)Wg+L(y), (15)
步骤7:根据高炉布料专家经验,确定整数域布料圈数向量κ的有限可数集:K={κ1,κ2,…κM},其中M表示集合的基数。
步骤8:根据设定的料层厚度分布的目标g(y),定义有限可数集中布料圈数向量κj的准则函数:
其中
步骤9:根据有限可数集中布料圈数向量κj对应的准则函数,用梯度迭代的方法给出溜槽倾角向量α的控制规律:
其中(k)表示迭代学习的次数。
步骤10:设定最大迭代次数和迭代终止条件,根据已经确定的整数域布料圈数向量κ的有限可数集依次计算布料圈数向量κj的准则函数,从M个有限可数集K={κ1,κ2,…κM}中选择向量κ所对应的准则函数的最小值min并给出相应的决策变量α和κ。
针对图1和图2所示的2500m3并罐无钟式某钢铁厂高炉,炉喉半径4.3m,炉料体积30m3,基函数个数为您n+1=6,目标分布的权值向量Wg=[0.91,0.90,0.7,0.45,0.24]T,备选有限可数集为
γ(y)由现场给定数据拟合获得。
针对上述具体的高炉布料过程,具体实施层面:
(1)步骤5设定基函数B1(y),B2(y),…,B6(y)。
(2)根据步骤6和目标分布权值向量Wg=[0.91,0.90,0.7,0.45,0.24]T计算目标分布g(y)。
(3)根据料流轨迹模型计算高炉炉料落点位置(刘云彩,高炉布料规律[M],冶金工业出版社,2012),根据专利申请文件201510586609.6计算f(y,u),并根据本专利步骤4计算厚度分布h(y,u)。
(4)设定最大迭代次数为50,根据图3所示的控制流程图实时计算决策变量和准则函数并根据步骤10计算最终的决策变量α和κ。
(5)给出初始分布和最终分布的对比关系,如图4所示。
本发明给出了手动调节料层厚度分布的具体操作办法,从优化的矿石和焦炭层厚度分布看本发明给出的基于迭代学习和多模型的高炉布料过程径向料层厚度分布的控制策略可以实现料层目标厚度分布的操作变量布料矩阵的优化计算,具有可视性强、操作简单、结果准确的特点,对于布料操作优化和布料过程控制的实现都具有十分重要的指导意义。
本专利给出了手动调节料层厚度分布的具体操作办法,从控制效果看基于迭代学习和多模型的高炉布料过程径向料层厚度分布的控制策略可以任意的跟踪给定的料层厚度分布,具有可视性强、操作简单、结果准确的特点,对于布料操作优化和布料过程控制的实现都具有十分重要的指导意义。
Claims (6)
1.一种基于迭代学习和多模型的高炉布料过程料层径向厚度分布的控制策略,其特征在于,以高炉布料过程料层径向厚度分布为被控制目标,以布料矩阵为操作变量,构建面向高炉布料过程料层径向厚度分布的控制策略,所述控制策略包括:
(1)利用分离变量方法将被控对象料层径向厚度分布写成权值和基函数形式;
(2)在权值和基函数所描述的料层径向厚度分布的基础上,手动调节权值以设定料层厚度分布的控制目标;
(3)根据已设定的高炉布料过程料层厚度分布的控制目标以及料层实时径向厚度的分布定义料层厚度分布控制性能指标准则函数,基于迭代学习和多模型方法对高炉布料过程操作变量布料矩阵进行自动调节。
2.根据权利要求1所述的一种基于迭代学习和多模型的高炉布料过程料层径向厚度分布的控制策略,其特征在于:被控对象料层径向厚度分布h(y,u)满足柱形积分约束,是一个与决策变量相关的二维分布函数,操作变量布料矩阵包含溜槽倾角序列和旋转圈数序列两个部分,其中溜槽倾角向量α属于实数域,而布料圈数向量κ属于自然数域。
3.根据权利要求1所述的一种基于迭代学习和多模型的高炉布料过程料层径向厚度分布的控制策略,其特征在于,所述(1)利用分离变量方法将被控对象料层径向厚度分布写成权值和基函数形式,具体为:
1)在积分约束下将料层径向厚度分布h(y,u)写成权值wi(u)和基函数Bi(y)形式,并确定基函数和权值的个数n+1: 其中,料层径向厚度分布h(y,u)为距离高炉中心的位置y和决策变量布料矩阵u的二维函数,Vt为炉料总体积,bi为基函数Bi(y)的体积积分;基函数Bi(y)为B样条函数,n为5-20之间的整数;
2)采用降维方式描述n维权值向量W(u)和料层径向厚度分布之间的关系:
h(y,u)=C(y)W(u)+L(y),
W(u)=[w1(u),w2(u),…,wn(u)]T∈Rn×1,
其中,W(u)为与决策变量u相关的n维权值向量,C(y)为降维处理后n维基函数构成的矩阵,L(y)为降维处理后的约束变量。
4.根据权利要求3所述的一种基于迭代学习和多模型的高炉布料过程料层径向厚度分布的控制策略,其特征在于,所述(2)中,被控变量料层径向厚度目标分布函数g(y)由基函数和权值确定,在权值和基函数所描述的料层径向厚度分布的基础上,手动调节权值Wg以设定料层厚度分布的控制目标,具体为:g(y)=C(y)Wg+L(y)。
5.根据权利要求4所述的一种基于迭代学习和多模型的高炉布料过程料层径向厚度分布的控制策略,其特征在于,所述(3)根据已设定的高炉布料过程料层厚度分布的控制目标以及料层实时径向厚度的分布定义料层厚度分布控制性能指标准则函数,基于迭代学习和多模型方法对高炉布料过程操作变量布料矩阵进行自动调节,具体为:
1)根据布料圈数序列κ所遵循的约束布料的最大环数m,以及高炉布料过程边缘多中心少的布料原则确定M个备选κj构成的有限集合K={κ1,κ2,…κM};
2)根据目标分布g(y),定义有限可数集中布料圈数向量κj的准则函数:
其中
3)根据有限可数集中布料圈数向量κj对应的准则函数,用梯度迭代的方法给出溜槽倾角向量α的控制规律:
其中(k)表示迭代学习的次数;
4)设定最大迭代次数和迭代终止条件,根据已经确定的整数域布料圈数向量κ的有限可数集依次计算布料圈数向量κj的准则函数,从M个有限可数集K={κ1,κ2,…κM}中选择向量κ所对应的准则函数的最小值并根据最小化的性能指标给出相应的决策变量α和κ。
6.一种基于迭代学习和多模型的高炉布料过程料层径向厚度分布的控制策略,其特征在于,包括如下步骤:
步骤1:获取高炉布料过程高炉本体参数,包括炉喉半径、料线高度、溜槽长度、喉管高度、溜槽倾动距、溜槽摩擦系数、炉料堆角、炉料堆密度、料批批重,并给出操作变量布料矩阵的向量描述:
α=[α1,…,αm]T∈Rm×1,αi∈[αmin,αmax], (1)
u=[α,κ], (3)
其中αmin和αmax表示溜槽倾角可调节的边界,m表示最大布料环数,溜槽倾角向量α属于实数域,而旋转圈数向量κ属于自然数域;
步骤2:获取高炉布料过程料线径向分布γ(y),即布料过程底部分布形状,其中y表示距离高炉中心的距离;
步骤3:根据料批批重和炉料堆密度计算炉料体积Vt,并假定炉料堆密度恒定,根据质量守恒原则,炉料在料仓中的体积和炉料在高炉炉喉处分布的体积相等,得出:
其中,f(y,u)表示炉料分布在料线γ(y)的基础上所形成的径向顶部轮廓,u表示布料矩阵,由溜槽倾角向量α和旋转圈数向量构成κ构成;
步骤4:根据高炉布料过程径向底部和顶部的分布形状计算料层厚度分布:
h(y,u)=f(y,u)-γ(y); (5)
步骤5:根据高炉布料过程炉料等体积原则和分离变量法,将料层径向厚度分布h(y,u)写成权值wi(u)和基函数Bi(y)形式,具体包括以下子步骤:
步骤5-1:在积分约束下将料层径向厚度分布h(y,u)写成权值wi(u)和基函数Bi(y)形式,并确定基函数和权值的个数n+1:
其中,料层径向厚度分布h(y,u)为距离高炉中心的位置y和决策变量布料矩阵u的二维函数,Vt为炉料总体积,bi为基函数Bi(y)的体积积分;基函数Bi(y)为B样条函数,n为5-20之间的整数;
步骤5-2:采用降维方式描述n维权值向量W(u)和料层径向厚度分布之间的关系:
h(y,u)=C(y)W(u)+L(y), (9)
W(u)=[w1(u),w2(u),…,wn(u)]T∈Rn×1, (11)
其中,W(u)为与决策变量u相关的n维权值向量,C(y)为降维处理后n维基函数构成的矩阵,L(y)为降维处理后的约束变量;
步骤6:根据高炉布料过程炉料等体积原则,以及上述权值和基函数的描述,设置料层厚度分布的目标g(y):
g(y)=C(y)Wg+L(y), (13)
步骤7:根据布料圈数序列κ所遵循的约束布料的最大环数m,以及高炉布料过程边缘多中心少的布料原则确定M个备选κj构成的有限集合K={κ1,κ2,…κM};
步骤8:根据设定的料层厚度分布的目标g(y),定义有限可数集中布料圈数向量κj的准则函数:
其中
步骤9:根据有限可数集中布料圈数向量κj对应的准则函数,用梯度迭代的方法给出溜槽倾角向量α的控制规律:
其中(k)表示迭代学习的次数;
步骤10:设定最大迭代次数和迭代终止条件,根据已经确定的整数域布料圈数向量κ的有限可数集依次计算布料圈数向量κj的准则函数,从M个有限可数集K={κ1,κ2,…κM}中选择向量κ所对应的准则函数的最小值min(J(α)|κj),并根据最小化的性能指标给出相应的决策变量α和κ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710447597.8A CN107245540B (zh) | 2017-06-14 | 2017-06-14 | 一种高炉布料过程径向料层厚度分布的控制策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710447597.8A CN107245540B (zh) | 2017-06-14 | 2017-06-14 | 一种高炉布料过程径向料层厚度分布的控制策略 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107245540A CN107245540A (zh) | 2017-10-13 |
CN107245540B true CN107245540B (zh) | 2019-03-12 |
Family
ID=60018586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710447597.8A Active CN107245540B (zh) | 2017-06-14 | 2017-06-14 | 一种高炉布料过程径向料层厚度分布的控制策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107245540B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139275B (zh) * | 2021-03-22 | 2022-08-19 | 浙江大学 | 一种基于多层矿焦比分布模型的高炉炉喉温度估计方法 |
CN113637819B (zh) * | 2021-08-16 | 2022-10-18 | 中冶东方工程技术有限公司 | 一种基于深度强化学习的高炉布料方法及*** |
CN114045369B (zh) * | 2021-11-08 | 2022-07-19 | 福建三宝钢铁有限公司 | 提高块矿比例的高炉炼铁方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000039471A (ko) * | 1998-12-14 | 2000-07-05 | 이구택 | 고로장입물분포제어방법 |
CN105243190B (zh) * | 2015-09-14 | 2018-08-07 | 内蒙古科技大学 | 一种高炉布料过程料面输出形状的建模方法 |
CN106011350B (zh) * | 2016-07-05 | 2018-05-04 | 东北大学 | 一种高炉布料过程料面形状估计方法及*** |
CN106801114B (zh) * | 2017-01-04 | 2019-02-26 | 东北大学 | 一种高炉布料过程布料矩阵优化方法及*** |
-
2017
- 2017-06-14 CN CN201710447597.8A patent/CN107245540B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107245540A (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107245540B (zh) | 一种高炉布料过程径向料层厚度分布的控制策略 | |
CN104133945B (zh) | 一种高炉布料过程径向矿焦比的控制方法 | |
CN104531924B (zh) | 一种高炉炉料分布实时预报***及方法 | |
Li et al. | Numerical investigation of burden distribution in ironmaking blast furnace | |
CN106801114B (zh) | 一种高炉布料过程布料矩阵优化方法及*** | |
CN105950807B (zh) | 一种多信息融合的高炉布料过程料面形状建模方法 | |
CN105243190B (zh) | 一种高炉布料过程料面输出形状的建模方法 | |
CN106011350B (zh) | 一种高炉布料过程料面形状估计方法及*** | |
CN107169558A (zh) | 一种实现工程岩体力学参数反演的改进粒子群优化方法 | |
CN103014210A (zh) | 一种高炉炉顶布料装置及其布料方法 | |
CN110427715B (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 | |
CN104390534B (zh) | 一种隧道光面***质量控制方法 | |
CN108629111B (zh) | 一种混凝土重力坝材料参数空间变异性的模拟方法 | |
CN107119159B (zh) | 一种存在整数规划问题的高炉布料过程布料矩阵的优化方法 | |
CN106227954B (zh) | 一种铝合金重力金属型铸造工艺优化方法 | |
CN102636989B (zh) | 无钟高炉料线深度调节的数据驱动pid控制器设计方法 | |
CN102063551A (zh) | 一种高炉布料料面偏析数值模拟方法 | |
CN202093729U (zh) | 一种熔化气化炉布料模拟试验装置 | |
CN104561408B (zh) | 一种高炉矿焦比及气流分布调整的模型实验方法 | |
CN115167155A (zh) | 一种矿山采空区充填体智能混合制备方法 | |
CN203096101U (zh) | 一种高炉炉顶布料装置 | |
CN104179127B (zh) | 顶推变曲率竖曲线梁支点标高确定方法 | |
CN112553390A (zh) | 一种基于高斯过程回归的喷煤优化控制方法 | |
Ng et al. | A model of crystal-size evolution in polar ice masses | |
Fu et al. | Validation of the numerical model for blast furnace shaft process |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |