CN111020118B - 一种基于粒子群优化案例推理的rh终点温度预测方法 - Google Patents
一种基于粒子群优化案例推理的rh终点温度预测方法 Download PDFInfo
- Publication number
- CN111020118B CN111020118B CN201911354297.0A CN201911354297A CN111020118B CN 111020118 B CN111020118 B CN 111020118B CN 201911354297 A CN201911354297 A CN 201911354297A CN 111020118 B CN111020118 B CN 111020118B
- Authority
- CN
- China
- Prior art keywords
- temperature
- molten steel
- historical
- particle swarm
- swarm optimization
- 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
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C7/00—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00
- C21C7/10—Handling in a vacuum
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C2300/00—Process aspects
- C21C2300/06—Modeling of the process, e.g. for control purposes; CII
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明提供一种基于粒子群优化案例推理的RH终点温度预测方法,属于封装外壳技术领域。该基于粒子群优化案例推理的RH终点温度预测方法S1:建立第一案例库;S2:计算出第一多元线性回归系数;S3:获取第一预设影响因子;S4:对属性权重进行优化;S5:对RH精炼钢水终点温度进行预测以获取预测温度。本发明中保证在多次精炼任务中依然能迅速根据当前条件运算出最合理的预测值,提高***的可靠性和效率。
Description
技术领域
本发明属于冶金过程的生产与控制技术领域,涉及一种基于粒子群优化案例推理的 RH 终点温度预测方法。
背景技术
钢铁产业作为国民经济的支柱产业,占据着及其重要的地位,发展历程源远流长,然而随着时代的进步,科技的创新,传统炼钢技术与产品已经越来越难以满足如今多元的需求。在07年,宝钢股份有限公司在经过理论上的创新以及实际操作的参考,又在炉外精炼模型部分取得可喜的突破,成功的实现转炉冶炼中的“一键炼钢”部分,只需操作工按下一个开始键即可自动冶炼,近日在取得转炉“一键炼钢”突破的基础上,宝武集团通过不懈的探索与行动终于打破了国外的技术封锁,实现了国内真正意义上的“一键炼钢+全自动出钢”工艺贯通,突破了“智慧炼钢”中极其重要的瓶颈部分。
但是,对于炉外精炼这一块国内钢铁厂目前还基本采用人工操作的方式,对操作员工的经验等要求性较强。然而常规的操作方式依然存在着一定的不足之处:1)对操作的工人要求较高,需要在现场进行长期培训和一定程度的实际操作;2)效率较低,温度实时更新程度较差,必须要钢水到达相关工艺点再进行实时测温,若不满足温度需求还要返回上一个工艺点重新处理(加热或降温),达到温度需求后才能进行下一步,占用下一炉钢的处理资源,延长整体精炼周期;3)成本增加,测温次数的增加和精炼周期的延长会导致单位时间产出量下降,设备使用率降低,加速温度测量仪器的损耗,进而导致成本上升;4)每一个工艺点都重新测温容易扩大测量误差的影响程度,长期工作容易产生疲累,导致误操作;5)危险指数较高,增加事故发生率。因此,亟待设计高效自动预测钢水终点温度的方法来部分代替人工操作,减少人力劳动,提高***的工作效率与安全性能,获得可观的经济效益。
在RH冶炼期间,会发生各种物理或化学变化,都会对钢温产生干扰,故需综合考虑多种因素。操作因素和非操作因素影响实际生产过程中钢水终点的温度,操作因素是指精炼过程需要采取的工艺操作,包括氩气消耗、真空室烘烤温度、总处理时间、到站钢水温度、处理开始钢水温度、加脱氧剂量、到站含氧量、吹氧量、加合金量等。非操作因素是指不可控因素,例如钢包状况以及真空室中钢水的导热和散射热等。
此外,目前已经有人研究出利用理论模型来预测RH精炼炉钢液温度的方法来代替或减少实际温度测量,但大多还仅仅停留在物理计算或根据热平衡理论建立热传导模型来预测温度变化情况进而预报出RH炉钢水终点温度,但RH处理工艺异常复杂,存在大量不可控因素,该方法对计算过程作出大量假设和简化,同时为了减少非线性因素导致的复杂性,将许多非线性因素线性化,将不稳态因素稳态化处理,导致建立的物理模型越来越偏离实际。也有人在此基础上分析引起RH精炼炉钢水温度变化分量,利用BP神经网络计算自然温降引起的温度变化分量,从处理开始时刻至该时刻的时间间隔、RH精炼炉周围环境温度和钢液重量作为BP神经网络模型输入层,自然温降引起的RH炉钢液温度变化作为输出层,该方法比传统方法精度更高,对处理过程进行了有效控制,提高温度命中率,但预测精度也只能满足小范围小时间段的预报需求。
发明内容
本发明针对现有的技术存在的上述问题,提供一种基于粒子群优化案例推理的RH 终点温度预测方法,本发明所要解决的技术问题是:如何提供一种基于粒子群优化案例推理的 RH 终点温度预测方法。
本发明的目的可通过下列技术方案来实现:
一种基于粒子群优化案例推理的 RH 终点温度预测方法,包括如下步骤:
S1:分析出所有引起当前RH精炼炉数据中的钢液温度变化趋势的第一影响因素并建立第一案例库;
S2:利用多元线性回归方法计算出第一案例库中的第一影响因素的第一多元线性回归系数,并对第一影响因素的属性进行约简;
S3:获取第一影响因素中第一多元线性回归系数值大于第一预设值的第一预设影响因子;
S4:采用粒子群优化方法对第一预设影响因子的属性权重进行优化;
S5:基于约简的属性和优化的第一权重系数利用灰色关联相似算法对RH精炼钢水终点温度进行预测以获取预测温度。
优选的,所述第一影响因素包括到站钢水温度、处理开始钢水温度、钢水重量、氩气消耗、加入合金量、加入脱氧剂量、真空室烘烤温度、浸渍管寿命、钢包净空、总处理周期。
优选的,步骤S3中获取第一影响因素中第一多元线性回归系数值大于0.1的预设影响因子。
优选的,所述第一预设影响因子包括到站钢水温度、钢水重量、加入合金量、加入脱氧剂量、总处理周期。
优选的,所述预测温度为,,,其中为到站钢水温度/℃,为过程温降/℃,为与时间有关的第一温降/℃,为加入铁合金造成的第二温降/℃,为由于加入脱氧剂造成的第一温升/℃,为其它因素造成的第三温降/℃,为进行吹入氧气造成的第二温升/℃。
优选的,,为与吹氩流量有关的自然温降系数/(℃ • min-1),为RH处理时间/min,,为合金的加入量/kg,为合金温降系数/(℃ • t-1),,,为钢水游离氧含量,为脱氧造成的温度变化/℃,,为钢包温降系数/(℃ • min-1),,为吹氧量/m3。
优选的,步骤S3通过粒子群优化方法优化第一预设影响因子的属性权重时的学习因子c1=c2=2,粒子群体个数N=40,最大迭代次数maxgeneration=100,获取的权系数为[0.0468,0.2879,0.2839,0.1440,0.2374]。
优选的,步骤S1中结合具体工艺条件,收集310组热生产数据,其中200组作为操作指导模型和预处理的第一案例库数据,110组作为测试数据。
优选的,还包括历史案例库,所述历史案例库存储有历史终点温度、与历史终点温度相对应、影响历史温度的历史影响因素和历史影响因素的历史权重系数,步骤S5中调用历史案例库并通过灰色关联相似算法计算历史案例库和第一案例库的相似度,筛选出相似度值大于第二预设值时的历史终点温度作为RH精炼钢水终点温度的预测温度。
优选的,步骤S5中包括:获取第一预设影响因子中第一权重系数值大于第三预设值的第二预设影响因子;通过灰色关联相似算法计算历史案例库中的历史权重系数和第一权重系数的相似度并获取相似度值大于第四预设值的历史权重系数;获取历史权重系数对应的历史影响因素和历史终点温度并将历史终点温度作为RH精炼钢水终点温度的预测温度;将第一案例库存储在历史案例库中。
本发明中首先分析出所有引起当前RH精炼炉数据中的钢液温度变化趋势的第一影响因素并建立第一案例库,接着利用多元线性回归方法计算出第一案例库中的第一影响因素的第一多元线性回归系数,并对第一影响因素的属性进行约简,接着获取第一影响因素中第一多元线性回归系数值大于第一预设值的第一预设影响因子,接着采用粒子群优化方法对第一预设影响因子的属性权重进行优化,最后基于约简的属性和优化的第一权重系数利用灰色关联相似算法对RH精炼钢水终点温度进行预测,利用新的优化方法,在更加贴切的模型下进一步提高模型的预测精度,在精炼过程中提供更具可信度的温度参考值,保证在多次精炼任务中依然能迅速根据当前条件运算出最合理的预测值,提高***的可靠性和效率。
附图说明
图1是本发明中的RH炉的结构示意图;
图2是本发明中的RH精炼钢水终点温度的第一影响因素数据的统计表;
图3是本发明中的第一影响因素的第一多元线性回归系数的统计表;
图4是本发明中的各合金温降系数表;
图5是本发明中的各钢包温降系数表;
图6是本发明中的粒子群优化方法对第一预设影响因子的属性权重进行优化时的适应度变化曲线;
图7是发明中的灰色关联相似算法对RH精炼钢水终点温度进行预测的变化曲线图;
图8是本发明中的基于BP神经网络的钢水终点温度预测的编号曲线图;
图9是本发明中的基于灰色关联相似算法对RH精炼钢水终点温度进行预测和基于BP神经网络的钢水终点温度预测的汇总表。
图10是本发明中的粒子群算法流程图;
图11是本发明中的通过利用粒子群优化权重系数和利用灰色关联相似算法对RH精炼钢水终点温度进行预测的实现过程的流程图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
请参阅图1、图2、图3、图4、图5、图6、图7、图8、图9、图10、图11,本实施例中的基于粒子群优化案例推理的 RH 终点温度预测方法,包括如下步骤:
S1:分析出所有引起当前RH精炼炉数据中的钢液温度变化趋势的第一影响因素并建立第一案例库;
S2:利用多元线性回归方法计算出第一案例库中的第一影响因素的第一多元线性回归系数,并对第一影响因素的属性进行约简;
S3:获取第一影响因素中第一多元线性回归系数值大于第一预设值的第一预设影响因子;
S4:采用粒子群优化方法对第一预设影响因子的属性权重进行优化;
S5:基于约简的属性和优化的第一权重系数利用灰色关联相似算法对RH精炼钢水终点温度进行预测以获取预测温度。
此处,首先分析出所有引起当前RH精炼炉数据中的钢液温度变化趋势的第一影响因素并建立第一案例库,接着利用多元线性回归方法计算出第一案例库中的第一影响因素的第一多元线性回归系数,并对第一影响因素的属性进行约简,接着获取第一影响因素中第一多元线性回归系数值大于第一预设值的第一预设影响因子,接着采用粒子群优化方法对第一预设影响因子的属性权重进行优化,最后基于约简的属性和优化的第一权重系数利用灰色关联相似算法对RH精炼钢水终点温度进行预测,利用新的优化方法,在更加贴切的模型下进一步提高模型的预测精度,在精炼过程中提供更具可信度的温度参考值,保证在多次精炼任务中依然能迅速根据当前条件运算出最合理的预测值,提高***的可靠性和效率。所以在根据热平衡理论建立热传导模型的基础上,采用更加适合生产工艺的预测模型,将能进一步提高可信性与实用性;而且研究在高温,嘈杂,充满对人体有害气体和光线的工业环境中准确预测钢炉温度,不仅可以缓解操作工人的工作负担、提高冶炼效率和安全性,也为智慧炼钢提供基础。
在整个RH冶炼中,可以认为在整个钢包中,钢水的温度平均分布在里面。在RH冶炼期间,会发生各种物理或化学变化,都会对钢温产生干扰,故需综合考虑多种因素。操作因素和非操作因素影响实际生产过程中钢水终点的温度,操作因素是指精炼过程需要采取的工艺操作,包括氩气消耗、真空室烘烤温度、总处理时间、到站钢水温度、处理开始钢水温度、加脱氧剂量、到站含氧量、吹氧量、加合金量等。非操作因素是指不可控因素,例如钢包状况以及真空室中钢水的导热和散射热等。
第一影响因素可以包括到站钢水温度、处理开始钢水温度、钢水重量、氩气消耗、加入合金量、加入脱氧剂量、真空室烘烤温度、浸渍管寿命(次数)、钢包净空、总处理周期,代码分别为A-J。
步骤S3中获取第一影响因素中第一多元线性回归系数值大于0.1的预设影响因子。根据得出的线性回归系数,保留回归系数较大的影响因子,代码分别是A、C、E、F、J。
分析各个影响因子具体影响,第一预设影响因子包括到站钢水温度、钢水重量、加入合金量、加入脱氧剂量、总处理周期。
预测温度为,,,其中为到站钢水温度/℃,为过程温降/℃,为与时间有关的第一温降/℃,为加入铁合金造成的第二温降/℃,为由于加入脱氧剂造成的第一温升/℃,为其它因素造成的第三温降/℃,为进行吹入氧气造成的第二温升/℃。
,为与吹氩流量有关的自然温降系数/(℃ • min-1),为RH处理时间/min,,为合金的加入量/kg,为合金温降系数/(℃ • t-1),,,为钢水游离氧含量,为脱氧造成的温度变化/℃,,为钢包温降系数/(℃ • min-1),,为吹氧量/m3。
自然温降造成的影响:受周围环境影响造成的温度变化最难预料,这是由于在生产过程中,钢水会附着在炉壁上结节。另外,真空炉内的各个部件对钢水有着温度互换的过程,且该过程不易统计处理。对现场数据的统计分析表明,真空室引起的温降主要与时间有关,即钢包的热损失与处理时间成正比,随着时间的增长,钢水温度减少的越多。
请参阅图4,加入合金对温度造成的影响:为了在RH处理期间达到钢液组合物的标准,应在碳氧剔除干净后进行合金化。加入的合金有一部分不参与脱氧,主要用于调整钢水中相关成分,为简化分析过程,将该合金看成能吸收热量的冷材料,投入钢炉中,产生的温度变化与添加的合金量成比例。然而,铝既是脱氧剂又是组成元素。在计算合金化温度下降时,将不加考虑地单独计算用于脱氧的铝。
脱氧对温降造成的影响:在完成真空脱碳后,下一步是除去游离氧。生产工艺中一般采用铝来去除钢液中的氧,该过程会产生大量的热。铝脱氧反应方程如下:
请参阅图5,其他因素造成的影响:生产热处理中,罐的状态影响主要体现在蓄热和散热上。根据生产标准,由于烘烤和使用条件的不同,不同罐况的温度条件不同,因此罐况的条件是分级的。 A,B和C标志用于不同的罐况条件,并且有不同的温度下降。
吹氧对温度的影响:随着时间推移,温度会不断下降,一旦超过设定的阈值时,需要对其加热,即将氧气吹入钢水中以释放大量热量,并使热量与铝反应以加热钢水。吹氧和加铝所放出的热量由公式(5)、(9)计算。事实上,吹入的氧气并非全部参与反应,并且一些作为废气被耗尽,这需要考虑吹氧效率,根据钢厂现场实践,吹氧效率为70%。
请参阅图6,步骤S3通过粒子群优化方法优化第一预设影响因子的属性权重时通过MATLAB实现粒子群(PSO)优化算法和案例推理计算过程的学习因子c1=c2=2,粒子群体个数N=40,最大迭代次数maxgeneration=100,获取的权系数为[0.0468,0.2879,0.2839,0.1440,0.2374]。
请参阅图10,粒子群算法的步骤包括:初始化粒子群;计算各粒子的适应值;记录粒子的个体极值和全局极值;更新粒子的速度和位置;适应度评价;根据适应度评价的结果进行更新粒子的个体极值和全局极值;如果满足预设结束条件时则输出最优解,如果不满足预设结束条件则重新更新粒子的速度和位置,循环后续步骤。
步骤S1中结合具体工艺条件,收集310组热生产数据,其中200组作为操作指导模型和预处理的第一案例库数据,110组作为测试数据,提高预测的精度。
请参阅图7,作为本实施例中的基于粒子群优化案例推理的 RH 终点温度预测方法还可以包括历史案例库,历史案例库存储有历史终点温度、与历史终点温度相对应、影响历史温度的历史影响因素和历史影响因素的历史权重系数,步骤S5中调用历史案例库并通过灰色关联相似算法计算历史案例库和第一案例库的相似度,筛选出相似度值大于第二预设值时的历史终点温度作为RH精炼钢水终点温度的预测温度。
步骤S5中可以包括:获取第一预设影响因子中第一权重系数值大于第三预设值的第二预设影响因子;通过灰色关联相似算法计算历史案例库中的历史权重系数和第一权重系数的相似度并获取相似度值大于第四预设值的历史权重系数;获取历史权重系数对应的历史影响因素和历史终点温度并将历史终点温度作为RH精炼钢水终点温度的预测温度;将第一案例库存储在历史案例库中,这样可以丰富历史案例库,提高预测的精度。
请参阅图11,通过利用粒子群优化权重系数和利用灰色关联相似算法对RH精炼钢水终点温度进行预测的实现过程包括如下步骤:输入待解决问题,即预测RH 终点温度;案例表达,即分析出所有引起当前RH精炼炉数据中的钢液温度变化趋势的第一影响因素并建立第一案例库;属性约简,即利用多元线性回归方法计算出第一案例库中的第一影响因素的第一多元线性回归系数,并对第一影响因素的属性进行约简,获取第一影响因素中第一多元线性回归系数值大于第一预设值的第一预设影响因子;权重优化,即采用粒子群优化方法对第一预设影响因子的属性权重进行优化;相似度计算,即获取第一预设影响因子中第一权重系数值大于第三预设值的第二预设影响因子,通过灰色关联相似算法计算历史案例库中的历史权重系数和第一权重系数的相似度并获取相似度值大于第四预设值的历史权重系数;案例重用,即获取历史权重系数对应的历史影响因素和历史终点温度并将历史终点温度作为RH精炼钢水终点温度的预测温度;解决问题,将预测温度输入待解决问题中;案例保存,即将第一案例库存储在历史案例库中。
请参阅图8和图9,还可以存在通过使用BP神经网络进行预测RH精炼钢水终点温度的对照组,在对照组中,使用Matlab语言编程实现BP神经网络的计算过程包括输入层、隐藏层和输出层,其中输入层有15个节点,隐藏层有5个节点,输出层有1个节点,最大训练次数为500次,输出集相关性如图,本发明用在具体实例上的预报准确性评价结果,其中横坐标为炉次,纵坐标为预测温度,从预测结果汇总表中可以看出,基于粒子群优化案例推理的准确率比BP神经网络的准确率高3.95%。从以上实验可以看出,基于粒子群算法优化属性权重的案例推理能够有效提高预测精度,高于BP神经网络方法,为RH过程的精确控制提供了有力的支持。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种基于粒子群优化案例推理的 RH 终点温度预测方法,其特征在于,包括如下步骤:
S1:分析出所有引起当前RH精炼炉数据中的钢液温度变化趋势的第一影响因素并建立第一案例库;
S2:利用多元线性回归方法计算出第一案例库中的第一影响因素的第一多元线性回归系数,并对第一影响因素的属性进行约简;
S3:获取第一影响因素中第一多元线性回归系数值大于第一预设值的第一预设影响因子;
S4:采用粒子群优化方法对第一预设影响因子的属性权重进行优化;
S5:基于约简的属性和优化的第一权重系数利用灰色关联相似算法对RH精炼钢水终点温度进行预测以获取预测温度;
还包括历史案例库,所述历史案例库存储有历史终点温度、与历史终点温度相对应、影响历史温度的历史影响因素和历史影响因素的历史权重系数,步骤S5中调用历史案例库并通过灰色关联相似算法计算历史案例库和第一案例库的相似度,筛选出相似度值大于第二预设值时的历史终点温度作为RH精炼钢水终点温度的预测温度。
2.如权利要求1所述的一种基于粒子群优化案例推理的 RH 终点温度预测方法,其特征在于:所述第一影响因素包括到站钢水温度、处理开始钢水温度、钢水重量、氩气消耗、加入合金量、加入脱氧剂量、真空室烘烤温度、浸渍管寿命、钢包净空、总处理周期。
3.如权利要求1或2所述的一种基于粒子群优化案例推理的 RH 终点温度预测方法,其特征在于:步骤S3中获取第一影响因素中第一多元线性回归系数值大于0.1的预设影响因子。
4.如权利要求3所述的一种基于粒子群优化案例推理的 RH 终点温度预测方法,其特征在于:所述第一预设影响因子包括到站钢水温度、钢水重量、加入合金量、加入脱氧剂量、总处理周期。
7.如权利要求6所述的一种基于粒子群优化案例推理的 RH 终点温度预测方法,其特征在于:步骤S3通过粒子群优化方法优化第一预设影响因子的属性权重时的学习因子c1=c2=2,粒子群体个数N=40,最大迭代次数maxgeneration=100,获取的权系数为[0.0468,0.2879,0.2839,0.1440,0.2374]。
8.如权利要求1或2所述的一种基于粒子群优化案例推理的 RH 终点温度预测方法,其特征在于:步骤S1中结合具体工艺条件,收集310组热生产数据,其中200组作为操作指导模型和预处理的第一案例库数据,110组作为测试数据。
9.如权利要求1所述的一种基于粒子群优化案例推理的 RH 终点温度预测方法,其特征在于:步骤S5中包括:获取第一预设影响因子中第一权重系数值大于第三预设值的第二预设影响因子;通过灰色关联相似算法计算历史案例库中的历史权重系数和第一权重系数的相似度并获取相似度值大于第四预设值的历史权重系数;获取历史权重系数对应的历史影响因素和历史终点温度并将历史终点温度作为RH精炼钢水终点温度的预测温度;将第一案例库存储在历史案例库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911354297.0A CN111020118B (zh) | 2019-12-25 | 2019-12-25 | 一种基于粒子群优化案例推理的rh终点温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911354297.0A CN111020118B (zh) | 2019-12-25 | 2019-12-25 | 一种基于粒子群优化案例推理的rh终点温度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111020118A CN111020118A (zh) | 2020-04-17 |
CN111020118B true CN111020118B (zh) | 2021-09-24 |
Family
ID=70213912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911354297.0A Active CN111020118B (zh) | 2019-12-25 | 2019-12-25 | 一种基于粒子群优化案例推理的rh终点温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111020118B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112522474B (zh) * | 2020-12-01 | 2022-03-29 | 攀钢集团西昌钢钒有限公司 | 一种控制lf精炼终点温度的方法 |
CN113255102B (zh) * | 2021-04-23 | 2022-02-08 | 北京科技大学 | 一种转炉终点钢水碳含量与温度预测方法及装置 |
CN116434856B (zh) * | 2023-03-17 | 2024-04-16 | 北京科技大学 | 一种基于分段式氧气脱碳效率的转炉供氧量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1603026A (zh) * | 2003-09-29 | 2005-04-06 | 宝山钢铁股份有限公司 | 一种rh精炼炉钢液温度实时预测方法 |
CN101403567A (zh) * | 2008-11-21 | 2009-04-08 | 冶金自动化研究设计院 | 基于svm的电弧炉终点温度预报*** |
CN102163261A (zh) * | 2011-04-08 | 2011-08-24 | 汪红兵 | 一种基于案例推理的钢水温度预测方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251458A1 (en) * | 2018-02-15 | 2019-08-15 | Institute For Development And Research In Banking Technology | System and method for particle swarm optimization and quantile regression based rule mining for regression techniques |
-
2019
- 2019-12-25 CN CN201911354297.0A patent/CN111020118B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1603026A (zh) * | 2003-09-29 | 2005-04-06 | 宝山钢铁股份有限公司 | 一种rh精炼炉钢液温度实时预测方法 |
CN101403567A (zh) * | 2008-11-21 | 2009-04-08 | 冶金自动化研究设计院 | 基于svm的电弧炉终点温度预报*** |
CN102163261A (zh) * | 2011-04-08 | 2011-08-24 | 汪红兵 | 一种基于案例推理的钢水温度预测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
基于PSO和BP网络的LF炉钢水温度智能预测;王安娜等;《控制与决策》;20060731;第21卷(第7期);第3、4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111020118A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111020118B (zh) | 一种基于粒子群优化案例推理的rh终点温度预测方法 | |
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 | |
CN104630410B (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
Liu et al. | A dynamic analytics method based on multistage modeling for a BOF steelmaking process | |
Backman et al. | Methods and tools of improving steel manufacturing processes: Current state and future methods | |
CN113192568B (zh) | 一种精炼炉脱硫终点预报方法和*** | |
CN116469481B (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
CN103194574B (zh) | 一种vod精炼终点碳含量预报模型的动态调整方法 | |
CN1298458C (zh) | 一种rh精炼炉钢液温度实时预测方法 | |
CN107630122A (zh) | 一种基于烟气分析的rh动态脱碳优化方法 | |
CN110059940B (zh) | 一种炼钢-连铸界面衔接节能方法及*** | |
CN105242545B (zh) | 一种基于工艺批次模型的转炉用氧流量的预测方法 | |
KR102579633B1 (ko) | 조업 결과 예측 방법, 학습 모델의 학습 방법, 조업 결과 예측 장치 및 학습 모델의 학습 장치 | |
Chistyakova et al. | Computer system of industrial data mining for resource-saving control of steel-smelting converter production | |
JPWO2021014923A1 (ja) | プロセスの制御方法、操業ガイダンス方法、高炉の操業方法、溶銑の製造方法およびプロセスの制御装置 | |
CN113430333A (zh) | 一种钢包精炼炉智能化稳定冶炼控制的方法 | |
Ternstedt et al. | Using an AOD simulator workbench to support process control development | |
Camdali et al. | Calculation of chemical reaction energy in an electric arc furnace and ladle furnace system | |
US20070000578A1 (en) | Method for predicting and controlling the castability of liquid steel | |
CN105023191B (zh) | 一种冶金炉窑烟尘发生率的在线递推计算方法 | |
Aksyonov et al. | The use of simulation in the management of converter production logistics processes | |
CN116579670B (zh) | 热态精炼渣回收利用的经济效益计算和可行性评估方法 | |
Mariiash et al. | Model predictive control application in the energy saving technology of basic oxygen furnace | |
Schlautmann et al. | Model-based dynamic monitoring and end-point control of converter process | |
You et al. | Improved internal model control method for carbon content of argon–oxygen refining ferrochromium alloys |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200417 Assignee: Wuhan Sidi Shangen Technology Co., Ltd Assignor: WUHAN University OF SCIENCE AND TECHNOLOGY Contract record no.: X2020420000005 Denomination of invention: A method of RH terminal temperature prediction based on PSO case-based reasoning License type: Common License Record date: 20201021 |
|
GR01 | Patent grant | ||
GR01 | Patent grant |