CN111254243A - 一种高炉出铁过程堵铁口时间智能确定方法及*** - Google Patents
一种高炉出铁过程堵铁口时间智能确定方法及*** Download PDFInfo
- Publication number
- CN111254243A CN111254243A CN202010165654.5A CN202010165654A CN111254243A CN 111254243 A CN111254243 A CN 111254243A CN 202010165654 A CN202010165654 A CN 202010165654A CN 111254243 A CN111254243 A CN 111254243A
- Authority
- CN
- China
- Prior art keywords
- operation mode
- projection
- blast furnace
- time
- regression model
- 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.)
- Granted
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B7/00—Blast furnaces
- C21B7/12—Opening or sealing the tap holes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明公开了一种高炉出铁过程堵铁口时间智能确定方法及***,通过建立表征高炉熔炼过程的条件参数、操作参数与堵铁口时间的优良操作模式库,以及判断在优良操作模式库中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,根据最优操作模式获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于投影寻踪回归模型对堵铁口时间进行预测,解决了现有技术无法准确判断高炉堵铁口时间的技术问题,能根据当前工况实时并准确地对堵铁口时间进行智能预测,具有高精确性,强稳定性,长周期性,投资成本少等优点。
Description
技术领域
本发明主要涉及高炉堵铁口时间确定技术领域,特指一种高炉出铁过程堵铁口时间智能确定方法及***。
背景技术
钢铁行业中,高炉生产的稳定对于整个钢铁企业生产流程来说至关重要。高炉炼铁生产的工序能耗和生产成本都占到了钢铁企业生产的70%以上,然而,高炉内多种多相物质共存且相互作用,且诸多物理化学现象同时发生,在化工领域被认为是最复杂的冶金反应器之一,现有技术手段难以探知处于“黑箱”运行的高炉中内部的压力变化。检测高炉出铁口处铁水的流速能表征高炉炉内的压力,同时也能反映产出的金属和渣之间的比例关系,及时发现并排除异常工况,改善高炉透气性,保证高炉平稳顺行生产。因此,检测高炉出口处铁水的流速对于高炉生产节能减排、提质增效的意义尤为重要。
检测对象为高温高光的铁水,而且检测现场存在不可避免的震动及大量且分布不均的粉尘等强干扰因素,给检测带来极大的挑战。目前有关检测高温铁水流速的方法主要为非接触式测量法,非接触式有:图像法和数值模拟法。
图像法将十字丝标签贴在鱼雷罐的罐体上,通过对十字丝的图像处理,采用特征匹配方法进行粗定位,应用角点检测实现精确定位,获得了鱼雷罐车弹簧的下压移动距离,计算得到流入到鱼雷罐车中铁水的质量,并计算出实时铁水流量现场工人对于出铁口铁水的流量。但是这种的测量方法存在比较大的时滞性和不精确性,难以为高炉的稳定高效生产提供有效的指导意义。
数值模拟法通过建立高炉出铁口铁水出流的机理模型,利用数值模拟的方法计算出了高炉出铁的各阶段的铁水的流速值,但是该方法需要良好的假设环境及非已知的参数值,无法得到准确流速值。
高温高速铁水流速的检测挑战性极大,而且相关专利很少,且现有专利的缺陷较大。
专利公开号CN103480813A发明专利是一种连铸结晶器高温钢液流速测量***及测量方法,该专利发明了一种对高温钢液流速测量***,其工作原理是轴承通过固定轴固定在固定***上,轴承上、下对称位置分别安装弹簧和测量杆,弹簧安装“T”型固定***上,轴承安装轴承套,通过联轴器连接轴承套和角度位移感器,角度位移传感器由电源供电,记录测量杆在流动钢液中的实时偏转角度,并通过数据线传输到数据采集分析***,将角度数据转化为钢液流速值。但该专利需要根据***检测对象不同需要重新配准,使用前将***预热至1200~1400℃,且检测量程较小,不能检测流速过大的流体,检测结束后***不能直接检测下一个对象,在使用的可重复性上受到限制。
专利公开号CN104131126A发明专利是一种基于模糊模型的高炉熔渣流量检测方法,该专利建立高炉熔渣流量的模糊推理模型,结合第i时刻的渣面高度的大小对高炉熔渣流量的影响特性,设定关于第i时刻的渣面高度的模糊隶属函数,利用模糊推理模型与模糊隶属函数,建立高炉熔渣流量计算模型,使用高炉熔渣流量计算模型进行高炉实时熔渣总流量的在线检测。但该专利中的初始值是通过工艺人员由人工操作经验知识中获得的,人为因素影响较大,主观性强,且设计流程是一个开环,无法保证长期运行结果的准确性。
发明内容
本发明提供的高炉出铁过程堵铁口时间智能确定方法及***,解决了现有技术无法准确判断高炉堵铁口时间的技术问题。
为解决上述技术问题,本发明提出的高炉出铁过程堵铁口时间智能确定方法包括:
建立表征高炉熔炼过程的条件参数、操作参数与堵铁口时间的优良操作模式库;
判断在所述优良操作模式库中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,根据所述最优操作模式获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于所述投影寻踪回归模型对堵铁口时间进行预测。
进一步地,判断在优良操作模式库中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,根据最优操作模式获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于投影寻踪回归模型对堵铁口时间进行预测包括:
对优良操作模式库中的优良操作模式的条件分量和决策分量矩阵做PCA分析,获得主元个数和与主元个数对应的属性权重系数;
在主元空间中构建与当前工况对应的操作模式参考对象以及与优良操作模式对应的操作模式匹配对象;
根据操作模式参考对象与操作模式匹配对象之间的欧几里德距离去除与当前工况的相似度小于预设相似度下限值的优良操作模式,获得初始相似操作模式集;
基于初始相似操作模式集,利用柯西不等式判断在初始相似操作模式集中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,则根据初始相似操作模式集获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于投影寻踪回归模型对堵铁口时间进行预测。
进一步地,柯西不等式的具体公式为:
进一步地,建立投影寻踪回归模型,并基于投影寻踪回归模型对堵铁口时间进行预测包括:
确定投影寻踪回归模型的投影指标函数;
根据投影指标函数中的投影方向将投影寻踪回归模型输入向量投影到一维空间,获得投影值,投影寻踪回归模型输入向量为根据候选操作模式的条件参数向量和操作参数向量提取的数据矩阵;
以投影值为自变量,投影寻踪回归模型输出向量为因变量,利用正交Hermite多项式拟合获得Hermite多项式投影寻踪回归模型,投影寻踪回归模型输出向量为候选操作模式的堵铁口时间;
基于投影指标函数,采用投影寻踪学习网络,对Hermite多项式投影寻踪回归模型中的投影方向参数和多项式参数进行优化,获得最优投影方向和最优多项式参数;
基于最优投影方向和最优多项式参数,利用Hermite多项式投影寻踪回归模型获取堵铁口预测时间。
进一步地,基于最优投影方向和最优多项式参数,利用Hermite多项式投影寻踪回归模型获取堵铁口预测时间之后还包括:
计算堵铁口预测时间与实际堵铁口时间之间的误差,若误差大于预设误差,则增加岭函数个数,并重新利用正交Hermite多项式拟合获得Hermite多项式投影寻踪回归模型,依此循环,直至误差小于预设误差。
进一步地,确定投影寻踪回归模型的投影指标函数具体为根据堵铁口时间实际值、预测值和投影方向确定投影寻踪回归模型的投影指标函数,且投影指标函数具体为:
进一步地,建立表征高炉熔炼过程的条件参数、操作参数与堵铁口时间的优良操作模式库包括:
根据高炉熔炼过程的条件参数、操作参数与堵铁口时间对应关系建立操作模式;
根据实际高炉出铁过程中所有可能出现的状况所对应的操作模式组成的空间获得操作模式空间;
建立工况评价模型,并根据工况评价模型对相同操作模式的条件参数和操作参数对应的不同堵铁口时间进行评价,从而获得与每组操作模式对应的优良操作模式;
基于操作模式空间,根据不同条件参数下的优良操作模式组成的集合获得优良操作模式库。
本发明提出的高炉出铁过程堵铁口时间智能确定***包括:
存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现本发明的高炉出铁过程堵铁口时间智能确定方法的步骤。
与现有技术相比,本发明的优点在于:
本发明提供的高炉出铁过程堵铁口时间智能确定方法及***,通过建立表征高炉熔炼过程的条件参数、操作参数与堵铁口时间的优良操作模式库,以及判断在优良操作模式库中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,根据最优操作模式获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于投影寻踪回归模型对堵铁口时间进行预测,解决了现有技术无法准确判断高炉堵铁口时间的技术问题,能根据当前工况实时并准确地对堵铁口时间进行智能预测,具有高精确性,强稳定性,长周期性,投资成本少等优点。
附图说明
图1为本发明实施例一的高炉出铁过程堵铁口时间智能确定方法的流程图;
图2为本发明实施例二的高炉出铁过程堵铁口时间智能确定方法的流程图;
图3为本发明实施例二的PCA分析的流程图;
图4为本发明实施例二的操作模式分级匹配策略框图;
图5为本发明实施例二的投影寻踪学习网络示意图;
图6为本发明实施例的高炉出铁过程堵铁口时间智能确定***的结构框图;
图7为本发明实施例三的高炉出铁过程堵铁口时间智能确定***的结构框图。
附图标记说明:
10:存储器;20、处理器;U1:数据存取单元;U2:操作模式发现单元;U3:操作模式匹配单元;U4:投影寻踪回归单元;U5:输出单元。
具体实施方式
为了便于理解本发明,下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述,但本发明的保护范围并不限于以下具体的实施例。
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一
参照图1,本发明实施例一提供的高炉出铁过程堵铁口时间智能确定方法,包括:
步骤S101,建立表征高炉熔炼过程的条件参数、操作参数与堵铁口时间的优良操作模式库;
步骤S102,判断在优良操作模式库中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,根据最优操作模式获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于投影寻踪回归模型对堵铁口时间进行预测。
本发明实施例提供的高炉出铁过程堵铁口时间智能确定方法,通过建立表征高炉熔炼过程的条件参数、操作参数与堵铁口时间的优良操作模式库,以及判断在优良操作模式库中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,根据最优操作模式获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于投影寻踪回归模型对堵铁口时间进行预测,解决了现有技术无法准确判断高炉堵铁口时间的技术问题,能根据当前工况实时并准确地对堵铁口时间进行智能预测,具有高精确性,强稳定性,长周期性,投资成本少等优点。
具体地,本实施例首先把大量的生产数据传送到数据库服务器进行保存;接着建立用于表征高炉熔炼过程的工况条件参数、操作参数与堵铁口时间的优良操作模式库;然后从优良操作模式库中搜寻适合当前工况的最优操作模式集;若优良操作模式库中所有的操作模式与当前工况的相似性都不满足预设相似度条件要求,则建立投影寻踪回归模型,并基于投影寻踪回归模型对堵铁口时间进行预测;最后,输出当前工况条件下最优操作模式,得到最佳堵铁口时间。
实施例二
参照图2,本发明实施例二提供的高炉出铁过程堵铁口时间智能确定方法包括:
步骤S201,建立表征高炉熔炼过程的条件参数、操作参数与堵铁口时间的优良操作模式库。
具体地,本实施例首先把运行在高炉现场的各种检测仪器和***产生的大量生产数据经控制***和内部网络等中介上传到数据库服务器,进行长期的保存。这些数据是对生产运行规律的有效反映;然后通过企业内部网读取保存在现场设备的生产数据,以及通过连接服务器远程读取数据库中的相关数据。
在大型高炉炼铁生产过程中,条件参数、操作参数与堵铁口时间组成的向量之间的关系呈现“多对一”的映射关系。理论上讲当条件参数和操作参数组成的向量相同时,作用到出铁过程则应对应相同的出铁时间。
通过把反映高炉熔炼出铁过程运行信息的工况条件作为条件参数,出铁过程中可能进行的相关操作作为操作参数,一组条件参数和与之相对应的操作参数组成操作模式,把由一个操作模式单元组成的向量定义为一个操作模式P,即
P=[IT,UT]T (1)
其中,P=[IT,UT]T代表对[IT,UT]求转置,I=[i1,i2…i11]T为条件参数向量,分别表示炉缸压力、铁水流速、流股直径、铁水罐增重速率、铁口平均直径、重力加速度常数、铁口出口中心线液位差、铁口深度、铁口内的压差、铁口壁的摩擦系数以及融化物的平均密度,U=[u1,u2,u3]T为操作参数向量,表示降低炉顶压力、减风和透铁口操作,模式的输出则是堵铁口时间,O=oT。
通过将所有的操作模式集合起来可以建立一整套操作模式库。操作模式中操作参数向量U是由条件参数向量I通过某种关系进行决策获得的,故称条件参数向量I为模式条件分量,操作参数向量为模式决策分量,基于这些数据映射出完整的操作模式空间,设Pj(j=1,2,…,k)表征高炉出铁过程的任一个操作模式,则由实际高炉出铁过程中所有可能出现的状况所对应的操作模式组成的空间称之为操作模式空间。
本实施例的优良操作模式库模块是综合考虑按料批计算的理论出铁量和实际出来的铁水量是否相符、铁口是否有大量煤气喷出以及人工经验判断等指标,通过建立工况评价模型对相同模式条件分量和操作参数对应的不同堵铁口时间进行评价,评价出每组操作模式对应的结果最好的优良操作模式。操作模式库输入之后首先进行数据预处理,接着对操作模式进行操作模式分类,在不同的输入条件下,按同样的模式评价方法,可以获得不同的优良操作模式,在操作模式空间中,称不同模式条件下的优良操作模式组成的集合为优良操作模式库。
步骤S202,对优良操作模式库中的优良操作模式的条件分量和决策分量矩阵做PCA分析,获得主元个数和与主元个数对应的属性权重系数,在主元空间中构建与当前工况对应的操作模式参考对象以及与优良操作模式对应的操作模式匹配对象。
本实施例首先对优良操作模式库中的条件分量和决策分量矩阵做PCA分析(Principal Components Analysis,即主成分分析技术),设定主元属性权重,在主元空间中构建操作模式的参考对象和匹配对象。参考图3,本实施例的PCA变换包括:
步骤S301,提取数据样本矩阵。
以m维的n个数据样本组成的数据矩阵X为例,具体如下:
假设本实施例提取数据样本矩阵X=[χij]n×m,其中,n表示数据样本个数、m为变量个数;对数据进行标准化处理,使处理后的数据矩阵仍可分解为多个向量外积之和,即:X=TPT=t1P1 T+t2P2 T+…+tmPm T,其中,T∈Rn×m,ti∈Rn(i=1,2,…,m)就是主元,pi∈Rm为载荷向量。
步骤S302,计算协方差矩阵。
具体地,本实施例计算数据样本矩阵X的协方差矩阵具体公式为:
步骤S303,正交分解。
具体地,对协方差矩阵进行正交分解,得
式中,D=diag(λ1,λ2,…λm)为协方差矩阵的特征根矩阵,且λ1≥λ2≥…≥λm,P=[p1,p2,…,pm]为载荷矩阵。
步骤S304,确定主元个数。
具体地,本实施例使用特征值方差累计贡献率法来确定主元个数,前l个主元对样本总方差的累计贡献率可表示为:
当l个主元的累计贡献率超过设定阈值时,认为对应的l个主元就是需要保留的主元个数。
步骤S305,计算主元得分矩阵。
具体地,本实施例计算主元得分矩阵具体为:
T=XP (6)
主元分量ti可表示为:
ti=Xpi,i=1,2,….l (7)
步骤S306,确定主元权重系数。
具体地,PCA中不同主元对数据信息量的表示程度是有差异的,各主元所对应的特征值表征信息量的多少,因此可以将各主元所对应特征值的贡献率作为相应主元的属性权重系数,第i(i=1.2.…,l)个主元的权重系数为:
步骤S203,根据操作模式参考对象与操作模式匹配对象之间的欧几里德距离去除与当前工况的相似度小于预设相似度下限值的优良操作模式,获得初始相似操作模式集,基于初始相似操作模式集,利用柯西不等式判断在初始相似操作模式集中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,则根据初始相似操作模式集获得高炉堵铁口时间,否则执行步骤S204。
本实施例将柯西不等式引入到相似性度量准则中,以参考对象与匹配对象之间的范数比较取代各属性分量间的综合度量,这样每一个匹配对象便不需要进行复杂的综合运行就能做出决策,提高了从相似操作模式集中搜索与当前工况相适应的最优操作模式的效率。
采用范数的形式就表示为:
另一方面,由柯西不等式可知:
可得到:
本实施例操作模式匹配成功的判断标准就是操作模式之间的相似度小于或等于所设定的阈值α,即当sk≤α时认为操作模式匹配成功。
如果存在多个满足sk≤α的操作模式,则选择sk最小的操作模式为最优操作模式,并提取该操作模式下的堵铁口时间作为匹配输出。若不满足sk≤α,则执行步骤S204。
本实施例以欧几里德距离作为操作模式匹配的初级判断准则,快速剔除相似性较小的操作模式,提取次级匹配所需的相似操作模式集,使次级匹配过程只在相似操作模式集中进行,从而提高后续模式匹配速度,此外,在次级匹配中引入柯西不等式进一步简化了相似度计算量,具体参照图4。由此可以看出,本实施例采用分级快速匹配策略,能快速并精准获得当前工况条件下的最优操作模式。
步骤S204,确定投影寻踪回归模型的投影指标函数。
具体地,假设本实施例有n组数据样本yi(i=1,2,…,n)分别表示第i个样本的堵铁口时间实际值,分别表示第i个样本堵铁口时间预测值,表示第i个样本堵铁口时间的预测误差。堵铁口时间预测模型的投影方向向量长度之和为1,因此投影指标函数可以表示为:
步骤S205,根据投影指标函数中的投影方向将投影寻踪回归模型输入向量投影到一维空间,获得投影值,投影寻踪回归模型输入向量为根据候选操作模式的条件参数向量和操作参数向量提取的数据矩阵。
具体地,本实施例首先提取候选操作模式库集中相应的条件参数向量和操作参数向量,并组成数据矩阵{xi1,xi2,…,xi14}(i=1,2,,m)作为投影寻踪回归输入向量,将高炉出铁过程中堵铁口时间yi=[yi1](i=1,2,…,m)作为投影寻踪回归输出向量。其中m为样本个数,构造自变量数据矩阵Xn×p与因变量数据矩阵Yn×l,计算Xn×p的投影值,
步骤S206,以投影值为自变量,投影寻踪回归模型输出向量为因变量,利用正交Hermite多项式拟合获得Hermite多项式投影寻踪回归模型,投影寻踪回归模型输出向量为候选操作模式的堵铁口时间。
具体地,本实施例将提取后的输入向量xi=[xi1,xi2,…,xi14]通过投影方向向量a=[a1,a2,…,a14]T投影到一维空间,得到投影值zi(i=1,2,…,m)
然后以投影值zi为自变量,以yi1(i=1,2,…,m)为因变量,利用正交Hermite多项式对散布点(zi,yi1)进行曲线拟合,Hermite多项式投影寻踪回归模型可表示为:
式中,m为岭函数个数,r为多项式阶数,ckl为多项式系数,hkl(·)为Hermite多项式,可通过下式进行计算:
步骤S207,基于投影指标函数,采用投影寻踪学习网络,对Hermite多项式投影寻踪回归模型中的投影方向参数和多项式参数进行优化,获得最优投影方向和最优多项式参数。
在对建立的模型参数进行优化的过程中,要选择合适的优化方法对投影方向ak和多项式系数hk进行优化,求解出最佳ak的和hk的值。
具体地,在模型参数训练过程中,以投影指标函数为优化目标,利用投影寻踪学习网络(PPLN)对堵铁口时间预测模型中的投影方向和多项式系数进行优化,同时保证岭函数的个数与模型预测精度、模型整体性能和模型参数更新速度三者之间相互协调。投影寻踪学习网络示意图如图5所示。
PPLN的前馈近似表达式为:
式中,zk为投影权重,hk为Hermite多项式,akj为投影方向,这三组参数通过训练网络使误差损耗函数达到最小。
PPLN相应于第k隐含层神经元的算法实现步骤如下:
(1)对投影权重zk、Hermite多项式hk,投影方向akj赋初值;
(2)用高斯牛顿优化算法来估计:
其中,Δ通过下式计算:
(3)已知ak,根据平滑线性最佳匹配散点图估计出hk,
标准正交化Hermite多项式能更准确地求导计算,并且获得更平滑的插值。
(4)重复(2)、(3)步进行几次迭代;
(5)利用最新的hk和ak估计出zik;
步骤S208,基于最优投影方向和最优多项式参数,利用Hermite多项式投影寻踪回归模型获取堵铁口预测时间。
本实施例使用投影寻踪学习网络(PPLN)进行投影方向的寻优,计算出最优值下的拟合误差e1=y-y'是否满足要求。若e1满足要求,则寻优结束,输出模型参数。
若e1不满足要求,就要接着增加岭函数的个数,开始新的一轮Hermite多项式拟合,此时投影寻踪回归模型可以表示为
其中a表示增加岭函数操作的次数。每增加一个岭函数,都需要优化求解所增加岭函数的投影方向、多项式系数等模型参数,从而会减缓模型参数更新速度。模型参数的更新速度与模型预测精度是相互对立的,提高模型预测精度将会减慢模型参数更新速度。
每次计算拟合误差e1,若不满足要求,就用e1代替y,开始下一个岭函数拟合。当满足要求时,停止增加岭函数个数,输出模型的最终结果。
为了获取与当前工况相似的操作模式集,实现对工况的判断,指导炉前工堵铁口,采用加权欧式距离度量和柯西不等式相似性度量两次操作模式匹配策略寻找与当前工况条件下的最优操作模式,若存在一组或多组操作模式满足阈值要求,取与当前工况最相似的那一组操作模式为最优操作模式,从而得到当前工况条件下的堵铁口时间。
本实施例若利用两级匹配策略未能获得最优操作模式,则利用与当前工况相似的候选操作模式集,建立投影寻踪多元回归模型对堵铁口时间进行预测。在求解堵铁口时间预测模型中的投影方向、多项式系数和岭函数个数等模型参数时,采用投影寻踪学习网络(PPLN)进行参数优化,最终输出预测结果,输出根据当前工况条件所预测的堵铁口时间。
本发明实施例提供的高炉出铁过程堵铁口时间智能确定方法,通过建立表征高炉熔炼过程的条件参数、操作参数与堵铁口时间的优良操作模式库,以及判断在优良操作模式库中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,根据最优操作模式获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于投影寻踪回归模型对堵铁口时间进行预测,解决了现有技术无法准确判断高炉堵铁口时间的技术问题,能根据当前工况实时并准确地对堵铁口时间进行智能预测,具有高精确性,强稳定性,长周期性,投资成本少等优点。
本发明的目的是设计一种运行在高炉出铁过程,确定堵铁口时间的智能方法,通过建立输入工况条件参数、操作参数与输出堵铁口时间的操作模式库,使用分级快速匹配策略获得当前工况条件下的最优操作模式,若模式库中不存在与当前工况对应的最优操作模式,则根据当前工况输入利用投影寻踪模型和投影寻踪学习网络对堵铁口时间进行智能预测,形成一套完备的高炉出铁过程智能确定堵铁口时间的方法。
参照图6,本发明提供的高炉出铁过程堵铁口时间智能确定***包括存储器10、处理器20以及存储在存储器10上并可在处理器20上运行的计算机程序,处理器20执行本发明的高炉出铁过程堵铁口时间智能确定方法的步骤。
实施例三
参照图7,本发明实施例三的高炉出铁过程堵铁口时间智能确定***是由数据存取单元U1、操作模式发现单元U2、操作模式匹配单元U3、投影寻踪回归单元U4和输出单元U5组成。
如图7所示,其具体工作流程为:首先通过数据库数据存取单元U1把大量的生产数据传送到数据库服务器进行保存;接着利用操作模式发现单元U2建立用于表征高炉熔炼过程的工况条件参数、操作参数与堵铁口时间的优良操作模式库;然后操作模式匹配单元U3从优良操作模式库中搜寻适合当前工况的最优操作模式集;若模式库中所有的操作模式与当前工况的相似性都不满足阈值要求,则通过投影寻踪回归单元U4建立投影寻踪回归模型,输入当前的工况条件参数和操作参数通过投影寻踪学习网络对堵铁口时间进行预测;最后,输出单元U5输出当前工况条件下最优操作模式,得到最佳堵铁口时间。
可选地,本实施例的数据库数据存取单元U1包括数据存储模块、本地数据读取模块和远程数据库读取模块。数据存储单元把运行在高炉现场的各种检测仪器和装置产生的大量生产数据经控制***和内部网络等中介上传到数据库服务器,进行长期的保存。这些数据是对生产运行规律的有效反映;本地数据读取模块通过企业内部网读取保存在现场设备的生产数据,远程数据库读取模块通过连接服务器远程读取数据库中的相关数据。
本发明提供的高炉出铁过程堵铁口时间智能确定***,通过建立表征高炉熔炼过程的条件参数、操作参数与堵铁口时间的优良操作模式库,以及判断在优良操作模式库中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,根据最优操作模式获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于投影寻踪回归模型对堵铁口时间进行预测,解决了现有技术无法准确判断高炉堵铁口时间的技术问题,能根据当前工况实时并准确地对堵铁口时间进行智能预测,具有高精确性,强稳定性,长周期性,投资成本少等优点。
本实施例的高炉出铁过程堵铁口时间智能确定***的工作原理和过程可参照本发明的高炉出铁过程堵铁口时间智能确定方法的工作原理和过程。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种高炉出铁过程堵铁口时间智能确定方法,其特征在于,所述方法包括:
建立表征高炉熔炼过程的条件参数、操作参数与堵铁口时间的优良操作模式库;
判断在所述优良操作模式库中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,根据所述最优操作模式获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于所述投影寻踪回归模型对堵铁口时间进行预测。
2.根据权利要求1所述的高炉出铁过程堵铁口时间智能确定方法,其特征在于,判断在所述优良操作模式库中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,根据所述最优操作模式获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于所述投影寻踪回归模型对堵铁口时间进行预测包括:
对所述优良操作模式库中的优良操作模式的条件分量和决策分量矩阵做PCA分析,获得主元个数和与所述主元个数对应的属性权重系数;
在主元空间中构建与当前工况对应的操作模式参考对象以及与所述优良操作模式对应的操作模式匹配对象;
根据所述操作模式参考对象与所述操作模式匹配对象之间的欧几里德距离去除与当前工况的相似度小于预设相似度下限值的优良操作模式,获得初始相似操作模式集;
基于所述初始相似操作模式集,利用柯西不等式判断在所述初始相似操作模式集中是否能匹配获得与当前工况对应且满足预设相似度条件的最优操作模式,若是,则根据所述初始相似操作模式集获得高炉堵铁口时间,否则建立投影寻踪回归模型,并基于所述投影寻踪回归模型对堵铁口时间进行预测。
4.根据权利要求1-3任一所述的高炉出铁过程堵铁口时间智能确定方法,其特征在于,建立投影寻踪回归模型,并基于所述投影寻踪回归模型对堵铁口时间进行预测包括:
确定投影寻踪回归模型的投影指标函数;
根据所述投影指标函数中的投影方向将投影寻踪回归模型输入向量投影到一维空间,获得投影值,所述投影寻踪回归模型输入向量为根据候选操作模式的条件参数向量和操作参数向量提取的数据矩阵;
以所述投影值为自变量,投影寻踪回归模型输出向量为因变量,利用正交Hermite多项式拟合获得Hermite多项式投影寻踪回归模型,所述投影寻踪回归模型输出向量为所述候选操作模式的堵铁口时间;
基于所述投影指标函数,采用投影寻踪学习网络,对所述Hermite多项式投影寻踪回归模型中的投影方向参数和多项式参数进行优化,获得最优投影方向和最优多项式参数;
基于所述最优投影方向和最优多项式参数,利用所述Hermite多项式投影寻踪回归模型获取堵铁口预测时间。
5.根据权利要求4所述的高炉出铁过程堵铁口时间智能确定方法,其特征在于,基于所述最优投影方向和最优多项式参数,利用所述Hermite多项式投影寻踪回归模型获取堵铁口预测时间之后还包括:
计算所述堵铁口预测时间与实际堵铁口时间之间的误差,若所述误差大于预设误差,则增加岭函数个数,并重新利用正交Hermite多项式拟合获得Hermite多项式投影寻踪回归模型,依此循环,直至所述误差小于所述预设误差。
7.根据权利要求6所述的高炉出铁过程堵铁口时间智能确定方法,其特征在于,建立表征高炉熔炼过程的条件参数、操作参数与堵铁口时间的优良操作模式库包括:
根据高炉熔炼过程的条件参数、操作参数与堵铁口时间对应关系建立操作模式;
根据实际高炉出铁过程中所有可能出现的状况所对应的操作模式组成的空间获得操作模式空间;
建立工况评价模型,并根据所述工况评价模型对相同操作模式的条件参数和操作参数对应的不同堵铁口时间进行评价,从而获得与每组操作模式对应的优良操作模式;
基于所述操作模式空间,根据不同条件参数下的优良操作模式组成的集合获得优良操作模式库。
8.一种高炉铁水硅含量智能预报***,其特征在于,所述***包括:
存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010165654.5A CN111254243B (zh) | 2020-03-11 | 2020-03-11 | 一种高炉出铁过程堵铁口时间智能确定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010165654.5A CN111254243B (zh) | 2020-03-11 | 2020-03-11 | 一种高炉出铁过程堵铁口时间智能确定方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111254243A true CN111254243A (zh) | 2020-06-09 |
CN111254243B CN111254243B (zh) | 2020-11-24 |
Family
ID=70945801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010165654.5A Active CN111254243B (zh) | 2020-03-11 | 2020-03-11 | 一种高炉出铁过程堵铁口时间智能确定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111254243B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257590A (zh) * | 2020-10-22 | 2021-01-22 | 中冶南方工程技术有限公司 | 一种高炉铁口工作状态的自动检测方法、***及存储介质 |
CN112347893A (zh) * | 2020-11-02 | 2021-02-09 | 深圳大学 | 用于视频行为识别的模型训练方法、装置和计算机设备 |
CN113832276A (zh) * | 2020-06-23 | 2021-12-24 | 宝山钢铁股份有限公司 | 一种高炉出铁智能化堵铁口自动控制方法 |
CN114774605A (zh) * | 2022-03-15 | 2022-07-22 | 中南大学 | 一种高炉堵铁口时间智能预报装置 |
CN115044725A (zh) * | 2022-07-14 | 2022-09-13 | 广东韶钢松山股份有限公司 | 一种高炉铁口控制方法、装置、设备及存储介质 |
CN115595388A (zh) * | 2022-10-14 | 2023-01-13 | 合肥视展光电科技有限公司(Cn) | 基于铁水流动状态的高炉出铁作业控制方法及电子设备 |
CN115652003A (zh) * | 2022-09-06 | 2023-01-31 | 中南大学 | 一种基于两阶段分类的高炉堵铁口时间在线监测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11222610A (ja) * | 1998-02-06 | 1999-08-17 | Nkk Corp | 高炉の炉熱制御方法 |
CN1995401A (zh) * | 2006-12-18 | 2007-07-11 | 冶金自动化研究设计院 | 高炉智能诊断与决策支持*** |
CN109815282A (zh) * | 2018-12-03 | 2019-05-28 | 江苏省沙钢钢铁研究院有限公司 | 一种炼铁***大数据平台 |
-
2020
- 2020-03-11 CN CN202010165654.5A patent/CN111254243B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11222610A (ja) * | 1998-02-06 | 1999-08-17 | Nkk Corp | 高炉の炉熱制御方法 |
CN1995401A (zh) * | 2006-12-18 | 2007-07-11 | 冶金自动化研究设计院 | 高炉智能诊断与决策支持*** |
CN109815282A (zh) * | 2018-12-03 | 2019-05-28 | 江苏省沙钢钢铁研究院有限公司 | 一种炼铁***大数据平台 |
Non-Patent Citations (2)
Title |
---|
***: ""基于操作模式的铜闪速熔炼过程工况迁移策略研究及应用"", 《中国博士学位论文全文数据库 工程科技I辑》 * |
顾东洋: ""基于数据驱动的高炉冶炼操作参数优化"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113832276A (zh) * | 2020-06-23 | 2021-12-24 | 宝山钢铁股份有限公司 | 一种高炉出铁智能化堵铁口自动控制方法 |
CN113832276B (zh) * | 2020-06-23 | 2022-12-16 | 宝山钢铁股份有限公司 | 一种高炉出铁智能化堵铁口自动控制方法 |
CN112257590A (zh) * | 2020-10-22 | 2021-01-22 | 中冶南方工程技术有限公司 | 一种高炉铁口工作状态的自动检测方法、***及存储介质 |
CN112257590B (zh) * | 2020-10-22 | 2023-08-01 | 中冶南方工程技术有限公司 | 一种高炉铁口工作状态的自动检测方法、***及存储介质 |
CN112347893A (zh) * | 2020-11-02 | 2021-02-09 | 深圳大学 | 用于视频行为识别的模型训练方法、装置和计算机设备 |
CN112347893B (zh) * | 2020-11-02 | 2023-07-21 | 深圳大学 | 用于视频行为识别的模型训练方法、装置和计算机设备 |
CN114774605A (zh) * | 2022-03-15 | 2022-07-22 | 中南大学 | 一种高炉堵铁口时间智能预报装置 |
CN114774605B (zh) * | 2022-03-15 | 2023-06-13 | 中南大学 | 一种高炉堵铁口时间智能预报装置 |
CN115044725A (zh) * | 2022-07-14 | 2022-09-13 | 广东韶钢松山股份有限公司 | 一种高炉铁口控制方法、装置、设备及存储介质 |
CN115652003A (zh) * | 2022-09-06 | 2023-01-31 | 中南大学 | 一种基于两阶段分类的高炉堵铁口时间在线监测方法及*** |
CN115652003B (zh) * | 2022-09-06 | 2024-01-09 | 中南大学 | 一种基于两阶段分类的高炉堵铁口时间在线监测方法及*** |
CN115595388A (zh) * | 2022-10-14 | 2023-01-13 | 合肥视展光电科技有限公司(Cn) | 基于铁水流动状态的高炉出铁作业控制方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111254243B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111254243B (zh) | 一种高炉出铁过程堵铁口时间智能确定方法及*** | |
CN108469180B (zh) | 基于大数据和机器学习的烧结终点预测***的建立方法 | |
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测***及方法 | |
WO2019176737A1 (ja) | 演算装置、演算方法、及びそのプログラム | |
CN105807741B (zh) | 一种工业生产流程预测方法 | |
CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
CN111006240B (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
CN106153550A (zh) | 基于svm的转炉炼钢钢水碳含量在线实时动态检测方法 | |
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*** | |
CN109992844A (zh) | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 | |
Cardoso et al. | Artificial neural networks for modelling and controlling the variables of a blast furnace | |
CN114117919B (zh) | 基于样本协同表示的即时学习的软测量建模方法 | |
Sun et al. | Design of an adaptive nonnegative garrote algorithm for multi-layer perceptron-based soft sensor | |
CN114528764A (zh) | 基于整体优化的即时学习的软测量建模方法及装置 | |
CN107844679B (zh) | 一种分段式高炉铁水硅含量预测方法及装置 | |
CN117152102B (zh) | 一种焦炉废气砣杆工作状态的检测方法和*** | |
CN109858707A (zh) | 一种基于abc-anfis-ctf的乙烯裂解炉炉管智能结焦诊断方法 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、***、设备及介质 | |
Singaravel et al. | Explainable deep convolutional learning for intuitive model development by non–machine learning domain experts | |
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 | |
CN116085823A (zh) | 锅炉燃烧控制方法及*** | |
CN115512455A (zh) | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 | |
Tang et al. | Actively learning Gaussian process dynamical systems through global and local explorations | |
CN114093433A (zh) | 基于观测器的精馏过程单吨能耗预报精度评价方法及*** |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 410000 Hunan province Changsha Lushan Road No. 932 Patentee after: CENTRAL SOUTH University Patentee after: Hefei Jinxing Intelligent Control Technology Co., Ltd Address before: 410000 Hunan province Changsha Lushan Road No. 932 Patentee before: CENTRAL SOUTH University Patentee before: Hefei Jinxing Electromechanical Technology Development Co., Ltd |
|
CP01 | Change in the name or title of a patent holder |