CN114626303A - 一种基于神经网络的高炉炉温预测及指导操作的方法 - Google Patents
一种基于神经网络的高炉炉温预测及指导操作的方法 Download PDFInfo
- Publication number
- CN114626303A CN114626303A CN202210270384.3A CN202210270384A CN114626303A CN 114626303 A CN114626303 A CN 114626303A CN 202210270384 A CN202210270384 A CN 202210270384A CN 114626303 A CN114626303 A CN 114626303A
- Authority
- CN
- China
- Prior art keywords
- data
- blast furnace
- model
- neural network
- furnace
- 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
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明公开了一种基于神经网络的高炉炉温预测及指导操作的方法,所述方法具体如下:A、数据准备,B、lstm模型框架搭建,C、模型训练与参数调优,D、模型打包发布,本发明的基于神经网络的高炉炉温预测及指导操作的方法,通过建立一个高炉铁水硅含量的预测模型,基于高炉操作制度和高炉状态表征参数来预测高炉热状态的未来走势,指导高炉冶炼操作,实现降低铁水硅含量的目的;本发明采用LSTM模型建立热风、喷煤等操作变量和温度、压力、透气性等炉内状态变量与铁水硅含量间的影响关系。数据采样品率为0.5小时,时间序列长度为8,即开口前4小时。
Description
技术领域
本发明涉及一种高炉炉温预测方法,具体涉及一种基于神经网络的高炉炉温预测及指导操作的方法,属于高炉硅含量控制技术领域。
背景技术
在高炉冶炼工艺中,对高炉炉温水平和炉温变化趋势做出及时准确的预测是高炉过程控制的前提;由于高炉铁水硅含量是表征高炉产品质量和炉热状况的重要指标,降低铁水硅含量并保持合理的低水平有着非常重要的意义;它不仅有利于缩短炼钢时间、提高转炉炉衬寿命、降低铁水及辅助材料消耗和吨钢成本,还能降低炼铁入炉焦比、增加生铁产量;因此,高炉铁水中的硅含量不仅是衡量产品质量的一个重要指标,而且反映了高炉能量利用的好坏;铁水硅含量的准确预测,能够指导高炉配料和高炉冶炼操作,实现降低铁水硅含量的目的;高炉冶炼过程是一个高度复杂的过程,其运行机制往往具有非线性、时变、高维、大噪声、分布参数等特性,高炉生产时从炉顶装入铁矿石、焦炭、造渣用熔剂(石灰石),从位于炉子下部沿炉周的风口吹入经预热的空气;高温下焦炭中的碳同鼓入空气中的氧燃烧生成的一氧化碳和氢气,在炉内上升过程中除去铁矿石中的氧,从而还原得到铁;炼出的铁水从铁口放出;铁矿石中未还原的杂质和石灰石等熔剂结合生成炉渣,从渣口排出;产生的煤气从炉顶排出,经除尘后,作为热风炉、加热炉、焦炉、锅炉等的燃料;高炉冶炼的主要产品是生铁,还有副产高炉渣和高炉煤气;影响高炉热状态的因素很多,既有入炉原料性质、装料方式等基本条件(由于这些基本条件相对稳定且不易采集数据进行量化,故本发明暂未考虑这些因素),又有风量、风温等操作制度,且各个参数之间也相互影响;另外高炉冶炼是个连续过程,数据多为时间序列,一些操作无法立即产生效果,存在一定程度的时间迟滞现象。
发明内容
为解决上述问题,本发明提出了一种基于神经网络的高炉炉温预测及指导操作的方法,采用长短期记忆网络(LSTM)模型建立影响因素与铁水硅含量间的关系,从而达到对高炉炉温预测及后期指导操作的目的。
本发明的基于神经网络的高炉炉温预测及指导操作的方法,所述方法具体如下:
A、数据准备:所述数据包括由传感器采集的表征高炉状态数据和影响高炉状态变化数据;及由现场操作工手动录入的手工数据;所述表征高炉状态数据包括炉顶温度数据、炉顶压力数据、煤气利用率数据和透气性指数数据;所述影响高炉状态变化数据包括风量、喷煤量和富氧含量;各传感器安装于高炉采集数据的安装位;所述手工数据包括开口和堵口时间数据、炉次号数据;通过所述炉次号数据从ERP***中获取相应炉次的硅含量数据;
B、lstm模型框架搭建:
lstm模型为长短期记忆网络,其是一种特殊的RNN模型,其特殊的结构设计使得它可以避免长期依赖问题;在LSTM中,采用专门设计的“门”来引入或者去除细胞状态Ct中的信息;门是一种让信息选择性通过的方法;LSTM主要包括三个不同的门结构:遗忘门、记忆门和输出门;这三个门用来控制LSTM的信息保留和传递,最终反映到细胞状态Ct和输出信号ht;
采用pytorch深度学习框架,构造lstmRNN类,定义初始化函数__init__()用来声明输入层、隐藏层和输出层的神经元个数,记忆细胞个数,改写forward()方法,用来计算神经网络的误差从而迭代优化神经元间的连接权使网络误差降低;
C、模型训练与参数调优,
高炉冶炼周期和高炉操作经验本发明选取的时间步长为8,即前4小时的历史数据;
(1)使用网络搜索发寻优隐藏层神经元个数和记忆细胞个数;
(2)权重初始化方法,随机均匀分布、随机正态分布和Glorot初始化;
(3)激活函数选择,Sigmoid激活函数、Relu激活函数和Tanh激活函数;
(4)误差评估函数选择,MSE、MAE;
(5)加入正则化防止过拟合;
D、模型打包发布:
(1)保存模型,
根据保存要求选择保留整个神经网络的结构和模型参数,或只保留神经网络的模型参数,其具体为:
torch.save(lstm_1,'guihanliang_Pre.pkl'),保留整个神经网络的结构和模型参数;
torch.save(lstm1.state_dict(),'guihanlaing_Pre_param.pkl'),只保留神经网络的模型参数;
(2)模型加载,其具体为:
torch.load('./guihanliang_Pre.pkl');
torch.load('./guihanlaing_Pre_param.pkl')。
进一步地,各所述传感器接入到PLC,所述PLC通过网关接入到上位机,传感器采集的数据抛送到Postgre和SQLServer数据库中存储。
进一步地,各所述传感器记录的数据频度不同且为毫秒级,数据结构均为时间序列,存储前将其聚合为分钟级数据。
进一步地,所述数据包括模型目标变量数据和模型影响因素数据;所述模型影响因素数据为风量数据、风温数据、鼓风湿度数据、顶压数据、顶温数据、透气性指数数据、煤气利用率数据、富氧量数据、喷煤量数据,7-13层冷却壁温度数据、理论燃烧温度数据和燃料比数据;所述模型目标变量数据为炼钢样铁水硅含量数据;所述模型影响因素数据处理为分钟级数据,现将其按30分钟的频率进行均值重采样;以炉次号为索引标签构造特征矩阵M,M=(mij)8×18;矩阵M的列向量是长度为8的时间序列,表示每一炉次开口前4小时内某一影响因素的取值水平,并根据预设样式将数据对齐。
进一步地,所述顶温数据包括不同测点的均值。
与现有技术相比,本发明的基于神经网络的高炉炉温预测及指导操作的方法,将精益行与PF链连锁后,当出现钩号不识别、不上传数据时,PF链不走钩,现场人员能第一时间发现问题及时处理,避免出现溜包导致的数据错误问题;且能够从根本上避免了因更换标牌进入垛位带来的安全风险。
附图说明
图1为本发明实施例1的高炉生产示意图。
图2为本发明实施例1的LSTM模型结构示意图。
图3为本发明实施例1的测试集绝对预测误差分布示意图。
具体实施方式
实施例1:
本发明的基于神经网络的高炉炉温预测及指导操作的方法,所述方法具体如下:
A、数据准备:如图1所示,所述数据包括由传感器采集的表征高炉状态数据和影响高炉状态变化数据;及由现场操作工手动录入的手工数据;所述表征高炉状态数据包括炉顶温度数据、炉顶压力数据、煤气利用率数据和透气性指数数据;所述影响高炉状态变化数据包括风量、喷煤量和富氧含量;各传感器安装于高炉采集数据的安装位;所述手工数据包括开口和堵口时间数据、炉次号数据;通过所述炉次号数据从ERP***中获取相应炉次的硅含量数据;所述顶温数据包括不同测点的均值;
B、lstm模型框架搭建:
lstm模型为长短期记忆网络,其是一种特殊的RNN模型,其特殊的结构设计使得它可以避免长期依赖问题;在LSTM中,采用专门设计的“门”来引入或者去除细胞状态Ct中的信息;门是一种让信息选择性通过的方法;LSTM主要包括三个不同的门结构:遗忘门、记忆门和输出门;这三个门用来控制LSTM的信息保留和传递,最终反映到细胞状态Ct和输出信号ht;
采用pytorch深度学习框架,构造lstmRNN类,定义初始化函数__init__()用来声明输入层、隐藏层和输出层的神经元个数,记忆细胞个数,改写forward()方法,用来计算神经网络的误差从而迭代优化神经元间的连接权使网络误差降低;如图2所示,其为LSTM模型结构,1为表示一个神经网络层;2为按位操作或逐点操作;单箭头为信号传递(向量传递);合流箭头为表示两个信号的连接(向量拼接);分流箭头为表示信号被复制后传递到2个不同的地方;
C、模型训练与参数调优,
高炉冶炼周期和高炉操作经验本发明选取的时间步长为8,即前4小时的历史数据;
(1)使用网络搜索发寻优隐藏层神经元个数和记忆细胞个数;
(2)权重初始化方法,随机均匀分布、随机正态分布和Glorot初始化;
(3)激活函数选择,Sigmoid激活函数、Relu激活函数和Tanh激活函数;
(4)误差评估函数选择,MSE、MAE;
(5)加入正则化防止过拟合;
D、模型打包发布:
(1)保存模型,
根据保存要求选择保留整个神经网络的结构和模型参数,或只保留神经网络的模型参数,其具体为:
torch.save(lstm_1,'guihanliang_Pre.pkl'),保留整个神经网络的结构和模型参数;
torch.save(lstm1.state_dict(),'guihanlaing_Pre_param.pkl'),只保留神经网络的模型参数;
(2)模型加载,其具体为:
torch.load('./guihanliang_Pre.pkl');
torch.load('./guihanlaing_Pre_param.pkl')。
其中,各所述传感器接入到PLC,所述PLC通过网关接入到上位机,传感器采集的数据抛送到Postgre和SQLServer数据库中存储。
各所述传感器记录的数据频度不同且为毫秒级,数据结构均为时间序列,存储前将其聚合为分钟级数据。
所述数据包括模型目标变量数据和模型影响因素数据;所述模型影响因素数据为风量数据、风温数据、鼓风湿度数据、顶压数据、顶温数据、透气性指数数据、煤气利用率数据、富氧量数据、喷煤量数据,7-13层冷却壁温度数据、理论燃烧温度数据和燃料比数据;所述模型目标变量数据为炼钢样铁水硅含量数据;所述模型影响因素数据处理为分钟级数据,现将其按30分钟的频率进行均值重采样;以炉次号为索引标签构造特征矩阵M,M=(mij)8×18;矩阵M的列向量是长度为8的时间序列,表示每一炉次开口前4小时内某一影响因素的取值水平,并根据预设样式将数据对齐。
以我司5号高炉2020年5月生产数据为例,共有样本425个;按时间序列依次编号,前300个样本记为初始训练集(X0 train,y0 train),用于训练模型。样本编号301~330为初始测试集(X0 test,y0 test)。然后将测试集样本加入训练集重新训练模型并测试后续30个样本,依次类推;预测误差如图3所示;其误差值达到了高炉炉温预测要求。
上述实施例,仅是本发明的较佳实施方式,故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰,均包括于本发明专利申请范围内。
Claims (5)
1.一种基于神经网络的高炉炉温预测及指导操作的方法,其特征在于,所述方法具体如下:
A、数据准备:所述数据包括由传感器采集的表征高炉状态数据和影响高炉状态变化数据;及由现场操作工手动录入的手工数据;所述表征高炉状态数据包括炉顶温度数据、炉顶压力数据、煤气利用率数据和透气性指数数据;所述影响高炉状态变化数据包括风量、喷煤量和富氧含量;各传感器安装于高炉采集数据的安装位;所述手工数据包括开口和堵口时间数据、炉次号数据;通过所述炉次号数据从ERP***中获取相应炉次的硅含量数据;
B、lstm模型框架搭建:
采用pytorch深度学习框架,构造lstmRNN类,定义初始化函数__init__()用来声明输入层、隐藏层和输出层的神经元个数,记忆细胞个数,改写forward()方法,用来计算神经网络的误差从而迭代优化神经元间的连接权;
C、模型训练与参数调优,
高炉冶炼周期和高炉操作经验本发明选取的时间步长为8,即前4小时的历史数据;
(1)使用网络搜索发寻优隐藏层神经元个数和记忆细胞个数;
(2)权重初始化方法,随机均匀分布、随机正态分布和Glorot初始化;
(3)激活函数选择,Sigmoid激活函数、Relu激活函数和Tanh激活函数;
(4)误差评估函数选择,MSE、MAE;
(5)加入正则化防止过拟合;
D、模型打包发布:
(1)保存模型,
根据保存要求选择保留整个神经网络的结构和模型参数,或只保留神经网络的模型参数,其具体为:
torch.save(lstm_1,'guihanliang_Pre.pkl'),保留整个神经网络的结构和模型参数;
torch.save(lstm1.state_dict(),'guihanlaing_Pre_param.pkl'),只保留神经网络的模型参数;
(2)模型加载,其具体为:
torch.load('./guihanliang_Pre.pkl');
torch.load('./guihanlaing_Pre_param.pkl')。
2.根据权利要求1所述的基于神经网络的高炉炉温预测及指导操作的方法,其特征在于:各所述传感器接入到PLC,所述PLC通过网关接入到上位机,传感器采集的数据抛送到Postgre和SQLServer数据库中存储。
3.根据权利要求1所述的基于神经网络的高炉炉温预测及指导操作的方法,其特征在于:各所述传感器记录的数据频度不同且为毫秒级,数据结构均为时间序列,存储前将其聚合为分钟级数据。
4.根据权利要求1所述的基于神经网络的高炉炉温预测及指导操作的方法,其特征在于:所述数据包括模型目标变量数据和模型影响因素数据;所述模型影响因素数据为风量数据、风温数据、鼓风湿度数据、顶压数据、顶温数据、透气性指数数据、煤气利用率数据、富氧量数据、喷煤量数据,7-13层冷却壁温度数据、理论燃烧温度数据和燃料比数据;所述模型目标变量数据为炼钢样铁水硅含量数据;所述模型影响因素数据处理为分钟级数据,现将其按30分钟的频率进行均值重采样;以炉次号为索引标签构造特征矩阵M,M=(mij)8×18;矩阵M的列向量是长度为8的时间序列,表示每一炉次开口前4小时内某一影响因素的取值水平,并根据预设样式将数据对齐。
5.根据权利要求1所述的基于神经网络的高炉炉温预测及指导操作的方法,其特征在于:所述顶温数据包括不同测点的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210270384.3A CN114626303A (zh) | 2022-03-18 | 2022-03-18 | 一种基于神经网络的高炉炉温预测及指导操作的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210270384.3A CN114626303A (zh) | 2022-03-18 | 2022-03-18 | 一种基于神经网络的高炉炉温预测及指导操作的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114626303A true CN114626303A (zh) | 2022-06-14 |
Family
ID=81901629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210270384.3A Pending CN114626303A (zh) | 2022-03-18 | 2022-03-18 | 一种基于神经网络的高炉炉温预测及指导操作的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626303A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115289837A (zh) * | 2022-08-02 | 2022-11-04 | 上海恩威罗科技发展有限公司 | 一种基于数字孪生的回转窑状态异常检测*** |
CN115495982A (zh) * | 2022-09-21 | 2022-12-20 | 中冶南方工程技术有限公司 | 一种高炉炉温预测方法、终端设备及存储介质 |
CN117806169A (zh) * | 2024-01-17 | 2024-04-02 | 北京工业大学 | 基于神经网络的炉温预警优化方法、***、终端和介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909705A (zh) * | 2016-12-22 | 2017-06-30 | 上海交通大学 | 一种高炉铁水质量预报方法及其*** |
CN108764517A (zh) * | 2018-04-08 | 2018-11-06 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
US20190093187A1 (en) * | 2017-09-27 | 2019-03-28 | International Business Machines Corporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
CN111476161A (zh) * | 2020-04-07 | 2020-07-31 | 金陵科技学院 | 一种融合图像和生理信号双通道的体感动态手势识别方法 |
CN111985682A (zh) * | 2020-07-13 | 2020-11-24 | 中石化宁波工程有限公司 | 基于神经网络的水煤浆气化炉炉温预测方法 |
US20210056384A1 (en) * | 2019-08-23 | 2021-02-25 | Lg Electronics Inc. | Apparatus for generating temperature prediction model and method for providing simulation environment |
CN112465223A (zh) * | 2020-11-26 | 2021-03-09 | 中冶南方工程技术有限公司 | 一种高炉炉温状态的预测方法 |
CN113569467A (zh) * | 2021-07-12 | 2021-10-29 | 鞍钢股份有限公司 | 一种基于宽度学习的高炉风口回旋区温度软测量建模方法 |
CN113759326A (zh) * | 2021-08-26 | 2021-12-07 | 中国电子科技集团公司第五十二研究所 | 一种结合稀疏自编码器和改进lstm的雷达信号干扰预测方法 |
CN113761787A (zh) * | 2021-07-19 | 2021-12-07 | 中南大学 | 基于深度迁移网络的高炉铁水硅含量在线预测方法及*** |
CN114015825A (zh) * | 2021-11-09 | 2022-02-08 | 上海交通大学 | 基于注意力机制的高炉热负荷异常状态监测方法 |
-
2022
- 2022-03-18 CN CN202210270384.3A patent/CN114626303A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909705A (zh) * | 2016-12-22 | 2017-06-30 | 上海交通大学 | 一种高炉铁水质量预报方法及其*** |
US20190093187A1 (en) * | 2017-09-27 | 2019-03-28 | International Business Machines Corporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
CN108764517A (zh) * | 2018-04-08 | 2018-11-06 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
US20210056384A1 (en) * | 2019-08-23 | 2021-02-25 | Lg Electronics Inc. | Apparatus for generating temperature prediction model and method for providing simulation environment |
CN111476161A (zh) * | 2020-04-07 | 2020-07-31 | 金陵科技学院 | 一种融合图像和生理信号双通道的体感动态手势识别方法 |
CN111985682A (zh) * | 2020-07-13 | 2020-11-24 | 中石化宁波工程有限公司 | 基于神经网络的水煤浆气化炉炉温预测方法 |
CN112465223A (zh) * | 2020-11-26 | 2021-03-09 | 中冶南方工程技术有限公司 | 一种高炉炉温状态的预测方法 |
CN113569467A (zh) * | 2021-07-12 | 2021-10-29 | 鞍钢股份有限公司 | 一种基于宽度学习的高炉风口回旋区温度软测量建模方法 |
CN113761787A (zh) * | 2021-07-19 | 2021-12-07 | 中南大学 | 基于深度迁移网络的高炉铁水硅含量在线预测方法及*** |
CN113759326A (zh) * | 2021-08-26 | 2021-12-07 | 中国电子科技集团公司第五十二研究所 | 一种结合稀疏自编码器和改进lstm的雷达信号干扰预测方法 |
CN114015825A (zh) * | 2021-11-09 | 2022-02-08 | 上海交通大学 | 基于注意力机制的高炉热负荷异常状态监测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115289837A (zh) * | 2022-08-02 | 2022-11-04 | 上海恩威罗科技发展有限公司 | 一种基于数字孪生的回转窑状态异常检测*** |
CN115495982A (zh) * | 2022-09-21 | 2022-12-20 | 中冶南方工程技术有限公司 | 一种高炉炉温预测方法、终端设备及存储介质 |
WO2024060287A1 (zh) * | 2022-09-21 | 2024-03-28 | 中冶南方工程技术有限公司 | 一种高炉炉温预测方法、终端设备及存储介质 |
CN117806169A (zh) * | 2024-01-17 | 2024-04-02 | 北京工业大学 | 基于神经网络的炉温预警优化方法、***、终端和介质 |
CN117806169B (zh) * | 2024-01-17 | 2024-06-04 | 北京工业大学 | 基于神经网络的炉温预警优化方法、***、终端和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114626303A (zh) | 一种基于神经网络的高炉炉温预测及指导操作的方法 | |
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 | |
Radhakrishnan et al. | Neural networks for the identification and control of blast furnace hot metal quality | |
CN1224720C (zh) | 一种利用智能控制***控制高炉冶炼的方法 | |
CN103439999B (zh) | 根据冷却壁温度变化进行高炉异常炉温控制的方法 | |
CN111593155B (zh) | 高炉诊断***及方法 | |
CN111607673B (zh) | 铁前诊断***及方法 | |
Agarwal et al. | Analysing blast furnace data using evolutionary neural network and multiobjective genetic algorithms | |
CN111893237B (zh) | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 | |
JP6729514B2 (ja) | 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置 | |
KR20200017602A (ko) | 고로의 잔여 출선량 예측 시스템 및 그 방법 | |
CN102925602B (zh) | 高炉操作炉型维护方法 | |
CN1207399C (zh) | 智能控制高炉冶炼的*** | |
KR20230019154A (ko) | 조업 가이던스 방법, 고로의 조업 방법, 용선의 제조 방법, 조업 가이던스 장치 | |
An et al. | Two-layer fault diagnosis method for blast furnace based on evidence-conflict reduction on multiple time scales | |
Azadi et al. | Nonlinear prediction model of blast furnace operation status | |
Liu et al. | Temporal hypergraph attention network for silicon content prediction in blast furnace | |
KR102167985B1 (ko) | 고로의 출선구 폐쇄 시점 예측 시스템 및 그 방법 | |
JP2014178049A (ja) | 炉の制御方法および制御装置 | |
CN114381569B (zh) | 一种转炉***煤气回收优化综合评价方法 | |
CN115293453A (zh) | 一套钢铁厂热工***能效根因分析优化方法 | |
JPH0673414A (ja) | 高炉溶銑の品質管理方法 | |
Fan et al. | Expert system for sintering process control | |
CN117806169B (zh) | 基于神经网络的炉温预警优化方法、***、终端和介质 | |
JP2696114B2 (ja) | 高炉の操業管理方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220614 |