CN116738863B - 基于数字孪生的炉外精炼co2数字管理平台的搭建方法 - Google Patents
基于数字孪生的炉外精炼co2数字管理平台的搭建方法 Download PDFInfo
- Publication number
- CN116738863B CN116738863B CN202310984308.3A CN202310984308A CN116738863B CN 116738863 B CN116738863 B CN 116738863B CN 202310984308 A CN202310984308 A CN 202310984308A CN 116738863 B CN116738863 B CN 116738863B
- Authority
- CN
- China
- Prior art keywords
- data
- blowing
- layer
- parameters
- molten steel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000007670 refining Methods 0.000 title claims abstract description 98
- 238000007664 blowing Methods 0.000 claims abstract description 90
- 230000008569 process Effects 0.000 claims abstract description 81
- 238000004519 manufacturing process Methods 0.000 claims abstract description 52
- 238000007726 management method Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 239000007788 liquid Substances 0.000 claims abstract description 30
- 230000008016 vaporization Effects 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000009834 vaporization Methods 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 230000001105 regulatory effect Effects 0.000 claims abstract description 9
- 238000003723 Smelting Methods 0.000 claims abstract description 7
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 230000001276 controlling effect Effects 0.000 claims abstract description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 95
- 239000010959 steel Substances 0.000 claims description 95
- 230000008859 change Effects 0.000 claims description 53
- 238000003062 neural network model Methods 0.000 claims description 36
- 125000004122 cyclic group Chemical group 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 23
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 13
- 230000008021 deposition Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 239000011449 brick Substances 0.000 claims description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 10
- 239000001569 carbon dioxide Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000003628 erosive effect Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002893 slag Substances 0.000 claims description 3
- 239000000956 alloy Substances 0.000 claims 1
- 229910045601 alloy Inorganic materials 0.000 claims 1
- 230000002265 prevention Effects 0.000 claims 1
- 238000012800 visualization Methods 0.000 abstract description 6
- 230000010354 integration Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 44
- 239000000203 mixture Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 229910000851 Alloy steel Inorganic materials 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010907 mechanical stirring Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 238000012546 transfer 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/38—Creation or generation of source code for implementing user interfaces
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Human Computer Interaction (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明涉及冶金工程技术领域,尤其是涉及基于数字孪生的炉外精炼CO2数字管理平台的搭建方法,该方法包括以下步骤:S1、设计人机交互UI,构建实现数据安全与数据存储的存储数据层;S2、利用智能优化算法进行数据处理,构建数字孪生模型的搭建层;S3、采集炉外精炼吹CO2工艺生产实时数据,构建技术工艺数据层;S4、利用计算机与5G网络构建炉外精炼吹CO2***的数字孪生计算平台层;S5、依据平台运算结果调控液体汽化恒压力装置进行生产工艺冶炼。本发明构建基于数字孪生模型的数字管理平台,实现炉外精炼吹气工艺生产过程中参数数据的高度整合与可视化,为决策者提供准确的数据和分析结果。
Description
技术领域
本发明涉及冶金工程技术领域,尤其是涉及基于数字孪生的炉外精炼CO2数字管理平台的搭建方法。
背景技术
炉外精炼(Ladle refining)是钢液处理过程中的一种重要工艺,它发生在钢液离开冶炼炉(如转炉或电弧炉)之后,进入到倒钢包或钢包中进行进一步处理和调整。炉外精炼的主要目的是改善钢液的成分、质量和纯净度,以满足最终产品的要求。在炉外精炼过程中,可以进行以下操作:
1、调整成分:根据需要,可以进行脱氧、脱硫、脱氮等操作,以控制钢液中的氧含量、硫含量和氮含量,以及其他元素的含量和比例。
2、温度调节:通过加热或降温的方式,调整钢液的温度,以满足下一步工艺的要求。
3、去除杂质:采用物理或化学方法,去除钢液中的非金属夹杂物、气泡和其他杂质,以提高钢液的纯净度和均匀性。
4、搅拌和混合:通过机械搅拌或气体吹炼等方式,促进钢液的混合和均匀性,以保证成分的一致性和质量的稳定性。
5、可控降温:在炉外精炼过程中,可以采用适当的冷却方式,控制钢液的冷却速率,以优化组织和性能。
炉外精炼吹CO2是钢液到容器内进行吹气,其中气体为CO2,在生产高级别等钢种炉外精炼是不可或缺的,对方坯表面质量和钢液成分起到至关重要的作用。炉外精炼吹CO2的原理是通过引入CO2气体来促进钢液的搅拌和混合,并实现调整钢液成分和改善质量的目的。CO2气泡的形成和上升过程产生的动力可以改善钢液的均匀性,促进氧气的脱除和杂质的去除,从而提高钢液的纯净度和质量。并且,炉外精炼吹CO2可以在钢液处理过程中快速实施,提高生产效率。它可以与其他冶炼工艺相结合,共同作用,以提高钢液的整体质量和生产效率。
然而,在传统炉外精炼吹气工艺中,数据的收集和监测通常依赖人工记录和定期采样,容易出现数据滞后或不准确的情况,且参数的优化和工艺的调控通常依赖于经验和试错,难以达到最佳状态。同时,故障的诊断和维护依靠经验和定期检查,存在延迟和主观性。亟需采用数字化技术实时监测和分析工艺数据,识别潜在故障,并实现预测性维护,提高设备可靠性和生产稳定性。
发明内容
基于此,有必要针对上述技术问题,提供基于数字孪生的炉外精炼CO2数字管理平台的搭建方法。
本发明提供了基于数字孪生的炉外精炼CO2数字管理平台的搭建方法,该方法包括以下步骤:
S1、设计人机交互UI,构建实现数据安全与数据存储的存储数据层;
S2、利用智能优化算法进行数据处理,构建数字孪生模型的搭建层;
S3、采集炉外精炼吹CO2工艺生产实时数据,构建技术工艺数据层;
S4、利用计算机与5G网络构建炉外精炼吹CO2***的数字孪生计算平台层,并结合液体CO2汽化恒压力装置数字孪生体构建数字管理平台;
S5、依据平台运算结果调控液体汽化恒压力装置进行生产工艺冶炼。
在其中一个实施例中,设计人机交互UI,构建实现数据安全与数据存储的存储数据层包括以下步骤:
S11、设计人机交互UI操作界面,实现物化映射至虚拟表征的展现;
S12、获取采集得到的炉外精炼底吹CO2工艺生产过程中的气体变化参数、设备使用参数及钢液变化参数,并进行数据定义与分类;
S13、将不同类型参数数据合并放置于同一存储单元,并进行数据归约对合并后数据自身内容进行数据规模缩减,最大限度精简数据量;
S14、调用优化算法对精简后的参数进行数据处理,并将经过数据精简与数据处理后的数据存储至数据库,作为数字孪生模型的存储数据层。
在其中一个实施例中,利用智能优化算法进行数据处理,构建数字孪生模型的搭建层包括以下步骤:
S21、选取气体变化参数、设备使用参数及钢液变化参数中的部分参数作为初始数据源,进行数据安全处理与数据沉积处理;
S22、以改进的循环神经网络模型作为智能优化算法,对气体变化参数与设备使用参数进行处理,实现模型算法与参数的分析与修正;
S23、依据分析修正结果与实际监测钢液变化参数之间的关系,判断数据处理结果的通过率,并对智能优化算法及参数进行完善;
S24、将经过数据安全处理与数据沉积处理后的参数数据,与完善后的智能优化算法及其输出结果,形成数字孪生模型的搭建层。
在其中一个实施例中,选取气体变化参数、设备使用参数及钢液变化参数中的部分参数作为初始数据源,进行数据安全处理与数据沉积处理包括以下步骤:
S211、选取气体变化参数中的压力数据与流量数据,并将压力数据与流量数据中不处于安全范围内的数据进行删除处理;
S212、选取设备使用参数中的钢包耐材透气砖侵蚀量、夹杂物尺寸及类型数据,并将钢包耐材透气砖侵蚀量、夹杂物尺寸及类型数据中不符合安全需求的数据进行删除处理;
S213、选取钢液变化参数中钢液温度数据,并将钢液温度数据中不处于安全温度范围内的数据进行删除处理;
S214、将压力数据与流量数据中存储时长超过预设时长的数据进行删除处理,实现数据的防沉积。
在其中一个实施例中,以改进的循环神经网络模型作为智能优化算法,对气体变化参数与设备使用参数进行处理,实现模型算法与参数的分析与修正包括以下步骤:
S221、获取气体变化参数、设备使用参数及钢液变化参数的时间序列数据,并进行数据清洗及归一化处理作为模型数据集;
S222、构建基于门控循环单元改进的循环神经网络模型,确定模型的输入层、隐藏层及输出层的节点数,并配置激活函数与优化器;
S223、将模型数据集划分为训练集、验证集及测试集;
S224、利用训练集对循环神经网络模型进行训练,并利用梯度下降算法调整模型参数,最小化损失函数,再利用验证集对循环神经网络模型的性能进行验证,避免过拟合;
S225、利用测试集对循环神经网络模型的性能进行评估,比较模型预测值与实际钢液变化参数之间的差异,并依据评估结果对循环神经网络模型进行修正。
在其中一个实施例中,构建基于门控循环单元改进的循环神经网络模型,确定模型的输入层、隐藏层及输出层的节点数,并配置激活函数与优化器包括以下步骤:
S2221、初始化一个序列模型对象,添加门控循环单元(GRU)作为隐藏层,利用全连接层作为输出层,并分别设定节点数与激活函数;
S2222、将Adam作为循环神经网络模型的优化器,并将均方误差作为循环神经网络模型的损失函数;
S2223、利用编译方法对循环神经网络模型进行编译,并将配置的优化器与损失函数应用在循环神经网络模型中。
在其中一个实施例中,采集炉外精炼吹CO2工艺生产实时数据,构建技术工艺数据层包括以下步骤:
S31、实时采集炉外精炼吹CO2工艺生产过程中的气体变化参数、设备使用参数以及钢液变化参数;
S32、获取由数字孪生计算平台运算得到的CO2输入量与CO产生量;
S33、利用实时采集得到的参数数据及实时获取得到的运算数据相结合构建炉外精炼吹CO2工艺生产实时动态模型,并不断更新计算和存储物理参数,作为炉外精炼吹CO2工艺生产的技术工艺数据层。
在其中一个实施例中,利用计算机与5G网络构建炉外精炼吹CO2***的数字孪生计算平台层,并结合液体CO2汽化恒压力装置数字孪生体构建数字管理平台包括以下步骤:
S41、将计算机作为运算核心,利用5G网络实现数据传输共享,构建炉外精炼吹CO2***的数字孪生计算平台作为数字孪生计算平台层;
S42、利用数字孪生计算平台分别利用CO2吹入量线性方程、CO2产生CO气体含量线性方程计算炉外精炼吹CO2工艺生产过程中钢液内CO2吹入量以及CO产生量;
S43、数字孪生计算平台依据钢液内CO2吹入量以及CO产生量的线性运算结果,建立CO2吹入量与钢液变化参数之间的变化关系;
S44、以液体CO2汽化恒压力装置的物理实体为基础构建液体CO2汽化恒压力装置的数字孪生体,并结合存储数据层、搭建层、技术工艺数据层及数字孪生计算平台层搭建基于数字孪生模型的数字管理平台。
在其中一个实施例中,利用数字孪生计算平台分别利用CO2吹入量线性方程、CO2产生CO气体含量线性方程计算炉外精炼吹CO2工艺生产过程中钢液内CO2吹入量以及CO产生量包括以下步骤:
S421、利用CO2吹入量线性方程计算炉外精炼吹CO2工艺生产过程中钢液CO2吹入量,计算表达式为:
Z=sd+r
式中,Z表示钢液中CO2吹入量,d表示钢水重量无量纲因子,s表示钢液温度影响因子,r表示钢液合金元素影响因子。
S422、利用CO2产生CO气体含量线性方程计算炉外精炼吹CO2工艺生产过程中CO产生量,计算表达式为:
A=u+vw
式中,A表示产生CO的量,u表示钢液成分含量无量纲因子,v表示炉渣成分无量纲因子,w表示炉外精炼吹CO2吹入量。
在其中一个实施例中,液体CO2汽化恒压力装置包括液体二氧化碳存储装置、液体二氧化碳管道、汽化吸热叶片、汽化管道、压力阀门基座、阀前压力表、恒压调节阀门、阀后压力表及二氧化碳气体管道出口。
本发明的有益效果为:
1、通过依次构建存储数据层、搭建层、技术工艺数据层及数字孪生计算平台层,结合液体CO2汽化恒压力装置的物理实体构建数字孪生体和数字管理平台,可实现炉外精炼吹气工艺生产过程中参数数据的高度整合与可视化,分别利用存储数据层存储工艺模型的相关数据,利用搭建层和技术工艺数据层实现将数据进行处理、清洗和转换,并通过可视化展示,使得相关数据更易于理解和分析;基于数字孪生模型构建的数字管理平台为决策者提供准确的数据和分析结果,支持制定合理的决策和投资策略,利用数字孪生模型的仿真和分析,评估不同方案对生产效益和经济效益的影响,帮助决策者做出明智的决策。
2、通过基于数字孪生技术构建炉外精炼CO2生产工艺的数字管理平台,可实现炉外精炼生产的实时监测和远程操作,利用数字管理平台实时获取炉外精炼过程中的各项参数数据,包括气体变化参数、设备使用参数及钢液变化参数等,再通过数字孪生技术,实现对工艺过程的实时监测和远程操作,可以提高生产过程的可视化和可控性,减少人为误差;并且可通过数字孪生模型对炉外精炼工艺中的各个参数进行调控和优化,基于实时数据和模拟仿真,分析和预测不同参数对钢液成分和质量的影响,进而优化工艺参数,提高产品质量和生产效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的基于数字孪生的炉外精炼CO2数字管理平台的搭建方法的流程图;
图2是根据本发明实施例的基于数字孪生的炉外精炼CO2数字管理平台的搭建方法中液体CO2汽化恒压力装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1-图2,公开了基于数字孪生的炉外精炼CO2数字管理平台的搭建方法,该方法包括以下步骤:
S1、设计人机交互UI,构建实现数据安全与数据存储的存储数据层。
在本发明的描述中,设计人机交互UI,构建实现数据安全与数据存储的存储数据层包括以下步骤:
S11、设计人机交互UI操作界面,实现物化映射至虚拟表征的展现。
设计人机交互UI操作界面包括:
界面布局设计:确定UI界面的整体布局和组件排列。考虑到物化映射至虚拟表征的展现,将界面分为两个主要部分:物理实体的展示区域和虚拟表征的展示区域。
物理实体展示:在界面的物理实体展示区域,通过图形或模型的方式呈现液体CO2汽化恒压力装置的物理实体,使用3D模型、图表或图像等形式,以直观的方式显示装置的外观和结构。
虚拟表征展示:在界面的虚拟表征展示区域,通过可视化手段展现数字孪生模型的输出结果和数据分析。可以使用图表、曲线、动态效果等方式,将数字模型的预测、优化结果以及相关数据呈现给用户。
交互操作:设计用户与界面的交互操作方式,提供操作按钮、滑块、下拉菜单等交互元素,用于用户对模型参数进行调节、选择不同的数据视图或进行其他操作。
实时更新:确保界面能够实时更新物理实体和虚拟表征的展示。当物理实体发生变化或模型的输入参数有所调整时,界面应能够及时反映这些变化,更新相关展示内容。
用户反馈和提示:为提高用户体验,界面可以提供反馈和提示功能。例如,显示操作结果、数据分析的解释,或者给出用户操作的指导说明,帮助用户更好地理解和使用数字管理平台。
S12、获取采集得到的炉外精炼底吹CO2工艺生产过程中的气体变化参数、设备使用参数及钢液变化参数,并进行数据定义与分类。
一、气体变化参数包括以下方面:
CO2流量数据:炉外精炼底吹CO2的气体流量,以单位时间内的体积或质量来表示。
CO2压力数据:炉外精炼底吹CO2的气体压力,以压力单位(如巴)表示。
CO2温度数据:炉外精炼底吹CO2的气体温度,通常以摄氏度或开尔文度量。
CO2浓度数据:炉外精炼底吹CO2的气体浓度,表示CO2在气体中的含量比例。
二、设备使用参数包括以下方面:
钢包耐材透气砖侵蚀量:记录钢包耐材透气砖在使用过程中受到的侵蚀程度,可使用数字或指标来表示,如砖体磨损程度、砖体剥落面积等。
夹杂物尺寸及类型数据:包括尺寸数据,用于记录夹杂物的尺寸,通常指夹杂物的最大尺寸,可以使用长度、宽度、高度等来表示;还包括类型数据,用于记录夹杂物的种类或组分,如氧化物夹杂物、硫化物夹杂物、碳化物夹杂物等。
底吹气体喷嘴位置:底吹CO2的喷嘴位置,影响气体与钢液的接触和混合情况。
底吹气体喷嘴角度:底吹CO2的喷嘴角度,影响气体喷射的方向和覆盖范围。
底吹气体喷嘴间距:底吹CO2的喷嘴间距,影响气体喷射的均匀性和覆盖范围。
底吹气体喷嘴数量:底吹CO2的喷嘴数量,影响气体喷射的总量和覆盖范围。
三、钢液变化参数包括以下方面:
钢液温度变化数据:钢液的温度变化情况,以摄氏度或开尔文度量。
钢液成分变化数据:钢液中各种元素和杂质的含量和比例,如碳含量、硅含量等。
钢液浓度变化数据:钢液中溶解气体(如氢、氧等)的浓度。
S13、将不同类型参数数据合并放置于同一存储单元,并进行数据归约对合并后数据自身内容进行数据规模缩减,最大限度精简数据量。
S14、调用优化算法对精简后的参数进行数据处理,并将经过数据精简与数据处理后的数据存储至数据库,作为数字孪生模型的存储数据层。
S2、利用智能优化算法进行数据处理,构建数字孪生模型的搭建层。
在本发明的描述中,利用智能优化算法进行数据处理,构建数字孪生模型的搭建层包括以下步骤:
S21、选取气体变化参数、设备使用参数及钢液变化参数中的部分参数作为初始数据源,进行数据安全处理与数据沉积处理。
在本发明的描述中,选取气体变化参数、设备使用参数及钢液变化参数中的部分参数作为初始数据源,进行数据安全处理与数据沉积处理包括以下步骤:
S211、选取气体变化参数中的压力数据与流量数据,并将压力数据与流量数据中不处于安全范围内的数据进行删除处理。
S212、选取设备使用参数中的钢包耐材透气砖侵蚀量、夹杂物尺寸及类型数据,并将钢包耐材透气砖侵蚀量、夹杂物尺寸及类型数据中不符合安全需求的数据进行删除处理。
S213、选取钢液变化参数中钢液温度数据,并将钢液温度数据中不处于安全温度范围内的数据进行删除处理。
S214、将压力数据与流量数据中存储时长超过预设时长的数据进行删除处理,实现数据的防沉积。
S22、以改进的循环神经网络模型作为智能优化算法,对气体变化参数与设备使用参数进行处理,实现模型算法与参数的分析与修正。
在本发明的描述中,以改进的循环神经网络模型作为智能优化算法,对气体变化参数与设备使用参数进行处理,实现模型算法与参数的分析与修正包括以下步骤:
S221、获取气体变化参数、设备使用参数及钢液变化参数的时间序列数据,并进行数据清洗及归一化处理作为模型数据集。
S222、构建基于门控循环单元改进的循环神经网络模型,确定模型的输入层、隐藏层及输出层的节点数,并配置激活函数与优化器。
在本发明的描述中,构建基于门控循环单元改进的循环神经网络模型,确定模型的输入层、隐藏层及输出层的节点数,并配置激活函数与优化器包括以下步骤:
S2221、初始化一个序列模型对象,添加门控循环单元(GRU)作为隐藏层,利用全连接层作为输出层,并分别设定节点数与激活函数。
其中,门控循环单元(Gated Recurrent Unit,简称GRU)是一种常用的循环神经网络(RNN)结构,旨在解决长期依赖问题和梯度消失问题,是对传统循环神经网络的改进。GRU通过引入两个门控机制,即重置门(Reset Gate)和更新门(Update Gate),来控制信息的传递和更新。
此外,节点数的确定,根据问题的复杂程度和训练数据的规模来选择节点数。一般来说,较复杂的问题和较大的数据集可能需要更多的节点数来提取更多的特征和表示能力。还可尝试不同的节点数并进行模型训练和评估,观察模型在验证集或测试集上的性能,并选择表现较好的节点数。
激活函数的确定:对于隐藏层,本发明选择的激活函数为ReLU(Rectified LinearUnit)。ReLU函数在实践中表现良好,因为它具有线性响应和减少梯度消失的特点。
对于输出层,激活函数的选择取决于具体的问题类型,而本发明选择使用sigmoid激活函数。
S2222、将Adam作为循环神经网络模型的优化器,并将均方误差作为循环神经网络模型的损失函数。
S2223、利用编译方法对循环神经网络模型进行编译,并将配置的优化器与损失函数应用在循环神经网络模型中。
S223、将模型数据集划分为训练集、验证集及测试集。
S224、利用训练集对循环神经网络模型进行训练,并利用梯度下降算法调整模型参数,最小化损失函数,再利用验证集对循环神经网络模型的性能进行验证,避免过拟合。
S225、利用测试集对循环神经网络模型的性能进行评估,比较模型预测值与实际钢液变化参数之间的差异,并依据评估结果对循环神经网络模型进行修正。
S23、依据分析修正结果与实际监测钢液变化参数之间的关系,判断数据处理结果的通过率,并对智能优化算法及参数进行完善。
S24、将经过数据安全处理与数据沉积处理后的参数数据,与完善后的智能优化算法及其输出结果,形成数字孪生模型的搭建层。
S3、采集炉外精炼吹CO2工艺生产实时数据,构建技术工艺数据层。
在本发明的描述中,采集炉外精炼吹CO2工艺生产实时数据,构建技术工艺数据层包括以下步骤:
S31、实时采集炉外精炼吹CO2工艺生产过程中的气体变化参数、设备使用参数以及钢液变化参数。
S32、获取由数字孪生计算平台运算得到的CO2输入量与CO产生量。
S33、利用实时采集得到的参数数据及实时获取得到的运算数据相结合构建炉外精炼吹CO2工艺生产实时动态模型,并不断更新计算和存储物理参数,作为炉外精炼吹CO2工艺生产的技术工艺数据层。
S4、利用计算机与5G网络构建炉外精炼吹CO2***的数字孪生计算平台层,并结合液体CO2汽化恒压力装置数字孪生体构建数字管理平台。
在本发明的描述中,利用计算机与5G网络构建炉外精炼吹CO2***的数字孪生计算平台层,并结合液体CO2汽化恒压力装置数字孪生体构建数字管理平台包括以下步骤:
S41、将计算机作为运算核心,利用5G网络实现数据传输共享,构建炉外精炼吹CO2***的数字孪生计算平台作为数字孪生计算平台层。
S42、利用数字孪生计算平台分别利用CO2吹入量线性方程、CO2产生CO气体含量线性方程计算炉外精炼吹CO2工艺生产过程中钢液内CO2吹入量以及CO产生量。
在本发明的描述中,利用数字孪生计算平台分别利用CO2吹入量线性方程、CO2产生CO气体含量线性方程计算炉外精炼吹CO2工艺生产过程中钢液内CO2吹入量以及CO产生量包括以下步骤:
S421、利用CO2吹入量线性方程计算炉外精炼吹CO2工艺生产过程中钢液CO2吹入量,计算表达式为:
Z=sd+r
式中,Z表示钢液中CO2吹入量,d表示钢水重量无量纲因子,s表示钢液温度影响因子,r表示钢液合金元素影响因子。
在实际应用中,根据生产节奏炉外精炼采用二氧化碳时间不小于50min,炉外精炼压力控制在1.6PMa内。处理周期内转炉出钢量控制在50t,处理工艺采用CO2。依据炉外精炼钢包底吹CO2吹入量线性方程Z=sd+r,当s=3.2,d=1.03,r=0.2时,z=3.496m3,炉外精炼钢包底吹介子气体过程中,在处理周期内吹入CO2时间不小于15min。炉外精炼取样过程气体全部采用气体样分析。炉外精炼取样前要避免大气量吹CO2,防止过吹或强吹。
其中数据安全只要是针对钢液中CO2吹入量及设备使用数据进行处理,为了防止数据沉积,数据保留3个月后进行删除处理,并且存在压力大于1.6PMa和流量大于1m3进行数据保留。
S422、利用CO2产生CO气体含量线性方程计算炉外精炼吹CO2工艺生产过程中CO产生量,计算表达式为:
A=u+vw
式中,A表示产生CO的量,u表示钢液成分含量无量纲因子,v表示炉渣成分无量纲因子,w表示炉外精炼吹CO2吹入量。
通过确定CO2吹入量,来计算CO的气体含量。在炉外精炼吹CO2过程中对钢液的成分和温度影响较大,通过数据库的建立,智能优化算法是通过数据安全处理后,进行RNN处理,主要是检查炉外精炼吹CO2冶炼过程及设备使用状态是否有压力、流量异常,如果存在模型对数据参数进行识别,是数字孪生模型的识别过程。所述炉外精炼吹CO2工艺生产数据是建立在物理量变化的基础上,实时采集物化数据,并且数据信息在数据库中建立。炉外精炼吹CO2***数字孪生计算平台将设备及数据控制、可视等进行融合与计算,使用智能优化算法提高速度与准确性,可实现数字孪生体与炉外精炼吹CO2设备及工艺参数实体的同步(化学反应式:CO2(l)+C=2CO(l))。
S43、数字孪生计算平台依据钢液内CO2吹入量以及CO产生量的线性运算结果,建立CO2吹入量与钢液变化参数之间的变化关系。
S44、以液体CO2汽化恒压力装置的物理实体为基础构建液体CO2汽化恒压力装置的数字孪生体,并结合存储数据层、搭建层、技术工艺数据层及数字孪生计算平台层搭建基于数字孪生模型的数字管理平台。
S5、依据平台运算结果调控液体汽化恒压力装置进行生产工艺冶炼。
在本发明的描述中,如图2所示,液体CO2汽化恒压力装置包括液体二氧化碳存储装置、液体二氧化碳管道、汽化吸热叶片、汽化管道、压力阀门基座、阀前压力表、恒压调节阀门、阀后压力表及二氧化碳气体管道出口。
综上所述,借助于本发明的上述技术方案,通过依次构建存储数据层、搭建层、技术工艺数据层及数字孪生计算平台层,结合液体CO2汽化恒压力装置的物理实体构建数字孪生体和数字管理平台,可实现炉外精炼吹气工艺生产过程中参数数据的高度整合与可视化,分别利用存储数据层存储工艺模型的相关数据,利用搭建层和技术工艺数据层实现将数据进行处理、清洗和转换,并通过可视化展示,使得相关数据更易于理解和分析;基于数字孪生模型构建的数字管理平台为决策者提供准确的数据和分析结果,支持制定合理的决策和投资策略,利用数字孪生模型的仿真和分析,评估不同方案对生产效益和经济效益的影响,帮助决策者做出明智的决策。通过基于数字孪生技术构建炉外精炼CO2生产工艺的数字管理平台,可实现炉外精炼生产的实时监测和远程操作,利用数字管理平台实时获取炉外精炼过程中的各项参数数据,包括气体变化参数、设备使用参数及钢液变化参数等,再通过数字孪生技术,实现对工艺过程的实时监测和远程操作,可以提高生产过程的可视化和可控性,减少人为误差;并且可通过数字孪生模型对炉外精炼工艺中的各个参数进行调控和优化,基于实时数据和模拟仿真,分析和预测不同参数对钢液成分和质量的影响,进而优化工艺参数,提高产品质量和生产效率。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
Claims (8)
1.基于数字孪生的炉外精炼CO2数字管理平台的搭建方法,其特征在于,该方法包括以下步骤:
S1、设计人机交互UI,构建实现数据安全与数据存储的存储数据层;
S2、利用智能优化算法进行数据处理,构建数字孪生模型的搭建层;
S3、采集炉外精炼吹CO2工艺生产实时数据,构建技术工艺数据层;
S4、利用计算机与5G网络构建炉外精炼吹CO2***的数字孪生计算平台层,并结合液体CO2汽化恒压力装置数字孪生体构建数字管理平台;
S5、依据平台运算结果调控液体汽化恒压力装置进行生产工艺冶炼;
所述利用智能优化算法进行数据处理,构建数字孪生模型的搭建层包括以下步骤:
S21、选取气体变化参数、设备使用参数及钢液变化参数中的部分参数作为初始数据源,进行数据安全处理与数据沉积处理;
S22、以改进的循环神经网络模型作为智能优化算法,对所述气体变化参数与所述设备使用参数进行处理,实现模型算法与参数的分析与修正;
S23、依据分析修正结果与实际监测所述钢液变化参数之间的关系,判断数据处理结果的通过率,并对所述智能优化算法及参数进行完善;
S24、将经过数据安全处理与数据沉积处理后的参数数据,与完善后的所述智能优化算法及其输出结果,形成数字孪生模型的搭建层;
所述利用计算机与5G网络构建炉外精炼吹CO2***的数字孪生计算平台层,并结合液体CO2汽化恒压力装置数字孪生体构建数字管理平台包括以下步骤:
S41、将计算机作为运算核心,利用5G网络实现数据传输共享,构建炉外精炼吹CO2***的数字孪生计算平台作为数字孪生计算平台层;
S42、利用所述数字孪生计算平台分别利用CO2吹入量线性方程、CO2产生CO气体含量线性方程计算炉外精炼吹CO2工艺生产过程中钢液内CO2吹入量以及CO产生量;
S43、所述数字孪生计算平台依据钢液内CO2吹入量以及CO产生量的线性运算结果,建立CO2吹入量与所述钢液变化参数之间的变化关系;
S44、以液体CO2汽化恒压力装置的物理实体为基础构建液体CO2汽化恒压力装置的数字孪生体,并结合所述存储数据层、所述搭建层、所述技术工艺数据层及所述数字孪生计算平台层搭建基于数字孪生模型的数字管理平台。
2.根据权利要求1所述的基于数字孪生的炉外精炼CO2数字管理平台的搭建方法,其特征在于:所述设计人机交互UI,构建实现数据安全与数据存储的存储数据层包括以下步骤:
S11、设计人机交互UI操作界面,实现物化映射至虚拟表征的展现;
S12、获取采集得到的炉外精炼底吹CO2工艺生产过程中的气体变化参数、设备使用参数及钢液变化参数,并进行数据定义与分类;
S13、将不同类型参数数据合并放置于同一存储单元,并进行数据归约对合并后数据自身内容进行数据规模缩减,最大限度精简数据量;
S14、调用优化算法对精简后的参数进行数据处理,并将经过数据精简与数据处理后的数据存储至数据库,作为数字孪生模型的存储数据层。
3.根据权利要求2所述的基于数字孪生的炉外精炼CO2数字管理平台的搭建方法,其特征在于:所述选取所述气体变化参数、所述设备使用参数及所述钢液变化参数中的部分参数作为初始数据源,进行数据安全处理与数据沉积处理包括以下步骤:
S211、选取所述气体变化参数中的压力数据与流量数据,并将所述压力数据与所述流量数据中不处于安全范围内的数据进行删除处理;
S212、选取所述设备使用参数中的钢包耐材透气砖侵蚀量、夹杂物尺寸及类型数据,并将所述钢包耐材透气砖侵蚀量、所述夹杂物尺寸及类型数据中不符合安全需求的数据进行删除处理;
S213、选取所述钢液变化参数中钢液温度数据,并将所述钢液温度数据中不处于安全温度范围内的数据进行删除处理;
S214、将所述压力数据与所述流量数据中存储时长超过预设时长的数据进行删除处理,实现数据的防沉积。
4.根据权利要求3所述的基于数字孪生的炉外精炼CO2数字管理平台的搭建方法,其特征在于:所述以改进的循环神经网络模型作为智能优化算法,对所述气体变化参数与所述设备使用参数进行处理,实现模型算法与参数的分析与修正包括以下步骤:
S221、获取所述气体变化参数、所述设备使用参数及所述钢液变化参数的时间序列数据,并进行数据清洗及归一化处理作为模型数据集;
S222、构建基于门控循环单元改进的循环神经网络模型,确定模型的输入层、隐藏层及输出层的节点数,并配置激活函数与优化器;
S223、将所述模型数据集划分为训练集、验证集及测试集;
S224、利用所述训练集对所述循环神经网络模型进行训练,并利用梯度下降算法调整模型参数,最小化损失函数,再利用所述验证集对所述循环神经网络模型的性能进行验证,避免过拟合;
S225、利用所述测试集对所述循环神经网络模型的性能进行评估,比较模型预测值与实际钢液变化参数之间的差异,并依据评估结果对所述循环神经网络模型进行修正。
5.根据权利要求4所述的基于数字孪生的炉外精炼CO2数字管理平台的搭建方法,其特征在于:所述构建基于门控循环单元改进的循环神经网络模型,确定模型的输入层、隐藏层及输出层的节点数,并配置激活函数与优化器包括以下步骤:
S2221、初始化一个序列模型对象,添加门控循环单元作为隐藏层,利用全连接层作为输出层,并分别设定节点数与激活函数;
S2222、将Adam作为所述循环神经网络模型的优化器,并将均方误差作为所述循环神经网络模型的损失函数;
S2223、利用编译方法对所述循环神经网络模型进行编译,并将配置的优化器与损失函数应用在所述循环神经网络模型中。
6.根据权利要求3所述的基于数字孪生的炉外精炼CO2数字管理平台的搭建方法,其特征在于:所述采集炉外精炼吹CO2工艺生产实时数据,构建技术工艺数据层包括以下步骤:
S31、实时采集炉外精炼吹CO2工艺生产过程中的气体变化参数、设备使用参数以及钢液变化参数;
S32、获取由数字孪生计算平台运算得到的CO2输入量与CO产生量;
S33、利用实时采集得到的参数数据及实时获取得到的运算数据相结合构建炉外精炼吹CO2工艺生产实时动态模型,并不断更新计算和存储物理参数,作为炉外精炼吹CO2工艺生产的技术工艺数据层。
7.根据权利要求6所述的基于数字孪生的炉外精炼CO2数字管理平台的搭建方法,其特征在于:所述利用所述数字孪生计算平台分别利用CO2吹入量线性方程、CO2产生CO气体含量线性方程计算炉外精炼吹CO2工艺生产过程中钢液内CO2吹入量以及CO产生量包括以下步骤:
S421、利用CO2吹入量线性方程计算炉外精炼吹CO2工艺生产过程中钢液CO2吹入量,计算表达式为:
Z=sd+r
式中,Z表示钢液中CO2吹入量;
d表示钢水重量无量纲因子;
s表示钢液温度影响因子;
r表示钢液合金元素影响因子;
S422、利用CO2产生CO气体含量线性方程计算炉外精炼吹CO2工艺生产过程中CO产生量,计算表达式为:
A=u+vw
式中,A表示产生CO的量;
u表示钢液成分含量无量纲因子;
v表示炉渣成分无量纲因子;
w表示炉外精炼吹CO2吹入量。
8.根据权利要求7所述的基于数字孪生的炉外精炼CO2数字管理平台的搭建方法,其特征在于:所述液体CO2汽化恒压力装置包括液体二氧化碳存储装置、液体二氧化碳管道、汽化吸热叶片、汽化管道、压力阀门基座、阀前压力表、恒压调节阀门、阀后压力表及二氧化碳气体管道出口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310984308.3A CN116738863B (zh) | 2023-08-07 | 2023-08-07 | 基于数字孪生的炉外精炼co2数字管理平台的搭建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310984308.3A CN116738863B (zh) | 2023-08-07 | 2023-08-07 | 基于数字孪生的炉外精炼co2数字管理平台的搭建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116738863A CN116738863A (zh) | 2023-09-12 |
CN116738863B true CN116738863B (zh) | 2024-02-06 |
Family
ID=87904687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310984308.3A Active CN116738863B (zh) | 2023-08-07 | 2023-08-07 | 基于数字孪生的炉外精炼co2数字管理平台的搭建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116738863B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473885A (zh) * | 2023-10-17 | 2024-01-30 | 中国石油天然气股份有限公司 | Co2驱采出流体分离及循环注入数字孪生模型构建方法 |
CN117305016A (zh) * | 2023-10-19 | 2023-12-29 | 湖南师范大学 | 基于智能决策模式挖掘的精炼油中和过程优化控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018150589A (ja) * | 2017-03-14 | 2018-09-27 | Jfeスチール株式会社 | 精錬プロセス状態推定装置、精錬プロセス状態推定方法、及び溶湯の製造方法 |
CN109957637A (zh) * | 2019-03-27 | 2019-07-02 | 北京科技大学 | 一种rh喷吹co2精炼超低碳钢的动态控制方法 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和*** |
CN113192568A (zh) * | 2021-03-15 | 2021-07-30 | 山东钢铁股份有限公司 | 一种精炼炉脱硫终点预报方法和*** |
CN115271352A (zh) * | 2022-06-23 | 2022-11-01 | 抚顺新钢铁有限责任公司 | 基于数字孪生技术的炼钢调度*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417619B (zh) * | 2020-11-23 | 2021-10-08 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节***及方法 |
CA3131637A1 (en) * | 2021-09-22 | 2023-03-22 | Suncor Energy Inc. | System and method for monitoring, analyzing and controlling emissions in a plant |
-
2023
- 2023-08-07 CN CN202310984308.3A patent/CN116738863B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018150589A (ja) * | 2017-03-14 | 2018-09-27 | Jfeスチール株式会社 | 精錬プロセス状態推定装置、精錬プロセス状態推定方法、及び溶湯の製造方法 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和*** |
CN109957637A (zh) * | 2019-03-27 | 2019-07-02 | 北京科技大学 | 一种rh喷吹co2精炼超低碳钢的动态控制方法 |
CN113192568A (zh) * | 2021-03-15 | 2021-07-30 | 山东钢铁股份有限公司 | 一种精炼炉脱硫终点预报方法和*** |
CN115271352A (zh) * | 2022-06-23 | 2022-11-01 | 抚顺新钢铁有限责任公司 | 基于数字孪生技术的炼钢调度*** |
Non-Patent Citations (2)
Title |
---|
Metallurgical Slags Enable the Circular Economy -Digital Twins of Metallurgical Systems;Markus A Reuter et al.;World of Metallurgy;全文 * |
钢铁数字化协同制造技术的应用实践;杨恒等;轧钢;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116738863A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116738863B (zh) | 基于数字孪生的炉外精炼co2数字管理平台的搭建方法 | |
Radhakrishnan et al. | Neural networks for the identification and control of blast furnace hot metal quality | |
CN105925750A (zh) | 一种基于神经网络的炼钢终点预测方法 | |
CN105807741B (zh) | 一种工业生产流程预测方法 | |
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 | |
CN107299170B (zh) | 一种高炉铁水质量鲁棒软测量方法 | |
WO2021203912A1 (zh) | 氧气底吹炉铜吹炼过程参数在线预测方法 | |
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 | |
Tunckaya et al. | Comparative performance evaluation of blast furnace flame temperature prediction using artificial intelligence and statistical methods | |
CN109935280A (zh) | 一种基于集成学习的高炉铁水质量预测***及方法 | |
JPWO2015045766A1 (ja) | 転炉吹錬設備の制御装置及び制御方法 | |
WO2022009621A1 (ja) | 操業ガイダンス方法、高炉の操業方法、溶銑の製造方法、操業ガイダンス装置 | |
JP2007052739A (ja) | モデル生成方法、状態予測方法、状態調整方法、モデル生成装置、状態予測装置、及び状態調整システム | |
CN113192568A (zh) | 一种精炼炉脱硫终点预报方法和*** | |
KR102308614B1 (ko) | 함수소 가스 취입에 따른 고로 조업 예측모델 생성 방법 및 이를 수행하는 시스템 | |
JP6414045B2 (ja) | 溶湯成分推定装置及び溶湯成分推定方法 | |
CN114185976B (zh) | 一种高炉可视化智能感知平台 | |
CN116246724A (zh) | 锌回转窑关键监测变量软测量方法、装置、终端及介质 | |
EP3989013B1 (en) | Method for controlling process, operation guidance method, method for operating blast furnace, method for producing hot metal, and device for controlling process | |
CN112861276B (zh) | 基于数据与知识双驱动的高炉料面优化方法 | |
CN113219942A (zh) | 基于加权联合分布适配神经网络的高炉故障诊断方法 | |
JPH1180820A (ja) | 高炉炉況異常時の操業支援装置および方法 | |
CN113722986B (zh) | 一种vod炉碳含量动态控制数学模型建立的方法 | |
Bag | ANN based prediction of blast furnace parameters | |
Usman | Multivariate time series prediction for endpoint prediction of temperature, phosphorus, and carbon in the basic oxygen furnace |
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 |