CN114216349A - 一种基于编码解码网络的烧结终点预报方法 - Google Patents
一种基于编码解码网络的烧结终点预报方法 Download PDFInfo
- Publication number
- CN114216349A CN114216349A CN202111479943.3A CN202111479943A CN114216349A CN 114216349 A CN114216349 A CN 114216349A CN 202111479943 A CN202111479943 A CN 202111479943A CN 114216349 A CN114216349 A CN 114216349A
- Authority
- CN
- China
- Prior art keywords
- sintering
- end point
- sintering end
- data
- 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
- 238000005245 sintering Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 31
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 239000007789 gas Substances 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000035699 permeability Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 235000019738 Limestone Nutrition 0.000 claims description 3
- 239000006028 limestone Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000004449 solid propellant Substances 0.000 claims description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 2
- 235000012255 calcium oxide Nutrition 0.000 claims description 2
- 239000000292 calcium oxide Substances 0.000 claims description 2
- 239000003546 flue gas Substances 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims 4
- 239000010459 dolomite Substances 0.000 claims 1
- 229910000514 dolomite Inorganic materials 0.000 claims 1
- 238000013277 forecasting method Methods 0.000 claims 1
- 239000002912 waste gas Substances 0.000 claims 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 229910052742 iron Inorganic materials 0.000 abstract description 6
- 229910000831 Steel Inorganic materials 0.000 abstract description 3
- 239000010959 steel Substances 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract 1
- 239000000203 mixture Substances 0.000 description 6
- 239000002994 raw material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000446 fuel Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 229910000805 Pig iron Inorganic materials 0.000 description 1
- 241001062472 Stokellia anisodon Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005469 granulation Methods 0.000 description 1
- 230000003179 granulation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 239000012256 powdered iron Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- -1 trolley speed Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangement of monitoring devices; Arrangement of safety devices
- F27D21/04—Arrangement of indicators or alarms
-
- 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
- G06N3/045—Combinations of networks
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B7/00—Blast furnaces
- C21B7/24—Test rods or other checking devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F3/00—Manufacture of workpieces or articles from metallic powder characterised by the manner of compacting or sintering; Apparatus specially adapted therefor ; Presses and furnaces
- B22F3/10—Sintering only
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B13/00—Making spongy iron or liquid steel, by direct processes
- C21B13/0046—Making spongy iron or liquid steel, by direct processes making metallised agglomerates or iron oxide
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B13/00—Making spongy iron or liquid steel, by direct processes
- C21B13/0086—Conditioning, transformation of reduced iron ores
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangement of monitoring devices; Arrangement of safety devices
- F27D21/0014—Devices for monitoring temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27M—INDEXING SCHEME RELATING TO ASPECTS OF THE CHARGES OR FURNACES, KILNS, OVENS OR RETORTS
- F27M2003/00—Type of treatment of the charge
- F27M2003/04—Sintering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Manufacture And Refinement Of Metals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于编码解码网络的烧结终点预报方法，属于工业过程软测量建模领域。本发明利用烧结机运行过程中采集的数据，开发了一种基于时空注意力机制的编码解码网络的终点预报模型，其中时间注意力机制用于表征样本的时序动态性，空间注意力机制用来捕获目标变量与高级特征之间的相关性，以此提高模型的准确性和鲁棒性。利用该模型可以实时地对烧结过程中的终点进行提前预报，对于现场的工艺指导与参数调整具备较大的实际意义。通过该模型与其他模型的预报结果对比，证明了该模型对烧结终点的预报有着较为精确和稳定的建模能力，为钢铁企业生产高质量的烧结矿提供了技术支撑。
Description
技术领域
本发明属于烧结过程烧结终点提前预报的软测量方法，具体涉及一种带有时空注意力机制的编码解码网络的烧结终点预报方法。
背景技术
在现代钢铁生产流程中，传统流程仍占据主导作用，高炉炼铁仍是将铁矿石冶炼成生铁的最高效、高产、节能的方式。而在高炉炼铁时，为了保证料粒的透气性，要求炉料粒度均匀，粉末较少，机械强度高。
烧结是人造块状原料的主要生产方式之一，是将粉末状料进行高温加热，在不完全融化的条件下烧结成块的过程。烧结矿的优劣将直接影响炼铁生产的产量、质量及能源消耗，而判断烧结矿质量一个重要的状态参数就是烧结终点的位置(Burning ThroughPoint，BTP)。烧结终点的位置对烧结矿的产量和质量有很大的影响，确保终点位置的稳定，是充分利用烧结机有效面积，确保高质高产和冷却效率的重要条件。烧结终点无法通过仪表检测，同时对于大型烧结机，从向台车上布料到烧结矿在机尾被卸下，大约需要40分钟上，因此，烧结终点是滞后于烧结过程的，这种滞后性使烧结终点难以控制，因此必须对烧结终点实行提前预报，在烧结过程结束之前提前预报烧结终点的状态，才能及时采取措施进行调节。
根据烧结过程的实时过程参数、状态参数及操作参数，合理判断烧结过程，并准确预报烧结终点位置，以调整烧结机台车速度，达到稳定烧结终点，减少烧终点位置波动，提高烧结矿产量、质量的控制目的。及时预报烧结终点对于合理利用现有烧结设备，稳定烧结生产，促进烧结控制水平的提离化及提高烧结厂经济效益具有十分重要的意义。
发明内容
本发明针对烧结过程终点难以提前预报的问题，提出了基于编码解码网络的烧结终点预报方法。主要包括以下四个步骤：首先，选择易于测量且和烧结终点紧密相关的辅助变量；然后，进行烧结过程数据采集，并对数据进行预处理，消除噪声和异常值等的影响；随后，利用编码解码网络建立辅助变量与BTP位置的数据模型，并将时空注意力机制加入到编码解码框架中，以此提高预报模型的准确率；最后，对模型结果进行调试，并在实际工业现场检验。
本发明采用以下技术方案实现：
本发明首先提供了一种基于编码解码网络的烧结终点预报方法，其包括如下步骤：
1)确定与烧结终点相关的辅助变量作为输入特征，从数据库中读取烧结过程的数据，对数据进行预处理；从数据库中读取风箱废气的温度，并利用多项式拟合法求出烧结终点和温度上升点BRP的位置；
2)利用已有的输入特征，采用滑窗方法对数据进行片段划分，构建训练样本、验证样本和测试样本；
3)搭建基于编码解码网络的烧结终点预报模型，利用训练样本对模型进行训练；
4)在当前时刻k，通过传感器和数据库实时读取k-th至k时刻的在线历史数据，搜集辅助变量，并进行预处理；同时读取k-th至k时刻的风箱废气温度数据，利用最小二乘法计算烧结终点和温度上升点；使用滑窗方法获得数据片段，构造k-th至k时刻的多对多序列数据集；将多对多序列数据集输入训练后的烧结终点预报模型，得到k时刻起的下一段预测时间长度tf内的烧结终点预报结果。
作为本发明的优选方案，所述的步骤1)中，辅助变量选取为：固体燃料配比、生石灰配比、石灰石配比、白云水配比、二混含水量、料厚、点火温度、透气性、主抽负压、台车速度、大烟道废气温度和温度上升点的位置；其中，除温度上升点的位置外的其余辅助变量均从数据库中存储的烧结过程数据中获取，以辅助变量作为输入特征，将求得的烧结终点位置作为输出标签。
作为本发明的优选方案，步骤1)中，所述从数据库中读取风箱废气的温度，并利用多项式拟合法求出烧结终点和温度上升点的位置，具体为：
在烧结终点附近，风箱废气温度Ti与风箱位置xi之间可以近似看成二次关系，即满足以下关系：
然后最后3个风箱位置和废气温度(xi,Ti)代入公式(1)，其中下标i表示倒数第i个风箱，可以得到废气温度与风箱位置的线性方程组，求解该方程组可以得到a：
接下来求解b：
于是：
该方程可以求得烧结终点的位置：
温度上升点(BRP)是指沿烧结机长度方向废气温度上升的位置，废气温度为180℃时(Tk＝180)，对应的位置xk,然后根据下列公式求解：
作为本发明的优选方案，步骤2)中，采用滑动时间窗片段方法进行采样，一个输入的片段样本应该被表示为一个矩阵的形式：
其中，Th是观测段片段帧数；f是片段特征数目。对于每个输入样本X，对应了一个输出样本Y：
优选的，步骤3)中，所述的搭建基于编码解码网络的烧结终点预报模型，具体为：采用Encoder-Decoder框架进行建模，利用门控循环单元GRU搭建encoder，并将特征数据按照时序方式进行输入，得到Encoder的输出，即高级特征；然后采用时间注意力机制计算Decoder部分的隐藏状态向量与高级特征向量的相关性，求得它们之间的权重系数；采用空间注意力机制计算输出标签与高级特征之间的相关性，建立目标变量与高级特征的潜在联系。
优选的，根据烧结过程中的实时数据，烧结终点预报模型的参数实时调整，不断优化迭代，使得模型具有较强的鲁棒性。
本发明的有益效果在于：
1、所提出的方法全面考虑影响烧结终点的辅助变量，比如温度上升点BRP的引入，可以提升模型的预测精度
2、编码解码模型可以实现多对多序列建模，对烧结终点进行多步预测，以此可以对烧结终点实现提前预报的功能。
3、时空注意力机制不仅可以捕获样本的时序动态性，还可以学习目标变量与高级特征之间的相关性，进一步提升了模型的准确性和鲁棒性。
附图说明
图1为基于编码解码网络的烧结终点预报模型构建与应用图；
图2为烧结过程变量分类图；
图3风箱尾气温度拟合图；
图4数据片段划分示意图；
图5基本循环网络和各种预测任务图；
图6编码解码框架图；
图7带有时空注意力机制的编码解码框架
图8编码解码预报模型与其他模型的对比结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
图1提供了基于时空注意力机制的编码解码网络的烧结终点预报模型的具体构建与应用步骤，
1)确定与烧结终点相关的辅助变量作为输入特征，从数据库中读取烧结过程的数据，对数据进行预处理；从数据库中读取风箱废气的温度，并利用多项式拟合法求出烧结终点和温度上升点BRP的位置；
2)利用已有的输入特征，采用滑窗方法对数据进行片段划分，构建训练样本、验证样本和测试样本；
3)搭建基于编码解码网络的烧结终点预报模型，利用训练样本对模型进行训练；
4)在当前时刻k，通过传感器和数据库实时读取k-th至k时刻的在线历史数据，搜集辅助变量，并进行预处理；同时读取k-th至k时刻的风箱废气温度数据，利用最小二乘法计算烧结终点和温度上升点；使用滑窗方法获得数据片段，构造k-th至k时刻的多对多序列数据集；将多对多序列数据集输入训练后的烧结终点预报模型，得到k时刻起的下一段预测时间长度tf内的烧结终点预报结果。在本发明的一个具体实施例中，k-th至k时刻的时间宽度可以取45min(th＝45)，时间长度tf可以为10min(tf＝10)。
以下结合具体案例对本发明做进一步的说明。
(1)烧结机理分析与变量分类
本次实验针对中国华南某钢铁集团的360平方米烧结机。烧结(Sintering)是把烧结混合料在高温加热条件下有粉末状变成块状固体的过程。具体来看，首先将铁矿粉、溶剂、燃料及返矿按照一定的比例进行配料，并进行加水混合制粒，通过皮带运输机运送到混合料仓。然后，由布料机铺于带式烧结机上，在一定负压下点火器点火，将混合料中的燃料点燃，烟气由抽风机自上而下抽走。在烧结台车的移动过程中，混合料自上而下熔融燃烧，燃料燃烧产生大量的热量，融化粉状铁矿石表面，并通过产生一定量的液相，湿润其他未融化的矿石颗粒，使烧结矿颗粒粘结成块。最后，烧透的成品烧结矿运送到机尾落下，经过单辊的破碎，运输至成品整粒系统，除产生铺底料和返矿给烧结外，其余的作为成品烧结矿进入高炉。
(2)烧结过程变量构建
烧结过程是一个机理复杂、影响因素众多、不确定性、强非线性、大滞后性、高耦合性的动态时变过程。为了更好地理解烧结过程与变量的关系，这里对烧结过程变量进行了系统性的归纳，如图2所示。
铁矿石烧结过程可以看作是一个系统：当一定的操作参数和原料参数作用于设备参数后，就有一定的指标参数和状态参数与之对应，其表现关系为：
(操作参数、原料参数、设备参数)→(状态参数、指标参数)
原料参数：含铁原料比、燃料配比、溶剂配比；
操作参数：一次混合加水、二次混合加水、台车速度、料层厚度；
设备参数：大风机抽风能力、抽风面积、烧结机漏风率等；
状态参数：料层透气性、主管负压、风箱废气温度、烧结终点等；
指标参数：烧结矿产量、化学成分、机械强度、还原性等；
根据烧结过程机理分、文献调研和数据统计分析，可以确定影响烧结终点的因素有：固体燃料配比、石灰石燃料配比、烧结机台车速度、烧结废气温度上升点(BRP)处风箱温度、点火温度、料层厚度、二混含水量以及当前烧结终点位置等，如表1所示。
表1模型输入参数与烧结终点位置
(3)BTP的计算
从数据库中读取风箱废气温度，利用风箱废气温度与烧结终点之间的数学关系建立软测量模型。在烧结生产过程中废气温度最大值出现在混合料恰好烧透的时候，由机尾部分的风箱废气温度即可找到烧结终点位置。其中风箱废气温度的曲线如图3所示。在烧结终点附近，风箱废气温度Ti与风箱位置xi之间可以近似看成二次关系，即满足以下关系：
然后最后3个风箱位置和废气温度(xi,Ti)代入公式(1)，其中下标i表示倒数第i个风箱，可以得到废气温度与风箱位置的线性方程组，求解该方程组可以得到a：
接下来求解b：
于是：
解得该方程可以求得烧结终点的位置：
在烧结现场，由于烧结机机尾风箱的密封措施不完善，存在漏风现象，使得风箱废气温度的测量值小于真实值。为了保证烧结终点计算的准确性，引入一个修正系数，大烟道反馈系数，如下公式：
BTPm＝BTP′-αΔT (6)
该式中，BTPm为BTP的修正值，BTP′为烧结终点的计算值，ΔT为废气温度的测量值与真实值之间的温度偏差，α为修正系数，一般取0.02。
温度上升点(BRP)是指沿烧结机长度方向废气温度上升的位置，废气温度为180℃时(Tk＝180)，对应的位置xk,然后根据下列公式求解：
(4)数据片段的划分
采用滑动时间窗片段方法进行采样，如图4所示。采用滑动窗口的思想进行片段划分采样有两个作用：(1)直接解决了数据文件少，采集时间短的问题；(2)缩小了个别坐标数据误差对运动模式判断的影响。为了便于数据运算，一个输入的片段样本应该被表示为一个矩阵的形式：
其中，Th是观测段片段帧数；f是片段特征数目。对于每个输入样本X，对应了一个输出样本Y：
这样就构建了一个序列数据集，用于后面的模型输入。
(5)基于编码解码网络的烧结终点预报模型
步骤1：离线建模；
步骤1.1：通过对烧结机理分析，可以确定12个关键变量作为模型的输入特征，比如原料配比、台车速度、料层透气性和温度上升点BRP等关键变量。然后从数据库中实时读取数据，并进行数据滤波处理、数据平滑处理、数据归一化处理等预处理。
步骤1.2：从数据库中读取风箱废气的温度，并利用多项式拟合法求出烧结终点和温度上升点BRP的位置。利用已有的输入特征，采用滑窗方法对数据进行片段划分，构建训练样本、验证样本和测试样本。
步骤1.3：图5为基本循环网络以及典型的预测任务，由于烧结终点是多对多的序列预测模型，这里将使用EncoderDecoder框架进行建模。首先利用门控循环单元GRU搭建encoder，并将特征数据按照时序方式进行输入，可以得到Encoder的输出，即高级特征。然后采用时间注意力机制计算Decoder部分的隐藏状态向量与高级特征向量的相关性，求得它们之间的权重系数；采用空间注意力机制计算输出标签与高级特征之间的相关性，建立目标变量与高级特征的潜在联系，具体如图6和7所示。最后，利用训练的模型，不断生成烧结终点序列，实现烧结终点的提前预报。其中，时间注意力机制的公式如下：
c(t)＝tanh(x(t),s(t-1)) (13)
其中，h(t-T+j)代表Encoder部分的隐藏单元，s(t-1)代表decoder部分前一个时刻的隐藏单元，
代表模型需要学习的参数。
是时间注意力机制的值，c(t)指的是高级特征或者上下文语义向量。
空间注意力机制如下：
其中，
代表潜变量c(t)中每一维变量注意力值，
代表空间注意力机制作用后的高级变量。
步骤2：在线检测；
步骤2.1：通过传感器和数据库实时读取在线数据，搜集辅助变量，并进行预处理。读取风箱废气温度，利用最小二乘法计算烧结终点和温度上升点，使用滑窗方法获得数据片段，构造多对多序列数据集。然后，将建立的预报模型部署在烧结专家系统里面，根据这些实时数据进行在线预报。最后，根据烧结终点预报结果，及时对工艺参数进行调整，使得烧结终点达到理想的位置。
步骤3：模型更新
根据烧结过程中的实时数据，编码解码模型的参数也在实时调整，不断优化迭代，重复步骤1，使得模型具有较强的鲁棒性。
(6)模型性能检验
为了检验模型的有效性，从某烧结厂里采集10000条样本，采样间隔为1分钟，利用滑窗后获得样本片段后，进数据预处理后，将数据片段划分为6000个训练样本，1000个验证样本和785个测试样本由于深度学习模型调参比较麻烦，通过实验设置模型参数如下表2。
表2模型的超参数
| 参数 | Hidden_size | Learning_rate | Hidden_layer | Dropout | Input_size | Output_size |
| 取值 | 20 | 0.001 | 2 | 0.1 | 40 | 3 |
为了比较所建立的模型优劣，这里使用的对比模型为两种传统的机器学习模型向量自回归模型VAR，差分整合移动平均自回归模型ARIMA和两种深度循环网络LSTM网络，GRU网络。评价指标为决定系数、均方根误差和平均绝对误差，如下公式所示：
表3和图8展示了带有时空注意力机制的编码解码模型的预测效果。
表3模型预测结果对比
可以看出，两种传统的机器学习模型VAR和ARIMA模型在多步预测上的效果比较差，两个模型的准确率都没有达到50％，说明统计学习模型对于复杂工业过程存在一定的局限性。而两种深度学习模型门控神经网络GRU和长短时记忆网络LSTM效果提升了不少，准确率超过了70％。不过对于工业现场来说，BTP的预报模型还难以应用。对于多对多序列预测来说，编码解码模型取得了较好的效果，准确率在90％左右，提高了终点预报的准确性，为烧结操作工调整工艺参数提供了充足的时间，可以提高烧结矿的产量和质量。对于烧结厂来说，能够实现烧结终点的提前预报，将会给企业带来较大的经济效应。
Claims (6)
1.一种基于编码解码网络的烧结终点预报方法，其特征在于，包括如下步骤：
1)确定与烧结终点相关的辅助变量作为输入特征，从数据库中读取烧结过程的数据，对数据进行预处理；从数据库中读取风箱废气的温度，并利用多项式拟合法求出烧结终点和温度上升点的位置；
2)利用已有的输入特征，采用滑窗方法对数据进行片段划分，构建训练样本；
3)搭建基于编码解码网络的烧结终点预报模型，利用训练样本对模型进行训练；
4)在当前时刻k，通过传感器和数据库实时读取k-th至k时刻的在线历史数据，搜集辅助变量，并进行预处理；同时读取k-th至k时刻的风箱废气温度数据，利用最小二乘法计算烧结终点和温度上升点；使用滑窗方法获得数据片段，构造k-th至k时刻的多对多序列数据集；将多对多序列数据集输入训练后的烧结终点预报模型，得到k时刻起的下一段预测时间长度tf内的烧结终点预报结果。
2.根据权利要求1所述的基于编码解码网络的烧结终点预报方法，其特征在于，所述的步骤1)中，辅助变量选取为：固体燃料配比、生石灰配比、石灰石配比、白云水配比、二混含水量、料厚、点火温度、透气性、主抽负压、台车速度、大烟道废气温度和温度上升点的位置；其中，除温度上升点的位置外的其余辅助变量均从数据库中存储的烧结过程数据中获取，以辅助变量作为输入特征，将求得的烧结终点位置作为输出标签。
3.根据权利要求1所述的基于编码解码网络的烧结终点预报方法，其特征在于，步骤1)中，所述从数据库中读取风箱废气的温度，并利用多项式拟合法求出烧结终点和温度上升点的位置，具体为：
在烧结终点附近，风箱废气温度Ti与风箱位置xi之间可以近似看成二次关系，即满足以下关系：
然后最后3个风箱位置和废气温度(xi,Ti)代入公式(1)，其中下标i表示倒数第i个风箱，可以得到废气温度与风箱位置的线性方程组，求解该方程组可以得到a：
接下来求解b：
于是：
该方程可以求得烧结终点的位置：
温度上升点位置是指沿烧结机长度方向废气温度上升的位置，废气温度Tk为180℃时，对应的位置xk,根据下列公式求解：
4.根据权利要求1所述的基于编码解码网络的烧结终点预报方法，其特征在于，
步骤2)中，采用滑动时间窗片段方法进行采样，
一个输入的片段样本应该被表示为一个矩阵的形式：
其中，Th是观测段片段帧数；f是片段特征数目；对于每个输入样本X，对应了一个输出样本Y：
5.根据权利要求1所述的基于编码解码网络的烧结终点预报方法，其特征在于，
步骤3)中，所述的搭建基于编码解码网络的烧结终点预报模型，具体为：
采用Encoder-Decoder框架进行建模，利用门控循环单元GRU搭建encoder，并将特征数据按照时序方式进行输入，得到Encoder的输出，即高级特征；然后采用时间注意力机制计算Decoder部分的隐藏状态向量与高级特征向量的相关性，求得它们之间的权重系数；采用空间注意力机制计算输出标签与高级特征之间的相关性，建立目标变量与高级特征的潜在联系。
6.根据权利要求1所述的基于编码解码网络的烧结终点预报方法，其特征在于，根据烧结过程中的实时数据，烧结终点预报模型的参数实时调整，不断优化迭代，使得模型具有较强的鲁棒性。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111479943.3A CN114216349B (zh) | 2021-12-06 | 2021-12-06 | 一种基于编码解码网络的烧结终点预报方法 |
| US17/837,609 US20230177313A1 (en) | 2021-12-06 | 2022-06-10 | Method for Predicting Burning Through Point Based on Encoder-Decoder Network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111479943.3A CN114216349B (zh) | 2021-12-06 | 2021-12-06 | 一种基于编码解码网络的烧结终点预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114216349A true CN114216349A (zh) | 2022-03-22 |
| CN114216349B CN114216349B (zh) | 2022-09-16 |
Family
ID=80699868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111479943.3A Active CN114216349B (zh) | 2021-12-06 | 2021-12-06 | 一种基于编码解码网络的烧结终点预报方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230177313A1 (zh) |
| CN (1) | CN114216349B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114968997A (zh) * | 2022-05-11 | 2022-08-30 | 浙江大学 | 一种基于时空特征提取的烧结终点预报方法 |
| CN117778710A (zh) * | 2023-12-11 | 2024-03-29 | 江苏昆仑互联科技有限公司 | 一种基于多目标优化模型的烧结终点智控方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118095071B (zh) * | 2024-02-21 | 2024-10-18 | 兰州理工大学 | 一种金属凝固过程预测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101598934A (zh) * | 2009-07-14 | 2009-12-09 | 北京首钢自动化信息技术有限公司 | 一种烧结终点的间接控制方法 |
| CN102927820A (zh) * | 2012-10-31 | 2013-02-13 | 戈文燕 | 吸风烧结机烧穿点位置和烧穿温度直接测定系统 |
| CN108469180A (zh) * | 2018-04-09 | 2018-08-31 | 华北理工大学 | 基于大数据和机器学习的烧结终点预测系统的建立方法 |
| CN108875532A (zh) * | 2018-01-25 | 2018-11-23 | 南京理工大学 | 一种基于稀疏编码和长度后验概率的视频动作检测方法 |
| KR20190036024A (ko) * | 2017-09-27 | 2019-04-04 | 현대제철 주식회사 | 소결광 제조장치 및 방법 |
| CN112001527A (zh) * | 2020-07-29 | 2020-11-27 | 中国计量大学 | 多特征融合深度神经网络的工业生产过程目标数据预测方法 |
| CN112255364A (zh) * | 2020-10-20 | 2021-01-22 | 唐山学院 | 一种实时定量判定烧结终点状态的软测量方法 |
| CN113033861A (zh) * | 2019-12-25 | 2021-06-25 | 广东奥博信息产业股份有限公司 | 一种基于时间序列模型的水质预测方法及系统 |
| CN113111571A (zh) * | 2021-03-10 | 2021-07-13 | 山东诺德能源科技有限公司 | 一种根据风箱温度预测烧结终点的方法 |
| CN113218197A (zh) * | 2021-05-12 | 2021-08-06 | 莱芜钢铁集团电子有限公司 | 烧结终点一致性控制系统和方法 |
-
2021
- 2021-12-06 CN CN202111479943.3A patent/CN114216349B/zh active Active
-
2022
- 2022-06-10 US US17/837,609 patent/US20230177313A1/en active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101598934A (zh) * | 2009-07-14 | 2009-12-09 | 北京首钢自动化信息技术有限公司 | 一种烧结终点的间接控制方法 |
| CN102927820A (zh) * | 2012-10-31 | 2013-02-13 | 戈文燕 | 吸风烧结机烧穿点位置和烧穿温度直接测定系统 |
| KR20190036024A (ko) * | 2017-09-27 | 2019-04-04 | 현대제철 주식회사 | 소결광 제조장치 및 방법 |
| CN108875532A (zh) * | 2018-01-25 | 2018-11-23 | 南京理工大学 | 一种基于稀疏编码和长度后验概率的视频动作检测方法 |
| CN108469180A (zh) * | 2018-04-09 | 2018-08-31 | 华北理工大学 | 基于大数据和机器学习的烧结终点预测系统的建立方法 |
| CN113033861A (zh) * | 2019-12-25 | 2021-06-25 | 广东奥博信息产业股份有限公司 | 一种基于时间序列模型的水质预测方法及系统 |
| CN112001527A (zh) * | 2020-07-29 | 2020-11-27 | 中国计量大学 | 多特征融合深度神经网络的工业生产过程目标数据预测方法 |
| CN112255364A (zh) * | 2020-10-20 | 2021-01-22 | 唐山学院 | 一种实时定量判定烧结终点状态的软测量方法 |
| CN113111571A (zh) * | 2021-03-10 | 2021-07-13 | 山东诺德能源科技有限公司 | 一种根据风箱温度预测烧结终点的方法 |
| CN113218197A (zh) * | 2021-05-12 | 2021-08-06 | 莱芜钢铁集团电子有限公司 | 烧结终点一致性控制系统和方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114968997A (zh) * | 2022-05-11 | 2022-08-30 | 浙江大学 | 一种基于时空特征提取的烧结终点预报方法 |
| CN117778710A (zh) * | 2023-12-11 | 2024-03-29 | 江苏昆仑互联科技有限公司 | 一种基于多目标优化模型的烧结终点智控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230177313A1 (en) | 2023-06-08 |
| CN114216349B (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114216349B (zh) | 一种基于编码解码网络的烧结终点预报方法 | |
| CN108469180B (zh) | 基于大数据和机器学习的烧结终点预测系统的建立方法 | |
| CN104899463B (zh) | 高炉铁水硅含量四分类趋势预报模型的建立方法及应用 | |
| Li et al. | Dynamic time features expanding and extracting method for prediction model of sintering process quality index | |
| CN102652925B (zh) | 高炉喷煤中速磨制粉系统煤粉粒度的测量系统 | |
| CN113517037B (zh) | 一种数据与知识融合的烧结矿FeO预测方法及系统 | |
| CN103048058B (zh) | 一种焦炉火道温度在线检测方法 | |
| CN110070217A (zh) | 一种基于过程参数的烧结矿质量预测方法 | |
| CN109280726A (zh) | 一种基于多元线性回归算法预测炼铁高炉炉芯死料柱温度的方法 | |
| CN103439889B (zh) | 基于排放烟气分析的烧结终点预测方法 | |
| 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 | |
| CN114968997B (zh) | 一种基于时空特征提取的烧结终点预报方法 | |
| CN106755972B (zh) | 一种基于数据降维法预测烧结过程综合焦比的方法 | |
| CN110533082A (zh) | 一种基于双模型协同预测的烧结混合加水控制方法 | |
| CN111128312B (zh) | 一种基于机理与支持向量机的氧化锌挥发窑混合建模方法 | |
| CN102654444B (zh) | 高炉喷煤中速磨制粉系统煤粉粒度的测量方法 | |
| CN111575421B (zh) | 利用扫描雷达调整软融带形状的方法 | |
| CN104536396A (zh) | 一种水泥生料在分解炉内分解过程的软测量建模方法 | |
| Jiang et al. | Prediction of FeO content in sintering process based on heat transfer mechanism and data-driven model | |
| Cardoso et al. | Mathematical modelling to control the chemical composition of blast furnace slag using artificial neural networks and empirical correlation | |
| CN114283895B (zh) | 一种基于热力学机理的氧化锌回转挥发窑高温反应区温度场监测方法 | |
| Ye et al. | Tumble strength prediction for sintering: data-driven modeling and scheme design | |
| CN105734189A (zh) | 一种高炉运行过程中喷煤量决策的方法 | |
| CN111291501A (zh) | 铜冶炼阳极炉氧化还原智能终点判断系统 | |
| CN103160629B (zh) | 一种预报高炉趋热的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |