【技術實現步驟摘要】
本專利技術涉及智能制造，尤其涉及一種基于大數據的高爐爐渣堿度智能調整方法。
技術介紹
1、爐渣堿度控制是煉鐵工序中的重要環節，堿度控制過程具有時間滯后長、影響因素多、參數耦合性強的特點。在實際生產過程中，現場操作人員通常基于現有設備條件，觀察渣鐵參數數據并判斷冶煉過程狀態參數是否存在異常，通過理論計算結合自身經驗對高爐原燃料參數進行調整，反應速度慢，人員勞動強度高，渣鐵質量異常恢復周期長，造成煉鐵過程效率較低。
2、因此，本專利技術提供一種基于大數據的高爐爐渣堿度智能調整方法。
技術實現思路
1、本專利技術提供的一種基于大數據的高爐爐渣堿度智能調整方法，通過收集高爐歷史生產數據，建立爐渣堿度的理論計算模型，并結合工藝原則篩選出強關聯參數，構建預測模型,基于預測結果進行狀態評估，確定調整方向和步長，最終通過智能算法對物料進行動態調整，從而實現高效、精準的爐渣堿度控制，減少人工干預，優化操作流程，保持堿度在最佳范圍，減少不合格率。
2、本專利技術提供一種基于大數據的高爐爐渣堿度智能調整方法，包括：
3、步驟1：收集高爐歷史生產數據，根據所述歷史生產數據確定生產關鍵參數，生成高爐爐渣堿度的理論計算模型；
4、步驟2：結合工藝原則確定爐渣堿度相關目標參數，并對相關目標參數進行篩選，得出強關聯參數，基于所述強關聯參數構建預測模型；
5、步驟3：基于預測結果對實際數據進行狀態評估，得出狀態評估結果，根據狀態評估結果確定實際爐渣堿度的調
6、步驟4：基于理論計算模型和當前入爐爐料數據，結合實際爐渣堿度的實際調整方向和實際調整步長確定物料調整量，對當前實際爐渣堿度進行智能調整；
7、步驟2中，通過獲取煉鐵工藝的實際情況，并基于實際情況確定工藝原則，進而識別爐渣堿度的第一相關目標參數和操作人員反饋的第二相關目標參數，通過計算這兩個參數與爐渣堿度之間的相關性，構建相關性矩陣并進行初步篩選，進行共線性分析以合并參數，最終得出強關聯參數，并基于強關聯參數構建預測模型；
8、步驟3中，根據現場經驗和產品質量標準設定爐渣堿度、鎂鋁比和鐵水硫含量的參數范圍，并據此進行狀態分級，獲取實際數據后，確定實際數據對應的實際狀態分級，將實際狀態分級與預測結果的狀態分級進行比較，從中得出實際爐渣堿度的調整方向，并計算相應的調整步長。
9、本專利技術提供一種基于大數據的高爐爐渣堿度智能調整方法，收集高爐歷史生產數據，根據所述歷史生產數據確定生產關鍵參數，生成高爐爐渣堿度的理論計算模型，包括：
10、收集高爐的歷史生產數據，根據所述歷史生產數據使用統計軟件繪制第一箱型圖，根據所述第一箱型圖對歷史生產數據中異常值進行處理；
11、根據第一箱型圖識別處理結果中的生產關鍵參數，并根據所述生產關鍵參數繪制第二箱型圖，識別參數分布特征；
12、對處理結果繪制熱圖，確定每個生產關鍵參數與爐渣堿度之間的連接關系，基于所述參數分布特征與連接關系確定不同原料配比對爐渣堿度的影響程度；
13、根據所述影響程度結合預設的堿度調整原則構建初始模型，根據現場吃料情況，輸入生產關鍵參數的當前值到初始模型中，生成高爐爐渣堿度的理論計算模型。
14、本專利技術提供一種基于大數據的高爐爐渣堿度智能調整方法，結合工藝原則確定爐渣堿度相關目標參數，并對相關目標參數進行篩選，得出強關聯參數，基于所述強關聯參數構建預測模型，包括：
15、獲取煉鐵工藝的實際情況，基于所述實際情況確定工藝原則，基于所述工藝原則確定爐渣堿度的第一相關目標參數，收集操作人員反饋，得出爐渣堿度的第二相關目標參數；
16、計算所述第一相關目標參數與第二相關目標參數與爐渣堿度之間的相關性，構建相關性矩陣，根據所述相關性矩陣對第一相關目標參數與第二相關目標進行第一篩選，得出第一篩選結果；
17、對所述第一相關目標參數與第二相關目標參數進行共線性分析，根據共線性分析結果對第一相關目標參數與第二相關目標參數進行合并，得出第二篩選結果；
18、綜合所述第一篩選結果與第二篩選結果得出強關聯參數，進而構建預測模型。
19、本專利技術提供一種基于大數據的高爐爐渣堿度智能調整方法，綜合所述第一篩選結果與第二篩選結果得出強關聯參數，進而構建預測模型，包括：
20、以高爐爐渣堿度調整為待解決目標，確定預測模型的輸出類型，根據目標-特征表從強關聯參數選擇輸入特征；
21、基于輸入特征運用深度學習算法構建提前一個冶煉周期預測參數爐渣堿度、參數爐渣鎂鋁比和參數鐵水硫含量的預測模型。
22、本專利技術提供一種基于大數據的高爐爐渣堿度智能調整方法，基于預測結果對實際數據進行狀態評估，得出狀態評估結果，根據狀態評估結果確定實際爐渣堿度的調整方向和調整步長，包括：
23、根據現場經驗和產品質量標準，設定參數爐渣堿度、參數爐渣鎂鋁比和參數鐵水硫含量對應的參數范圍，并使用所述參數范圍進行狀態評估，進而根據狀態評估結果確定狀態分級；
24、獲取實際數據，根據所述狀態分級確定實際數據對應的實際狀態分級，基于所述實際狀態分級與預測結果對應的預測狀態分級進行比較，得出實際爐渣堿度的調整方向，并計算對應調整方向的調整步長。
25、本專利技術提供一種基于大數據的高爐爐渣堿度智能調整方法，計算對應調整方向的調整步長，包括：
26、計算調整步長：
27、，其中，表示實際爐渣堿度的調整步長；k表示基礎調整系數；表示實際爐渣堿度與預測爐渣堿度之間的差距對步長的影響函數；表示參數爐渣堿度的歷史步長反饋函數；表示歷史調整反饋系數；表示當前時間步t內參數爐渣堿度、參數爐渣鎂鋁比和參數鐵水硫含量的變化波動度；表示當前時間步t內參數爐渣堿度、參數爐渣鎂鋁比和參數鐵水硫含量的平均值；表示耦合因子對步長的調整系數；表示參數爐渣堿度、參數爐渣鎂鋁比和參數鐵水硫含量的耦合因子函數；t表示當前時間步；t表示總的調整周期；s表示冶煉過程的穩定常數；i表示參數爐渣堿度；j表示參數爐渣鎂鋁比；m表示參數鐵水硫含量。
28、本專利技術提供一種基于大數據的高爐爐渣堿度智能調整方法，耦合因子函數，包括：
29、，其中，表示參數爐渣堿度i與參數爐渣鎂鋁比j之間的耦合因子函數；表示時間步k下的實際爐渣堿度；表示實際爐渣堿度在時間步t內的均值；表示時間步k下實際爐渣鎂鋁比值；表示實際爐渣鎂鋁比值在時間步t內的均值；k0表示時間窗口大小；k表示時間步；
30、，其中，表示參數爐渣堿度i與參數鐵水硫含量m之間的耦合因子函數；表示時間步k下的實際鐵水硫含量；表示實際鐵水硫含量在時間步t內的均值；
31、，其中，表示參數鐵水硫含量m與參數爐渣鎂鋁比值j之間的耦合因子函數；
32、，其中，表示參數爐渣堿度i與參數爐渣鎂鋁比j耦合關系的權重系數；表示參數爐渣堿度i與參數鐵水硫本文檔來自技高網...
【技術保護點】
1.一種基于大數據的高爐爐渣堿度智能調整方法，其特征在于，包括：
2.根據權利要求1所述的一種基于大數據的高爐爐渣堿度智能調整方法，其特征在于，收集高爐歷史生產數據，根據所述歷史生產數據確定生產關鍵參數，生成高爐爐渣堿度的理論計算模型，包括：
3.根據權利要求1所述的一種基于大數據的高爐爐渣堿度智能調整方法，其特征在于，結合工藝原則確定爐渣堿度相關目標參數，并對相關目標參數進行篩選，得出強關聯參數，基于所述強關聯參數構建預測模型，包括：
4.根據權利要求3所述的一種基于大數據的高爐爐渣堿度智能調整方法，其特征在于，綜合所述第一篩選結果與第二篩選結果得出強關聯參數，進而構建預測模型，包括：
5.根據權利要求1所述的一種基于大數據的高爐爐渣堿度智能調整方法，其特征在于，基于預測結果對實際數據進行狀態評估，得出狀態評估結果，根據狀態評估結果確定實際爐渣堿度的調整方向和調整步長，包括：
6.根據權利要求5所述的一種基于大數據的高爐爐渣堿度智能調整方法，其特征在于，計算對應調整方向的調整步長，包括：
7.根據權利要求6
8.根據權利要求1所述的一種基于大數據的高爐爐渣堿度智能調整方法，其特征在于，基于理論計算模型和當前入爐爐料數據，結合實際爐渣堿度的實際調整方向和實際調整步長確定物料調整量，對當前實際爐渣堿度進行智能調整，包括：
...【技術特征摘要】
1.一種基于大數據的高爐爐渣堿度智能調整方法，其特征在于，包括：
2.根據權利要求1所述的一種基于大數據的高爐爐渣堿度智能調整方法，其特征在于，收集高爐歷史生產數據，根據所述歷史生產數據確定生產關鍵參數，生成高爐爐渣堿度的理論計算模型，包括：
3.根據權利要求1所述的一種基于大數據的高爐爐渣堿度智能調整方法，其特征在于，結合工藝原則確定爐渣堿度相關目標參數，并對相關目標參數進行篩選，得出強關聯參數，基于所述強關聯參數構建預測模型，包括：
4.根據權利要求3所述的一種基于大數據的高爐爐渣堿度智能調整方法，其特征在于，綜合所述第一篩選結果與第二篩選結果得出強關聯參數，進而構建預測模型，包括：
5.根...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。