[發明專利]一種基于多層礦焦比分布模型的高爐爐喉溫度估計方法

有效

• 申請號: 202110301378.5
• 申請日: 2021-03-22
• 公開（公告）號: CN113139275B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 唐曉宇;金王震;郝政;王鑫;楊春節
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F119/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 劉靜

1.一種基于多層礦焦比分布模型的高爐爐喉溫度估計方法，其特征在于，包括以下步驟：

(1)獲取高爐設備參數、布料過程參數、爐料參數、布料矩陣、高爐主參數和爐喉測溫點數據；

(2)根據布料規律計算得到每層的料面形狀，包括爐料從儲料罐運動到溜槽、在溜槽上運動、從溜槽落至料面、形成料面形狀；

(3)根據下降規律計算爐內各層的料面形狀，實現料層迭代循環；料層在高爐不同位置有不同下降規律，下降從最下方的一層開始，逐層向上，過程中各層體積通過分割的方法計算，直至頂層下降完成，記錄為新的當前料層，進行下一次的頂層布料，準備下一次的下降；

(4)計算各層礦焦比分布；

(5)將各層礦焦比和高爐主參數作為輸入，爐喉測溫點數據作為輸出，基于廣義回歸神經網絡建立爐喉溫度估算模型；模型訓練完成后，輸入當前各層礦焦比和高爐主參數，得到爐喉測量溫度的估計值。

2.根據權利要求1所述的一種基于多層礦焦比分布模型的高爐爐喉溫度估計方法，其特征在于，所述步驟(2)與步驟(3)共同構建高爐料層分布模型。

3.根據權利要求1所述的一種基于多層礦焦比分布模型的高爐爐喉溫度估計方法，其特征在于，所述步驟(2)具體包括以下子步驟：

(2.1)爐料從儲料罐中卸料，通過中心喉管到達溜槽的過程：根據已知的溜槽長度，溜槽傾角和中心喉管長度，依照自由落體規律，計算爐料到達溜槽時沿溜槽方向的速度；

(2.2)通過受力分析，根據已知的溜槽長度、溜槽轉速和爐料在溜槽上的摩擦系數，由(2.1)中的初始速度，計算得到爐料離開溜槽時的速度；

(2.3)根據已知的溜槽傾角和料線高度，計算爐料到達料面時所形成的料堆堆尖在高爐半徑方向上的坐標位置；

(2.4)根據已知的爐料內外堆角和爐料堆尖的坐標位置，確定料面形狀；爐料堆尖橫坐標在步驟(2.3)中確定，縱坐標根據布料矩陣中單環爐料體積與先后兩個料面形狀之間的體積相等的原則計算得到；

(2.5)將前一個傾角形成的料面作為新的初始料面形狀，按照布料矩陣依次計算第二個到最后一個溜槽傾角下的料面形狀函數，完成一個布料矩陣的布料循環，最終結果即為某層的料面形狀。

4.根據權利要求1所述的一種基于多層礦焦比分布模型的高爐爐喉溫度估計方法，其特征在于，所述步驟(3)具體包括以下子步驟：

(3.1)頂層料線高度高于設定值，進行下降過程；否則，以當前頂層料面為初始料面，根據布料矩陣和步驟(2)，計算頂層料面形狀；

(3.2)料層下降軌跡：爐料在高爐不同的位置下降的軌跡不同，爐喉和爐腹位置時豎直下降，徑向坐標保持不變；爐料在爐身和爐腰位置徑向和軸向的運動規律根據相似三角形的原理和均勻下降方式計算得到；

(3.3)每層的下降體積計算方式：將各層按照其上下界面的形狀劃分為若干個三角形，計算各個三角形面積，并將其繞高爐中心線旋轉圍成的體積相累加的結果作為各層的體積；

(3.4)最后一層爐料下降之后，在其上的一層隨之下降，下降的體積即為最后一層的爐料體積，根據(3.2)和(3.3)中的下降規則依次推至頂層，頂層下降完成之后，其上界面將作為新的初始料面，讀入下一個布料矩陣，回到(3.1)。

5.根據權利要求1所述的一種基于多層礦焦比分布模型的高爐爐喉溫度估計方法，其特征在于，所述步驟(4)中，礦焦比的計算公式如下：

其中，x表示某點與高爐中心線的距離，γ(x)_k表示第k層的料面分布函數，下標o、c用于區別礦石層和焦炭層，K表示選定料層層數，OCR_k(x)表示第k層的礦焦比；選取的多層料層范圍從爐喉位置開始一直到爐腹位置。

6.根據權利要求1所述的一種基于多層礦焦比分布模型的高爐爐喉溫度估計方法，其特征在于，所述步驟(5)具體包括以下子步驟：

(5.1)將高爐主參數、爐喉測溫數據與布料過程進行時間配準，選擇與布料矩陣時間相符的高爐主參數與爐喉測溫數據；

(5.2)數據預處理，包括數據清洗和歸一化；

(5.3)廣義回歸神經網絡由輸入層、模式層、求和層、輸出層組成，其輸入與輸出之間的關系由以下公式表示：

其中，T是GRNN的輸出結果，輸入向量U為各層礦焦比和高爐主參數組成的N×1維向量，E[T|U]是給定輸入向量U的輸出T的期望值，g(U,T)是U和T的聯合概率密度函數；

(5.4)將由訓練集中高爐主參數和多層礦焦比組成的輸入向量，爐喉溫度值作為輸出向量，對模型進行訓練；模型訓練完成后，輸入當前的高爐主參數和多層礦焦比，即可獲得爐喉測溫的估計值。