基于雷达观测数据的高炉料面多模型控制

炉料在高炉内部的布局直接影响着高炉的运行,好的布料策略能极大地提高生产力,并带来巨大的经济效益.本文利用模糊c均值聚类算法对大量雷达扫描得到的料面数据进行分类,建立多模型料面模型集;设定期望料面,并根据料面模型集中的多种料面,设计多种布料控制策略,求出相应的布料矩阵.每一个布料周期,采用模糊识别的方法把获得的实时料面数据与模型集相匹配,进而采取相应的布料矩阵进行布料,直至达到期望料面.由于雷达扫描数据的存在,形成了反馈机制,使得高炉布料能够实现闭环控制.本控制策略在某钢铁厂2500m3高炉上得到实施,取得很好的控制效果,达到节能降耗的要求.     

高炉料面形状双驱动模型研究

高炉料面形状是指导高炉布料决策的重要依据.本文在已开发的新型雷达检测手段的基础上将雷达检测数据和布料机理进行融合.首先根据牛顿运动规律计算炉料颗粒从料流调节阀至料面的运动过程,然后根据体积约束原则建立料面形状模型,最后通过高斯过程回归模型将机理模型和摆动雷达测量得到的料面信息融合,建立了基于雷达数据和机理模型双驱动的高炉料面形状模型.仿真结果表明,本文提出的数据融合的方法在结合雷达检测数据和机理模型的基础上能够更好的拟合出高炉料面形状,可以为高炉稳定运行,节能减排提供可靠指导.     

高炉多周期装料过程炉喉料面形状混杂控制北大核心CSCD

为了解决高炉多周期装料过程中料面形状变化的问题,设计出一套高炉料面形状控制系统。对于该控制系统,首先,以单容水箱为对象,研究以间歇进水和连续出水为特征的混杂控制问题。然后,在液位位式控制的基础上,将液位混杂系统扩展至用泛函描述的高炉炉料料面形状控制。由于炉料在炉喉径向方向上的实际下降速度存在差异,借鉴非均匀炉料下降模型,并通过仿真实验准确建立出该模型。以多环布料模型、非均匀炉料下降模型和布料矩阵逆计算模型为基础,提出了高炉多周期装料过程中料面形状控制方案,将间歇装料过程与连续下料过程相结合。最终,通过仿真实验实现了料面形状混杂控制,为高炉实际装料过程提供了理论依据。     

基于料面温度场的高炉煤气流分布识别方法

针对高炉内部环境复杂,煤气流分布实时检测困难的问题,本文提出了一种基于料面温度场的高炉煤气流分布的识别方法。首先,充分利用高炉生产过程检测信息建立料面温度场。其次,对高炉中心和边缘煤气流发展水平进行提取,采用模糊C-均值聚类方法对高炉煤气流分布模式进行识别。实验证明：该方法能有效反映高炉煤气流分布状态,有利于指导高炉的布料操作。     

基于分层递阶融合算法的高炉料面煤气流分布软测量方法

高炉能否稳顺、高产和低耗运行与煤气流的分布密切相关, 本文针对料面煤气流分布难以直接检测的问题, 提出了一种基于多源信息分层递阶融合的高炉料面煤气流分布软测量方法. 首先, 将多源信息配准为同一时间和空间的尺度; 然后, 采用数据级融合分别建立能够反映煤气径向和轴向分布的高炉料面温度场模型和高炉布料模型; 最后, 利用模糊决策级融合算法计算出高炉料面煤气流分布状态. 现场数据仿真表明本文的检测方法有效, 能够准确地反映高炉料面的煤气流分布状态, 为高炉操作提供必要的指导.     

基于CR下界无偏能量估计的高炉料面点云锐化成像

高炉雷达获取的料面信息是钢铁冶炼中布料控制的重要参数.但高炉内部环境复杂, 料面具有非均匀流态化特性, 传统信号处理方法难以准确稳定提取料面有效信息, 会导致高炉布料误操作.本文借鉴遥感SAR雷达成像原理, 设计了工业SAR扫描式雷达, 多倍增加料面采样点密度, 提出一种新的料面点云锐化成像算法. 分析了高炉雷达料面回波信号干扰信号特征, 从图像处理角度, 设计多级滤波器对2D频谱图进行去噪处理分离出一条带状的料面回波信号区域. 对料面距离估计问题, 基于克拉美罗下界(Cramer-Rao lower bound, CRLB)提出一种先加权采样锐化料带峰脊再利用能量重心法估测料面距离频率的方法, 生成3D料面点云模型, 并利用CRLB评价本文算法性能.在恶劣条件下, 实测高炉雷达料面回波信号的点云成像验证显示, 本文方法优于传统寻峰法, 能有效处理低信噪比信号, 准确提取料面有效信息.同时料面距离频率估计精度更高, 且相较于其他方法频率估计误差更接近CRLB下界.     

基于OpenGL的高炉布料三维仿真技术的研究

在高炉炼铁工艺中,实时掌握高炉炉顶料面的形状对整个炼铁生产有着举足轻重的作用。本文在建立了高炉炉顶布料数学模型的基础上,引入了基于OpenGL技术的三维粒子系统和数字高程模型地形生成方法来模拟布料过程中的料流轨迹和炉顶料面形状,并获得了较好的效果。     

高炉布料设定值优化控制

高炉炼铁是钢铁生产中的重要能耗因素.为了实现生产的节能降耗,布料策略显得极为重要.本文针对某钢铁厂高炉的无料钟布料系统,基于现场采集的数据,建立了以铁水质量和经济效益为变量的指标效益评价函数,给出了最优设定料面的推理机制.针对不同运行环境,建立不同的料面优化设定值,构成多模型集合.当工况环境发生大的变化时,采用切换机制,对比多模型集合,选择最优料面设定值,并在此基础上对布料进行自适应控制,计算布料矩阵,提高布料过程的快速性和准确性.最后对整个高炉动态优化控制系统做了总体分析,基于现场数据,对高炉布料模型进行了仿真和验证.     

三维网格模型增量式聚类检索

针对大规模三维网格模型库中的形状检索问题,提出了基于增量式聚类的三维形状描述和检索方法。首先根据三维模型的曲率分布直方图提取特征点得到特征向量;然后根据特征向量描述建立模型库的关键词词典;在特征 匹配阶段基于增量聚类方法判断目标模型的特征向量是否属于某一个关键词,并根据增量聚类的结果更新检索关键词词典;最后匹配特征向量检索模型库中与目标模型形状相同和相近的三维网格模型。相关实验结果证明了该方法快速有效,具有较高的准确性。     

利用稀疏自编码的局部谱聚类映射算法

传统谱聚类算法直接对原始数据建立高斯核邻接矩阵后再对数据进行聚类,并未考虑数据的深层次特征以及数据的邻域流形结构,并且仅进行单一聚类,针对以上三点不足,提出了利用稀疏自编码的局部谱聚类映射算法(LSCMS),通过对数据进行预处理,利用稀疏自编码提取能反映原始数据本质的深层次特征,并以此替代原始数据;对每个数据利用其邻域进行线性重构,以重构权值代替高斯核函数建立邻接矩阵.LSCMS在聚类同时将数据映射到聚类指标上进而协调聚类指标.在UCI数据集、手写数据集、人脸数据集上的实验结果表明:算法优于现有的聚类算法.     

高炉料面的分类与案例匹配算法

本文基于改进的k-means算法及分级案例库匹配技术提出一种研究高炉料面和煤气流关系的方法.为了获取煤气流分布情况,首先提出了改进的基于新型有效性指标评价的k-means算法,并将该算法与其它多种算法进行比较,证明了该方法的高效性和准确性.继而在此基础上提出了案例库匹配技术,从而获得与当前料面最为匹配的历史料面.最后,将匹配算法与改进的灰色相似性匹配算法和欧式近邻匹配算法进行比较.结果表明,分级匹配算法具有更高的分辨率和效率.在多次试验中匹配准确率高达92.5%,比其他几种算法更加准确,更适合研究料面与煤气流关系,指导布料操作.     

基于分数阶的多向微分算子的高炉料面轮廓自适应检测

高炉料面图像含有丰富的高炉炉况信息,高炉料面轮廓能直接反映料面的凹凸起伏、煤气流分布以及炉况等信息,但高炉料面图像具有对比度低、细节不明显和有强亮斑等特点,使得高炉料面轮廓检测十分困难.本文提出一种新型的高炉料面轮廓检测方法:1）对高炉料面图像进行预处理,增强图像动态范围和图像边缘信息;2）采用分数阶的多向微分算子提取一组料面轮廓可行域;3）用自适应方法确定最佳分数阶阶次,获得可行域中最优的料面轮廓曲线;4）用改进的Canny算子对其进行修正和补偿,得到连续准确的料面轮廓曲线.理论研究和实验结果表明,该方法可准确获取平滑的高炉料面轮廓,对高炉操作人员及时有效调控布料具有很好的参考价值.     

基于信息融合的高炉料面分布模型与应用

针对高炉炉内料面的分布特征，分析了对料面特征有影响的各种因素．通过对各类影响料面分布的测量参数的信息融合获取料面特征，建立了高炉料面分布模型．在某钢铁企业的2200m3高炉中得到了实际应用，实现了对高炉炉内料面分布的在线监测．     

基于注意力的高炉流态化料面多尺度检测算法

针对高炉料面图像经常发生多物理形态周期转变导致料线追踪精度下降问题, 研究了一种基于注意力的多尺度卷积核流态化料面检测算法(MKAD). 构建了雷达数据集–灰度图像–料形可视化的一类特征提取框架, 在卷积层采用通道和空间双注意力机制, 获得不同尺度的精细化颗粒流态化特征; 使用多尺度卷积核自适应方法提取 并融合喷涌料面多尺度颗粒物特征, 实现跨通道特征融合. 在南钢3#高炉和武钢7#高炉进行了实验和综合评估, 精确率分别可达83.01% 和86.50%, 与峰脊锐化方法相比, 分别实现了1.41%和4.9%的性能提升, 上述融合特征提取框架显著增强了料面检测的鲁棒性.     

基于数据驱动的高炉料面优化决策模型研究

高炉炼铁是一个典型的高能耗、高排放、高污染的工业环节.合理的炉料分布能够形成更加合理的煤气流分布,使得炉内的化学反应更加充分,对高炉长期稳顺运行和节能减排具有重要作用.本文针对基于经验的料面形状决策不能根据炉况变化做出准确和及时的调控的缺陷,提出了基于数据驱动的高炉料面形状优化决策模型.首先,基于现场采集的数据,在考虑高炉生产实际情况约束和变量上下限约束的情况下,建立了以煤气利用率为评价函数的料面优化模型.然后,为了提高模型的精度和决策性能,提出了一种误差补偿超限学习机(extreme learning machine,ELM)方法用于建立料面优化过程模型,以减少模型与实际生产过程之间的误差.在此基础上,采用带有约束条件的自适应粒子群算法对模型进行求解.最后,通过仿真实验验证了所建模型和优化方法的有效性,实验结果表明所构建的高炉料面优化决策模型能够及时根据生产情况的变化给出合理的料面形状,满足现场生产的需求,使高炉高效稳定运行.     

基于专家评估和信息融合的高炉料面温度场智能建模

高炉料面温度分布对于高炉操作有着重要的指导意义.本文针对高炉目前无法准确全面了解料面温度分布的情况,挖掘现场已有数据,依据可信度理论,建立红外图像可信度评估的专家规则;根据评估结果,分别采用依靠红外图像的机理模型信息融合方法和不依靠红外图像的神经网络信息融合方法,建立基于专家评估和多源信息的高炉料面温度场模型.在某钢铁企业2 200 m3高炉应用结果表明,该模型可以更为准确,直观地反映料面温度分布,实现了对料面温度分布的实时检测,为复杂冶金过程控制和监控提供了有效的解决方法.     

无料钟高炉布料模型的研究与应用

针对高炉炉内料面的分布特征．通过分析和考虑无料钟高炉布料的影响因素及其特点，结合数学知识和计算机技术，建立了无料钟高炉布料模型。该模型在某钢铁企业的450m^3小型高炉中得到了实际应用，实现了无料钟高炉布料过程的实时监视，指导操作工对炉料分布进行合理调整，从而提高了料柱的透气性指数．降低了焦比，改善了高炉冶炼状况。这对实时了解高炉炉内料面的分布情况，指导高炉的优化操作具有十分重要的意义。