[发明专利]一种基于双模型协同预测的烧结混合加水控制方法

说明书

本发明涉及烧结混合加水控制技术领域，提供一种基于双模型协同预测的烧结混合加水控制方法。首先采集烧结混合加水过程的历史数据，构成历史数据集；然后，对历史数据集进行预处理；接着将各原料下料量作为输入、加水量作为输出，构建并训练基于卷积神经网络的加水量回归预测模型；然后将各原料下料量及加水量作为输入、混合料水分含量对应的水分含量类别作为输出，构建并训练基于卷积神经网络的水分含量分类预测模型；最后基于双模型协同预测进行加水量控制：实时预测本次加水量和本次水分含量类别，根据本次水分含量类别预测值调节下一次加水量。本发明能够提高加水量预测和控制的准确性，使得混合料水分含量稳定在最佳范围且预测控制效率高。

技术领域

本发明涉及烧结混合加水控制技术领域，特别是涉及一种基于双模型协同预测的烧结混合加水控制方法。

背景技术

烧结工艺是钢铁生产的一道重要工序，对钢铁的生产质量有着很重要的影响。烧结工艺的最终目的是为高炉生产提供符合工艺要求的烧结矿。目前，大部分烧结厂通过采用烧结混合工艺将含铁矿粉、各种熔剂、燃料等粉粒状物料加水混合，然后在烧结机上点火燃烧，由一系列的物理化学反应生成具有透气性良好的块状产品。

混合过程的加水量是烧结混合过程关键的控制参数，一般对加水量控制的目标是保持混合料中的水分稳定在一个利于烧结的值，普遍认为混合料水分含量为7％左右时是最佳值，波动范围不能太大，通常为±0.5％以内。混合料水分含量不仅对抽风烧结过程具有重要影响，而且是烧结矿化学和物理性能的关键影响因素，当混合料含水量过低时，混合料的造粒指数会变差，混合料的透气性和导热性也会变差；当混合料的含水量过高时，混合料将非常潮湿，这将阻碍混合料的流动，透气性会更差。在这两种情况下，烧结矿的质量都不能满足我们的要求。

对于加水控制而言，由于其具有较大的滞后性，所以大部分工厂还都采用人工前馈加水的方式，工人根据具体的下料量估计出加水量。为了减少其大滞后的影响，现有技术中多采用前馈预测控制对加水量进行预测控制。然而，现有的前馈预测控制加水量的方法，一方面前馈预测的准确性不高，另一方面未对前馈预测进行修正，导致使用得到的加水量预测值控制加水量后混合料水分含量不能满足工艺要求，且预测控制的效率低下。

发明内容

针对现有技术存在的问题，本发明提供一种基于双模型协同预测的烧结混合加水控制方法，能够提高加水量预测和控制的准确性，使得混合料水分含量稳定在最佳范围，且预测控制效率高。

本发明的技术方案为：

一种基于双模型协同预测的烧结混合加水控制方法，其特征在于，包括下述步骤：

步骤1：采集烧结混合加水过程的历史数据，构成历史数据集；所述历史数据包括下料过程的各原料下料量、混料过程的加水量、混合完成后的混合料水分含量；

步骤2：对历史数据集进行预处理；

步骤3：构建并训练加水量回归预测模型：

步骤3.1：将各原料下料量作为输入、加水量作为输出，构建基于卷积神经网络的加水量回归预测模型；

步骤3.2：选取历史数据集中各原料下料量、加水量的历史数据构成第一训练集，对加水量回归预测模型进行训练；

步骤4：构建并训练水分含量分类预测模型：

步骤4.1：构建混合料水分含量的历史数据集A到水分含量类别集B的映射f:A→B，得到混合料水分含量x∈A对应的水分含量类别为y＝f(x)；

步骤4.2：将各原料下料量及加水量作为输入、混合料水分含量对应的水分含量类别作为输出，构建基于卷积神经网络的水分含量分类预测模型；

步骤4.3：选取历史数据集中各原料下料量、加水量、混合料水分含量的历史数据并计算混合料水分含量对应的水分含量类别，构成第二训练集，对水分含量分类预测模型进行训练；