[发明专利]基于多工况模式辨识的烧结过程碳效在线预测方法及设备

说明书

本发明提供了基于多工况模式辨识的烧结过程碳效在线预测方法及设备，利用综合焦比作为衡量烧结过程碳效的指标；根据烧结机理分析和数据相关性分析，确定影响烧结碳效的关键烧结参数：台车速度、料层厚度、BTP、BTP温度、风箱负压、垂直燃烧速度以及与碳效指标相关性最高的3个风箱的温度；使用近邻传播聚类算法自动辨识烧结过程多种工况模式，在不同工况模式下建立基于混合核的最小二乘向量机的烧结过程碳效预测模型；根据实际生产数据与不同工况模式下的范例数据点的马氏距离调用哪一工况模式下的预测模型来实现碳效的在线预测。本发明的效果是：为提高烧结过程碳利用率奠定了基础，为实现钢铁工业绿色制造和智能制造提供一种行之有效的方法。

技术领域

本发明涉及钢铁烧结过程生产节能降耗领域，尤其涉及基于多工况模式辨识的烧结过程碳效在线预测方法。

背景技术

当前资源和环境问题对实现全球可持续发展的约束日益凸显，在这样的背景下，各国都积极追求“绿色”、“低碳”、“可持续发展”。绿色制造与智能制造在其中占据了最引人注目的地位，成为了各国实现传统制造业振兴、产业再平衡等理念的发力点。工业作为国家发展的命脉，一直受到我国的高度关注。钢铁工业是国民经济的基础产业，是是现代社会生产和扩大再生产的物质基础，是国家经济水平和综合国力的重要标志。另外，钢铁工业还呈现出高能耗和高污染的特点。面对当前环境污染日益严重和资源短缺的现象，钢铁工业亟需承担起节能降耗，绿色制造和智能制造的重任。

烧结过程作为钢铁工业一个至关重要的过程，该过程生产的烧结矿不仅仅直接影响高炉炼铁生产的产量和质量，还会对高炉炼铁能够获得良好经济技术指标和技术进步产生至关重要的作用。另外，烧结过程也是仅次于高炉炼铁过程外最大的耗能环节，其能耗约占钢铁工业总能耗的10％-20％。其中，烧结过程能源消耗主要包括：焦粉燃料消耗约为80％，电能消耗约为14％，燃气消耗约为6％。由此可见，为了提高烧结过程的能源利用率，实现绿色制造与智能制造，则需要实现该过程碳效的在线预测，这也是提高钢铁工业能源利用率，减少污染排放量，实现绿色制造与智能制造的关键。

发明内容

为了解决上述问题，本发明提供了基于多工况模式辨识的烧结过程碳效在线预测方法及设备，该烧结过程碳效在线预测方法及设备考虑了烧结过程的复杂特性，根据烧结过程实际运行数据的特性，使用近邻传播聚类算法对烧结过程多种工况模式进行自动辨识，再运用基于混合核的最小二乘向量机建模方法建立不同工况模式下的预测模型，来实现烧结过程碳效准确的在线预测，对降低烧结过程生产成本和提高烧结过程碳利用率具有重要工程应用价值，进而为实现钢铁工业绿色制造和智能制造提供一种行之有效的解决方案。该烧结过程碳效在线预测方法主要包括以下步骤：

S1：以综合焦比作为衡量烧结过程的碳效指标，根据烧结机理分析和数据相关性分析确定影响碳效的关键烧结参数；影响碳效的所述关键烧结参数包括：台车速度、料层厚度、烧结终点位置、烧结终点温度、风箱负压、垂直燃烧速度以及与碳效指标相关性最高的3个风箱的温度；所述关键烧结参数在不同工况模式下具有不同特性；

S2：获取若干样本数据点，每个样本数据点对应一组历史关键烧结参数数据，对所述若干样本数据点进行时序配准和平均值滤波处理后，再采用近邻传播聚类算法进行聚类处理，最终得到C个范例数据点和C种聚类，一种聚类对应一个范例数据点；一种聚类对应一种工况模式，实现了自动辨识烧结过程多种工况模式；C为大于0的正整数；范例数据点来源于样本数据点；

S3：运用基于混合核的最小二乘向量机建模方法建立不同工况模式下的碳效预测模型，所述碳效预测模型的输入变量为所述关键烧结参数，输出变量为碳效指标；

S4：分别计算获取的实际关键烧结参数数据与C个范例数据点之间的马氏距离，调用最小马氏距离对应的工况模式下的所述碳效预测模型，将所述实际关键烧结参数数据输入到该碳效预测模型中，进行碳效的在线预测。

进一步地，所述的综合焦比的计算公式为：