[发明专利]反应炉的控制方法、装置、介质与电子设备

权利要求书

1.一种反应炉的控制方法，其特征在于，包括：

根据所述反应炉的输入电能、入料热量、损失热量确定物料的反应热量；

根据所述反应热量确定所述反应炉内的反应产物量；

确定所述反应产物量中的渣料比例以确定出渣量和/或出料量；

根据所述出渣量控制所述反应炉的排渣进程，和/或根据所述出料量控制所述反应炉的排料进程。

2.根据权利要求1所述的反应炉的控制方法，其特征在于，根据所述反应炉的输入电能、入料热量、损失热量确定物料的反应热量包括：

确定所述反应炉的输入电能；

和/或，根据所述反应炉的物料的入料量、入料温度和热量参数确定所述入料热量；

和/或，根据所述反应炉的结构确定所述损失热量；

根据所述反应炉的输入电能、所述反应炉的入料热量和所述损失热量确定所述物料的反应热量。

3.根据权利要求1所述的反应炉的控制方法，其特征在于，根据所述反应热量确定所述反应炉内的反应产物量包括：

确定所述反应炉内的反应产物的反应参数；

根据所述反应热量和所述反应参数确定所述反应产物量。

4.根据权利要求1所述的反应炉的控制方法，其特征在于，还包括：

确定用于对神经网络模型进行训练的输入电能样本和入料热量样本；

确定所述反应炉的损失热量样本；

根据所述反应炉的出炉历史记录确定出渣量样本和/或出料量样本；

以所述入料热量样本、所述输入电能样本和所述损失热量样本作为所述神经网络模型的输入样本，以所述出渣量样本和/或所述出料量样本作为所述神经网络模型的输出结果，对所述神经网络模型进行训练。

5.根据权利要求4所述的反应炉的控制方法，其特征在于，所述神经网络模型包括第一子模型，以所述入料热量样本、所述输入电能样本和所述损失热量样本作为所述神经网络模型的输入样本，以所述出渣量样本和/或所述出料量样本作为所述神经网络模型的输出结果，对所述神经网络模型进行训练包括：

将所述入料热量样本和所述输入电能样本绑定为第一样本；

以所述第一样本和所述损失热量样本作为所述第一子模型的输入样本，以所述出渣量样本和/或所述出料量样本作为所述第一子模型的输出结果，对所述神经网络模型进行训练。

6.根据权利要求4所述的反应炉的控制方法，其特征在于，所述神经网络模型包括第二子模型，以所述入料热量样本、所述输入电能样本和所述损失热量样本作为所述神经网络模型的输入样本，以所述出渣量样本和/或所述出料量样本作为所述神经网络模型的输出结果，对所述神经网络模型进行训练还包括：

将所述入料热量样本和所述损失热量样本绑定为第二样本；

以所述第二样本和所述输入电能样本作为所述第二子模型的输入样本，以所述出渣量样本和/或所述出料量样本作为所述第二子模型的输出结果，对所述神经网络模型进行训练。

7.根据权利要求4所述的反应炉的控制方法，其特征在于，所述神经网络模型包括第三子模型，以所述入料热量样本、所述输入电能样本和所述损失热量样本作为所述神经网络模型的输入样本，以所述出渣量样本和/或所述出料量样本作为所述神经网络模型的输出结果，对所述神经网络模型进行训练还包括：

将所述损失热量样本和所述输入电能样本绑定为第三样本；

以所述第三样本和所述入料热量样本作为所述第三子模型的输入样本，以所述出渣量样本和/或所述出料量样本作为所述第三子模型的输出结果，对所述神经网络模型进行训练。

8.根据权利要求1至7中任意一项所述的反应炉的控制方法，其特征在于，根据所述出渣量控制所述反应炉的排渣进程，和/或根据所述出料量控制所述反应炉的排料进程包括：

根据所述反应炉的炉膛截面积、出渣密度和所述出渣量确定预测熔层高度；

和/或，根据所述反应炉的炉膛截面积、出料密度和所述出料量确定所述预测熔层高度；

若所述预测熔层高度满足排放条件，则排放所述反应炉内的出料和/或出渣。