基于神经网络的环冷机温度控制方法及系统技术方案

本发明专利技术实公开了一种基于神经网络的环冷机温度控制方法及系统，该方法首先通过设置在环冷机各个温区的温度检测装置，分别获取各个温区的当前检测温度；然后将各个温区的当前检测温度输入预先训练好的神经网络模型中，得到各个温区的预测温度，即考虑各温区内温度之间相互耦合和其它干扰因子影响后得到的各个温区的温度。最后，将各个温区的预测温度与其温区对应的温度阈值度进行比较，并对超出其温度阈值的温区对应的鼓风机输出风量进行调节，从而实现对各温区内温度的调节。本发明专利技术实施例，通过对环冷机中多区域温度进行监控，并利用神经网络模型能有效解耦控制，实现环冷机中各温区温度的平稳控制。

【技术实现步骤摘要】
基于神经网络的环冷机温度控制方法及系统
本专利技术涉及钢铁冶炼领域，尤其涉及一种基于神经网络的环冷机温度控制方法及系统。
技术介绍
在钢铁生产中，含铁原料矿石在进入高炉冶炼之前需经烧结机进行烧结处理。烧结系机烧结得到的烧结矿经环冷机冷却后，再经胶带机运至烧结矿筛分系统进行筛分、整粒等处理。图1是一种烧结系统的基本结构示意图。利用该烧结系统，存储在原料矿仓中的原料通过配料秤配料后送入混合机，原料通过混合机加水、混合后进入混合料槽。混合料通过圆辊给料机将混匀的料均匀布置到烧结机上，再通过烧结机的点火烧结，得到高温烧结矿。烧结矿通过单辊破碎后，通过料溜槽送入到环冷机中进行烧结矿冷却。冷却后的烧结矿，依次经过板式给矿机和胶带机送入筛分机，筛分后的烧结矿最后被送入成品矿仓或直接送入高炉。图2是一种环冷机的基本结构示意图。如图2所示，该环冷机的主体由若干个扇形台车组成，形成一个首尾相接的环。烧结矿被布设在台车的篦板上，台车围绕环冷机的中心匀速转动。同时，鼓风机10吹入的冷风通过相应风箱20从下向上穿过篦板进入台车，与篦板上的烧结矿进行充分热交换后，作为热烟气从排烟道排出。由于烧结矿的冷却效果会影响到接下来烧结矿的整粒效果、后端设备的使用寿命等，因此，环冷机料温的有效控制对烧结生产具有十分重要的意义。然而，相关技术中并没有对环冷机料温进行控制的方法，只有在环冷机的下游设备板式给矿机处设置料面温度检测装置。如果该温度检测装置检测出料面温度过高时，则对板式给矿机出口处的烧结矿进行喷水联锁保护。该联锁保护方法，虽然能起到降温的作用，但是加了水的烧结矿透气性会变差，不利于之后的高炉生产。并且，一旦上述料面温度检测装置检测出现问题，还会造成胶带机因高温燃烧等安全问题。
技术实现思路
本专利技术提供了一种基于神经网络的环冷机温度控制方法及系统，以提高环冷机对烧结矿的冷却效果，并最大限度的保证系统安全平稳运行。根据本专利技术实施例的第一方面，提供了一种基于神经网络的环冷机温度控制方法，该方法包括：利用设置在环冷机各个温区的温度检测装置，分别获取所述各个温区的当前检测温度；将所述各个温区的当前检测温度输入预先训练好的神经网络模型中，输出所述各个温区温度耦合后的预测温度；分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度；如果至少有一个温区的预测温度超出其温区对应的温度阈值时，则分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节。可选地，利用设置在环冷机各个温区的温度检测装置，分别获取所述各个温区的当前检测温度，包括：根据环冷机烟气或料面温度范围，将所述环冷机划分为至少一个高温区和至少一个低温区；利用设置在所述至少一个高温区和至少一个低温区中的温度检测装置，分别获取所述至少一个高温区的烟气或料面检测温度和所述至少一个低温区的烟气或料面检测温度。可选地，所述环冷机各个温区的划分方法包括：将所述环冷机中同一个鼓风机对应风箱所在的位置划分为一个温区。可选地，所述神经网络模型的训练方法包括：分别将所述各个温区对应的鼓风机输出风量设定为不同的值，获取不同输出风量对应的所述各个温区的理想温度、以及与所述理想温度对应的耦合温度；将所述各个温区的理想温度和耦合温度分为样本集数据和验证集数据；将所述样本集数据中的理想温度和耦合温度分别作为输入变量和输出变量对神经网络进行训练，得到训练后的神经网络模型；将所述验证集数据中的理想温度输入到所述训练后的神经网络模型中，得到实际输出温度；分别判断所述验证集数据中理想温度对应的耦合温度与实际输出温度之间的差值是否小于预设误差值；如果小于预设误差值，则将训练后的神经网络模型作为最终的神经网络模型。可选地，分别将所述各个温区对应的鼓风机输出风量设定为不同的值，包括：按照预设调整次序，依次将所述各个温区对应的鼓风机的频率或风门按照从小到大和从大到小的方向进行调整，其中，在对所述环冷机中一个鼓风机的频率或风门进行调整时，其它鼓风机输出风量保持不变。可选地，所述神经网络模型包括BP神经网络模型，所述BP神经网络模型中的连接函数包括非线性变换函数中的logsig函数和线性变换中的purelin函数。可选地，分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度，包括：如果所述环冷机的温区为高温区，则判断各个所述高温区的预测温度是否超出其对应温区的第一温度阈值；如果所述环冷机的温区为低温区，则判断各个所述低温区的预测温度是否超出其对应温区的第二温度阈值；如果各个所述低温区中至少一个低温区的预测温度超出其对应温区的第二温度阈值，则判断超出所述第二温度阈值的低温区的预测温度是否超出其对应温区的第三温度阈值，其中，第三温度阈值的温度值大于第二温度阈值的温度值。可选地，分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节，包括：根据超出其温度阈值的温区的预测温度和对应的预设控制策略，对所述超出其温度阈值的温区对应的鼓风机输出风量进行比例积分微分PID调节或对所述环冷风机进行联锁处置。根据本专利技术实施例的第二方面，提供了一种基于神经网络的环冷机温度控制系统，该系统包括：温度检测装置：分别设置在所述环冷机各个温区中，用于获取所述各个温区的当前检测温度；温度预测装置：分别与所述温度检测装置连接，用于将所述各个温区的当前检测温度输入预先训练好的神经网络模型中，输出所述各个温区温度耦合后的预测温度；温度控制装置：与所述温度预测装置连接，用于分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度，以及，如果至少有一个温区的预测温度超出其温区对应的温度阈值时，则分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节。可选地，所述系统还包括：联锁温度检测装置：设置在板式给矿机的出口处，用于检测所述板式给矿机出口处的料面温度。所述温度控制装置：还与所述联锁温度检测装置连接，用于判断所述板式给矿机出口处的料面温度是否超出联锁控制温度阈值，以及，如果超出联锁控制温度阈值，则对所述环冷机进行联锁处置。由以上技术方案可见，本专利技术实施例提供的一种基于神经网络的环冷机温度控制方法及系统，首先，通过设置在环冷机各个温区的温度检测装置，分别获取各个温区的当前检测温度；然后，将各个温区的当前检测温度输入预先训练好的神经网络模型中，得到各个温区的预测温度，即考虑各温区内温度之间相互耦合和其它干扰因子影响后得到的各个温区的温度。最后，将各个温区的预测温度与其温区对应的温度阈值度进行比较，并对超出其温度阈值的温区对应的鼓风机输出风量进行调节，从而实现对各温区内温度的调节。本专利技术实施例，通过对环冷机中多区域温度进行监控，并预先训练好的神经网络模型能有效解耦控制，实现对对环冷机中各温区温度的平稳控制，不仅克服了烧结矿温度控制大滞后的问题，还最大限度保证烧结系统安全平稳运行。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为现有技术中一种烧结系统的基本结构示意图；图2为现有技术中一种环冷机的基本结构示意图；图3为本专利技术实施例提供本文档来自技高网...

【技术保护点】
1.一种基于神经网络的环冷机温度控制方法，其特征在于，所述方法包括：利用设置在环冷机各个温区的温度检测装置，分别获取所述各个温区的当前检测温度；将所述各个温区的当前检测温度输入预先训练好的神经网络模型中，输出所述各个温区温度耦合后的预测温度；分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度；如果至少有一个温区的预测温度超出其温区对应的温度阈值时，则分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节。

【技术特征摘要】
1.一种基于神经网络的环冷机温度控制方法，其特征在于，所述方法包括：利用设置在环冷机各个温区的温度检测装置，分别获取所述各个温区的当前检测温度；将所述各个温区的当前检测温度输入预先训练好的神经网络模型中，输出所述各个温区温度耦合后的预测温度；分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度；如果至少有一个温区的预测温度超出其温区对应的温度阈值时，则分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节。2.根据权利要求1所述的方法，其特征在于，利用设置在环冷机各个温区的温度检测装置，分别获取所述各个温区的当前检测温度，包括：根据环冷机烟气或料面温度范围，将所述环冷机划分为至少一个高温区和至少一个低温区；利用设置在所述至少一个高温区和至少一个低温区中的温度检测装置，分别获取所述至少一个高温区的烟气或料面检测温度、以及所述至少一个低温区的烟气或料面检测温度。3.根据权利要求1所述的方法，其特征在于，所述环冷机各个温区的划分方法包括：将所述环冷机中同一个鼓风机对应风箱所在的位置划分为一个温区。4.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练方法包括：分别将所述各个温区对应的鼓风机输出风量设定为不同的值，获取不同输出风量对应的所述各个温区的理想温度、以及与所述理想温度对应的耦合温度；将所述各个温区的理想温度和耦合温度分为样本集数据和验证集数据；将所述样本集数据中的理想温度和耦合温度分别作为输入变量和输出变量对神经网络进行训练，得到训练后的神经网络模型；将所述验证集数据中的理想温度输入到所述训练后的神经网络模型中，得到实际输出温度；分别判断所述验证集数据中理想温度对应的耦合温度与实际输出温度之间的差值是否小于预设误差值；如果小于预设误差值，则将训练后的神经网络模型作为最终的神经网络模型。5.根据权利要求4所述的方法，其特征在于，分别将所述各个温区对应的鼓风机输出风量设定为不同的值，包括：按照预设调整次序，依次将所述各个温区对应的鼓风机的频率或风门按照从小到大和从大到小的方向进行调整，其中，在对所述环冷机中一个鼓风机的频率或风门进行调整时，其它鼓风机输...

【专利技术属性】
技术研发人员：李晨曦，王付其，秦愿，
申请(专利权)人：中冶长天国际工程有限责任公司，湖南长天自控工程有限公司，
类型：发明
国别省市：湖南,43