一种整合数据驱动模型和机理模型的方法,用于预测和优化焦炉加热烟道的温度
《IEEE/CAA Journal of Automatica Sinica》:An Approach Integrating Data-Driven and Mechanistic Models for Predicting and Optimizing Heating Flue Temperature of Coke Ovens
【字体:
大
中
小
】
时间:2026年05月06日
来源:IEEE/CAA Journal of Automatica Sinica 19.2
编辑推荐:
摘要:作为钢铁工业焦炉最重要的参数之一,加热烟道温度在保证最终产品质量方面起着关键作用。然而,由于加热烟道温度受到多种复杂因素的影响,如非线性、时间延迟以及与加热燃料(尤其是高炉煤气BFG)的耦合关系,这给温度预测和优化带来了挑战。因此,本研究提出了一种结合数据机制和系统化方法的
摘要:
作为钢铁工业焦炉最重要的参数之一,加热烟道温度在保证最终产品质量方面起着关键作用。然而,由于加热烟道温度受到多种复杂因素的影响,如非线性、时间延迟以及与加热燃料(尤其是高炉煤气BFG)的耦合关系,这给温度预测和优化带来了挑战。因此,本研究提出了一种结合数据机制和系统化方法的方法,同时考虑了焦炉的内部和外部影响因素。为了提供可靠的数据集,首先设计了一种基于密度的空间聚类算法(DBSCAN)与异常值检测算法相结合的预处理方法,以适应实际数据的特点。接下来,充分考虑烟道温度数据的周期性和趋势特征,构建了一个基于神经网络(NN)的多通道预测模型用于温度预测。为了建立动态而非静态的约束条件,提出了一种基于可控区域评估的方法来进行后续的温度优化。最后,通过设计合理的模糊推理方法结合群体智能和进化算法来确定优化参数。基于实际数据,仿真结果表明所提出的系统化方法优于其他部分应用的方法,从而彰显了其在钢铁工业焦炉运行优化中的积极作用。
引言
钢铁工业中的焦炭生产涉及多个耦合单元和复杂的化学物理反应[1]。焦炉是这一缓慢热解过程中的关键热设备和主要能量消耗设备[2]。因此,如何节约能源、提高焦炭产量和质量成为相关研究和应用领域关注的重点[3]。在焦炉中需要优化的众多参数中,最基本的加热单元——加热烟道的温度直接关系到最终产品的质量[4],[5],现有文献中也相关报道了一些研究。例如,[6]开发了一个基于计算流体动力学(CFD)的模型来预测焦炉温度、过程中的挥发物流量以及产生的焦炉煤气(COG)的成分。参考文献[7]建立了一个考虑炉体与燃烧过程之间相互作用的动态模型,以获取有关焦炉加热的重要热参数。这类模型通常采用数值模拟方法,能够详细展示工艺过程。然而,由于计算时间较长(通常需要数小时、数天甚至数周),因此这些模型主要用于设备的离线设计,而非在线控制或优化。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号