CN110283986A - 一种基于机器学习的三段连续步进式加热炉优化节能方法 - Google Patents
一种基于机器学习的三段连续步进式加热炉优化节能方法 Download PDFInfo
- Publication number
- CN110283986A CN110283986A CN201910526161.7A CN201910526161A CN110283986A CN 110283986 A CN110283986 A CN 110283986A CN 201910526161 A CN201910526161 A CN 201910526161A CN 110283986 A CN110283986 A CN 110283986A
- Authority
- CN
- China
- Prior art keywords
- production
- target
- slab
- temperature
- operation instruction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0205—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips of ferrous alloys
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
- C21D9/70—Furnaces for ingots, i.e. soaking pits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Thermal Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Control Of Heat Treatment Processes (AREA)
- Control Of Metal Rolling (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于机器学习的三段连续步进式加热炉优化节能方法，将时间维度引入操作经验，抽象出加热炉热效率随时间衰减的规则解决了员工经验偏差的问题,所述方法包括：S10：建立生产指导模型；所述生产指导模型包括生产指标和操作指标；S20：学习生产过程，所述生产过程包括板坯从装钢到出钢的全过程，将生产记录转成生产指标‑操作指标‑煤气单耗量这样的关系链；S30：学习每天出炉钢坯的平均热效率；S40：生产指导；获取当前生产的生产指标，在所述生产指导模型中匹配到生产指标相同的历史生产记录，获取对应的操作指标及煤气单耗量。本发明基于人工智能技术，以人工智能方法解决烧钢经验沉淀问题，实现了在线学习、实时应用。
Description
技术领域
本发明涉及生产操作技术领域，尤其涉及一种基于机器学习的三段连续步进式加热炉优化节能方法。
背景技术
在中国大型钢铁企业，热连轧带钢产能占据着主导地位，但作为热连轧带钢厂龙头区域的加热炉则是能量消耗大户，宝钢1580生产线、鞍钢2150、1780生产线、武钢2250生产线均采用了大型的三段连续步进梁式加热炉，虽然它们在烧嘴形式及布置上有所区别，但其能耗仍均占据着产品成本很大的比例，因此这类企业均有降本节能需求。
目前这些大型钢铁企业的加热炉大多采用了比较先进的三级计算机管理，即一级基础自动化系统、二级数学模型自动燃烧控制系统、三级轧制计划及物流系统，但因受原料状况、轧制计划等诸多问题的限制，自动燃烧控制系统并没有充分发挥出其应该起到的节能降耗作用，加热炉的操作仍然较严重依赖技工的经验，新技工需要多年的经验积累才能有效掌控复杂条件下的精准操作来保证加热质量和轧制质量，如何沉淀老工人的操作经验，是企业面临的难题和管理风险。
同时，加热炉修炉后随着使用时间的增加，均热段氧化铁皮逐渐增多，炉内水梁管包扎物破损脱落的增加等因素均使加热炉热效率曾逐渐降低的趋势，一般每季度就需要做一次黑匣实验检测加热炉热效率状态，但因黑匣实验成本较高，企业做黑匣实验意愿低，通常靠技工经验做大致判断调整参数，这也给精准控制加热炉烧钢质量、烧钢速度及节能降耗带来了很大的障碍。因此有必要提出一种高效、低成本的解决沉淀高技能人员操作经验的技术方法，解决优化生产、降低能耗的问题。
发明内容
本发明为解决上述技术问题，提出一种基于机器学习的三段连续步进式加热炉优化节能方法，将时间维度引入操作经验，抽象出加热炉热效率随时间衰减的规则解决了员工经验偏差的问题。
所述方法包括：
S10：建立生产指导模型；所述生产指导模型包括生产指标和操作指标；
所述生产指标包括：板坯的钢种、规格、轧制规格、煤气热值、板坯装炉温度、板坯出炉温度目标值、初轧机最后一道抛钢温度(RDT)；
所述操作指标包括：总在炉时间、预热段在炉时间、加热段在炉时间、加热段温度、均热段温度、空燃比、炉膛压力、加热段煤气流量、均热段煤气流量、根据热值变化的空燃比；
S20：学习生产过程，所述生产过程包括板坯从装钢到出钢的全过程，按所述生产指标在所述生产指导模型中匹配到生产指标相同的历史生产记录，并记录所述生产过程的操作指标及煤气单耗量；如果匹配不到，则成立新的生产指标，并记录所述生产过程的操作指标及煤气单耗量，即将生产记录转成生产指标-操作指标-煤气单耗量这样的关系链，相同的生产指标可能对应多组操作指标及煤气单耗量；
学习过程中，也可以学习上次检修日期、出钢日期、距上次检修日期的日期差等。
S30：学习每天出炉钢坯的平均热效率，热效率定义为“每吨钢每提升1度钢坯温度消耗的煤气量与煤气热值的乘积”；
S40：生产指导；获取当前生产的生产指标，在所述生产指导模型中匹配到生产指标相同的历史生产记录，获取对应的操作指标及煤气单耗量；如果所述的历史生产记录距离当前生产的时间在预设的时间间隔内，则当前生产采用历史生产记录的操作指标；如果所述的历史生产记录距离当前生产的时间在预设的时间间隔外，则根据历史生产记录当天的平均热效率与当前日期的前一天平均热效率之差对所述操作指标进行调整，推荐新的加热段煤气流量；
新的加热段煤气流量＝原加热段煤气流量+煤气流量调整量；
煤气流量调整量＝热效率差/今天煤气热值*钢坯重量*(板坯出炉温度目标值-板坯装炉温度)/加热段在炉时间。
进一步的，所述方法还包括：
S50：优化所述生产指导模型，调整生产指导模型中的板坯出炉温度目标值；
S51：采集当前生产的初轧机的最后一道抛钢温度和板坯出炉温度目标值；
S52：计算抛钢温度差：当前生产的初轧机的最后一道抛钢温度与生产指导模型中匹配到并采用的历史生产记录的初轧机的最后一道抛钢温度之间差值；
计算板坯出炉温度目标值差：当前生产的板坯出炉温度目标值与生产指导模型中匹配到并采用的历史生产记录的板坯出炉温度目标值之间差值；
S53：根据所述抛钢温度差和板坯出炉温度目标值差调整生产指导模型中的板坯出炉温度目标值,单位调整量＝AVG(板坯出炉温度目标值差/抛钢温度差)。
进一步的，所述方法还包括：
S60：所述生产指导模型学习当前生产的生产指标和操作指标。
进一步的，所述生产指标分成一级生产指标和二级生产指标；
所述一级生产指标包括：板坯的钢种、规格，轧制规格，煤气热值；
所述二级生产指标包括：板坯装炉温度、板坯出炉温度目标值、初轧机最后一道抛钢温度。
进一步的，所述S40包括：匹配时，先按一级生产指标和二级生产指标全匹配的方式匹配，如果匹配不到，则降低匹配条件，按一级生产指标全匹配，二级生产指标匹配或相邻匹配。
进一步的，所述S20包括：
S21：同一生产指标对应的操作指标根据煤气单耗从低到高进行排序。
进一步的，所述S20包括：学习生产过程时，剔除轧制质量或加热质量不达标的生产记录。
为满足轧制质量、加热质量等条件，加入以下可配置项作为附加优化条件：
1、各段炉膛温度在指定的上下限内。
2、初轧机的最后一道抛钢温度(RDT)与目标温度偏差不大于30度。
3、煤气热值的下限，低于下限不学习，不给出优化建议。
由上述对本发明的描述可知，和现有技术相比，本发明提出的一种基于机器学习的三段连续步进式加热炉优化节能方法具有如下优点：
1、基于人工智能技术，以板坯规格、轧制规格、煤气热值、板坯装炉温度、板坯出炉温度目标值目标值、初轧机最后一道抛钢温度(RDT)为分类维度，对技工操作经验做分类学习，以人工智能方法解决烧钢经验沉淀问题，实现了在线学习、实时应用；
2、把时间维度加入到机器学习中，利用每天平均热效率，计算不同时间的操作经验在煤气消耗量上的补偿，解决加热炉热效率随时间逐渐变化带来的生产参数调整问题；
3、以初轧机的最后一道抛钢温度(RDT)与目标温度偏差作为调整条件调整出钢温度，达到实时校准模型准确率降低误差。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一：
一种基于机器学习的三段连续步进式加热炉优化节能方法，将时间维度引入操作经验，抽象出加热炉热效率随时间衰减的规则解决了员工经验偏差的问题。
所述方法包括：
S10：建立生产指导模型；所述生产指导模型包括生产指标和操作指标；
所述生产指标包括：板坯的钢种、规格、轧制规格、煤气热值、板坯装炉温度、板坯出炉温度目标值、初轧机最后一道抛钢温度(RDT)；将所述生产指标分成一级生产指标和二级生产指标；其中，所述一级生产指标包括：板坯的钢种、规格，轧制规格，煤气热值；所述二级生产指标包括：板坯装炉温度、板坯出炉温度目标值、初轧机最后一道抛钢温度。
所述操作指标包括：总在炉时间、预热段在炉时间、加热段在炉时间、加热段温度、均热段温度、空燃比、炉膛压力、加热段煤气流量、均热段煤气流量、根据热值变化的空燃比；
S20：学习生产过程，所述生产过程包括板坯从装钢到出钢的全过程，学习前，剔除轧制质量或加热质量不达标的生产记录。
按所述生产指标在所述生产指导模型中匹配到生产指标相同的历史生产记录，并记录所述生产过程的操作指标及煤气单耗量；如果匹配不到，则成立新的生产指标，并记录所述生产过程的操作指标及煤气单耗量，即将生产记录转成生产指标-操作指标-煤气单耗量这样的关系链，相同的生产指标可能对应多组操作指标及煤气单耗量；
学习过程中，也可以学习上次检修日期、出钢日期、距上次检修日期的日期差等。
S21：同一生产指标对应的操作指标根据煤气单耗从低到高进行排序。
S30：学习每天出炉钢坯的平均热效率，热效率定义为“每吨钢每提升1度钢坯温度消耗的煤气量与煤气热值的乘积”，该步骤把时间维度加入到机器学习中，利用每天平均热效率，计算不同时间的操作经验在煤气消耗量上的补偿，解决加热炉热效率随时间逐渐变化带来的生产参数调整问题；
S40：生产指导；获取当前生产的生产指标，在所述生产指导模型中匹配到生产指标相同的历史生产记录，获取对应的操作指标及煤气单耗量；
在匹配过程中，先按一级生产指标和二级生产指标全匹配的方式匹配，如果匹配不到，则降低匹配条件，按一级生产指标全匹配，二级生产指标匹配或相邻匹配；
匹配到后，获得的操作指标及对应的煤气单耗量可能有多组，可选取煤气单耗最低的一组的操作指标作为生产指导，生产前，还需考虑到随着使用时间的增加，炉子热效率呈逐渐降低趋势，如果所述的历史生产记录距离当前生产的时间在预设的时间间隔内，比如十天内，则当前生产采用历史生产记录的操作指标；如果所述的历史生产记录距离当前生产的时间在预设的时间间隔外，如十天外，则根据历史生产记录当天的平均热效率与当前日期的前一天平均热效率之差对所述操作指标进行调整，推荐新的加热段煤气流量，计算公式如下：
新的加热段煤气流量＝原加热段煤气流量+煤气流量调整量；
煤气流量调整量＝热效率差/今天煤气热值*钢坯重量*(板坯出炉温度目标值-板坯装炉温度)/加热段在炉时间。
实施例二：
在实施例一的基础上，本实施例加入了生产指导模型的优化方案。
所述方法还包括：
S50：优化所述生产指导模型，调整生产指导模型中的板坯出炉温度目标值；
S51：采集当前生产的初轧机的最后一道抛钢温度和板坯出炉温度目标值；
S52：计算抛钢温度差：当前生产的初轧机的最后一道抛钢温度与生产指导模型中匹配到并采用的历史生产记录的初轧机的最后一道抛钢温度之间差值；
计算板坯出炉温度目标值差：当前生产的板坯出炉温度目标值与生产指导模型中匹配到并采用的历史生产记录的板坯出炉温度目标值之间差值；
S53：根据所述抛钢温度差和板坯出炉温度目标值差调整生产指导模型中的板坯出炉温度目标值,单位调整量＝AVG(板坯出炉温度目标值差/抛钢温度差)。
由上述对本发明的描述可知，和现有技术相比，本发明提出的一种基于机器学习的三段连续步进式加热炉优化节能方法具有如下优点：
1、基于人工智能技术，以板坯规格、轧制规格、煤气热值、板坯装炉温度、板坯出炉温度目标值目标值、初轧机最后一道抛钢温度(RDT)为分类维度，对技工操作经验做分类学习，以人工智能方法解决烧钢经验沉淀问题，实现了在线学习、实时应用；
2、把时间维度加入到机器学习中，利用每天平均热效率，计算不同时间的操作经验在煤气消耗量上的补偿，解决加热炉热效率随时间逐渐变化带来的生产参数调整问题；
3、以初轧机的最后一道抛钢温度(RDT)与目标温度偏差作为调整条件调整出钢温度，达到实时校准模型准确率降低误差。
上面对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
Claims (7)
1.一种基于机器学习的三段连续步进式加热炉优化节能方法，其特征在于，包括：
S10：建立生产指导模型；所述生产指导模型包括生产指标和操作指标；
所述生产指标包括：板坯的钢种、规格、轧制规格、煤气热值、板坯装炉温度、板坯出炉温度目标值、初轧机最后一道抛钢温度；
所述操作指标包括：总在炉时间、预热段在炉时间、加热段在炉时间、加热段温度、均热段温度、空燃比、炉膛压力、加热段煤气流量、均热段煤气流量、根据热值变化的空燃比；
S20：学习生产过程，所述生产过程包括板坯从装钢到出钢的全过程，按所述生产指标在所述生产指导模型中匹配到生产指标相同的历史生产记录，并记录所述生产过程的操作指标及煤气单耗量，如果匹配不到，则成立新的生产指标，并记录所述生产过程的操作指标及煤气单耗量；
S30：学习每天出炉钢坯的平均热效率；
S40：生产指导；获取当前生产的生产指标，在所述生产指导模型中匹配到生产指标相同的历史生产记录，获取对应的操作指标及煤气单耗量；如果所述的历史生产记录距离当前生产的时间在预设的时间间隔内，则当前生产采用历史生产记录的操作指标；如果所述的历史生产记录距离当前生产的时间超过预设的时间间隔，则根据历史生产记录当天的平均热效率与当前日期的前一天平均热效率之差对所述操作指标进行调整，推荐新的加热段煤气流量；
新的加热段煤气流量＝原加热段煤气流量+煤气流量调整量；
煤气流量调整量＝平均热效率差/今天煤气热值*钢坯重量*(板坯出炉温度目标值-板坯装炉温度)/加热段在炉时间。
2.根据权利要求1所述的一种基于机器学习的三段连续步进式加热炉优化节能方法，其特征在于，包括：
S50：优化所述生产指导模型，调整生产指导模型中的板坯出炉温度目标值；
S51：采集当前生产的初轧机的最后一道抛钢温度和板坯出炉温度目标值；
S52：计算抛钢温度差：当前生产的初轧机的最后一道抛钢温度与生产指导模型中匹配到并采用的历史生产记录的初轧机的最后一道抛钢温度之间差值；
计算板坯出炉温度目标值差：当前生产的板坯出炉温度目标值与生产指导模型中匹配到并采用的历史生产记录的板坯出炉温度目标值之间差值；
S53：根据所述抛钢温度差和板坯出炉温度目标值差调整生产指导模型中的板坯出炉温度目标值,单位调整量＝AVG(板坯出炉温度目标值差/抛钢温度差)。
3.根据权利要求1所述的一种基于机器学习的三段连续步进式加热炉优化节能方法，其特征在于，包括：
S60：所述生产指导模型学习当前生产的生产指标和操作指标。
4.根据权利要求1所述的一种基于机器学习的三段连续步进式加热炉优化节能方法，其特征在于，所述生产指标分成一级生产指标和二级生产指标；
所述一级生产指标包括：板坯的钢种、规格，轧制规格，煤气热值；
所述二级生产指标包括：板坯装炉温度、板坯出炉温度目标值、初轧机最后一道抛钢温度。
5.根据权利要求4所述的一种基于机器学习的三段连续步进式加热炉优化节能方法，其特征在于，所述S40包括：匹配时，先按一级生产指标和二级生产指标全匹配的方式匹配，如果匹配不到，则按一级生产指标全匹配，二级生产指标匹配或相邻匹配。
6.根据权利要求1所述的一种基于机器学习的三段连续步进式加热炉优化节能方法，其特征在于，所述S20包括：
S21：同一生产指标对应的操作指标根据煤气单耗从低到高进行排序。
7.根据权利要求1所述的一种基于机器学习的三段连续步进式加热炉优化节能方法，其特征在于，所述S20包括：学习生产过程时，剔除轧制质量或加热质量不达标的生产记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910526161.7A CN110283986B (zh) | 2019-06-18 | 2019-06-18 | 一种基于机器学习的三段连续步进式加热炉优化节能方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910526161.7A CN110283986B (zh) | 2019-06-18 | 2019-06-18 | 一种基于机器学习的三段连续步进式加热炉优化节能方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110283986A true CN110283986A (zh) | 2019-09-27 |
| CN110283986B CN110283986B (zh) | 2020-12-25 |
Family
ID=68005250
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910526161.7A Active CN110283986B (zh) | 2019-06-18 | 2019-06-18 | 一种基于机器学习的三段连续步进式加热炉优化节能方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110283986B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112781183A (zh) * | 2019-11-07 | 2021-05-11 | 厦门邑通软件科技有限公司 | 一种空调系统智能降耗的方法、系统和空调 |
| CN113222166A (zh) * | 2020-01-21 | 2021-08-06 | 厦门邑通软件科技有限公司 | 操作行为记录管理的机器试探式学习方法、系统和设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102601128A (zh) * | 2011-01-24 | 2012-07-25 | 宝山钢铁股份有限公司 | 炉卷轧机轧件温差控制方法 |
| CN102998979A (zh) * | 2012-12-17 | 2013-03-27 | 富通集团有限公司 | 一种中频感应加热炉的运行优化方法 |
| CN103225017A (zh) * | 2012-01-31 | 2013-07-31 | 宝山钢铁股份有限公司 | 一种棒线材方坯加热炉模型控制方法及装置 |
| CN106322429A (zh) * | 2016-08-19 | 2017-01-11 | 上海策立工程技术有限公司 | 基于在线优化空燃比的加热炉智能燃烧控制方法 |
| KR20180072468A (ko) * | 2016-12-21 | 2018-06-29 | 주식회사 디케이아이테크놀로지 | 빅데이터기반 사용자의 지능형 냉방 및 난방 서비스 제공 방법 |
| KR20190057732A (ko) * | 2017-11-20 | 2019-05-29 | 부산대학교 산학협력단 | 기계학습을 이용한 과열저감기 제어를 위한 장치 및 방법 |
-
2019
- 2019-06-18 CN CN201910526161.7A patent/CN110283986B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102601128A (zh) * | 2011-01-24 | 2012-07-25 | 宝山钢铁股份有限公司 | 炉卷轧机轧件温差控制方法 |
| CN103225017A (zh) * | 2012-01-31 | 2013-07-31 | 宝山钢铁股份有限公司 | 一种棒线材方坯加热炉模型控制方法及装置 |
| CN102998979A (zh) * | 2012-12-17 | 2013-03-27 | 富通集团有限公司 | 一种中频感应加热炉的运行优化方法 |
| CN106322429A (zh) * | 2016-08-19 | 2017-01-11 | 上海策立工程技术有限公司 | 基于在线优化空燃比的加热炉智能燃烧控制方法 |
| KR20180072468A (ko) * | 2016-12-21 | 2018-06-29 | 주식회사 디케이아이테크놀로지 | 빅데이터기반 사용자의 지능형 냉방 및 난방 서비스 제공 방법 |
| KR20190057732A (ko) * | 2017-11-20 | 2019-05-29 | 부산대학교 산학협력단 | 기계학습을 이용한 과열저감기 제어를 위한 장치 및 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112781183A (zh) * | 2019-11-07 | 2021-05-11 | 厦门邑通软件科技有限公司 | 一种空调系统智能降耗的方法、系统和空调 |
| CN113222166A (zh) * | 2020-01-21 | 2021-08-06 | 厦门邑通软件科技有限公司 | 操作行为记录管理的机器试探式学习方法、系统和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110283986B (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101561224B (zh) | 一种控制大型步进梁式板坯加热炉燃烧气氛的方法 | |
| CN1312296C (zh) | 一种混合式高炉热风炉优化控制方法 | |
| US4373364A (en) | Method of controlling the temperature of a heating furnace | |
| CN104250685B (zh) | 一种基于板坯实测宽度的间距装炉控制方法 | |
| CN107201440B (zh) | 一种加热炉炉温制度设定方法与系统 | |
| CN103019097A (zh) | 一种轧钢加热炉优化控制系统 | |
| CN108787749B (zh) | 一种热轧生产计划预警方法 | |
| CN108687140A (zh) | 热轧加热炉板坯温度自学习控制方法 | |
| CN103544273A (zh) | 利用模式识别技术对炉况整体状态进行评估的方法 | |
| CN101983800A (zh) | 方坯连铸机二冷配水先进控制方法 | |
| CN110566962A (zh) | 一种空燃比可调的蓄热式单烧嘴熔铝炉燃烧控制方法 | |
| CN110283986A (zh) | 一种基于机器学习的三段连续步进式加热炉优化节能方法 | |
| CN103631140A (zh) | 基于性能评估的焦炉加热燃烧过程火道温度自动调节方法 | |
| CN111664470A (zh) | 一种热风炉自动节能燃烧控制系统及设备 | |
| CN106521059A (zh) | 用相控阵雷达测量高炉料面矿焦比来控制高炉气流分布的方法 | |
| CN110438331A (zh) | 一种加热炉自动燃烧系统 | |
| CN114264153A (zh) | 用于熔铝炉温度监测与优化运行控制的方法、系统及终端 | |
| CN106987704B (zh) | 一种脉冲式加热炉冷热混装板坯的过程温度控制方法 | |
| CN106011353B (zh) | 一种高炉热风炉空燃比自寻优方法 | |
| CN109976280A (zh) | 一种精确预报热轧板坯剩余在炉时间的方法 | |
| CN115449621A (zh) | 一种加热炉温度设定的控制方法 | |
| CN107326133A (zh) | 高炉热风风温监控方法和装置 | |
| CN102020996A (zh) | 炼焦炉自动加热控制方法 | |
| CN103146906A (zh) | 一种步进梁式加热炉二级控制模型参数调控方法 | |
| CN109112288B (zh) | 退火炉的温度调节方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 361000 one of unit 702, No. 1, xishanwei Road, phase III Software Park, Xiamen Torch High tech Zone, Xiamen, Fujian Province Patentee after: Xiamen Yitong Intelligent Technology Group Co.,Ltd. Address before: B11, 4th floor, 1036 Xiahe Road, Siming District, Xiamen City, Fujian Province, 361000 Patentee before: XIAMEN ETOM SOFTWARE TECHNOLOGY Co.,Ltd. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A machine learning-based optimization and energy-saving method for a three-stage continuous walking heating furnace Effective date of registration: 20220816 Granted publication date: 20201225 Pledgee: Xiamen Branch of PICC Pledgor: Xiamen Yitong Intelligent Technology Group Co.,Ltd. Registration number: Y2022980012793 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20201225 Pledgee: Xiamen Branch of PICC Pledgor: Xiamen Yitong Intelligent Technology Group Co.,Ltd. Registration number: Y2022980012793 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Machine Learning Based Optimization and Energy Saving Method for Three Stage Continuous Stepping Heating Stove Granted publication date: 20201225 Pledgee: Agricultural Bank of China Limited Xiamen Lianqian Branch Pledgor: Xiamen Yitong Intelligent Technology Group Co.,Ltd. Registration number: Y2024980004722 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |