基于知识与AW-ESN融合的烧结过程FeO含量预测

氧化亚铁(FeO)含量是衡量烧结矿强度和还原性的重要指标,烧结过程FeO含量的实时准确预测对于提升烧结质量、优化烧结工艺具有重要意义.然而烧结过程热状态参数缺失、过程参数波动频繁给FeO含量的高精度预测带来巨大的挑战,为此,提出一种基于知识与变权重回声状态网络融合(Fusion of data-knowledge and adaptive weight echo state network, DK-AWESN)的烧结过程FeO含量预测方法.首先,针对烧结过程热状态参数缺失的问题,建立烧结料层最高温度分布模型,实现基于料层温度分布特征的FeO含量等级划分;其次,针对烧结过程参数波动频繁的问题,提出基于核函数高维映射的多尺度数据配准方法,有效抑制离群点的影响,提升建模数据的质量;最后,针对烧结过程数据驱动模型缺乏机理认知致使模型预测精度不高的问题,将过程数据中提取得到的FeO含量等级知识与AW-ESN (Adaptive weight echo state network)结合,建立DK-AWESN模型,有效提升复杂工况下FeO含量的预测精度.现场工业数据试验表明,所提方法能实时准确地预测烧结过程FeO含量,为烧结过程的智能化调控提供实时有效的FeO含量反馈信息.

挥发窑鼓风管的关键点识别及其摆放位置监测

窑头鼓风管的摆放位置是影响氧化锌挥发窑燃烧状态的重要操作参数之一,现仍由人工看火来手动调节,同时现场没有为挥发窑的运行优化记录完善的鼓风状态数据,也难以及时发现鼓风管被窑内渣块击中等安全隐患.针对上述问题,本文提出一种基于关键点识别的鼓风管位置监测方法.首先,文章对从窑头看火口采集的火焰视频数据集设计一种邻域关键点辅助的数据扩充方法,并构建级联金字塔网络(CPN)来预测鼓风管管口中心点的位置;然后,本文提出一种基于多帧图像的聚类分析算法来消除因烟尘遮挡所产生的异常点,并采用一种量化指标来实现对挥发窑鼓风管摆放位置的实时感知与记录;最后,本文基于现场采集的火焰视频数据进行了对比实验,结果表明所提出的关键点检测模型精度高、鲁棒性强,且鼓风管位置的量化准确率高达92.3%.

基于工况知识引导注意力时间卷积网络的烧结终点预测

烧结终点位置的实时准确预测对于优化烧结工艺具有重要的意义.针对烧结过程中强非线性和动态时变性造成烧结终点高精度预测难的问题,本文提出了一种基于工况知识引导注意力时间卷积网络(AM–TCN)模型.首先,构建堆叠的时间卷积模块用于充分提取烧结过程数据中深层次的非线性特征;其次,将历史工况知识引入注意力机制,引导模型在保留过程数据时序特征的同时区分不同特征的重要性;最后,构建预测模型用于烧结终点位置在线预测.工业数据实验表明,所提AM–TCN模型具有较好的烧结终点预测精度,对提升烧结过程热状态稳定性具有重要意义.

基于料面视频图像分析的高炉异常状态智能感知与识别

智能感知、精准识别高炉(Blast furnace,BF)异常状态对高炉调控优化和稳定运行至关重要,但高炉内部的黑箱状态致使传统检测方法难以直接感知并准确识别多种高炉异常状态.新型工业内窥镜可获取大量料面视频图像,为直接观测炉内运行状态提供了全新的手段.基于此,提出一种基于料面视频图像分析的高炉异常状态智能感知与识别方法.首先,提出基于多尺度纹理模糊C均值(Multi-scale texture fuzzy C-means,MST-FCM)聚类的高温煤气流区域提取方法,准确获取煤气流图像,并提取煤气流图像多元特征;其次,提出基于特征编码的高维特征降维方法,结合自适应K-means++算法,实现煤气流异常状态的粗粒度感知;在此基础上,通过改进雅可比−傅立叶矩(Jacobi-Fourier moments,JFM)提取煤气流图像深层特征变化趋势,进而提出细粒度煤气流异常状态感知方法;最后,基于煤气流异常状态感知结果,结合料面视频图像,提出多级残差通道注意力模块(Multi-level residual channel attention module,MRCAM),建立高炉异常状态识别模型ResVGGNet,实现高炉煤气流异常、塌料和悬料的精准在线识别.实验结果表明,所提方法能准确识别不同的高炉异常状态且识别速度快,可为高炉平稳运行提供重要保障.

铝电解生产智能优化制造研究综述

铝电解行业具有战略基础地位,面临着诸多挑战性难题,包括原料来源复杂使得工况难以稳定优化运行、多目标协同优化难度大、控制决策智能化水平和数据利用率低以及铝电解企业在内外环境的不确定性影响下难以实时做出正确决策等.为了解决上述问题,本文提出构建一种集铝电解智能分布式感知系统、系列槽智能协同优化控制系统、大型槽智能优化控制系统、智能安全运行监控系统和虚拟制造系统于一体的铝电解智能优化制造系统的方法.同时提出了铝电解制造系统的未来发展目标和愿景功能,并给出了相关研究方向.最后给出了技术发展规划,提出中短期规划和中长期规划"两步走"战略,并对铝电解生产智能优化制造系统发展前景作出展望.

基于复合差分进化算法与极限学习机的高炉铁水硅含量预报

针对铁水硅含量无法直接在线检测的问题,本文提出了一种基于优化极限学习机(ELM)的高炉铁水硅含量预报方法.该方法利用复合差分进化算法(CoDE)的快速定位全局最优解的能力来优化极限学习机的输入权值和隐层节点阈值,在此基础上建立了基于复合差分进化算法优化极限学习机(CoDE-ELM)的高炉铁水硅含量预报模型.以某钢铁厂2650 m^3的高炉为例,利用实际采集数据进行模型检验,结果表明,当绝对误差小于0.1时,铁水硅含量的预报命中率为89%,均方根误差为0.047,实际目标值序列与预报值序列的相关系数为0.851.所建模型的预报结果优于支持向量机(SVM)、前馈神经网络(BP-NN)、极限学习机以及差分优化极限学习机(DE-ELM),对高炉炉温的实际调控具有较好的指导意义.

基于分数阶的多向微分算子的高炉料面轮廓自适应检测

高炉料面图像含有丰富的高炉炉况信息,高炉料面轮廓能直接反映料面的凹凸起伏、煤气流分布以及炉况等信息,但高炉料面图像具有对比度低、细节不明显和有强亮斑等特点,使得高炉料面轮廓检测十分困难.本文提出一种新型的高炉料面轮廓检测方法:1)对高炉料面图像进行预处理,增强图像动态范围和图像边缘信息;2)采用分数阶的多向微分算子提取一组料面轮廓可行域;3)用自适应方法确定最佳分数阶阶次,获得可行域中最优的料面轮廓曲线;4)用改进的Canny算子对其进行修正和补偿,得到连续准确的料面轮廓曲线.理论研究和实验结果表明,该方法可准确获取平滑的高炉料面轮廓,对高炉操作人员及时有效调控布料具有很好的参考价值.

流程工业知识自动化及其在铝电解生产中的应用

流程工业中存在大量的知识型工作,其中包括企业管理、车间调度和设备运行等,它是需要相关人员对知识的利用和创造才能完成的工作.流程工业知识自动化通过知识发现技术获得相关的领域知识,并采用知识推理方法进行自动推理,从而能够自主决策,最终实现流程工业的智慧化、绿色化以及高效化生产.论文综述了国内外有关流程工业在知识发现、自动推理以及自主决策等知识自动化相关的研究现状,以及基于知识的自动化应用技术以及相关的工业软件,并对这些方法以及已开发的软件存在的问题进行了分析.通过铝电解槽况辨识以及异常槽况的溯因分析详细阐述了流程工业知识自动化在铝电解行业的一些研究工作.

基于最优工况迁移的高炉铁水硅含量预测方法

高炉铁水硅含量是铁水品质与炉况的重要表征,冶炼过程关键参数频繁波动及大时滞特性给高炉铁水硅含量预测带来了巨大挑战.提出一种基于最优工况迁移的高炉铁水硅含量预测方法.首先,针对过程变量频繁波动问题,提出基于邦费罗尼指数的自适应密度峰值聚类算法,实现对高炉冶炼过程变量的工况划分,并建立不同工况硅含量预测子模型.其次,针对冶炼过程的大时滞特性,定义相邻时间节点间的硅含量工况迁移代价函数,并提出多源路径寻优算法,实现冶炼过程中硅含量最优工况迁移路径及当前时刻硅含量最优预测值的求解.最后,基于工业现场数据验证了所提方法的有效性与准确性.

基于运动轨迹和径向距离的高炉料面堆积形状建模方法

高炉料面形貌是反映煤气流分布和煤气利用率的关键指标,研究高炉料面炉料堆积形状数学建模方法对实现高炉精准布料控制和“双碳”战略在钢铁行业落地具有重要意义.针对高炉多环布料情况下料面堆积形状预测难的问题,本文提出了一种基于炉料运动轨迹和径向移动距离的高炉料面炉料堆积形状建模方法.首先,提出了一种与炉料初始状态和溜槽状态相关的炉料运动轨迹建模方法,获取炉料从节流阀至料面的炉料运动轨迹,并确定炉料在炉喉空区的内轨迹曲线和外轨迹曲线.然后,基于炉料运动轨迹和初始料面形状,以体积守恒原则为约束,提出了一种基于炉料径向移动距离的高炉料面炉料堆积形状数学建模方法,获取炉料在料面的堆积形状.最后,基于某钢铁厂2#高炉的尺寸建立离散单元法(Discrete element method,DEM)仿真模型,模型仿真结果验证了所提方法的准确性和有效性.

基于参数估计误差的辊道窑温度场优化控制方法

辊道窑烧结过程的温度是决定锂离子电池正极材料产品质量的关键.然而,根据炉内有限个测温点的温度建立起描述整个温度场的模型往往非常困难,导致无法优化控制烧结过程的温度分布;而控制方法的设计一般需要进行参数估计,已有参数估计方法大多依赖于观测器/预测器的状态误差信息,无法直接反映待估计参数的变化特征且方法的准确性取决于观测器/预测器的性能.为此,本文提出一种基于参数估计误差的温度场自适应动态规划(adaptive dynamic programming,ADP)优化控制方法.首先,基于传热机理建立二维多孔介质能量守恒方程,构建包含角系数的边界条件以反映热辐射作用;考虑到竖直方向温度变化较大,通过转换边界条件建立起辊道窑一维温度场模型,并根据正极材料的特性获得模型参数.然后,采用ADP中的策略迭代(policy iteration,PI)优化设计温度场控制器,神经网络(neural network,NN)用于PI中的评价网络以逼近代价函数;基于权值参数的估计值与真实值之差构建参数估计误差,通过将估计误差的信息融入到评价NN参数更新过程,提出基于参数估计误差的NN权值更新算法,以提高参数估计误差的收敛性,实现有限时间内NN权值的快速收敛.最后,通过仿真验证所提建模和控制方法的有效性.

针铁矿法沉铁过程双层结构优化控制

针铁矿沉铁过程是锌冶炼过程中一个非常重要的环节,其中最重要的是控制氧气添加量,因此本文提出一种针铁矿沉铁过程双层结构优化控制方法.上层定义氧气利用率衡量理论消耗量与实际添加量的差别,以过程氧气利用率最高为目标优化设定级联反应器出口二价铁离子浓度下降梯度,下层以过程氧气消耗最少和出口离子浓度与上层设定值误差最小为优化目标,过程动态模型和工艺条件为约束,求解构造的非线性优化控制问题得到各反应器最优氧气添加速率.为减少不确定性干扰对系统的影响,采用一种模型参数自适应校正的方法对模型参数进行校正保证优化控制器的性能.最后根据过程离子浓度采样值计算过程实际氧气利用率作为上层优化参数重更新反应器出口二价铁离子浓度最优设定值.由于下层优化问题约束多且约束多呈非线性,采用Legendre伪谱法求解下层优化问题.仿真结果表明,所提出的双层结构优化控制方法能实现过程准确控制,减少过程氧气消耗.

大自动化类专业电类技术基础课程新体系研究

为深化工程教育改革,推进新工科研究和实践,中南大学自动化学院根据自身发展需要和学科特色,将自动化、电气工程、智能科学与技术和电子信息等专业相互深度融合,形成了大自动化类专业。同时结合人工智能、机器人、物联网、云计算及大数据等技术在自动化领域的应用需求,着重构建大自动化专业的电类技术人才的创新培养体系。文章从电类技术基础课程内容、课程实践和教学平台的建设三方面入手,研究我校大自动化类专业电类技术基础课程新体系的建设。旨在提高我校大自动化类专业学生的综合素质,培养出具有竞争力的学生,为其他高校大自动化类专业电类技术基础课程体系改革提供借鉴。

基于状态识别的高炉料面视频关键帧提取方法

高炉料面视频关键帧是视频中的中心气流稳定、清晰、无炉料及粉尘遮挡且特征明显的图像序列,对于及时获取炉内运行状态、指导炉顶布料操作具有重要的意义.然而,由于高炉内部恶劣的冶炼环境及布料的周期性和间歇性等特征,料面视频存在信息冗余、图像质量参差不齐、状态多变等问题,无法直接用于分析处理.为了从大量高炉冶炼过程料面视频中自动准确筛选清晰稳定的料面图像,提出基于状态识别的高炉料面视频关键帧提取方法.首先,基于高温工业内窥镜采集高炉冶炼过程中的料面视频,并清晰完整给出料面反应新现象和形貌变化情况;然后,提取能够表征料面运动状态的显著性区域的特征点密集程度和像素位移特征,并提出基于局部密度极大值高斯混合模型(Local density maxima-based Gaussian mixture model,LDGMM)聚类的方法识别料面状态;最后,基于料面状态识别结果提取每个布料周期不同状态下的关键帧.实验结果表明,该方法能够准确识别料面状态并剔除料面视频冗余信息,能提取出不同状态下的料面视频关键帧,为优化炉顶布料操作提供指导.

Fault detection in flotation processes based on deep learning and support vector machine

Effective fault detection techniques can help flotation plant reduce reagents consumption,increase mineral recovery,and reduce labor intensity.Traditional,online fault detection methods during flotation processes have concentrated on extracting a specific froth feature for segmentation,like color,shape,size and texture,always leading to undesirable accuracy and efficiency since the same segmentation algorithm could not be applied to every case.In this work,a new integrated method based on convolution neural network(CNN)combined with transfer learning approach and support vector machine(SVM)is proposed to automatically recognize the flotation condition.To be more specific,CNN function as a trainable feature extractor to process the froth images and SVM is used as a recognizer to implement fault detection.As compared with the existed recognition methods,it turns out that the CNN-SVM model can automatically retrieve features from the raw froth images and perform fault detection with high accuracy.Hence,a CNN-SVM based,real-time flotation monitoring system is proposed for application in an antimony flotation plant in China.

Edge and texture detection of metal image under high temperature and dynamic solidification condition

The zinc casting is a complicated process with high temperature, high dust content and dynamic solidification. To accurately detect the edge and texture of metal image under this condition, a sub-pixel detection based on gradient entropy and adaptive four-order cubic convolution interpolation （GEAF-CCI） algorithm is proposed. This method mainly involves three procedures. Firstly, the gradient image is generated from the grey images by using gradient operator. Then, a dynamic threshold based on the maximum local gradient entropy （DTMLGE） algorithm is applied to distinguishing the edge and texture pixels from gradient images. Finally, the adaptive four-order cubic convolution interpolation （AF-CCI） algorithm is proposed for interpolating calculation of the target edges and textures according to their variation differences in different directions. The experimental result shows that the proposed algorithm can remove the jag and blur of the edges and textures, improve the edge positioning precision and reduce the false or missing detection rate.

Reagent optimization for on-line simultaneous polarographic determination of trace amounts of Cu^(2+), Cd^(2+) and Co^(2+) in the presence of anextremely large excess of Zn^(2+)

Reagents are optimized for the simultaneous determination of trace amounts of Cu^(2+), Cd^(2+) and Co^(2+) in zinc sulfate solution, which contains an extremely large excess of Zn^(2+). First, the reagents and their doses for the experiment are selected according to the characteristics of the zinc sulfate solution. Then, the reagent doses are optimized by analyzing the influence of reagent dose on the polarographic parameters(i.e. half-wave potential E_(1/2) and limiting diffusion current I_p). Finally, the optimization results are verified by simultaneously determining trace amounts of Cu^(2+), Cd^(2+) and Co^(2+) in the presence of an extremely large excess of Zn^(2+). The determination results indicate that the optimized reagents exhibit wide linearity, low detection limits, high accuracy and good precision for the simultaneous determination of trace amounts of Cu^(2+), Cd^(2+) and Co^(2+) in the presence of an extremely large excess of Zn^(2+).

A novel shapelet transformation method for classification of multivariate time series with dynamic discriminative subsequence and application in anode current signals

Classification of multi-dimension time series(MTS) plays an important role in knowledge discovery of time series. Many methods for MTS classification have been presented. However, most of these methods did not consider the kind of MTS whose discriminative subsequence was not restricted to one dimension and dynamic. In order to solve the above problem, a method to extract new features with extended shapelet transformation is proposed in this study. First, key features is extracted to replace k shapelets to calculate distance, which are extracted from candidate shapelets with one class for all dimensions. Second, feature of similarity numbers as a new feature is proposed to enhance the reliability of classification. Third, because of the time-consuming searching and clustering of shapelets, distance matrix is used to reduce the computing complexity. Experiments are carried out on public dataset and the results illustrate the effectiveness of the proposed method. Moreover, anode current signals(ACS) in the aluminum reduction cell are the aforementioned MTS, and the proposed method is successfully applied to the classification of ACS.

Coordinated optimization setting of reagent dosages in roughing-scavenging process of antimony flotation

Considering the influence of reagent adjustment in different flotation bank on the final production index and the difficulty of establishing an effective mathematical model,a coordinated optimization method for dosage reagent based on key characteristics variation tendency and case-based reasoning is proposed.On the basis of the expert reagent regulation method in antimony flotation process,the reagent dosage pre-setting model of the roughing–scavenging bank is constructed based on case-based reasoning.Then,the sensitivity index is used to calculate the key features of reagent dosage.The reagent dosage compensation model is constructed based on the variation tendency of the key features in the roughing and scavenging process.At last,the prediction model is used to finish the classification and discriminant analysis.The simulation results and industrial experiment in antimony flotation process show that the proposed method reduces fluctuation of the tailings indicators and the cost of reagent dosage.It can lay a foundation for optimizing the whole process of flotation.