基于极大似然循环自更新神经网络的高炉料位时空特征融合测量方法

高炉料位实时高精度测量是高炉精细化智能布料控制的前提,更是保证高炉高效、绿色和低碳冶炼的关键。在高炉实际生产过程中,炉内处于高温高压密闭多尘环境下,传统的机械及雷达探尺料位测量方法面临料位测量精度与连续性无法兼顾的挑战。为此,本文提出基于极大似然循环自更新神经网络的高炉料位时空特征融合测量方法,该方法通过周期提取及极大似然估计等手段,精准提取雷达探尺料位时空特征,并以机械探尺信息为基准,构建能融合雷达数据时空分布特征及机械探尺数据的循环自更新神经网络结构,从而实现高炉料位实时连续高精度测量。研究结果表明:本文方法不仅能与雷达探尺实时连续测量高炉料位,且测量精度逼近机械探尺的测量精度,为高炉精细化绿色低碳冶炼提供了数据支撑,实用价值明显。

基于两种探尺数据融合的高炉料位检测方法

通过分析机械探尺和雷达探尺在高炉料位检测上的优缺点,采用模糊GK聚类算法,对雷达探尺测量数据进行聚类处理,并把聚类获得的参数用于构建一个RBF网络。利用机械探尺数据训练已建立的RBF网络,建立了基于机械探尺数据的修正模型,通过修正模型对雷达探尺测量数据的逐一修正,实现雷达探尺和机械探尺测量数据的有机融合。仿真结果和工业数据证明,基于机械探尺数据建立的修正模型具有较高的精度和较好的实用价值。

雷达料位计在高炉上的应用

着重介绍TKFL-45型雷达料位计在杭钢炼铁高炉上的使用情况,并详细阐述了雷达料位计的工作原理、优缺点,以及使用过程中的注意事项。