【技术实现步骤摘要】
本专利技术涉及钢铁烧结过程生产节能降耗领域，尤其涉及一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法。
技术介绍
1、当前资源和环境问题对实现全球可持续发展的约束日益凸显，在这样的背景下，各国都积极追求“绿色”、“低碳”、“可持续发展”。随着《2030年可持续发展议程》和《巴黎协定》等重要国际协议的达成，全球绿色发展大趋势已经成为发展潮流。工业作为国家发展的命脉，一直受到我国的高度关注。钢铁工业是国民经济的中流砥柱国，是国家生存和发展的物质保障，是国家经济水平和综合国力的重要标志。面对当前资源短缺，环境污染日益严重的现象，钢铁工业亟需承担起节能减排，智能制造的重任。
2、烧结过程是钢铁冶金过程的一个重要环节，其生产的烧结矿的质量与产量优劣不仅仅直接影响到高炉炼铁过程的产量、质量和能耗，还会对高炉炼铁过程能够获得良好经济技术指标和技术进步产生至关重要。并且该过程也是钢铁冶金过程除高炉炼铁过程外最大的耗能工序，其能耗约占钢铁冶金总能耗的10％-15％，其能源消耗中，焦粉燃料消耗约为80％，电能消耗约为13.5％，燃气消耗约为6％，其他约为0.5％。由此可见，为了提高能源利用率，减少污染排放量，实现绿色制造，需要实现烧结碳耗的准确动态预测，这也是提高钢铁工业能源利用率，减少污染排放量，实现绿色制造与智能制造的关键问题。
技术实现思路
1、为了解决烧结过程中污染严重、能源利用率低的问题，本专利技术提供了一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，主要包括以下步
2、s1：基于烧结过程机理分析和数据相关性分析，确定直接影响烧结碳耗的过程参数，该过程参数包括：brp、brp温度、btp、btp温度、风箱负压、垂直燃烧速度、台车速度、料层厚度、返矿、焦粉配比、fet含量、sio2含量、cao含量和mgo含量；
3、s2：根据自适应加权宽度回声状态学习系统，建立得到烧结碳耗智能预测模型并训练；
4、s3：根据实际生产数据，以直接影响烧结碳耗的过程参数为输入，烧结碳耗为输出，利用训练好的烧结碳耗智能预测模型进行烧结碳耗的动态预测。
5、一种存储设备，所述存储设备存储指令及数据用于实现所述的烧结过程碳耗自适应加权宽度回声状态学习系统建模方法。
6、一种烧结过程碳耗自适应加权宽度回声状态学习系统建模设备，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的烧结过程碳耗自适应加权宽度回声状态学习系统建模方法。
7、本专利技术提供的技术方案带来的有益效果是：基于烧结过程机理分析和数据相关性分析，能够确定直接影响烧结碳耗的过程参数：brp、brp温度、btp、btp温度、风箱负压、垂直燃烧速度、台车速度、料层厚度、返矿、焦粉配比、fet含量、sio2含量、cao含量和mgo含量；根据自适应加权宽度回声状态学习系统，建立得到烧结碳耗智能预测模型；根据实际生产数据，以直接影响烧结碳耗的过程参数为输入，烧结碳耗为输出，利用训练好的烧结碳耗智能预测模型进行烧结碳耗的动态预测。通过该种方式能够实时捕获烧结过程的动态特性，实现烧结碳耗准确动态预测，进而为实现钢铁工业绿色制造和智能制造奠定基础。
本文档来自技高网...【技术保护点】
1.一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，其特征在于：包括以下步骤：
2.如权利要求1所述的一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，其特征在于：步骤S1中，根据烧结过程机理分析可知，影响烧结碳耗的过程参数包括烧结矿产量和碳消耗量两个方面；所述烧结矿产量由烧结过程中的原料参数所决定，所述原料参数包括焦粉配比、SiO2含量、TFe含量、MgO含量、CaO含量和返矿；所述碳消耗量包括烧结过程中的状态参数和操作参数，所述操作参数包括台车速度和料层厚度，所述状态参数包括：BTP、BTP温度、风箱负压、垂直燃烧速度、BRP和BRP温度，其中，BTP表示烧结终点，BRP表示上升点。
3.如权利要求1所述的一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，其特征在于：步骤S2.4中，与每个输入样本和相关的对角矩阵θ的计算公式为：
4.如权利要求3所述的一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，其特征在于：加权有限元素ωt的计算公式为：
5.如权利要求4所述的一种烧结过程碳耗自适应加权宽度回声状态
6.如权利要求1所述的一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，其特征在于：使用伪逆算法来求解步骤S2.4优化问题中的参数，得到：
7.如权利要求1所述的一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，其特征在于：步骤S2中，对烧结碳耗智能预测模型进行训练时，将模型输出作为残差计算的反馈，用来提升烧结碳耗智能预测模型的精度：
8.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1～7任一项所述的烧结过程碳耗自适应加权宽度回声状态学习系统建模方法。
9.一种烧结过程碳耗自适应加权宽度回声状态学习系统建模设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～7任一项所述的烧结过程碳耗自适应加权宽度回声状态学习系统建模方法。
...【技术特征摘要】
1.一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，其特征在于：包括以下步骤：
2.如权利要求1所述的一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，其特征在于：步骤s1中，根据烧结过程机理分析可知，影响烧结碳耗的过程参数包括烧结矿产量和碳消耗量两个方面；所述烧结矿产量由烧结过程中的原料参数所决定，所述原料参数包括焦粉配比、sio2含量、tfe含量、mgo含量、cao含量和返矿；所述碳消耗量包括烧结过程中的状态参数和操作参数，所述操作参数包括台车速度和料层厚度，所述状态参数包括：btp、btp温度、风箱负压、垂直燃烧速度、brp和brp温度，其中，btp表示烧结终点，brp表示上升点。
3.如权利要求1所述的一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，其特征在于：步骤s2.4中，与每个输入样本和相关的对角矩阵θ的计算公式为：
4.如权利要求3所述的一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，其特征在于：加权有限元素ωt的...
【专利技术属性】
技术研发人员：胡杰，刘俊勇，吴敏，陈略峰，曹卫华，李鸿翔，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。