一种炉缸侵蚀状态预测方法及系统与流程

摘要: 本发明涉及高炉炼铁,尤其涉及一种炉缸侵蚀状态预测方法及系统。背景技术:1、高炉炉缸作为高炉炼铁系统的核心部位,其内部长期承受高温铁水的机械冲刷、化学侵蚀以及复杂...
一种炉缸侵蚀状态预测方法及系统与流程

本发明涉及高炉炼铁,尤其涉及一种炉缸侵蚀状态预测方法及系统。

背景技术:

1、高炉炉缸作为高炉炼铁系统的核心部位,其内部长期承受高温铁水的机械冲刷、化学侵蚀以及复杂热应力的耦合作用,内衬耐火材料逐渐损耗形成侵蚀边界。炉缸侵蚀状态的有效监测直接关系到高炉的安全运行与长寿化生产,一旦发生烧穿事故,不仅造成数千万元的直接经济损失,更可能引发重大安全事故和环境污染。因此,开发能够实时、准确反映炉缸侵蚀形态的诊断技术,逐渐成为钢铁工业智能化升级的关键需求。

2、当前工业实践中,炉缸侵蚀监测主要依赖基于有限元法或边界元法的热传导反问题求解技术。这类纯机理模型通过多次迭代计算,以热电偶实测温度为边界条件,反演推算目标温度(例如1150℃)等温线即侵蚀边界的空间位置。然而,单次完整的反问题求解通常需要较长时间(例如30分钟至60分钟),这种计算效率无法满足现代高炉在线监测对实时性的现场要求,特别是在侵蚀加速发展的关键阶段,机理模型的严重滞后可能导致错失最佳护炉时机。近年来,随着人工智能技术的发展,部分研究者尝试采用数据驱动方法直接建立热电偶温度与侵蚀边界的映射关系,这类纯数据模型虽然能够实现快速推理,但受限于有限且单一来源的训练样本和缺乏物理约束,其外推能力和长期稳定性难以保证,无法适应炉役全周期复杂多变的工况演变,导致模型实际应用中随冶炼周期的增加精度下降。此外,模型一般为静态部署,一旦训练即固化,无法利用运行中新产生的实测数据自适应更新。随着炉缸服役时间延长、传热边界变化、热电偶损坏,对应的预测精度会持续衰减。钢铁企业通常拥有多座同型号高炉,已停炉高炉在漫长服役周期中积累了大量蕴含侵蚀演变规律的宝贵历史数据,但现有技术未能建立有效的跨炉知识迁移机制,导致每座新高炉投产时均需从零开始构建模型,重复投入大量计算资源和时间成本,形成严重的数据资源浪费与建模效率瓶颈。

技术实现思路

1、本发明提供一种炉缸侵蚀状态预测方法及系统,以解决或缓解上述描述的现有高炉炉缸侵蚀监测技术中机理模型求解效率低、数据驱动模型无法自适应更新且精度持续衰减、跨炉数据无法有效利用等技术问题。

2、本发明提供的一种炉缸侵蚀状态预测方法,包括以下步骤:

3、获取炉缸侵蚀传热机理模型和侵蚀样本空间;其中,所述炉缸侵蚀传热机理模型采用有限元法构建,用于计算目标温度侵蚀边界与温度场分布,且所述炉缸侵蚀传热机理模型能够进行正问题求解和反问题求解;所述侵蚀样本空间覆盖目标高炉全炉役生命周期中多种类型的侵蚀形态及侵蚀边界;

4、通过所述炉缸侵蚀传热机理模型对所述侵蚀样本空间中的侵蚀样本进行正问题求解,并根据正问题求解得到的温度场分布,建立侵蚀边界与热电偶测点温度的映射关系,以及基于所述映射关系构建仿真训练集和测试集;

5、基于所述仿真训练集和辅助训练集,构建以热电偶测点温度为输入,以目标温度侵蚀线离散控制节点坐标序列为输出,且通过所述测试集验证的深度神经网络代理模型;其中,所述辅助训练集根据与目标高炉类型相同的高炉的历史运行数据确定;

6、通过所述深度神经网络代理模型,对目标高炉运行过程中热电偶实时采集的测点温度数据进行前向计算,得到目标温度侵蚀线的所有控制节点坐标,并连接所有控制节点坐标,构建所述目标高炉的预测侵蚀形态及预测侵蚀边界;以及,根据目标高炉运行过程中部分边界条件的动态变化持续更新所述炉缸侵蚀传热机理模型;其中,所述部分边界条件包括冷却壁结垢、渣皮脱落和气隙热阻变化中的至少一种;

7、按照预设周期或预设触发机制启动所述炉缸侵蚀传热机理模型的反问题求解,以热电偶实时采集的测点温度数据为所述炉缸侵蚀传热机理模型的温度边界,计算得到当前侵蚀形态及当前侵蚀边界;

8、将通过反问题求解得到的当前侵蚀形态及当前侵蚀边界作为校核基准,并与同一时刻下所述深度神经网络代理模型预测得到的预测侵蚀形态及预测侵蚀边界进行误差对比,根据误差对比结果对所述深度神经网络代理模型进行更新,或者基于误差对比结果输出所述深度神经网络代理模型预测得到的侵蚀形态及侵蚀边界。

9、于本发明一实施例中,获取所述侵蚀样本空间的过程包括:

10、基于炉缸结构特征及侵蚀机理,对目标温度侵蚀线进行离散化;

11、根据目标温度侵蚀线的离散化结果,将所述目标温度侵蚀线中的目标位置设置为控制节点;

12、以炉缸侧壁侵蚀线控制节点、炉底侵蚀线控制节点以及侵蚀量为侵蚀形态设计变量,控制目标温度侵蚀线移动;

13、根据侵蚀形态设计变量的物理约束,形成所述侵蚀样本空间。

14、于本发明一实施例中,所述物理约束包括:

15、所有侵蚀线以及每条侵蚀线上的各控制节点位于炉缸内边界与耐材最大侵蚀边界之间,每条侵蚀线变化连续光滑、无间断或尖点;

16、侵蚀线控制节点基于侵蚀量移动改变侵蚀边界,将侵蚀线控制节点移动空间平均分为n份,每个控制节点包含n+1个可移动点位;其中,n为正整数;

17、炉缸侧壁侵蚀线控制节点能够在水平方向的n+1个离散位置移动;其中,炉缸侧壁侵蚀线控制节点的位置包括炉缸侧壁区域中各排热电偶标高处、相邻两层热电偶间;

18、炉底侵蚀线控制节点能够在垂直方向的n+1个离散位置移动;其中,炉底侵蚀线控制节点的位置包括环热电偶半径处、相邻两半径热电偶间。

19、于本发明一实施例中,所述方法还包括:

20、获取与目标高炉类型相同的高炉的历史运行数据,所述历史运行数据包括全炉役侵蚀演变轨迹数据与对应热电偶温度记录数据;

21、采用基于特征对齐的自适应加权采样迁移学习策略,计算源域各样本与目标域初始样本的最大均值差异,并依据最大均值差异或目标移动距离进行分布相似性加权,运用核均值匹配或平衡分布自适应方法对齐源域与目标域的特征分布,仅保留权重高于阈值且物理可行的源域样本作为辅助训练集;其中,所述源域为与目标高炉类型相同的高炉的历史运行数据,所述目标域为目标高炉的运行数据。

22、于本发明一实施例中,所述预设触发机制包括:铁水温度、流量或冷却壁热流强度的波动变化值超过预设变化值,和/或,某段时间内某区域侵蚀速率超过预设速率。

23、于本发明一实施例中,根据误差对比结果对所述深度神经网络代理模型进行更新的过程包括:

24、将所述炉缸侵蚀传热机理模型作为教师模型、所述深度神经网络代理模型作为学生模型,进行协同校准;

25、当目标误差小于或等于第一阈值时,仅将新样本加入样本库中,不触发所述深度神经网络代理模型更新;

26、当所述目标误差介于第一阈值与第二阈值之间时,触发增量学习模式,冻结所述深度神经网络代理模型的浅层网络参数,仅调整所述深度神经网络代理模型的最后若干层;

27、当所述目标误差超过第二阈值时,触发完全重训练模式,并基于扩充后的全量样本库重新训练深度神经网络代理模型;

28、其中,所述目标误差为均方根误差、最大绝对误差和相对误差中的至少一种;所述第一阈值和所述第二阈值基于初始校准误差进行缩放设置。

29、于本发明一实施例中,所述方法还包括:

30、将所述深度神经网络代理模型预测得到的侵蚀形态及侵蚀边界加入知识库,并基于时间序列分析计算侵蚀线位移变化率,识别异常加速区域及炭砖严重减薄区域,执行分级自动报警;其中,所述异常加速区域为位移实时变化量超过预设位移量的区域,所述炭砖严重减薄区域为炭砖实时减薄量超过预设减薄量的区域;

31、基于误差演变曲线评估所述深度神经网络代理模型的当前置信度,当误差在预设时间段内连续升高,则对所述深度神经网络代理模型进行更新;以及,在所述知识库中检索与目标高炉类型相同的高炉在相似炉役阶段的侵蚀演化规律及对应操作条件,为所述目标高炉的操作提供案例化决策参考。

32、于本发明一实施例中,所述知识库包括机理知识库、仿真样本库、历史案例库和在线学习库;

33、所述机理知识库用于存储热传导方程、边界条件、材料物性参数和目标温度侵蚀判定准则;

34、所述仿真样本库用于存储炉缸侵蚀传热机理模型正问题求解计算生成的标准工况样本和极端工况样本;

35、所述历史案例库用于存储与目标高炉类型相同的高炉的全炉役侵蚀演变轨迹和异常工况处置案例;

36、所述在线学习库用于存储目标高炉运行中积累的实测数据、深度神经网络代理模型预测误差记录和校准历史。

37、于本发明一实施例中,所述决策参考包括以下至少之一:

38、基于时间序列的侵蚀线径向位移,计算各周向角度的侵蚀速率,并采用统计过程控制方法识别异常侵蚀加速;

39、根据炭砖原始厚度和当前侵蚀深度计算炭砖残余厚度,并在炭砖残余厚度低于安全阈值时发出分级预警;

40、基于历史误差演变曲线建立深度神经网络代理模型置信度评分,并在所述置信度评分连续低于预设分数阈值时,提示校准所述深度神经网络代理模型;

41、在图数据库中检索相似工况的历史案例,推荐处理措施及预期效果;其中,所述知识库采用图数据库存储案例。

42、本发明还提供一种炉缸侵蚀状态预测系统,所述系统包括:

43、炉缸侵蚀传热机理模型模块,用于获取炉缸侵蚀传热机理模型;其中,所述炉缸侵蚀传热机理模型采用有限元法构建,用于计算目标温度侵蚀边界与温度场分布,且所述炉缸侵蚀传热机理模型能够进行正问题求解和反问题求解;

44、侵蚀样本空间模块,用于获取侵蚀样本空间;所述侵蚀样本空间覆盖目标高炉全炉役生命周期中多种类型的侵蚀形态及侵蚀边界;

45、正问题求解模块,用于通过所述炉缸侵蚀传热机理模型对所述侵蚀样本空间中的侵蚀样本进行正问题求解,得到对应的温度场分布;

46、映射模块,用于根据正问题求解得到的温度场分布,建立侵蚀边界与热电偶测点温度的映射关系,以及基于所述映射关系构建仿真训练集和测试集;

47、深度神经网络代理模型模块,用于根据所述仿真训练集和辅助训练集,构建以热电偶测点温度为输入,以目标温度侵蚀线离散控制节点坐标序列为输出,且通过所述测试集验证的深度神经网络代理模型;其中,所述辅助训练集根据与目标高炉类型相同的高炉的历史运行数据确定;

48、在线预测模块,用于通过所述深度神经网络代理模型,对目标高炉运行过程中热电偶实时采集的测点温度数据进行前向计算,得到目标温度侵蚀线的所有控制节点坐标,并连接所有控制节点坐标,构建所述目标高炉的预测侵蚀形态及预测侵蚀边界;以及,根据目标高炉运行过程中部分边界条件的动态变化持续更新所述炉缸侵蚀传热机理模型;其中,所述部分边界条件包括冷却壁结垢、渣皮脱落和气隙热阻变化中的至少一种;

49、反问题求解模块,用于按照预设周期或预设触发机制启动所述炉缸侵蚀传热机理模型的反问题求解,以热电偶实时采集的测点温度数据为所述炉缸侵蚀传热机理模型的温度边界,计算得到当前侵蚀形态及当前侵蚀边界;

50、误差对比与模型更新模块,用于将通过反问题求解得到的当前侵蚀形态及当前侵蚀边界作为校核基准,并与同一时刻下所述深度神经网络代理模型预测得到的侵蚀形态及侵蚀边界进行误差对比,根据误差对比结果对所述深度神经网络代理模型进行更新,或者基于误差对比结果输出所述深度神经网络代理模型预测得到的侵蚀形态及侵蚀边界。

51、本发明的有益效果:本发明提出的一种炉缸侵蚀状态预测方法及系统,通过构建深度神经网络代理模型替代传统反问题热传导模型的实时计算,将侵蚀线预测的核心计算环节从迭代求解偏微分方程组转化为神经网络的前向传播计算,从而在理论层面实现计算复杂度的降维。在此基础上,将高计算成本的炉缸侵蚀传热机理模型从实时计算引擎降维为周期校准器,高频实时响应由低成本的深度神经网络代理模型承担,二者形成计算资源的分工协同。这一架构设计使得炉缸侵蚀传热机理模型的计算频率可从每天几十次降至每天或每周一次,避免了传统方法中为追求实时性而牺牲精度、或为追求精度而牺牲实时性的两难困境。

52、同时,本发明提出“教师-学生”双模型协同架构,构建具有闭环反馈机制的持续学习系统,克服静态数据驱动模型因工况分布偏移导致精度衰减的固有问题。周期性运行的炉缸侵蚀传热机理模型作为“教师”,持续提供当前工况下的高精度标签,使深度神经网络代理模型能够不断获得反映最新工况的监督信号,有效规避分布偏移对预测精度的负面影响。分级模型更新策略通过冻结特定层网络,保留通用特征避免灾难性遗忘问题,实现“运行时间越长、积累样本越多、预测越准确”的正向进化效应。

53、并且本发明通过基于特征对齐的自适应加权采样迁移学习,实现从相关源域中提取可迁移知识的理论目标,有效降低目标域的样本复杂度需求。仿真样本生成环节可以采用最优拉丁超立方实验设计替代正交试验法,以maximin(极大极小/最大最小)距离准则优化样本空间填充特性,最大化单位样本的信息获取效率,使有限次有限元计算能够支撑高维参数空间下的深度神经网络代理模型训练。训练阶段引入dropout(正则化)机制模拟热电偶失效,使深度神经网络代理模型对输入缺失具有推理鲁棒性;运行阶段的降级切换与紧急校准触发,构建“故障检测-降级运行-紧急恢复”的容错链路,保障炉缸侵蚀系统在恶劣工业环境下的可用性。