基于机器学习的铝合金熔炼配料优化分析方法及系统与流程
本发明属于铝合金熔炼,具体涉及基于机器学习的铝合金熔炼配料优化分析方法及系统。
背景技术:
1、铝合金熔炼是压铸、铸造及再生铝加工等行业的重要生产环节。在铝合金生产过程中,原料配比、熔炼温度曲线以及保温时间等参数直接决定合金成分的合格率、单位产品能耗以及碳排放水平。然而,目前行业内铝合金熔炼的配料与工艺控制仍主要依赖传统方式,与智能制造和绿色制造的行业发展方向存在较大差距。
2、在配料环节,现有技术主要依靠人工经验进行判断。现场技术人员根据再生铝的外观、来料批次信息及以往生产经验,凭主观判断确定各原料的投料比例。由于再生铝原料的化学成分随来源批次不同存在显著差异,同一牌号的再生铝在不同批次间的成分波动幅度大,人工配料方式无法实时获取各批次原料的成分数据,导致熔炼后的合金成分波动较大,经常超出目标牌号的公差范围,造成废品率居高不下。大量不合格合金需回炉重熔,不仅增加了原料损耗,还进一步加剧了能源消耗。
3、在熔炼温度控制环节,现有技术普遍采用固定温度曲线方式进行生产管理。熔炼炉按照预设的升温—保温—浇铸温度曲线执行控制,该固定曲线通常根据典型工况下的经验值制定,一旦设定便在整个熔炼过程中保持不变。这种控制方式忽略了原料配比变化对合金液相线温度的影响,当高硅原料占比增加时,合金液相线温度会发生偏移,若仍沿用固定加热曲线则可能导致过热或加热不足;当炉内装料量变化时,炉膛热惯量不同,固定升温速率也会导致能源利用效率低下。此外,保温阶段往往采用保守的较长保温时间以弥补原料熔化不均匀的问题,进一步加剧了能源浪费。
4、在能耗监测与管理方面,现有熔炼生产过程中缺乏对实时电流、电压、燃气流量、炉膛温度等多维参数的同步高频采集与处理机制,车间管理者无法实时获知当前熔炼过程的瞬时功率和累计热耗,也无法及时发现异常能耗节点。能耗数据的统计往往在熔炼结束后通过人工抄表完成,数据滞后严重且精度有限,难以为节能优化提供有效的数据支撑。在碳排放核算方面,现有系统缺乏基于实时能耗数据和原料碳足迹的统一核算模型,无法生成准确的碳排放数据报告,也难以对碳排放热点进行定位和溯源。各生产环节的能耗数据散落于不同设备和系统中,缺乏统一的能耗统计与核算体系,导致生产管理者难以进行横向对比和纵向追踪,无法建立有效的能效评价基准。
技术实现思路
1、为此,本发明提供一种基于机器学习的铝合金熔炼配料优化分析方法及系统,解决现有铝合金熔炼过程中人工配料精度低导致合金成分合格率不高,固定温度曲线控制造成能源浪费,精细化管控能力不足的问题。
2、为了实现上述目的,本发明提供如下技术方案:基于机器学习的铝合金熔炼配料优化分析方法,包括以下步骤:
3、步骤一:获取指定原料的特征光谱强度信号,通过预置的校准模型将所述特征光谱强度信号转换为设定元素的质量百分比浓度,并将所述质量百分比浓度连同原料的批号、实际重量及采购单价录入原料数据库,形成结构化的原料状态向量;
4、步骤二:以所述原料状态向量为输入,构建基于梯度提升回归树的多目标配料优化模型,在满足目标合金牌号的成分约束和物料平衡约束的前提下,以原料总成本和预测熔炼能耗为目标进行迭代寻优,输出使综合目标函数值最小的最优原料配比方案;
5、步骤三:在熔炼过程中,实时采集熔炼炉的电参数、燃气参数和热工参数,并依据采集数据计算瞬时总功率和累计能耗,同时根据炉门开闭状态对采集数据进行清洗,剔除异常时段数据;
6、步骤四:以采集的实时参数为输入,利用预训练的长短期记忆网络时序预测模型实时预测未来时刻的炉膛温度,根据所述预测温度与目标温度之间的偏差动态调节熔炼炉的加热功率和保温时长,实现对熔炼温度曲线的动态优化;
7、步骤五:根据步骤三中累计得到的电力消耗和天然气消耗数据,及步骤二中的最优原料配比信息,结合预设的碳排放因子数据库计算本炉次的总碳排放当量,并计算单位产品的能耗强度,将所述单位产品的能耗强度与基准能耗强度进行对比,生成能耗偏移度指标及异常能耗诊断报告。
8、作为基于机器学习的铝合金熔炼配料优化分析方法优选方案,步骤一中,所述校准模型为偏最小二乘回归模型,所述校准模型通过以下方式建立:
9、以已知成分含量的标准样品对光谱仪进行校准,提取设定元素在特征波长处的归一化光谱强度作为自变量,以设定元素的标准质量百分比浓度为因变量,通过最小化预测浓度与标准浓度之间的残差平方和,求解特征波长对应的回归系数及模型的截距项,建立光谱强度与元素浓度之间的线性映射关系。
10、作为基于机器学习的铝合金熔炼配料优化分析方法优选方案,步骤二中,所述原料总成本通过以下方式计算:
11、对于参与配料的每一种原料,将投料质量与该种原料的采购单价相乘,得到该种原料的单项成本,再将所有参与配料的原料的单项成本求和,得到原料总成本。
12、作为基于机器学习的铝合金熔炼配料优化分析方法优选方案,步骤二中,所述梯度提升回归树通过多轮迭代训练实现单位能耗的预测,训练过程为:
13、初始化一个基础模型,在每一轮迭代中,利用当前模型对训练样本进行预测,计算预测值与真实值之间的残差;
14、以该残差为新的目标训练一棵回归决策树,将该决策树乘以一个学习率后累加到当前模型上,逐轮迭代,直至达到预设的迭代次数或残差小于预设阈值,训练数据集中每个样本的输入特征为原料中硅、铜、铁、镁元素的质量百分比浓度,输出目标为对应配比下历史实际熔炼的单位能耗值;
15、训练完成后,将待预测配比的成分特征输入模型,得到该配比的预测单位能耗值。
16、作为基于机器学习的铝合金熔炼配料优化分析方法优选方案,步骤二中,所述综合目标函数通过以下方式构建:
17、将原料总成本除以预设的成本归一化基准值得到成本归一化值,将预测熔炼能耗除以预设的能耗归一化基准值得到能耗归一化值;
18、将所述成本归一化值与所述能耗归一化值分别乘以对应的权重系数后求和,得到综合目标函数值;所述权重系数根据企业对成本和能耗的侧重程度预先设定,通过最小化综合目标函数值,实现原料成本与熔炼能耗的协同优化;
19、步骤二中,所述成分约束包括目标合金牌号中各元素质量分数范围约束,所述物料平衡约束为原料投料质量之和等于单炉次目标总装炉量。
20、作为基于机器学习的铝合金熔炼配料优化分析方法优选方案,步骤三中,所述瞬时总功率由电功率和燃气热功率两部分叠加得到,所述电功率根据三相电压平均值、三相电流平均值及功率因数计算得到三相有功电功率,将所述三相有功电功率除以一千转换为以千瓦为单位的电功率贡献值;
21、所述燃气热功率根据燃气瞬时流量与燃气热值的乘积计算得到,将所述乘积除以六十转换为以千瓦为单位的燃气热功率贡献值,将所述电功率贡献值与燃气热功率贡献值相加,得到以千瓦为单位的瞬时总功率。
22、作为基于机器学习的铝合金熔炼配料优化分析方法优选方案,步骤三中,所述累计能耗的获取方式为:
23、对瞬时总功率随时间进行连续积分,积分的时间范围从熔炼开始时刻至当前时刻,积分结果为以千瓦时为单位的累计总能耗;
24、或者,在工程应用中,以固定的采样间隔对瞬时总功率进行离散采样,将采样时刻的瞬时总功率与采样间隔的乘积进行逐次累加,累加结果为累计总能耗,所述采样间隔根据实际监测需求设定。
25、作为基于机器学习的铝合金熔炼配料优化分析方法优选方案,步骤四中,所述长短期记忆网络时序预测模型通过遗忘门、输入门、输出门对单元状态和隐藏状态进行更新,其内部状态更新过程为:
26、遗忘门:
27、
28、输入门:
29、
30、候选单元状态:
31、
32、单元状态更新:
33、
34、输出门:
35、
36、隐藏状态输出:
37、
38、最终炉温预测值:
39、
40、式中,输入向量,由时刻的瞬时总功率、炉膛温度、燃气瞬时流量以及炉内剩余未熔化原料质量组成;为对应门控单元和输出层对应的权重矩阵;为对应门控单元的偏置向量;为输出层的偏置项;为sigmoid激活函数,将输出值映射至(0,1)区间;为双曲正切激活函数,将输出值映射至(-1,1)区间;为遗忘门输出;为输入门输出;为候选单元状态向量,包含当前时刻待存入的新信息;为当前时刻的单元状态向量,保存长时记忆;为输出门输出;为当前时刻的隐藏状态向量;为当前时刻的隐藏状态向量;为模型预测的未来10分钟后的炉膛温度值;
41、步骤四中,所述保温阶段的最佳剩余保温时间的计算公式为:
42、
43、式中,为铝合金液的比热容;为炉内铝合金液的质量;为当前炉膛温度与目标浇铸温度之间的偏差;为炉体热损失功率。
44、作为基于机器学习的铝合金熔炼配料优化分析方法优选方案,步骤五中,所述总碳排放当量的计算公式为:
45、
46、式中,为累计得到的电力消耗;为电力排放因子;为累计得到的天然气消耗;为天然气燃烧排放因子;为本炉次铝合金液的总净重量;为原料的固有碳足迹因子;
47、步骤五中,所述单位产品的能耗强度的计算公式为:
48、
49、式中,为累计得到的本炉次总能耗;为本炉次铝合金液的总净重量;
50、所述能耗偏移度的计算公式为:
51、
52、式中,为基于历史最优数据确定的基准单位能耗强度;当超过预设阈值时,触发异常预警。
53、本发明还提供一种基于机器学习的铝合金熔炼配料优化分析系统,采用上述的基于机器学习的铝合金熔炼配料优化分析方法,包括:
54、原料成分检测与数据融合模块,用于获取指定原料的特征光谱强度信号,通过预置的校准模型将所述特征光谱强度信号转换为设定元素的质量百分比浓度,并将所述质量百分比浓度连同原料的批号、实际重量及采购单价录入原料数据库,形成结构化的原料状态向量;
55、配料优化模块,用于以所述原料状态向量为输入,构建基于梯度提升回归树的多目标配料优化模型,在满足目标合金牌号的成分约束和物料平衡约束的前提下,以原料总成本和预测熔炼能耗为目标进行迭代寻优,输出使综合目标函数值最小的最优原料配比方案;
56、能耗实时监测与数据清洗模块,用于在熔炼过程中,实时采集熔炼炉的电参数、燃气参数和热工参数,并依据采集数据计算瞬时总功率和累计能耗,同时根据炉门开闭状态对采集数据进行清洗,剔除异常时段数据;
57、熔炼工艺控制模块,用于以采集的实时参数为输入,利用预训练的长短期记忆网络时序预测模型实时预测未来时刻的炉膛温度,根据所述预测温度与目标温度之间的偏差动态调节熔炼炉的加热功率和保温时长,实现对熔炼温度曲线的动态优化;
58、能耗与碳排放核算报告模块,用于根据累计得到的电力消耗和天然气消耗数据,及最优原料配比信息,结合预设的碳排放因子数据库计算本炉次的总碳排放当量,并计算单位产品的能耗强度,将所述单位产品的能耗强度与基准能耗强度进行对比,生成能耗偏移度指标及异常能耗诊断报告。
59、本发明具有如下优点:
60、本发明通过构建基于梯度提升回归树的多目标配料优化模型,在满足合金成分要求的前提下同步优化原料成本与预测熔炼能耗,避免因配比不合理导致的过热或过烧现象;同时,利用长短期记忆网络时序预测模型实时预测炉膛温度变化趋势,动态调整熔炼炉的加热功率和保温时长,摒弃传统固定温度曲线的粗放控制方式。相较于现有技术,本发明有效降低了单位产品的熔炼能耗,节约了能源成本,对大规模连续生产而言,节能效益十分可观。
61、本发明通过偏最小二乘回归校准模型将光谱信号转换为元素质量百分比浓度,解决了人工经验配料中原料成分波动大、判断偏差大的问题。结合梯度提升回归树算法对多目标配方的快速迭代寻优,使得熔炼后的合金成分稳定控制在目标牌号的公差范围内,有效减少因成分不合格导致的废品回炉损失,提高了生产效率和成品率。
62、本发明的多目标优化模型能够根据实时库存原料的成分与价格,在保证合金成分合格的前提下优先选用成本更低的再生原料,最大限度地提高再生铝(回炉料)的使用比例,降低了对高价纯铝锭和中间合金的依赖;同时降低了原料采购成本,促进再生资源的循环利用,兼具经济效益与环保价值。
63、本发明通过对熔炼全过程电参数、燃气参数和热工参数的高频采集,实现瞬时功率、累计能耗和碳排放当量的实时计算与可视化呈现。基于单位能耗强度与基准值的偏移度计算,能够自动识别异常能耗节点并定位原因,为节能技改提供数据支撑,可适配不同规格和类型的熔炼炉,也可根据企业实际需求调整优化目标权重,具有良好的通用性和推广价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com