一种实时预测重罐铁水温度的方法

技术领域

本发明属于冶金工程智慧化的技术领域，涉及一种实时预测重罐铁水温度的方法。

技术背景

随着物联网技术的高速发展，通过将先进制造技术与新一代信息技术深度融合，不断加速钢铁企业向数字化、网络化、智能化方向拓展。各钢铁企业均进行着铁钢界面智慧化的创新与研发。例如在实际生产过程中存在多种因素影响铁水的温度，如铁水包的结构、材质、保温性能、铁水的出铁温度、流量、外界环境等，这些因素导致铁水温降的不确定性和复杂性，给铁钢界面的协调和优化带来困难。因此，铁水温降预测技术对实现铁钢界面智慧化有着重要意义。

目前对于铁水包内铁水温度测量的主要采用以下方法。一是探针测温法及高温电阻测温，该方法虽然测量精度高、响应速度快等优点，但是测温过程要停止铁水包的运输，影响生产效率，而且热惯性大、易受机械振动影响等；二是红外测温法，这是一种非接触式的测温方法，虽然可以在不影响铁水运输的情况下进行测温，但是容易受到铁水包表面状态、环境温度、红外热像仪性能等因素的影响，需要进行校准修正且设备成本较高；三是一种新型的测温方法，光纤测温法，这种方法测温精度高、耐用、抗干扰强，但同样是在停止运输才能进行测量，影响生产效率，而且光纤传感器的制作和安装技术要求过高。所以对于铁水温度的准确预测可以节省大量测量铁水温度人工、物力成本。但是，现有的对于铁水温度预测的方法多是基于经验公式以及数值模拟的静态的预测方法，忽略实际生产过程中的环境温度、铁水包状态等因素的不确定性。

现有技术中尚未解决的问题是如何对运输后的铁水进行温度的准确预测，从而有利于铁水运输系统与炼钢流程的调度，如果是直接对运输到炼钢厂的铁水进行测温，温度测定可以保证是准确的，但是并不能保证铁水的温度符合炼钢要求，不利于管理人员对铁水的提前调度安排，例如汪森辉,李海峰,张永杰,等.高炉-转炉铁钢界面铁水温降预测建模和分析[J].钢铁研究学报,2019,31(11):8.DOI:CNKI:SUN:IRON.0.2019-11-013.中公开了一种基于ELM(极限学习机)算法预测铁水阶段性的温降的方案，模型输入为受铁前的取受铁温度、受铁时间、铁水质量、受铁至扒渣运输时间、扒渣后铁水温度、受铁至预脱硫运输时间、预脱硫后铁水温度、重罐运输时间、以及受铁前空罐时间；模型的输出是铁水从受铁至钢铁厂倒铁前这一过程的温降。但是，其无法实时预测这一过程的任意节点的铁水温度。

目前，RFID(无线射频识别，Radio Frequency Identification，简称RFID)物联网技术在钢铁企业中已经得到了广泛的应用，如：在铁水罐上安装RFID抗金属标签，用于自动识别铁水罐号、读取使用记录、铁水罐状态等信息，方便调度人员管理；利用机车、铁水罐上的RFID标签，对机车、铁水位置进行定位，预测运输时间等。但是，直接利用RFID标签对铁水罐内的铁水进行测温，还面临如下问题：一是高温环境会电子标签和温度传感器的性能、影响其寿命和可靠性；二是高炉炼铁过程中，会产生大量的烟尘、火花等干扰因素，这些干扰因素会影响RFID信号的传输和接收，造成数据误差；三是，铁水罐内铁水的流动会导致罐内铁水的温度并不均匀，存在温差与温度梯度。

发明内容

本发明的目的是提供一种实时预测重罐铁水温度的方法，利用构建数学模型、机器学习技术的方法，结合RFID物联网技术，完成对重罐过程中铁水的温度实时预测，本发明所述的重罐过程即高炉出铁到送达钢厂这一过程包括铁水的倒罐、存储及运输到钢铁厂的过程。

基于钢铁企业的实际生产模式，从高炉出铁到送达钢厂这一过程，根据铁水的实时温度进行生产调度可以包括多个调度节点，例如铁水倒灌完成时、铁水存储出厂等待过程中的任意时刻、铁水运输过程中的任意时刻，本发明提供的一种实时预测重罐铁水温度的方法，即将铁水从出炉到送达钢厂这一过程分为了三个不同场景阶段，结合RFID标签的便捷性，分别进行实时铁水温度的预测，使整个过程不需要人工传递任何信息；实现了实时获取输入数据，以达到在实际生产过程中对铁水温度的实时把控；具体的，铁水倒灌完成时的实时温度预测指的是在高炉出铁口，对倒罐后罐内铁水温度进行预测；铁水存储出厂等待过程中的任意时刻的实时温度预测指的是重罐在炉下等待调度运输的过程中，对重罐内铁水温度进行实时预测；铁水运输过程中的任意时刻的实时温度预测指的是在重罐运输过程中，对到达目的地的罐内铁水温度进行预测。

本发明提供的一种实时预测重罐铁水温度的方法，是在第一阶段铁水倒灌完成时的温度进行预测的前提下，利用历史数据建立神经网络模型，再根据铁水罐上的RFID标签返回当前位置环境、铁水罐、铁水等相关的数据信息，对当前时刻的罐内铁水温度进行预测；所述实时预测重罐铁水温度的方法包括铁水倒灌完成时铁水温度预测、铁水存储出厂等待过程铁水温度实时预测、铁水运输过程铁水温度实时预测三个阶段；其具体步骤如下：

所述铁水倒灌完成时铁水温度预测包括步骤：通过安装在铁水罐上的RFID标签获取当前铁水罐的第一阶段过程中铁水实际装入总量，倒罐过程持续时间，环境温度，高炉出铁口的铁水温度，并根据表面对流辐射、热辐散热以及能量守恒规律，将铁水倒罐过程中的铁水温降等效为一个铁水组成的圆柱的散热过程，计算获得倒罐后罐内铁水温度T

铁水存储出厂等待过程铁水温度实时预测包括步骤：利用安装在铁水罐上的RFID标签，获取当前罐子实时的炉下环境温度、炉下环境湿度、预先写入的当前铁水成分种类、铁水罐种类、铁水罐使用年数数据以及记录在RFID中的倒罐后罐内铁水温度T

铁水运输过程铁水温度实时预测包括步骤：利用安装在铁水罐上的RFID标签，获取当前罐子实时的环境温度、环境湿度、当前铁水成分种类、铁水罐种类、铁水罐使用年数、机车巡行速度、剩余行驶距离数据以及记录在RFID中的重罐在离开铁厂前后时刻的铁水温度T

优选的，所述根据表面对流辐射、热辐散热以及能量守恒规律，将铁水倒罐过程中的铁水温降等效为一个铁水组成的圆柱的散热过程，计算获得倒罐后罐内铁水温度T

根据能量守恒定律，有Q

其中，Q

优选的，所述第一LSTM神经网络模型是通过如下步骤训练获得：利用钢铁企业现有设施，收集钢铁企业在该场景下的数据即第一数据集，包括：每十分钟记录一次的铁水历史温度数据、与铁水历史温度数据同时记录的炉下环境信息包括环境温度和环境湿度、铁水成分种类、铁水罐种类、铁水罐使用年数，并将这些数据同步至RFID标签；以同一历史时刻的罐内铁水温度、同一历史时刻的炉下环境温度、同一历史时刻的炉下环境湿度、罐内铁水成分种类、铁水罐种类、铁水罐使用年数作为输入数据，以十分钟后的铁水温度作为输出数据构建数据集。并将数据集按照8：1：1的比例分为，训练集、验证集、测试集；构建输入维度为6个特征、输出维度为1个特征，每层12个隐藏节点，获得以预测下一时刻铁水温度为目的第一LSTM神经网络模型Model_1，激活函数采取sigmoid函数；并利用上述构建好的第一数据集对网络模型进行训练。

优选的，所述第二LSTM神经网络模型是通过如下步骤训练获得：利用钢铁企业现有设施，收集钢铁企业在该场景下的数据集即第二数据集，包括：每十分钟记录一次的铁水历史温度数据，与铁水历史温度数据同时记录的铁水罐所处环境的环境信息包括环境温度和环境湿度，与铁水历史温度数据同时记录的机车巡行速度、与铁水历史温度数据同时记录的剩余行驶距离、铁水成分种类、铁水罐种类、铁水罐使用年数，并将这些数据同步至RFID标签；以同一历史时刻的罐内铁水温度、同一历史时刻的环境温度、同一历史时刻的环境湿度、罐内铁水成分种类、铁水罐种类、铁水罐使用年数、同一历史时刻的机车巡行速度、同一历史时刻的剩余行驶距离作为输入数据，以十分钟后的铁水温度作为输出数据构建数据集。并将数据集按照8：1：1的比例分为，训练集、验证集、测试集；构建输入维度为8个特征、输出维度为1个特征，每层16个隐藏节点，获得以预测下一时刻铁水温度为目的第二LSTM神经网络模型Model_2，激活函数采取sigmoid函数；并利用构建好的第二数据集对网络模型进行训练。

第二方面，本发明提供一种计算机装置/设备/系统，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现上述实时预测重罐铁水温度的方法的步骤。

第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现上述实时预测重罐铁水温度的方法的步骤。

第四方面，本发明提供一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现上述实时预测重罐铁水温度的方法的步骤。

有益效果：本发明基于RFID与神经网络对重罐过程中铁水温度进行预测，将整个重罐过程分为三个阶段，每个阶段为一个场景进行温度预测，利用建模的方法对倒罐后铁水温度进行预测，同时利用训练好的神经网络，根据铁水罐上RFID标签记录的数据，考虑环境因素，加入时间序列上的依赖关系，对整个流程中铁水温度的实时预测，可以输出任意时刻的铁水温度的或输出对某一时刻铁水温度的预测。本发明提供的基于RFID物联网技术与神经网络对重罐状态下铁水温度进行实时预测的主要意义在于：

(1)实时性：本方法以从RFID标签中获取的实时数据，对比于一般的基于经验公式以及数值模拟的静态的预测方法实现的对铁水温度的实时预测，可以帮助钢铁企业优化铁水运输和装炉过程，减少铁水的散热损失，保证铁水的合理温度；

(2)低成本：对于重罐过程中的铁水温度进行测量，无论是高温电阻测温还是光纤测温，在进行测温时都会影响到运输，从而降低运输效率，提高生产成本；虽然红外测温法不影响铁水运输，但是设备部署、维护成本较高；本发明提出的重罐过程中铁水温度预测方法在不影响运输效率、不提高生产成本的情况下，利用钢铁企业铁水罐上原有的RFID标签进行改进以获取数据，部署简单、成本较低；

(3)准确性：本方法相对于直接测量重罐内铁水温度的方法，避免了热惯性、机械振动等因素的影响，可以很好的对铁水温度进行预测，整体上提高了温度预测的准确性，可以避免铁水温度过低导致的凝罐、铁水预处理不充分等问题；对铁水温度的准确预测还可以根据铁水实际温度，对铁水罐的寿命状态进行估计。

附图说明

图1是温度预测方案的部署流程以及预测重罐铁水温度的使用流程示意图；

图2是基于LSTM神经网络的重罐铁水实时预测模型结构图；

图3是本方法在铁钢智慧界面实时对铁水温度进行实时预测的时序图。

具体实施方法

以下将以图式揭露本发明的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。

本发明所提出的温度预测方案的一种具体实施方式如下所示：

本发明在硬件结构上主要包含以下四个方面：RFID硬件、传感器、服务器、部署了铁钢智慧界面的终端；

RFID硬件包括RFID标签、天线、阅读器；传感器包括温度传感器、湿度传感器等采集环境状态、罐体状态以及机车状态的传感器；服务器为搭载操作系统的计算机。服务器存储数据，同时服务器运行钢铁界面程序，为预测模型运行提供支撑；搭建模型的终端为部署铁钢界面的计算机。用户在终端通过客户端程序，可以获取到当前时刻，某一铁水罐的预测温度。

本发明提出的温度预测实现方案主要依靠搭载了铁钢智慧界面的终端实现，实现过程如图1所示，包括了温度预测方案的部署以及预测重罐铁水温度。

步骤1：在铁水罐便于对罐体、所处环境的状态信息进行检测的位置安装部署各类传感器，以及安装RFID标签、天线与阅读器，以获取与传输预测铁水温度的数据；

步骤2：传感器获取数据，传输给RFID标签并记录，服务器通过天线、阅读器获取记录在RFID中的数据；

步骤3：在搭载了铁钢智慧界面的终端、服务器，安装铁水温度预测模型所需的环境，并构建场景一所需的预测模型；

从高炉出铁口至倒灌铁水至重罐的过程即铁水倒罐过程中，铁水的热损失主要是表面对流辐射和热辐散热；根据表面对流辐射、热辐散热以及能量守恒规律，将铁水倒罐过程中的铁水温降等效为一个铁水组成的圆柱的散热过程，建立倒罐过程铁水热能损失模型，如下式(1)：

根据能量守恒定律，有Q

其中，Q

利用连续测温装置或现有的炉温预测模型获取高炉出铁口的铁水温度T

步骤4：如图2所示，构建并训练场景二、场景三中的铁水温度预测模型；

场景二中，铁水倒罐完成后，铁水存储于罐体等待出厂的过程中，铁水的热损失包括铁水上表面的散热损失，罐壁的热传递散热，罐壁的热传递散热受罐体的使用次数、罐体状态因素的影响，采用长短期记忆(LSTM)神经网络模型，对铁水存储过程中铁水温度的损失情况进行预测，具体步骤如下：

步骤4.1：构建数据集：利用钢铁企业现有设施，收集钢铁企业在该场景下的数据，包括：每十分钟记录一次的铁水历史温度数据、与铁水历史温度数据同时记录的炉下环境信息包括环境温度和环境湿度、铁水成分种类、铁水罐种类、铁水罐使用年数，并将这些数据同步至RFID标签；同一历史时刻的罐内铁水温度、同一历史时刻的炉下环境温度、同一历史时刻的炉下环境湿度、罐内铁水成分种类、铁水罐种类、铁水罐使用年数作为输入数据，以十分钟后的铁水温度作为输出数据构建数据集。并将数据集按照8：1：1的比例分为，训练集、验证集、测试集；

步骤4.2：构建输入维度为6个特征、输出维度为1个特征，每层12个隐藏节点，以预测下一时刻铁水温度为目的的LSTM神经网络模型Model_1，激活函数采取sigmoid函数；并利用步骤4.1中的数据集对网络模型进行训练；

步骤4.3：在实际生产过程中，利用训练好的模型Model_1，以铁水倒罐完成后的铁水温度T

场景三中，在铁水运输过程中，铁水的热损失情况与场景二基本一致，但是在铁水运输过程中，铁水罐运输机车的速度、位置环境等因素也会对铁水温降产生影响。本发明在铁水运输场景下，以场景二的预测温度T

步骤4.4：构建数据集：利用钢铁企业现有设施，收集钢铁企业在该场景下的数据，包括：每十分钟记录一次的铁水历史温度数据，与铁水历史温度数据同时记录铁水罐所处环境的环境信息包括环境温度和环境湿度，与铁水历史温度数据同时记录机车巡行速度、与铁水历史温度数据同时记录剩余行驶距离、铁水成分种类、铁水罐种类、铁水罐使用年数，并将这些数据同步至RFID标签；以同一历史时刻的罐内铁水温度、同一历史时刻的环境温度、同一历史时刻的环境湿度、罐内铁水成分种类、铁水罐种类、铁水罐使用年数、机车巡行速度、剩余行驶距离作为输入数据，以十分钟后的铁水温度作为输出数据构建数据集。并将数据集按照8：1：1的比例分为，训练集、验证集、测试集；

步骤4.5：构建输入维度为8个特征、输出维度为1个特征，每层16个隐藏节点，以预测下一时刻铁水温度为目的的LSTM神经网络模型Model_2，激活函数采取sigmoid函数；并利用步骤4.4中构建好的数据集对网络模型进行训练。

步骤4.6：在实际生产过程中，利用训练好的模型Model_2，以模型二预测的重罐在离开铁厂前后时刻的铁水温度T

本发明所提出的重罐铁水温度预测方案部署完成后，在终端上的铁钢智慧界面部署用于输出重罐铁水温度预测模型的客户端程序。铁钢智慧界面可以展示所有重罐下的铁水罐信息，并根据铁水罐上的RFID标签信息进行实时更新，如图3所示，具体流程如下：

步骤1：铁钢智慧界面根据调度信息，提供需要进行铁水温度预测的铁水罐号；

步骤2：铁钢智慧界面实时获取罐体上的RFID标签返回的铁水罐的基本信息、位置信息以及当前场景下进行温度预测所需的数据；

步骤3：铁钢智慧界面将步骤2获取到的当前场景下进行温度预测所需数据，输入到部署阶段搭建、训练完成的对应模型中，获得对该铁水罐内铁水的温度预测结果，并在铁钢界面进行展示；

步骤4：铁钢界面将预测温度存储到对应铁水罐的RFID标签中，在有需要时再对RFID标签进行阅读，进行输出。

以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。