(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211115824.4 (22)申请日 2022.09.14 (71)申请人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 (72)发明人 蔺凤琴　李擎　刘艳　尹渌　 刘雨坤　栗辉　阎群　杨旭　 李震东　万家祺　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 专利代理师 张仲波 (51)Int.Cl. F27D 19/00(2006.01) G06F 16/2458(2019.01) G06F 9/455(2006.01) G06F 9/50(2006.01)G06N 5/02(2006.01) G06F 16/28(2019.01) (54)发明名称 一种基于大数据云平台的加热炉燃烧智能 控制方法及装置 (57)摘要 本发明提供了一种基于大数据云平台的加 热炉燃烧智能控制方法及装置， 涉及人工智能控 制技术领域。 包括： 基于加热炉生产运行参数的 大数据云平台的构建； 采用大数据挖掘技术， 实 现加热炉生产过程关键因素的识别， 形成完善的 相关性数据知识库； 基于机理模 型的传统加热炉 燃烧控制系统的独立部署； 融合 云平台大数据 专 家知识库的加热炉燃烧智能控制系统。 通过本发 明， 可以实现大数据挖掘技术、 智能算法与传统 机理模型的融合， 构建加热炉燃烧智能控制系 统， 提高加热炉炉温自动控制水平、 板坯加热温 度均匀性和炉气温度控制精度等， 实现加热炉生 产的精准控制， 达到减少能耗和烧损的同时提高 加热产品质量的稳定性。 权利要求书2页 说明书14页 附图9页 CN 115307452 A 2022.11.08 CN 115307452 A 1.一种基于大 数据云平台的加热炉燃烧智能控制方法， 其特 征在于， 包括以下步骤： S1： 基于加热炉生产运行参数构建大 数据云平台； S2： 基于所述大数据云平台， 采用大数据挖掘技术， 进行加热炉生产 过程关键因素的识 别和分析， 获得相关性数据知识库以及大 数据决策知识库； S3： 基于机理模型进行加热炉燃烧 控制系统的独立部署； S4： 将基于机理模型的加热炉燃烧控制系统与所述大数据云平台进行融合， 完成对基 于大数据云平台的加热炉燃烧智能控制。 2.根据权利要求1所述的方法， 其特征在于， 所述步骤S1中， 基于加热炉生产运行参数 构建大数据云平台， 包括： 根据数据存储量、 访问并发数、 加热炉专家知识库， 以及模型库研发过程中的计算需求 量相关因素的分析， 对大 数据云平台的硬件设备、 参数及分工进行设计； 其中， 所述大数据云平台采用三层构架， 底层为大数据云平台基础设施层， 中间为大数 据云平台支撑层， 最上层为知识库服 务层。 3.根据权利要求2所述的方法， 其特征在于， 所述大数据云平台基础 设施层用于大数据 云平台的硬件资源虚拟化和管理服务； 所述大数据云平台支撑层， 用于加热炉生产过程运 行时， 参数的采集、 存储、 挖掘分析以及可视化的研究开发支撑； 所述知识库服务层用于存 储加热炉生产过程的关键生产因素。 4.根据权利要求1所述的方法， 其特征在于， 所述步骤S2中， 基于所述大数据云平台， 采 用大数据挖掘技术， 进行加热炉生产过程关键因素 的识别和分析， 获得相关性数据知识库 以及大数据决策知识库， 包括： S21： 基于所述大数据云平台， 采用大数据挖掘技术， 对加热炉生产过程关键因素的识 别， 获得相关性数据知识库； S22： 基于加热炉运行时参数数据中心预设的人工智能、 机器学习和模式学习方法， 通 过对大数据的智能分析， 挖掘出 各运行时参数的关联图谱， 获得 大数据知识决策库。 5.根据权利要求4所述的方法， 其特征在于， 所述步骤S21中， 所述获得相关性数据知识 库， 包括： 获得复杂工况、 炉况知识库， 包括： 对于不同计划混装， 按照不同加热段， 根据钢种、 位 置权值、 空位布局、 目标温度、 当前温度、 预测出段温度情况， 对不同板坯的加热制度进 行权 衡， 感知加热炉的炉况和工况状态参数进行统筹， 获得复杂工况、 炉况知识库； 获得板温预报模型精度评估知识库， 包括： 动态评估各品规炉内温度的预报精度， 供智 能燃烧模型进行自适应调节， 综合所述预报精度数据获得板温预报模型精度评估知识库； 获得加热炉能效评估知识库， 包括： 基于生产数据、 能源数据以及炉况， 形成对加热炉 的客观评价， 综合所述 客观评价数据获得加热炉能效评估知识库； 获得炉压判别知识库， 包括： 按照炉压控制的优先级高于炉温控制的标准， 控制出炉侧 处于微正压状态， 综合控制标准数据以及微 正压状态数据， 获得炉压判别知识库； 获得空燃比优化知识库， 包括： 设定合理 的空燃比， 确定各段炉温的控制精度以及炉内 气氛的控制精度， 获得空燃比优化知识库。 6.根据权利要求4所述的方法， 其特征在于， 所述步骤S22中， 获得大数据知识决策库， 包括：权　利　要　求　书 1/2 页 2 CN 115307452 A 2获得加热目标决策知识库， 包括： 通过出炉温度、 轧机出口温度RDT描述各加热炉产品 规定的加热目标,获得加热目标决策知识库； 获得加热制度决策知识库， 包括:统计各工况 下加热曲线， 获得加热制度决策知识库。 7.根据权利要求1所述的方法， 其特征在于， 所述步骤S3中， 基于机理模型进行加热炉 燃烧控制系统的独立部署， 包括： S31： 对加热炉物料进行跟踪修正， 将轧制计划与实际板坯一一对应， 确定跟踪位置， 对 板坯流向进行遍历， 进行跟踪修 正； S32： 对板坯在炉内的升温过程进行预测， 采用数学模型预报板坯在炉内每个时刻的温 度分布， 其中板坯温度控制方程如下述公式(1)所示： 其中， ρ(t)表示板坯的密度； Cp(t)表示板坯的比热； λ(t)表示板坯的导热系数； S33： 基于所述板坯温度控制方程， 建立炉温优化模型。 8.根据权利要求7所述的方法， 其特征在于， 所述步骤S33， 基于所述板坯温度控制方 程， 建立炉温优化模型， 包括： S331： 基于所述板坯温度控制方程进行离线优化， 建立基础炉温表， 即炉温地毯图； S332： 基于所述板坯温度控制方程进行在线动态优化， 根据加热工艺和生产节奏， 模拟 板坯升温过程， 反算达 到目标加热工艺所需要的必要炉温； S333： 综合炉温， 炉段内各板坯的位置、 目标温度要素均不同， 则各板坯段内权值也不 同， 在各板坯炉温在线优化基础上， 给予各板坯不同权值， 获得炉温优化模型。 9.根据权利要求1所述的方法， 其特征在于， 所述步骤S4中， 将基于机理模型的加热炉 燃烧控制系统与所述大数据云平台进 行融合， 完成对基于大数据云平台的加热炉燃烧智能 控制， 包括： 将基于机理模型的加热炉燃烧控制系统与 所述大数据云平台进行融合， 大数据云平台 根据数据采集信息建立同步的炉内数据映像， 不断迭代更新各知识决策库， 综合各知识库 信息， 通过API函数实时向加热炉燃烧控制系统发送工艺、 时控参数， 完成对基于大数据云 平台的加热炉燃烧智能控制。 10.一种基于大数据云平台的加热炉燃烧智能控制装置， 其特征在于， 所述装置适用于 上述权利要求1 ‑9中任意一项所述的方法， 所述装置包括： 平台构建模块， 用于基于加热炉生产运行参数构建大 数据云平台； 知识库构建模块， 用于基于所述大数据云平台， 采用大数据挖掘技术， 进行加热炉生产 过程关键因素的识别和分析， 获得相关性数据知识库以及大 数据决策知识库； 模型部署模块， 用于基于 机理模型进行加热炉燃烧 控制系统的独立部署； 智能控制模块， 用于将基于机理模型的加热炉燃烧控制系统与 所述大数据云平台进行 融合， 完成对基于大 数据云平台的加热炉燃烧智能控制。权　利　要　求　书 2/2 页 3 CN 115307452 A 3