高炉炼铁过程多元铁水质量参数子空间建模与预测控制

摘要

钢铁是国民经济的命脉，高炉炼铁则是钢铁生产中最为重要的环节之一。高炉炼铁是从铁矿石等固态含铁化合物中还原出高温液态铁水的复杂物理化学反应过程。为实现高炉冶炼过程的高产量与低能耗，就应对高炉内部状态以及作为炼铁产品的铁水的质量进行实时在线监测和有效控制。然而，高炉内部冶炼环境极其严酷，高温、高压、多相多场耦合、固-液-气多态共存，使高炉内部状态和铁水质量参数的实时监测难以实现，从而难以对高炉进行有效运行控制与优化。目前，被广泛用来间接反映高炉运行性能和内部状态的综合性铁水质量指标为铁水硅含量([Si])、磷含量([P])、硫含量([S])和铁水温度(MIT)。然而，铁水质量参数难以直接在线检测，且离线化验过程时间较长，通常至少为1小时一次。另一方面，高炉炼铁过程前述综合复杂特性，使得难以建立铁水质量参数的运行机理模型（白箱模型）。因此，必须建立有效的数据驱动多元铁水质量模型，以提供铁水质量的实时预测信息。另外，由于检测与控制手段的限制，目前高炉日常生产调控操作大部分仍依赖于高炉炉长的经验和判断，缺乏科学的指导。因此，为实现高炉冶炼过程的优质、高效与低能耗，应实现多元铁水质量进行有效的数据驱动建模以及在此基础上的多元铁水质量控制。 针对上述问题，本文依托国家自然科学基金重大课题项目“大型高炉高性能运行控制方法及实现技术”(项目号:61290323)和“大型高炉高性能运行控制的实验验证平台构建及应用验证”(项目号:61290321)，以广西柳钢2#高炉为研究对象，开展高炉炼铁过程多元铁水质量参数子空间建模及预测控制的研究，具体工作如下: (1)首先，针对高炉炼铁过程变量众多、变量之间耦合关联造成铁水质量建模输入变量难以选择的问题，从变量可测、可控的角度出发，提出数据驱动典型相关性分析(CCA)与相关性分析(CA)结合的方法来提取与铁水质量参数相关性最强的关键可控变量作为面向控制建模的输入变量，即冷风流量、压差、富氧流量、设定喷煤量。 (2)其次，针对高炉炼铁过程工况时变特性，尤其针对换料、崩料等高炉炉况波动较大的情况，采用带有遗忘因子的递推子空间辨识算法建立多元铁水质量的在线输入输出模型。该模型可根据运行工况变化自适应地在线更新模型参数，从而保证高炉工况变化时铁水质量预测结果的准确性和稳定性。然后，进一步将所建立的模型作为预测器，应用于多元铁水质量的预测控制。由于预测模型可根据运行工况的变化，利用最新（或次最新）的过程输入输出数据在线更新模型参数，因而能够实现多元铁水质量参数的自适应预测控制。最后，基于实际工业数据开展实验研究，并将控制结果和基于常规子空间辨识模型的多元铁水质量参数预测控制进行对比。估计值均方根误差、设定值跟踪和干扰抑制曲线表明所提方法能够根据运行工况的变化对铁水质量进行准确预测和控制。 (3)最后，针对高炉炼铁过程的非线性动态特性，以及线性建模与控制方法在炉况稳定情况下的不足，提出基于数据驱动非线性子空间建模的多元铁水质量在线估计和预测控制方法。首先，采用基于LS-SVM的非线性子空间辨识技术，建立多元铁水质量在线预测的Hammerstein模型;然后，针对所建立的Hammerstein模型中高维非线性核函数影响模型计算效率的问题，采用分段三次Hermite插值多项式法对高维非线性核函数分解得到的非线性特性曲线进行插值拟合，在仅损失较小建模精度前提下，显著降低预测模型的计算复杂度;最后，将所建立的Hammerstein模型作为非线性预测器，应用于多元铁水质量的非线性预测控制，并采用具有全局寻优能力的遗传算法进行预测控制的非线性优化求解。基于实际工业数据的仿真实验和比较表明，所提建模方法具有更好的估计精度，而所提控制方法能够对复杂非线性过程进行有效控制。

目录

声明

摘要

第1章绪论

1．1研究背景与研究意义

1．2多元铁水质量参数建模与控制国内外研究现状

1．3本文研究内容

第2章高炉炼铁过程工艺与复杂性分析

2．1引言

2．2高炉炼铁过程工艺描述

2．3高炉炼铁过程重要参数

2．4多元铁水质量建模与控制难点

2．5本章小结

第3章基于递推子空间辨识的多元铁水质量参数在线建模与预测控制

3．1引言

3．2子空间辨识

3．2．1几何工具

3．2．2系统状态空间描述

3．2．3子空间辨识数据矩阵构造

3．2．4子空间辨识算法步骤

3．3带有遗忘因子的递推子空间辨识

3．4模型预测控制算法描述

3．4．1模型预测控制的基本原理

3．4．2模型预测控制关键参数选择

3．5递推子空间辨识在多元铁水质量参数建模与预测控制中的应用

3．5．1基于CCA和CA的建模输入变量选择

3．5．2建模与控制过程描述

3．5．3仿真实验

3．6本章小结

第4章基于非线性子空间辨识的多元铁水质量建模与非线性预测控制

4．1引言

4．2 Hammerstein模型概述

4．3遗传算法理论基础

4．3．1遗传算法的基本概念与特点

4．3．2遗传算法的原理与步骤

4．4基于LS-SVM的非线性子空间辨识

4．4．1基于LS-SVM的Hammerstein系统子空间辨识

4．4．2静态非线性模块简化

4．4．3建模算法实现步骤

4．5非线性子空间辨识在多元铁水质量建模与非线性预测控制中的应用

4．5．1建模与控制过程描述

4．5．2仿真实验

4．6本章小结

第5章总结与展望

5．1论文总结

5．2工作展望

参考文献

致谢

硕士期间主要工作