数据驱动的多尺度建模、控制及其在高炉冶炼过程中的应用

摘要

钢铁工业是国民经济的重要支柱产业，也是大量消耗能源的产业。在当今信息化时代和低碳经济时代，钢铁企业的节能减排和信息化建设倍受社会关注。高炉炼铁作为钢铁生产流程中的主要耗能工序，其工艺流程长，影响参数错综复杂，运行机制具有非线性、大时滞、高噪声、分布参数等特性。高炉生产过程的工艺机理，涉及化学反应动力学、三相流体动力学等物理化学过程，其复杂性涉及到了微观、中观、宏观等不同的层次和尺度。这些不同的层次和尺度的复杂性常常受不同控制机制的作用，需要分别加以处理，才能够深刻揭示冶炼过程的复杂规律。本文以包钢6号高炉冶炼专家系统在线采集的生产数据为基础，对高炉冶炼过程的多尺度辨识、预测及控制进行研究。这一研究为探索高炉冶炼过程的完全闭环控制提供了一种新的思路和途径，具有一定的创新价值和应用价值。
　　高炉冶炼过程自动控制的核心难题是炉温的预测和控制，这也是本文研究的核心问题所在。论文选取了高炉专家系统在线采集的生产数据为样本空间，容量为1000炉数据，采样间隔为2h左右。利用多尺度分析方法、相空间重构技术对炉温[Si]序列进行了多尺度辨识。结果表明高炉冶炼过程具有明显的多尺度特征:分解得到了7个本征模态函数和一个余项，其中:子尺度c1表征了原始信号中大部分的随机动态学特性，子尺度c2～c4则更多地反映混沌动态学特性，而剩余的分量则刻画了极限环特性。同时，应用交叉动态学维数、Arnhold鲁棒算法研究相邻子尺度系统之间的耦合状况，结果表明，c3子系统对耦合系统c2 vs.c3起主导性的作用，而c3和c4子系统均未对耦合系统c3 vs.c4起主导性作用，二者相互作用控制着该耦合系统。以上结果为应用多尺度方法研究高炉冶炼过程提供了具有应用价值的指导方针，并为进一步应用多尺度理论研究炉温的预测控制问题开辟了一条新途径。
　　论文在此基础上，进一步将多尺度时间序列预测方法用于炉温[Si]序列的预测，提出了EMD_AR和EMD_ARX两种多尺度模型。利用两种多尺度模型分别对炉温[Si]序列进行了多尺度建模，与单一尺度的AR模型的预测结果进行比较。仿真结果显示，基于EMD的多尺度模型在命中率方面有了大幅度提高，其他指标如均方误差和相关系数也有所改进。尤其是EMD_ARX模型，由于考虑了子尺度序列对相邻尺度的影响，预测效果较好，命中率达到了82％。也就是说，基于多尺度特征来对炉温[Si]序列进行建模体现出了巨大的优势，这也从另一个角度验证了高炉冶炼系统具有多尺度特征。
　　为更好地辨识多尺度系统，本文提出了一种多尺度建模策略，充分考虑系统状态参数的多尺度特征，以及各个子尺度系统及其耦合子系统对整体系统的不同贡献，来选取与目标变量关联度最大的子集——最优子集作为模型输入，进而构建所研究系统的多尺度模型。应用本文所提出的基于EMD的多尺度建模算法对高炉冶炼过程进行辨识，将原始尺度上采集的各个变量分别分解为不同尺度的子尺度信号，进而根据MIBIVS算法，从包含所有子尺度序列的信号集中选取出与原始尺度上系统输出关联度最大的最优子集，并以该最优子集作为模型输入，以原始尺度上系统输出——炉温[Si]序列作为模型输出，结合一般的线性模型或非线性模型来构造相应的多尺度模型。仿真过程以4种基本模型为框架，包括2个线性模型(MLR，MSLR)，2个非线性模型(RBFN，LS-SVM)，结果表明，Multiscale-RBFN对炉温[Si]序列进行预测可以达到86％的命中率，均方根误差和相关系数也在非常理想的水平，充分体现了模型的优势。而且Multiscale-模型只需要在原始尺度上的3个变量的信息，而不需要其他的相关变量，也就是说，应用Multiscale-模型时只需要采集这3个变量就能达到较好的预测效果，这也是该模型的优势所在。
　　在对高炉冶炼过程进行多尺度辨识的基础上，将辨识得到的多尺度模型与传统模型预测控制算法结合，提出了一种多尺度模型预测控制算法。结合高炉实际，设定相应的控制时域、预测时域和控制目标等参数，进而对高炉冶炼过程的炉温[Si]进行优化控制。仿真结果表明，多尺度模型预测控制算法能够有效地控制炉温[Si]在设定点附近波动，大大地降低了炉温的波动性，相应的输入变量的调整也在可行范围之内，这表明多尺度模型预测控制算法具有可行性和有效性。论文最后对全文的研究内容以及创新点做了归纳，并对预期的后续研究做了展望。

目录

声明

摘要

第一章 绪论

1．1 课题的研究背景和意义

1．2 高炉冶炼流程简介

1．3 国内外研究情况和进展

1．4 本文研究内容及组织结构

第二章 多尺度分析的理论基础

2．1 多尺度分解方法

2．1．1 线性多尺度分解方法

2．1．2 Hilbert-Huang变换

2．2 Lempel-Ziv复杂度

2．3 相空间重构

2．4 独立性检测算法

2．5 本章小结

第三章 炉温[Si]序列多尺度动态学特性分析

3．1 样本数据集描述

3．2 多尺度分解

3．3 子尺度动态学特性分析

3．4 相邻子尺度间耦合特性分析

3．5 本章小结

第四章 炉温[Si]序列多尺度时间序列预测模型

4．1 EMD_AR预测模型

4．2 EMD_ARX预测模型

4．3 本章小结

第五章 炉温[Si]多变量多尺度预测模型

5．1 多尺度模型框架设计

5．2 算法理论基础

5．2．1 互信息

5．2．2 输入选择算法

5．3 基于EMD的多尺度模型设计

5．4 仿真结果与讨论

5．4．1 高炉数据采集

5．4．2 实验结果分析与讨论

5．5 本章小结

第六章 基于多尺度方法的高炉冶炼过程预测控制

6．1 模型预测控制算法

6．1．1 传统模型预测控制

6．1．2 基于多尺度方法的预测控制

6．2 算法仿真

6．2．1 炉温[Si]目标值与其他参数约束的选取

6．2．2 仿真结果

6．3 本章小结

第七章 结论与展望

7．1 研究获取的主要结论

7．2 后续研究的展望

参考文献

攻读博士学位期问完成的论文