基于性能评估的焦炉加热燃烧过程火道温度自动调节方法

摘要

本发明公开了一种基于性能评估的焦炉加热燃烧过程火道温度自动调节方法，通过采集火道温度运行的历史数据，建立基于信息熵的多属性性能评估模型，采集当前火道温度运行的数据，利用基于信息熵的多属性性能评估模型判断当前控制系统性能等级，依据当前控制系统性能建立多目标优化模型，采用遗传算法对多目标优化模型进行求解，调节控制系统中的控制器参数，实现自动调节火道温度；应利用本方法使生产现场的控制器参数可以自动调节，达到了火道温度自动调节的目的，有效地提高了炼焦生产的自动化程度与炼焦生产的经济效益。通过采用基于信息熵的在线性能评估模型，准确的评估了炼焦生产过程中控制系统的运行情况，为控制器参数的优化提供了依据。

说明书

技术领域

本发明属于焦炉加热燃烧过程控制领域，涉及一种基于性能评估的焦炉加热燃烧过程火 道温度自动调节方法。

背景技术

焦炭作为钢铁的冶炼原料广泛的应用于高炉炼铁、有色金属冶炼、电石、铸造、气化等 工业领域，是国民经济发展的重要物质基础。在钢铁行业中，焦炭质量直接影响着企业产品 成本、生产质量，制约着企业经济效益的增长。设计焦炉加热燃烧过程优化控制系统稳定焦 炉火道温度对降低焦化企业生产成本和提高经济效益具有非常重要的作用。

焦炉加热燃烧过程火道温度是影响焦炭质量和炼焦能耗最重要的过程参数，如果火道温 度不稳定、波动大，将导致焦炭加热不均匀，局部生焦会造成出焦时冒黑烟，直接影响焦炭 质量和炉体寿命。由于频繁的装煤、推焦或机器故障、电气故障等原因，焦炉加热燃烧过程 火道温度易产生较大的波动。

针对于这种问题炼焦现场通常采取的方法通过人工过调整控制参数以减小火道温度的波 动，但这种方法很依赖于人工经验。在调节控制器参数时，现场技术人员首先会根据火道温 度判断系统运行是否在正常，若系统运行异常，则通过调节控制器参数，减小控制系统的火 道温度波动，以使系统恢复到稳定状态。这种人工调节控制参数、稳定火道温度的方法依赖 于现场技术人员的经验，不利于控制系统的及时调整，可能会影响到炼焦生产。因此，发明 一种焦炉加热燃烧过程火道温度自动调节方法，对生产过程智能化、提高生产效率与生产质 量有着重要的意义。

发明内容

本发明提供了一种基于性能评估的焦炉加热燃烧过程火道温度自动调节方法，其目的在 于克服现有技术中的焦炉加热燃烧过程的火道温度只能依靠人工判断来调节，调节过程依赖 于技术人员经验，无法自动调节，影响炼焦生产效率和质量的问题。

一种基于性能评估的焦炉加热燃烧过程火道温度自动调节方法，通过采集火道温度运行 的历史数据，建立基于信息熵的多属性性能评估模型，采集当前火道温度运行的数据，利用 基于信息熵的多属性性能评估模型判断当前控制系统性能等级，依据当前控制系统性能建立 多目标优化模型，采用遗传算法对多目标优化模型进行求解，调节控制系统中的控制器参数， 实现自动调节火道温度；

调节控制系统中的控制器参数的具体步骤如下：

步骤1：建立多目标优化模型；

步骤2：以控制系统的控制器参数X＝[x₁,x₂,x₃]作为种群个体，x₁和x₂分别是控制器中的 输入量火道温度偏差和火道温度偏差率的量化因子，x₃是控制器输出量的比例因子，采用随 机的方式建立初始化种群，并计算种群中的每个个体分别对应的步骤1中的每个目标值，种 群个体数量NP的取值为40；

本实例中采用差分进化算法生成控制器参数的初始化种群的方法如下式所示：

$x_{\mathrm{qp}}^0=x_{q\min }+\mathrm{rand}\left(\mathrm{0,1}\right)*(x_{q\max }-x_{q\min })$

式中，p表示种群中第p组控制器参数，q表示一组控制器参数中第q个参数，表示 第0代种群种中第q组控制器参数的第p个参数，x_qmax、x_qmin表示决策变量的最大取值和最 小取值，p的取值范围是[1,40]，q的取值范围是[1,3]；

步骤3：随机选取种群中两组不同的控制系统的控制器参数，采用差分策略，计算下一代 个体，将个体进行交叉操作后得到中间种群；

步骤4：将中间种群中NP组控制器参数和上一代中的NP组参数组成种群规模为2NP的 临时种群，根据个体的优劣等级和拥挤距离进行排序，从临时种群中选择排列在前NP组的 控制器参数作为下一代种群，完成一次迭代；

根据个体的优劣等级和拥挤距离进行排序方法为文献“多目标混沌差分进化算法”公开的 内容，其中文献[2]中3.1.3小节中有详细描述

步骤5：当迭代次数大于或等于设定的最大迭代次数时，以优劣等级为1的控制器参数作 为多目标优化模型的解，否则，返回步骤3；

所述多目标优化模型包括以下两种：

1）当控制系统性能等级B的取值属于(0.2,0.6)时，则采用如下式所示的焦炉加热燃烧过 程优化模型：

$\left(\begin{array}{c}\min f_1\left(x\right)=[f_{11}\left(X\right),f_{12}\left(X\right),f_{13}\left(X\right)]\\ f_{11}=\frac{1}{M}\underset{j=1}{\overset{M}{\Sigma }}|T_j-R|\\ f_{12}=\frac{1}{M}\underset{j=1}{\overset{M}{\Sigma }}{(T_j-\frac{1}{j}\underset{p=1}{\overset{j}{\Sigma }}{T}_p)}^2\\ f_{13}=t_{s,i}\\ u_j=g_1(x_1,x_2,x_3,e,\mathrm{ec})\\ T_j=g_2\left(u_j\right)\end{array}\right)---\left(1\right)$

其中，X＝[x₁,x₂,x₃]是决策向量，x₁,x₂分别表示模糊控制器的两个量化因子，x₃表示模 糊控制器的比例因子；

M为确定火道温度测量间隔时间后在12小时内根据此间隔时间进行测量的次数；

M表示参数修正后，系统进入稳态时刻起，系统运行的时间段；T_j表示为通过函数g₂() 获得的第j个时刻的火道温度预测值，R为火道温度设定值，t_s,i表示第i个时刻的系统调节 时间，e表示火道温度设定值与实际测量值的差值，ec表示火道温度设定值与实际测量值差 值的变化率，u_j表示第j个时刻加热煤气的流量预测值；T_p=T_j，p为从1开始取值直到j的 整数；

f₁₁()表示控制系统的偏差，f₁₂()表示控制系统输出的均方差，f₁₃()表示控制系统调节 时间；

g₁()表示以e和ec为输入，u_j为输出的二维模糊控制器；输入量的模糊论域为[-6,6]， 输出量的模糊论域为[-6,6]，模糊变量的词集均选为7个：{NB,NM,NS,ZO,PS,PM,PB}， 子集中元素分别代表负大、负中、负小、零、正小、正中、正大，输入量和输出量在模糊论 域中[-6,-5]为负大NB，（-5,-3]为负中NM，（-3,-1]为负小NS，（-1,1]为零ZO，（1,3]为 正小PS，（3，5]为正中PM，（5，6]为正大PB；所设计的模糊规则表1如下表所示：

表1

g₂()为采用计时学习算法建立火道温度与加热煤气流量之间的关系表达式；

2）当控制系统性能等级B的取值小于0.2时，则采用如下式所示的焦炉加热燃烧过程优 化模型：

$\left(\begin{array}{c}\min f_2\left(x\right)=[f_{21}\left(X\right),f_{22}\left(X\right)]\\ f_{21}=\frac{1}{\min (\frac{\mathrm{USL}-\bar{T}}{3S},\frac{\bar{T}-\mathrm{LSL}}{3S})}\\ f_{22}=t_{s,i}\\ u_j=g_1(x_1,x_2,x_3,e,\mathrm{ec})\\ T_j=g_2\left(u_j\right)\end{array}\right)---\left(2\right)$

其中，X＝[x₁,x₂,x₃]是决策向量，x₁,x₂分别表示模糊控制器的两个量化因子，x₃表示模 糊控制器的比例因子；M为3～5之间的常数，表示参数修正后，系统进入稳态时刻起，系 统运行的时间段，t_s,i表示第i个时刻的系统调节时间，e表示火道温度设定值与实际测量值的 差值，ec表示火道温度设定值与实际测量值差值的变化率，u_j表示第j个时刻加热煤气的流 量预测值；

表示火道温度标准差，是M个火道温度平均值，USL是火道 温度上规格值（机侧上限温度1200℃，焦侧上限温度1400℃）和LSL是火道温度下规格值（机 侧下限温度1000℃，焦侧下限温度1200℃），T(i)为第i个时刻测量获得的火道温度值；

f₂₁()表示控制系统当前的过程能力，f₂₂()表示控制系统调节时间；

控制系统性能等级B通过基于信息熵的多属性性能评估模型获得；

所述的火道温度测量间隔时间为3～4小时。

所述基于信息熵的多属性性能评估模型的建立步骤如下：

步骤1：分别计算各个性能指标J_x，按照隶属度函数，确定控制系统性能指标的关系矩 阵Q；

式中，r_xy表示第x个性能指标隶属于对第y个性能等级的程度值，依据隶属度函数获得， 1≤x≤6，1≤y≤3；

步骤2：计算各个性能指标的信息熵：

$E_x=-\frac{1}{\ln 6}\underset{y=1}{\overset{3}{\Sigma }}{p}_{\mathrm{xy}}\ln p_{\mathrm{xy}}---\left(3\right)$

式中$p_{\mathrm{xy}}=r_{\mathrm{xy}}/\underset{k=1}{\overset{3}{\Sigma }}{r}_{\mathrm{xk}}(x=\mathrm{1,2},...,6;y=\mathrm{1,2,3});$当r_xy=0，令r_xy为无穷小；

步骤3：确定各性能指标在性能评价过程中的权重：

$h_x=(1-E_x)/(6-\underset{x=1}{\overset{6}{\Sigma }}{E}_x),(x=1,...,6)---\left(4\right)$

式中0≤h_x≤1，且

步骤4：计算各指标之间的相对重要性r_xy′：

${r_{\mathrm{xy}}}^{\prime }=h_x{r}_{\mathrm{xy}}/\underset{k=1}{\overset{6}{\Sigma }}{h}_k{r}_{\mathrm{ky}}---\left(5\right)$

步骤5：获得焦炉加热燃烧过程性能评价的模型为：

式中，∨(b₁,b₂)＝max(b₁,b₂)，B为控制系统的性能等级，其取值范围为0～1；

其中，所述性能指标包括6个，分别为两个一级性能指标和四个二级性能指标，所述控 制系统性能等级取值范围是0～1；

所述性能等级包括3个，第一至三个性能等级依次为不合格、良好及合格；

所述一级性能指标是指一级火道温度偏差指标J₁和一级火道温度偏差变化率J₂；

$J_1=\frac{1}{N_1}\underset{i=1}{\overset{N_1}{\Sigma }}|T\left(i\right)-R|---\left(7\right)$

$J_2=\frac{1}{N_1-1}\underset{i=1}{\overset{N_1-1}{\Sigma }}\left(\right|T(i+1)-R|-|T\left(i\right)-R\left|\right)---\left(8\right)$

其中，N₁为12小时内所测得的火道温度火道温度数据个数，T（i）为火道温度测量值， R为火道温度设定值（焦侧火道温度设定值为1310℃），i表示第i个火道温度测量值；

所述二级性能指标分别是指过程能力指标J₃、经济性能指标J₄、二级火道温度偏差指标 J₅及二级火道温度偏差变化率J₆；

$J_3=\min (\frac{\mathrm{USL}-\bar{T}}{3S},\frac{\bar{T}-\mathrm{LSL}}{3S})---\left(9\right)$

$J_4=\frac{J_4^{\mathrm{hist}}}{\phi },\phi =\frac{1}{N_2}\underset{i=1}{\overset{N_2}{\Sigma }}({(T\left(i\right)-R)}^2+\mathrm{\lambda \Delta U}{\left(i\right)}^2)---\left(10\right)$

$J_5=\frac{1}{N_2}\underset{i=1}{\overset{N_2}{\Sigma }}|T\left(i\right)-R|---\left(11\right)$

$J_6=\frac{1}{N_2-1}\underset{i=1}{\overset{N_2-1}{\Sigma }}\left(\right|T(i+1)-R|-|T\left(i\right)-R\left|\right)---\left(12\right)$

其中，表示火道温度标准差，是评估周期内火道温度平均值， USL是火道温度上规格线（机侧上限温度1200℃，焦侧上限温度1400℃）和LSL是火道温 度下规格线（机侧下限温度1000℃，焦侧下限温度1200℃），T为火道温度检测值，N₂为 24小时内所测得的火道温度数据量；R表示火道温度设定值，生产时火道温度的设定通常机 侧是1260度，焦侧是1310度，T(i)表示第i个时刻的火道温度值，ΔU(i)表示第i个时刻的 加热煤气流量的变化；为控制系统的性能基准值，从历史运行数据中选取火道温度偏差 小于±7，偏差变化率小于±7%时的经济性能指标值；

所述的火道温度测量间隔时间为3～4小时。

所述隶属度函数是指：

当控制系统的性能指标值J_x小于a时，控制系统在此指标上隶属于“不合格”的程度为1；

当控制系统的性能指标值J_x大于c时，控制系统在此指标上隶属于“良好”的程度为1；

当控制系统的性能指标值J_x在a到b之间时，控制系统在此指标上隶属于“不合格”的程 度为隶属于“合格”的程度为

当控制系统的性能指标值J_x在b到c之间时，控制系统在此指标上隶属于“合格”的程度 为隶属于“良好”的程度为

其中，a的取值为c的取值为b的取值为和分别为性能指 标J_x根据生产现场的运行数据分别计算得到该指标的最大值和最小值；

所述火道温度的采集是指对m个燃烧室的焦侧火道温度或机侧火道温度进行同时采集获 得的平均值；

$T=\frac{1}{m}\underset{m=1}{\overset{56}{\Sigma }}{T}_m---\left(13\right)$

其中，T_m表示第m个燃烧室的焦侧火道温度或机侧火道温度。

所述控制系统的性能基准值在控制系统的运行过程中，以当前控制系统中所获得的 历史最大经济性能指标值更新

有益效果

本发明提供了一种基于性能评估的焦炉加热燃烧过程火道温度自动调节方法，通过采集 火道温度运行的历史数据，建立基于信息熵的多属性性能评估模型，采集当前火道温度运行 的数据，利用基于信息熵的多属性性能评估模型判断当前控制系统性能等级，依据当前控制 系统性能建立多目标优化模型，采用遗传算法对多目标优化模型进行求解，调节控制系统中 的控制器参数，实现自动调节火道温度；应利用本方法使生产现场的控制器参数可以自动调 节，达到了火道温度自动调节的目的，有效地提高了炼焦生产的自动化程度与炼焦生产的经 济效益。同时，通过本发明提出了基于信息熵的在线性能评估模型，准确的评估了炼焦生产 过程中控制系统的运行情况，为控制器参数的优化提供了依据。

附图说明

图1为本发明所述方法的流程图；

图2性能指标的隶属度函数；

图3交叉操作过程示例图；

图4机侧火道温度自调整示意图；

图5焦侧火道温度自调整示意图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

以某钢铁公司新1#焦炉焦侧温度调节为例进行具体实施方式的说明，该钢铁公司的火道 温度为每隔四个小时测量一次。

如图1所示，为本发明所述一种基于性能评估的焦炉加热燃烧过程火道温度自动调节方 法的流程图，通过采集火道温度运行的历史数据，建立基于信息熵的多属性性能评估模型， 采集当前火道温度运行的数据，利用基于信息熵的多属性性能评估模型判断当前控制系统性 能等级，依据当前控制系统性能建立多目标优化模型，采用遗传算法对多目标优化模型进行 求解，调节控制系统中的控制器参数，实现自动调节火道温度；

调节控制系统中的控制器参数的具体步骤如下：

步骤1：建立多目标优化模型；

步骤2：以控制系统的控制器参数X＝[x₁,x₂,x₃]作为种群个体，x₁和x₂分别是控制器中的 输入量火道温度偏差和火道温度偏差率的量化因子，x₃是控制器输出量的比例因子，采用随 机的方式建立初始化种群，并计算种群中的每个个体分别对应的步骤1中的每个目标值，种 群个体数量NP的取值范围为20～50；

步骤3：随机选取种群中两组不同的控制系统的控制器参数，采用差分策略，参见文献[1]， 计算下一代个体，将个体进行交叉操作后得到中间种群；

交叉操作过程如图3所示，图中v_q,p(g+1)为变异后产生的个体，x_q,p(g)为上一代个体。 第一步交叉操作的基础是随机取出v_q,p(g+1)中的第q_rand个参数作为交叉后u_q,p(g+1)的q_rand为参数(图3的示例中取的是第一位的参数)。后续的交叉过程则通过交叉概率CR（本发明取 0.8）来选取是x_q,p(g)还是v_q,p(g+1)来作为u_q,p(g+1)的等位参数，r为[0,1]之间的随机数；

变异、交叉之后产生的种群称为中间种群，针对于中间种群的每一组控制器参数计算目 标函数值；

步骤4：将中间种群中NP组控制器参数和上一代中的NP组参数组成种群规模为2NP的 临时种群，根据个体的优劣等级和拥挤距离进行排序，从临时种群中选择排列在前NP组的 控制器参数作为下一代种群，完成一次迭代，迭代次数加1；

优劣等级越高，拥挤距离越小的个体在种群中的排序越靠后，根据个体的优劣等级和拥 挤距离进行排序方法为文献[2]“多目标混沌差分进化算法”公开的内容，其中文献[2]中的3.1.3 小节中有详细描述；

步骤5：当迭代次数大于或等于设定的最大迭代次数时，以优劣等级为1的控制器参数作 为多目标优化模型的解，否则，返回步骤3；

所述多目标优化模型包括以下两种：

1）当控制系统性能等级B的取值属于(0.2,0.6)时，则采用如下式所示的焦炉加热燃烧过 程优化模型：

$\left(\begin{array}{c}\min f_1\left(x\right)=[f_{11}\left(X\right),f_{12}\left(X\right),f_{13}\left(X\right)]\\ f_{11}=\frac{1}{M}\underset{j=1}{\overset{M}{\Sigma }}|T_j-R|\\ f_{12}=\frac{1}{M}\underset{j=1}{\overset{M}{\Sigma }}{(T_j-\frac{1}{j}\underset{p=1}{\overset{j}{\Sigma }}{T}_p)}^2\\ f_{13}=t_{s,i}\\ u_j=g_1(x_1,x_2,x_3,e,\mathrm{ec})\\ T_j=g_2\left(u_j\right)\end{array}\right)---\left(1\right)$

其中，X＝[x₁,x₂,x₃]是决策向量，x₁,x₂分别表示模糊控制器的两个量化因子，x₃表示模 糊控制器的比例因子；

M为确定火道温度测量间隔时间后在12小时内根据此间隔时间进行测量的次数；

M表示参数修正后，系统进入稳态时刻起，系统运行的时间段；T_j表示为通过函数g₂() 获得的第j个时刻的火道温度预测值，R为火道温度设定值，t_s,i表示第i个时刻的系统调节 时间，e表示火道温度设定值与实际测量值的差值，ec表示火道温度设定值与实际测量值差 值的变化率，u_j表示第j个时刻加热煤气的流量预测值；T_p=T_j，p为从1开始取值直到j的 整数；

f₁₁()表示控制系统的偏差，f₁₂()表示控制系统输出的均方差，f₁₃()表示控制系统调节 时间；

g₁()表示以e和ec为输入，u_j为输出的二维模糊控制器；输入量的模糊论域为[-6,6]， 输出量的模糊论域为[-6,6]，模糊变量的词集均选为7个：{NB,NM,NS,ZO,PS,PM,PB}， 子集中元素分别代表负大、负中、负小、零、正小、正中、正大，输入量和输出量在模糊论 域中[-6,-5]为负大NB，（-5,-3]为负中NM，（-3,-1]为负小NS，（-1,1]为零ZO，（1,3]为 正小PS，（3，5]为正中PM，（5，6]为正大PB；所设计的模糊规则表1如下表所示：

表1

g₂()为采用计时学习算法建立火道温度与加热煤气流量之间的关系表达式；计时学习是 一种有监督的机器学习算法，但并不提前训练样本，直到需要估计某个输入值对应的输出， 这个输入值[y_j-1,y_j-2,u_j-1,u_j-2,u_j-3]通常被称为查询点，对于该查询点，根据已有的样本集中 火道温度找到相似的数据加热煤气流量建立动态样本库，根据文献[3]中3.8节后的附录1中 建立的局部映射，得到相应查询点的输出。

2）当控制系统性能等级B的取值小于0.2时，则采用如下式所示的焦炉加热燃烧过程优 化模型：

$\left(\begin{array}{c}\min f_2\left(x\right)=[f_{21}\left(X\right),f_{22}\left(X\right)]\\ f_{21}=\frac{1}{\min (\frac{\mathrm{USL}-\bar{T}}{3S},\frac{\bar{T}-\mathrm{LSL}}{3S})}\\ f_{22}=t_{s,i}\\ u_j=g_1(x_1,x_2,x_3,e,\mathrm{ec})\\ T_j=g_2\left(u_j\right)\end{array}\right)---\left(2\right)$

其中，X＝[x₁,x₂,x₃]是决策向量，x₁,x₂分别表示模糊控制器的两个量化因子，x₃表示模 糊控制器的比例因子；M为3～5之间的常数，表示参数修正后，系统进入稳态时刻起，系 统运行的时间段，t_s,i表示第i个时刻的系统调节时间，e表示火道温度设定值与实际测量值的 差值，ec表示火道温度设定值与实际测量值差值的变化率，u_j表示第j个时刻加热煤气的流 量预测值；

表示火道温度标准差，是M个火道温度平均值，USL是火道 温度上规格值（机侧上限温度1200℃，焦侧上限温度1400℃）和LSL是火道温度下规格值（机 侧下限温度1000℃，焦侧下限温度1200℃），T(i)为第i个时刻测量获得的火道温度值；

f₂₁()表示控制系统当前的过程能力，f₂₂()表示控制系统调节时间；

控制系统性能等级B通过基于信息熵的多属性性能评估模型获得；

所述的火道温度测量间隔时间为3～4小时。

所述基于信息熵的多属性性能评估模型的建立步骤如下：

步骤1：分别计算各个性能指标J_x，按照隶属度函数，确定控制系统性能指标的关系矩 阵Q；

式中，r_xy表示第x个性能指标隶属于对第y个性能等级的程度值，依据隶属度函数获得， 1≤x≤6，1≤y≤3；

步骤2：计算各个性能指标的信息熵：

$E_x=-\frac{1}{\ln 6}\underset{y=1}{\overset{3}{\Sigma }}{p}_{\mathrm{xy}}\ln p_{\mathrm{xy}}---\left(3\right)$

式中$p_{\mathrm{xy}}=r_{\mathrm{xy}}/\underset{k=1}{\overset{3}{\Sigma }}{r}_{\mathrm{xk}}(x=\mathrm{1,2},...,6;y=\mathrm{1,2,3});$当r_xy=0，令r_xy为无穷小；

信息熵越小，表明该性能指标在性能评估过程中的不确定性越小，在性能评估过程中所 占的权重越大；反之，信息熵越大，表明该指标在性能评估过程中的不确定性越大，在性能 评估过程中所占的权重越小；

步骤3：确定各性能指标在性能评价过程中的权重：

$h_x=(1-E_x)/(6-\underset{x=1}{\overset{6}{\Sigma }}{E}_x),(x=1,...,6)---\left(4\right)$

式中0≤h_x≤1，且

步骤4：计算各指标之间的相对重要性r_xy′：

${r_{\mathrm{xy}}}^{\prime }=h_x{r}_{\mathrm{xy}}/\underset{k=1}{\overset{6}{\Sigma }}{h}_k{r}_{\mathrm{ky}}---\left(5\right)$

步骤5：获得焦炉加热燃烧过程性能评价的模型为：

式中，∨(b₁,b₂)＝max(b₁,b₂)，∨为取大符号，B为控制系统的性能等级，其取值范围为0～ 1；

其中，所述性能指标包括6个，分别为两个一级性能指标和四个二级性能指标，所述控 制系统性能等级取值范围是0～1；

所述性能等级包括3个，第一至三个性能等级依次为不合格、良好及合格；

所述一级性能指标是指一级火道温度偏差指标J₁和一级火道温度偏差变化率J₂；

$J_1=\frac{1}{N_1}\underset{i=1}{\overset{N_1}{\Sigma }}|T\left(i\right)-R|---\left(7\right)$

$J_2=\frac{1}{N_1-1}\underset{i=1}{\overset{N_1-1}{\Sigma }}\left(\right|T(i+1)-R|-|T\left(i\right)-R\left|\right)---\left(8\right)$

其中，N₁为12小时内所测得的火道温度火道温度数据个数，T（i）为火道温度测量值， R为火道温度设定值（焦侧火道温度设定值为1310℃），i表示第i个火道温度测量值；

所述二级性能指标分别是指过程能力指标J₃、经济性能指标J₄、二级火道温度偏差指标 J₅及二级火道温度偏差变化率J₆；

$J_3=\min (\frac{\mathrm{USL}-\bar{T}}{3S},\frac{\bar{T}-\mathrm{LSL}}{3S})---\left(9\right)$

工业常用如表1所示的标准衡量工业系统的过程能力，从表1中可以看出，过程能力指 标的值分布在1.33至2.0之间时，控制系统处于良好的运行状态。在本实例中，令过程能力 指标基准的上限令过程能力指标基准的下限为

表1

J₃取值 系统性能 J₃∈[2.0,+∞] 系统运行特优，可考虑降低成本 J₃∈[1.67,2.0) 系统运行良好，继续保持 J₃∈(1.33,1.67] 系统运行良好，但性能仍有提升的空间 J₃∈(0.67,1.33] 系统性能较差，需要立即提升控制器性能 J₃∈[0,0.67] 系统性能不可接受，需重新设计控制器

加热煤气是炼焦生产过程中的重要资源，在保证火道温度满足生产要求的前提下，尽量 减小煤气流量是减小生产能耗的重要手段，采用φ表示经济性能函数，J₄表示控制系统的经济性能 指标：

$J_4=\frac{J_4^{\mathrm{hist}}}{\phi },\phi =\frac{1}{N_2}\underset{i=1}{\overset{N_2}{\Sigma }}({(T\left(i\right)-R)}^2+\mathrm{\lambda \Delta U}{\left(i\right)}^2)---\left(10\right)$

所述控制系统的性能基准值初始值为25.384，在控制系统的运行过程中，以当前控 制系统中所获得的历史最大经济性能指标值更新依据表2判断系统的经济性能。

表2

$J_5=\frac{1}{N_2}\underset{i=1}{\overset{N_2}{\Sigma }}|T\left(i\right)-R|---\left(11\right)$

$J_6=\frac{1}{N_2-1}\underset{i=1}{\overset{N_2-1}{\Sigma }}\left(\right|T(i+1)-R|-|T\left(i\right)-R\left|\right)---\left(12\right)$

其中，表示火道温度标准差，是评估周期内火道温度平均值， USL是火道温度上规格线（机侧上限温度1200℃，焦侧上限温度1400℃）和LSL是火道温 度下规格线（机侧下限温度1000℃，焦侧下限温度1200℃），T为火道温度检测值，N₂为 24小时内所测得的火道温度数据量；R表示火道温度设定值，生产时火道温度的设定通常机 侧是1260度，焦侧是1310度，T(i)表示第i个时刻的火道温度值，ΔU(i)表示第i个时刻的 加热煤气流量的变化量；为控制系统的性能基准值，从历史运行数据中选取火道温度偏 差小于±7，偏差变化率小于±7%时的经济性能指标值；

根据本发明的设计，一级性能指标的评估周期是24个小时，二级性能指标的评估周期是 12个小时。因此，在二级性能指标的评估周期到来时，同时需要进行一级性能评估。在本发 明中，在二级性能指标评估时，同时评估一级火道温度偏差指标和火道温度偏差变化率指标， 这两个性能指标的计算方法与进行一级性能指标评估时的计算方法相同。

所述的火道温度测量间隔时间为4小时。

所述隶属度函数为如图2所示的三角形隶属度函数，根据最大隶属度原则：

当控制系统的性能指标值J_x小于a时，控制系统在此指标上隶属于“不合格”的程度为1；

当控制系统的性能指标值J_x大于c时，控制系统在此指标上隶属于“良好”的程度为1；

当控制系统的性能指标值J_x在a到b之间时，控制系统在此指标上隶属于“不合格”的程 度为隶属于“合格”的程度为

当控制系统的性能指标值J_x在b到c之间时，控制系统在此指标上隶属于“合格”的程度 为隶属于“良好”的程度为

其中，a的取值为c的取值为b的取值为和分别为性能指 标J_x根据生产现场的运行数据分别计算得到该指标的最大值和最小值；依据上文分析，给出 如下的实例数据：

$J_2^{\mathrm{hist}1}=7\%,$$J_3^{\mathrm{hist}1}=0.67,$$J_4^{\mathrm{hist}1}=0.2,$$J_2^{\mathrm{hist}1}=14\%,$$J_3^{\mathrm{hist}1}=1.67,$$J_4^{\mathrm{hist}1}=0.8$

在本实施例中，某钢铁公司的焦化厂1#炉共有燃烧室56个，因此，每次测温得到是数据 是，56组焦侧火道温度，所述火道温度的采集是指对56个燃烧室的焦侧火道温度进行同时 采集获得的平均值；

$T=\frac{1}{56}\underset{m=1}{\overset{56}{\Sigma }}{T}_m---\left(13\right)$

其中，T_m表示第m个燃烧室的焦侧火道温度或机侧火道温度。

本发明采用matlab软件对提出的方法进行了仿真验证，如图4所示的机侧火道温度自调 整示意图，在优化前（图4中24h前）控制器参数为x₁=1.5，x₂=2，x₃=10，优化后，控制 器参数为x₁=1.05，x₂=11.32，x₃=5.49。如图5所示为焦侧火道温度自调整示意图，在优化 前（图5中24h前）控制器参数为x₁=1.13，x₂=2.8，x₃=5.03，优化后，控制器参数为x₁=1.75， x₂=8.96，x₃=7.63。仿真表明，本发明设计的优化方法在火道温度波动较大时立即使火道温 度恢复至正常状态。

参考文献

[1]杨启文,蔡亮,薛云灿.差分进化算法综述[J].智能识别与人工智能.2008,21(4):506-511.

[2]牛大鹏,王福利,何大阔,贾明兴.多目标混沌差分进化算法[J].控制与决策.2009,24(3): 361-365.

[3]潘天红,基于局部学习策略的非线性系统多模型建模与控制[D],上海交通大学.2007.