一种冶金加热炉炉内钢坯温度分布检测的软测量方法

摘要

本发明公开了一种冶金加热炉炉内钢坯温度分布检测的软测量方法，该方法选取影响炉内钢坯温度分布的若干关键变量构造过程检测变量集，运用基于多元统计投影原理的偏最小二乘技术建立冶金加热炉钢坯温度分布变量和过程检测变量之间的软测量模型，并通过交叉检验技术来决定最佳主元个数。本发明的方法避开了复杂的过程机理分析，现场实施方便，而且软测量精度高，尤其适用于类似冶金加热炉炉内温度分布检测这样的高维且过程数据非常丰富的工业场合；本发明可用于实时监控或指导实际生产，能使产品质量提高、产量增加，总体上实现冶金加热炉的节能降耗。

说明书

技术领域

本发明涉及冶金、轧钢工业生产过程的检测和控制领域，特别地，涉及一种冶金加热炉炉内钢坯温度分布的软测量方法。

背景技术

冶金加热炉是钢材热轧生产线上的关键设备之一，其主要作用是把炉内钢坯加热到后续轧钢工艺所要求的范围内，以保证钢坯的正常轧制。因此，钢坯在炉内的温度分布尤其是在出炉口处钢坯表面和中心的温度对于实现加热炉的闭环最优控制和预测钢坯的轧制效果具有重要的意义，是加热炉运行中钢坯加热的主要质量指标。但是，至今在实际的工业生产中，人们还无法直接测量移动钢坯在炉内的温度分布，只能通过在出炉口安装红外温度传感器来测量出炉钢坯的表面温度。由于钢坯从入炉到出炉往往长达数小时，出炉口红外测温数据无法反映钢坯在炉内移动加热过程中钢坯温度分布，同时，炉内燃料燃烧产生了大量烟雾和灰尘以及高温、富氧的炉内燃烧环境使钢坯表面生成厚厚的氧化铁皮，红外传感器的非接触测温精度不高且故障频繁。目前，大部分的工业加热炉都留有较大的加热裕量以弥补这一缺陷，自然增加了能耗和钢坯加热损耗，提高了生产成本。

为克服以上加热炉内钢坯加热质量不可直接检测的问题，人们提出了通过合理的加热炉运行数学模型来在线估计和预测炉内钢坯温度分布(即软测量)，实现加热炉的最优闭环控制。基于这种思想，研究者们根据炉内热量传递机理，建立了许多用于炉内钢坯温度分布的软测量模型并在工业上应用。然而，由于加热炉燃烧和加热过程的复杂性，炉内温度场和传热机理非常难以建模，致使软测量精度和应用效果往往不能保证。

发明内容

本发明针对冶金加热炉炉内温度分布无法直接测量，从而难以实现加热炉的精确的先进控制和预测钢坯的轧制效果等问题，提供一种冶金加热炉炉内钢坯温度分布检测的软测量方法。

本发明的目的是通过以下技术方案和步骤来实现的：一种冶金加热炉炉内钢坯温度分布检测的软测量方法，包括以下步骤：

(1)选择对钢坯温度分布有直接影响的30个生产测量参数作为软测量模型的辅助变量，构成测量参数向量X_m；

(2)选择表征炉内移动钢坯温度分布的三个变量作为软测量变量，构成软测量参数向量Y_m；

(3)从加热炉中采集一组软测量建模样本集$(X_m^i,Y_m^i),i=\mathrm{1,2}···\mathrm{NN},$构成建模样本矩阵XX和YY；

(4)对建模样本矩阵XX和YY进行标准化、归一化处理，使得各变量均值为0、方差为1；

(5)基于多元统计投影原理的偏最小二乘方法建立软测量模型，$\hat{Y}=\mathrm{X\theta },$其中，θ为软测量模型参数矩阵，θ的值由一个能最大保持输出矩阵Y的主元和输入矩阵X的主元之间相关性的主元分解算法计算求取；

(6)将当前测量数据矩阵代入上述软测量模型进行预测计算，并把预测结果进行逆标准化、逆归一化处理，得到工程单位意义下的炉内钢坯温度分布预测数据矩阵或向量；

(7)每次得到新的辅助变量测量值，都按上述步骤1～6计算炉内钢坯温度分布预测值；

为保证长时间运行时软测量的精度，对上述软测量模型参数矩阵θ定期进行模型自动校正。

本发明的有益效果是：(1)本发明的方法避开了复杂的过程机理分析，现场实施方便，而且软测量精度高，尤其适用于类似冶金加热炉炉内温度分布检测这样的高维且过程数据非常丰富的工业场合；(2)本发明的方法能实现在尽可能保持T和U的相关性的前提下进行X和Y的主元分解，使得最大限度地用输入主元T来估计或预测输出主元U，模型精度较其它方法提高许多；(3)本发明的方法用于实时监控或指导实际生产，能使产品质量提高、产量增加，总体上实现冶金加热炉的节能降耗。

附图说明

图1为本发明实施中的硬件系统架构和网络连接示意图；

图2为本发明方法的硬件系统结构示意图。

具体实施方式

下面对本发明的技术方案细节逐一详细说明，本发明的目的和效果将更加明显。

本发明的冶金加热炉炉内钢坯温度分布检测的软测量方法，包括以下步骤：

(1)选择对钢坯温度分布有直接影响的30个生产测量参数作为软测量模型的辅助变量，构成测量参数向量X_m。

所选择的30个生产测量辅助变量为：预热段上部温度t01、预热段下部温度t02、加热段上部两个温度t03和t05、加热段下部两个温度t04和t06、均热段上部两个温度t07和t09、均热段下部两个温度t08和t10、炉头段上部两个温度t11和t13、炉头段下部两个温度t12和t14、加热段上部燃料流量g01、加热段下部燃料流量g02、均热段上部燃料流量g03、均热段下部燃料流量g04、炉头段上部燃料流量g05、炉头段下部燃料流量g06、加热段上部空气流量a01、加热段下部空气流量a02、均热段上部空气流量a03、均热段下部空气流量a04、炉头段上部空气流量a05、炉头段下部空气流量a06、炉膛压力p01、燃料总管压力p02、空气总管压力p03、烟气含氧量o01。所组合构成的测量参数向量X_m为：X_m＝[t01 t02 t03 t04 t05 t06 t07 t08 t09 t10 t11 t12 t13 t14 g01 g02 g03 g04 g05g06 a01 a02 a03 a04 a05 a06 p01 p02 p03 o01]。

(2)选择表征炉内移动钢坯温度分布的三个变量作为软测量变量，构成软测量参数向量Y_m。

所选择的3个软测量变量为：钢坯下表面温度T_1、钢坯中心温度T_2和钢坯上表面温度T_3。所组合构成的软测量参数向量Y_m为：Y_m＝[T_1 T_2 T_3]。

(3)从加热炉中采集一组软测量建模样本集构成建模样本矩阵XX和YY。

由建模样本集所构成的建模样本矩阵为：

$\mathrm{XX}={\left(\begin{array}{cccc}{X}_m^1& X_m^2& ······& X_m^{\mathrm{NN}}\end{array}\right)}^T$

$\mathrm{YY}={\left(\begin{array}{cccc}{Y}_m^1& Y_m^2& ······& Y_m^{\mathrm{NN}}\end{array}\right)}^T$

其中，是测量参数向量X_m的第i个样本点的样本值，是软测量参数向量Y_m的第i个样本点的样本值，NN是建模样本集中的样本点数(取值在500到1000之间)。

(4)对建模样本矩阵XX和YY进行标准化、归一化处理(使得各变量均值为0、方差为1)。

对建模样本矩阵XX和YY进行标准化、归一化处理(使得各变量均值为0、方差为1)时，所采用的具体公式为：

均值计算：$\overline{\mathrm{XX}}=\frac{1}{\mathrm{NN}}\underset{i=1}{\overset{\mathrm{NN}}{\Sigma }}{\mathrm{XX}}_i,\overline{\mathrm{YY}}=\frac{1}{\mathrm{NN}}\underset{i=1}{\overset{\mathrm{NN}}{\Sigma }}{\mathrm{YY}}_i$

方差计算：${\sigma }_{\mathrm{XX}}^2=\frac{1}{\mathrm{NN}-1}\underset{i=1}{\overset{\mathrm{NN}}{\Sigma }}({\mathrm{XX}}_i-\overline{\mathrm{XX}}),$${\sigma }_{\mathrm{YY}}^2=\frac{1}{\mathrm{NN}-1}\underset{i=1}{\overset{\mathrm{NN}}{\Sigma }}({\mathrm{YY}}_i-\overline{\mathrm{YY}})$

归一化计算：${\mathrm{XX}}_1=\frac{\mathrm{XX}-\overline{\mathrm{XX}}}{{\sigma }_{\mathrm{XX}}},{\mathrm{YY}}_1=\frac{\mathrm{YY}-\overline{\mathrm{YY}}}{{\sigma }_{\mathrm{YY}}}$

式中，分别是对应于XX和YY的均值和方差。按某种合适的比例(例如7：3或6：4)将建模样本矩阵中NN个样本点采样数据分成训练样本矩阵(点数设为N)和测试样本矩阵(点数为NN-N)，则得到由训练样本矩阵构成的、XX和YY的输入矩阵X和输出矩阵Y(点数均为N)，X的每一行是一个输入向量，Y的每一行是一个输出向量。

(5)基于多元统计投影原理的偏最小二乘方法建立软测量模型，$\hat{Y}=\mathrm{X\theta },$其中，θ为软测量模型参数矩阵，θ的值由一个能最大保持输出矩阵Y的主元和输入矩阵X的主元之间相关性的主元分解算法计算求取。

所建立的偏最小二乘软测量模型$\hat{Y}=\mathrm{X\theta },$θ＝PBQ^T中，X是上述输入矩阵，是上述输出矩阵Y的软测量预测值，θ为软测量模型参数矩阵(值由一个能最大保持输出矩阵Y的主元和输入矩阵X的主元之间相关性的主元分解算法计算求取)，P和Q分别是关于X和Y的负荷矩阵，B是内部关系系数矩阵。在上述软测量模型中，当确定了参数矩阵θ以后，对于任意t时刻的当前实际测量数据按X_m排列顺序经过标准化、归一化处理后得到的一个输入向量X_t，利用软测量模型${\hat{Y}}_t=X_t\theta$可以得到同一时刻的软测量预测输出向量

(6)将当前测量数据矩阵代入上述软测量模型进行预测计算，并把预测结果进行逆标准化、逆归一化处理，得到工程单位意义下的炉内钢坯温度分布预测数据矩阵或向量。

将软测量模型计算的预测结果或进行逆标准化、逆归一化处理时，采用的具体公式为：

$\widehat{\mathrm{YY}}={\sigma }_{\mathrm{YY}}*\hat{Y}+\overline{\mathrm{YY}}$或${\widehat{\mathrm{YY}}}_t={\sigma }_{\mathrm{YY}}*{\hat{Y}}_t+\overline{\mathrm{YY}}$

式中，是前面进行标准化、归一化时的均值和方差。

(7)每次得到新的辅助变量测量值，都按上述1～6计算炉内钢坯温度分布预测值。

(8)为保证长时间运行时软测量的精度，对上述软测量模型参数矩阵θ定期(24小时或48小时)进行模型自动校正。

对软测量模型参数矩阵θ定期进行模型自动校正时，采用的校正公式为：

${\theta }_{k+1}={\theta }_k+\lambda *\Gamma {(Y_k-{\hat{Y}}_k)}^{T}H$

其中，θ_k+1为下一运行周期内的模型参数矩阵，θ_k为本次运行周期内的模型参数矩阵，Y_k和分别为钢坯上下表面红外温度检测仪(安装于炉出口处)在本次运行周期内总体测量值(矩阵)和相应软测量预测值(矩阵)；λ为尺度校正因子；Γ为校正模型的维数转换矩阵，它将两变量的红外测温数据(代表钢坯上、下表面温度)矩阵经过加权调制成三变量的温度检测矩阵(代表钢坯上表面、中心、下表面温度)；H为软测量模型参数校正矩阵。

软测量模型自动校正公式中，尺度校正因子λ取值在0～1.0之间，维数转换矩阵Γ形式为$\left(\begin{array}{cc}1& 0\\ {\mu }_1& {\mu }_2\\ 0& 1\end{array}\right),$其中μ₁，μ₂为加权调制系数，取值皆为0～1.0之间；参数校正矩阵H的行数为本次运行周期内Y_k和的测量值点数(一般300～500点)、列数为最佳主元个数，H的内部元素值通过对上述建模样本矩阵XX，YY的统计回归分析得到，取值皆为0～1.0之间。

下面通过一个典型的实施案例并结合附图，详细阐述本发明的具体实施方式。

1 工业背景

图1是一个典型的推钢式板坯加热炉及其炉内钢坯温度分布示意图，该加热炉由预热段、加热段、均热段和炉头段构成，每段分上下两个段区，除预热段外，其余三个燃烧段每段均设有上下烧嘴1，使用天然气或混合煤气作为燃料，炉内钢坯2由水冷滑管3支持，并在推钢机4的推动下不断由入炉口5向炉出口6方向移动。出炉钢坯沿着辊道送往后续轧机，经粗轧、精轧等工序，制成成品或半成品。这一过程的反复运行，便构成加热炉的连续生产过程。燃料气和空气经管道7和8送入炉膛，燃烧后烟气沿烟道9排出。当钢坯推出炉外时，在出炉口上下侧设置了红外测温仪10检测钢坯温度。为实现钢坯加热到目标温度的连续生产，通常采用计算机集散控制系统(DCS)对设备的运行加以控制和操作，主要的过程变量和质量变量如表1所示。

表1 轧钢加热炉的过程变量和质量变量分布

 

过程变量序号变量名测点位置描述1，3，5g01，g03，g05三个燃烧段的上区喷嘴燃气流量2，4，6g02，g04，g06三个燃烧段的下区喷嘴燃气流量7，9，11a01，a03，a05三个燃烧段的上区喷嘴空气流量8，10，12a02，a04，a06三个燃烧段的下区喷嘴空气流量13，14，15，1617，18，19t01，t03，t05，t07t09，t11，t13四个段的上区沿炉长方向分布的七个炉温检测量里20，21，22，2324，25，26t02，t04，t06，t08t10，t12，t14四个段的下区沿炉长方向分布的七个炉温检测量量27p01炉膛炉膛压力28p02燃气总管燃气总管压力29p03空气总管空气总管压力30o01烟道烟气含氧量质量变量序号变量名测点位置描述

 

1T_1钢坯的下表面温度2T_2钢坯的中心温度3T_3钢坯的上表面温度

2 实施中的硬件系统架构和网络连接

为现场实施应用而集成的硬件系统依托Internet网络连结的三层体系结构实现，如图2所示，分别为：下层为本发明中与冶金加热炉生产过程主控DCS进行数据交互的数据接口机11，它通过DCS数据电缆与DCS设备12连结。中间层为一台高性能的、达到防爆防尘标准网络服务器13，如惠普服务器、戴尔服务器等，本发明的软测量模型计算和参数矩阵自动校正在这一层实现。上层是监控工作站14，本方法中所有人—机交互操作和信息显示都在这些监控工作站中实现。

3 实施步骤及技术内容

第一步：在线采集冶金加热炉生产过程的操作运行数据

选择30个生产测量辅助变量和3个软测量变量，分别为：

X_m＝[t01 t02 t03 t04 t05 t06 t07 t08 t09 t10 t11 t12 t13 t14 g01g02 g03 g04 g05 g06 a01 a02 a03 a04 a05 a06 p01 p02 p03 o01]

Y_m＝[T_1 T_2 T_3]

一般，每种钢坯规格的正常运行数据需连续采集48小时以上(数据库采集周期10～30秒可设，下同)并保存在数据库中；不同钢坯规格的切换操作数据需至少一个完整的切换周期并保存在数据库中；过程开车过程运行数据(持续约24小时以上)并保存在数据库中；过程的正常停车过程运行数据(持续约20小时以上)并保存在数据库中；

第二步：由建模样本集构成的建模样本矩阵为：

$\mathrm{XX}={\left(\begin{array}{cccc}{X}_m^1& X_m^2& ······& X_m^{\mathrm{NN}}\end{array}\right)}^T$

$\mathrm{YY}={\left(\begin{array}{cccc}{Y}_m^1& Y_m^2& ······& Y_m^{\mathrm{NN}}\end{array}\right)}^T$

其中，是测量参数向量X_m的第i个样本点的样本值，是软测量参数向量Y_m的第i个样本点的样本值，NN是建模样本集中的样本点数(取值在500到1000之间)。

第三步：对采集得到的数据按相应公式进行标准化、归一化处理，得到输入矩阵X和输出矩阵Y，所

采用的具体公式为：

均值计算：$\overline{\mathrm{XX}}=\frac{1}{\mathrm{NN}}\underset{i=1}{\overset{\mathrm{NN}}{\Sigma }}{\mathrm{XX}}_i,\overline{\mathrm{YY}}=\frac{1}{\mathrm{NN}}\underset{i=1}{\overset{\mathrm{NN}}{\Sigma }}{\mathrm{YY}}_i$

方差计算：${\sigma }_{\mathrm{XX}}^2=\frac{1}{\mathrm{NN}-1}\underset{i=1}{\overset{\mathrm{NN}}{\Sigma }}({\mathrm{XX}}_i-\overline{\mathrm{XX}}),{\sigma }_{\mathrm{YY}}^2=\frac{1}{\mathrm{NN}-1}\underset{i=1}{\overset{\mathrm{NN}}{\Sigma }}({\mathrm{YY}}_i-\overline{\mathrm{YY}})$

归一化计算：${\mathrm{XX}}_1=\frac{\mathrm{XX}-\overline{\mathrm{XX}}}{{\sigma }_{\mathrm{XX}}},{\mathrm{YY}}_1=\frac{\mathrm{YY}-\overline{\mathrm{YY}}}{{\sigma }_{\mathrm{YY}}}$

第四步：计算偏最小二乘软测量模型$\hat{Y}=\mathrm{X\theta },\theta ={\mathrm{PBQ}}^T.$

X是上述输入矩阵，是上述输出矩阵Y的软测量预测值，θ为软测量模型参数矩阵(值由一个能最大保持输出矩阵Y的主元和输入矩阵X的主元之间相关性的主元分解算法计算求取)，P和Q分别是关于X和Y的负荷矩阵，B是内部关系系数矩阵。在上述软测量模型中，当确定了参数矩阵θ以后，对于任意t时刻的当前实际测量数据按X_m排列顺序经过标准化、归一化处理后得到的一个输入向量X_t，利用软测量模型${\hat{Y}}_t=X_t\theta$可以得到同一时刻的软测量预测输出向量

根据计算结果得到的各向量p，q，b，构造X，Y的负荷矩阵P和Q，以及构造主元回归矩阵B，并按θ＝PBQ^T求取软测量模型参数矩阵θ。当PLS模型的主元数目取为4时，模型参数矩阵θ的取值为一个30×3数据矩阵，元素值在—0.5到0.5之间。

第五步：软测量预测值计算并进行逆标准化、逆归一化计算，每次得到新的辅助变量测量值，都按$\hat{Y}=\mathrm{X\theta },\theta ={\mathrm{PBQ}}^T$计算软测量模型预测值。本次实施案例中，模型预测值与实测值最大相对误差小于4％，满足工业应用的精度要求。

第六步：软测量模型参数自动校正，校正算法为${\theta }_{k+1}={\theta }_k+\lambda *\Gamma {(Y_k-{\hat{Y}}_k)}^{T}H.$本次实施案例中，校正公式参数设置为：λ取值0.45，维数转换矩阵Γ中μ₁＝0.63，μ₂＝0.37为加权调制系数，取值皆为0～1.0之间；参数校正矩阵H的内部元素取值皆为0～1.0之间。

以上即为本发明一个具体、完整的实施过程，该例用来解释说明本发明的用法而非对本发明进行限制。在本发明权利要求的保护范围内进行的任何改变，都属于本发明的保护范围。