法律状态公告日
法律状态信息
法律状态
2019-03-01
授权
授权
2017-01-18
实质审查的生效 IPC(主分类):G05B19/418 申请日:20160914
实质审查的生效
2016-12-21
公开
公开
技术领域
本发明涉及高炉冶铁过程控制技术领域,特别涉及一种高炉多元铁水质量预测控制方法及系统。
背景技术
钢铁工业在国家经济发展中具有重要地位,是国家经济水平和综合国力的重要标志。高炉炼铁作为钢铁工业的重要环节,其铁水质量的好坏直接影响整个炼钢后续工序,甚至是钢成品质量的优劣。在高炉冶炼过程中,多元铁水质量指标通常采用硅含量([Si])、铁水温度(MIT)来衡量。硅含量是评定高炉炉况稳定性和生铁质量的重要指标,也是表征高炉化学热状态及其变化的标志之一。铁水硅含量高,有利于去除磷、硫等有害元素,但是硅含量过高会使生铁过于硬脆,降低金属获得率,且易引起喷溅。铁水温度是表征高炉冶炼过程物理热状态、能量消耗和铁水质量的重要参数。铁水温度过低不仅影响高炉顺行,而且会影响后续转炉炼钢的运行性能,增加生产成本,长时间的铁水温度过低更会造成炉身粘结、炉况失常等严重后果。因此实现对高炉多元铁水质量指标的自动控制,不仅是保证铁水质量提高的关键,而且对钢铁企业的节能降耗、提高经济效益和社会效益都有很重要的意义。
目前,对高炉铁水质量的控制大多只针对单一指标,即仅对硅含量或铁水温度等进行建模与控制。如有的采用子空间辨识方法建立铁水硅含量的线性输入输出模型(Zeng J S,Gao C H,Su H Y.Data-driven predictive control for blast furnace ironmaking process,Computers and Chemical Engineering,2010,34,11,pp.1854-1862.),有的采用线性回归的方法建立了铁水硅含量的线性ARMA预测模型(Marutiram K,Radhikrishnan V R.Predictive control of blast furnaces,Proceedings of TENCON′91.1991IEEE Region 10International Conference on EC3-Energy,Computer,Communication and Control Systems,New Delhi,India:IEEE,1991,3,488-491.),然后基于建立的线性模型进行了线性预测控制器设计。虽然对单一铁水指标控制取得了一定的效果,但是高炉铁水生产过程中涉及的原燃料种类多而复杂,各变量间耦合性强,非线性程度较高,因而基于线性模型的线性控制方法难以对多元铁水质量指标进行有效控制。
随着高炉冶炼过程PLC与DCS等检测与控制技术的广泛应用,炼铁过程积累了大量的生产过程数据,这些数据中包含了高炉冶炼过程的各种信息。因此数据驱动建模在以高炉为代表的复杂工业系统中得到了广泛的应用。随着计算机技术的迅速发展及非线性预测控制理论的成熟,因此采用数据驱动建模的非线性预测方法进行高炉多元铁水质量指标控制,更容易使的高炉冶铁达到高质高产低耗。
发明内容
针对现有技术存在的问题,本发明提供一种高炉多元铁水质量预测控制方法及系统。
本发明的技术方案如下:
一种高炉多元铁水质量预测控制方法,包括:
步骤1、设定高炉多元铁水质量指标期望值,所述多元铁水质量指标包括硅含量、铁水温度;
步骤2、获取高炉生产历史数据,建立高炉多元铁水质量预测模型,该模型是以热风温度、热风压力、富氧率、设定喷煤量为输入,以高炉多元铁水质量指标为输出的多输出最小二乘支持向量回归模型;
步骤3、利用序列二次规划算法和高炉多元铁水质量预测模型,计算得到最优的高炉多元铁水质量预测模型输入即最优控制量;
步骤4、将最优控制量反馈给相应执行机构,使高炉多元铁水质量指标跟踪设定的高炉多元铁水质量指标期望值。
所述步骤2包括:
步骤2-1、获取高炉生产历史数据,包括控制量和被控量;
控制量,包括热风温度、热风压力、富氧率、设定喷煤量;
被控量即高炉多元铁水质量指标,包括硅含量、铁水温度;
步骤2-2、对获取的高炉生产历史数据进行预处理;
步骤2-3、利用预处理后的高炉生产历史数据建立多输出最小二乘支持向量回归模型作为高炉多元铁水质量预测模型,将预处理后的控制量作为该模型输入,预处理后的被控量作为该模型输出。
所述步骤2-2包括:
步骤2-2-1、采用噪声尖峰滤波算法剔除噪声尖峰跳变数据;
步骤2-2-2、采用移动平均滤波算法消除对剔除噪声尖峰跳变后的数据中的高频测量噪声波动干扰;
步骤2-2-3、对数据进行归一化处理。
所述步骤2-3包括:
步骤2-3-1、从预处理后的数据中选取训练样本和测试样本;
步骤2-3-2、利用训练样本建立多输出最小二乘支持向量回归模型,该多输出最小二乘支持向量回归模型以硅含量、铁水温度为输出变量,以热风温度、热风压力、富氧率、设定喷煤量为输入变量;
步骤2-3-3、将训练样本映射到一个高维的特征空间进行线性拟合;
步骤2-3-4、以最小化各输出变量的回归权值向量范数、单个输出变量的拟合误差以及训练样本整体拟合误差作为构建多输出最小二乘支持向量回归模型的目标函数,通过求解此目标函数,得到多输出最小二乘支持向量回归模型;
步骤2-3-5、利用测试样本验证最优的高炉多元铁水质量预测模型的准确性:如果模型精度不满足要求,则返回步骤2-3-1,否则执行步骤3。
所述步骤3包括:
步骤3-1、建立参考轨迹方程,使当前时刻的硅含量和铁水温度值平滑的过渡到期望设定值;
步骤3-2、设置反馈校正环节,使多元铁水质量预测模型的输出值更加接近于实际输出值;
步骤3-3、以最小化参考轨迹和反馈校正后输出的误差平方和为高炉多元铁水质量性能指标函数,使高炉系统实际输出的硅含量和铁水温度值达到期望的给定值;
步骤3-4、利用序列二次规划算法对高炉多元铁水质量性能指标函数进行优化求解,得到最优控制量。
一种高炉多元铁水质量预测控制系统,包括:
指标设定单元:设定高炉多元铁水质量指标期望值,所述多元铁水质量指标包括硅含量、铁水温度;
模型训练单元:获取高炉生产历史数据,建立高炉多元铁水质量预测模型,该模型是以热风温度、热风压力、富氧率、设定喷煤量为输入,以高炉多元铁水质量指标为输出的多输出最小二乘支持向量回归模型;
跟踪计算单元:利用序列二次规划算法和高炉多元铁水质量预测模型,计算得到最优的高炉多元铁水质量预测模型输入即最优控制量;
反馈控制单元:将最优控制量反馈给相应执行机构,使高炉多元铁水质量指标跟踪设定的高炉多元铁水质量指标期望值。
所述模型训练单元包括:
数据获取模块:获取高炉生产历史数据,包括控制量和被控量;控制量,包括热风温度、热风压力、富氧率、设定喷煤量;被控量即高炉多元铁水质量指标,包括硅含量、铁水温度;
预处理模块:对获取的高炉生产历史数据进行预处理;
训练模块:利用预处理后的高炉生产历史数据建立多输出最小二乘支持向量回归模型作为高炉多元铁水质量预测模型,将预处理后的控制量作为该模型输入,预处理后的被控量作为该模型输出。
所述预处理模块包括:
跳变数据剔除模块:采用噪声尖峰滤波算法剔除噪声尖峰跳变数据;
噪声干扰消除模块:采用移动平均滤波算法消除对剔除噪声尖峰跳变后的数据中的高频测量噪声波动干扰;
归一化处理模块:对数据进行归一化处理。
所述训练模块包括:
样本选取模块:从预处理后的数据中选取训练样本和测试样本;
模型训练模块:利用训练样本建立多输出最小二乘支持向量回归模型,该多输出最小二乘支持向量回归模型以硅含量、铁水温度为输出变量,以热风温度、热风压力、富氧率、设定喷煤量为输入变量;
线性拟合模块:将训练样本映射到一个高维的特征空间进行线性拟合;
参数寻优模块:以最小化各输出变量的回归权值向量范数、单个输出变量的拟合误差以及训练样本整体拟合误差作为构建多输出最小二乘支持向量回归模型的目标函数,通过求解此目标函数,得到多输出最小二乘支持向量回归模型;
模型验证模块:利用测试样本验证最优的高炉多元铁水质量预测模型的准确性:如果模型精度不满足要求,则返回样本选取模块,从预处理后的数据中重新选取训练样本和测试样本;否则执行跟踪控制单元。
所述跟踪计算单元,包括:
参考轨迹模块:建立参考轨迹方程,使当前时刻的硅含量和铁水温度值平滑的过渡到期望设定值;
反馈校正模块:设置反馈校正环节,使多元铁水质量预测模型的输出值更加接近于实际输出值;
性能指标函数模块:以最小化参考轨迹和反馈校正后输出的误差平方和为高炉多元铁水质量性能指标函数,使高炉系统实际输出的硅含量和铁水温度值达到期望的给定值;
优化求解模块:利用序列二次规划算法对高炉多元铁水质量性能指标函数进行优化求解,得到最优控制量。
有益效果:
本发明的目的是针对现有的多元铁水质量建模和控制方法的不足,提出了一种基于数据驱动的高炉多元铁水质量预测控制方法,即基于多输出最小二乘支持向量回归(M-LS-SVR)模型的高炉多元铁水质量非线性预测控制方法,可以使多元铁水质量指标准确快速的达到给定要求,有较强的抵抗外部干扰的能力,使得生产过程中能耗和成本得到降低,铁水质量进一步提高。因此在实际生产过程中具有重要意义。本发明依据高炉冶铁过程生产线上传感器测量的高炉多元铁水相关数据,结合多输出最小二乘支持向量回归理论,建立了高炉多元铁水质量(Si含量、铁水温度)与四个控制量(热风温度、热风压力、富氧率、设定喷煤量)之间的M-LS-SVR预测模型,然后用非线性预测控制理论设计了非线性预测控制器,实现对多元铁水质量的有效控制。本发明方法具有更高的建模精度,为多元铁水质量的控制奠定了基础;采用序列二次规划算法求解的预测控制器,具有更快的运算速度,适合用于实时性强的工业过程;具有跟踪性能好、抗干扰性强的优点。
附图说明
图1是本发明具体实施方式的高炉多元铁水质量预测控制方法流程图;
图2是本发明具体实施方式中步骤2的流程图;
图3是本发明具体实施方式中步骤2-2的流程图;
图4是本发明具体实施方式中步骤2-3的流程图;
图5是本发明具体实施方式中步骤3的流程图;
图6是本发明具体实施方式中高炉多元铁水质量预测控制系统框图;
图7是本发明具体实施方式中模型训练单元框图;
图8是本发明具体实施方式中预处理模块框图;
图9是本发明具体实施方式中训练模块框图;
图10是本发明具体实施方式中跟踪计算单元框图;
图11是本发明具体实施方式中最终建模效果图,其中,(a)是训练数据中硅含量的拟合效果图,(b)是训练数据中铁水温度的拟合效果图,(c)是预测的硅含量效果图,(d)是预测的铁水温度效果图;
图12是本发明具体实施方式中不同时刻下跟踪不同设定值的预测控制效果图,其中,(a)是硅含量的跟踪效果图,(b)是铁水温度的跟踪效果图,(c)是控制量热风温度的变化图,(d)是控制量热风压力的变化图,(e)是控制量富氧率的变化图,(f)是控制量设定喷煤量的变化图;
图13是本发明具体实施方式中不同时刻干扰下控制系统的抗扰动效果图,其中,(a)是硅含量的抗扰动效果图,(b)是铁水温度的抗扰动效果图,(c)是控制量热风温度的变化图,(d)是控制量热风压力的变化图,(e)是控制量富氧率的变化图,(f)是控制量设定喷煤量的变化图。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
一种高炉多元铁水质量预测控制方法,如图1所示,包括:
步骤1、设定高炉多元铁水质量指标期望值,所述多元铁水质量指标包括硅含量、铁水温度;
步骤2、获取高炉生产历史数据,建立高炉多元铁水质量预测模型,该模型是以热风温度、热风压力、富氧率、设定喷煤量为输入,以高炉多元铁水质量指标为输出的多输出最小二乘支持向量回归模型;
如图2所示,所述步骤2包括:
步骤2-1、获取高炉生产历史数据,包括控制量和被控量;
控制量,包括热风温度、热风压力、富氧率、设定喷煤量;
被控量即高炉多元铁水质量指标,包括硅含量、铁水温度;
步骤2-2、对获取的高炉生产历史数据进行预处理;
如图3所示,所述步骤2-2包括:
步骤2-2-1、采用噪声尖峰滤波算法剔除噪声尖峰跳变数据;
步骤2-2-2、采用移动平均滤波算法消除对剔除噪声尖峰跳变后的数据中的高频测量噪声波动干扰;
步骤2-2-3、对数据进行归一化处理,获得270组归一化后的数据。
步骤2-3、利用预处理后的高炉生产历史数据建立多输出最小二乘支持向量回归模型作为高炉多元铁水质量预测模型,将预处理后的控制量作为该模型输入,预处理后的被控量作为该模型输出。
如图4所示,所述步骤2-3包括:
步骤2-3-1、从预处理后的270组数据中选取前200组数据作为训练样本,后70组数据作为测试样本;
步骤2-3-2、利用训练样本建立多输出最小二乘支持向量回归模型,该模型的输入数据样本集用Xi={u1(k),u2(k),u3(k),u4(k)}表示,模型输出数据样本集用Yi={y1(k),y2(k)}表示。其中i=1,2,…,200,k为当前采样时刻,u1(k)代表k时刻的热风温度值,u2(k)代表k时刻的热风压力,u3(k)代表k时刻的富氧率,u4(k)代表k时刻的设定喷煤量,y1(k)代表k时刻的硅含量,y2(k)代表k时刻的铁水温度;
步骤2-3-3、将训练样本映射到一个高维的特征空间进行线性拟合;
根据Representer Theorem(Zhou Shuisheng.Sparse LSSVM in primal using Cholesky Factorization for large-scale problems.IEE Transactions on Neural Networks and Learning Systems,2016,27(4):783--795.),用Wj表示训练样本在高维特征空间的映射:
其中,Wj表示第j个输出的回归权值向量,j=1,2,ri,j表示第i个样本的第j个输出的待求系数,l=200,表示映射函数:Rj=[r1,j,r2,j,…,r200,j]T;
步骤2-3-4、以最小化各输出变量的回归权值向量范数、单个输出变量的拟合误差以及训练样本整体拟合误差作为构建多输出最小二乘支持向量回归模型的目标函数,通过求解此目标函数,得到多输出最小二乘支持向量回归模型;
其中,Yi=[y1,y2]T,W=[W1,W2]T,Bi=[b1,b2]T分别为输出的权重和偏置项系数,C为单一拟合误差的惩罚系数,Φ=[Φ1,Φ2]T为输入映射函数,ei,j为第i个训练样本的第j个输出的输出误差,C0为训练样本整体误差的惩罚系数,Ei为第i个训练样本整体拟合误差。
引入Lagrange乘子α=[α1,α2,…,αl]T和β=[β1,β2,…,βl]T,其Lagrange函数为:
对式(6)中的Wj,bj,Ei,ei,j,αi,βi,j分别求偏导,由KKT条件得:
其中,Dα=diag{α1,α2,…,α200}为对角矩阵,I=[1,1,…,1]。
引入核函数并综合式(1)和式(4)可以得到关于多输出支持最小二乘向量回归模型参数Rj和bj相关的线性方程组:
解上述线性方程组,得到未知参数Rj和bj的值。
最终求得的多输出最小二乘支持向量回归模型的表达形式为:
其中,核函数
为了使建立的高炉多元铁水质量预测模型更为精确,采用粒子群算法(Zhao Shian,Wang Lingzhi.Support Vector Regression Based on Particle Swarm Optimization for Rainfall Forecasting.2010Third International Joint Conference on Computational Science and Optimization,2010,2:484--487.)对高炉多元铁水质量预测模型中的参数集C、C0及σ进行寻优,可以求得最优参数集。最终利用粒子群算法得多输出最小二乘支持向量回归的最优参数为:C=16,C0=10.4,σ=3.5。利用此参数建立的高炉多元铁水质量预测模型效果如图11(a)~(d)所示。
步骤2-3-5、利用测试样本验证最优的高炉多元铁水质量预测模型的准确性:如果模型精度不满足要求,则返回步骤2-3-1,否则执行步骤3。
步骤3、利用序列二次规划算法和高炉多元铁水质量预测模型,计算得到最优的高炉多元铁水质量预测模型输入即最优控制量;
如图5所示,所述步骤3包括:
步骤3-1、建立参考轨迹方程,使当前时刻的硅含量和铁水温度值平滑的过渡到期望设定值;
引入参考轨迹方程;
其中,Y(k)为k时刻高炉多元铁水质量即硅含量和铁水温度实际值,Ysp=[0.55,1505]T为硅含量期望值和铁水温度期望值,Yr(k+j)为k+j时刻的参考轨迹值,γ为柔化系数,取γ=0.1;P为预测时域,取P=4;
步骤3-2、设置反馈校正环节,使多元铁水质量预测模型的输出值更加接近于实际输出值;
由于用多输出支持向量回归建立的多元铁水质量模型预测的铁水质量值有时与系统铁水质量实际值并不完全匹配,且外界环境的干扰,也会影响铁水质量实际值,从而产生误差。因此需要对未来的误差做出预测并加以补偿的方式来反馈校正,以使多元铁水质量预测模型的预测值更加接近于系统的实际输出值;
E(k)=Y(k)-Ym(k)>
Yp(k+j)=Ym(k+j)+h×E(k)>
其中,代表k时刻基于多输出支持向量回归的高炉多元铁水质量预测模型预测的硅含量和铁水温度值,Yp(k+j)为校正后的k+j时刻的预测值,h=0.3为补偿系数;
步骤3-3、以最小化参考轨迹和反馈校正后输出的误差平方和为高炉多元铁水质量性能指标函数,即最小化期望值与预测模型输出间的误差平方和,使高炉系统实际输出的硅含量和铁水温度值达到期望的给定值;
在每个采样时刻优化如下高炉多元铁水质量性能指标函数;
其中,P=4为预测时域,M=3为控制时域,P≥M,n=2为被控量个数即高炉多元铁水质量预测模型输出个数,m=4为控制量个数即高炉多元铁水质量预测模型输入个数,λl=1为控制加权系数。yr,j(k+i)为k+i时刻第j个输出的参考轨迹,yp,j(k+i)为k+i时刻校正后的第j个输出预测值,ul为第l个控制量。
步骤3-4、利用序列二次规划算法对高炉多元铁水质量性能指标函数进行优化求解,得到最优控制量。
将(10)式的非线性约束优化问题即多元铁水质量预测模型的目标函数表示为:
其中,x=[x1,x2,…,x4]为(10)式中的控制量ul,f(x)为(10)式的目标函数。
调用Matlab工具箱中的fmincon()函数,调用格式为:
[x,fopt]=fmincon(F,x0,A,B,Aeq,Beq,xm,xM)>
其中,F=f(x)为给定的目标函数,x0=[]为初始搜索点,A=[],B=[],Aeq=[],Beq=[],xm=[-1;-1;…;-1],xM=[1;1;…;1],fopt为目标函数的最优值。
通过调用上述fmincon()函数,可以求得当前采样时刻的最优结果x,而变量x即为式(10)中的控制量ul(k),即最优控制律ul*(k)。
步骤4、将最优控制量反馈给相应执行机构,使高炉多元铁水质量指标跟踪设定的高炉多元铁水质量指标期望值。
一种高炉多元铁水质量预测控制系统,如图6所示,包括:
指标设定单元:设定高炉多元铁水质量指标期望值,所述多元铁水质量指标包括硅含量、铁水温度;
模型训练单元:获取高炉生产历史数据,建立高炉多元铁水质量预测模型,该模型是以热风温度、热风压力、富氧率、设定喷煤量为输入,以高炉多元铁水质量指标为输出的多输出最小二乘支持向量回归模型;
跟踪计算单元:利用序列二次规划算法和高炉多元铁水质量预测模型,计算得到最优的高炉多元铁水质量预测模型输入即最优控制量;
反馈控制单元:将最优控制量反馈给相应执行机构,使高炉多元铁水质量指标跟踪设定的高炉多元铁水质量指标期望值。
如图7所示,所述模型训练单元包括:
数据获取模块:获取高炉生产历史数据,包括控制量和被控量;控制量,包括热风温度、热风压力、富氧率、设定喷煤量;被控量即高炉多元铁水质量指标,包括硅含量、铁水温度;
预处理模块:对获取的高炉生产历史数据进行预处理;
训练模块:利用预处理后的高炉生产历史数据建立多输出最小二乘支持向量回归模型作为高炉多元铁水质量预测模型,将预处理后的控制量作为该模型输入,预处理后的被控量作为该模型输出。
如图8所示,所述预处理模块包括:
跳变数据剔除模块:采用噪声尖峰滤波算法剔除噪声尖峰跳变数据;
噪声干扰消除模块:采用移动平均滤波算法消除对剔除噪声尖峰跳变后的数据中的高频测量噪声波动干扰;
归一化处理模块:对数据进行归一化处理。
如图9所示,所述训练模块包括:
样本选取模块:从预处理后的数据中选取训练样本和测试样本;
模型训练模块:利用训练样本建立多输出最小二乘支持向量回归模型,该多输出最小二乘支持向量回归模型以硅含量、铁水温度为输出变量,以热风温度、热风压力、富氧率、设定喷煤量为输入变量;
线性拟合模块:将训练样本映射到一个高维的特征空间进行线性拟合;
参数寻优模块:以最小化各输出变量的回归权值向量范数、单个输出变量的拟合误差以及训练样本整体拟合误差作为构建多输出最小二乘支持向量回归模型的目标函数,通过求解此目标函数,得到多输出最小二乘支持向量回归模型;
模型验证模块:利用测试样本验证最优的高炉多元铁水质量预测模型的准确性:如果模型精度不满足要求,则返回样本选取模块,从预处理后的数据中重新选取训练样本和测试样本;否则执行跟踪控制单元。
如图10所示,所述跟踪计算单元,包括:
参考轨迹模块:建立参考轨迹方程,使当前时刻的硅含量和铁水温度值平滑的过渡到期望设定值;
反馈校正模块:设置反馈校正环节,使多元铁水质量预测模型的输出值更加接近于实际输出值;
性能指标函数模块:以最小化参考轨迹和反馈校正后输出的误差平方和为高炉多元铁水质量性能指标函数,使高炉系统实际输出的硅含量和铁水温度值达到期望的给定值;
优化求解模块:利用序列二次规划算法对高炉多元铁水质量性能指标函数进行优化求解,得到最优控制量。
为了验证本发明针对高炉冶铁过程设计的高炉多元铁水质量预测控制方法及系统的控制性能,进行了跟踪和抗干扰试验,控制效果分别如图12(a)~(f)、图13(a)~(f)所示。从图中可以看出其控制效果能达到设定值,且具有一定的抗扰动性能。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
机译: 质量影响因素分析方法,质量预测方法,质量控制方法,质量影响因素分析设备,质量预测设备,质量控制设备,质量影响因素分析系统,质量预测系统,质量控制和质量控制方法
机译: 熔融金属温度的预测方法,铁水温度预测装置,高炉运转方法,运转引导装置,铁水温度控制方法以及铁水温度控制装置
机译: 质量影响因素分析方法,质量预测方法,质量控制方法,质量影响因素分析装置,质量预测装置,质量控制装置,质量影响因素分析系统,质量预测系统,质量控制系统和计算机程序