基于即时学习的高炉炼铁过程数据驱动自适应预测控制

针对高炉炼铁过程,本文提出一种基于即时学习的高炉铁水质量自适应预测控制方法(JITL–APC).该方法的特点是控制器通过k向量近邻(k–VNN)方法搜索数据库中的输入输出(I/O)数据信息,对非线性系统进行局部建模,并在此基础上计算控制律.而且,该方法中引入了工业异常数据处理机制,利用JITL学习子集中的平均数据项,对异常数据项进行填补或替换,从而消除异常数据对控制系统的影响.此外,本文提出一种JITL模型保留策略(MRS),避免由于数据库中相似数据样本不足导致的局部模型严重失配,并通过实时收集I/O数据更新数据库,使控制器自适应不同的工况条件, MRS还可以有效抑制噪声干扰的影响,从而提高控制系统的稳定性.最后,基于某大型钢铁厂2#高炉的数值仿真实验,充分验证了该方法的有效性.     

高炉炼铁过程多元铁水质量指标多输出支持向量回归建模

针对高炉炼铁过程铁水温度、Si含量、S含量、P含量等关键质量指标难以直接在线检测,且离线化验过程滞后严重的难题,建立基于建模精度综合评价与遗传参数优化的铁水质量(molten iron quality,MIQ)多输出支持向量回归(multi-output support vector regression,M–SVR)动态模型,用于对高炉铁水质量指标进行在线估计.与常规单输出SVR建模不同,M–SVR可一次确定多个分类超平面,从而可实现多元铁水质量指标的多输出建模:建模精度综合评价指标从模型估计趋势以及估计误差等方面综合评价建模性能;以建模精度综合评价指标为适应度函数,采用遗传算法对M–SVR的伸缩向量和惩罚因子参数进行全局寻优,从而获得具有最优参数的GA–M–SVR动态模型.在某钢铁厂2#高炉的工业实验表明:所提GA–M–SVR模型能够根据实时输入数据的变化对多元铁水质量参数进行准确估计.     

基于最优工况迁移的高炉铁水硅含量预测方法

高炉铁水硅含量是铁水品质与炉况的重要表征, 冶炼过程关键参数频繁波动及大时滞特性给高炉铁水硅含量预测带来了巨大挑战. 提出一种基于最优工况迁移的高炉铁水硅含量预测方法. 首先, 针对过程变量频繁波动问题, 提出基于邦费罗尼指数的自适应密度峰值聚类算法, 实现对高炉冶炼过程变量的工况划分, 并建立不同工况硅含量预测子模型. 其次, 针对冶炼过程的大时滞特性, 定义相邻时间节点间的硅含量工况迁移代价函数, 并提出多源路径寻优算法, 实现冶炼过程中硅含量最优工况迁移路径及当前时刻硅含量最优预测值的求解. 最后, 基于工业现场数据验证了所提方法的有效性与准确性.     

高炉炼铁过程多元铁水质量非线性子空间建模及应用

高炉炼铁是一个物理化学反应复杂、多相多场耦合的大滞后、非线性动态系统,其关键工艺指标——铁水质量参数的检测、建模和控制一直是冶金工程和自动控制领域的难题.本文提出一种面向控制的数据驱动高炉炼铁多元铁水质量非线性子空间建模方法.首先,为了提高建模效率和降低计算复杂度,采用数据驱动典型相关性分析与相关性分析相结合的方法提取与铁水质量相关性最强的关键可控变量作为建模的输入变量;同时,为了更好地反映高炉非线性动态特性,将相关输入输出变量的时序和时滞关系在建模过程进行考虑;最后,采用基于最小二乘支持向量机（Least square support vector machine,LS-SVM）的非线性Hammerstein系统子空间辨识方法建立数据驱动的多元铁水质量非线性状态空间模型.同时,将核函数表示的模型非线性特性用多项式函数拟合,在仅损失很小模型精度的前提下大大降低模型的计算复杂度.基于实际数据的工业试验验证了所提建模方法的准确性、有效性和先进性.     

基于BP神经网络的高炉铁水硅含量预测模型研究、

建立了基于BP神经网络的高炉铁水硅含量预测模型，给出了学习参数的确定方法，BP网络的学习算法和步骤，并利用湘钢4#高炉一段连续时期内正常生产的数据经过时序化、归一化处理后进行训练和仿真，结果表明，高炉冶炼在运用了先进的BP人工神经网络预测模型后，能预测[Si]的高低，判断炉温走势，调控炉温；并能同时监测多个主要控制对象，对于了解高炉各方面的状态具有指导性的作用。     

基于动态注意力深度迁移网络的高炉铁水硅含量在线预测方法

铁水硅含量是反映高炉冶炼过程中热状态变化的灵敏指示剂, 但无法实时在线检测, 造成铁水质量调控盲目. 为此, 提出一种基于动态注意力深度迁移网络(Attention deep transfer network, ADTNet)的高炉铁水硅含量在线预测方法. 首先, 针对传统深度网络静态建模思路无法准确描述过程变量与铁水硅含量之间的关系, 提出一种基于注意力机制模块的输入过程变量与输出硅含量之间的动态关系描述方法; 其次, 为降低硅含量预测模型训练时对标签数据的依赖, 考虑到铁水温度与硅含量数据之间的正相关性, 利用小时级硅含量标签数据微调基于分钟级铁水温度数据预训练好的深度模型的结构, 进而提高基于动态注意力深度迁移网络的硅含量预测精度; 同时, 为增强预测网络的可解释性, 实时给出了基于动态注意力机制模块计算的每个样本各过程变量对铁水硅含量的贡献度; 最后, 基于某钢铁厂2号高炉的工业实验, 验证了该方法的准确性、有效性和先进性.     

基于BP神经网络的高炉铁水硅含量预测模型研究

建立了基于BP神经网络的高炉铁水硅含量预测模型,给出了学习参数的确定方法,BP网络的学习算法和步骤,并利用湘钢4#高炉一段连续时期内正常生产的数据经过时序化、归一化处理后进行训练和仿真,结果表明,高炉冶炼在运用了先进的BP人工神经网络预测模型后,能预测[Si]的高低,判断炉温走势,调控炉温;并能同时监测多个主要控制对象,对于了解高炉各方面的状态具有指导性的作用。     

基于神经网络的高炉炉温预测模型的研究

文章针对BP网络收敛速度慢和易于陷入极小值的问题,应用RBF网络模型对高炉铁水硅含量进行了预测,通过对高炉一段连续时期内正常生产的数据经过归一化处理后进行训练和仿真,结果表明,高炉冶炼在运用了先进的RBF人工神经网络预测模型后,能预测铁水硅含量的高低,从而判断炉温走势,调控炉温,同时监测多个生产过程控制对象,有利于提高高炉生产艺,实现节能降耗.     

高炉炼铁过程炉温的非线性混合控制

从流体动力学机理和化学反应动力学机理的交叉角度研究高炉炼铁过程炉温控制的复杂性规律,揭示了不同动力学状态下炉内化学反应链及能耗的非线性.基于模糊模式划分、自适应学习确定模型参数等非线性方法,建立了炉温混合控制的偏微分方程及其控制模式,对莱钢1号高炉《智能控制专家系统》在线采集的生产数据的仿真计算结果证明了控制方程对炉温预测控制的适用性,命中率达到90%以上.非线性混合控制方程为实现炼铁过程炉温预测控制的自动化奠定了模型基础.     

基于数据驱动多输出ARMAX建模的高炉十字测温中心温度在线估计

高炉（Blast furnace,BF）炼铁中,十字测温作为炉顶温度和煤气流分布监测的最主要手段,对高炉的安全、稳定和高效运行起着重要作用.然而,由于高炉炉顶中心部位温度较高,造成十字测温装置中心位置传感器极易损坏,并且更换周期长,因而无法及时判断炉顶煤气流分布.针对这一实际工程问题,本文基于时间序列建模思想,集成采用多输出自回归移动平均（Multi-output autoregressive moving average,M-ARMAX）建模、因子分析、Pearson相关分析、基于赤池信息准则（Akaike information criterion,AIC）与模型拟合优度联合定阶等混合技术,提出一种模型结构简单、精度较高且易于工程实现的十字测温中心温度在线估计方法.首先,提出利用因子分析与Pearson相关分析相结合的稳健特征选择方法选取多输出建模输入变量.然后,采用样本均值消去法预处理采集的高炉样本数据,使其成为离散随机数.基于离散随机数,建立算法简单、易于工程实现的M-ARMAX温度模型：为了克服传统基于AIC阶数确定造成模型阶次高、结构复杂的问题,提出在AIC准则基础上进一步引入模型拟合优度来选取模型最小阶,可保证模型估计精度的同时降低模型阶次;同时,采用可快速收敛的递推最小二乘算法辨识M-ARMAX模型参数,并用残差分析方法检验模型.工业试验和比较分析表明：建立的M-ARMAX模型能够根据实时数据同时对十字测温装置多个中心温度点进行准确和稳定估计,且模型估计误差符合高斯白噪声特性.     

高炉铁水质量鲁棒正则化随机权神经网络建模

高炉炼铁过程运行优化与控制依赖于可靠、稳定的难测铁水质量(Molten iron quality, MIQ)指标模型.针对现有MIQ建模方法的不足, 本文提出一种新型的数据驱动鲁棒正则化随机权神经网络(Random vector functional-link networks, RVFLNs)算法, 用于实现MIQ指标在线估计的鲁棒建模.首先, 为了提高建模效率和降低计算复杂度, 采用数据驱动典型相关性分析方法从众多变量中提取与MIQ相关性最强的变量作为建模输入变量; 其次, 由于传统RVFLNs网络的输出权值由最小二乘估计获得, 易受离群数据影响而鲁棒性差, 引入基于Gaussian分布加权的M估计技术, 提出新型鲁棒RVFLNs算法建立多元MIQ指标的鲁棒模型; 同时, 在鲁棒加权后的最小二乘损失函数基础上, 进一步引入${L_1}$和${L_2}$两个正则化项以构成优化目标函数的Elastic net, 用于稀疏化RVFLNs网络的输出权值矩阵, 解决RVFLNs网络多重共线性和过拟合的问题.最后, 基于某大型高炉工业数据, 进行充分数据实验, 结果表明所提方法具有更高的建模与估计精度以及较强的鲁棒性能.     

基于KPLS鲁棒重构误差的高炉燃料比监测与异常识别

作为钢铁冶金制造的核心工序, 高炉炼铁是典型的高能耗过程, 其运行能耗约占钢铁总能耗的50%以上, 其中, 80%的能耗是焦炭和煤粉等燃料消耗. 因此, 对表征高炉燃料消耗的燃料比参数进行监测, 并尽可能早地识别影响燃料比异常波动的关键因素, 对于高炉炼铁过程的节能降耗具有重要意义. 本文针对先验故障知识少的高炉燃料比监测与异常识别难题, 提出一种基于核偏最小二乘(Kernel partial least squares, KPLS)鲁棒重构误差的故障识别方法. 该方法首先建立过程变量与监测变量的KPLS监测模型, 然后根据非线性映射空间的协方差矩阵和核空间Gram矩阵之间的关系, 反向估计原始空间变量的正常估值. 为了增强算法的鲁棒性, 采用迭代去噪算法减少异常数据对原始空间正常估值的影响. 通过利用原始空间正常估值和真实值来构造故障识别指标, 并给出故障识别指标的控制限. 基于实际工业数据的高炉数据实验表明所提方法不仅可以监测出正常工况下影响燃料比异常变化的潜在因素, 还可识别出异常工况下影响燃料比异常变化的关键因素, 具有很好的工程应用前景.     

基于时序关联矩阵的高炉冶炼过程多重关联时延估计方法

高炉冶炼过程由炉料传输反应时间和冶炼单元在空间和时间分布上的差异带来的变量时延影响了数据的准确性和真实因果关系, 因此有效地估计过程变量间的时延信息, 并在时序上配准数据, 是后续过程建模、优化控制与性能评估的核心. 考虑到变量间时延的多重关联性, 提出了一种基于时序关联矩阵的时延参数估计方法. 首先, 根据过程变量的时延参数在时空上重构对应的时序关联矩阵, 并引入灰色关联分析量化时序矩阵的多重关联相关性; 接着, 考虑到穷举所有时序关联矩阵的时间复杂度, 提出了一种双尺度协同搜索策略的动态多群粒子群算法用于快速寻找最优的时延参数, 提出的粒子群算法能兼顾全局探索能力和局部探测能力并跳出局部最优解; 最后, 基于一个数值仿真和某钢铁厂2# 高炉的工业实验验证了所提时延参数估计方法的可行性和有效性, 且通过所提方法在时序上重构的数据能有效提高后续硅含量软测量模型性能.     

高炉铁水中[Si]浓度的推算

本文从反应速度论和平衡论的观点出发,通过理论分析,得到了铁水中[Si]浓度和诸操作条件变更对[Si]浓度影响的推算式,在用国内外高炉操作数据进行模拟计算的基础上,验证了模型的合宜性。     

面向高炉的通用模型及仿真研究

利用目前较通用方法和理论,建立基于多相流耦合的高炉数学模型,解析多相态在高炉中流场及热传递情况,并通过可视化开发,可仿真得到各相态的稳态结果,由此可方便的判断高炉内软熔带等重要区域的形状及位置。充分应用前沿成熟理论解析各个相态之间的耦合作用,并对高炉中存在的主要化学反应做了简化处理。通用的数学模型、数值计算及可视化方法构成了较完整的,具有普遍意义的高炉过程分析及预测体系,对多数高炉生产能够起到指导作用,并利于个性化开发。     

电加热炉系统预测函数PID控制算法的研究

由于电加热炉系统具有大时滞、时变性、非线性等特点,提出了一种新型预测函数PID控制算法.该算法将PID控制算法和预测函数控制算法结合起来,通过预测被控对象的未来输出值,得到一个新的优化目标函数,实时优化控制参数,得到控制量的解析解.仿真结果表明,与常规PID控制和预测函数PID串级控制相比,所设计的控制器满足系统对快速性和稳态精度的要求,系统具有较强的抗干扰性和鲁棒性,能够实现对电加热炉系统的有效控制.