CN101067828A - 焦炉火道温度集成建模与软测量方法 - Google Patents

Abstract

一种焦炉火道温度集成建模与软测量方法，本发明建立了基于线性回归和神经网络的集成测量模型。针对人工测量焦炉火道温度的迟滞性问题，本发明在分析焦炉生产工艺和火道温度相关因素后，选取有代表性的蓄热室作为测温点，间接实时测量焦炉火道温度。本发明针对两者的线性关系和非线性关系，分别构建了线性回归模型和神经网络模型。在此基础上，采用专家规则，建立了焦炉火道温度的集成测量模型。并在模型中融入了自适应算法。利用该模型，有效的解决了火道人工测温迟滞性问题，并实现了实时间接测量焦炉火道温度，达到了指导焦炭生产的目标。

Description

焦炉火道温度集成建模与软测量方法

技术领域  本发明涉及焦炉火道温度的测取方法。

背景技术  焦炉是工业生产过程中的重要窑炉。焦炉生产的焦炭被广泛应用于高炉炼铁、铸造、电石、气化及有色金属冶炼等方面，是冶金、机械、化工行业的主要原料和燃料。我国炼焦煤资源丰富，炼焦生产规模大，炼焦产品比较齐全。据统计，我国焦炭的产量占世界焦炭总产量的35％以上，焦炭的出口量占世界焦炭总出口量的60％以上，是目前世界上最大的焦炭生产国和出口国。尽管焦化行业是我国工业生产的重要组成部分，但是我国的焦炉生产水平与发达国家相比尚存在较大的差距，主要表现在自动化程度低、环境污染严重、能耗高、焦炭质量不稳定等方面。因此，如何提高焦炉生产过程自动化水平，具有重要的经济效益和社会效益。

焦炉加热过程优化控制的基本任务是保持焦炉直行温度的稳定。要保持焦炉直行温度的稳定，需要根据当前焦炉火道温度来实时的调节烟道吸力和焦炉加热用煤气流量的大小。由于焦炉结构与操作过程都十分复杂，属于典型的大时滞、强非线性、多因素耦合、变参数的复杂工业过程，因此焦炉火道温度很难实时、简便的获得。目前国内焦炉的火道温度主要是通过焦炉测温工每四个小时一次的人工测温获得的，这种测温方式存在以下弊端：(1)测温的周期很长，一般是每四个小时人工测温一次，不能满足实时控制的要求；(2)不同班次测温工的经验不同，经常造成测温的不准确。如果采用在焦炉火道安装热电偶测温的方式，由于火道温度太高，很容易造成热电偶损坏，会致使生产成本过高。

因此，如何通过焦炉生产过程中的可测量参数，分析其与焦炉火道温度之间的关系，建立合理、有效的焦炉火道温度的在线间接测量模型，达到提高焦炭质量、降低能源消耗、减少环境污染的目标，是提高焦化行业自动化水平和效益，需要研究、解决的重要课题。

发明内容  本发明提出了一种焦炉火道温度集成建模与软测量方法，该方法通过在蓄热室顶部安装测温热电偶，然后通过软件模型在线获得焦炉火道温度，利用该温度可以建立焦炉温度自动控制系统或作为焦炉火道温度控制的参考，实时在线准确测量焦炉火道温度。

本发明焦炉火道温度测量方法，内容包括以下步骤：

(1)分析焦炉火道温度相关因素，确定可以根据蓄顶温度建立温度测量模型获得焦炉火道温度。

(2)根据工艺分析提出了典型蓄热室的选取原则，同时通过对典型蓄热室顶部温度的滤波获得无干扰的蓄顶温度。

(3)针对蓄顶温度和焦炉火道温度之间的关系，建立了两者之间的线性回归模型；

(4)针对蓄顶温度和焦炉火道温度之间的非线性关系，建立了两者之间的神经网络模型。

(5)由于对模型的集成可以提高测量的精度，本发明将线性回归模型和神经网络模型的输出进行了集成。

(6)为使模型在工况改变的情况下仍能准确测量焦炉火道温度，在线性回归模型和神经网络模型中加入了自适应算法，使其能适应工况的改变。

本发明焦炉火道温度软测量模型主要包含以下一些功能：

(1)线性回归模型能反映蓄顶温度和焦炉火道温度基本线性关系，并且能实时显示线性回归子模型的各个参数和预测值。

(2)神经网络模型能反映蓄顶温度和焦炉火道温度之间不确定的非线性关系，并且能实时显示神经网络子模型的预测值。

(3)能实时显示焦炉火道温度软测量集成模型的预测值。

(4)能实时修改焦炉火道温度测量模型中的参数。

(5)焦炉火道温度能实时显示，可作为人工或自动控制参考。

利用本明的温度测量模型，有效地解决了火道人工测温迟滞性问题，并实现了实时间接测量焦炉火道温度，达到了指导焦炭生产的目标。

附图说明

图1本发明焦炉火道温度测量模型框图。

图2本发明焦炉火道温度和蓄顶平均温度关系图。

图3本发明蓄顶温度数据滤波前后比较图。

图4本发明测温模型样本容量选择比较图。

图5本发明神经网络模型结构图。

图6本发明模型样本更新速率比较图。

图7本发明数据处理类流程图。

图8本发明线性回归类和神经网络类执行流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行详细的说明。

首先给出焦炉火道温度问接测量方法总体结构框图，如图1所示。

根据总体结构图说明焦炉火道温度间接测量方法如下：本焦炉火道温度测量模型由线性回归模型、神经网络模型、专家学习单元和专家协调器等单元组成。首先利用线性辨识建立焦炉火道温度和蓄顶温度的线性回归模型，此模型可以反映焦炉火道温度和蓄顶温度之间基本的线性关系，线性回归模型的输出记为

；然后根据大量的样本和神经网络建模的基本原理建立焦炉火道温度和蓄顶温度之间的BP神经网络模型，该模型能反映焦炉火道温度和蓄顶温度之间不确定的非线性关系，神经网络模型的输出记为

；专家协调器按照当前蓄顶温度和预测温度的情况，总结专家经验将两个模型的输出进行组合作为最终的焦炉火道温度测量结果

。在正常生产条件下，蓄顶温度的波动在允许的范围内，焦炉火道温度测量模型的输出也在合理的范围内，那么火道温度测量模型最终的输出值主要依赖神经网络模型的输出；在生产出现异常，蓄顶温度的波动超出范围等情况下，在进行模型集成时，主要以估计焦炉加热过程的总体温度水平为主，这时采用线性回归模型的输出。为使模型能适应工况的改变，在集成模型中加入了专家自适应学习单元，根据实时采集的数据，专家学习单元实时监督和评价智能协调单元的工作，并有效地修改智能协调规则以及两个温度预测模型。集成模型通过在线更新和修正，可不断完善并进一步提高测量精度。

具体实现焦炉火道温度测量模型即焦炉火道测温方法的步骤如下：

Step 1：相关性分析与蓄顶温度获取

为间接测量焦炉火道温度，需要选取一些较为容易测量并且可以实时获得的数据作为输入，通过计算得到焦炉火道温度。从焦炉生产工艺进行分析，焦炉火道温度的一些相关和影响因素主要包括：煤气流量、天气变化、入炉煤水分、加热制度、推焦串序、蓄顶温度等。在这些因素中，煤气流量的影响会间接反映在蓄顶温度的变化上；入炉煤水分对炭化室温度的影响在焦炉温度优化设定中考虑更加合理；推焦串序可以在选择典型蓄热室测温时考虑。而蓄热室作为与燃烧室紧密联结的热交换结构，其顶部温度与立火道温度存在着不可分割的连带关系，燃烧后的气体在换向时快速进入蓄热室顶部时，其温度能够反映对应燃烧室内的立火道温度，同时，蓄热室在焦炉的底部，有效隔离了外部对焦炉加热系统的干扰，可以保证蓄热室顶部温度是对直行温度的真实反映，两者之间的密切关系也可以从附图2中看出。因此选择蓄顶温度作为火道温度软测量模型的输入变量。

由于焦炉有约60个蓄热室，如果在每个蓄热室顶部安装测温热电偶会使成本过高，因此需要根据焦炉生产工艺选择典型的蓄热室，以典型蓄热室顶部温度作为测温模型的输入。考虑焦炉生产规律，确定如下的典型蓄热室选取原则：

(1)热电偶不安装在边火道蓄热室；

(2)典型蓄热室对应的炭化室和燃烧室生产正常，温度具有代表性；

(3)每两个典型蓄热室之间的推焦间隔时间大致相等；

(4)安装热电偶的典型蓄热室尽量不相连；

(5)奇数号蓄热室个数和偶数号蓄热室个数尽量相同。

上述典型蓄热室选取原则涉及到焦炉特有的推焦串序问题，下面做简单说明：假设某焦炉有55个炭化室，将成熟焦炭推出的顺序是有一定间隔的，推焦串序通常表示为m-n，m代表一座焦炉所有炭化室划分的组数(笺号)，也即相邻两次推焦间隔的炉孔数；n代表两趟笺号对应炭化室相隔的数，以国内常见的5-2推焦串序为例，推焦顺序为先推1号炭化室的焦炭，接着应该推6号炭化室的焦炭；推完51号炭化室的焦炭，接下来应该推3号炭化室的焦炭。根据以上定义，完整5-2推焦串序如下：

1号笺：1，6，11，16，21，26，31，36，41，46，(51)；

3号笺：3，(8)，13，18，23，28，33，38，43，48，53；

5号笺：5，10，15，20，25，30，(35)，40，45，50，55；

2号笺：2，7，12，17，22，(27)，32，37，42，(47)，52；

4号笺：4，9，(14)，19，24，29，34，39，44，49，54。

由于焦炉的蓄热室比炭化室多两个，但是除去不具有代表性的两个边蓄热室后，炭化室的数量和蓄热室的数量相同，因此可以用炭化室编号代表其下的蓄热室编号。这样，根据本发明提出的典型蓄热室的选取原则，在焦炉机侧和焦侧各安装六个蓄顶测温热电偶的情况下，一种选择的方法如上述推焦串序中带括号的蓄热室编号，即选取的典型蓄热室编号为：8，14，27，35，47，51。

在典型蓄热室安装测温热电偶后，焦炉下层的PLC或集散控制系统的组态软件可以实时获得蓄顶温度。需要说明的是，测量蓄顶温度时需要测量蓄热室中下降气流的温度，这是因为下降气流是火道燃烧结束后的废气，这些废气在数秒之内会运动到达蓄热室，因此下降气流到达蓄热室时的温度与气体在火道内燃烧时的温度具有最大的相关性；与之相反，上升气流到达蓄热室是为了预热，并没有参与燃烧，那时的蓄顶温度仅代表煤气燃烧前的初始温度，与火道燃烧时的温度关联不大。

从PLC或集散控制系统获得的蓄顶温度信号总是带有大量的噪声，需对数字信号进行滤波，才可以作为模型的输入数据。滤波可以克服以下缺陷：

(1)剔除尖峰脉冲，获得平滑曲线；

(2)剔除异常数据，提高稳定性；

(3)屏蔽设备、仪表故障对采样的干扰，提高可靠性。

滤波的方法有很多种，最常用的有：均值滤波、极值滤波、中值滤波等。不同的滤波方法可以得到不同的滤波效果，本发明将几种方法综合起来，原始曲线与滤波后的曲线效果对比如图3所示。

Step 2：建立线性回归模型

火道实测温度从统计的角度上讲属于随机变量，而蓄顶温度属于可检测量。一般而言，讨论自变量为检测量而因变量为随机变量的关系问题称为回归分析。研究因变量与多个自变量的相关关系问题，就称为多元回归分析。下面首先给出建立线性回归模型的基本步骤，然后分别建立焦炉火道温度和蓄顶温度的多元、一元和二元线性回归模型。

由于因变量Y是随机变量，对于自变量x的每一个确定的值，Y都有一定的概率分布。因此，假设Y的数学期望存在，则E(Y/x)是x的函数。统计学上称Y的条件期望为Y对x的回归函数，即

                      μ(x)＝E(Y/x)                        (1)

以下是求解回归问题的一般步骤。

(1)获得试验数据

取自变量x一组不全相同的数值：x₁，x₂，…，x_n；进行n次独立试验，得到Y的相应观察值：y₁，y₂，…，y_n；于是就构成n对数据

              (x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)

称之为样本观察值，在本项目中体现为蓄顶温度与火道温度数据对，n为样本的容量。

(2)选取回归模型

将样本观察值在直角坐标系中描出，得到“散点图”。如果“散点图”近似在一条直线上，就可以选取μ(x)＝a+bx，这时有

                      Y＝a+bx+ε                             (2)

其中a和b是待估计的参数，ε是统计误差，服从均值为零的正态分布，即ε～N(0，σ²)。

(3)求取回归模型中的未知参数

通常采用最小二乘法和极大似然法求取回归模型中未知参数的估计量，得到因变量Y的方差σ²的估计量。将此估计量带入选定的回归函数中便得到经验回归方程。如线性回归μ(x)＝a+bx中得到的a，b的估计值

后代入就有

$\widehat{\mathrm{\μ}}\left(x\right)=\hat{a}+\hat{b}x...\left(3\right)$

这就是一元线性回归中的经验回归方程。

(4)检验选定的回归模型

模型的选定是根据经验得到的，为了验证模型成立，必须对模型进行假设检验。例如检验Y与x是否有线性关系，假设H₀：b＝0。如果通过样本观察值拒绝了H₀，就可认为Y与x存在显著的线性关系。否则Y与x的线性关系不显著。

(5)回归模型运用于预测

模型通过检验后，可以用于实际的预测。当白变量x取定一数值时，回归模型就可以预测因变量Y的值。

根据线性回归模型的原理，设因变量y与p个自变量x₁，x₂，…，x_p之间满足下式，则可建立多元线性回归模型。

$\left\{\begin{array}{c}y={\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_1+{\mathrm{\β}}_2{x}_2+\·\·\·+{\mathrm{\β}}_p{x}_p+\mathrm{\ϵ}\\ \mathrm{\ϵ}~N(0,{\mathrm{\σ}}^2)\end{array}\right....\left(4\right)$

其中β₀，β₁，…，β_p为多元回归参数。

假设在焦炉的机侧和焦侧分别选取了六个典型蓄热室，那么以六个蓄顶温度为基础，可以建立六元线线性回归模型。设y为火道温度实测值，x₁，x₂，…，x₆为对应时段的六支蓄顶温度值，并对(x₁，x₂，…，x₆，y)作n(n＞7)次试验，就可以得到一个容量为n的样本和一个有限样本模型

$\left\{\begin{array}{c}{y}_1={\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_{11}+{\mathrm{\β}}_2{x}_{12}+\·\·\·+{\mathrm{\β}}_6{x}_{16}+{\mathrm{\ϵ}}_1\\ y_2={\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_{21}+{\mathrm{\β}}_2{x}_{22}+\·\·\·+{\mathrm{\β}}_6{x}_{26}+{\mathrm{\ϵ}}_2\\ \·\\ \·\\ \·\\ y_n={\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_{n1}+{\mathrm{\β}}_2{x}_{n2}+\·\·\·+{\mathrm{\β}}_6{x}_{n6}+{\mathrm{\ϵ}}_n\end{array}\right....\left(5\right)$

其中ε₁，ε₂，…，ε_n相互独立且与ε同分布。可用矩阵表示上式，记

$Y=\left[\begin{array}{c}{y}_1\\ y_2\\ \·\\ \·\\ \·\\ y_n\end{array}\right],$ $\mathrm{\β}=\left[\begin{array}{c}{\mathrm{\β}}_0\\ {\mathrm{\β}}_1\\ \·\\ \·\\ \·\\ {\mathrm{\β}}_6\end{array}\right],$ $u=\left[\begin{array}{c}{\mathrm{\ϵ}}_1\\ {\mathrm{\ϵ}}_2\\ \·\\ \·\\ \·\\ {\mathrm{\ϵ}}_n\end{array}\right]$

$X=\left[\begin{array}{cccc}1& x_{11}& \·\·\·& x_{16}\\ 1& x_{21}& \·\·\·& x_{26}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ 1& x_{n1}& \·\·\·& x_{n6}\end{array}\right]$

则上式变为

$\left\{\begin{array}{c}Y=\mathrm{X\β}+u\\ u~N_n(0,{\mathrm{\σ}}^2{I}_n)\end{array}\right....\left(6\right)$

此模型即为火道温度六元回归预测模型。

样本个数的多少对预测的准确度有很大的影响，样本个数较少时，预测灵敏度高，例如n＜60时，预测值的误差出现较大的振荡；样本个数较多时，预测比较稳定。当选取不同的样本个数时，利用同样的四组蓄顶温度对火道温度进行预测，预测误差对比如图4所示。从图4可以看出，当样本容量为90时，预测误差可以控制在较小的范围内。所以模型的样本容量取为90。

为了提高模型的可靠性，本发明还设计了基于蓄顶温度平均值的一元线性回归模型。如果六支蓄顶温度检测热电偶出现部分信号中断，或者采样数据超出正常范围等异常情况，六元回归模型不能使用，此时一元回归模型可以正常运行。

一元回归模型对热电偶每分钟采集到的蓄顶温度进行判断，将其中不合格的数据剔除，对合格的蓄顶温度数据求取平均，得到一元回归模型中的自变量x_i。然后将蓄顶温度平均值与对应时刻的火道温度Y_i一起构成回归样本(x_i，Y_i)，最后利用最小二乘法求取模型参数的估计量。设(x₁，Y₁)，(x₂，Y₂)，(x_n，Y_n)为样本，则

         Y_i＝a+bx_i+ε_i  i＝1，2，…，n                      (7)

其中，Y_i表示全炉火道温度的平均值，x_i表示对应时刻若干个蓄顶温度的平均值，ε_i表示第f次试验中的随机误差。

至于在某一确定时刻到底取多少个蓄顶温度的平均值，则要根据一定的学习规则和专家经验决定。这些学习规则和经验是：当任意一个或多个蓄顶温度发生故障或异常时，重新选取历史样本，并屏蔽掉历史样本中发生故障的蓄顶温度，在挑选后的样本基础上建立温度预测模型。

求得一元回归模型后即可对火道温度进行在线预测：首先采集蓄顶温度，将滤波后的结果作为模型的输入计算出火道温度。

对焦炉生产工艺进行原理分析，可以发现奇数号蓄顶温度和偶数号蓄顶温度的采样时问分别在正点到半点和半点到正点。由于时间上的间隔和气流流动方向的不同，奇数号蓄顶温度和偶数号蓄顶温度的性质有所不同，为反映这种不同，以奇数号蓄顶温度的平均值和偶数号蓄顶温度的平均值做为两个输入，建立二元线性回归模型。

与六元线性回归模型类似，在所有蓄顶温度正常的情况下，取奇数号蓄顶温度和偶数号蓄顶温度x_i(i＝1，2)，然后与对应时刻的火道温度Y_i一起构成回归样本(x_i，Y_i)，利用最小二乘法求取模型参数的估计量。设(x₁，Y₁)，(x₂，Y₂)，…，(x_n，Y_n)为样本，则

          Y_i＝a+bx_i+ε_i  i＝1，2                        (8)

其中，Y_i表示全炉火道温度的平均值，x_i表示对应时刻奇数号和偶数号蓄顶温度的平均值，ε_i表示第i次试验中的随机误差。

与一元回归模型的运行方式类似，首先采集蓄顶温度，将滤波后的结果作为模型的输入即可计算出火道温度。

在分别建立焦炉火道温度的六元、二元和一元线性回归模型后，可以在每小时得到三个模型的输出，此处通过规则模型将三个线性回归模型的输出进行综合，结果作为线性回归模型的整体输出。

记六元、二元、一元线性回归模型的输出分别为

和

对这三个值进行加权组合，得到线性回归模型预测值：

${\hat{T}}_{\mathrm{reg}}=\mathrm{\α}{\hat{Y}}_6+\mathrm{\β}{\hat{Y}}_2+\mathrm{\γ}{\hat{Y}}_1...\left(9\right)$

式(9)中，α+β+γ＝1，且0≤α，β，γ≤1。α，β和γ的初始值相同，通过规则改变。以一元回归模型输出 的预测误差为例说明系数变化规则：

Rule 1：IF THEN γ＝1，α，β暂时屏蔽；

Rule 2：IF

最小 THEN γ(k)＝1.5γ(k-1)；

Rule 3：IF

最大 THEN γ(k)＝0.5γ(k-1)；

系数和预测值有效性检查规则包括：

Rule 4：IF ${\hat{Y}}_1{<Y}_{\min }$ or ${\hat{Y}}_1>Y_{\max }$ THEN γ＝0；

Rule 5：IF α，β，γ值改变    THEN α，β，γ之和归一化。

其中Y_min和Y_max。通过统计数据得到，正常生产情况下，Y_min＝1204，Y_max＝1373。

Step 3：建立神经网络模型

蓄顶温度和焦炉火道温度之间主要是线性关系，但是由于焦炉生产过程中干扰严重，两者之间存在一定程度的非线性关系，这种非线性关系无法用线性回归模型表达，必须建立两者之间的非线性模型。神经网络正是这样一种能满足建立两个变量间非线性映射关系的模型。

神经网络模拟人的大脑工作机理，由一个个相互联结的人工神经元构成，所以人工神经元的工作原理和性能成为神经网络品质和功能的基础。人工神经元是对生物神经元的简化和模拟，是神经网络的基本处理单元。各个人工神经元的联结形式和相互间的连结权重组成了神经网络模型的主要部分。图5(a)是人工神经元模型及其示意图，它描述了一个多输入、单输出的非线性元件，主要由以下几部分组成：权重w_j，激活函数f(·)和偏置b。

输出y对输入x_j的函数如式(10)所示，其中f(·)为激活函数。激活函数有多种，通常是sigmoid函数，如式(11)所示，其中a为决定函数曲率的常数。它是可微分的严格的递增函数，其值域为[0，1]。

$y_k=f(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_j{x}_j+b)...\left(10\right)$

$f\left(u\right)=\frac{1}{1+\exp (-\mathrm{au})}...\left(11\right)$

按照不同的方法，神经网络可以分为有师学习的网络和无师学习的网络。在工程上广泛运用的网络，按照学习算法分，有BP网络、RBF网络等。另外按照网络连接的不同方式，可以分为前向神经网络、反馈神经网络和自组织神经网络。前向神经网络得到了广泛地应用，它的各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。图5(b)是前向神经网络的通用模型。

为了对焦炉进行系统辨识，必须采用有师网络，对大量样本进行学习。有师网络学习后，系统模式特性将会存储在网络的结构、权值和阈值当中。

BP神经网络是一种基于梯度下降法而使误差反向传播(Back-propagation)的网络，通常情况下具有多层结构，包括输入层、输出层和隐含层。虽然也可以有多个隐含层，但应用在工业上的绝大数BP网络均只含有一个隐含层，如果选取恰当个数的隐含层神经元个数，一个隐含层已足以对非线性对象进行逼近，所以这里采用含有一个隐含层的BP神经网络建立焦炉火道温度的神经网络模型。

分别建立焦炉机侧和焦侧的BP神经网络模型。机侧神经网络的输入取六个蓄顶温度，输出为机侧火道温度，焦侧神经网络模型与此类似。将BP神经网络运用在焦炉火道温度测量上，关键是确定隐含层神经元个数。隐含层神经元个数采用如下经验公式确定：

$h=\sqrt{p+q}+a...\left(12\right)$

式(12)中，p为输入神经元个数，q为输出神经元个数，a为常数，通常取1～10。h为隐含层神经元个数。根据此经验公式，隐层神经元个数取为12个。

通过上述步骤，成功建立了焦炉机侧和焦侧火道温度神经网络测量模型，模型的训练样本与线性回归模型的样本相同，均为根据统计规律选取的90组样本，在模型初始化时对神经网络进行训练，预测的时刻只需将蓄顶温度输入，即可得到实时的焦炉火道温度。

Step 4：线性回归模型和神经网络模型集成

前文分别阐述了线性回归模型和神经网络模型的建立方法，根据组合预测可以提高精度的原理，本发明对这两类模型进行了集成。集成后这两类模型将成为最终焦炉火道温度测量模型的子模型。对多模型集成有多种方法，例如：并联补集成，加权并集成，串联集成，模型嵌套集成，结构网络化集成和部分方法替代集成等。综合考虑这些模型集成策略并加入学习及输出协调机制，最后得到的集成模型如图1所示。

图1中，专家协调器用于协调线性回归模型和神经网络模型的输出，并决定两种模型何时进入学习状态；专家学习单元实时监督和评价智能协调单元的工作，并有效地修改专家协调规则以及两个温度预测模型。集成模型通过在线更新和修正，可不断完善并进一步提高预测精度。

下面给出本软测量模型输出的优化集成策略。假设y_mi是第i种软测量模型的预测值；a_i是y_mi的模糊系数；y是集成模型的输出值。

$y=\underset{i=1}{\overset{2}{\mathrm{\&Sigma;}}}{a}_i{y}_{\mathrm{mi}}...\left(13\right)$

集成模型输出优化规则如式(13)所描述：

$\min :E=\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(y_i-y_r)}^2...\left(14\right)$

其中，y_r代表集成模型对第i组数据的输出值；y_r代表第i组数据中待检测变量的真实值，通常情况下未知，用实际测温值代替；E是误差平方和，N是选取的样本容量。模型集成就是要寻求方法以实现模型的最终输出逼近待检测变量的真实值。具体方法为：针对子模型选取合适的样本，对其输入输出进行测试，求出最佳的模糊系数a_i，使得软测量的输出的误差E最小。令

$\frac{\&PartialD;E}{{\&PartialD;a}_i}=0,(i=\mathrm{1,2})...\left(15\right)$

根据式(15)可求得最佳的模糊系数估计值。

Step 5：模型自适应算法

虽然基于样本的离线模型可以对火道温度进行准确预测，但是随着运行时间增长，焦炉性能变化、工况偏移等原因造成离线模型预测产生较大的偏差，为了解决这个问题，本发明在焦炉火道温度测量模型中加入了自适应算法。自适应算法主要解决以下问题：

(1)如何获得更新的样本；

(2)如何判断新样本是否合格；

(3)模型自学习前需要接纳多少个新样本，即自适应学习的速率；

(4)得到新样本以后，如何更新过时的样本集。

由于焦炉测温工每四小时会测量一次焦炉火道温度，加上对应时刻的蓄顶温度，就构成了温度测量模型自适应学习的新样本。模型获得新样本之后并不立即用于更新样本集，而是通过合格性判断后才用于更新样本集。对新样本的合格性判断用以下标准：

(1)数据基本范围判断；

(2)数据斜率判断，即数据相邻两次测量的温度变化在一个范围之内，根据多次试验，此数据设为30℃。

为了确定样本集自适应的学习速率，将学习速率分别取为10、6、3、2、1时对6组相同的数据进行预测，求得误差对比图如图6所示。分析图6发现，自适应学习速率对模型预测影响很大。当自适应学习速率比较大时，样本集更新的速度很慢，对稳定的火道温度预测非常有利，但是缺乏灵敏性，难以跟踪焦炉工况骤然变化时的趋势，例如因下雨导致焦炉骤然降温。当自适应学习速率比较小时，样本集更新频繁，可能会削弱火道温度的稳定性，严重时造成预测误差正负振荡。所以自适应学习速率的选择要综合考虑。由于样本集的大小也对火道温度预测的稳定性有类似的影响，当样本集的容量比较大时，才可以选择较小的学习速率。通过大量数据分析，可以将样本集容量定为90，自适应学习速率取为1，这时预测误差可以达到最小。

根据上述模型学习策略，当达到模型学习条件时，线性回归模型和神经网络模型分别利用更新后的样本集重新拟合各参数，并且同时将此过程保存在文件中，以备查询。等下一次有蓄顶温度输入时，测温模型按照更新后的参数计算，保证模型能在工艺改变的情况下仍准确测温。

下面给出焦炉火道温度测量模型的编程实现方法。

本发明提出的焦炉火道温度测量模型在Visual C++6.0编程环境下编写完成，通过OPC技术与下层的组态软件完成数据交换。

为保证焦炉火道测温模型简单易用，本发明采用面向对象程序设计思路对模型进行了封装，设计思想如下：在主程序框架中实现一个模型类的实例对象，该实例对象可以从程序的全局成员变量中任意读取数据，并且在适当的时刻修改作为全局成员变量的预测值，该对象除此之外没有与主程序之间的任何成员变量的接口，以避免调试过程中的混乱赋值操作。全局成员变量设定为所有可以读写的OPC数据，这样通过OPC接口可以容易的实现模型与组态软件的数据交换。

按照上述设计思想，将软测量模型分为三个类(class)进行编写：数据处理类CData实现数据处理操作，具体包括何时读取蓄顶温度数据，如何根据换向标志将不同的蓄顶温度填充到数组的各位，如何对蓄顶数据滤波，如何进行样本温度的管理和样本的更新等，以及如何将模型预测值组合并修改预测温度全局变量；线性回归类CRegress完成线性回归模型的实现，其中应该包含线性回归模型的拟合，一元、二元和六元线性回归模型的实现等操作；神经网络类CNNT完成神经网络模型的实现，其中应该包括神经网络模型的训练，预测值的实时保存等。

在主程序中设置定时器，由CData完成数据初步处理和读写操作，在模型预测时刻调用线性回归类CRegress和神经网络类CNNT的实例，输出两类模型的预测值，并且在有新样本输入的情况下执行模型自适应算法。其流程如图7所示。

线性回归类CRegress和神经网络类CNNT的执行步骤基本相同，均在程序启动时初始化线性回归模型和神经网络模型，根据定时器的设置，在适当的时刻给出模型预测值，并且由数据处理类CData控制模型的自适应算法是否执行，两个类的执行步骤基本相同，流程图如图8所示。

下面给出焦炉火道温度测量方法的具体实施方法。

利用本发明提出的焦炉火道温度测量方法，在湖南某钢铁有限公司焦化厂建立了“涟钢2#焦炉加热燃烧过程智能控制系统”，并在1#焦炉投产后建立了“涟钢1#焦炉加热燃烧过程智能控制系统”。该智能控制系统中的焦炉火道温度测量模型的主要功能包括：

(1)焦炉火道温度在线测量

控制程序启动后，焦炉火道温度测量模型自动运行。模型根据设定的数据采集时刻自动获取焦炉火道温度，对温度进行滤波后用模型进行运算，最终得到当前的焦炉火道温度。焦炉优化控制系统可以根据此温度更改煤气流量和烟道吸力，实现焦炉温度的自动控制。

(2)模型参数实时显示

本发明建立的焦炉火道温度线性回归模型和神经网络模型具有众多的参数，为保证模型运行的正确性，在界面上实时显示模型中各个参数，保证专家和操作人员可以实时检查模型运行情况，保证模型准确检测焦炉火道温度。

(3)模型参数在线修改

针对工业现场设备复杂，干扰多的特点，对模型中一些参数设置了人工修改功能。专家在确认模型中某些参数不适合当前工况的情况下，可以对模型做出修改，确认后模型将按照修改后的参数运行。

基于本发明建立的焦炉加热燃烧过程控制系统，已经在湖南某钢铁有限公司焦化厂的1#和2#焦炉智能控制系统中成功应用，实现了焦炉火道温度的自动测量和控制，降低了焦炉生产成本，保证了煤炭质量，减少了环境污染，提高了企业自动化程度，取得了显著的经济效益和社会效益。

Claims (3)

1.一种焦炉火道温度集成建模与软测量方法，其特征在于包括以下步骤：先建立焦炉火道温度与蓄顶温度之间的线性回归模型，分别构建反映焦炉全炉平均温度的一元线性回归模型，反映焦炉奇数号和偶数号火道平均温度特性的二元线性回归模型以及反映各个典型火道温度特性的六元线性回归模型；将实时数据滤波和筛选后，得到样本值x，与相应的观测值y，二者构成样本对(x，y)，采用最小二乘法和极大似然法求取回归模型中未知参数的估计量，得到因变量Y的方差σ²的估计量，将此估计量带入选定的回归函数中便得到经验回归方程，线性回归Y(x)＝a+bx中得到的a，b的估计值

后代入，得一元线性回归中的经验回归方程： ${\hat{Y}}_1\left(x\right)=\hat{a}+\hat{b}x;$ 同样方法得到多元线性回归经验回归方程： $\hat{Y}\left(x\right)={\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+\&CenterDot;\&CenterDot;\&CenterDot;+{\mathrm{\&beta;}}_p{x}_p,$ 当p＝2和p＝6时，分别对应二元和六元线性回归中的经验回归方程，以此为基础可得六元、二元、一元线性回归模型的输出

将三者按下式进行加权组合：

${\hat{T}}_{\mathrm{reg}}=\mathrm{\&alpha;}{\hat{Y}}_6+\mathrm{\&beta;}{\hat{Y}}_2+\mathrm{\&gamma;}{\hat{Y}}_1$

式中，α+β+γ＝1，且0≤α，β，γ≤1，α，β和γ的初始值相同，通过规则改变，其中一元回归模型输出

的预测误差系数变化规则是：

Rule1：IF

THEN γ＝1，α，β暂时屏蔽；

Rule2：IF

THEN γ(k)＝1.5γ(k-1)；

Rule3：IF

THEN γ(k)＝0.5γ(k-1)；

系数和预测值有效性检查规则包括：

Rule4：IF ${\hat{Y}}_1<Y_{\min }\mathrm{or}{\hat{Y}}_1>Y_{\max }$ THEN γ＝0；

Rule5：IF α，β，γ值改变  THEN α，β，γ之和归一化。

其中Y_min和Y_max通过统计数据得到，正常生产时Y_min＝1204，Y_max＝1373，得到线性回归模型的预测值；

焦炉火道温度与蓄顶温度之间的非线性关系同时用神经网络模型进行描述，根据蓄顶温度，由神经网络模型得到实时的焦炉火道温度的预测值；采用专家协调器对回归模型的输出和神经网络模型的输出进行集成，得到焦炉火道温度。

2.根据权利要求1所述的焦炉火道温度测量方法，其特征在于：所述的神经网络模型为基于梯度下降法而使误差反向传播的BP神经网络，输入神经元的个数为6，分别对应6个典型蓄热室在特定时刻的输出，输出神经元的个数为1，对应神经网络模型在特定时刻输出的预测值，其中激活函数为sigmoid函数，隐含层神经元个数采用如下经验公式确定：

$h=\sqrt{p+q}+a$

式中，p为输入神经元个数，q为输出神经元个数，a为常数，通常取1～10，h为隐含层神经元个数，根据此经验公式，隐层神经元个数取为12个。

3.根据权利要求1所述的焦炉火道温度测量方法，其特征在于：所述的专家协调器核心优化集成策略是：假设y_mi是第i种软测量模型的预测值；a_i是y_mi的模糊系数，有：

$y=\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{a}_i{y}_m$

在本软测量模型中，T＝2，a₁为线性回归模型的模糊系数，y_m1对应于线性回归模型的预测输出；a₂为神经网络模型的模糊系数，y_m2对应于神经网络模型的预测输出，y是集成模型的输出值；

集成模型输出优化规则如下式所描述：

$\min :E=\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(y_i-y_r)}^2$

其中，y_i代表集成模型对第i组数据的输出值；y_r代表第i组数据中待检测变量的真实值，用实际测温值代替；E是误差平方和，N是选取的样本容量，具体方法为：针对子模型选取合适的样本，对输入输出进行测试，求出最佳的模糊系数a_i，使得软测量的输出的误差E最小，令

$\frac{\&PartialD;E}{{\&PartialD;a}_i}=0(i=\mathrm{1,2})$

根据上式求得最佳的模糊系数估计值。

Images