CN101285816A - 铜锍吹炼的过程参数软测量仪表及其软测量方法 - Google Patents

Abstract

铜锍吹炼的过程参数软测量仪表及其软测量方法，涉及一种测量仪，尤其是涉及一种基于神经网络曲线拟合与机理分析的铜锍吹炼的过程参数软测量仪表及其测量方法。提供一种检测铜锍吹炼过程中的物相组成、元素成份和炉温的铜锍吹炼的过程参数软测量仪表及其软测量方法。设有智能仪表、数据存储装和上位机，智能仪表设有传感器、服务器、仿真机、在线显示器和至少1个工作站；数据存储装置与智能仪表连接，数据存储装置设有数据库和仿真机；上位机为软测量处理器，上位机与智能仪表和数据存储装置连接。

Description

铜锍吹炼的过程参数软测量仪表及其软测量方法

技术领域

本发明涉及一种测量仪，尤其是涉及一种基于神经网络曲线拟合与机理分析的铜锍吹炼的过程参数软测量仪表及其测量方法。

背景技术

随着生产技术的发展和生产过程的日益复杂，为确保生产装置的安全与高效运行，需对与系统的稳定及产品质量密切相关的重要过程变量进行实时优化控制。在许多冶金生产过程中，存在一些重要的过程变量，由于技术或经济上的原因，很难通过传感器直接进行测量，如铜锍吹炼中组元各组分、物相、反应强度等，但这些变量往往能充分反映过程状况和特性，对操作和控制具有十分重要的参考价值，以前解决此类过程的控制问题，往往采用两种方法：一种是采用间接的质量指标控制，但此法难以保证最终质量指标的控制精度；另一种是采用在线分析仪表，但设备投资较大，维护成本高，并因较大的测量滞后而使得调节品质下降。为了解决上述问题，逐步形成了在线仿真方法。在线仿真就是选择与被估计变量相关的一组可测变量，构造某种以可测变量为输入、被估计变量为输出的数学模型，用计算机软件实现重要过程变量的估计，这类数学模型及相应的计算机仿真软件也被称为在线仿真检测器。在线仿真检测器估计值可作为控制系统的被控变量或反映过程特征的参数，为优化决策与控制提供重要信息。为了检测铜锍吹炼过程中的物相组成、元素成份和炉温，因此在基于神经网络与机理分析方法下构建了有关参数的在线仿真检测模型。

发明内容

本发明的目的是提供一种检测铜锍吹炼过程中的物相组成、元素成份和炉温的铜锍吹炼的过程参数软测量仪表及其软测量方法。

本发明的技术方案是基于神经网络曲线拟合与机理分析方法，构建有关参数的在线仿真检测模型及测量仪表。

本发明所述的铜锍吹炼的过程参数软测量仪表设有：

智能仪表，智能仪表用于与铜锍吹炼过程对象连接，智能仪表设有传感器、服务器、仿真机、在线显示器和至少1个工作站；

数据存储装置，数据存储装置用于存放历史数据，数据存储装置与智能仪表连接，数据存储装置设有数据库和仿真机；

上位机，上位机为软测量处理器，用于处理铜锍吹炼的过程参数，上位机与智能仪表和数据存储装置连接。

智能仪表中的传感器用于将外面采集的数据通过传感器转化得到在线参数，传感器经总线与服务器和数据存储装置的数据库连接。仿真机用于对获得的在线参数在数据库中进行实时处理。

数据采集电脑为一普通台式电脑，利用DDE、DAO(DAO全称Data Access ObjectPattern即数据访问对象)等技术进行在线数据整理、存储，并将数据提供给软测量智能体。DDE Server为ABB公司RS Works专用的DDE Server(DDE全称Dynamic Data Exchange即动态数据交换)。

服务器在线参数通过总线传送到服务器和数据存储装置的数据库中，服务器通过双绞线与其他电脑连接。

所述的铜锍吹炼的过程参数软测量仪表的工作由软测量体配合。软测量体包括数据在线采集模块、铜锍吹炼过程组分计算模型与温度计算模块、生产优化模块、曲线拟合及神经网络模块、在线仿真检测模型的自校正与维护模块、在线自校正模块和模型更新模块。

数据在线采集模块是利用传感器按照设定的采样标准，经仿真机从数据库中采集数据。

铜锍吹炼模块是采用文献所建的造渣期和造铜期的物料衡算与热量衡算模型。

混沌遗传优化模块是利用混沌运动的遍厉性和遗传算法的反演性优化算法使得问题得以最优解。

曲线拟合及神经网络模块是以优化参数为输入参数以利用基于遗传算法的曲线拟合法求得拟合系数为输出系数，经过训练得出特定的输出模式。

在线传真检测模型是采用在线自校正和更新两级学习机制实现模型的自校正和自维护。

在线自校正模块是因离线测量值与仿真检测值之间存在误差，故需修正在线仿真检测模型提高自适应能力。

模型更新模块是当在线仿真检测模型评价软件统计到统计值精度下降到预定值时则实现模型更新。

在线显示器用于实时显示工业数据，与其它设备通过信号采集器进行数据传输。

工作站为一般的操作电脑。

本发明所述的铜锍吹炼的过程参数软测量的方法包括以下步骤：

1)利用传感器采集铜锍吹炼过程在线测量参数，测量参数包括熔体温度、熔体中元素组成等；

2)采用所建的造渣期和造铜期的物料衡算与热量衡算模型建立造渣期、造铜期组成计算模型及温度计算模型；

3)采用分步平衡法和数值计算方法进行解析求出时段末体系的组成，并将计算结果输入温度计算模型，求出时段末体系的温度；

4)利用混沌运动的遍历性和遗传算法的反演性即混沌遗传优化算法(CGA)，使得整个体系问题得以最优解；

5)利用人工神经网络根据对象的输入输出数据直接建模与机理模型结合起来，以优化参数为输入参数，以利用基于遗传算法的曲线拟合法求得拟合系数为输出系数，经过训练得出特定的输出模式；

6)采用在线自校正和不定期更新的两级学习机制实现模型的自校正和自维护。因存在离线测量值与仿真检测值之间存在误差，故需修正在线仿真检测模型提高自适应能力。

当在线仿真检测模型评价软件利用模型误差统计到统计值精度下降到预定值时则实现模型更新。

采用本发明所述的铜锍吹炼的过程参数软测量仪及其测量方法所得的最终质量指标控制精度准确度高，投资小，维护成本低，并因较大的测量实时性强，调节品质很高，混沌运动的遍历性和遗传算法的反演性，因此它特别适合于研究复杂非线性系统的优化问题，用计算机实现了重要过程变量的估计，在线仿真检测器估计值可作为控制系统的被控变量或反映过程特征的参数，为优化决策与控制提供了重要信息。

附图说明

图1为本发明所述铜锍吹炼的过程参数软测量仪实施例的结构组成框图。

图2为是本发明所用到的软测量智能体结构图。

图3为基于机理分析的神经网络在线仿真检测建模流程图。

图4为三层BP网络结构图。

图5为各班铜锍品位历史值与在线仿真检测值。在图5中，横坐标为班次/个，纵坐标为预测值/％；曲线1为真实值，曲线2为在线仿真预测值。

具体实施方式

参见图1，通过工作站7将现场操作站的数据与通过传感器1将外面采集的数据，通过传感器1转化得到在线参数A，存储在服务器2上，同时通过仿真机3对获得的在线参数A在数据库中进行实时处理传输给部件a，通过部件b利用DDE、DAO和Jet引擎等技术进行在线数据整理、存储，并将数据提供给软测量智能体。在图1中，代号51为IDSS模型在线显示，52为在线显示，4为部件a，5为部件b，A为在线参数，B为DDE、DAO和Jet引擎。DDE Server为ABB公司RS Works专用的DDE Server(DDE全称Dynamic DataExchange即动态数据交换)。

软测量体包括以下7大模块(结构与功能)。

1)数据在线采集模块

铜锍吹炼过程中，在线采集的测量参数主要包括熔体温度、熔体中元素组成(造渣期为熔体中[Cu]、[Fe]含量，造铜期为熔体中[Cu]、[S]含量)。

2)铜锍吹炼过程组分计算模型与温度计算模块

铜锍吹炼过程的机理模型采用文献所建的造渣期和造铜期的物料衡算与热量衡算模型，其基本思想是在假设过程化学反应平衡、质量守恒、能量守恒的基础上，采用平衡常数法，建立造渣期、造铜期组成计算模型及温度计算模型；采用分步平衡法把整个吹炼过程离散化为一系列时间步(间隔长度为1min)；将各入炉炉料的质量、成份等数据作为入口参数代入模型，采用数值计算方法进行解析，求出时段末体系的组成，并将计算结果输入温度计算模型，求出时段末体系的温度。

3)生产优化模块

利用混沌运动的遍历性和遗传算法的反演性，提出了一种混沌遗传优化算法(CGA)。其基本思想是将混沌状态引入到优化变量中，并把混沌运动的遍历范围“放大”到优化变量的取值范围，然后把得到的混沌变量进行编码，表示成“染色体”，将它们置于问题的“环境”中，根据“适者生存”的原则，对其进行选择、复制、交叉、变异，然后对各个混沌变量附加一混沌小扰动，通过一代代地不断进化，最后收敛到一个最适合环境的个体上，求得问题的最优解。

4)曲线拟合及神经网络模块

基于机理分析的数学模型由于其计算速度较慢，计算出来的数据存在大滞后问题，很难实现在线测量。人工神经网络由于无需对象的先验知识，只需根据对象的输入输出数据直接建模，使它在解决高度非线性和严重不确定性系统建模与控制方面具有巨大潜力。其优良的品质，如并行处理、容错性、分布式丰存贮等，对建立软仪表十分有利。目前，神经网络软仪表已在石油化工产品成分、生物反应参数、铁水硅含量等过程输出参数的在线估计方面得到了广泛应用。但由于人工神经网络在处理问题时不涉及过程的原理，不能表达其中的物理意义，因此，将神经网络与能表达一定物理意义的机理模型结合起来，对于描述工艺过程更为有利。基于机理模型的神经网络在线仿真检测建模流程如图2所示。在图2中，各方框的代号分别为数据在线采集模块21，温度吹炼过程组分计算模型与温度计算模块22，曲线拟合及神经网络模块23，模型更新模块24，生产优化模块25，在线自校正模块26，在线仿真检测模型的自校正与维护模块27。

图3给出基于机理分析的神经网络在线仿真检测建模流程图。在图3中，各流程的代号为原料成分、操作技术条件和热物性参数在线参数采集31，组分计算模型32，温度计算模33，非线性曲线拟合34，拟合参数35，神经网络36，实时生产数据37，生产优化模型38，优化参数39，模型更新310，在线自校正311和在线仿真检测器312，输入IN，输出OUT，训练ED。

图4给出三层BP网络结构图(在图4中，代号41为输入层，42为隐含层，43为输出层)，采用三层BP网络和误差反向传播的BP网络学习算法，权值误差按照δ规则进行调整，各层间的激活函数取Sigmoid型函数。

对第p个训练样本，单元j的输入总和记为b_pj，输出记为O_pj，则

$O_{\mathrm{pj}}=f\left(b_{\mathrm{pj}}\right)=\frac{1}{1+\exp (-b_{\mathrm{pj}}+Q_j)}---\left(1\right)$

式中，Q_j为阈值。网络的指标函数为

$\mathrm{Ep}=\frac{1}{2}\underset{j}{\∑}{(d_{\mathrm{pj}}-O_{\mathrm{pj}})}^2---\left(2\right)$

式中，d_pj表示第p个输入模式在输出单元j的期望输出。运用δ学习规则，使权值沿指标函数的负梯度方向改变。令W表示层间的权值，对式(2)

求导后得出BP算法权值修正公式的统一表达式

式中，k表示与单元j输出相连的下一层单元；i表示与单元j输入相连的上一层单元；η为学习因子；β为势态因子。本实施例采用变步长方法，当均方差大于上一迭代步的均方差时，将学习因子η减半，以加速网络的收敛。

铜锍吹炼过程中，测量参数主要包括熔体温度、熔体中元素组成(造渣期为熔体中[Cu]、[Fe]含量，造铜期为熔体中[Cu]、[S]含量)。以常规的物组元计算模块与温度计算模块为基础，在已有的300炉历史数据基础上，算出每隔1分钟的熔体温度和造渣期熔体中[Cu]、[Fe]含量及造铜期熔体温度、熔体中[Cu]、[S]含量，然后对这些数据分别进行四次曲线拟合。拟合函数为：

f_ij(t)＝a_ij+b_ijt+c_ijt²+d_ijt³+e_ijt⁴(5)

其中：i＝0...2，分别对应于造渣期熔体温度、熔体中Cu、Fe含量与造铜期熔体温度、熔体中[Cu]、[S]含量；j＝0，...，299，对应于样本数t＝0，...，199，min。

利用基于遗传算法的曲线拟合法求拟合系数。以熔体温度对应的非线性方程的拟合系数为例，其目标函数Error为

${\mathrm{Error}}_{\mathrm{ij}}=\underset{t=0}{\overset{199}{\mathrm{\Σ}}}{\mathrm{\δ}}_{\mathrm{ij}}\left(t\right)=\underset{t=0}{\overset{199}{\mathrm{\Σ}}}({f_{\mathrm{ij}}}^{\′}\left(t\right)-f_{\mathrm{ij}}\left(t\right))---\left(6\right)$

其中：f_ij′(t)为由物料衡算和热量衡算得出的实际值，δ_ij(t)为计算出来的实际值与拟合值间的误差。曲线拟合的目标是在使δ_ij(t)的平方和为最小的前提下，求得最优估计值(a_ij’，b_ij’，c_ij’，d_ij’，e_ij’)^T。

在上述算法中，目标函数到个体的适应度的映射，首先应保证映射后的适应度值非负，其次目标函数的优化方向应对应适应度值增大的方向。所以，适应度函数g_ij(t)和目标函数Error_ij之间的映射关系为：

其中：W_max为足够大的正数。

取第一个样本，i＝0，j＝0，即求a₀₀，b₀₀，c₀₀，d₀₀，e₀₀的最佳估计值。在寻优过程中，考虑到交叉在遗传算法中起主要作用，选取交叉概率P为0.96，变异起辅助作用，取变异概率P_m＝0.03，群体中的个体数取为i＝0，1，...，100。对待定系数a₀₀，b₀₀，c₀₀，d₀₀，e₀₀随机地选取一取值范围。

在基因编码时，采用二进制编码。1个个体代码分为4段，每段表示1组待定系数的编码，取每个代码长度为8，即1个个体的代码长度为40位。在寻优过程中，如果某个系数的值落在取值范围之外，需把其取值范围向下限或上限调整，并缩小其它系数的取值范围，将代码长度由8增加到16，即一个代码长度为80位，同时将选择算法改为线性调整策略，以防止不成熟收敛。

以所得的优化参数作为神经网络的输入参数，曲线的拟合参数(a_ij，b_ij，c_ij，d_ij，e_ij)为输出参数，经过训练后，对特定的输入模式，可给出特定的输出模式。经过不断自学习，达到模拟吹炼过程显示状态参数的目的。

5)在线仿真检测模型的自校正与维护模块

铜锍吹炼过程的对象特性，由于工艺改造、原料改变、操作条件变化等原因，会发生变化，如果在线仿真检测模型不随之修正，则在线仿真检测精度会逐渐下降。通常采用在线自校正和不定期更新的两级学习机制实现模型的自校正和自维护。

6)在线自校正模块

根据被估计变量的离线测量值与在线仿真检测估计值的误差，对在线仿真检测模型进行在线修正，使其能跟踪系统特性的缓慢变化，提高其自适应能力。造渣期吹炼过程在线仿真检测参数的在线修正模型为：

$T=T_0+(Q_1-Q_0)\×\frac{{\mathrm{\η}}_1}{{\mathrm{\η}}_0}\×k_1---\left(8\right)$

$\mathrm{Cu}={\mathrm{Cu}}_0+(Q_1-Q_0)\×\frac{{\mathrm{\η}}_1}{{\mathrm{\η}}_0}{\×k}_2---\left(9\right)$

$\mathrm{Fe}={\mathrm{Fe}}_0+(Q_1-Q_0)\×\frac{{\mathrm{\η}}_1}{{\mathrm{\η}}_0}\×k_3---\left(10\right)$

式中：T，Cu，Fe，Q₁，η₁为实际的炉温、熔体含Cu、熔体含Fe、实时风量、实时富氧率；T₀、Cu₀、Fe₀、Q₀、η₀为神经网络给出的的炉温、铜百分比、铁百分比、优化风量、优化富氧率；k₁，k₂，k₃为可调参数，其取值由调试确定，其中，k₁＝10～100，k₂＝5～15，k₃＝1～10。

造铜期铜锍吹炼的在线仿真检测修正模型为：

T＝T₀+(Q₁-Q₀)×l₁(11)

Cu＝Cu₀+(Q₁-Q₀)×l₂(12)

S＝S₀+(Q₁-Q₀)×l₃(13)

式中T、Cu、S、Q₁为实时炉温、熔体含Cu、熔体含S、实时风量；T₀、Cu₀、S₀、Q₀为优化后的温度、熔体含铜、熔体含硫、优化风量；l₁，l₂，l₃为可调参数，l₁＝100～1000，l₂＝5～15，l₃＝1～10。

7)模型更新模块

当对象特征发生较大变化，使在线仿真检测器通过在线学习也无法保证预估精度时，必须利用在线仿真检测器运算所累积的历史数据进行模型更新。通常是在人工干预下对在线仿真检测模型离线重构，即调整模型结构，重新估计模型参数；或根据新的样本数据训练ANN使模型适应新的工况。为了实现在线仿真检测模型长时期自动更新，设计一个在线仿真检测器评价模块，由其决定是否需要更新模型，并调用相应的模型更新软件。在线仿真检测模型评价软件利用模型误差(离线分析值与估计值之差)历史数据的统计值来描述模型的精度：设第k次离线测量值对应的模型误差为e(k)，ε为允许的模型误差；统计N次模型误差，发现有m个超限的误差(即e(ki)＞ε，i＝1，...，m)，则模型精度为(N-m)/N％；当模型精度逐渐下降到某个预定值，则作出更新模型的判决。

以下给出本发明的一个实例。

从图4可以看出，利用基于神经网络曲线拟合与机理分析的软测量技术对铜锍品位的在线软测量值与真实值的拟合程度很好。

用基于神经网络曲线拟合与机理分析的软测量技术对某铜冶炼厂某日二班到某日三班的铜锍品位软测量数据与实际数据进行了比较，各班铜锍品位历史值与在线仿真检测值如图5所示。

另外，以MSE、MAE和SSE 3个指标对在线软测量模型进行了评价，三种模型预测结果及评价指标如表1所示，对三种模型的评价指标如表2所示。其中MSE为均方误差，MAE为平均绝对误差，SSE为残差平方和。从表1和表2可以看出，在线软测量方法的预测结果较的准确性很高。

表1

表2

Claims (9)

1.铜锍吹炼的过程参数软测量仪表，其特征在于设有：

智能仪表，智能仪表用于与铜锍吹炼过程对象连接，智能仪表设有传感器、服务器、仿真机、在线显示器和至少1个工作站；

数据存储装置，数据存储装置用于存放历史数据，数据存储装置与智能仪表连接，数据存储装置设有数据库和仿真机；

上位机，上位机为软测量处理器，用于处理铜锍吹炼的过程参数，上位机与智能仪表和数据存储装置连接。

2.如权利要求1所述的铜锍吹炼的过程参数软测量仪表，其特征在于智能仪表中的传感器用于将外面采集的数据通过传感器转化得到在线参数，传感器经总线与服务器和数据存储装置的数据库连接。

3.如权利要求1所述的铜锍吹炼的过程参数软测量仪表，其特征在于所述仿真机用于对获得的在线参数在数据库中进行实时处理。

4.如权利要求1所述的铜锍吹炼的过程参数软测量仪表，其特征在于服务器通过双绞线与电脑连接，服务器在线参数通过总线传送到服务器和数据存储装置的数据库中。

5.如权利要求1所述的铜锍吹炼的过程参数软测量仪表，其特征在于还设有软测量体，软测量体包括数据在线采集模块、铜锍吹炼过程组分计算模型与温度计算模块、生产优化模块、曲线拟合及神经网络模块、在线仿真检测模型的自校正与维护模块、在线自校正模块和模型更新模块。

6.如权利要求5所述的铜锍吹炼的过程参数软测量仪表，其特征在于数据在线采集模块是利用传感器按照设定的采样标准，经仿真机从数据库中采集数据。

7.如权利要求1所述的铜锍吹炼的过程参数软测量仪表，其特征在于铜锍吹炼模块是采用文献所建的造渣期和造铜期的物料衡算与热量衡算模型；混沌遗传优化模块是利用混沌运动的遍厉性和遗传算法的反演性优化算法使得问题得以最优解；曲线拟合及神经网络模块是以优化参数为输入参数以利用基于遗传算法的曲线拟合法求得拟合系数为输出系数，经过训练得出特定的输出模式；在线传真检测模型是采用在线自校正和更新两级学习机制实现模型的自校正和自维护；在线自校正模块是因离线测量值与仿真检测值之间存在误差，故需修正在线仿真检测模型提高自适应能力；模型更新模块是当在线仿真检测模型评价软件统计到统计值精度下降到预定值时则实现模型更新。

8.如权利要求1所述的铜锍吹炼的过程参数软测量仪表，其特征在于在线显示器用于实时显示工业数据，在线显示器通过信号采集器进行数据传输。

9.铜锍吹炼的过程参数软测量的方法，其特征在于包括以下步骤：

1)利用传感器采集铜锍吹炼过程在线测量参数，测量参数包括熔体温度、熔体中元素组成；

2)采用所建的造渣期和造铜期的物料衡算与热量衡算模型建立造渣期、造铜期组成计算模型及温度计算模型；

3)采用分步平衡法和数值计算方法进行解析求出时段末体系的组成，并将计算结果输入温度计算模型，求出时段末体系的温度；

4)利用混沌运动的遍历性和遗传算法的反演性即混沌遗传优化算法，使得整个体系问题得以最优解；

5)利用人工神经网络根据对象的输入输出数据直接建模与机理模型结合起来，以优化参数为输入参数，以利用基于遗传算法的曲线拟合法求得拟合系数为输出系数，经过训练得出特定的输出模式；

6)采用在线自校正和不定期更新的两级学习机制实现模型的自校正和自维护。

Images