CN101457268B

CN101457268B - 高炉炉缸炉底监测、预报、报警系统

Info

Publication number: CN101457268B
Application number: CN2009100761355A
Authority: CN
Inventors: 马富涛; 周检平; 胡丕俊; 刘云彩; 齐树森; 王洪庚
Original assignee: Beijing Shougang Automation Information Technology Co Ltd
Current assignee: Beijing Shougang Automation Information Technology Co Ltd
Priority date: 2009-01-07
Filing date: 2009-01-07
Publication date: 2010-08-18
Anticipated expiration: 2029-01-07
Also published as: CN101457268A

Abstract

一种高炉炉缸炉底监测、预报、报警系统，属于高炉长寿技术领域。该系统包括在线监测预报的硬件和软件处理模块；在线监测预报的硬件由炉缸炉底埋设的热电偶和冷却系统组成，通过以太网连接高炉生产过程数据库；软件处理模块包括数据采集模块、数据有效性判断模块、温度场计算模块、改进后的遗传算法模块、B-P神经网络模块、数据库、等温线与侵蚀结厚图像显示模块、三维成像模块、热流监视报警模块、历史数据查询模块；软件处理模块都运行在工控机上。优点在于，投资少、可靠直观，为高炉冶炼过程中炉缸炉底侵蚀结厚状况提供了客观、量化的依据，帮助高炉操作者及时了解炉缸炉底的状况并采取有效护炉措施，延长高炉使用寿命。

Description

高炉炉缸炉底监测、预报、报警系统

技术领域

本发明属于高炉长寿技术领域，特别是提供了一种高炉炉缸炉底监测、预报、报警系统。基于传热学、数值计算方法、BP神经网络、遗传算法的全自动监测预报炉缸炉底侵蚀结厚状况的方法及计算机监测预报系统，适用于对高炉炉缸炉底侵蚀程度、结厚状况和热流变化进行监测、预报及报警。

背景技术

目前对炉缸的监测主要有温度监测和热流监测两种。温度监测通常使用热电偶在线采集温度数据，由于简单方便，在绝大多数高炉上得到应用；热流监测是对流经冷却元件的冷却水的温升和流量进行测定，需要大量的相关设备。两种监测方式都必须结合数学模型对测得的数据进行计算分析，从而反映出炉衬的工作状态和侵蚀情况。

日本的吉川、文明研制了利用边界元法和实验回归分析，靠埋置在炉底的多个热电偶或热流计的测定值监测耐火材料侵蚀线和死铁层线的方法。边界元法适用于导热系数单一的结构，而炉缸炉底一般都由多种导热系数的耐火材料组成，因此模型计算结果和实际情况将有很大的误差。

Mehrotra和Nand利用有限元方法建立的炉缸炉底温度场二维数学模型。该方法认为炉缸炉底是圆柱形的，视炉缸炉底的导热为稳态的，忽略炉缸水平界面切线方向的传热量，虽然可以大大简化数学模型，但会引起与实际值的偏差比较大。

美国的Van Stein Callenfels E和Geerdes M在传热“反问题”的研究中采用了“虚拟边界”的假设，用热电偶的实测温度计算出“虚拟边界”上的温度，将“虚拟边界”作为传热方程的边界条件，求解传热方程，计算高炉炉缸炉底砖衬的温度分布，利用1150℃等温线的形状和位置，推测炉底侵蚀状况。

“虚拟边界”法是将高炉炉缸炉底的设计炉型作为“反问题”求解的边界形状，整个计算过程中不改变边界形状，只改变边界温度。事实上，高炉炉衬一旦被侵蚀，原始炉型已不复存在，但依然用原始炉型作为传热方程求解的边界条件，做为“虚拟边界”，这样计算的结果是会产生很大的偏差。

东北大学杜钢(97年发表)以传热数学方程为出发点，建立高炉炉缸炉底的二维传热数学模型，并利用有限差分法进行求解，确定炉缸炉底侵蚀界面和内部温度场分布。随后，利用BP神经网络建立“虚拟边界”温度预测模型，用热电偶的实测温度计算出“虚拟边界”上的温度，再将“虚拟边界”作为传热方程的边界条件，计算炉缸炉底砖衬的温度分布，利用1150℃等温线的形状和位置，推测高炉炉底侵蚀状况。

另外，K.KURPISZ、G.Leprince、Garcia、INADA和J.Torrkulla、A.FORMOSO、A.BABICH等人也都提出了炉缸炉底的温度场模型或侵蚀模型。在他们的模型中，视炉缸炉底为稳态导热或结合热电偶测量，计算炉缸炉底的温度分布。

以上模型，有简单的直角坐标系下的稳态模型，收敛速度快，程序简单，但与实际情况差别较大；也有柱坐标系下的二维稳态模型和非稳态模型，但大多数都是以传热“正问题”的思路建立的，对于侵蚀边界不断变化的过程及结厚产生的过程考虑的较少，这也是一些数模发展的限制性环节。

发明内容

本发明的目的在于提供一种高炉炉缸炉底监测、预报、报警系统及其方法，克服了现有技术的不足，充分考虑了侵蚀边界不断变化的过程及结厚产生的过程，能够真实的反映炉缸炉底侵蚀结厚状况。

本发明基于传热学、数值分析方法、B-P神经网络、遗传算法等提供了一种炉缸炉底侵蚀结厚在线监测预报方法，并采用此方法建立了柱坐标系下的二维稳态和非稳态温度场模型、温度场“反问题”模型、侵蚀结厚预测模型，模型之间相互协作，利用有限的检测手段(炉缸炉底热电偶、冷却系统参数)，以温度场计算模块、改进后的遗传算法模块、神经网络预测模块为核心设计了一套用于高炉炉缸炉底侵蚀、结厚和热流监测、预报及报警的智能化系统，还原整个炉缸炉底区域真实的温度场分布，得到炉缸炉底砖衬的剩余厚度及结厚发生的部位和厚度，将不可直观观察的炉缸炉底砖衬侵蚀程度、结厚层位置及厚度以直观的平面图、立体图形式显示出来，实现实时监测和预报功能，并对炉缸炉底各区域的热流进行监视和报警。

本发明的系统包括在线监测预报的硬件和软件处理模块；在线监测预报的硬件由炉缸炉底埋设的热电偶和冷却系统组成，通过以太网连接高炉生产过程数据库；软件处理模块包括数据采集模块、数据有效性判断模块、温度场计算模块、改进后的遗传算法模块、B-P神经网络模块、数据库、等温线与侵蚀结厚图像显示模块、三维成像模块、热流监视报警模块、历史数据查询模块；软件处理模块都运行在工控机上。

温度场计算模块是以传热学为基础，采用有限差分的方法进行离散，建立柱坐标系下的二维稳态和非稳态温度场模型，以现场检测数据为依据，模型中对于侵蚀边界的不断变化及侵蚀过程中的结厚现象进行了系统的模拟计算，设计了一种动态侵蚀边界下的温度场计算方法，解决了侵蚀过程中“边界不定”的问题；设计了一种有结厚发生情况下的温度场计算方法，考虑了侵蚀过程中的结厚现象，实现了结厚发生情况下的温度场计算。

所述的动态侵蚀边界下的温度场计算，实现方法如下：

(1)根据炉型尺寸参数利用网格自动生成模块得到各节点信息；

(2)通过侵蚀边界上的各特征点的位置，判断所有网格节点是否发生了侵蚀；

(3)对每个节点进行离散方程系数的计算；

(4)确定各节点的离散方程，最后联立所有节点的离散方程并求解方程组，得到侵蚀边界变化后的温度场。

所述的有结厚发生情况下的温度场计算方法，是在所述的动态侵蚀边界温度场计算方法的基础上，对节点系数矩阵进行修正，修正的方法如下：

(1)确定结厚交界的位置；

(2)判断节点与结厚层的位置关系；

(3)如果当前节点在结厚层内，这样不仅需要判断近结厚交界的情况，也要判断靠近原始炉型不同材质砌筑交界的情况；

(4)如果当前节点不在结厚层内，则只需要判断靠近原始炉型不同材质砌筑交界的情况；

(5)对于近结厚交界节点单元的四条边上的导热系数需做调和平均处理。

改进后的遗传算法模块以所述的温度场计算模块为基础，以实测热电偶温度数据为参照依据，利用改进后的遗传算法，建立温度场“反问题”模型，并与神经网络预测模块有机结合，提高了运算效率。

所述的改进后的遗传算法，是在传统的遗传算法基础上，针对问题本身的特点，使用了一些改进方案，具体方法如下：

(1)采用实数编码。自变量个体是动态的侵蚀边界，经过离散化后，以一个多元实数向量作为个体编码；

(2)使用源于凸集理论的代数杂交；

(3)变异操作采用基于“变尺度”动态代数变异；

(4)适应度函数的设计采用温度区间编码的方式，区别于通常的求极值的方法。

所述的温度场“反问题”模型，是利用遗传算法的全局优化特性，以埋设于炉缸炉底砖衬内的热电偶温度作为参照条件，反算出所对应的侵蚀边界的位置。

所述的温度场“反问题”模型与神经网络预测模块有机结合，方法如下：

(1)以炉缸炉底当前热电偶温度输入神经网络预测模块；

(2)由训练好的神经网络预测得到侵蚀边界离散点数据，作为改进后的遗传算法初始化种群中的一个优良个体，以提高进化的速度；

(3)通过改进后的遗传算法得到当前热电偶温度所对应的侵蚀边界的位置。

神经网络预测模块是以温度场计算模块为基础，采用B-P神经网络建立动态侵蚀结厚预测模型，并与改进后的遗传算法模块有机结合，实现对侵蚀状况、结厚程度的预报；步骤如下：

(1)根据热电偶温度和侵蚀边界、结厚交界特征点的对应关系，选用热电偶温度作为输入层，节点数等于热电偶的数量，侵蚀边界、结厚交界特征点作为输出层，节点数取决于特征点的数量；

(2)设计若干种侵蚀界面，计算出与侵蚀界面、结厚交界相对应的温度场，提取热电偶位置处的温度与侵蚀边界、结厚交界组成若干样本对，用生成的样本库对神经网络模型进行训练；

(3)利用改进后的遗传算法模块得到的最佳染色体制作新样本对，周期性更新样本库，重新训练神经网络，修正权值和阈值；

(4)利用训练好的网络进行预测。

本发明根据提出的在线监测预报方法、温度场模型、遗传算法温度场“反问题”模型、B-P神经网络预测模型设计了高炉炉缸炉底侵蚀、结厚和热流监测、预报及报警系统，分为客户端和后台系统两部分，实现无须人工干预的全自动模式。客户端主要用于将后台计算得到的结果以图形、数据的形式直观的显示给用户；后台系统包括人工智能系统和热流强度监视报警系统。后台人工智能系统是以温度场计算模块、改进后的遗传算法模块和BP神经网络预测模块为核心的智能系统，其中改进后的遗传算法模块与BP神经网络模块有机结合，构成统一的整体，既可实现各自的功能也可互相协作。具体的技术内容包括以下五个方面：

(1)采用等温线、侵蚀结厚平面图、三维图像、砖衬剩余厚度数据实现炉缸炉底砖衬侵蚀结厚状况的在线监测和预报；

(2)采用趋势曲线、三维图像方位报警提示实现炉缸炉底区域冷却壁的热流在线监视报警；

(3)采用MATLAB实现砖衬侵蚀结厚状况和冷却壁方位报警的三维显示；

(4)采用ORACLE数据库实现在线检测数据和过程数据的存储；

(5)系统历史数据查询。

本发明炉缸炉底侵蚀结厚在线监测预报方法和监测、预报及报警的智能化系统具有投资少、可靠直观、无须人工干预的特点，为高炉冶炼过程中炉缸炉底侵蚀结厚状况提供了客观、量化的依据，帮助高炉操作者及时了解炉缸炉底的状况并采取有效护炉措施，延长高炉使用寿命。用户可通过有限的检测数据还原真实的温度场分布，并监视热流变化，能够方便的对炉缸炉底砖衬侵蚀程度、结厚层位置及厚度进行监测、预报及图像还原，同时能够对炉缸各区域的热流强度进行实时监测和报警。

附图说明

图1为本发明具体实施方式的系统总结构图。

图2为本发明具体实施方式的系统总流程图。

图3为本发明具体实施方式的后台人工智能系统流程图。

图4为本发明具体实施方式的改进后的遗传算法模块流程图。

图5为本发明具体实施方式的后台热流监视报警系统流程图。

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。

安装在高炉炉缸炉底砖衬中的热电偶及冷却装置中的检测点将砖衬温度、水温差、流量等数据送入一级系统，再通过以太网与二级系统通讯，送入数据服务器，本系统自动采集数据服务器中的数据，经过数据有效性判断后作为基础数据，并分别建立温度场模型、温度场“反问题”模型和侵蚀结厚预测模型来描述炉缸炉底区域的温度场、模拟侵蚀结厚的状况；建立基于热电偶、水温差和流量检测的高炉炉缸炉底侵蚀、结厚和热流监测、预报及报警系统，完成炉缸炉底区域温度场分布、侵蚀结厚状况显示，实时监测和预报功能，全面分析热流变化，提供报警功能。系统总体结构如图1示。1.温度场模型的具体内容包括动态侵蚀边界下的温度场计算方法和有结厚发生情况下的温度场计算方法。

(1)以传热学为基础，采用有限差分的数值计算方法，设计的动态侵蚀边界下的温度场计算方法，伴随着侵蚀的不断发生，砖衬不断受到侵蚀，因而侵蚀边界不断变化，计算侵蚀边界变化后的温度场，实现方法如下：

Step 1：根据炉型尺寸参数利用网格自动生成模块得到各节点信息；

Step 2：通过侵蚀边界上的各特征点的位置，判断所有网格节点是否发生了侵蚀；

Step 3：计算每个节点离散方程系数；

Step 4：确定各节点的离散方程，最后联立所有节点的离散方程并求解方程组，即可得到侵蚀边界变化后的温度场。

(2)本发明提出的一种有结厚发生情况下的温度场计算方法，是在动态侵蚀边界温度场计算方法的基础上，进一步考虑侵蚀过程中的结厚现象，对节点系数矩阵进行修正，修正的方法如下：

Step 1：发生结厚时，部分剩余砖衬会与结厚层形成一条交界，确定结厚交界的位置；

Step 2：判断节点与结厚层的位置关系；

Step 3：如果当前节点在结厚层内，这样不仅需要判断近结厚交界的情况，也要判断靠近原始炉型不同材质砌筑交界的情况；

Step 4：如果当前节点不在结厚层内，则只需要判断靠近原始炉型不同材质砌筑交界的情况；

Step 5：对于近结厚交界节点单元的四条边上的导热系数需做调和平均处理；

2.温度场“反问题”模型以温度场模型为基础，以实测热电偶温度数据为参照依据，利用改进后的遗传算法，反算出所对应的侵蚀边界的位置。模型中与神经网络预测模块有机结合，提高了运算效率。

(1)如图4，改进后的遗传算法，是在传统的遗传算法基础上，针对问题本身的特点，使用了一些改进方案，具体方法如下：

Step 1：采用实数编码。自变量个体是动态的侵蚀边界，经过离散化后，以一个多元实数向量作为个体编码，向量中的每一个分量，就是个体的一个基因；

Step 2：考虑到个体自变量的实际意义，使用源于凸集理论的代数杂交来取代简单遗传算法常用的单点或多点交叉。具体做法是，对于选定进行杂交的两个个体x＝(x₁，x₂，…，x_s)和y＝(y₁，y₂，…，y_s)，随机生成一个实数K，则新的个体是：

x′＝K·x+(1-K)·y y′＝K·y+(1-K)·x

K的取值一般限制在[0，1]之间。

Step 3：变异操作采用基于“变尺度”动态代数变异，这是一种以实数编码为基础的、有助于加快遗传算法收敛的改进变异方案。具体做法是，对于选定进行变异的基因x_i，按照以下两个公式中的一个，得到新基因x_i′

x_i′＝x_i+K·(x_i ^upper-x_i)·D或x_i′＝x_i+K·(x_i ^lower-x_i)·D

其中K是(0，1)间的一个随机数，x_i ^upper和x_i ^lower分别是该基因取值的上下限；D是一个可选参数，它一般取为一个与当前进化代数有关的、取值在[0，1]间的下降函数。若取D＝1，即退化为普通的代数变异。根据问题的特点，我们采用：

D(t)＝[1-(t-1)/(T+5)]^α

其中，t是当前代数，T是总代数，α是用于调整收缩速率的常值参数；

Step 4：从问题本身的特点考虑，经过大量的试验，适应度函数的设计采用温度区间编码的方式，设计灵活，区别于通常的求极值的方法。

(2)温度场“反问题”模型与神经网络预测模块有机结合，方法如下：

Step 1：以炉缸炉底当前热电偶温度输入神经网络预测模块；

Step 2：由训练好的神经网络预测得到侵蚀边界离散点数据，作为改进后的遗传算法初始化种群中的一个优良个体，以提高进化的速度；

Step 3：通过改进后的遗传算法得到当前热电偶温度所对应的侵蚀边界的位置；

3.神经网络预测模型以温度场计算模型为基础，采用B-P神经网络建立动态侵蚀结厚预测模型，并与改进后的遗传算法模块有机结合，实现对侵蚀状况、结厚程度的预报。主要步骤如下：

Step 1：根据热电偶温度和侵蚀边界、结厚交界特征点的对应关系，选用热电偶温度作为输入层，节点数等于热电偶的数量，侵蚀边界、结厚交界特征点作为输出层，节点数取决于特征点的数量；

Step 2：设计若干种侵蚀界面，计算出与侵蚀界面、结厚交界相对应的温度场，提取热电偶位置处的温度与侵蚀边界、结厚交界组成若干样本对，用生成的样本库对神经网络模型进行训练；

Step 3：利用改进后的遗传算法模块得到的最佳染色体制作新样本对，周期性更新样本库，重新训练神经网络，修正权值和阈值；

Step 4：利用训练好的网络进行预测。

4.高炉炉缸炉底侵蚀、结厚和热流监测、预报及报警系统采用VC++6.0进行开发，以ORACLE数据库进行数据存储，分为客户端和后台系统两部分，后台系统包括人工智能系统和热流强度监视报警系统，实现无须人工干预的全自动模式。系统的总体流程如图2所示。

(1)客户端系统

主要用于将后台计算得到的结果以图形、数据的形式直观的显示给用户。

(2)后台人工智能系统

Step 1：由炉缸炉底各参数数据进行初始化，并初始化连接数据库，如果数据库连接不正常，后台系统将无法启动，系统会自动强制关闭，并提示用户重新启动本系统；如果数据库连接正常，则系统会自动启动后台人工智能系统，客户端则将后台系统得到的数据以图形和数据的形式进行显示。

Step 2：如图3所示，后台人工智能系统是以改进后遗传算法和BP神经网络为核心，温度场计算模块为基础，并与BP神经网络构成统一的整体，改进的遗传算法模块得到的最佳染色体，经过挑选可作为更新BP神经网络模块中样本库的新样本。改进后的遗传算法模块与BP神经网络模块，既可实现各自的独立功能也可互相协作，用户可根据需要进行功能项选择。

(3)后台热流强度监视报警系统

如图5所示，热流强度监视报警主要以炉缸区域各块水箱为对象，实时监视每块水箱区域的热流强度变化，并设定热流强度报警临界值，当某块水箱的热流强度超过了临界值，则发出报警提示，显示该区域的位置。热流强度的计算主要以冷却系统的水温差为基础进行计算，并以图形、曲线等形式显示各水箱热流强度值。

(4)动画显示

采用MATLAB与VC++混合编程，利用MATLAB强大的图形功能实现炉缸炉底侵蚀结厚三维图像动画显示。它使用矩阵数组描述曲面，并在圆周方向进行拟和逼近，使曲面更加平滑生动，将侵蚀结厚图像直观的表现出来。利用MATLAB引擎可以大大提高系统效率。

(5)数据通信

对于现场的检测点，采用OPC与下位PLC进行通讯，借助自主开发的OPC客户端程序读出或写入下位PLC数据，并将读得的实时数据通过COM+接口写入数据中间层。保证实时、精确通讯，提高了数据通讯效率，并具有良好的通用性和可移植性。

(6)参数设置和历史查询

主要进行各种参数的设置以及历史数据查询，包括：软件初始化时高炉炉缸炉底参数、算法参数等的设置；将历史计算结果进行数据保存，提供用户查询功能。

5.本系统可做为高炉专家系统的子系统，并与专家系统的炉况判断模块相结合，提供数据依据，协同专家系统对异常炉况做出准确判断。以炉缸堆积现象的判断为例，实现方法如下：首先，根据高炉专家系统中的炉况判断模块对炉缸状态做出趋势判断，如果判断出存在炉缸堆积的可能性，则可进一步由本系统所得到的侵蚀、结厚数据进行分析确认，这样从定性和定量两个方面的分析，可确定发生了炉缸堆积现象。

Claims

1.一种高炉炉缸炉底监测、预报、报警系统，该系统包括在线监测预报的硬件和软件处理模块，其特征在于：在线监测预报的硬件由炉缸炉底埋设的热电偶和冷却系统组成，通过以太网连接高炉生产过程数据库；软件处理模块包括数据采集模块、数据有效性判断模块、温度场计算模块、改进后的遗传算法模块、B-P神经网络模块、数据库、等温线与侵蚀结厚图像显示模块、三维成像模块、热流监视报警模块、历史数据查询模块；软件处理模块都运行在工控机上；

温度场计算模块是以传热学为基础，采用有限差分的方法进行离散，建立柱坐标系下的二维稳态和非稳态温度场模型，以现场检测数据为依据，模型中对于侵蚀边界的不断变化及侵蚀过程中的结厚现象进行了系统的模拟计算，设计了动态侵蚀边界下的温度场计算和有结厚发生情况下的温度场计算方法；

改进后的遗传算法模块以所述的温度场计算模块为基础，以实测热电偶温度数据为参照依据，利用改进后的遗传算法，建立温度场“反问题”模型，并与B-P神经网络模块有机结合，提高了运算效率；

改进后的遗传算法，是在传统的遗传算法基础上，针对问题本身的特点，使用了一些改进方案，具体方法如下：

(1)采用实数编码，自变量个体是动态的侵蚀边界，经过离散化后，以一个多元实数向量作为个体编码；

(2)交叉操作采用代数杂交；

(3)变异操作采用基于“变尺度”动态代数变异；

(4)适应度函数的设计采用温度区间编码的方式，区别于通常的求极值的方法；

B-P神经网络模块是以温度场计算模块为基础，采用B-P神经网络建立动态侵蚀结厚预测模型，并与改进后的遗传算法模块有机结合，实现对侵蚀状况、结厚程度的预报，步骤如下：

(4)利用训练好的网络进行预测；

所述的动态侵蚀边界下的温度场计算，实现方法如下：

(3)对每个节点进行离散方程系数的计算；

(4)确定各节点的离散方程，最后联立所有节点的离散方程并求解方程组，得到侵蚀边界变化后的温度场；

(1)确定结厚交界的位置；

(2)判断节点与结厚层的位置关系；

(5)对于近结厚交界节点单元四条边上的导热系数需做调和平均处理；

所述的温度场“反问题”模型，是利用遗传算法的全局优化特性，以埋设于炉缸炉底砖衬内的热电偶温度做为参照条件，反算出所对应的侵蚀边界的位置；

所述的温度场“反问题”模型与B-P神经网络模块有机结合，方法如下：

(1)以炉缸炉底当前热电偶温度输入B-P神经网络模块；

2.根据权利要求1所述的系统，其特征在于：监测、预报、报警系统分为客户端和后台系统两部分，客户端主要用于将后台计算得到的结果以图形、数据的形式直观的显示给用户；后台系统包括人工智能系统和热流强度监视报警系统，后台人工智能系统是以温度场计算模块、改进后的遗传算法模块和B-P神经网络模块为核心的智能系统，其中改进后的遗传算法模块与B-P神经网络模块有机结合，构成统一的整体。