CN103993114A - 一种大型高炉热风炉控制方法 - Google Patents

Abstract

本发明涉及一种大型高炉热风炉控制方法，包括以下步骤：提取热风炉现场实际数据；通过热风炉现场实际数据、燃烧与蓄热机理和结构材料方面分析，确定热风炉拱顶温度目标值，得到热风炉的启动能力和制动能力，通过子空间辩识得到离散状态方程；根据离散状态方程对现场实际数据进行优化处理，形成优化数据，将热风炉的燃烧均值数据和对优化数据做对比，高炉热风炉拱顶温度和废气温度二者分别作为输入信号响应函数的输入，形成子空间辩识状态方程响应输出图；采用离散状态方程和定义评价函数得到控制值；根据控制值对热风炉进行控制。本发明可以帮助工程技术人员根据工程经验设计预见步数，实现对热风炉燃烧非线性过程控制。

Description

一种大型高炉热风炉控制方法

技术领域

本发明涉及高炉热风炉控制技术领域，特别是涉及一种大型高炉热风炉控制方法。

背景技术

高炉热风炉是高炉生产的重要能源提供装置，燃烧控制是实现高温、低耗的关键因素，国内外热风炉的燃烧控制主要有传统控制方式、数学模型方式、人工智能方式、预测控制等，以上研究方法各有特点。研究发现，热风炉燃烧过程涉及燃烧反应和蓄热反应，测量参数少，数学模型很难准确建立，得到的数学模型只能作为参考。对全国冶金企业调查表明，热风炉拱顶温度≥1350℃的只占26％，拱顶温度过低是严重影响我国热风温度进一步提高的第一大障碍。

发明内容

本发明所要解决的技术问题是提供一种大型高炉热风炉控制方法，实现对热风炉燃烧非线性过程控制。

本发明解决其技术问题所采用的技术方案是：提供一种大型高炉热风炉控制方法，包括以下步骤：

（1）提取热风炉现场实际数据；

（2）通过热风炉现场实际数据、燃烧与蓄热机理和结构材料方面分析，确定热风炉拱顶温度目标值，得到热风炉的启动能力和制动能力，通过子空间辩识得到离散状态方程；

（3）根据离散状态方程对现场实际数据进行优化处理，形成优化数据，将热风炉的燃烧均值数据和对优化数据做对比，高炉热风炉拱顶温度和废气温度二者分别作为输入信号响应函数的输入，形成子空间辩识状态方程响应输出图；

（4）采用离散状态方程和定义评价函数得到控制值；

（5）根据控制值对热风炉进行控制。

所述步骤（1）中提取的数据为连续24小时，六个周期的燃烧过程控制参数，热风炉燃烧过程各时刻空气流量、煤气流量、拱顶温度和废气温度。

所述步骤（2）中离散状态方程为 $\left\{\begin{array}{c}x(k+1)=\mathrm{Ax}\left(k\right)+\mathrm{Bu}\left(k\right)+\mathrm{Ed}\left(k\right)\\ y\left(k\right)=\mathrm{Cx}\left(k\right)\end{array}\right.,$ $A=\left[\begin{array}{cccc}0.8498& 0.4087& -0.6681& 0.0666\\ 0.2937& -0.5123& -0.4319& 0.8963\\ -0.0609& -0.0072& -0.1789& 0.4809\\ -0.2316& 01729& -0.4125& -0.3326\end{array}\right],$ $B=\left[\begin{array}{cc}0.0112& 0.5224\\ -0.02554& -1.4764\\ 0.0052& 0.1511\\ 0.0379& 1.5589\end{array}\right],$ $C=\left[\begin{array}{cccc}4427.099& 5392.4958& -9411.1347& 6263.8514\\ -7.0619& 495.3556& 82.3523& 244.7123\end{array}\right],$ $D=\left[\begin{array}{c}0\\ 0\end{array}\right],$ $E=\left[\begin{array}{cc}-2.615\×{10}^{-5}& -5.0936\×{10}^{-5}\\ 1.4543\×{10}^{-5}& -0.0010374\\ -4.59\×{10}^{-5}& -0.00038222\\ 3.3232\×{10}^{-5}& -0.00010565\end{array}\right],$ $x\left(0\right)=\left[\begin{array}{c}84.3380\\ -93.2182\\ 96.3797\\ 178.1947\end{array}\right],$ 其中，式中：A、B、C、D、E为相应维数的矩阵，x(k)为状态向量，d(k)为干扰向量，u(k)为控制向量，y(k)为输出向量，x(0)为状态向量初始值。

所述步骤（4）中由由二次型最优调节器理论定义评价函数为式中：Q为半正定矩阵，H为正定矩阵，Q、H为相应维数矩阵，在离散状态方程约束下，评价函数取最小值的控制向量u(k)＝-[H+B^TPB]^-1B^TPAx(k)，其中，P为正定矩阵，满足Riccati方程：P＝Q+A^TPA-A^TPB[H+B^TPB]^-1B^TPA,在闭环系统中，将u(k)的解代入离散状态方程求得状态变量的关系式：x(k+1)＝[A-B[H+B^TPB]^-1B^TPA]x(k)。

所述步骤（4）中设控制目标为r(k)，控制过程中出现的误差为e(k)，得到新的误差和状态差分状态方程为 $\left[\begin{array}{c}e(k+1)\\ \mathrm{\Δx}(k+1)\end{array}\right]=\left[\begin{array}{cc}I& -\mathrm{CA}\\ 0& A\end{array}\right]\left[\begin{array}{c}e\left(k\right)\\ \mathrm{\Δx}\left(k\right)\end{array}\right]+\left[\begin{array}{c}I\\ 0\end{array}\right]\mathrm{\Δr}(k+1)+\left[\begin{array}{c}-\mathrm{CB}\\ B\end{array}\right]\mathrm{\Δu}\left(k\right)+\begin{array}{c}\left[\begin{array}{c}-\mathrm{CE}\\ E\end{array}\right]\mathrm{\Δd}\left(k\right)\end{array},$ 将新的误差和状态差分状态方程替代为X(k+1)＝MX(k)+G_rΔr(k+1)+GΔu(k)+G_dΔd(k)，其中，X(k+1)、X(k)实现了把输入变量的一阶差分值和跟踪误差作为新的输入变量的状态方程，M、G、G_r、G_d为相应维数的矩阵；根据最优调节器原理，构建系统的评价函数为式中：Q为半正定矩阵，H为正定矩阵，Q、H为相应维数矩阵，在离散状态方程约束下，评价函数取最小值的控制向量Δu(k)＝FX(k)，其中F＝-[H+G^TPG]^-1G^TPM, $X\left(k\right)=\left[\begin{array}{c}e\left(k\right)\\ \mathrm{\Δx}\left(k\right)\end{array}\right],$ 其中，P为正定矩阵，满足Riccati方程：P＝Q+M^TPM-M^TPG[H+G^TPG]^-1G^TPM。

所述步骤（4）中根据燃烧周期设定为一个时间序列r_n的数值，在预先知道控制目标时，通过误差向下梯度迭代逼近的方法实现控制，对于k时刻的目标值进行控制，利用j个时刻的目标值参与预见控制，当目标值变化且均已知时，不考虑干扰值，由于目标值的变化，存在k+1时刻的Δr(k+1)不等于零，那么设定控制器的输出为其中，F_r(j)是对k时刻后j个时刻目标值变化的控制系数，其状态输出表示为 $X(k+1)=[M+\mathrm{GF}]X\left(k\right)+{\mathrm{GF}}_r\left(0\right)\mathrm{\Δr}\left(k\right)+[G_r+{\mathrm{GF}}_r\left(I\right)]\mathrm{\Δr}(k+1)+G\underset{2}{\overset{j}{\mathrm{\Σ}}}{F}_r\left(j\right)\mathrm{\Δ}(k+j),$ 评价函数表达式为 $J=R^T[F_r^T\mathrm{\Γ}{F}_r+{2F}_r^T\mathrm{\Δ}+G_r^T\mathrm{PG}]R,$ 其中， $F_r=\left[\begin{array}{c}{F}_r\left(0\right)\\ F_r\left(1\right)\\ .\\ .\\ .\\ F_r\left(j\right)\end{array}\right],$ $\mathrm{\Δ}=\left[\begin{array}{c}0\\ G^T{\mathrm{PG}}_r\\ .\\ .\\ .\\ G^T{\left({\mathrm{\ξ}}^t\right)}^{j-1}{\mathrm{PG}}_r\end{array}\right],$ $\mathrm{\Γ=}\left[\begin{array}{cccc}H+G^T\mathrm{PG}& 0& \·\·\·& 0\\ \mathrm{}& \mathrm{}& \mathrm{}& \·\\ 0& H+G^T\mathrm{PG}& 0& \·\\ \mathrm{}& \mathrm{}& \mathrm{}& \·\\ \·& \mathrm{}& \mathrm{}& \mathrm{}\\ \·& 0& H+G^{T}G& 0\\ \·& \mathrm{}& \mathrm{}& \mathrm{}\\ 0& \·\·\·& 0& H+G^T\mathrm{PG}\end{array}\right],$ 在评价函数表达式中对F_r进行偏微分运算取最小值，运算得F_r(0)＝0，F_r(j)＝-[H+G^TPG]^-1G^T(ξ^T)^j-1PG_rj≥1；由此，控制器的输出为 $\mathrm{\Δu}(k+1)=\mathrm{FX}\left(k\right)+\underset{1}{\overset{j}{\mathrm{\Σ}}}{F}_r\left(j\right)R,1\≤j\≤n.$

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明同时采用子空间辨识方法建立的离散状态方程和在线预见控制，实现了工程领域理论的重大突破，解决工程技术人员缺乏先进理论及理论研究难以产业化转移的瓶颈，可以帮助工程技术人员根据工程经验设计预见步数，实现对热风炉燃烧非线性过程控制。

附图说明

图1A是热风炉燃烧过程各时刻空气流量示意图；

图1B是热风炉燃烧过程各时刻煤气流量示意图；

图1C是热风炉燃烧过程各时刻拱顶温度示意图；

图1D是热风炉燃烧过程各时刻废气温度示意图；

图2A是模型辩识响应对比煤气流量示意图；

图2B是模型辩识响应对比空气流量示意图；

图2C是模型辩识响应对比拱顶温度示意图；

图2D是模型辩识响应对比废气温度示意图；

图3A是实施例1三种仿真对比煤气流量示意图；

图3B是实施例1三种仿真对比空气流量示意图；

图3C是实施例1三种仿真对比拱顶温度示意图；

图3D是实施例1三种仿真对比废气温度示意图；

图4A是实施例2三种仿真对比煤气流量示意图；

图4B是实施例2三种仿真对比空气流量示意图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种大型高炉热风炉控制方法，包括以下步骤：提取热风炉现场实际数据；通过热风炉现场实际数据、燃烧与蓄热机理和结构材料方面分析，确定热风炉拱顶温度目标值，得到热风炉的启动能力和制动能力，通过子空间辩识得到离散状态方程；根据离散状态方程对现场实际数据进行优化处理，形成优化数据，将热风炉的燃烧均值数据和对优化数据做对比，高炉热风炉拱顶温度和废气温度二者分别作为输入信号响应函数的输入，形成子空间辩识状态方程响应输出图；采用离散状态方程和定义评价函数得到控制值；根据控制值对热风炉进行控制。具体如下：

提取每分钟现场数据，能够应用现代控制理论和熟练使用控制仿真软件对企业2500m3高炉热风炉系统研究，例如选择该企业有代表性的连续24小时，六个周期的燃烧过程控制参数分析，热风炉燃烧过程各时刻空气流量、煤气流量、拱顶温度和废气温度如图1A-图1D所示。

从热风炉实际数据、燃烧与蓄热机理分析和结构材料方面分析，确定热风炉拱顶温度目标值，将实际采集数据导入MATLAB，通过子空间辩识，得到离散状态方程 $\left\{\begin{array}{c}x(k+1)=\mathrm{Ax}\left(k\right)+\mathrm{Bu}\left(k\right)+\mathrm{Ed}\left(k\right)\\ y\left(k\right)=\mathrm{Cx}\left(k\right)\end{array}\right.---\left(1\right)$

$A=\left[\begin{array}{cccc}0.8498& 0.4087& -0.6681& 0.0666\\ 0.2937& -0.5123& -0.4319& 0.8963\\ -0.0609& -0.0072& -0.1789& 0.4809\\ -0.2316& 01729& -0.4125& -0.3326\end{array}\right],$ $B=\left[\begin{array}{cc}0.0112& 0.5224\\ -0.02554& -1.4764\\ 0.0052& 0.1511\\ 0.0379& 1.5589\end{array}\right],$

$C=\left[\begin{array}{cccc}4427.099& 5392.4958& -9411.1347& 6263.8514\\ -7.0619& 495.3556& 82.3523& 244.7123\end{array}\right],$ $D=\left[\begin{array}{c}0\\ 0\end{array}\right],$

$E=\left[\begin{array}{cc}-2.615\×{10}^{-5}& -5.0936\×{10}^{-5}\\ 1.4543\×{10}^{-5}& -0.0010374\\ -4.59\×{10}^{-5}& -0.00038222\\ 3.3232\×{10}^{-5}& -0.00010565\end{array}\right],$ $x\left(0\right)=\left[\begin{array}{c}84.3380\\ -93.2182\\ 96.3797\\ 178.1947\end{array}\right],$ 其中，式中：A、B、C、D、E为相应维数的矩阵，x(k)为状态向量，d(k)为干扰向量，u(k)为控制向量，y(k)为输出向量，x(0)为状态向量初始值。

根据以上分析得到热风炉的启动能力和制动能力，对以上六个周期数据进行优化处理，形成优化数据，在MATLAB工具箱中，使用输入信号响应函数lsim()，将热风炉燃烧六个周期均值数据和对六个周期的优化数据做对比研究，高炉热风炉拱顶温度和废气温度二者分别作为输入，形成子空间辩识状态方程响应输出图2A-图2D。

对于热风炉燃烧过程的状态方程和输出方程，采用子空间辩识状态方程公式（1），由二次型最优调节器理论，定义如下评价函数

$J=\underset{k=1}{\overset{\∞}{\mathrm{\Σ}}}[x^T\left(k\right)\mathrm{Qx}\left(k\right)+u{\left(k\right)}^T\mathrm{Hu}\left(k\right)]---\left(2\right)$

式中：Q为半正定矩阵，H为正定矩阵，Q、H为相应维数矩阵，A、B可控，A、Q^1/2可观测，在状态方程约束下，评价函数取最小值的控制输入可以求出：

u(k)＝-[H+B^TPB]^-1B^TPAx(k)

P为正定矩阵，满足如下Riccati方程：

P＝Q+A^TPA-A^TPB[H+B^TPB]^-1B^TPA

在闭环系统中，将u(k)的解代入状态方程可以求得状态变量的关系式

x(k+1)＝[A-B[H+B^TPB]^-1B^TPA]x(k)

以上是基于状态方程的求解过程，设定目标信号和干扰信号为零，通过选择矩阵Q、H适当数值给定评价函数元素的权重，这样设计的调节系统可以保证一定稳定性和鲁棒性。

下面在考虑目标值非零和有干扰情况，预先知道控制目标时，通过迭代逼近的方法实现控制。

设控制目标为r(k)，控制过程中出现的误差为e(k)，相对于状态方程（1）中的输出，误差为e(k)可以表示为：

e(k)＝r(k)-y(k)＝r(k)-Cx(k)           （3）

用Δ表示差分，对误差信号进行差分运算，式（3）一阶差分可以表示为：

Δe(k+1)＝Δr(k+1)-Δy(k+1)            （4）

对状态方程式（1）中状态信号进行差分运算，一阶差分可以表示为：

Δx(k+1)＝AΔx(k)+BΔu(k)+EΔd(k)         （5）

根据状态方程式（1）中输出信号关系，消除中间变量y(k+1)，式（4）为：

Δe(k+1)＝Δr(k+1)-CAΔx(k)-CBΔu(k)-CEΔd(k)        （6）

由式（5）和（6）创建新的误差和状态差分状态方程为：

$\left[\begin{array}{c}e(k+1)\\ \mathrm{\Δx}(k+1)\end{array}\right]=\left[\begin{array}{cc}I& -\mathrm{CA}\\ 0& A\end{array}\right]\left[\begin{array}{c}e\left(k\right)\\ \mathrm{\Δx}\left(k\right)\end{array}\right]+\left[\begin{array}{c}I\\ 0\end{array}\right]\mathrm{\Δr}(k+1)+\left[\begin{array}{c}-\mathrm{CB}\\ B\end{array}\right]\mathrm{\Δu}\left(k\right)+\begin{array}{c}\left[\begin{array}{c}-\mathrm{CE}\\ E\end{array}\right]\mathrm{\Δd}\left(k\right)\end{array},$

式中：x(k)、y(k)、u(k)、d(k)、e(k)、r(k)为相应维数的向量，A、B、C、E、I、0为相应维数的矩阵，对式（7）替代表示为：

X(k+1)＝MX(k)+G_rΔr(k+1)+GΔu(k)+G_dΔd(k)     （8）

这里：X(k+1)、X(k)实现了把输入变量的一阶差分值和跟踪误差作为新的输入变量的状态方程，M、G、G_r、G_d为相应维数的矩阵，该系统是可控、可观测的。根据最优调节器原理，构建系统的评价函数为：

式中：Q为半正定矩阵，H为正定矩阵，Q、H为相应维数，M、G可控，M、G^1/2可观测，在状态方程约束下，评价函数取最小值的控制输入可以求出：

Δu(k)＝FX(k)，其中F＝-[H+G^TPG]^-1G^TPM $X\left(k\right)=\left[\begin{array}{c}e\left(k\right)\\ \mathrm{\Δx}\left(k\right)\end{array}\right]---\left(10\right)$

P为正定矩阵，满足如下Riccati方程

P＝Q+M^TPM-M^TPG[H+G^TPG]^-1G^TPM           （11）

以上是基于状态方程的求解过程，设定目标信号和干扰信号为固定值或阶跃信号，一次差分总可以为零，通过选择矩阵Q、H适当数值，给定评价函数元素权重，这样设计的调节系统可以保证一定稳定性和鲁棒性，该系统称为最优预见跟踪控制问题即为误差系统的最优输出调节器问题。

在热风炉控制系统中，考虑目标值由系统结构确定的最优值，可以根据燃烧周期设定为一个时间序列rn的数值，那么在系统模型难于准确建立时，在预先知道控制目标时，通过误差向下梯度迭代逼近的方法设计控制系统。假设从当前时刻k开始到k之后时刻取j个序列（j≤n），设计控制系统对于k时刻的目标值进行控制，利用j个时刻的目标值参与预见控制，当目标值变化且均已知时，不考虑干扰值，由于目标值的变化，存在k+1时刻Δr(k+1)不等于零，那么设定控制器的输出为：

$\mathrm{\Δu}(k+1)=\mathrm{FX}\left(k\right)+\underset{0}{\overset{j}{\mathrm{\Σ}}}{F}_r\left(j\right)\mathrm{\Δr}\left(j\right)---\left(12\right)$

式中F_r(j)是对k后j个时刻目标值变化的控制系数。由式（8）状态输出可以表示为：

$X(k+1)=[M+\mathrm{GF}]X\left(k\right)+{\mathrm{GF}}_r\left(0\right)\mathrm{\Δr}\left(k\right)+[G_r+{\mathrm{GF}}_r\left(I\right)]\mathrm{\Δr}(k+1)+G\underset{2}{\overset{j}{\mathrm{\Σ}}}{F}_r\left(j\right)\mathrm{\Δ}(k+j)---\left(13\right)$

评价函数表达式整理得到

$J=R^T[F_r^T\mathrm{\Γ}{F}_r+{2F}_r^T\mathrm{\Δ}+G_r^T\mathrm{PG}]R---\left(16\right)$

式中令： $F_r=\left[\begin{array}{c}{F}_r\left(0\right)\\ F_r\left(1\right)\\ .\\ .\\ .\\ F_r\left(j\right)\end{array}\right],$ $\mathrm{\Δ}=\left[\begin{array}{c}0\\ G^T{\mathrm{PG}}_r\\ .\\ .\\ .\\ G^T{\left({\mathrm{\ξ}}^t\right)}^{j-1}{\mathrm{PG}}_r\end{array}\right],$ $\mathrm{\Γ=}\left[\begin{array}{cccc}H+G^T\mathrm{PG}& 0& \·\·\·& 0\\ \mathrm{}& \mathrm{}& \mathrm{}& \·\\ 0& H+G^T\mathrm{PG}& 0& \·\\ \mathrm{}& \mathrm{}& \mathrm{}& \·\\ \·& \mathrm{}& \mathrm{}& \mathrm{}\\ \·& 0& H+G^{T}G& 0\\ \·& \mathrm{}& \mathrm{}& \mathrm{}\\ 0& \·\·\·& 0& H+G^T\mathrm{PG}\end{array}\right]$

在评价函数表达式（16）中对F_r进行偏微分运算取最小值，运算得：

F_r(0)＝0

F_r(j)＝-[H+G^TPG]^-1G^T(ξ^T)^j-1PG_rj≥1

由此式（12）改写为：

$\mathrm{\Δu}(k+1)=\mathrm{FX}\left(k\right)+\underset{1}{\overset{j}{\mathrm{\Σ}}}{F}_r\left(j\right)R,1\≤j\≤n---\left(17\right)$

实施例1：拱顶温度达到1400℃作为设定值，首先确定高炉热风炉拱顶温度和废气温度的时间序列，求取其动态响应煤气流量和空气流量，然后分别进行最优误差控制和预见控制，控制器输出为煤气流量和空气流量，被控制变量为拱顶温度和废气温度，以上三种情况，完整地进行高炉热风炉煤气流量、空气流量、拱顶温度和废气温度四个参数的研究，给定评价函数元素权重矩阵为Q=diag([0.90.90.0010.010.010.01])、H=diag([0.000000010.0000005])，使用求解离散系统二次型最优控制函数[p,l,g,rr]=dare(O,G,Q,H)求得反馈系数及正定矩阵P等，根据热风炉控制能力分析，影响废气温度最迟的预见步数为十步，取F_r(10)设计控制器，由状态方程式（8）的约束要求和输出变量式（17），编写仿真程序，控制结果如图3A-图3D所示。

实施例2，拱顶温度达到1400℃作为设定值，首先确定高炉热风炉拱顶温度和废气温度的时间序列，求取其动态响应煤气流量和空气流量，并且把动态响应煤气流量和空气流量作为设定值，然后分别进行最优误差控制和预见控制，被控制变量为煤气流量和空气流量，以上三种情况，只需进行高炉热风炉煤气流量和空气流量两个参数研究，给定评价函数元素权重矩阵为Q=diag([300000090000000101010101010])、H=diag([30500])，其他与仿真研究一相同，结果如图4A和图4B所示。

Claims (6)

1.一种大型高炉热风炉控制方法，其特征在于，包括以下步骤：

（1）提取热风炉现场实际数据；

（2）通过热风炉现场实际数据、燃烧与蓄热机理和结构材料方面分析，确定热风炉拱顶温度目标值，得到热风炉的启动能力和制动能力，通过子空间辩识得到离散状态方程；

（3）根据离散状态方程得到对现场实际数据进行优化处理，形成优化数据，将热风炉的燃烧均值数据和对优化数据做对比，高炉热风炉拱顶温度和废气温度二者分别作为输入信号响应函数的输入，形成子空间辩识状态方程响应输出图；

（4）采用离散状态方程和定义评价函数得到控制值；

（5）根据控制值对热风炉进行控制。

2.根据权利要求1所述的大型高炉热风炉控制方法，其特征在于，所述步骤（1）中提取的数据为连续24小时，六个周期的燃烧过程控制参数，热风炉燃烧过程各时刻空气流量、煤气流量、拱顶温度和废气温度。

3.根据权利要求1所述的大型高炉热风炉控制方法，其特征在于，所述步骤（2）中离散状态方程为 $\left\{\begin{array}{c}x(k+1)=\mathrm{Ax}\left(k\right)+\mathrm{Bu}\left(k\right)+\mathrm{Ed}\left(k\right)\\ y\left(k\right)=\mathrm{Cx}\left(k\right)\end{array}\right.,$ $A=\left[\begin{array}{cccc}0.8498& 0.4087& -0.6681& 0.0666\\ 0.2937& -0.5123& -0.4319& 0.8963\\ -0.0609& -0.0072& -0.1789& 0.4809\\ -0.2316& 01729& -0.4125& -0.3326\end{array}\right],$ $B=\left[\begin{array}{cc}0.0112& 0.5224\\ -0.02554& -1.4764\\ 0.0052& 0.1511\\ 0.0379& 1.5589\end{array}\right],$ $C=\left[\begin{array}{cccc}4427.099& 5392.4958& -9411.1347& 6263.8514\\ -7.0619& 495.3556& 82.3523& 244.7123\end{array}\right],$ $D=\left[\begin{array}{c}0\\ 0\end{array}\right],$ $E=\left[\begin{array}{cc}-2.615\×{10}^{-5}& -5.0936\×{10}^{-5}\\ 1.4543\×{10}^{-5}& -0.0010374\\ -4.59\×{10}^{-5}& -0.00038222\\ 3.3232\×{10}^{-5}& -0.00010565\end{array}\right],$ $x\left(0\right)=\left[\begin{array}{c}84.3380\\ -93.2182\\ 96.3797\\ 178.1947\end{array}\right],$ 其中，式中：A、B、C、D、E为相应维数的矩阵，x(k)为状态向量，d(k)为干扰向量，u(k)为控制向量，y(k)为输出向量，x(0)为状态向量初始值。

4.根据权利要求3所述的大型高炉热风炉控制方法，其特征在于，所述步骤（4）中由由二次型最优调节器理论定义评价函数为式中：Q为半正定矩阵，H为正定矩阵，Q、H为相应维数矩阵，在离散状态方程约束下，评价函数取最小值的控制向量u(k)＝-[H+B^TPB]^-1B^TPAx(k)，其中，P为正定矩阵，满足Riccati方程：P＝Q+A^TPA-A^TPB[H+B^TPB]^-1B^TPA,在闭环系统中，将u(k)的解代入离散状态方程求得状态变量的关系式：x(k+1)＝[A-B[H+B^TPB]^-1B^TPA]x(k)。

5.根据权利要求3所述的大型高炉热风炉控制方法，其特征在于，所述步骤（4）中设控制目标为r(k)，控制过程中出现的误差为e(k)，得到新的误差和状态差分状态方程为 $\left[\begin{array}{c}e(k+1)\\ \mathrm{\Δx}(k+1)\end{array}\right]=\left[\begin{array}{cc}I& -\mathrm{CA}\\ 0& A\end{array}\right]\left[\begin{array}{c}e\left(k\right)\\ \mathrm{\Δx}\left(k\right)\end{array}\right]+\left[\begin{array}{c}I\\ 0\end{array}\right]\mathrm{\Δr}(k+1)+\left[\begin{array}{c}-\mathrm{CB}\\ B\end{array}\right]\mathrm{\Δu}\left(k\right)+\begin{array}{c}\left[\begin{array}{c}-\mathrm{CE}\\ E\end{array}\right]\mathrm{\Δd}\left(k\right)\end{array},$ 将新的误差和状态差分状态方程替代为X(k+1)＝MX(k)+G_rΔr(k+1)+GΔu(k)+G_dΔd(k)，其中，X(k+1)、X(k)实现了把输入变量的一阶差分值和跟踪误差作为新的输入变量的状态方程，M、G、G_r、G_d为相应维数的矩阵；根据最优调节器原理，构建系统的评价函数为式中：Q为半正定矩阵，H为正定矩阵，Q、H为相应维数矩阵，在离散状态方程约束下，评价函数取最小值的控制向量Δu(k)＝FX(k)，其中F＝-[H+G^TPG]^-1G^TPM, $X\left(k\right)=\left[\begin{array}{c}e\left(k\right)\\ \mathrm{\Δx}\left(k\right)\end{array}\right],$ 其中，P为正定矩阵，满足Riccati方程：P＝Q+M^TPM-M^TPG[H+G^TPG]^-1G^TPM。

6.根据权利要求3所述的大型高炉热风炉控制方法，其特征在于，所述步骤（4）中根据燃烧周期设定为一个时间序列r_n的数值，在预先知道控制目标时，通过误差向下梯度迭代逼近的方法实现控制，对于k时刻的目标值进行控制，利用j个时刻的目标值参与预见控制，当目标值变化且均已知时，不考虑干扰值，由于目标值的变化，存在k+1时刻的Δr(k+1)不等于零，那么设定控制器的输出为其中，F_r(j)是对k时刻后j个时刻目标值变化的控制系数，其状态输出表示为 $X(k+1)=[M+\mathrm{GF}]X\left(k\right)+{\mathrm{GF}}_r\left(0\right)\mathrm{\Δr}\left(k\right)+[G_r+{\mathrm{GF}}_r\left(I\right)]\mathrm{\Δr}(k+1)+G\underset{2}{\overset{j}{\mathrm{\Σ}}}{F}_r\left(j\right)\mathrm{\Δ}(k+j),$ 评价函数表达式为 $J=R^T[F_r^T\mathrm{\Γ}{F}_r+{2F}_r^T\mathrm{\Δ}+G_r^T\mathrm{PG}]R,$ 其中， $F_r=\left[\begin{array}{c}{F}_r\left(0\right)\\ F_r\left(1\right)\\ .\\ .\\ .\\ F_r\left(j\right)\end{array}\right],$ $\mathrm{\Δ}=\left[\begin{array}{c}0\\ G^T{\mathrm{PG}}_r\\ .\\ .\\ .\\ G^T{\left({\mathrm{\ξ}}^t\right)}^{j-1}{\mathrm{PG}}_r\end{array}\right],$ $\mathrm{\Γ=}\left[\begin{array}{cccc}H+G^T\mathrm{PG}& 0& \·\·\·& 0\\ \mathrm{}& \mathrm{}& \mathrm{}& \·\\ 0& H+G^T\mathrm{PG}& 0& \·\\ \mathrm{}& \mathrm{}& \mathrm{}& \·\\ \·& \mathrm{}& \mathrm{}& \mathrm{}\\ \·& 0& H+G^{T}G& 0\\ \·& \mathrm{}& \mathrm{}& \mathrm{}\\ 0& \·\·\·& 0& H+G^T\mathrm{PG}\end{array}\right],$ 在评价函数表达式中对F_r进行偏微分运算取最小值，运算得F_r(0)＝0，F_r(j)＝-[H+G^TPG]^-1G^T(ξ^T)^j-1PG_rj≥1；由此，控制器的输出为 $\mathrm{\Δu}(k+1)=\mathrm{FX}\left(k\right)+\underset{1}{\overset{j}{\mathrm{\Σ}}}{F}_r\left(j\right)R,1\≤j\≤n.$