CN105821170A - 一种高炉多元铁水质量指标软测量系统及方法 - Google Patents
一种高炉多元铁水质量指标软测量系统及方法 Download PDFInfo
- Publication number
- CN105821170A CN105821170A CN201610311561.2A CN201610311561A CN105821170A CN 105821170 A CN105821170 A CN 105821170A CN 201610311561 A CN201610311561 A CN 201610311561A CN 105821170 A CN105821170 A CN 105821170A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- molten steel
- steel quality
- quality index
- polynary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 73
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 49
- 238000005259 measurement Methods 0.000 claims abstract description 100
- 238000001914 filtration Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 266
- 239000010959 steel Substances 0.000 claims description 266
- 229910052760 oxygen Inorganic materials 0.000 claims description 42
- 239000001301 oxygen Substances 0.000 claims description 42
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 37
- 239000007789 gas Substances 0.000 claims description 34
- 239000003245 coal Substances 0.000 claims description 33
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 30
- 229920001296 polysiloxane Polymers 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 229910052717 sulfur Inorganic materials 0.000 claims description 24
- 239000011593 sulfur Substances 0.000 claims description 24
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 22
- 229910052698 phosphorus Inorganic materials 0.000 claims description 22
- 239000011574 phosphorus Substances 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 239000005864 Sulphur Substances 0.000 claims description 6
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- DPTATFGPDCLUTF-UHFFFAOYSA-N phosphanylidyneiron Chemical compound [Fe]#P DPTATFGPDCLUTF-UHFFFAOYSA-N 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003723 Smelting Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 abstract 2
- 238000010309 melting process Methods 0.000 abstract 1
- 238000000691 measurement method Methods 0.000 description 8
- 239000000843 powder Substances 0.000 description 5
- 238000007664 blowing Methods 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- MBMLMWLHJBBADN-UHFFFAOYSA-N Ferrous sulfide Chemical group [Fe]=S MBMLMWLHJBBADN-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 102000005298 Iron-Sulfur Proteins Human genes 0.000 description 1
- 108010081409 Iron-Sulfur Proteins Proteins 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003610 charcoal Substances 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B7/00—Blast furnaces
- C21B7/24—Test rods or other checking devices
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B2300/00—Process aspects
- C21B2300/04—Modeling of the process, e.g. for control purposes; CII
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Manufacturing & Machinery (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
一种高炉多元铁水质量指标软测量系统及方法,该系统包括:数据采集单元、数据预处理单元、软测量单元;该方法包括:获取高炉多元铁水质量指标软测量所需参数;对高炉多元铁水质量指标动态软测量所需参数进行滤波、剔除噪声及归一化处理;利用高炉多元铁水质量指标动态软测量模型进行高炉多元铁水质量指标动态软测量:以滤波及归一化处理后的高炉多元铁水质量指标动态软测量所需参数作为输入,以当前时刻高炉多元铁水质量指标为输出,采用输出自反馈,动态在线递推预测高炉多元铁水质量指标。本发明考虑高炉冶炼过程的滞后特性和输入输出变量之间的时序关系,利用递推子空间智能建模技术,实现高炉冶炼过程多元铁水质量指标的动态在线软测量。
Description
技术领域
本发明属于高炉冶炼自动化控制技术领域,特别涉及一种高炉多元铁水质量指标软测量系统及方法。
背景技术
高炉炼铁是将铁从铁矿石等含铁化合物中还原出来的动态过程,为实现高炉冶炼过程的高产量与低能耗,就应对高炉内部状态进行实时监测与有效控制。然而高炉内部冶炼环境极其严酷,反应最剧烈的区域温度高达2000多度,压强高达标准大气压的4倍左右,且伴随着固、液、气多相共存的状态,使高炉内部状态难以实时监测,从而难以对高炉进行优化控制。目前,被广泛用来间接反映高炉内部状态的指标为铁水质量指标,综合性的铁水质量指标通常采用Si含量、P含量、S含量和铁水温度来衡量,铁水质量指标的测量一般采用离线化验法,测量结果会滞后2-3小时,因此其结果无法实时的反映高炉内部状态。为了实现对高炉内部运行状态实时全面地监测,就需要建立高炉多元铁水质量指标的在线软测量模型以实现对铁水质量的实时在线软测量,充分利用高炉炼铁过程中可检测的运行数据,建立数据驱动的高炉多元铁水质量在线软测量模型。
专利公开号CN102031319A公开了“一种高炉铁水含硅量的预报方法”,该方法包括数据参数选取及预处理、预测算法、结果输出及操作指导,数据参数选取采用硅含量短期均值、硅含量中期均值、硅含量长期均值、前次铁水对应的风口理论燃烧温度及前次铁水含硫量五个参数,通过神经网络算法对硅含量进行预测。
专利公开号CN101457264A公开了“高炉炉温优化控制方法”,在考虑实际系统的时滞性和不确定性的情况下,通过建立阶梯式动态矩阵预测控制算法的预测模型对高炉炉温进行预测,修正了模型的误差。
专利公开号CN103320559A公开了“一种高炉铁水硫含量预报方法”,以硫S含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭S含量、入炉煤粉S含量作为铁水含硫预报的输入变量,基于径向基函数神经网络建模技术,预报下一次铁水的含硫量。
上述专利报道的方法以及其他相关文献中的方法均是针对单一铁水质量指标,如铁水温度、Si含量、S含量等,进行软测量的方法,单一的铁水质量指标并不能全面地反映高炉内部复杂的状态,无法为现场的操作人员提供综合性的指导,实际应用价值较低。而且已有的铁水质量软测量方法建立的模型均是参数时不变模型,并不适合高炉炼铁过程的工况慢时变特性,因此这些模型在实际工况改变时,预报结果会失准。另外,已有软测量方法中的模型结构大多较为复杂,软测量模型计算时间较长,而工业现场需要简单快速的软测量方法,因此,以上方法实际应用时的效率较低。综上所述,目前国内外还没有专门针对高炉冶炼过程铁水质量指标Si含量、P含量、S含量和铁水温度进行多元动态快速在线软测量的方法。
发明内容
针对现有技术存在的问题,本发明提供一种基于递推子空间辨识的高炉多元铁水质量指标软测量方法。
本发明的技术方案是:
一种高炉多元铁水质量指标软测量系统,包括:
数据采集单元:获取高炉多元铁水质量指标软测量所需参数,包括当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标估计值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;上一时刻高炉多元铁水质量指标估计值包括上一时刻硅含量估计值、上一时刻磷含量估计值、上一时刻硫含量估计值、上一时刻铁水温度估计值;
数据预处理单元:对高炉多元铁水质量指标动态软测量所需参数进行滤波、剔除噪声及归一化处理;
软测量单元:利用高炉多元铁水质量指标动态软测量模型进行高炉多元铁水质量指标动态预测:高炉多元铁水质量指标动态软测量模型以滤波及归一化处理后的高炉多元铁水质量指标动态软测量所需参数作为输入,以当前时刻高炉多元铁水质量指标为输出,采用输出自反馈,动态在线递推预测高炉多元铁水质量指标。
所述数据采集单元,包括:
辅助变量确定模块:利用主成分分析法对若干时刻的高炉过程工况参数进行相关性分析,确定对于高炉铁水多元质量指标动态软测量贡献率最大的工况参数作为辅助变量;
输入变量确定模块:基于辅助变量、结合不同时刻输入参数时滞、结合当前时刻辅助变量的测量值、上一时刻辅助变量的测量值及上一时刻铁水硅含量估计值、上一时刻铁水磷含量估计值、上一时刻铁水硫含量估计值、上一时刻铁水温度估计值,确定高炉多元铁水质量指标动态软测量所需参数即高炉多元铁水质量指标动态软测量模型的输入变量并采集。
所述数据预处理单元,包括:
滤波模块:针对由于高炉炉况不稳定和检测设备不精确造成的跳变数据,采用噪声尖峰滤波算法用于剔除高炉生产过程中的噪声尖峰跳变数据;
剔除噪声模块:采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰;
归一化处理模块:对高炉多元铁水质量指标动态软测量所需参数进行归一化处理。
所述软测量单元,包括:
历史数据采集模块:采集历史若干时刻的高炉多元铁水质量指标动态软测量模型训练所需参数及相应时刻多元铁水质量指标测量值;高炉多元铁水质量指标动态软测量模型训练所需参数,包括:当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标测量值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;多元铁水质量指标测量值包括上一时刻硅含量测量值、上一时刻磷含量测量值、上一时刻硫含量测量值、上一时刻铁水温度测量值;
历史数据处理模块:采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰,并进行归一化处理;
模型构建模块:将滤波及归一化处理后的高炉多元铁水质量指标动态软测量模型训练所需参数作为训练数据集,利用子空间辨识方法构建高炉多元铁水质量指标动态软测量模型;
模型系数矩阵求解模块:采用加入遗忘因子的递推最小二乘法,求解高炉多元铁水质量指标软测量模型系数矩阵,确定最终的高炉多元铁水质量指标动态软测量模型;
模型评价模块:引入均方根误差作为高炉多元铁水质量指标软测量模型的评价指标,若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,均达到设定阈值,则得到最终的高炉多元铁水质量指标软测量模型;若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,有任意一个未达到设定值,则重新训练高炉多元铁水质量指标软测量模型;
模型估计模块:利用高炉多元铁水质量指标软测量模型估计出多元铁水质量指标。
采用所述的高炉多元铁水质量指标软测量系统进行高炉多元铁水质量指标软测量的方法,包括:
步骤1、获取高炉多元铁水质量指标软测量所需参数,包括当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标估计值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;上一时刻高炉多元铁水质量指标估计值包括上一时刻硅含量估计值、上一时刻磷含量估计值、上一时刻硫含量估计值、上一时刻铁水温度估计值;
步骤2、对高炉多元铁水质量指标动态软测量所需参数进行滤波、剔除噪声及归一化处理;
步骤3、利用高炉多元铁水质量指标动态软测量模型进行高炉多元铁水质量指标动态软测量:高炉多元铁水质量指标动态软测量模型以滤波及归一化处理后的高炉多元铁水质量指标动态软测量所需参数作为输入,以当前时刻高炉多元铁水质量指标为输出,采用输出自反馈,动态在线递推预测高炉多元铁水质量指标。
所述高炉多元铁水质量指标软测量所需参数的确定方法如下:
步骤1-1、利用主成分分析法对若干时刻的高炉过程工况参数进行相关性分析,确定对于高炉铁水多元质量指标动态软测量贡献率最大的6个工况参数作为辅助变量,包括:炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、喷煤量;
步骤1-2、基于上述6个辅助变量、结合不同时刻输入参数时滞、结合当前时刻辅助变量的测量值、上一时刻辅助变量的测量值及上一时刻铁水硅含量的测量值,确定高炉多元铁水质量指标动态软测量所需参数即高炉多元铁水质量指标动态软测量模型的输入变量,包括当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标估计值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;上一时刻高炉多元铁水质量指标估计值包括上一时刻硅含量估计值、上一时刻磷含量估计值、上一时刻硫含量估计值、上一时刻铁水温度估计值。高炉多元铁水质量指标动态软测量模型的输出变量分别为:当前时刻磷含量、当前时刻硫含量、当前时刻铁水温度、当前时刻硅含量。
所述步骤2具体按如下步骤执行:
步骤2-1、针对由于高炉炉况不稳定和检测设备不精确造成的跳变数据,采用噪声尖峰滤波算法用于剔除高炉生产过程中的噪声尖峰跳变数据;
步骤2-2、采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰;
步骤2-3、对高炉多元铁水质量指标动态软测量所需参数进行归一化处理。
所述高炉多元铁水质量指标动态软测量模型的建立方法如下:
步骤3-1、历史数据采集模块:采集历史若干时刻的高炉多元铁水质量指标动态软测量模型训练所需参数及相应时刻多元铁水质量指标测量值;高炉多元铁水质量指标动态软测量模型训练所需参数,包括:当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标测量值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;多元铁水质量指标测量值包括上一时刻硅含量测量值、上一时刻磷含量测量值、上一时刻硫含量测量值、上一时刻铁水温度测量值;
步骤3-2、对采集的数据进行滤波及归一化处理;
步骤3-2-1、针对由于高炉炉况不稳定和检测设备不精确造成的跳变数据,采用噪声尖峰滤波算法用于剔除高炉生产过程中的噪声尖峰跳变数据;
步骤3-2-2、采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰;
步骤3-2-3、将采集的数据进行归一化处理;
步骤3-3、将滤波及归一化处理后的高炉多元铁水质量指标动态软测量模型训练所需参数作为训练数据集;
步骤3-4、将样本数据集中的当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标作为输入,相应当前时刻高炉多元铁水质量指标作为输出,建立子空间辨识模型,即高炉多元铁水质量指标动态软测量模型。
所述步骤3-4具体按如下步骤进行:
步骤3-4-1、利用子空间辨识方法,得到高炉多元铁水质量指标软测量模型;
步骤3-4-2、采用加入遗忘因子的递推最小二乘法,求解高炉多元铁水质量指标软测量模型系数矩阵;
步骤3-4-3、引入均方根误差,作为高炉多元铁水质量指标软测量模型的评价指标,若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,均达到设定值,则高炉多元铁水质量指标软测量模型训练结束,得到最终的高炉多元铁水质量指标软测量模型;若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,有任意一个未达到设定值,则重新训练高炉多元铁水质量指标软测量模型,转至步骤3-4-2。
有益效果:
为了解决高炉冶炼过程铁水质量指标在线软测量方法的不足,本发明基于递推子空间辨识技术,在主成分分析方法降低模型输入维数和对原始数据进行移动平均滤波处理的基础上,构造一个具有输出自反馈结构、并考虑输入输出数据时序关系、结构简单的多元铁水质量指标动态软测量模型,实现同时对综合性的铁水质量指标,即Si含量、P含量、S含量和铁水温度进行多元在线动态软测量,并能够随着高炉工况的改变,通过最新的测量数据在线更新模型参数。基于钢厂常规在线检测设备提供的高炉本体参数在线检测值,本发明可以得出当前时刻多元铁水质量指标的在线软测量值,为高炉炼铁过程的优化运行控制提供关键的铁水质量指标。基于工业现场常规的检测设备实时测量得到的高炉本体参数作为模型的输入数据,充分考虑高炉冶炼过程的滞后特性和输入输出变量之间的时序关系,利用数据驱动的递推子空间智能建模技术,实现了高炉冶炼过程多元铁水质量指标Si含量、P含量、S含量和铁水温度的动态在线软测量。相比于现有的离线人工检测多元铁水质量指标的方法,本方法可避免离线化验的滞后性和人工操作带来的不确定性,实现实时在线准确软测量,为现场的操作人员及时准确判断高炉内部运行状态提供了关键指标。同时本方法可以根据工况的变化,利用最新的过程数据更新软测量模型参数,避免了时不变模型的局限性,实用价值很高。另外本发明方法有助于进一步实现高炉炼铁过程的运行优化控制。
附图说明
图1是本发明具体实施方式中高炉炼铁过程的检测设备配置图;
图2是本发明具体实施方式中高炉多元铁水质量指标软测量方法流程图;
图3是本发明具体实施方式中的软测量结果效果图,(a)为当前时刻硅含量预测值与实际值对比曲线,(b)为当前时刻磷含量预测值与实际值对比曲线,(c)为当前时刻硫含量预测值与实际值对比曲线,(d)为当前时刻铁水温度预测值与实际值对比曲线;
图4是本发明具体实施方式中高炉多元铁水质量指标软测量系统结构框图;
图1中:1-高炉,2-热风炉,3-流量计,4-温度计,5-压力计,6-湿度计,7-炉腹煤气量测量分析仪,8-富氧率测量分析仪,9-数据采集装置,10-计算机系统。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
本实施方式采用检测设备、数据采集器9、计算机系统10来实现高炉多元铁水质量指标软测量方法,如图1所示,检测设备包括流量计3、温度计4、压力计5和湿度计6、炉腹煤气量测量分析仪7、富氧率测量分析仪8,这些常规测量仪表安装于高炉冶炼系统的各个相应位置。数据采集器9连接各检测设备,并通过通信总线连接计算机系统10。常规测量系统主要包括如下常规测量仪表包括:
三个流量计3,分别用于在线测量高炉1煤粉喷吹系统煤粉喷吹量、富氧流量、冷风流量;
一个温度计4,用于在线测量高炉1热风炉2的热风温度;
一个压力计5,用于在线测量高炉1热风炉2的热风压力;
一个湿度计6,用于在线测量高炉1热风炉2的鼓风湿度。
一个炉腹煤气量测量分析仪7通过流量计3测量得到的冷风流量v2、富氧流量v1以及煤粉喷吹量,以及湿度计6测量得到的鼓风湿度,分析计算出炉腹煤气量参数;
一个富氧率测量分析仪8通过流量计3测量得到的冷风流量v2、富氧流量v1,以及湿度计6测量得到的鼓风湿度,分析计算出富氧率参数。
计算机系统10中设置有高炉多元铁水质量指标软测量系统,如图4所示,包括:
数据采集单元:获取高炉多元铁水质量指标软测量所需参数,包括当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标估计值;高炉工况参数包括炉腹煤气量u1、热风温度u2、热风压力u3、富氧率u4、鼓风湿度u5、设定喷煤量u6;上一时刻高炉多元铁水质量指标估计值包括上一时刻硅含量估计值、上一时刻磷含量估计值、上一时刻硫含量估计值、上一时刻铁水温度估计值;
数据预处理单元:对高炉多元铁水质量指标动态软测量所需参数进行滤波、剔除噪声及归一化处理;
软测量单元:利用高炉多元铁水质量指标动态软测量模型进行高炉多元铁水质量指标动态预测:高炉多元铁水质量指标动态软测量模型以滤波及归一化处理后的高炉多元铁水质量指标动态软测量所需参数作为输入,以当前时刻高炉多元铁水质量指标为输出,采用输出自反馈,动态在线递推预测高炉多元铁水质量指标。
数据采集单元,包括:
辅助变量确定模块:利用主成分分析法对若干时刻的高炉过程工况参数进行相关性分析,确定对于高炉铁水多元质量指标动态软测量贡献率最大的工况参数作为辅助变量,包括:炉腹煤气量u1(单位是m3)、热风温度u2(单位是℃)、热风压力u3(单位是KPa)、富氧率u4、鼓风湿度u5(单位是RH)、喷煤量u6(单位是m3/h);
输入变量确定模块:基于辅助变量、结合不同时刻输入参数时滞、结合当前时刻辅助变量的测量值、上一时刻辅助变量的测量值及上一时刻铁水硅含量的测量值,确定高炉多元铁水质量指标动态软测量所需参数即高炉多元铁水质量指标动态软测量模型的输入变量并采集数据,包括当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标估计值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;上一时刻高炉多元铁水质量指标估计值包括上一时刻硅含量估计值、上一时刻磷含量估计值、上一时刻硫含量估计值、上一时刻铁水温度估计值。
数据预处理单元,包括:
滤波模块:针对由于高炉炉况不稳定和检测设备不精确造成的跳变数据,采用噪声尖峰滤波算法用于剔除高炉生产过程中的噪声尖峰跳变数据;
剔除噪声模块:采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰;
归一化处理模块:对高炉多元铁水质量指标动态软测量所需参数进行归一化处理。
软测量单元,包括:
历史数据采集模块:采集历史若干时刻的高炉多元铁水质量指标动态软测量模型训练所需参数及相应时刻多元铁水质量指标测量值;高炉多元铁水质量指标动态软测量模型训练所需参数,包括:当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标测量值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;多元铁水质量指标测量值包括上一时刻硅含量测量值、上一时刻磷含量测量值、上一时刻硫含量测量值、上一时刻铁水温度测量值;
历史数据处理模块:采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰,并进行归一化处理;
模型构建模块:将滤波及归一化处理后的高炉多元铁水质量指标动态软测量模型训练所需参数作为训练数据集,利用子空间辨识方法构建高炉多元铁水质量指标动态软测量模型;
模型系数矩阵求解模块:采用加入遗忘因子的递推最小二乘法,求解高炉多元铁水质量指标软测量模型系数矩阵,确定最终的高炉多元铁水质量指标动态软测量模型;
模型评价模块:引入均方根误差作为高炉多元铁水质量指标软测量模型的评价指标,若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,均达到设定阈值,则得到最终的高炉多元铁水质量指标软测量模型;若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,有任意一个未达到设定值,则重新训练高炉多元铁水质量指标软测量模型;
模型估计模块:利用高炉多元铁水质量指标软测量模型估计出多元铁水质量指标。
一种高炉多元铁水质量指标软测量方法,如图2所示,包括:
步骤1、获取高炉多元铁水质量指标软测量所需参数,包括当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标估计值;高炉工况参数包括炉腹煤气量u1、热风温度u2、热风压力u3、富氧率u4、鼓风湿度u5、设定喷煤量u6;上一时刻高炉多元铁水质量指标估计值包括上一时刻硅含量估计值、上一时刻磷含量估计值、上一时刻硫含量估计值、上一时刻铁水温度估计值;
高炉多元铁水质量指标软测量所需参数的确定方法如下:
步骤1-1、利用主成分分析法对若干时刻的高炉过程工况参数进行相关性分析,确定对于高炉铁水多元质量指标动态软测量贡献率最大的6个工况参数作为辅助变量,包括:炉腹煤气量u1(单位是m3)、热风温度u2(单位是℃)、热风压力u3(单位是KPa)、富氧率u4、鼓风湿度u5(单位是RH)、喷煤量u6(单位是m3/h);
待软测量的高炉多元铁水质量指标为Si硅含量o1(单位是%)、P磷含量o2(单位是%)、S硫含量o3(单位是%)和铁水温度o4(单位是℃)。可通过常规在线检测装置获得的高炉本体变量有冷风流量、送风比、热风压力、顶压、压差、顶压风量比、透气性、阻力系数、热风温度、富氧流量、富氧率、设定喷煤量、鼓风湿度、理论燃烧温度、标准风速、实际风速、鼓风动能、炉腹煤气量、炉腹煤气指数。利用主成分分析法对19个高炉本体变量进行相关性分析,选出信息量最大的6个变量作为辅助变量,分别为:炉腹煤气量u1(单位是m3)、热风温度u2(单位是℃)、热风压力u3(单位是KPa)、富氧率u4、鼓风湿度u5(单位是RH)、喷煤量u6(单位是m3/h)。
步骤1-2、基于上述6个辅助变量、结合不同时刻输入参数时滞、结合当前时刻辅助变量的测量值、上一时刻辅助变量的测量值及上一时刻铁水硅含量的测量值,确定高炉多元铁水质量指标动态软测量所需参数即高炉多元铁水质量指标动态软测量模型的输入变量并采集这些输入变量,包括当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标估计值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;上一时刻高炉多元铁水质量指标估计值包括上一时刻硅含量估计值、上一时刻磷含量估计值、上一时刻硫含量估计值、上一时刻铁水温度估计值。高炉多元铁水质量指标动态软测量模型的输出变量分别为:当前时刻磷含量、当前时刻硫含量、当前时刻铁水温度、当前时刻硅含量。
16个高炉铁水多元质量指标动态软测量模型的输入变量如下:
当前时刻炉腹煤气量u1(t),m3;
当前时刻热风温度u2(t),℃;
当前时刻热风压力u3(t),KPa;
当前时刻富氧率u4(t);
当前时刻鼓风湿度u5(t),RH;
当前时刻设定喷煤量u6(t),m3/h.
上一时刻炉腹煤气量u1(t-1),m3;
上一时刻热风温度u2(t-1),℃;
上一时刻水热风压力u3(t-1),KPa;
上一时刻富氧率u4(t-1);
上一时刻鼓风湿度u5(t-1),RH;
上一时刻设定喷煤量u6(t-1),m3/h;
上一时刻硅含量估计值
上一时刻磷含量估计值
上一时刻硫含量估计值
上一时刻铁水温度估计值
步骤2、对高炉多元铁水质量指标动态软测量所需参数进行滤波及归一化处理;
步骤2-1、针对由于高炉炉况不稳定和检测设备不精确造成的跳变数据,采用噪声尖峰滤波算法用于剔除高炉生产过程中的噪声尖峰跳变数据;
步骤2-2、采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰;
步骤2-3、对高炉多元铁水质量指标动态软测量所需参数进行归一化处理;
步骤3、利用高炉多元铁水质量指标动态软测量模型进行高炉多元铁水质量指标动态软测量:高炉多元铁水质量指标动态软测量模型以滤波及归一化处理后的高炉多元铁水质量指标动态软测量所需参数作为输入,以当前时刻高炉多元铁水质量指标为输出,采用输出自反馈,动态在线递推预测高炉多元铁水质量指标。
高炉多元铁水质量指标动态软测量模型的建立方法如下:
步骤3-1、采集历史若干时刻的高炉多元铁水质量指标动态软测量模型训练所需参数及相应时刻多元铁水质量指标测量值;高炉多元铁水质量指标动态软测量模型训练所需参数,包括:当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标测量值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;多元铁水质量指标测量值包括上一时刻硅含量测量值、上一时刻磷含量测量值、上一时刻硫含量测量值、上一时刻铁水温度测量值;
{(xn,yn)|xn∈Rl,yn∈Rm,n=1,2,…,N0},xn为模型输入数据集中第n个数据,yn为多元铁水质量指标输出数据集中第n个数据,l为16,m为4,N0为输入输出数据集中数据个数;
xn=[o1(n-1),o2(n-1),o3(n-1),o4(n-1),u1(n-1),u2(n-1),u3(n-1),u4(n-1),u5(n-1),u6(n-1),u1(n),u2(n),u3(n),u4(n),u5(n),u6(n)]T,yn=[o1(n),o2(n),o3(n),o4(n)]T;
步骤3-2、对采集的数据进行滤波及归一化处理;
步骤3-2-1、针对由于高炉炉况不稳定和检测设备不精确造成的跳变数据,采用噪声尖峰滤波算法用于剔除高炉生产过程中的噪声尖峰跳变数据;
步骤3-2-2、采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰;
步骤3-2-3、将采集的数据进行归一化处理;
步骤3-3、将滤波及归一化处理后的高炉多元铁水质量指标动态软测量模型训练所需参数作为训练数据集;
步骤3-4、将样本数据集中的当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标作为输入,相应当前时刻高炉多元铁水质量指标作为输出,建立子空间辨识模型,即高炉多元铁水质量指标动态软测量模型;
步骤3-4-1、利用子空间辨识方法,得到高炉多元铁水质量指标软测量模型为其中,L为高炉多元铁水质量指标动态软测量模型系数矩阵,通过递推最小二乘法不断更新,L∈Rm×l,为t时刻的模型输入数据,为t时刻的多元铁水质量指标估计值;
在传统的子空间辨识方法中估计步长取1时,推导得出的高炉多元铁水质量指标软测量模型为
子空间辨识采用16输入4输出自反馈结构。16个输入分别为:当前时刻炉腹煤气量u1(t),m3、当前时刻热风温度u2(t),℃、当前时刻热风压力u3(t),KPa、当前时刻富氧率u4(t)、当前时刻鼓风湿度u5(t),RH、当前时刻设定喷煤量u6(t),m3/h、上一时刻炉腹煤气量u1(t-1),m3、上一时刻热风温度u2(t-1),℃、上一时刻水热风压力u3(t-1),KPa、上一时刻富氧率u4(t-1)、上一时刻鼓风湿度u5(t-1),RH、上一时刻设定喷煤量u6(t-1),m3/h、上一时刻Si含量估计值上一时刻P含量估计值上一时刻S含量估计值上一时刻铁水温度估计值4个输出分别为:需要估计的当前时刻的Si含量估计值P含量估计值S含量估计值以及铁水温度估计值
步骤3-4-2、采用加入遗忘因子的递推最小二乘法,求解高炉多元铁水质量指标软测量模型系数矩阵L;
由于高炉炼铁过程是一个工况渐变的慢时变过程,因此高炉多元铁水质量指标软测量模型系数矩阵L的求解采用加入遗忘因子的递推最小二乘法,通过最新检测到的炼铁过程数据来在线实时更新高炉多元铁水质量指标软测量模型中的系数矩阵L,以使高炉多元铁水质量指标软测量能够及时跟踪工况变化,不断修正由工况变化带来的估计偏差,具体步骤如下所示:
步骤3-4-2-1、令递推迭代次数N从1开始,即N=1,遗忘因子λ∈(0,1],设定系数矩阵初值协方差矩阵初值
步骤3-4-2-2、定义则增益矩阵KN+1如下:
步骤3-4-2-3、模型系数矩阵由下式更新:
步骤3-4-2-4、协方差矩阵PN+1由下式更新:
步骤3-4-2-5、令N=N+1,跳转到步骤3-4-2-2,重复执行以上步骤,直到递推迭代次数超出数据集中数据个数,即N=N0+1,跳出循环,得到模型系数矩阵由此得到高炉多元铁水质量指标软测量模型
高炉冶炼系统是一个不确定的动态时变系统,矿石品位的改变、工况的改变均会改变软测量模型的参数,因此为了保证多元铁水质量指标软测量模型的测量精度,就要随着原料或工况的变更,不断利用新采集到的高炉本体参数数据更新模型参数。针对高炉的慢时变特性,本方法的递推最小二乘辨识方法可以实现随着工况的改变,不断更新模型参数。但是高炉系统具有很大的不确定性,针对炉况的一些突然的巨大变化,递推最小二乘辨识方法很难及时地大幅更新模型参数,因此,需要定期对软测量模型的预报精度进行检查,具体方法为:定期对近一阶段多元铁水质量软测量结果进行统计分析,求取这一阶段多元铁水质量软测量均方根误差的均值,若四个铁水质量指标中任一变量的均方根误差统计均值超出预先设定阈值,则重启初始模型训练。
步骤3-4-3、引入均方根误差RMSE,作为高炉多元铁水质量指标软测量模型的评价指标,若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,均达到设定值,则高炉多元铁水质量指标软测量模型训练结束,得到最终的高炉多元铁水质量指标软测量模型;若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,有任意一个未达到设定值,则重新训练高炉多元铁水质量指标软测量模型,转至步骤3-4-2;
本实施方式中以一个容积为2600m3的炼铁高炉对象安置如下测量系统,包括:
横河DPharpEJA系列压力变送器用于测量高炉热风系统的热风压力;
HH-WLB差压流量计用于测量冷风流量;
A+K平衡流量计用于测量富氧流量;
JWSK-6CWDA空气湿度传感器用于测量鼓风湿度;
YHIT红外测温仪用于测量热风温度;
HDLWG-06煤粉流量计用于测量煤粉喷吹量.
另外,常规测量系统还包括如下两个测量分析仪:
一个测量分析仪通过流量计测量得到的冷风流量、富氧流量以及煤粉喷吹量,以及湿度计测量得到的鼓风湿度,分析计算出炉腹煤气量参数;
炉腹煤气量测量分析仪设置如下:
炉腹煤气量=1.21*冷风流量/60+(2*富氧流量/60)+(44.8*鼓风湿度*(冷风流量/60+(富氧流量/60))/18000)+(22.4*小时喷煤量*1000*煤粉含氢量/12000)
富氧率测量分析仪设置如下:
富氧率=((富氧流量*0.98/60+((0.21+(0.29*鼓风湿度/8/100))*冷风流量/60))/(冷风流量/60+(富氧流量/60))-(0.21+(0.29*鼓风湿度/8/100)))*100
计算机系统装有OPC通讯软件负责与下位机以及数据采集装置进行数据双向通讯。
作为一种优选方案,采用加入遗忘因子λ=0.95的递推最小二乘法,求解高炉多元铁水质量指标软测量模型系数矩阵L;本发明每天对多元铁水质量指标软测量结果进行统计分析,求取这一天多元铁水质量指标软测量值的均方根误差的均值,若RMSE,Si>0.1%或RMSE,P>0.01%或RMSE,S>0.008%或RMSE,铁水温度>15℃,则重启模型训练。
从历史数据中采集300组数据作为模型训练样本数据,经过数据处理后,留下200组数据用于模型训练,图3(a)~(d)为一段时间内软测量系统得到的多元铁水质量指标软测量值与实际值的对比结果,可以看出多元铁水质量软测量结果具有很高的精度,软测量误差较小且其变化趋势与实际值保持一致。另外,本发明方法的软测量模型结构简单,模型复杂度低,运算速度快,且测量精度高、泛化能力强,相比于其他已有的铁水质量指标软测量方法具有更高的实用性与优越性。因此本发明是一种低成本的、高效实用的高炉炼铁过程铁水质量多元计量手段。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (9)
1.一种高炉多元铁水质量指标软测量系统,其特征在于,包括:
数据采集单元:获取高炉多元铁水质量指标软测量所需参数,包括当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标估计值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;上一时刻高炉多元铁水质量指标估计值包括上一时刻硅含量估计值、上一时刻磷含量估计值、上一时刻硫含量估计值、上一时刻铁水温度估计值;
数据预处理单元:对高炉多元铁水质量指标动态软测量所需参数进行滤波、剔除噪声及归一化处理;
软测量单元:利用高炉多元铁水质量指标动态软测量模型进行高炉多元铁水质量指标动态预测:高炉多元铁水质量指标动态软测量模型以滤波及归一化处理后的高炉多元铁水质量指标动态软测量所需参数作为输入,以当前时刻高炉多元铁水质量指标为输出,采用输出自反馈,动态在线递推预测高炉多元铁水质量指标。
2.根据权利要求1所述的高炉多元铁水质量指标软测量系统,其特征在于,所述数据采集单元,包括:
辅助变量确定模块:利用主成分分析法对若干时刻的高炉过程工况参数进行相关性分析,确定对于高炉铁水多元质量指标动态软测量贡献率最大的工况参数作为辅助变量;
输入变量确定模块:基于辅助变量、结合不同时刻输入参数时滞、结合当前时刻辅助变量的测量值、上一时刻辅助变量的测量值及上一时刻铁水硅含量估计值、上一时刻铁水磷含量估计值、上一时刻铁水硫含量估计值、上一时刻铁水温度估计值,确定高炉多元铁水质量指标动态软测量所需参数即高炉多元铁水质量指标动态软测量模型的输入变量并采集。
3.根据权利要求1所述的高炉多元铁水质量指标软测量系统,其特征在于,所述数据预处理单元,包括:
滤波模块:针对由于高炉炉况不稳定和检测设备不精确造成的跳变数据,采用噪声尖峰滤波算法用于剔除高炉生产过程中的噪声尖峰跳变数据;
剔除噪声模块:采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰;
归一化处理模块:对高炉多元铁水质量指标动态软测量所需参数进行归一化处理。
4.根据权利要求1所述的高炉多元铁水质量指标软测量系统,其特征在于,所述软测量单元,包括:
历史数据采集模块:采集历史若干时刻的高炉多元铁水质量指标动态软测量模型训练所需参数及相应时刻多元铁水质量指标测量值;高炉多元铁水质量指标动态软测量模型训练所需参数,包括:当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标测量值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;多元铁水质量指标测量值包括上一时刻硅含量测量值、上一时刻磷含量测量值、上一时刻硫含量测量值、上一时刻铁水温度测量值;
历史数据处理模块:采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰,并进行归一化处理;
模型构建模块:将滤波及归一化处理后的高炉多元铁水质量指标动态软测量模型训练所需参数作为训练数据集,利用子空间辨识方法构建高炉多元铁水质量指标动态软测量模型;
模型系数矩阵求解模块:采用加入遗忘因子的递推最小二乘法,求解高炉多元铁水质量指标软测量模型系数矩阵,确定最终的高炉多元铁水质量指标动态软测量模型;
模型评价模块:引入均方根误差作为高炉多元铁水质量指标软测量模型的评价指标,若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,均达到设定阈值,则得到最终的高炉多元铁水质量指标软测量模型;若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,有任意一个未达到设定值,则重新训练高炉多元铁水质量指标软测量模型;
模型估计模块:利用高炉多元铁水质量指标软测量模型估计出多元铁水质量指标。
5.采用权利要求1所述的高炉多元铁水质量指标软测量系统进行高炉多元铁水质量指标软测量的方法,其特征在于,包括:
步骤1、获取高炉多元铁水质量指标软测量所需参数,包括当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标估计值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;上一时刻高炉多元铁水质量指标估计值包括上一时刻硅含量估计值、上一时刻磷含量估计值、上一时刻硫含量估计值、上一时刻铁水温度估计值;
步骤2、对高炉多元铁水质量指标动态软测量所需参数进行滤波、剔除噪声及归一化处理;
步骤3、利用高炉多元铁水质量指标动态软测量模型进行高炉多元铁水质量指标动态软测量:高炉多元铁水质量指标动态软测量模型以滤波及归一化处理后的高炉多元铁水质量指标动态软测量所需参数作为输入,以当前时刻高炉多元铁水质量指标为输出,采用输出自反馈,动态在线递推预测高炉多元铁水质量指标。
6.根据权利要求5所述的高炉多元铁水质量指标软测量的方法,其特征在于,所述高炉多元铁水质量指标软测量所需参数的确定方法如下:
步骤1-1、利用主成分分析法对若干时刻的高炉过程工况参数进行相关性分析,确定对于高炉铁水多元质量指标动态软测量贡献率最大的6个工况参数作为辅助变量,包括:炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、喷煤量;
步骤1-2、基于上述6个辅助变量、结合不同时刻输入参数时滞、结合当前时刻辅助变量的测量值、上一时刻辅助变量的测量值及上一时刻铁水硅含量的测量值,确定高炉多元铁水质量指标动态软测量所需参数即高炉多元铁水质量指标动态软测量模型的输入变量,包括当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标估计值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;上一时刻高炉多元铁水质量指标估计值包括上一时刻硅含量估计值、上一时刻磷含量估计值、上一时刻硫含量估计值、上一时刻铁水温度估计值;高炉多元铁水质量指标动态软测量模型的输出变量分别为:当前时刻磷含量、当前时刻硫含量、当前时刻铁水温度、当前时刻硅含量。
7.根据权利要求5所述的高炉多元铁水质量指标软测量的方法,其特征在于,所述步骤2具体按如下步骤执行:
步骤2-1、针对由于高炉炉况不稳定和检测设备不精确造成的跳变数据,采用噪声尖峰滤波算法用于剔除高炉生产过程中的噪声尖峰跳变数据;
步骤2-2、采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰;
步骤2-3、对高炉多元铁水质量指标动态软测量所需参数进行归一化处理。
8.根据权利要求5所述的高炉多元铁水质量指标软测量的方法,其特征在于,所述高炉多元铁水质量指标动态软测量模型的建立方法如下:
步骤3-1、采集历史若干时刻的高炉多元铁水质量指标动态软测量模型训练所需参数及相应时刻多元铁水质量指标测量值;高炉多元铁水质量指标动态软测量模型训练所需参数,包括:当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标测量值;高炉工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量;多元铁水质量指标测量值包括上一时刻硅含量测量值、上一时刻磷含量测量值、上一时刻硫含量测量值、上一时刻铁水温度测量值;
步骤3-2、对采集的数据进行滤波及归一化处理;
步骤3-2-1、针对由于高炉炉况不稳定和检测设备不精确造成的跳变数据,采用噪声尖峰滤波算法用于剔除高炉生产过程中的噪声尖峰跳变数据;
步骤3-2-2、采用移动平均滤波算法对剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰;
步骤3-2-3、将采集的数据进行归一化处理;
步骤3-3、将滤波及归一化处理后的高炉多元铁水质量指标动态软测量模型训练所需参数作为训练数据集;
步骤3-4、将样本数据集中的当前时刻高炉工况参数、上一时刻高炉工况参数、上一时刻高炉多元铁水质量指标作为输入,相应当前时刻高炉多元铁水质量指标作为输出,建立子空间辨识模型,即高炉多元铁水质量指标动态软测量模型。
9.根据权利要求8所述的高炉多元铁水质量指标软测量的方法,其特征在于,所述步骤3-4具体按如下步骤进行:
步骤3-4-1、利用子空间辨识方法,得到高炉多元铁水质量指标软测量模型;
步骤3-4-2、采用加入遗忘因子的递推最小二乘法,求解高炉多元铁水质量指标软测量模型系数矩阵;
步骤3-4-3、引入均方根误差,作为高炉多元铁水质量指标软测量模型的评价指标,若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,均达到设定值,则高炉多元铁水质量指标软测量模型训练结束,得到最终的高炉多元铁水质量指标软测量模型;若利用高炉多元铁水质量指标软测量模型估计出的各铁水质量指标的均方根误差,有任意一个未达到设定值,则重新训练高炉多元铁水质量指标软测量模型,转至步骤3-4-2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610311561.2A CN105821170A (zh) | 2016-05-11 | 2016-05-11 | 一种高炉多元铁水质量指标软测量系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610311561.2A CN105821170A (zh) | 2016-05-11 | 2016-05-11 | 一种高炉多元铁水质量指标软测量系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105821170A true CN105821170A (zh) | 2016-08-03 |
Family
ID=56528560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610311561.2A Pending CN105821170A (zh) | 2016-05-11 | 2016-05-11 | 一种高炉多元铁水质量指标软测量系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105821170A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249724A (zh) * | 2016-09-14 | 2016-12-21 | 东北大学 | 一种高炉多元铁水质量预测控制方法及系统 |
CN107290962A (zh) * | 2017-07-13 | 2017-10-24 | 东北大学 | 一种基于自适应阈值pls的高炉铁水质量监测方法 |
CN107390524A (zh) * | 2017-07-17 | 2017-11-24 | 东北大学 | 一种基于双线性子空间辨识的高炉铁水质量优化控制方法 |
CN108396085A (zh) * | 2017-02-05 | 2018-08-14 | 鞍钢股份有限公司 | 一种高炉生产过程中炉腰煤气量指数的计算方法 |
CN108875118A (zh) * | 2018-04-12 | 2018-11-23 | 中南大学 | 一种高炉铁水硅含量预测模型准确度评价方法和设备 |
CN110066895A (zh) * | 2019-04-10 | 2019-07-30 | 东北大学 | 一种基于Stacking的高炉铁水质量区间预测方法 |
CN110794093A (zh) * | 2019-11-11 | 2020-02-14 | 东北大学 | 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法 |
CN113421618A (zh) * | 2021-06-29 | 2021-09-21 | 鞍钢股份有限公司 | 一种预测高炉煤气中硫含量的方法 |
CN114935627A (zh) * | 2022-05-07 | 2022-08-23 | 金川集团信息与自动化工程有限公司 | 一种用于预测合成炉出口氯化氢纯度的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104651559A (zh) * | 2015-01-30 | 2015-05-27 | 东北大学 | 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 |
CN104750902A (zh) * | 2014-11-07 | 2015-07-01 | 东北大学 | 基于多输出支持向量回归机的铁水质量多元动态软测量方法 |
CN105177199A (zh) * | 2015-08-31 | 2015-12-23 | 南京南瑞继保电气有限公司 | 高炉煤气发生量软测量方法 |
-
2016
- 2016-05-11 CN CN201610311561.2A patent/CN105821170A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750902A (zh) * | 2014-11-07 | 2015-07-01 | 东北大学 | 基于多输出支持向量回归机的铁水质量多元动态软测量方法 |
CN104651559A (zh) * | 2015-01-30 | 2015-05-27 | 东北大学 | 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 |
CN105177199A (zh) * | 2015-08-31 | 2015-12-23 | 南京南瑞继保电气有限公司 | 高炉煤气发生量软测量方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249724A (zh) * | 2016-09-14 | 2016-12-21 | 东北大学 | 一种高炉多元铁水质量预测控制方法及系统 |
CN108396085A (zh) * | 2017-02-05 | 2018-08-14 | 鞍钢股份有限公司 | 一种高炉生产过程中炉腰煤气量指数的计算方法 |
CN107290962A (zh) * | 2017-07-13 | 2017-10-24 | 东北大学 | 一种基于自适应阈值pls的高炉铁水质量监测方法 |
CN107290962B (zh) * | 2017-07-13 | 2019-05-21 | 东北大学 | 一种基于自适应阈值pls的高炉铁水质量监测方法 |
CN107390524A (zh) * | 2017-07-17 | 2017-11-24 | 东北大学 | 一种基于双线性子空间辨识的高炉铁水质量优化控制方法 |
CN107390524B (zh) * | 2017-07-17 | 2019-05-21 | 东北大学 | 一种基于双线性子空间辨识的高炉铁水质量优化控制方法 |
CN108875118B (zh) * | 2018-04-12 | 2021-06-25 | 中南大学 | 一种高炉铁水硅含量预测模型准确度评价方法和设备 |
CN108875118A (zh) * | 2018-04-12 | 2018-11-23 | 中南大学 | 一种高炉铁水硅含量预测模型准确度评价方法和设备 |
CN110066895A (zh) * | 2019-04-10 | 2019-07-30 | 东北大学 | 一种基于Stacking的高炉铁水质量区间预测方法 |
CN110066895B (zh) * | 2019-04-10 | 2021-01-12 | 东北大学 | 一种基于Stacking的高炉铁水质量区间预测方法 |
CN110794093A (zh) * | 2019-11-11 | 2020-02-14 | 东北大学 | 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法 |
CN110794093B (zh) * | 2019-11-11 | 2021-12-03 | 东北大学 | 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法 |
US11893472B2 (en) | 2019-11-11 | 2024-02-06 | Northeastern University | Accuracy compensation method for discharge caustic alkali concentration measuring device in evaporation process |
CN113421618A (zh) * | 2021-06-29 | 2021-09-21 | 鞍钢股份有限公司 | 一种预测高炉煤气中硫含量的方法 |
CN113421618B (zh) * | 2021-06-29 | 2024-04-16 | 鞍钢股份有限公司 | 一种预测高炉煤气中硫含量的方法 |
CN114935627A (zh) * | 2022-05-07 | 2022-08-23 | 金川集团信息与自动化工程有限公司 | 一种用于预测合成炉出口氯化氢纯度的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105821170A (zh) | 一种高炉多元铁水质量指标软测量系统及方法 | |
CN104651559B (zh) | 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 | |
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
CN112001527B (zh) | 多特征融合深度神经网络的工业生产过程目标数据预测方法 | |
CN104750902B (zh) | 基于多输出支持向量回归机的铁水质量动态软测量方法 | |
CN110066895B (zh) | 一种基于Stacking的高炉铁水质量区间预测方法 | |
CN106249724B (zh) | 一种高炉多元铁水质量预测控制方法及系统 | |
CN102393882B (zh) | 在线监控和诊断室内空气质量传感器的方法 | |
Fang et al. | Soft sensors based on adaptive stacked polymorphic model for silicon content prediction in ironmaking process | |
CN105886680B (zh) | 一种高炉炼铁过程铁水硅含量动态软测量系统及方法 | |
CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
CN101845531A (zh) | 一种转炉冶炼终点钢水碳、温度控制系统及其方法 | |
Xie et al. | Robust stochastic configuration network multi-output modeling of molten iron quality in blast furnace ironmaking | |
CN107299170B (zh) | 一种高炉铁水质量鲁棒软测量方法 | |
CN106709197A (zh) | 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法 | |
CN111444942B (zh) | 一种高炉铁水硅含量智能预报方法及系统 | |
AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
Hu et al. | Multi-model ensemble prediction model for carbon efficiency with application to iron ore sintering process | |
CN105574297A (zh) | 自适应高炉铁水硅含量趋势预报方法 | |
CN113761787A (zh) | 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统 | |
Lv et al. | Non-iterative T–S fuzzy modeling with random hidden-layer structure for BFG pipeline pressure prediction | |
Shi et al. | Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology | |
CN102925602A (zh) | 高炉操作炉型维护方法 | |
CN106227699B (zh) | 一种高炉炉喉十字测温装置中心带温度预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160803 |
|
WD01 | Invention patent application deemed withdrawn after publication |