CN105974896A - 一种基于信息物理融合的转炉炼钢优化控制系统及方法 - Google Patents

Abstract

本发明提供一种基于信息物理融合的转炉炼钢优化控制系统及方法，该系统包括物理层、感知层、执行层、网络层和监控层；物理层为转炉装置；感知层为转炉感知机构；执行层包括控制器、顶吹压缩机、底吹压缩机、阀门和钢水加热装置；网络层包括无线通讯模块和云服务器；监控层包括上位机和移动终端；该方法：实时采集转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量；构建终点钢水温度预测模型和终点钢水碳含量预测模型，利用分布估计算法对转炉初始操作变量进行优化，根据最优的初始操作变量控制钢水加热装置、控制顶吹压缩机和底吹压缩机，实时监控转炉执行机构。提高了可扩展能力、提高了优化效率，增强了转炉优化控制系统的稳定性。

Description

一种基于信息物理融合的转炉炼钢优化控制系统及方法

技术领域

本发明属于工业控制领域，具体涉及一种基于信息物理融合的转炉炼钢优化控制系统及方法。

背景技术

转炉炼钢的产量占目前炼钢总产量的80％以上，是钢铁冶炼中的重要环节，虽然操作人员己经在生产作业的控制方面积累了相当多的经验，也取得了很大的成绩，但是由于转炉生产中存在的众多生产工艺约束，而且由于转炉冶炼过程处于高温环境下、具有多种物理化学变化反应速度快、冶炼周期短等特点，生产控制非常复杂。当前的生产控制方法主要存在以下问题：转炉炼钢生产中冶炼过程环境复杂导致很多数据无法精确测量；炼钢过程是一个非常复杂的多元多相高温状态下进行的物理化学过程，存在很多难以定量的非线性因素，并且不易获得准确实时的检测信息，主要表现在对转炉终点钢水温度和终点钢水碳含量的准确控制上，由于初始操作变量决定了初始各物料的投放量及炉内氧气含量等炼钢过程的重要参数，这些参数直接影响转炉终点钢水温度和终点钢水碳含量，若不能对终点进行准确控制，就无法给定初始的操作变量，目前主要采用经验法来实现初始操作变量的给定，这常常会使转炉终点钢水温度和终点钢水碳含量达不到预期指标，进而降低产品质量。因此实现转炉终点控制和初始操作参数优化已经成为转炉炼钢中的重要问题。

目前，实际生产过程中，转炉终点控制和初始操作变量往往单独操作，未进行集成，这大大降低了炼钢生产过程操作参数设定的科学性，其主要原因包括：1)转炉炼钢的过程中，缺乏设备、操作参数设定系统、终点控制系统之间的通信；2)目前，上述三者之间的通讯大多数仍然是有线通讯，而有线通讯网络线路分布复杂，易损坏，维护难，因此可靠性低，对于长距离控制已经不能保证设备和上位机可靠通讯；3)现有转炉炼钢设备控制与操作参数优化未进行融合，从而降低了操作参数设定的可行性，也降低了控制的时效性。

发明内容

针对现有技术的不足，本发明提出一种基于信息物理融合的转炉炼钢优化控制系统及方法。

本发明的技术方案是：

一种基于信息物理融合的转炉炼钢优化控制系统，包括物理层、感知层、执行层、网络层和监控层；

所述物理层为转炉装置；

所述感知层为转炉感知机构；

所述执行层为转炉执行机构，包括控制器、顶吹压缩机、底吹压缩机、阀门和钢水加热装置；

所述网络层，包括无线通讯模块和云服务器；

所述监控层，包括上位机和移动终端；

所述转炉感知机构的输出端连接所述控制器的输入端；所述控制器的输出端分别连接阀门的一端和钢水加热装置的输入端；所述阀门的另一端连接顶吹压缩机的输入端和底吹压缩机的输入端；

所述转炉感知机构，用于实时采集转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量，发送至控制器；所述操作变量包括氧枪高度、顶吹裕度、底吹裕度和投料量；

所述无线通讯模块，设置于控制器上，用于实现控制器与上位机的无线通讯；

所述控制器，用于将采集的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量传送至上位机；根据优化后的初始操作变量控制钢水加热装置、通过阀门控制顶吹压缩机和底吹压缩机；

所述移动终端，用于设置目标钢水温度和目标钢水碳含量，发送至上位机；远程登录网络共享云服务器，通过设定上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间实现移动终端对云服务器的监控；

所述云服务器，用于存储采集的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量；存储优化后的转炉初始操作变量；根据移动终端设定的上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间设定标志位，实现对上位机采样过程、操作优化过程、数据传送过程的控制；

所述上位机，用于将获取的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量作为历史数据传送云服务器；读取云服务器中的历史数据，构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量，将其传送至控制器和云服务器，并显示。

所述的上位机中搭建操作优化模块和过程控制模块；

所述操作优化模块，用于利用最小二乘支持向量机构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，将N组历史数据作为训练样本和测试样本，对终点钢水温度操作优化模型和终点钢水碳含量操作优化模型进行优化，得到优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型；建立转炉炼钢稳态操作优化模型，将终点钢水温度计算值与终点钢水温度的偏差最小值和终点钢水碳含量计算值与终点钢水碳含量的偏差最小值作为目标函数，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量；

所述过程控制模块，用于将获取的转炉初始操作变量、终点钢水温度和终点钢水碳含量作为历史数据传送云服务器；读取云服务器中的历史数据；将得到的优化后的转炉初始操作变量传送至控制器和云服务器，并显示。

所述的移动终端，包括实时监控模块和优化控制模块；

所述优化控制模块，用于设置目标钢水温度和目标钢水碳含量，发送至上位机，远程登录网络共享云服务器，通过设定上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间，实现移动终端对云服务器的监控；

所述实时监控模块，用于通过与监控层上位机进行通讯，实时监控转炉执行机构。

所述根据移动终端设定的上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间设定标志位具体为：

根据上位机采样时间设定转炉炉次标志位，根据操作优化采样时间设定操作优化标志位，根据历史数据传送时间和优化数据传送时间设定监控层监控标志位。

采用所述的基于信息物理融合的转炉炼钢优化控制系统进行优化控制的方法，包括以下步骤：

步骤1：转炉感知机构实时采集转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量；

步骤2：通过移动终端设置目标钢水温度和目标钢水碳含量，发送至上位机；远程登录网络共享云服务器，设定上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间；

步骤3：控制器将采集的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量传送至上位机；

步骤4：上位机将获取的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量作为历史数据传送云服务器；

步骤5：上位机读取云服务器中的历史数据，构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量；

步骤5.1：利用最小二乘支持向量机构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，将N组历史数据作为训练样本和测试样本，对终点钢水温度操作优化模型和终点钢水碳含量操作优化模型进行优化，得到优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型；

步骤5.2：建立转炉炼钢稳态操作优化模型，将终点钢水温度计算值与终点钢水温度的偏差最小值和终点钢水碳含量计算值与终点钢水碳含量的偏差最小值作为目标函数，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量；

步骤6：上位机显示优化后的初始操作变量，将其传送至控制器和云服务器；

步骤7：控制器根据优化后的初始操作变量控制钢水加热装置、通过阀门控制顶吹压缩机和底吹压缩机，移动终端通过与监控层上位机进行通讯，实时监控转炉执行机构，返回步骤1。

所述步骤5.1包括以下步骤：

步骤5.1.1：将n组历史数据作为训练样本，其中，n＜N，利用最小二乘支持向量机构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，该模型的输入为转炉初始操作变量，该模型的输出为终点钢水温度和终点钢水碳含量，设定操作优化的最大迭代次数；

步骤5.1.2：将终点钢水温度计算值与终点钢水温度的偏差和终点钢水碳含量计算值与终点钢水碳含量的偏差作为目标函数，采用分布估计算法优化终点钢水温度操作优化模型和终点钢水碳含量操作优化模型的径向基核函数参数σ²和惩罚因子r，得到优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型；

步骤5.1.3：将N-n组历史数据作为测试样本，将测试样本的转炉初始操作变量输入优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型，得到终点钢水温度计算值和终点钢水碳含量计算值；

步骤5.1.4：判断迭代次数是否达到操作优化的最大迭代次数，若是，则当前终点钢水温度操作优化模型作为优化后的终点钢水温度操作优化模型，当前终点钢水碳含量操作优化模型作为优化后的终点钢水碳含量操作优化模型，否则，返回步骤5.1.2。

所述步骤5.2包括以下步骤：

步骤5.2.1：建立转炉炼钢稳态操作优化模型，该模型的目标函数为终点钢水温度计算值与目标钢水温度的偏差的二范数的最小值和终点钢水碳含量计算值与目标钢水碳含量的偏差的二范数的最小值，约束条件为初始操作变量的上限阈值和初始操作变量的下限阈值；

步骤5.2.2：利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量。

本发明的有益效果：

本发明提出一种基于信息物理融合的转炉炼钢优化控制系统及方法，分别构建物理层、感知层、执行层、网络层、监控层实现对转炉炼钢过程的实时网络控制，使转炉炼钢的控制与优化有机的结合一起，使转炉炼钢过程可以实现远程网络化控制，解决了有线通讯存在的布线网络复杂、易损坏、维护成本高等缺点，同时提高了转炉控制系统的可扩展能力，更容易实现物联网；本发明利用复杂优化算法对转炉炼钢的稳态操作实现实时优化变得更加容易，通过维护云服务器中的标志位来控制上位机过程控制模块与操作优化模块对云服务器的采样时间，形成优化正反馈，使优化效果具有自适应性，提高了优化效率，增强了转炉优化控制系统的稳定性，同时将优化控制加入信息物理融合系统的监控层，既利用了优化算法的控制效果，又利用了上位机的可视化监控，使转炉的初始投料系统根据优化结果自动调节，提高了钢铁企业的生产效率。本发明方法能够使用户更为方便的直接对转炉运行情况进行监视与控制，同时还可以实时的调节转炉控制与优化的采样时间，将炼钢工业智能化，符合互联网+的时代潮流。

附图说明

图1为本发明具体实施方式中基于信息物理融合的转炉炼钢优化控制系统的结构框图；

图2为本发明具体实施方式中基于信息物理融合的转炉炼钢优化控制系统的物理层和执行层示意图；

其中，1-投料系统，2-氧枪，3-副枪，4-转炉装置，5-钢水加热装置，6-底吹，7-顶吹；

图3为本发明具体实施方式中转炉炼钢的优化正反馈示意图；

图4为本发明具体实施方式中上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间序列示意图；

图5为本发明具体实施方式中移动终端和上位机根据读取云服务器中的监控层控制标志位进行监控的示意图；

图6为本发明具体实施方式中采用基于信息物理融合的转炉炼钢优化控制系统进行优化控制的方法流程图；

图7为本发明具体实施方式中基于最小二乘支持向量机构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型的流程图；

图8为本发明具体实施方式中基于终点钢水温度操作优化模型的终点钢水温度计算值与实际终点钢水温度的偏差结果曲线和基于终点钢水碳含量操作优化模型的终点钢水碳含量计算值与实际终点钢水碳含量终点钢水碳含量的偏差结果曲线；

(a)为基于终点钢水温度操作优化模型的终点钢水温度计算值与实际终点钢水温度的偏差结果曲线；

(b)为基于终点钢水碳含量操作优化模型的终点钢水碳含量计算值与实际终点钢水碳含量终点钢水碳含量的偏差结果曲线；

图9为本发明具体实施方式中钢水温度的UMDA操作优化的收敛曲线和钢水碳含量的UMDA操作优化的收敛曲线；

(a)为钢水温度的UMDA操作优化的收敛曲线；

(b)为钢水碳含量的UMDA操作优化的收敛曲线。

具体实施方式

本发明提出一种基于信息物理融合的转炉炼钢优化控制系统及方法。信息物理融合的转炉炼钢优化控制系统是多维异构的计算单元和物理对象在网络环境中高度集成交互的新型智能复杂系统。在转炉炼钢的过程中，构建物理层和监控层之间的通信、计算、控制是必不可少的环节，在这些环节中能够解决转炉炼钢过程的两大问题：其一信息物理融合的转炉炼钢优化控制系统能够利用无线通讯技术实现上下位机的信息与数据实时传输，提高通讯可靠性，有利于转炉的远距离控制，更为重要的信息物理融合的转炉炼钢优化控制系统相比传统的控制系统有更大的优势，传统的转炉控制系统是利用上位机进行监控，下位机直接对转炉进行控制，这样的系统扩展性差，难以加入其它的功能模块，因此其控制效果难以提高；而信息物理融合的转炉炼钢优化控制系统具有很强的扩展性，不但可以扩展一般的功能模块如优化模块，还可以将原有的有线控制方式扩展为无线控制及基于互联网进行控制，如通过互联网可以将移动端配置为上位机，使工业控制更为便利，更具有信息化，同时利用信息物理融合系统将优化模块融入控制中，能够提高控制性能和产品质量，为企业节约能耗降低成本；其二在操作优化模块与控制进行融合的方法上可以利用信息物理融合系统中的云服务器完成操作优化模块与过程控制模块之间的数据交互，进而使优化与控制各自独立进行，提高优化效率进而提升控制效果和产品质量。

下面结合附图对本发明具体实施方式加以详细的说明。

一种基于信息物理融合的转炉炼钢优化控制系统，如图1所示，包括物理层、感知层、执行层、网络层和监控层。

本实施方式中，物理层为转炉装置4，如图2所示。

本实施方式中，感知层为转炉感知机构，转炉感知机构用于实时采集转炉装置4的转炉初始操作变量、终点钢水温度和终点钢水碳含量，发送至控制器。

本实施方式中，操作变量包括氧枪高度、顶吹裕度、底吹裕度和投料量，转炉初始操作变量即初始氧枪高度、初始顶吹裕度、初始吹裕度和初始投料量。

转炉感知机构包括物料重量传感器、氧枪高度传感器、氧枪阀门裕度传感器、碳温氧探头、烟气分析仪和光谱分析仪。其中，物料质量传感器用于测量投料量；氧枪高度传感器用于测量氧枪高度；氧枪阀门裕度传感器用于测量顶吹裕度和底吹裕度；碳温氧探头用于测量转炉钢水温度和钢水碳含量；烟气分析仪用于测量转炉钢水温度和钢水碳含量；光谱分析仪用于测量钢水碳含量。

本实施方式中，执行层为转炉执行机构，包括控制器、顶吹压缩机、底吹压缩机、阀门和钢水加热装置5。

本实施方式中，控制器采用西门子S7-300PLC，用于将采集的转炉装置4的转炉初始操作变量、终点钢水温度和终点钢水碳含量传送至上位机；根据优化后的初始操作变量控制钢水加热装置5、通过阀门控制顶吹压缩机和底吹压缩机。

本实施方式中，网络层包括无线通讯模块和云服务器。

本实施方式中，无线通讯模块采用与西门子S7-300PLC配套的GPRS无线通讯模块，安装在控制器上，上位机通过组态软件与控制器的无线通讯模块进行无线通讯。

云服务器，用于存储采集的转炉装置4的转炉初始操作变量、终点钢水温度和终点钢水碳含量；存储优化后的转炉初始操作变量；根据移动终端设定的上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间设定标志位，实现对上位机采样过程、操作优化过程、数据传送过程的控制。

根据移动终端设定的上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间设定标志位具体为：

根据上位机采样时间设定转炉炉次标志位，根据操作优化采样时间设定操作优化标志位，根据历史数据传送时间和优化数据传送时间设定监控层监控标志位。

本实施方式中，在云服务器中设置标志位表单，分别有转炉炉次标志位、操作优化标志位、监控层监控标志位，根据转炉炼钢时间的不同将转炉炉次标志位和分别设置为三个，监控层监控标志位设置为两个，标志位及对应过程如表1所示。

表1标志位及对应过程

本实施方式中，通过移动终端设定上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间，目的为将操作优化模块计算出的优化后的转炉初始操作变量能在转炉开始进行下一炉次之前送入控制器中，而控制器利用上一次优化后的转炉初始操作变量及其对应的终点钢水温度和终点钢水碳含量作为操作优化模块历史数据的补充，以此形成正反馈，不断提高每一炉次的炼钢质量，实现转炉炼钢的优化自适应控制，如图3所示，为转炉炼钢的优化正反馈示意图。

本实施方式中，控制器首先在转炉工作前对云服务器中的转炉初始操作变量进行采样，并根据优化后的转炉初始操作变量对转炉进行调节，该过程持续约5分钟，其次启动转炉开始炼钢直至完成钢水倾倒，其中在转炉炼钢终点时上位机对云服务器进行采样，即为上位机采样时间，将该炉次的初始操作变量及终点钢水温度和终点钢水碳含量传入云服务器中的历史数据中，全过程持续约40分钟；在钢水倾倒完毕后，上位机启动操作优化模块，操作优化模块对云服务器中的历史数据进行采样并进行优化，将优化后的初始操作变量传送至云服务器的操作优化结果中，该过程时间为操作优化采样时间，该时间不超过1分钟；运行至优化数据传送时间，将优化后的转炉初始操作变量传送至云服务器中保存，运行至历史数据传送时间时，将控制器对云服务器中的转炉初始操作变量进行采样，重复上述过程，如图4所示。

本实施方式中，监控层包括上位机和移动终端。

本实施方式中，移动终端用于设置目标钢水温度和目标钢水碳含量，发送至上位机；远程登录网络共享云服务器，通过设定上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间，实现移动终端对云服务器的监控。

移动终端，包括实时监控模块和优化控制模块。

优化控制模块，用于设置目标钢水温度和目标钢水碳含量，发送至上位机，远程登录网络共享云服务器，通过设定上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间实现移动终端对云服务器的监控。

实时监控模块，用于通过与监控层上位机进行通讯，实时监控转炉执行机构。

移动终端和上位机根据读取云服务器中的监控层控制标志位进行监控，如图5所示，其过程为：

监控层控制标志位1置1时，移动终端对云服务器中上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间进行设定，同时将监控层控制标志位2置0，若监控层控制标志位置0则移动终端无法对云服务器进行控制。

监控层控制标志位2置1时，转炉将跳出操作优化控制，上位机读取移动终端设置的目标钢水温度和目标钢水碳含量，可以通过移动终端设置的目标钢水温度和目标钢水碳含量，进而实现对转炉实物的移动控制，同时将监控层控制标志位1置0。

上位机，用于将获取的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量作为历史数据传送云服务器；读取云服务器中的历史数据，构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量，将其传送至控制器和云服务器，并显示。

本实施方式中，上位机中搭建操作优化模块和过程控制模块。

操作优化模块，用于利用最小二乘支持向量机构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，将150组历史数据作为训练样本和测试样本，对终点钢水温度操作优化模型和终点钢水碳含量操作优化模型进行优化，得到优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型；建立转炉炼钢稳态操作优化模型，将终点钢水温度计算值与终点钢水温度的偏差最小值和终点钢水碳含量计算值与终点钢水碳含量的偏差最小值作为目标函数，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量。

过程控制模块，用于将获取的转炉初始操作变量、终点钢水温度和终点钢水碳含量作为历史数据传送云服务器；读取云服务器中的历史数据；将得到的优化后的转炉初始操作变量传送至控制器和云服务器，并显示。

本实施方式中，转炉感知机构的输出端连接控制器的输入端；控制器的输出端分别连接阀门的一端和钢水加热装置5的输入端；阀门的另一端连接顶吹压缩机的输入端和底吹压缩机的输入端。

采用基于信息物理融合的转炉炼钢优化控制系统进行优化控制的方法，如图6所示，包括以下步骤：

步骤1：转炉感知机构实时采集转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量。

步骤2：通过移动终端设置目标钢水温度和目标钢水碳含量，发送至上位机；远程登录网络共享云服务器，设定上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间。

本实施方式中，目标钢水温度为1615℃，目标钢水碳含量为0.023％，上位机采样时间为5分钟。

步骤3：控制器将采集的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量传送至上位机。

步骤4：上位机将获取的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量作为历史数据传送云服务器。

步骤5：上位机读取云服务器中的历史数据，构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量。

步骤5.1：利用最小二乘支持向量机构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，将150组历史数据作为训练样本和测试样本，对终点钢水温度操作优化模型和终点钢水碳含量操作优化模型进行优化，得到优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型，如图7所示。

步骤5.1.1：将122组历史数据作为训练样本，利用最小二乘支持向量机构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，该模型的输入为转炉初始操作变量，该模型的输出为终点钢水温度和终点钢水碳含量，设定操作优化的最大迭代次数。

本实施方式中，设定的操作优化的最大迭代次数为100。

步骤5.1.1.1：将122组历史数据作为训练样本x_i(i＝1，…，n)，将训练样本x_i(i＝1，…，n)映射至高维空间K(x，x_i)(i＝1，…，n)，n＝122，将K(x，x_i)作为核函数，构造分类决策函数。

构造的分类决策函数f(x)如式(1)所示：

$f\left(x\right)=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_{i}K(x,x_i)+b---\left(1\right)$

其中，α_i和b为分类决策函数的参数。

步骤5.1.1.2：利用核函数法将分类决策函数中的二次规划问题转为求解线性方程组问题，并计算出分类决策函数的参数α_i和b。

步骤5.1.1.3：根据分类决策函数得到终点钢水温度操作优化模型和终点钢水碳含量操作优化模型。

终点钢水温度操作优化模型和终点钢水碳含量操作优化模型如式(2)和式(3)所示：

T_p＝LSSVM₁(operate₀) (2)

C_p＝LSSVM₂(operate₀) (3)

其中，T_p为终点钢水温度计算值，C_p为终点钢水碳含量计算值，operate₀为转炉初始操作变量，LSSVM₁为终点钢水温度控制函数，LSSVM₂为终点钢水碳含量控制函数。

步骤5.1.2：将终点钢水温度计算值与终点钢水温度的偏差和终点钢水碳含量计算值与终点钢水碳含量的偏差作为目标函数，采用分布估计算法(UMDA)优化终点钢水温度操作优化模型和终点钢水碳含量操作优化模型的径向基核函数参数σ²和惩罚因子r，得到优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型。

步骤5.1.2.1：利用分布估计算法随机产生终点钢水温度操作优化模型和终点钢水碳含量操作优化模型的径向基核函数参数σ²和惩罚因子r的初始种群，设定优化控制模型参数最大迭代参数。

本实施方式中，优化控制模型参数最大迭代参数为100次。

步骤5.1.2.2：以种群的每个个体作为终点钢水温度操作优化模型和终点钢水碳含量操作优化模型的参数，输入转炉初始操作变量，输出终点钢水温度计算值和终点钢水碳含量计算值。

步骤5.1.2.3：计算终点钢水温度计算值与终点钢水温度的偏差和终点钢水碳含量计算值与终点钢水碳含量的偏差的平方和。

步骤5.1.2.4：判断迭代次数是否达到优化控制模型参数最大迭代参数，若是，执行步骤5.1.2.5，否则，利用分布估计算法更新径向基核函数参数σ²和惩罚因子r的种群，返回步骤5.1.2.2。

步骤5.1.2.5：将当前种群个体的径向基核函数参数σ²和惩罚因子r作为优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型的参数，得到优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型。

本实施方式中，得到的终点钢水温度控制函数LSSVM₁的优化后的参数为：r₁＝837.62，σ₁ ²＝2.17；终点钢水碳含量控制函数LSSVM₂的优化后的参数为：r₂＝876.90，σ₂ ²＝1.77。

步骤5.1.3：将28组历史数据作为测试样本，将测试样本的转炉初始操作变量输入优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型，得到终点钢水温度计算值和终点钢水碳含量计算值。

步骤5.1.4：判断迭代次数是否达到操作优化的最大迭代次数，若是，则当前终点钢水温度操作优化模型作为优化后的终点钢水温度操作优化模型，当前终点钢水碳含量操作优化模型作为优化后的终点钢水碳含量操作优化模型，否则，返回步骤5.1.2。

本实施方式中，终点钢水温度计算值与终点钢水温度的偏差如表2所示。

表2终点钢水温度计算值与终点钢水温度的偏差

由表2可知，通过终点钢水温度计算值效果符合工业要求。

本实施方式中，基于终点钢水温度操作优化模型的终点钢水温度计算值与实际终点钢水温度的偏差结果曲线如图8(a)所示，基于终点钢水碳含量操作优化模型的终点钢水碳含量计算值与实际终点钢水碳含量终点钢水碳含量的偏差结果曲线如图8(b)所示。

步骤5.2：建立转炉炼钢稳态操作优化模型，将终点钢水温度计算值与终点钢水温度的偏差最小值和终点钢水碳含量计算值与终点钢水碳含量的偏差最小值作为目标函数，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量。

步骤5.2.1：建立转炉炼钢稳态操作优化模型，该模型的目标函数为终点钢水温度计算值与目标钢水温度的偏差的二范数的最小值和终点钢水碳含量计算值与目标钢水碳含量的偏差的二范数的最小值，约束条件为初始操作变量的上限阈值和初始操作变量的下限阈值。

本实施方式中，转炉炼钢稳态操作优化模型的目标函数如式(4)和式(5)所示：

min||T_p-T_obj||₂ (4)

min||C_p-C_obj||₂ (5)

其中，T_obj为目标钢水温度，C_obj为目标钢水碳含量。

本实施方式中，转炉炼钢稳态操作优化模型的约束条件如式(6)所示：

operate_0min≤operate₀≤operate0_max (6)

其中，operate_0min为各初始操作变量的下限阈值，operate_0max为各初始操作变量的上限阈值。

步骤5.2.2：利用分布估计算法(UMDA)对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量。

步骤5.2.2.1：初始化种群个数、截断选择率和变量优化最大迭代次数。

本实施方式中，种群大小Popsize＝100，截断选择率Selectrate＝0.4，变量优化最大迭代次数MaxIteration＝100。

步骤5.2.2.2：随机产生初始操作变量作为初始种群，operate_0v(v＝1，...，Popsize)。

步骤5.2.2.3：计算适应度函数：以种群的每个个体输入优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型，计算出终点钢水温度计算值和终点钢水碳含量计算值，将终点钢水温度计算值与目标钢水温度的偏差的二范数和终点钢水碳含量计算值与目标钢水碳含量的偏差的二范数作为适应度函数，计算其适应度值。

步骤5.2.2.4：将计算得到的适应度值进行排序，基于截断选择率选出适应度值低的K＝50个个体作为优秀个体。

本实施方式中，截断选择率为0.4。

步骤5.2.2.5：建立更新种群的概率模型，利用当前优秀个体的均值μ_v ^t+1和当前优秀个体的方差(σ_v ^t+1)²代替更新种群的概率模型中的μ_v ^t和(σ_v ^t)²。

概率模型如式(7)所示：

$f(X_i^t=x_v^t)=\frac{1}{\sqrt{2}{\mathrm{\σ}}_v^t}\exp \{-\frac{{(x_v^t-{\mathrm{\μ}}_v^t)}^2}{2{\left({\mathrm{\σ}}_v^t\right)}^2}\}---\left(7\right)$

其中，为第t代的个体值。

步骤5.2.2.6：为种群中个体的每一个变量随机分配概率，将所分配的概率代入相应的更新后的概率积分函数中反求新个体，并将其与前代个体构成新种群。

本实施方式中，概率积分函数F(x_v ^t)如式(8)所示：

$F\left({x_v}^t\right)={\∫}_{-\mathrm{\∞}}^{{x_i}^t}\frac{1}{\sqrt{2\mathrm{\π}}{{\mathrm{\σ}}_v}^{t+1}}\exp \[-\frac{{(x-{{\mathrm{\μ}}_v}^{t+1})}^2}{2{\left({{\mathrm{\σ}}_v}^{t+1}\right)}^2}\]dx---\left(8\right)$

步骤5.2.2.7：判断当前迭代次数是否达到变量优化最大迭代次数，若是，则当前优秀个体即为最优秀个体，否则，返回步骤5.2.2.3。

本实施方式中，所得输入目标钢水温度为1615℃得到优化后的转炉初始操作变量如表3所示：

表3输入目标钢水温度为1615℃得到优化后的转炉初始操作变量

初始操作变量	优化后的转炉初始操作变量的值
		氧枪高度	1.967m
吹氧量	333.02m3/min
		块状石灰	31.75％
轻烧白云石	48.21％
		菱镁球	61.65％
计算目标钢水温度	1614.9998℃

本实施方式中，选取目标钢水温度为1615℃及目标钢水碳含量为0.023％，所得钢水温度的UMDA操作优化的收敛曲线和钢水碳含量的UMDA操作优化的收敛曲线如图9(a)(b)所示。

步骤6：上位机显示优化后的初始操作变量，将其传送至控制器和云服务器。

步骤7：控制器根据优化后的初始操作变量控制钢水加热装置、通过阀门控制顶吹压缩机和底吹压缩机，移动终端通过与监控层上位机进行通讯，实时监控转炉执行机构，返回步骤1。

Claims (7)

1.一种基于信息物理融合的转炉炼钢优化控制系统，其特征在于，包括物理层、感知层、执行层、网络层和监控层；

所述物理层为转炉装置；

所述感知层为转炉感知机构；

所述执行层为转炉执行机构，包括控制器、顶吹压缩机、底吹压缩机、阀门和钢水加热装置；

所述网络层，包括无线通讯模块和云服务器；

所述监控层，包括上位机和移动终端；

所述转炉感知机构的输出端连接所述控制器的输入端；所述控制器的输出端分别连接阀门的一端和钢水加热装置的输入端；所述阀门的另一端连接顶吹压缩机的输入端和底吹压缩机的输入端；

所述转炉感知机构，用于实时采集转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量，发送至控制器；所述操作变量包括氧枪高度、顶吹裕度、底吹裕度和投料量；

所述无线通讯模块，设置于控制器上，用于实现控制器与上位机的无线通讯；

所述控制器，用于将采集的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量传送至上位机；根据优化后的初始操作变量控制钢水加热装置、通过阀门控制顶吹压缩机和底吹压缩机；

所述移动终端，用于设置目标钢水温度和目标钢水碳含量，发送至上位机；远程登录网络共享云服务器，通过设定上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间实现移动终端对云服务器的监控；

所述云服务器，用于存储采集的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量；存储优化后的转炉初始操作变量；根据移动终端设定的上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间设定标志位，实现对上位机采样过程、操作优化过程、数据传送过程的控制；

所述上位机，用于将获取的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量作为历史数据传送云服务器；读取云服务器中的历史数据，构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量，将其传送至控制器和云服务器，并显示。

2.根据权利要求1所述的基于信息物理融合的转炉炼钢优化控制系统，其特征在于，所述的上位机中搭建操作优化模块和过程控制模块；

所述操作优化模块，用于利用最小二乘支持向量机构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，将N组历史数据作为训练样本和测试样本，对终点钢水温度操作优化模型和终点钢水碳含量操作优化模型进行优化，得到优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型；建立转炉炼钢稳态操作优化模型，将终点钢水温度计算值与终点钢水温度的偏差最小值和终点钢水碳含量计算值与终点钢水碳含量的偏差最小值作为目标函数，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量；

所述过程控制模块，用于将获取的转炉初始操作变量、终点钢水温度和终点钢水碳含量作为历史数据传送云服务器；读取云服务器中的历史数据；将得到的优化后的转炉初始操作变量传送至控制器和云服务器，并显示。

3.根据权利要求1所述的基于信息物理融合的转炉炼钢优化控制系统，其特征在于，所述的移动终端，包括实时监控模块和优化控制模块；

所述优化控制模块，用于设置目标钢水温度和目标钢水碳含量，发送至上位机，远程登录网络共享云服务器，通过设定上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间，实现移动终端对云服务器的监控；

所述实时监控模块，用于通过与监控层上位机进行通讯，实时监控转炉执行机构。

4.根据权利要求1、2或3所述的基于信息物理融合的转炉炼钢优化控制系统，其特征在于，所述根据移动终端设定的上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间设定标志位具体为：

根据上位机采样时间设定转炉炉次标志位，根据操作优化采样时间设定操作优化标志位，根据历史数据传送时间和优化数据传送时间设定监控层监控标志位。

5.采用权利要求1所述的基于信息物理融合的转炉炼钢优化控制系统进行优化控制的方法，其特征在于，包括以下步骤：

步骤1：转炉感知机构实时采集转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量；

步骤2：通过移动终端设置目标钢水温度和目标钢水碳含量，发送至上位机；远程登录网络共享云服务器，设定上位机采样时间、操作优化采样时间、历史数据传送时间和优化数据传送时间；

步骤3：控制器将采集的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量传送至上位机；

步骤4：上位机将获取的转炉装置的转炉初始操作变量、终点钢水温度和终点钢水碳含量作为历史数据传送云服务器；

步骤5：上位机读取云服务器中的历史数据，构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量；

步骤5.1：利用最小二乘支持向量机构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，将N组历史数据作为训练样本和测试样本，对终点钢水温度操作优化模型和终点钢水碳含量操作优化模型进行优化，得到优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型；

步骤5.2：建立转炉炼钢稳态操作优化模型，将终点钢水温度计算值与终点钢水温度的偏差最小值和终点钢水碳含量计算值与终点钢水碳含量的偏差最小值作为目标函数，利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量；

步骤6：上位机显示优化后的初始操作变量，将其传送至控制器和云服务器；

步骤7：控制器根据优化后的初始操作变量控制钢水加热装置、通过阀门控制顶吹压缩机和底吹压缩机，移动终端通过与监控层上位机进行通讯，实时监控转炉执行机构，返回步骤1。

6.根据权利要求5所述的基于信息物理融合的转炉炼钢优化控制方法，其特征在于，所述步骤5.1包括以下步骤：

步骤5.1.1：将n组历史数据作为训练样本，其中，n＜N，利用最小二乘支持向量机构建终点钢水温度操作优化模型和终点钢水碳含量操作优化模型，该模型的输入为转炉初始操作变量，该模型的输出为终点钢水温度和终点钢水碳含量，设定操作优化的最大迭代次数；

步骤5.1.2：将终点钢水温度计算值与终点钢水温度的偏差和终点钢水碳含量计算值与终点钢水碳含量的偏差作为目标函数，采用分布估计算法优化终点钢水温度操作优化模型和终点钢水碳含量操作优化模型的径向基核函数参数σ²和惩罚因子r，得到优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型；

步骤5.1.3：将N-n组历史数据作为测试样本，将测试样本的转炉初始操作变量输入优化后的终点钢水温度操作优化模型和优化后的终点钢水碳含量操作优化模型，得到终点钢水温度计算值和终点钢水碳含量计算值；

步骤5.1.4：判断迭代次数是否达到操作优化的最大迭代次数，若是，则当前终点钢水温度操作优化模型作为优化后的终点钢水温度操作优化模型，当前终点钢水碳含量操作优化模型作为优化后的终点钢水碳含量操作优化模型，否则，返回步骤5.1.2。

7.根据权利要求5所述的基于信息物理融合的转炉炼钢优化控制方法，其特征在于，所述步骤5.2包括以下步骤：

步骤5.2.1：建立转炉炼钢稳态操作优化模型，该模型的目标函数为终点钢水温度计算值与目标钢水温度的偏差的二范数的最小值和终点钢水碳含量计算值与目标钢水碳含量的偏差的二范数的最小值，约束条件为初始操作变量的上限阈值和初始操作变量的下限阈值；

步骤5.2.2：利用分布估计算法对转炉初始操作变量进行优化，得到优化后的转炉初始操作变量。