CN106773682A - 基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法 - Google Patents

Abstract

本发明涉及一种基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，属于自动控制、信息技术和先进制造领域，其特征在于，首先采用ARMAX模型(自回归滑动平均模型)对玻璃窑炉天然气流量与玻璃窑炉池底温度之间的缓慢变化的时滞进行动态确定；在每次确定时滞后，基于相关历史生产数据，采用ARMAX和ANFIS(自适应神经模糊推理系统)相结合的建模方法动态建立玻璃窑炉池底温度预测模型；基于该预测模型，采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整，其中，前馈输入为玻璃窑炉池底温度预测值。该方法可用于对玻璃窑炉池底温度进行智能控制，以有效降低玻璃窑炉池底温度的波动，提高玻璃产品质量，降低窑炉能耗。

Description

基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法

技术领域

本发明属于自动控制、信息技术和先进制造领域，具体涉及用于减少玻璃窑炉池底温度波动的基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法。

背景技术

玻璃窑炉可将玻璃原料进行加热，并熔化成玻璃液，供后道工序生产出不同的玻璃制品。玻璃窑炉的玻璃熔化水平对后续玻璃制品的质量具有重要影响。评价玻璃熔化水平的指标主要是玻璃窑炉内的玻璃液温度，目前，玻璃窑炉可测量玻璃液池底温度、流液洞温度、碹顶温度等，其中玻璃液池底温度是反应玻璃液熔化水平最直观的指标。提高玻璃液池底温度的控制精度，缩小玻璃液池底温度波动范围，对提高后续玻璃制品的质量、降低生产成本具有意义。

玻璃液池底温度主要受玻璃窑炉天然气流量、玻璃产率、玻璃原料含水率和外界环境温度等影响，其中，主要的调节变量是天然气流量，其余为影响因素。由于玻璃窑炉内部熔化过程是一个缓慢的、大时滞传热过程，即天然气流量调整后，需要经过玻璃窑炉内空气温度变化、玻璃液表面温度变化、池底温度变化等过程，天然气流量调节后池底温度发生变化一般需要经过4～10小时(即时滞)，上述时滞当玻璃产率、外界条件发生变化时，也会缓慢发生变化。因此，对玻璃液池底温度的控制具有不确定、大时滞等难点。

鉴于此，本发明提出一种基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，首先采用ARMAX模型(AutoRegressive-Moving-Average model with eXogenousinputs：自回归滑动平均模型)对玻璃窑炉天然气流量与玻璃窑炉池底温度之间的时滞进行动态确定；在每次确定时滞后，基于相关历史生产数据，采用ARMAX和ANFIS(AdaptiveNero-Fuzzy Inference System，自适应神经模糊推理系统)相结合的建模方法动态建立玻璃窑炉池底温度预测模型；基于该预测模型，采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整，其中，前馈输入为玻璃窑炉池底温度预测值。该方法可用于对玻璃窑炉池底温度进行智能控制，以有效降低玻璃窑炉池底温度的波动，提高玻璃产品质量，降低窑炉能耗。

发明内容

本发明提出一种基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，所述方法是在计算机上按如下步骤实现的：

步骤(1)：数据采集及预处理

本发明采集与玻璃窑炉池底温度控制相关的生产信息，主要包括：玻璃窑炉池底温度实时测量值、天然气流量实时测量值、助燃风流量实时测量值、玻璃窑炉压力实时测量值、当前玻璃窑炉玻璃产率、玻璃窑炉原料含水率、玻璃窑炉碹顶温度实时测量值、玻璃窑炉流液洞温度实时测量值等，并将上述生产信息按每小时分别取平均值，得到上述信息每小时变化平均值；

步骤(2)：基于ARMAX模型的时滞动态确定

本发明采用ARMAX模型(AutoRegressive-Moving-Average model with eXogenousinputs model：自动回归滑动平均模型)，以过去24小时内池底温度每小时变化平均值作为输出(即y(t),t＝-24,-23,…,-1)，以过去24小时内天然气流量每小时变化平均值、玻璃窑炉产率每小时变化平均值、含水率每小时变化平均值作为输入(即X(t)＝[x₁(t),x₂(t),x₃(t)],t＝-24,-23,…,-1)，ARMAX模型为使用ARMAX模型的参数学习算法，从而确定a_i和b_j，此时，如果b₁,b₂,…,b_T为0，而b_T+1不为零，则时滞为T小时；此判断过程每隔12小时或24小时运行一次，以对玻璃窑炉的时滞进行实时判断和定时更新；

步骤(3)：玻璃窑炉池底温度智能预测

根据所确定的时滞，从玻璃窑炉生产信息数据库中获取玻璃窑炉池底温度智能预报模型所需的训练数据对，即traindata_k＝{X(k-T),y(k)},i＝1,2,…,N，其中N为训练数据个数；采用ARMAX模型和ANFIS模型相结合的方法对玻璃窑炉池底温度进行智能预测，具体步骤如下：

步骤(2.3.1)：ARMAX预测

令ARMAX模型即池底温度与过去5小时内的池底温度和过去T至14小时内的天然气流量、玻璃窑炉产率、含水率每小时变化值有关，根据traindata_i,i＝1,2,…,N训练数据，采用ARMAX的参数学习方法，可得到a_i和b_j；在确定参数后，调用一次上述ARMAX模型，可得y(t)，将此预测值代入上述ARMAX模型，可得y(t+1)，此过程循环T次，即可得y(t+T)，从而完成玻璃窑炉池底温度的预测；

步骤(2.3.2)：ANFIS预测

鉴于玻璃窑炉内部主要是一个传热过程，天然气燃烧，将热量传递给玻璃液，并最终传导玻璃窑炉池底，本发明从传热过程入手，采用ANFIS模型(其结构见)对玻璃窑炉池底温度进行预报，根据traindata_i,i＝1,2,…,N，采用ANFIS的前馈/反馈学习方法，得到ANFIS预测模型，即可根据X(k)的值，预测y(k+T)，令ANFIS模型的预测值为y_A(k+T)；

步骤(2.3.3)：ARMA和ANFIS模型融合

ARMAX和ANFIS模型均对池底温度进行了预报，本发明提出一种模型融合方法以提高玻璃窑炉预测准确度，在ARMAX模型计算y(t+T)时，需要用ARMAX模型迭代计算y(t+q),q＝0,2,…,T-1，将ANFIS模型的计算结果融入每次ARMAX模型迭代计算中，即新的计算值为y′(t+q)＝y(t+q)+y_A(k+T)，从而得到经模型融合后的池底温度预测值y′(t+T)；

步骤(4)：基于前馈预测和反馈相结合的池底温度智能控制

在池底温度智能预报基础上，本发明提出前馈预测和反馈相结合的池底温度智能控制方法，该方法是按照设定的时间间隔，执行如下步骤，定期给出天然气流量设定值的：

步骤(4.1)：通过前馈预测，确定天然气流量合理的设定范围

根据生产实际要求的池底温度工艺范围(如波动不大于正负3摄氏度)，采用步骤(3)给出的池底温度预测模型，根据当前玻璃窑炉生产信息，以池底温度预测模型输出(即池底温度预测值)落在池底工艺范围内为优化目标，优化搜索天然气流量设定值输入(即模型输入量之一x₁)，从而得到本阶段天然气流量设定值的允许变化范围

步骤(4.2)：通过反馈控制，确定本阶段天然气流量设定值

采用PID反馈控制算法，在通过实验合理确定PID参数的情况下，确定本阶段天然气流量设定值则最终的流量设定值为

本发明的基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，首先采用ARMAX模型(自回归滑动平均模型)对玻璃窑炉天然气流量与玻璃窑炉池底温度之间的缓慢变化的时滞进行动态确定；在每次确定时滞后，基于相关历史生产数据，采用ARMAX和ANFIS(自适应神经模糊推理系统)相结合的建模方法动态建立玻璃窑炉池底温度预测模型；基于该预测模型，采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整，其中，前馈输入为玻璃窑炉池底温度预测值。该方法可用于对玻璃窑炉池底温度进行智能控制，以有效降低玻璃窑炉池底温度的波动，提高玻璃产品质量，降低窑炉能耗。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1：本发明一个实施例的基于时滞动态确定的玻璃窑炉池底温度智能预测控制流程示意图；

图2：本发明一个实施例的ANFIS结构。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了更好地理解本发明的技术方案，图1给出了本发明的方法流程。该方法包括：

步骤(1)：数据采集及预处理。通过OPC接口，从玻璃窑炉DCS控制系统中采集与玻璃窑炉池底温度控制相关的生产信息，主要包括：玻璃窑炉池底温度实时测量值、天然气流量实时测量值、助燃风流量实时测量值、玻璃窑炉压力实时测量值、当前玻璃窑炉玻璃产率、玻璃窑炉原料含水率、玻璃窑炉碹顶温度实时测量值、玻璃窑炉流液洞温度实时测量值等，并将上述生产信息按每小时分别取平均值，得到上述信息每小时变化平均值；

步骤(2)：基于ARMAX模型的时滞动态确定。采用ARMAX模型，确定当前12个小时内的玻璃窑炉时滞，每隔12小时自动运行时滞动态确定程序一次，以确定当前的时滞。

步骤(3)：玻璃窑炉池底温度智能预测。根据所确定的时滞，从玻璃窑炉生产信息数据库中获取玻璃窑炉池底温度智能预报模型所需的训练数据对，采用ARMAX模型和ANFIS模型相结合的方法对玻璃窑炉池底温度进行智能预测，具体步骤如下：

步骤(2.3.1)：令ARMAX模型即池底温度与过去5小时内的池底温度和过去T至14小时内的天然气流量、玻璃窑炉产率、含水率每小时变化值有关，根据traindata_i,i＝1,2,…,N训练数据，采用ARMAX的参数学习方法，可得到a_i和b_j；在确定参数后，调用一次上述ARMAX模型，可得y(t)，将此预测值代入上述ARMAX模型，可得y(t+1)，此过程循环T次，即可得y(t+T)，从而完成玻璃窑炉池底温度的预测；

步骤(2.3.2)：采用ANFIS模型对玻璃窑炉池底温度进行预报，根据traindata_i,i＝1,2,…,N，采用ANFIS的前馈/反馈学习方法，得到ANFIS预测模型，即可根据X(k)的值，预测y(k+T)，令ANFIS模型的预测值为y_A(k+T)；

步骤(2.3.3)：ARMA和ANFIS模型融合ARMAX和ANFIS模型均对池底温度进行了预报，本发明提出一种模型融合方法以提高玻璃窑炉预测准确度，在ARMAX模型计算y(t+T)时，需要用ARMAX模型迭代计算y(t+q),q＝0,2,…,T-1，将ANFIS模型的计算结果融入每次ARMAX模型迭代计算中，即新的计算值为y′(t+q)＝y(t+q)+y_A(k+T)，从而得到经模型融合后的池底温度预测值y′(t+T)；

步骤(4)：基于前馈预测和反馈相结合的池底温度智能控制

在池底温度智能预报基础上，本发明提出前馈预测和反馈相结合的池底温度智能控制方法，该方法是按照设定的时间间隔，执行如下步骤，定期给出天然气流量设定值的：

步骤(4.1)：通过前馈预测，确定天然气流量合理的设定范围

根据生产实际要求的池底温度工艺范围(如波动不大于正负3摄氏度)，采用步骤(3)给出的池底温度预测模型，根据当前玻璃窑炉生产信息，以池底温度预测模型输出(即池底温度预测值)落在池底工艺范围内为优化目标，优化搜索天然气流量设定值输入(即模型输入量之一x₁)，从而得到本阶段天然气流量设定值的允许变化范围

步骤(4.2)：通过反馈控制，确定本阶段天然气流量设定值

采用PID反馈控制算法，在通过实验合理确定PID参数的情况下，确定本阶段天然气流量设定值则最终的流量设定值为

上述设定值方法每小时运行一次。

步骤(5)：通过OPC接口，将天然气流量设定值传回DCS系统，以实现通过调节天然气流量，控制池底温度的目的。

步骤(6)：将该方法应用于某大型玻璃生产企业，为说明本发明所提方法的有效性，比较了三种方法：1、目前现场常规使用的PID反馈控制方法(用“常规PID”表示)；2、使用本发明提出的池底温度预报模型的预测控制方法(用“时滞+预测控制”表示)；3、使用发明提出的池底温度预测和反馈相结合的控制方法(用“时滞+预测+反馈控制”表示)，控制效果以10天内的池底温度波动范围衡量，从下表中可以看出，采用“时滞+预测控制”，由于使用预测控制思路，比使用常规PID方法效果好，而使用“时滞+预测+反馈控制”，由于增加了反馈环节，比“时滞+预测控制”效果还好。

表一

算法	实际池底温度波动
		常规PID	±7.4度
时滞+预测控制	±4.6度
		时滞+预测+反馈控制	±2.6度

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，其特征在于，包括：

采集和处理玻璃窑炉池底温度控制相关的生产信息，并确定所述生产信息的每小时变化平均值；

根据所述生产信息的每小时变化平均值，采用自动回归滑动平均模型ARMAX对玻璃熔窑缓慢变化的时滞进行确定并定时更新；

采用ARMAX和ANFIS相结合的建模方法动态建立玻璃窑炉池底温度预测模型；

基于所述玻璃窑炉池底温度预测，采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整。

2.根据权利要求1所述的方法，其特征在于，所述采集和处理玻璃窑炉池底温度控制相关的生产信息，具体包括：玻璃窑炉池底温度实时测量值、天然气流量实时测量值、助燃风流量实时测量值、玻璃窑炉压力实时测量值、当前玻璃窑炉玻璃产率、玻璃窑炉原料含水率、玻璃窑炉碹顶温度实时测量值、玻璃窑炉流液洞温度实时测量值，并将上述生产信息按每小时分别取平均值，得到上述信息每小时变化平均值。

3.根据权利要求1所述的方法，其特征在于，所述对玻璃熔窑缓慢变化的时滞进行确定并定时更新，具体方法为：以过去24小时内池底温度每小时变化平均值作为输出y(t),t＝-24,-23,…,-1，以过去24小时内天然气流量每小时变化平均值、玻璃窑炉产率每小时变化平均值、含水率每小时变化平均值作为输入X(t)＝[x₁(t),x₂(t),x₃(t)],t＝-24,-23,…,-1，ARMAX模型为 使用ARMAX模型的参数学习算法，从而确定a_i和b_j，此时，如果b₁,b₂,…,b_T为0，而b_T+1不为零，则时滞为T小时；此判断过程每隔12小时或24小时运行一次，以对玻璃窑炉的时滞进行实时判断和定时更新。

4.根据权利要求1所述的方法，其特征在于，所述采用ARMAX和ANFIS相结合的建模方法动态建立玻璃窑炉池底温度预测模型，具体是按如下步骤进行的：

步骤(1)：根据所确定的时滞，从玻璃窑炉生产信息中获取玻璃窑炉池底温度智能预报模型所需的训练数据对，即traindata_k＝{X(k-T),y(k)},i＝1,2,…,N，其中N为训练数据个数；

步骤(2)：建立ARMAX预测模型

令ARMAX模型即池底温度与过去5小时内的池底温度和过去T至14小时内的天然气流量、玻璃窑炉产率、含水率每小时变化值有关，根据traindata_i,i＝1,2,…,N训练数据，采用ARMAX的参数学习方法，可得到a_i和b_j；在确定参数后，调用一次上述ARMAX模型，可得y(t)，将此预测值代入上述ARMAX模型，可得y(t+1)，此过程循环T次，即可得y(t+T)，从而完成玻璃窑炉池底温度的预测；

步骤(3)：建立ANFIS预测模型

根据traindata_i,i＝1,2,…,N，采用ANFIS的前馈/反馈学习方法，得到ANFIS预测模型，即可根据X(k)的值，预测y(k+T)，令ANFIS模型的预测值为y_A(k+T)；

步骤(4)：ARMA和ANFIS模型融合

在ARMAX模型计算y(t+T)时，需要用ARMAX模型迭代计算y(t+q),q＝0,2,…,T-1，将ANFIS模型的计算结果融入每次ARMAX模型迭代计算中，即新的计算值为y′(t+q)＝y(t+q)+y_A(k+T)，从而得到经模型融合后的池底温度预测值y′(t+T)。

5.根据权利要求1所述的方法，其特征在于，所述采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整，具体包含如下步骤：

步骤(1)：通过前馈预测，确定天然气流量合理的设定范围

根据生产实际要求的池底温度工艺范围，采用步骤(3)给出的池底温度预测模型，根据当前玻璃窑炉生产信息，以池底温度预测模型输出落在池底工艺范围内为优化目标，优化搜索天然气流量设定值输入，从而得到本阶段天然气流量设定值的允许变化范围

步骤(2)：通过反馈控制，确定本阶段天然气流量设定值

采用PID反馈控制算法，在通过实验合理确定PID参数的情况下，确定本阶段天然气流量设定值则最终的流量设定值为

$x_1=\left\{\begin{array}{c}{x}_1^P,x_1^{\min }<x_1^P<x_1^{\max }\\ x_1^{\min },x_1^P\&le;x_1^{\min }\\ x_2^{\max },x_1^P\&GreaterEqual;x_1^{\max }\end{array}\right..$