CN107299170B - 一种高炉铁水质量鲁棒软测量方法 - Google Patents

Abstract

本发明提出一种高炉铁水质量鲁棒软测量方法，包括：采集当前时刻的炉腹煤气量、冷风流量、富氧流量、透气性、富氧率、理论燃烧温度；将采集的数据进行归一化处理；利用以多元随机权神经网络构建的高炉铁水质量鲁棒软测量模型，进行高炉铁水质量鲁棒软测量，得到Si含量估计值、P含量估计值、S含量估计值、铁水温度估计值。本发明将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，构造非线性自回归结构的高炉铁水质量鲁棒软测量模型，同时实现了Si含量、P含量、S含量和铁水温度等铁水质量参数的鲁棒软测量，避免离线化验的滞后性和人工操作带来的不确定性。

Description

一种高炉铁水质量鲁棒软测量方法

技术领域

本发明属于高炉冶炼自动化控制技术领域，特别涉及一种高炉铁水质量鲁棒软测量方法。

背景技术

高炉炼铁是一个将铁从铁矿石等含铁化合物中还原出来，冶炼出质量合格的铁水的极为复杂的非线性动态过程。铁水质量指标作为高炉炼铁过程中最为重要的生产指标，直接决定了后续钢铁产品的质量和高炉冶炼过程的能耗状态。为了实现优质、低耗、高产和长寿的目标，需要对高炉炼铁过程进行实时监测与控制。目前主要采用硅[Si]含量(化学热)、铁水温度(物理热)、硫[S]含量、磷[P]含量等参数来综合衡量铁水质量的好坏。然而，高炉炼铁过程的复杂、恶劣特性，铁水质量参数难以直接测量，且离线化验有较长时间滞后。为了对高炉炼铁过程更好的优化控制达到最终的目的，对高炉内部运行状态实时全面地、准确地监测，必须要对铁水质量参数进行建模。炼铁的复杂动态特性，以及同时产生的大量包含各种离群点数据信息给建模带来困难。为了解决这些问题，就需要采用高炉本体的可控参数和铁水质量参数检测分析建立数据驱动的多元高炉铁水质量参数鲁棒软测量模型。

专利公开号“CN101211383A”公开了一种高炉铁水硅含量的特征分析预报方法。以高炉铁水硅含量预报模型的高炉工艺参数为输入变量，采用改进的动态独立成分分析方法对输入变量的样本数据进行特征提取，消除生产工艺参数之间的相关性，使用遗传算法优化模型参数的最小二乘支持向量机算法建立高炉铁水硅含量预报的动态递推模型。

专利公开号“CN103320559B”提供一种高炉铁水硫含量预报方法，以硫含量短期均值、硫含量中期均值、硫含量长期均值、入炉焦炭S含量、入炉煤粉S含量等作为铁水含硫预报的输入变量，利用高炉形成铁水的化学反应过程，结合RBF神经网络，预报下一次铁水的含硫量，获得了较好的预报硫含量精度。

专利公开号“CN103981317A”公开了“基于温降模型的高炉出铁口铁水温度的连续检测方法”，利用铁水沟底部所埋热电偶的测温数据，最终辨识出铁口处的铁水温度。该方法解决了高炉铁水温度检测需人工参与，间断不连续，耗材多，测温值不稳定的问题。

上述专利报道的方法以及其他相关文献相关类似方法只是针对单一的铁水质量元素(如Si含量、S含量、铁水温度等)进行预报和软测量，未能对表征高炉铁水质量的主要参数，即Si(硅)含量、P(磷)含量、S(硫)含量和铁水温度同时进行多元预报，因而不能全面反映铁水质量水平，实用性较差。而且，由于这些方法没有考虑输入输出时序以及过程中的时滞关系，所建立的静态模型并不能很好地反映高炉冶炼过程的固有特性。另外，在实际炼铁生产过程中，生产环境恶劣，检测仪表等装置的故障以及其他异常干扰的影响，测量数据中包含离群点。这些方法主要考虑了理想炉况下的铁水质量参数软测量，鲁棒性较差，当建模数据含有离群点时，这些方法不能抑制离群点干扰而对铁水质量参数进行较为准确地预测。

专利申请号“201610118914.7”申请的“一种基于鲁棒随机权神经网络的多元铁水质量软测量方法”能够对多元铁水质量参数预报且反映高炉炼铁过程的固有特性，但是只是解决了建模训练数据的输出中含有离群点(Y方向异常)的鲁棒问题，不能解决训练数据的输入中也含有离群点(X方向异常)的鲁棒问题。当建模训练数据中的输入和输出数据中同时含有离群点(即X与Y方向均异常)的时候，该建模方法鲁棒性会很差。同时，其也不能解决隐含层输出存在多重共线性对建模不利影响的问题。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参数(Si含量、P含量、S含量和铁水温度)进行多元鲁棒软测量的方法。

发明内容

为了解决上述高炉冶炼过程中多元铁水质量参数预报方法的不足，本发明提出一种高炉铁水质量鲁棒软测量方法。

一种高炉铁水质量鲁棒软测量方法，包括：

步骤1、采集当前时刻的炉腹煤气量、冷风流量、富氧流量、透气性、富氧率、理论燃烧温度；

步骤2、将采集的数据进行归一化处理；

步骤3、利用以多元随机权神经网络构建的高炉铁水质量鲁棒软测量模型，进行高炉铁水质量鲁棒软测量，得到Si含量估计值、P含量估计值、S含量估计值、铁水温度估计值。

所述步骤3中的高炉铁水质量鲁棒软测量模型，建立方法如下：

步骤3-1、高炉铁水质量鲁棒软测量模型结构及输入确定：选择非线性自回归结构的多元随机权神经网络作为高炉铁水质量鲁棒软测量模型结构，利用典型相关性分析法从高炉炼铁过程的可控变量中，选取与高炉铁水质量参数相关性最大的六个可控变量，包括：炉腹煤气量、冷风流量、富氧流量、透气性、富氧率、理论燃烧温度；根据高炉炼铁过程动态特性和铁水质量参数的时滞关系，确定非线性自回归结构的阶次为1，即高炉铁水质量鲁棒软测量模型的输入为：当前时刻六个可控变量的测量值、上一时刻六个可控变量的测量值及上一时刻铁水质量参数的测量值，输出为当前时刻铁水质量参数的估计值；

步骤3-2、高炉铁水质量鲁棒软测量模型的训练。

所述步骤3-2，包括：

步骤3-2-1、确定模型训练需要的相关参数：激活函数类型g，隐含层节点数目L，最大迭代次数F，偏最小二乘主元个数B，输出权值的收敛条件E；

步骤3-2-2、选取历史某一时间段内数据作为鲁棒训练数据集，并将训练数据集中所有变量数据进行归一化处理；随机产生输入层与隐层之间的输入权值及阈值；计算隐含层输出矩阵H₀、初始输出权重β₀、模型的初始估计值和初始残差r₀：

其中，Y₀为鲁棒训练数据集中的输出数据；

步骤3-2-3、根据残差的分布由柯西分布加权函数计算出对应每个训练样本参与建模的权重

步骤3-2-4、根据输入数据在高维空间的得分矩阵，由改进的Huber权函数计算出训练样本参与建模的权重

改进的Huber权函数

其中，为第h个输出变量对应的样本权重的中位数，c是标量，u是变量；

步骤3-2-5、计算训练样本综合权重由偏最小二乘回归求得输出权值矩阵及得分矩阵T_h，计算残差；若输出权值满足收敛条件或超过最大迭代次数，则停止训练，得到最终的高炉铁水质量鲁棒软测量模型；否则，重复执行步骤3-2-3～3-2-4。

有益效果

本发明将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，构造非线性自回归(NARX)结构的高炉铁水质量鲁棒软测量模型，同时实现了Si含量、P含量、S含量和铁水温度四大铁水质量参数的鲁棒软测量，综合描述高炉铁水质量参数，避免离线化验的滞后性和人工操作带来的不确定性。本发明不仅考虑到在实际炼铁生产过程中，受检测仪表和变送器等装置的故障以及Y方向异常离群点和X与Y方向均异常的离群点等异常干扰对建模的影响，极大增强了模型鲁棒性，而且在隐层空间(隐含层输出)与建模输出之间运用偏最小二乘法回归(PLS)分别求出隐层空间和输出的得分矩阵以及输出权值矩阵，消除隐含层空间的多重共线性问题和解决高维特征维数多于观测样本数建模的问题，同时防止模型的过拟合。本发明所提出的方法解决了建模数据中含有Y方向离群点和X与Y方向均异常的离群点对模型的不良干扰问题，极大增强了模型鲁棒性，同时消除了隐含层空间的多重共线性问题，使得软测量更加准确可靠，给高炉现场的技术操作人员提供了较好的指导，更有利于实现高炉炼铁过程的稳定和顺行，利于使高炉炼铁过程保持在的优质、高产的水平上。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1是本发明具体实施方式中高炉炼铁过程的测量仪表配置图；

图2是本发明具体实施方式中高炉铁水质量鲁棒软测量方法流程框图；

图3是本发明具体实施方式中高炉铁水质量鲁棒软测量建模效果图，(a)为铁水硅含量的预测值与实际值对比曲线，(b)为磷含量的预测值与实际值对比曲线，(c)为硫含量的预测值与实际值对比曲线，(d)为铁水温度的预测值与实际值对比曲线；

图1中各数字代表高炉炼铁所需要的仪器仪表等，分别是：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-透气性测量分析仪，10-理论燃烧温度测量分析仪，11-数据采集装置，12-计算机系统；

图1所用标记符号代表高炉炼铁过程中的参数，分别是：u₁炉腹煤气量，u₂冷风流量，u₃富氧流量，u₄透气性，u₅富氧率，u₆理论燃烧温度。

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。

如图2所示的一种高炉铁水质量鲁棒软测量方法，包括：

步骤1、采集当前时刻的炉腹煤气量u₁(m³)、冷风流量u₂(m³/min)、富氧流量u₃(m³/min)、透气性u₄(m³/min.kPa)、富氧率u₅(vol％)、理论燃烧温度u₆(℃)；

步骤2、将采集的数据进行归一化处理；

步骤3、利用以多元随机权神经网络构建的高炉铁水质量鲁棒软测量模型，进行高炉铁水质量鲁棒软测量，得到Si含量估计值P含量估计值S含量估计值铁水温度估计值

所述步骤3中的高炉铁水质量鲁棒软测量模型，建立方法如下：

步骤3-1、高炉铁水质量鲁棒软测量模型结构及输入确定：选择非线性自回归结构的多元随机权神经网络作为高炉铁水质量鲁棒软测量模型结构，利用典型相关性分析法从高炉炼铁过程的可控变量中，选取与高炉铁水质量参数相关性最大的六个可控变量，包括：炉腹煤气量u₁(m³)、冷风流量u₂(m³/min)、富氧流量u₃(m³/min)、透气性u₄(m³/min.kPa)、富氧率u₅(vol％)、理论燃烧温度u₆(℃)。根据高炉炼铁过程动态特性和铁水质量参数的时滞关系，确定非线性自回归结构的阶次为1，即高炉铁水质量鲁棒软测量模型的输入为：当前时刻六个可控变量的测量值、上一时刻六个可控变量的测量值及上一时刻铁水质量参数的测量值，输出为当前时刻铁水质量参数的估计值。

高炉铁水质量鲁棒软测量模型的输入，包括：

当前时刻的可控变量：

炉腹煤气量u₁(t)(m³)、冷风流量u₂(t)(m³/min)、富氧流量u₃(t)(m³/min)、

透气性u₄(t)(m³/min.kPa)、富氧率u₅(t)(vol％)、理论燃烧温度u₆(t)(℃)。

上一时刻的可控变量：

炉腹煤气量u₁(t-1)(m³)、冷风流量u₂(t-1)(m³/min)、富氧流量u₃(t-1)(m³/min)、

透气性u₄(t-1)(m³/min.kPa)、富氧率u₅(t-1)(vol％)、理论燃烧温度u₆(t-1)(℃)。

上一时刻的输出变量：

Si含量y₁(t-1)(％)、P含量y₂(t-1)(％)、

S含量y₃(t-1)(％)、铁水温度y₄(t-1)(℃)；

高炉铁水质量鲁棒软测量模型的输出即需要估计的当前时刻的铁水质量参数，包括：

Si含量估计值

P含量估计值

S含量估计值

铁水温度估计值

步骤3-2、高炉铁水质量鲁棒软测量模型的训练；

步骤3-2-1、确定模型训练需要的相关参数：激活函数类型g，隐含层节点数目L，最大迭代次数F，偏最小二乘(PLS)主元个数B，输出权值的收敛条件E。

本实施方式中，

激活函数类型g为Sigmoid函数；

隐含层节点数目L＝30；

最大迭代次数F＝50；

偏最小二乘(PLS)主元个数B＝10

输出权值的收敛条件E＝10^-5。

步骤3-2-2、选取历史某一时间段内数据作为鲁棒训练数据集：

Z＝{(x_i，y_i)|x_i∈Rⁿ，y_i＝R^m，i＝1，…N}，N≥L；

(包括输入数据和铁水质量参数数据Y＝{y_j(t)|j＝1，2，…，m})。

并将训练数据集Z中所有变量数据进行归一化处理；在一定范围内随机产生输入层与隐层之间的输入权值a_i及阈值b_i，i＝1，…，L；

计算隐含层输出矩阵：

按下述公式计算出初始输出权重β，模型的初始估计值和初始残差r₀：

步骤3-2-3、计算训练样本权重(r表示训练数据的输出方向，h表示第h个输出变量)：根据残差的分布由柯西分布加权函数计算出对应每个训练样本参与建模的权重；

计算标准化残差向量r′维度与Y一致，为每次迭代更新的残差，稳健尺度式中median()为中值数计算函数；r_ih代表第h个输出的第i个残差，r_h代表第h个残差向量；

将标准化残差代到柯西分布加权函数中得到m维输出数据对应的权值矩阵进一步求得第h个输出变量对应的权重矩阵h＝1…m，式中μ＝median(r_i′)，h＝1…m，i＝1…N；

r_i′表示第i个标准化残差，表示标准化残差的平均数，diag()对角矩阵创建函数。

步骤3-2-4、计算训练样本权重(x表示训练数据的输入方向，h表示第h个输出变量)：根据输入数据在高维空间(隐含层输出)的得分矩阵，由改进的Huber权函数计算出训练样本参与建模的权重；

由偏最小二乘(PLS)计算得到得分矩阵T_h，每一个得分向量t_ih，i＝1…N，h＝1…m的权重由改进的Huber权函数f(u，c)计算得出，式中

第h个输出变量对应的样本权重的中位数h＝1…m，

其中，||·||是欧几里德范数，c是标量，u是变量，med_L1(T)是从{t₁，…t_n}计算的L₁-median，也可以是其他计算矩阵空间中心的运算。

步骤3-2-5、计算训练样本综合权重由偏最小二乘回归求得输出权值矩阵及得分矩阵T_h，计算残差；若输出权值满足收敛条件或超过最大迭代次数，则停止训练，得到最终的高炉铁水质量鲁棒软测量模型；否则，重复执行步骤3-2-3～3-2-4。

计算加权后的隐层输出矩阵以及加权后的输出对X_h和应用偏最小二乘回归(PLS)求出得分矩阵T_h和输出权值矩阵

令纠正得分矩阵，计算残差

迭代更新直到权值矩阵h＝1…m中各输出权重对应的j＝1，2，…，L，h＝1，2，…，m都小于指定收敛条件E且迭代次数小于最大迭代次数F，则最终输出权值

采用均方误差(MSE)和平均绝对百分误差(MAPE)两个评价指标对最终的高炉铁水质量鲁棒软测量模型进行评价：

均方误差MSE：

平均绝对百分误差MAPE：

式中，H_iβ^*为测试集中第i个样本的估计值，Y_i为测试集中第i个样本的真实值，N₁为测试集的全部样本数。

以柳钢的一个容积为2600m³的炼铁高炉对象为例，应用本发明的高炉铁水质量在线鲁棒软测量方法。现在的炼铁高炉对象安装了如下的常规测量系统，如图1所示，包括：用于测量高炉热风系统的热风压力的压力变送器、用于测量冷风流量的差压流量计、用于测量富氧流量的平衡流量计、用于测量鼓风湿度的空气湿度传感器、用于测量热风温度的红外测温仪、用于测量煤粉喷吹量的煤粉流量计、以及：

炉腹煤气量测量分析仪：通过常规仪器测量得到的冷风流量、富氧流量、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参数设置如下：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：通过常规仪器测量得到的富氧流量、鼓风湿度以及冷风流量，分析计算出高炉富氧率参数；富氧率测量分析仪参数设置如下：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；

透气性测量分析仪：通过常规仪器测量得到的冷风流量、热风压力以及炉顶压力，分析计算出高炉透气性参数；参数设置如下：透气性＝冷风流量/(热风压力-炉顶压力)*100

理论燃烧温度测量分析仪：通过常规仪器测量得到的热风温度、富氧流量、冷风流量、鼓风湿度和每小时喷煤量分析计算出高炉理论燃烧温度参数；参数设置如下：理论燃烧温度＝1559+(0.839*热风温度)+(4.972*1000*富氧流量/冷风流量)-(6.033*鼓风湿度)-(3.15*每小时喷煤量*1000*1000/冷风流量)；

上述结构如图1所示，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-透气性测量分析仪，10-理论燃烧温度测量分析仪，11-数据采集器，12-计算机系统；

流量计3、温度计4、压力计5、6-湿度计、炉腹煤气量测量分析仪7、富氧率测量分析仪8、透气性测量分析仪9、理论燃烧温度测量分析仪10、等常规测量仪表安装于高炉1的各个位置，数据采集11连接常规测量仪表，并通过通讯总线连接计算机系统。

本发明方法可以采用C#高级语言进行软件系统的实现。该软件系统可实现数据显示、查询、软测量结果显示以及查询等功能，可以方便地让操作人员获得其所需要软测量、历史趋势、数据分析等信息。另外，计算机系统上装有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。

本发明利用实际的柳钢2号高炉，现有常规测量设备采集的高炉炼铁过程数据作为建模需要的数据，不仅解决了训练数据中的输出异常的离群点对建模的不良影响，更同时解决了训练数据中均含有输入异常和输出异常的离群点对建模的不良影响，更加准确的给出指定动态时间区间的多元铁水质量参数的估计值，为高炉生产过程的优化操作和稳定顺行运行提供参考，使炼铁厂获得最大的效益。

为了说明本发明的优越性，进行了铁水质量参数软测量系统一段时间的铁水质量指标的预报效果，，如图3(a)～(d)所示，其中所用数据均为实际的柳钢2号高炉炼铁过程中采集的数据。本发明的训练数据为600组历史样本，通过测试集进行模型评估，可以看出本发明各个铁水质量指标预报值与其实际值曲线基本拟合，预报误差最小，准确度高。本发明是一种训练速度快、模型结构简单、解决Y方向异常离群点和X与Y方向均异常的离群点对建模的干扰，极大增强模型鲁棒性，预测精度高的高炉炼铁过程铁水质量参数鲁棒软测量方法。

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 (1)

1.一种高炉铁水质量鲁棒软测量方法，包括：

步骤1、采集当前时刻的炉腹煤气量、冷风流量、富氧流量、透气性、富氧率、理论燃烧温度；

步骤2、将采集的数据进行归一化处理；

步骤3、利用以多元随机权神经网络构建的高炉铁水质量鲁棒软测量模型，进行高炉铁水质量鲁棒软测量，得到Si含量估计值、P含量估计值、S含量估计值、铁水温度估计值；

所述步骤3中的高炉铁水质量鲁棒软测量模型，建立方法如下：

步骤3-1、高炉铁水质量鲁棒软测量模型结构及输入确定：选择非线性自回归结构的多元随机权神经网络作为高炉铁水质量鲁棒软测量模型结构，利用典型相关性分析法从高炉炼铁过程的可控变量中，选取与高炉铁水质量参数相关性最大的六个可控变量，包括：炉腹煤气量、冷风流量、富氧流量、透气性、富氧率、理论燃烧温度；根据高炉炼铁过程动态特性和铁水质量参数的时滞关系，确定非线性自回归结构的阶次为1，即高炉铁水质量鲁棒软测量模型的输入为：当前时刻六个可控变量的测量值、上一时刻六个可控变量的测量值及上一时刻铁水质量参数的测量值，输出为当前时刻铁水质量参数的估计值；

步骤3-2、高炉铁水质量鲁棒软测量模型的训练；

其特征在于，所述步骤3-2，包括：

步骤3-2-1、确定模型训练需要的相关参数：激活函数类型g，隐含层节点数目L，最大迭代次数F，偏最小二乘主元个数B，输出权值的收敛条件E；

步骤3-2-2、选取历史某一时间段内数据作为鲁棒训练数据集，并将训练数据集中所有变量数据进行归一化处理；随机产生输入层与隐层之间的输入权值及阈值；计算隐含层输出矩阵H₀、初始输出权重β₀、模型的初始估计值和初始残差r₀：

其中，Y₀为鲁棒训练数据集中的输出数据；

步骤3-2-3、根据残差的分布由柯西分布加权函数计算出对应每个训练样本参与建模的权重

步骤3-2-4、根据输入数据在高维空间的得分矩阵，由改进的Huber权函数计算出训练样本参与建模的权重

改进的Huber权函数

其中，为第h个输出变量对应的样本权重的中位数，c是标量，u是变量；

步骤3-2-5、计算训练样本综合权重由偏最小二乘回归求得输出权值矩阵及得分矩阵T_h，计算残差；若输出权值满足收敛条件或超过最大迭代次数，则停止训练，得到最终的高炉铁水质量鲁棒软测量模型；否则，重复执行步骤3-2-3～3-2-4。