CN107368125B - 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法 - Google Patents

Abstract

一种基于CBR与RBR并行混合推理的高炉炉温控制系统及方法；该方法包括：变量选择；高炉炉温预测；根据硅含量和炉温预测值判定所属的炉温等级，当且仅当炉温等级属于设定的正常炉温等级且炉温变化趋势处于平稳变化时，采用CBR推理调用案例库中的已有案例进行案例推理得到高炉炉温控制变量；其它情况下，采用RBR推理调用规则库中的已有规则进行规则推理得到高炉炉温控制变量；将炉温控制变量设定值下装至下位机中。该系统包括：变量选择模块；高炉炉温预测模块；混合推理模块；设定值输出模块。本发明选择通过CBR或RBR进行推理，将推理得到的控制变量设定值下装到下位机，实现对高炉全工况下的炉温进行有效控制，达到炉温维稳目的。

Description

一种基于CBR与RBR并行混合推理的高炉炉温控制系统及方法

技术领域

本发明属于自动控制技术领域，具体是一种基于CBR与RBR并行混合推理的高炉炉温控制系统及方法。

背景技术

炉温是影响高炉炼铁生产是否优质、低耗、高产、长寿的关键参数。生产实践表明，炉温过高或过低都不利于生产。炉温过高会使焦比升高，并使生铁产量降低，并且可能引发“悬料”等事故。炉温过低会使炉内反应热量不足甚至导致“炉凉”等事故发生。只有在稳定的炉温条件下，炉内的渣铁流动性、炉料的透气性、煤气流分布的稳定性以及炉料下降的均匀性等才会得到保证，这些都是维持高炉稳定顺行和提升高炉经济技术指标的基本条件。

因为高炉是一个时变非线性、强耦合的复杂工业系统，在高炉炼铁运行过程中，操作条件发生变化时，高炉炉温相应地要发生变化。但由于高炉的冶炼存在着一定的滞后特性和不确定性，工况的改变对于炉温的影响不能立即反应出来，往往是生产出几炉铁水后，炉温的波动开始显现。而此时再根据当前炉温的情况进行补救调节就会出现一定的延迟，继而影响之后的炉温稳定和铁水质量、产量。如何稳定炉温从而稳定炉况，则一直是高炉操作的中心问题。传统的炉温控制方法主要是建立在工长个人长期操作经验判断的基础上，虽然经验知识有一定效果，但操作繁复，视工况而变动，没有一定的科学定量标准，且由于工长作业方式为三班制，工长交接班时需要耗费一定时间对上一班次的具体操作情况和当前炉况加以了解，且每个班的工长经验和操作方法各异不统一，因而传统的炉温控制方法高耗、低效、自动化程度低，实时性差。

发明内容

针对现有技术存在的不足，本发明提供一种基于CBR与RBR并行混合推理的高炉炉温控制系统及方法。

本发明的技术方案如下：

一种基于CBR与RBR并行混合推理的高炉炉温控制方法，包括：

步骤1、变量选择：预测模型变量选择和推理模型变量选择；

步骤2、高炉炉温预测：选取状态空间模型作为炉温预测模型，并采用子空间辨识算法进行参数辨识；利用炉温预测模型，针对当前时刻的预测模型变量数据进行炉温预测；

步骤3、根据硅含量和炉温预测值判定所属的炉温等级，当且仅当炉温等级属于设定的正常炉温等级且炉温变化趋势处于平稳变化时，采用CBR推理调用案例库中的已有案例进行案例推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；其它情况下，采用RBR推理调用规则库中的已有规则进行规则推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；

步骤4、将炉温控制变量设定值下装至下位机中。

所述预测模型变量选择是将化学热和物理热选择为炉温预测模型输出变量，化学热即炉温硅含量，物理热即铁水温度；将冷风流量、压差、富氧流量和设定喷煤量选择为炉温预测模型输入变量；

所述推理模型变量选择是将燃料比、料批、理论出铁量、透气性和热风压力选择为推理模型输入变量；将设定喷煤量，冷风流量，富氧流量，焦炭负荷，选择为推理模型输出变量，即炉温控制变量。

所述预测模型输入变量是利用典型相关性分析和相关性分析来选择的，具体的选择方法是：首先，选取高炉本体数据与炉温数据进行建模实验，采用典型相关性分析方法进行典型相关性分析，选出对输出典型变量影响大的几个高炉主体参数作为候选辅助变量，即冷风流量、压差、富氧流量、富氧率、设定喷煤量和理论燃烧温度；然后通过相关性分析的方法选出候选变量中相关性大的几组中的可调控变量，确定炉温预测模型输入变量：冷风流量、压差、富氧流量和设定喷煤量。

所述炉温等级，包括：非常高、较高、正常、较低和非常低；硅含量预测值大于0.85且铁水温度大于1850时，炉温等级为非常高；硅含量预测值处于0.7～0.85之间且铁水温度处于1650～1850时，炉温等级为较高；硅含量预测值大于处于0.4～0.7且铁水温度处于1430～1650时，炉温等级为正常；硅含量预测值大于处于0.2～0.4且铁水温度处于1200～1430时，炉温等级为较低；硅含量预测值小于0.2且铁水温度小于1200时，炉温等级为非常低；

所述炉温变化趋势根据预测趋势划分为五种炉温变化趋势等级：平稳变化、上升变化、下降变化、波动变化和剧烈波动变化。

所述规则库中的每条规则结构如下：

If炉温等级and炉温变化趋势then调节方案and操作指导。

所述采用CBR推理调用案例库中的已有案例进行案例推理，包括：

读取当前高炉参数，包括：烧结矿，烧结品位，球团矿，球团品位，块矿，块矿品位，干焦，焦丁，料批、透气性和热风压力；

计算辅助变量：燃料比和理论出铁量；

案例表示：每条案例结构由时间变量、辅助变量、调节变量、相似度、操作指导；

案例相似度的计算：计算案例库中的每个已有案例与当前工况描述的相似度计算；

确定相似度阈值；

案例的检索与匹配：从案例库中挑选出案例相似度大于相似度阈值的所有案例作为匹配案例，并依次按相似度降序排序；

案例重用：案例库中不存在与当前工况描述完全匹配的案例时对检索得到的相似案例进行重用；

边界条件约束：为保证优化后的炉温控制变量设定值工作在正常范围内对参数增幅限定如下：

设定喷煤量在±1t之内；

冷风流量在±29万m³/h之内；

调节幅度在±50～100m³/h之内；

富氧流量在±1000m³/h之内；

焦炭负荷在±0.05之内。

本发明还提供一种基于CBR与RBR并行混合推理的高炉炉温控制系统，包括：

变量选择模块：预测模型变量选择和推理模型变量选择；

高炉炉温预测模块：选取状态空间模型作为炉温预测模型，并采用子空间辨识算法进行参数辨识；利用炉温预测模型，针对当前时刻的预测模型变量数据进行炉温预测；

混合推理模块：根据硅含量和炉温预测值判定所属的炉温等级，当且仅当炉温等级属于设定的正常炉温等级且炉温变化趋势处于平稳变化时，采用CBR推理调用案例库中的已有案例进行案例推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；其它情况下，采用RBR推理调用规则库中的已有规则进行规则推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；

设定值输出模块：将炉温控制变量设定值下装至下位机中。

所述变量选择模块中：

预测模型变量选择是将化学热和物理热选择为炉温预测模型输出变量，化学热即炉温硅含量，物理热即铁水温度；将冷风流量、压差、富氧流量和设定喷煤量选择为炉温预测模型输入变量；

推理模型变量选择是将燃料比、料批、理论出铁量、透气性和热风压力选择为推理模型输入变量；将设定喷煤量，冷风流量，富氧流量，焦炭负荷，选择为推理模型输出变量，即炉温控制变量。

所述混合推理模块，包括：

CBR推理模块：在当且仅当炉温等级属于设定的正常炉温等级且炉温变化趋势处于平稳变化时启动，采用CBR推理调用案例库中的已有案例进行案例推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；

RBR推理模块：CBR推理模块启动以外的情况下启动，采用RBR推理调用规则库中的已有规则进行规则推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量。

有益效果：

本发明根据已有高炉数据，形成规则库和案例库，在根据当前工况数据进行炉温预测后，选择通过CBR或RBR进行推理，将推理得到的控制变量设定值下装到下位机，实现对高炉全工况下的炉温进行有效控制，达到炉温维稳目的。可以根据高炉状况的变化及时更新案例库和规则库，有益于降低高炉生产中能耗，是一种高实用性、低成本的炉温维稳方法。

附图说明

图1是本发明具体实施方式中的基于CBR与RBR并行混合推理的高炉炉温控制系统框图；

图2是本发明具体实施方式中的基于CBR与RBR并行混合推理的高炉炉温控制方法流程图；

图3是本发明具体实施方式中的CBR推理流程图；

图4是本发明具体实施方式中的RBR推理流程图。

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。

一种基于CBR与RBR并行混合推理的高炉炉温控制方法，如图2所示，包括：

步骤1、变量选择：预测模型变量选择和推理模型变量选择。

由于高炉是一个强噪声系统，因此在建模前首先要对工业现场采集到的实际生产数据进行数据预处理。针对由于高炉炉况不稳定和检测仪器不精确造成的跳变数据，采用异常值检测算法剔除高炉生产过程中的噪声尖峰跳变数据；然后采用滑动平均滤波算法减弱训练数据中的高斯噪声干扰。然后，经过预处理后的数据才可以用于变量的选择。变量选择又包括：预测模型变量选择和推理模型变量选择。

预测模型变量选择：选择炉温预测模型输出变量为化学热y₁(炉温硅含量[Si])和物理热y₂(MIT(Molten Iron Temperature，铁水温度))；选择炉温预测模型输入变量为冷风流量u₁、压差u₂、富氧流量u₃和设定喷煤量u₄。炉温预测模型输入变量是利用典型相关性分析(CCA，Canonical Correlation Analysis)和相关性分析(CA，Correlation Analysis)来选择的，具体的选择方法是：首先，选取柳钢2#高炉2015年5月1号到23号的552组高炉本体数据与炉温数据进行建模实验，其中250组作为训练数据，100组作为测试数据，采用典型相关性分析方法对552组实验数据进行典型相关性分析，结果如表1所示。选出对输出典型变量影响较大的几个高炉主体参数作为候选辅助变量，即冷风流量、压差、富氧流量、富氧率、设定喷煤量和理论燃烧温度。然后通过相关性分析的方法选出候选变量中相关性较大的几组中的可调控变量，即富氧流量和富氧率的相关性系数为0.999，而富氧率属于计算值，不可控，因此舍去。理论燃烧温度为计算值，不具有可控性，因此舍去；考虑到压差和炉顶气阀的开度有直接关系，所以压差可算作可控变量。最终，确定炉温预测模型输入变量：冷风流量u₁、压差u₂、富氧流量u₃和设定喷煤量u₄。

表1.典型相关性分析结果

推理模型变量选择：选择燃料比f₁、料批f₂、理论出铁量f₃、透气性f₄和热风压力f₅作为推理模型输入变量；选择推理模型输出变量，即炉温控制变量：设定喷煤量r₁，冷风流量r₂，富氧流量r₃，焦炭负荷r₄。

推理模型输入变量的选择原则是，选取的推理模型输入变量须对炉温直接或间接影响，能反映一定的当前炉况信息或关乎冶炼生产的经济效益。基于此，同时参考了柳钢2#高炉炉长实操经验，选取：燃料比f₁、料批f₂、理论出铁量f₃、透气性f₄和热风压力f₅作为推理模型输入变量。

对于燃料比，在高炉吨铁成本构成中，燃料比所占比例仅次于矿石，位居第二位；在炼铁工序能耗构成中，燃料比所占比例为80％左右；在吨铁CO₂排放构成中，燃料比有70％的贡献率。因此，燃料比是高炉炼铁生产中的重要技术经济性指标。

对于料批，即当前周期内的上料次数，用于反映上层实时装料量。对于热风温度，每提高100℃，焦比约降低4～7％。高风温是高炉提高喷煤比、节能降耗、降本增效的有效措施。理论出铁量则可反映出炉次生铁产量信息。

对于透气性，高炉料柱的透气性直接影响炉料顺行，炉内煤气流分布和煤气利用率具有良好的透气性，使上升煤气流均匀稳定地通过，从而保证下料顺行和充分发挥上升煤气流的还原传热作用。若料柱透气性不好，可能导致煤气流阻力增加，风压升高，继而出现崩料、悬料等事故，造成冶炼过程不能正常进行。

对于热风压力，高炉生产的动力是高炉内燃烧反应的正常进行，足够的风量是燃烧反应的必要条件，高炉最基本的措施是给高炉供应足够的风量；而炉内压差的合理控制是炉况顺行的前提。热风压力的变化影响着给风量和压差，提高热风压力，有助于提高鼓风量和压差。

其中，燃料比和理论出铁量属于计算量，在高炉实际生产过程中不可直接测得，需要通过一些直接可测参数和转换公式求取。其中，用到的间接参数：烧结矿t₁，烧结品位t₂，球团矿t₃，球团品位t₄，块矿t₅，块矿品位t₆，干焦t₇，焦丁t₈。

步骤2、高炉炉温预测：选取状态空间模型作为炉温预测模型，并采用子空间辨识算法进行参数辨识；利用炉温预测模型，针对当前时刻的预测模型变量数据进行炉温预测。

高炉冶炼过程中，因为铁水硅含量能够间接地体现炉内的各种物理和化学反应，在相对稳定的状态下，物理反应和化学反应一般是呈正比关系的，所以用生铁硅含量作为炉温标志是合适的，在本方法中，化学热y₁作为炉温的主要判断依据，物理热y₂作为辅助判断。硅含量的获取是在每炉出铁过程中，铁水样本被采集和送至检验室，化验出来后才获知，之后才能在后续的操作中采取相应的措施。而现场出铁周期并不稳定，约为每半小时至一小时左右出铁一次。这也就意味着炉温检测滞后，操作受影响。因此，为使炉温维稳操作高效进行，获取炉温的预测数据在本方法中是至关重要的。

关于炉温预测模型的选择，考虑到高炉这样一个复杂的工业过程，状态空间模型尤其适合于描述多输入多输出系统。而经典的子空间辨识算法可辨识得到系统的状态空间模型在面向实际预测控制应用时，可推导出一种模型形式相对简单的输入输出模型，即子空间预估器，创新点：子空间预估器是状态空间模型的一个变种转化。采用子空间辨识算法应用于炉温预测控制领域，预测精度高，稳定性好，实用性强。这种子空间辨识方法，无需明确地求出系统矩阵，只需通过线性回归方法，基于系统的输入输出数据即可求解炉温模型的子空间参数矩阵W_p、L_w、L_u。

系统未来输出和过去输入输出及未来输入的等式关系亦即子空间预估器：

Y_f＝L_wW_p+L_uU_f+L_eE_f

其中，Y_f为炉温预测模型的输出，W_p＝[Y_p ^T U_p ^T]^T，L_w为子空间状态矩阵，L_u为确定性输入的子空间矩阵，L_e为随机输入的子空间矩阵。当j→∞时，子空间预估器可表示成如下形式：

实际上，在构造子空间预估器的时候，状态空间模型的系数矩阵不需要显示求出，而只需要辨识子空间矩阵。

在满足持续激励条件的情况下，未来输出Y_f可以利用预估器求出，其炉温预测模型的输出预测值可以通过求解如下最小二乘问题求出：

可以通过将炉温预测模型的输出Y_f的行空间正交投影到W_p和U_f张成的行空间上求出：

矩阵L_w和U_f可以通过以下QR分解求出：

令

这样便可得到：

L_w＝L(：，1：i(l+m))

L_u＝L(：，i(l+m)+1：i(2l+m))

为了使子空间预估器适用于像高炉冶炼这样的复杂时变系统，可以引入递推算法来求解上述最小二乘问题，使子空间矩阵可以在线更新模型参数。同时，在递推公式中加入遗忘因子来调节算法对系统参数变动的敏感性。递推公式如下所示：

其中，K_N是增益矩阵，P_N是协方差矩阵，λ为遗忘因子，最终，递推线性预估器的表达式可写为：

经仿真结果分析得知，该预测模型精度较高，预测结果满足推理模块要求。高炉冶炼现场，高炉参数u₁，u₂，u₃，u₄每分钟检测一次。每次读取最新的50组输入数据导入至预测模型中，得出对应炉温估计值和炉温变化趋势，为接下来的混合推理做准备。

步骤3、根据硅含量和炉温预测值判定所属的炉温等级，当且仅当炉温等级属于设定的正常炉温等级且炉温变化趋势处于平稳变化时，采用CBR推理调用案例库中的已有案例进行案例推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；其它情况下，采用RBR推理调用规则库中的已有规则进行规则推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；

所述高炉炉温控制变量，包括设定喷煤量r₁，冷风流量r₂，富氧流量r₃，焦炭负荷r₄。

由于炉温采用预测方式，和实际炉温很难完全一致，但在预测精度保证的条件下，预测值处于一定的允许范围内，并不影响推理结果。基于此，本方法引入了模糊理论思想，将炉温预测值按不同范围分为五个等级：非常高、较高、正常、较低和非常低，炉温等级划分参考范围见表2。炉温划分等级主要为RBR推理做准备，仅仅引入炉温预测值对炉温信息的掌握是不全面的，为此，又引入了炉温变化的情况。炉温的变化趋势根据预测趋势划分为五种炉温变化趋势等级以供选择：平稳变化、上升变化、下降变化、波动变化和剧烈波动变化。

由测定数据可知，[Si]含量随着铁水温度MIT升高而增加，二者呈现正相关，故在本方法中关于上述两种级别判断，选择以炉温硅含量[Si]为主。

表2.炉温等级判断范围参考

实际情况下，高炉冶炼过程中，炉温大部分时间是处于正常状态，但也会波动，出现偏高偏低情况，很少出现极端过高过低情况。本方法中的推理模型采用CBR与RBR并行混合推理的方式，应用于高炉炉温控制领域，有益于降低高炉生产中能耗，是一种高实用性、低成本的炉温维稳方法。推理的整体流程见图2。首先，根据选取的炉温等级和炉温变化等级自动选择推理模式，然后，再根据选择的推理模式得出具体的推理结果。当且仅当炉温处于正常炉温等级，且炉温变化趋势等级平稳变化时，CBR推理模式启动；其它情况下，RBR推理模式启动。

RBR推理：

当前炉温超限，即属于非正常炉温等级情况时，对应的炉温控制变量若只给出一个设定值来维持稳定是不现实的，通常需要具体的调节方式协调维稳，基于此采用规则推理RBR。规则是具有一种固定的逻辑结构关系，产生式规则形式简单，但却模仿了人类思考的过程，与人类求解问题时的思维过程类似，尤其适用于复杂的工业过程，实用性较高。产生式规则具有if-then的形式，即：ifA then B或者ifA@then B@，其中，A@表示条件A被满足，B@表示目标B被实现。产生式规则的含义是“如果条件A被满足，则目标B会被实现”，形如“原因→结果”，“前提→结论”，“条件→进展”等。在本方法中采用“产生问题→解决方法”的形式表示，规则库中的每条规则结构如下：

If炉温等级and炉温变化趋势then调节方案and操作指导；

本方法中的规则多来自高炉炉长们的实际操作经验知识，故而具备很高实用价值。本方法中的规则共有25条，具体可见表3。

表3.炉温维稳操作指导

当RBR推理开始后，选择当前炉温预测值判断炉温等级以及炉温变化趋势等级作为输入条件，产生推理结果，供操作人员参考、选用和更新。本方法可基于软件实现，出于实用性和人性化操作考虑，添加了操作指导项作为规则一部分。操作指导是作为当前炉况和具体操作的一个说明和指导，可根据现场专家建议由软件交互界面上实时修改，后台规则库则同步更新。具体推理流程见图3。高炉炉温维稳操作方法，根据预测炉温值及其预测趋势状态描述，采取的操作方法来源于炉长实际操作经验知识。因此，RBR推理实用性及可信度较高，该推理结论指导在高炉炉温维稳操作中具有首创性。

CBR推理：

本方法中的CBR推理流程见图4。该推理的实现包括：1.读取当前高炉参数、2.计算辅助变量、3.案例的表示、4.案例相似度的计算、5.确定阈值、6.案例的检索与匹配、7.案例重用、8.边界条件约束、9.案例修正、10.案例存储与维护等。

1.读取当前高炉参数

高炉参数现场可直接获取，包括两部分：全部间接变量和部分辅助变量。间接变量也就是步骤(1)中所提到的高炉间接参数：烧结矿t₁，烧结品位t₂，球团矿t₃，球团品位t₄，块矿t₅，块矿品位t₆，干焦t₇，焦丁t₈。可以直接读取的部分辅助变量有：料批f₂、透气性f₄和热风压力f₅。

2.计算辅助变量

辅助变量中需要计算的变量有：燃料比f₁和理论出铁量f₃。CBR案例推理辅助变量中，部分变量不能直接从现场直接获得，需要从现场可直接获取的参数中公式转换。用到的转换公式参考了一些高炉炉长现场实操经验，具体如下：

矿批＝t₁+t₃+t₅(单位批次)

理论出铁量：f₃＝矿批×综合品味×0.995％÷0.94％(单位批次)

燃料比：f₁＝焦比+焦丁比+煤比＝(干焦量+焦丁量+煤量)/f₃

3.案例表示

本方法案例推理CBR中，每条案例结构由时间变量、辅助变量、调节变量和相似度等组成，见表4。额外增加操作指导，具体作用同规则推理。这里将辅助变量即为炉温当前的工况描述。

表4.案例表示结构

案例库中案例的存储结构为：时间、间接变量、辅助变量、调节变量、相似度和操作指导，见表5。

表5.案例库中案例的存储结构

4.案例相似度的计算

设高炉炼铁过程中当前炉温工况为M_k，定义M_k的工况描述为F＝(f₁，f₂，f₃，f₄，f₅)，M_k的解描述为R＝(r₁，r₂，r₃，r₄)。定义案例库中存储有案例C₁，C₂，…，C_n。其中，案例C_k(k＝1，2，…，n)的工况描述为F_k＝(f_1，k，f_2，k，f_3，k，f_4，k，f_5，k)，C_k的解为R_k＝(R_1，k，R_2，k，R_3，k，R_4，k)。

那么，当前工况描述M_k的描述特征f_i(i＝1，2，3，4，5)与案例C_k(k＝1，2，…，n)的描述特征f_i，k的相似度函数为：

当前工况描述M_k和案例C_k(k＝1，2，…，n)的相似度函数为：

其中，ω_i为工况描述特征的加权系数，可以根据具体工艺特征或经验确定，ω_i满足：

案例库中每个案例与当前工况描述的相似度计算完毕后，使案例库中相应案例的“相似度”属性值等于其相应的相似度值。

5.确定阈值

设SIM_max为所有上述求得的相似度的最大值，即那么，阈值SIM₀可通过下式确定：

其中阈值X₀由具体工艺或经验确定。

6.案例的检索与匹配

案例检索与匹配是实现案例推理的关键技术，从案例库中挑选出案例“相似度”属性值SIM≥SIM₀的所有案例作为匹配案例，并依次按“相似度”属性值降序排序。

7.案例重用

一般情况下，案例库中不存在与当前工况描述完全匹配的案例，因而检索出的匹配工况的解并不能直接作为当前工况的解，这就需要对检索得到的相似案例进行重用。具体方法如下：

从匹配案例中挑选出具有最大相似度SIM_max的案例并确定其个数N。

若N＝1，即具有最大相似度的案例只有一个，设这个案例为C_m，1≤m≤n，记匹配案例数据表中案例C_m的下一个案例为C_k，1≤k≤n，由于匹配案例检索出来的时候按“相似度”、“时间”(案例存储时间)属性值降序排序，所以C_k应具有第二大相似度并且是时间最新的一个。记案例C_m的解为R_m、相似度为SIM_m，案例C_k的解为R_k、相似度为SIM_t，那么当前工况描述M_GK的解R_GK为：

若N＞1，即具有相同最大相似度的案例有多个，设有q(q＞1，q∈Z)个案例C_i，i＝1，…，q按“时间”(案例存储时间)属性值降序排列为：C₁，C₂，…，C_q，R₁，R₂，…，R_q为其响应的解，那么当前工况描述的解R_GK为：

其中，θ_i为本次案例重用的加权系数，满足θ₁≥θ₂≥…≥θ_i，可根据具体情况或经验确定。

8.边界条件约束

为了保证优化后的炉温控制变量设定值工作在正常范围内，就必须对案例重用后当前工况描述的解进行调节增幅条件的约束。本方法中案例推理启动时，说明当前炉温处于允许可控范围内，实际炉温维稳操作幅度一般不会太大，调节参数上下限具体数值计算方法参考高炉现场专家、炉长等的日常操作经验知识，参数增幅限定如下：

设定喷煤量在±1t之内；

冷风流量在±29万m³/h之内；

调节幅度在±50～100m³/h之内；

富氧流量在±1000m³/h之内；

焦炭负荷在±0.05之内。

符合边界条件的约束后，就可以把炉温控制变量设定值下发至下位机回路控制中。

9.案例修正

不符合约束条件的推理结果。若推理得出的各调节变量设定值相较于上一次的增幅超限的话，将推理信息以窗体形式弹出，供操作人员判断修改。

10.案例存储与维护

上述经过修正后的案例将保存至案例库中。

案例库中的案例会随着时间的推移而不断增加，不采取措施，很可能一段时间后出现案例冗余性大，缺乏典型性，并且会加大推理的时间，因此定期的案例库维护十分必要。本方法中案例库维护可分为事前维护和事后维护。

a.事前维护。就是在新案例加入案例库之前，先通过案例存储策略对案例进行学习，然后采用冗余性消除技术，这种事前维护能有效地提高案例库的质量。

b.事后维护。主要包含两方面：案例的删减与新增。首先针对案例库中一些时间久远、不适应目前工况的历史案例，进行适当删减。可通过由有经验的操作工通过人机交互的形式进行。案例新增，本方法还可以在数据库中新增案例。除此之外，本方法案例库维护中还增设其他功能块：案例复制，案例导出，案例库刷新等功能。

步骤4、将炉温控制变量设定值下装至下位机中。

本发明的方法可由智能优化软件系统(基于CBR与RBR并行混合推理的高炉炉温控制系统)实现。该系统既可以运行于计算机控制系统的监控计算机上，也可以运行于独立的优化设定计算机上，通过与控制计算机(分布式计算机控制系统(DCS)、或可编程逻辑控制器(PLC)、或工业控制计算机(IPC))进行通讯。本方法中经推理得出的炉温控制变量优化设定值可用于下装至控制回路中。

基于CBR与RBR并行混合推理的高炉炉温控制系统，如图1所示，包括：

变量选择模块：预测模型变量选择和推理模型变量选择；

高炉炉温预测模块：选取状态空间模型作为炉温预测模型，并采用子空间辨识算法进行参数辨识；利用炉温预测模型，针对当前时刻的预测模型变量数据进行炉温预测；

混合推理模块：根据硅含量和炉温预测值判定所属的炉温等级，当且仅当炉温等级属于设定的正常炉温等级且炉温变化趋势处于平稳变化时，采用CBR推理调用案例库中的已有案例进行案例推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；其它情况下，采用RBR推理调用规则库中的已有规则进行规则推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；

设定值输出模块：将炉温控制变量设定值下装至下位机中。

所述变量选择模块中，

预测模型变量选择是将化学热和物理热选择为炉温预测模型输出变量，化学热即炉温硅含量，物理热即铁水温度；将冷风流量、压差、富氧流量和设定喷煤量选择为炉温预测模型输入变量；

推理模型变量选择是将燃料比、料批、理论出铁量、透气性和热风压力选择为推理模型输入变量；将设定喷煤量，冷风流量，富氧流量，焦炭负荷，选择为推理模型输出变量，即炉温控制变量。

所述混合推理模块，包括：

CBR推理模块：在当且仅当炉温等级属于设定的正常炉温等级且炉温变化趋势处于平稳变化时启动，采用CBR推理调用案例库中的已有案例进行案例推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；

RBR推理模块：CBR推理模块启动以外的情况下启动，采用RBR推理调用规则库中的已有规则进行规则推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量。

针对传统炉温维稳控制方法的不足，本发明同时考虑到炉温维稳的实际可操控性，取长补短，参考了现场炉长的有益操作经验，引入了专家系统知识和模糊推理理论，数据来源为柳钢2#高炉本体数据，首先，根据预测模型得出当前炉次炉温软测量值和下一炉次炉温预报值以及炉温趋势变化。然后根据预测结果，将当前炉温及变化趋势分别划分不同等级，为混合推理做准备。混合推理模型的辅助变量选取须能够反应炉温的变化方向，回路控制量的选取须具有实际可控性，从而可根据炉温的变化方向，提前采取措施控制炉温发展。通过实时读取高炉本体参数测量值，计算出辅助变量，结合当前炉温预测信息，进行混合推理，从而得出控制量的优化设定值，用于下装至基础回路中。

Claims (5)

1.一种基于CBR与RBR并行混合推理的高炉炉温控制方法，其特征在于，包括：

步骤1、变量选择：预测模型变量选择和推理模型变量选择；

步骤2、高炉炉温预测：选取状态空间模型作为炉温预测模型，并采用子空间辨识算法进行参数辨识；利用炉温预测模型，针对当前时刻的预测模型变量数据进行炉温预测；

步骤3、根据硅含量和炉温预测值判定所属的炉温等级，当且仅当炉温等级属于设定的正常炉温等级且炉温变化趋势处于平稳变化时，采用CBR推理调用案例库中的已有案例进行案例推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；其它情况下，采用RBR推理调用规则库中的已有规则进行规则推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；

步骤4、将炉温控制变量设定值下装至下位机中；

所述预测模型变量选择是将化学热和物理热选择为炉温预测模型输出变量，化学热即炉温硅含量，物理热即铁水温度；将冷风流量、压差、富氧流量和设定喷煤量选择为炉温预测模型输入变量；

所述推理模型变量选择是将燃料比、料批、理论出铁量、透气性和热风压力选择为推理模型输入变量；将设定喷煤量，冷风流量，富氧流量，焦炭负荷，选择为推理模型输出变量，即炉温控制变量；

所述预测模型输入变量是利用典型相关性分析和相关性分析来选择的，具体的选择方法是：首先，选取高炉本体数据与炉温数据进行建模实验，采用典型相关性分析方法进行典型相关性分析，选出对输出典型变量影响大的几个高炉主体参数作为候选辅助变量，即冷风流量、压差、富氧流量、富氧率、设定喷煤量和理论燃烧温度；然后通过相关性分析的方法选出候选变量中相关性大的几组中的可调控变量，确定炉温预测模型输入变量：冷风流量、压差、富氧流量和设定喷煤量。

2.根据权利要求1所述的基于CBR与RBR并行混合推理的高炉炉温控制方法，其特征在于，

所述炉温等级，包括：非常高、较高、正常、较低和非常低；硅含量预测值大于0.85且铁水温度大于1850时，炉温等级为非常高；硅含量预测值处于0.7~0.85之间且铁水温度处于1650~1850时，炉温等级为较高；硅含量预测值大于处于0.4~0.7且铁水温度处于1430~1650时，炉温等级为正常；硅含量预测值大于处于0.2~0.4且铁水温度处于1200~1430时，炉温等级为较低；硅含量预测值小于0.2且铁水温度小于1200时，炉温等级为非常低；

所述炉温变化趋势根据预测趋势划分为五种炉温变化趋势等级：平稳变化、上升变化、下降变化、波动变化和剧烈波动变化。

3.根据权利要求1所述的基于CBR与RBR并行混合推理的高炉炉温控制方法，其特征在于，

所述规则库中的每条规则结构如下：

If 炉温等级 and 炉温变化趋势then 调节方案 and 操作指导。

4.根据权利要求1所述的基于CBR与RBR并行混合推理的高炉炉温控制方法，其特征在于，所述采用CBR推理调用案例库中的已有案例进行案例推理，包括：

读取当前高炉参数，包括：烧结矿，烧结品位，球团矿，球团品位，块矿，块矿品位，干焦，焦丁，料批、透气性和热风压力；

计算辅助变量：燃料比和理论出铁量；

案例表示：每条案例结构由时间变量、辅助变量、调节变量、相似度、操作指导；

案例相似度的计算：计算案例库中的每个已有案例与当前工况描述的相似度计算；

确定相似度阈值；

案例的检索与匹配：从案例库中挑选出案例相似度大于相似度阈值的所有案例作为匹配案例，并依次按相似度降序排序；

案例重用：案例库中不存在与当前工况描述完全匹配的案例时对检索得到的相似案例进行重用；

边界条件约束：为保证优化后的炉温控制变量设定值工作在正常范围内对参数增幅限定如下：

设定喷煤量在±1t之内；

冷风流量在±29万m³/h之内；

调节幅度在±50~100m³/h之内；

富氧流量在±1000m³/h之内；

焦炭负荷在±0.05之内。

5.一种基于CBR与RBR并行混合推理的高炉炉温控制系统，其特征在于，包括：

变量选择模块：预测模型变量选择和推理模型变量选择；

高炉炉温预测模块：选取状态空间模型作为炉温预测模型，并采用子空间辨识算法进行参数辨识；利用炉温预测模型，针对当前时刻的预测模型变量数据进行炉温预测；

混合推理模块：根据硅含量和炉温预测值判定所属的炉温等级，当且仅当炉温等级属于设定的正常炉温等级且炉温变化趋势处于平稳变化时，采用CBR推理调用案例库中的已有案例进行案例推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；其它情况下，采用RBR推理调用规则库中的已有规则进行规则推理得到炉温预测值所对应的开环优化设定值，即高炉炉温控制变量；

设定值输出模块：将炉温控制变量设定值下装至下位机中；所述变量选择模块中：

预测模型变量选择是将化学热和物理热选择为炉温预测模型输出变量，化学热即炉温硅含量，物理热即铁水温度；将冷风流量、压差、富氧流量和设定喷煤量选择为炉温预测模型输入变量；

推理模型变量选择是将燃料比、料批、理论出铁量、透气性和热风压力选择为推理模型输入变量；将设定喷煤量，冷风流量，富氧流量，焦炭负荷，选择为推理模型输出变量，即炉温控制变量；

所述预测模型输入变量是利用典型相关性分析和相关性分析来选择的，具体的选择方法是：首先，选取高炉本体数据与炉温数据进行建模实验，采用典型相关性分析方法进行典型相关性分析，选出对输出典型变量影响大的几个高炉主体参数作为候选辅助变量，即冷风流量、压差、富氧流量、富氧率、设定喷煤量和理论燃烧温度；然后通过相关性分析的方法选出候选变量中相关性大的几组中的可调控变量，确定炉温预测模型输入变量：冷风流量、压差、富氧流量和设定喷煤量。