CN108800967B - 基于神经网络的环冷机温度控制方法及系统 - Google Patents

Abstract

本发明实公开了一种基于神经网络的环冷机温度控制方法及系统，该方法首先通过设置在环冷机各个温区的温度检测装置，分别获取各个温区的当前检测温度；然后将各个温区的当前检测温度输入预先训练好的神经网络模型中，得到各个温区的预测温度，即考虑各温区内温度之间相互耦合和其它干扰因子影响后得到的各个温区的温度。最后，将各个温区的预测温度与其温区对应的温度阈值度进行比较，并对超出其温度阈值的温区对应的鼓风机输出风量进行调节，从而实现对各温区内温度的调节。本发明实施例，通过对环冷机中多区域温度进行监控，并利用神经网络模型能有效解耦控制，实现环冷机中各温区温度的平稳控制。

Description

基于神经网络的环冷机温度控制方法及系统

技术领域

本发明涉及钢铁冶炼领域，尤其涉及一种基于神经网络的环冷机温度控制方法及系统。

背景技术

在钢铁生产中，含铁原料矿石在进入高炉冶炼之前需经烧结机进行烧结处理。烧结系机烧结得到的烧结矿经环冷机冷却后，再经胶带机运至烧结矿筛分系统进行筛分、整粒等处理。

图1是一种烧结系统的基本结构示意图。利用该烧结系统，存储在原料矿仓中的原料通过配料秤配料后送入混合机，原料通过混合机加水、混合后进入混合料槽。混合料通过圆辊给料机将混匀的料均匀布置到烧结机上，再通过烧结机的点火烧结，得到高温烧结矿。烧结矿通过单辊破碎后，通过料溜槽送入到环冷机中进行烧结矿冷却。冷却后的烧结矿，依次经过板式给矿机和胶带机送入筛分机，筛分后的烧结矿最后被送入成品矿仓或直接送入高炉。图2是一种环冷机的基本结构示意图。如图2所示，该环冷机的主体由若干个扇形台车组成，形成一个首尾相接的环。烧结矿被布设在台车的篦板上，台车围绕环冷机的中心匀速转动。同时，鼓风机10吹入的冷风通过相应风箱20从下向上穿过篦板进入台车，与篦板上的烧结矿进行充分热交换后，作为热烟气从排烟道排出。由于烧结矿的冷却效果会影响到接下来烧结矿的整粒效果、后端设备的使用寿命等，因此，环冷机料温的有效控制对烧结生产具有十分重要的意义。

然而，相关技术中并没有对环冷机料温进行控制的方法，只有在环冷机的下游设备板式给矿机处设置料面温度检测装置。如果该温度检测装置检测出料面温度过高时，则对板式给矿机出口处的烧结矿进行喷水联锁保护。该联锁保护方法，虽然能起到降温的作用，但是加了水的烧结矿透气性会变差，不利于之后的高炉生产。并且，一旦上述料面温度检测装置检测出现问题，还会造成胶带机因高温燃烧等安全问题。

发明内容

本发明提供了一种基于神经网络的环冷机温度控制方法及系统，以提高环冷机对烧结矿的冷却效果，并最大限度的保证系统安全平稳运行。

根据本发明实施例的第一方面，提供了一种基于神经网络的环冷机温度控制方法，该方法包括：

利用设置在环冷机各个温区的温度检测装置，分别获取所述各个温区的当前检测温度；

将所述各个温区的当前检测温度输入预先训练好的神经网络模型中，输出所述各个温区温度耦合后的预测温度；

分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度；

如果至少有一个温区的预测温度超出其温区对应的温度阈值时，则分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节。

可选地，利用设置在环冷机各个温区的温度检测装置，分别获取所述各个温区的当前检测温度，包括：

根据环冷机烟气或料面温度范围，将所述环冷机划分为至少一个高温区和至少一个低温区；

利用设置在所述至少一个高温区和至少一个低温区中的温度检测装置，分别获取所述至少一个高温区的烟气或料面检测温度和所述至少一个低温区的烟气或料面检测温度。

可选地，所述环冷机各个温区的划分方法包括：

将所述环冷机中同一个鼓风机对应风箱所在的位置划分为一个温区。

可选地，所述神经网络模型的训练方法包括：

分别将所述各个温区对应的鼓风机输出风量设定为不同的值，获取不同输出风量对应的所述各个温区的理想温度、以及与所述理想温度对应的耦合温度；

将所述各个温区的理想温度和耦合温度分为样本集数据和验证集数据；

将所述样本集数据中的理想温度和耦合温度分别作为输入变量和输出变量对神经网络进行训练，得到训练后的神经网络模型；

将所述验证集数据中的理想温度输入到所述训练后的神经网络模型中，得到实际输出温度；

分别判断所述验证集数据中理想温度对应的耦合温度与实际输出温度之间的差值是否小于预设误差值；

如果小于预设误差值，则将训练后的神经网络模型作为最终的神经网络模型。

可选地，分别将所述各个温区对应的鼓风机输出风量设定为不同的值，包括：

按照预设调整次序，依次将所述各个温区对应的鼓风机的频率或风门按照从小到大和从大到小的方向进行调整，其中，在对所述环冷机中一个鼓风机的频率或风门进行调整时，其它鼓风机输出风量保持不变。

可选地，所述神经网络模型包括BP神经网络模型，所述BP神经网络模型中的连接函数包括非线性变换函数中的logsig函数和线性变换中的purel in函数。

可选地，分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度，包括：

如果所述环冷机的温区为高温区，则判断各个所述高温区的预测温度是否超出其对应温区的第一温度阈值；

如果所述环冷机的温区为低温区，则判断各个所述低温区的预测温度是否超出其对应温区的第二温度阈值；

如果各个所述低温区中至少一个低温区的预测温度超出其对应温区的第二温度阈值，则判断超出所述第二温度阈值的低温区的预测温度是否超出其对应温区的第三温度阈值，其中，第三温度阈值的温度值大于第二温度阈值的温度值。

可选地，分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节，包括：

根据超出其温度阈值的温区的预测温度和对应的预设控制策略，对所述超出其温度阈值的温区对应的鼓风机输出风量进行比例积分微分PID调节或对所述环冷风机进行联锁处置。

根据本发明实施例的第二方面，提供了一种基于神经网络的环冷机温度控制系统，该系统包括：

温度检测装置：分别设置在所述环冷机各个温区中，用于获取所述各个温区的当前检测温度；

温度预测装置：分别与所述温度检测装置连接，用于将所述各个温区的当前检测温度输入预先训练好的神经网络模型中，输出所述各个温区温度耦合后的预测温度；

温度控制装置：与所述温度预测装置连接，用于分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度，以及，如果至少有一个温区的预测温度超出其温区对应的温度阈值时，则分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节。

可选地，所述系统还包括：

联锁温度检测装置：设置在板式给矿机的出口处，用于检测所述板式给矿机出口处的料面温度。

所述温度控制装置：还与所述联锁温度检测装置连接，用于判断所述板式给矿机出口处的料面温度是否超出联锁控制温度阈值，以及，如果超出联锁控制温度阈值，则对所述环冷机进行联锁处置。

由以上技术方案可见，本发明实施例提供的一种基于神经网络的环冷机温度控制方法及系统，首先，通过设置在环冷机各个温区的温度检测装置，分别获取各个温区的当前检测温度；然后，将各个温区的当前检测温度输入预先训练好的神经网络模型中，得到各个温区的预测温度，即考虑各温区内温度之间相互耦合和其它干扰因子影响后得到的各个温区的温度。最后，将各个温区的预测温度与其温区对应的温度阈值度进行比较，并对超出其温度阈值的温区对应的鼓风机输出风量进行调节，从而实现对各温区内温度的调节。本发明实施例，通过对环冷机中多区域温度进行监控，并预先训练好的神经网络模型能有效解耦控制，实现对对环冷机中各温区温度的平稳控制，不仅克服了烧结矿温度控制大滞后的问题，还最大限度保证烧结系统安全平稳运行。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为现有技术中一种烧结系统的基本结构示意图；

图2为现有技术中一种环冷机的基本结构示意图；

图3为本发明实施例提供的一种基于神经网络的环冷机温度控制系统的结构示意图；

图4为图3中的环冷机温度控制系统的工作流程示意图；

图5为本发明实施例提供的一种基于神经网络的环冷机温度控制方法的基本流程示意图；

图6为本发明实施例提供的神经网络模型的训练过程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在对本发明的示例性实施例进行说明之前，首先对神经网络模型进行介绍，具体的：

神经网络的模型是由被称为节点的神经元按照不同的连接方法构成的，每个节点均具有相同的结构，其动作在时间上和空间上均同步。令x_i(t)表示t时刻神经元j接收的来自神经元i的输入信息，O_i(t)表示t时刻神经元j的输出信息，则神经元j的状态可表述为：

在公式(1)中，T_j表示神经元j的阈值，w_ij表示神经元i到j的权重值，f()表示神经元的变换函数。

层次型结构是我们最常用的一种神经网络结构，它将神经元按功能分为若干层，如输入层、隐层和输出层，各层顺序相连。输入层各神经元负责接收来自外界的输入信息，并传递给中间各隐层神经元；隐层是神经网络的内部信息处理层，负责信息变化，根据信息变换能力的需要，隐层可设计为一层或多层；最后一个隐层传递到输出层各神经元的信息经进一步处理后即完成一次信息处理，由输出层向外界输出信息处理结果。

利用上述神经网络模型，本发明实施例提供了一种基于神经网络的环冷机温度控制方法及系统，以解决相关技术中没有对环冷机中的料温进行控制的问题。图3为本发明实施例提供的一种基于神经网络的环冷机温度控制系统的结构示意图。如图3所示，本实施例根据环冷机料面或烟气温度范围将环冷机划分为多个温区，本实施例中的环冷机配有5台鼓风机(图中标号11、12、13、14和15)，每一台鼓风机都对应着10个风箱。为了方便对鼓风机排风量的分析控制，本实施例根据风箱的位置将环冷机划分为5个区域，当然，还可以按照其它方式进行温区划分。

进一步的，每一个温区中均设有温度检测装置，用于对其所在温区的温度进行检测。本实施例中在每一个温区分别设一个温度检测装置(图中标号31、32、33、34和35)，为实现对各温区温度检测的一致性，上述各温度检测装置被安装在各温区的统一位置，如图3所示，在上述五个温区的初始位置各安装一个温度检测装置。上述温度检测装置均与温度预测装置40连接，温度预测装置40分别与各鼓风机的温度控制装置(图中未示出)连接。

图4为图3中的环冷机温度控制系统的工作流程示意图。如图4所示，利用上述系统，通过各温度检测装置将检测到的温度信号作为神经网络模型的输入进行模型计算并得到输出的温度预测值，然后将各温度预测值分别和预先设定好的温度范围进行比较，最后通过控制策略控制每一台鼓风机的输出风量，从而实现对环冷机中烧结矿温度的调节。基于上述控制系统和控制原理，下面将对本发明实施例提供的环冷机温度控制方法进行详细介绍。

图5为本发明实施例提供的一种基于神经网络的环冷机温度控制方法的基本流程示意图。如图5所示，该方法具体包括如下步骤：

步骤S110：利用设置在环冷机各个温区的温度检测装置，分别获取所述各个温区的当前检测温度。

为提升对环冷机废气利用效率并有保证环冷机输出的烧结矿温度，本实施将根据环冷机料面温度范围，将所述环冷机划分为至少一个高温区和至少一个低温区，如图3中的控制系统中，根据环冷机的进、出料方向，将第一至三温区划分为高温区，第四和五温区划分为低温区。然后，利用设置在上述高温区温度检测装置检测其所在温区的烟气温度，同时，利用设置在上述低温区温度检测装置检测其所在温区的料面温度。

当然，还可以根据环冷机料面温度范围，将所述环冷机划分为至少一个高温区和至少一个低温区；另外，还可以利用设置在上述高温区温度检测装置检测其所在温区的料面温度，同时，利用设置在上述低温区温度检测装置检测其所在温区的烟气温度；或者，同时对上述高温区和低温区均进行料面温度检测或均进行烟气温度检测。

步骤S120：将所述各个温区的当前检测温度输入预先训练好的神经网络模型中，输出所述各个温区温度耦合后的预测温度。

由于环冷机中各温区的温度会相互影响，即相互存在一定的温度耦合作用，同时还伴随有其他外界干扰因子，使得各温区实际输出的烟气温度、料面温度、具有一定的滞后性，因此本实施例利用预先训练好的神经网络模型，将各个温区的当前检测温度输入待该神经网络模型中，输出的各个温区的预测温度，即为考虑上述因素后的实际输出温度。

针对环冷机各温区温度具有耦合作用的特点，本实施例还提供了神经网络模型的训练方法。图6为本发明实施例提供的神经网络模型的训练过程示意图。如图6所示，上述神经网络模型的训练过程具体包括如下步骤：

步骤S210：分别将所述各个温区对应的鼓风机输出风量设定为不同的值，获取不同输出风量对应的所述各个温区的理想温度、以及与所述理想温度对应的耦合温度。

神经网络的输入、输出参数对于整个模型的建立具有直接的影响，因此在建立神经网络模型之前，我们需要考虑如何选择合适的输入输出值以及如何筛选出合适的样本值。本发明实施例将输入参数选定为环冷机高温区烟气及低温区料面的理想温度，输出参数选定为实际检测温度，其中，理想温度为不考虑风机之间温度耦合及温度滞后情况时的温度值。

进一步的，样本量的大小和神经网络能够达到的拟合精度和其泛化能力有着密切的关系。样本量过小或过于集中在某一个输出值区域上会造成神经网络不能很好地学习到映射关系，而神经网络的样本量过大，又会因为数据本身的误差而失去意义。因此，选择合适的样本量对于本系统建立起能够达到要求精度的模型起到了非常关键的作用。样本点数模型误差首先会根据样本点数的增加而减小，当样本点数达到一定数量时，误差不会有显著下降，我们可以在模型建立阶段利用不同的样本数进行实验，从而找到合适的样本大小。

在确定好输入输出参数后，选择合适的神经网络模型是建立从输入特征参数到输出参数映射的关键。在训练样本数量确定的前提下，我们需要充分考虑综合分析各种神经网络模型在非线性映射、泛化和容错等能力，并且是否适合本系统的需要。

因此，在神经网络模型选择上，本发明实施例采用现在非线性拟合中使用较为普遍的BP神经网络结构。首先，BP神经网络具有很强的非线性映射能力，它能够学习和存储大量输入-输出模式映射关系，而无需事先了解描述这种映射关系的数学方程。其次，BP神经网络训练后会将所提取的样本中的非线性映射关系存储在权值矩阵中，在其后的工作阶段，当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射，而BP神经网络也允许输入样本中带有较大误差甚至个别的错误。最后，环冷机不同鼓风机对应的区域内温度之间存在耦合关系，并伴随有其他外界干扰因子，利用BP神经网络一般采用的连接函数更容易进行选择和调整。综上分析，本发明实施例的模型采用BP神经网络模型较为合适。

在确定好神经网络模型后，就要对神经网络模型中具体网络结构进行设计，其中，确定BP网络结构包含确定网络隐层数目及各隐层神经元数目两个方面的内容。由于只要隐层神经元数目足够，具有一个隐层的BP网络可以以任意精度逼近任意复杂的非线性函数，因此，通常可以用含有一个隐层的BP网络进行模型的建立。而隐层神经元个数的确定则需要试算来确定，神经元数目不足时不能充分学习训练样本中的信息，而神经元数目过多时则影响网络的泛化能力。因此，本发明实施例中对神经网络的建立利用了试凑法的原则，即先确定输入结点的个数，改变隐层神经元结点的个数，利用输出结点的识别精度来最后决定隐层结点的个数。

进一步的，连接函数的选择也是非线性拟合的关键所在，不同的连接函数具有不同的信息处理特性，它可以决定函数的收敛速度和最终拟合的精度。连接函数主要有阈值型变换函数、非线性变换函数、线性变换函数、分段线性变换函数和概率型变换函数几种类型。

本发明实施例采用了非线性变换函数中的logsig函数和线性变换中的purelin函数。

其中，logsig函数为实数域R到[0,1]闭集的非减连续性函数，其特点是本身以及其导数都具有连续性，因而在处理上十分方便。

logsig函数的定义如下：

这种函数的优势在于其对于非线性函数的拟合非常方便，而其值域范围限制在[0,1]上又使得拟合函数的奇点较少。

peurlin函数即线性函数，在一般情况下可以根据调整c的大小来加快并减少收敛速度，也可以拟合一些变化幅度跨度较大的函数。

peurlin函数的定义如下：

f(x)＝cx

在上述构建好神经网络结构后，接下来是对模型输入、输出数据的样本数据选取。标定数据即人为地创造出实验条件，从而获得需要的数据。本发明实施例为了获得理想的神经网络模型，标定方法根据实现设备分为变频器频率调节或风机风门开度调节两种。

具体的，第一种方法为变频器频率调节实现方案，即按照频率由大到小和由小到大两个方向逐一改变环冷风机变频器的频率，在系统稳定后，环冷机中各温区的温度会发生相应的变化。第二种方法为风机风门开度调节实现方案，即按照风门开度由大到小和由小到大两个方向逐一改变环冷风机风门的开度，在系统稳定后，环冷机中各温区的温度会发生相应的变化。

进而，神经网络模型的输入参数即为环冷机风机调整的理想温度，即当每台环冷风机对应区域温度变化时，认为其他风机对应区域温度不受影响，这种情况并没有考虑区域之间的温度耦合以及温度调整的大滞后性。而实际上这种影响则反映在实际温度上，即模型的输出值上。因此，神经网络模型的训练过程，就是获取这种多变量输入-多变量输出非线性关系中的输入和输出样本。为了正确反映这种关系，首先标定实验需要模拟出烧结机正常生产状态下的条件，其次，按照频率和/或风门开度由大到小和由小到大两个方向逐一变化使鼓风机的输出风量改变,从而改变所对应区域的温度，待输入特征参数保持相对稳定时记录下此时的输出参数及特征输入参数。

在具体实施过程中，可以将鼓风机的频率和/或风门开度设置到一定值后，先将各温区之间的电动阀门关闭将各温区隔开，即不考虑温度耦合等影响因素的理想温度作为样本数据的输入参数，然后再打开区域之间的电动阀门，记录下各温区稳定后的温度，即相互影响之后的耦合温度，作为样本数据的输出参数。

为了方便取样，可以按照预设调整次序，依次将所述各个温区对应的鼓风机的频率或风门按照从小到大和到小的方向进行调整，并且在对所述环冷机中一个鼓风机的频率或风门进行调整时，其它鼓风机输出风量保持不变。当所有环冷风机都完成指定温度变化操作后即完成样本数据的选取过程。

下面将以图3中的环冷机为例进行举例说明，设计鼓风机的变频器变频调节实现方案。具体的，将其中一台环冷风机变频器的频率在0％～100％的范围内按照调节方向为由大到小再由小到大的方向调节，每隔10％作为一个采样点，并记录各采样点下所有区域的理想温度和耦合温度。同样的，若为风机风门开度调节实现方案，则将其中一台环冷风机的风门开度0％～100％的范围内按照调节方向为由大到小再由小到大的方向调节，每隔10％作为一个采样点，并记录各采样点下所有区域的理想温度和耦合温度。这样每一台风机的变化记录下21个采样点对应的样本值，5台环冷风机则记录下105个样本值，获取这105个样本值。

步骤S220：将所述各个温区的理想温度和耦合温度分为样本集数据和验证集数据。

即将步骤S210中采集的数据划分为训练数据和测试数据。用已知的训练样本对神经网络进行训练，当网络学习收敛后，需要先用测试数据检验神经网络的性能才能用于实际生产中。

步骤S230：将所述样本集数据中的理想温度和耦合温度分别作为输入变量和输出变量对神经网络进行训练，得到训练后的神经网络模型。

神经网络的性能包含两方面的意义：一方面是神经网络对训练样本的学习情况，即神经网络是否已经将隐含在训练样本中的非线性映射关系学习充分，这可以通过收敛条件进行控制；另一方面是神经网络的泛化能力，即神经网络对训练样本集以外的特征点的正确映射能力，这可以通过利用己知输出的检测样本进行检验。当训练样本、检测样本的正确评估率均高于预定值时，说明网络性能优良才可以用于凝视点定位的评估，否则就需要进一步判断是什么原因导致网络正确评估率过低，并调整网络或训练样本集重新训练网络，直至网络性能达到要求。

在环冷机温度控制神经网络模型中，往往会受到环冷机外部温度以及烧结矿烧成分等影响，因此在神经网络的训练过程中需要加强有针对性的适应训练，并设计出合适的训练方法达到最好的效果。

步骤S240：将所述验证集数据中的理想温度输入到所述训练后的神经网络模型中，得到实际输出温度。

步骤S250：分别判断所述验证集数据中理想温度对应的耦合温度与实际输出温度之间的差值是否小于预设误差值。

在检验时，我们利用验证集数据来检验网络的性能，将输入特征参数输入到训练好的模型中，计算出所建立神经网络模型对测试集的误差公式为：

在公式(2)中，d是期望输出，o是实际输出，p和l分别是测试样本的数量和输出向量，E_T为模型的误差值。当所有测试样本测试结束后，满足E_T≤E时，模型符合要求。反之，E_T>E时，则重新进行网络训练。

比如，配有5台环冷风机的环冷机，将标定过程所获得的标定样本即105个标定数据分为样本集数据和验证集数据，一般取其中的90％作为样本集数据，另外10％作为验证集数据，用90％的样本集数据对神经网络模型训练后，再利用验证集数据按照误差公式进行检验，满足条件时训练完成；不满足条件时，则返回步骤S230对神经网络模型参数进行调整后再进行训练，直到获得理想的神经网络模型。

步骤S260：如果小于预设误差值，则将训练后的神经网络模型作为最终的神经网络模型。

这样，在本步骤得到的神经网络模型便可以供步骤S120进行温度预测使用。

步骤S130：分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度。

结合上述根据环冷机料面温度范围将环冷机划分为高温区和低温区，以及高温区设置烟气温度检测、低温区设置料面温度检测的温区划分和检测方式，本实施例还提供了针对不同温区的温度判断方法，具体如下：

1)如果所述环冷机的温区为高温区，则判断各个所述高温区的预测温度是否超出其对应温区的第一温度阈值。

例如，第1台鼓风机11所对应的环冷机烟气温度控制阈值范围为300℃～500℃；第2鼓风机12所对应的环冷机烟气温度控制阈值为220℃～350℃；第2鼓风机13所对应的环冷机烟气温度控制阈值为150℃～250℃。

如果有高温区的预测温度超出其对应温区的温度阈值，则执行步骤S140，否则，则结束。

2)如果为低温区，由于涉及到环冷机输出烧结矿的温度，为了保证系统安全运行，本实施例设置了两个温度阈值，以及针对不同阈值的温控策略，具体如下：

a、如果所述环冷机的温区为低温区，则判断各个所述低温区的预测温度是否超出其对应温区的第二温度阈值。

如果有低温区的预测温度超出其对应温区的第二温度阈值，则执行步骤b，否则，则结束。

b、如果各个所述低温区中至少一个低温区的预测温度超出其对应温区的第二温度阈值，则判断超出所述第二温度阈值的低温区的预测温度是否超出其对应温区的第三温度阈值。

如果有低温区的预测温度超出其对应温区的第三温度阈值，则执行步骤联锁处置，否则，则执行步骤S140。

例如，第4台鼓风机14所对应的环冷机料面温度第二温度阈值范围为160℃～100℃，第三温度阈值为200℃，高于160℃而低于200℃或者低于100℃时进行第4台鼓风机的排风量调节，高于200℃时进行联锁处置，如环冷机停机或同时调整其它鼓风机排风量等；第5台鼓风机15的排风量调节，所对应的环冷机料面温度第二温度阈值范围为100℃～80℃，第三温度阈值为120℃，高于80℃而低于120℃或者低于80℃时第5台鼓风机15的排风量调节，高于120℃时进行联锁处置。

步骤S140：如果至少有一个温区的预测温度超出其温区对应的温度阈值时，则分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节。

高温区内对于烟气温度的检测控制策略为：在设定温度控制范围内不进行控制，低于温度控制范围时进行相应的鼓风机排风量调节，高于控制范围时同样进行鼓风机排风量调节。低温区内对于料面温度的检测控制策略为：温度在控制范围内不进行调节，低于温度控制范围时进行鼓风机排风量调节，温度高于温度控制范围而低于联锁停机范围时同样进行鼓风机排风量调节，温度高于联锁范围时进行环冷机联锁处置。

其中，在进行鼓风机排风量调节时，本发明实施例采用PID调节的方式，PID调节时根据先进控制方法进行区间控制。具体的，PID调节可以通过调节鼓风机变频器的频率或者风机风门的开度来实现鼓风机排风量的调节，进而实现对对应温区温度的调节。

例如，第一台鼓风机11对应区域1#的预测烟气温度超出温度控制范围上限500℃时，则对第一台鼓风机11开始进行PID调节。同时，判断其他鼓风机对应区域通过神经网络输出的预测值中是否有超出控制范围的，若超出则同样根据控制策略进行调整。

本实施例提供的环冷机温度控制方法，根据环冷机低温区料温对鼓风机进行变频调速控制或者风门开度大小调节控制，确保合适的环冷机出口温度，最大限度保证系统安全平稳运行；并且根据环冷机高温区烟气温度对鼓风机进行变频调速控制或者风门开度大小调节控制，提升对环冷机废气的合理利用。同时，本方法根据实际生产情况调节鼓风机运转频率或者风门开度，也可以起到节约能源消耗和合理配置环冷风机的效果。

针对上述控制方法，如图3所述，在本实施例提供的基于神经网络的环冷机温度控制系统中：设置在所述环冷机各个温区中的温度检测装置(图中标号31～35)，用于获取所述各个温区的当前检测温度；分别与所述温度检测装置连接的温度预测装置40，用于将所述各个温区的当前检测温度输入其内部预先训练好的神经网络模型中，输出所述各个温区温度耦合后的预测温度；与所述温度预测装置连接的温度控制装置，用于分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度，以及，如果至少有一个温区的预测温度超出其温区对应的温度阈值时，则分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节。

其中，对于环冷机中各鼓风机的温度控制装置，可以设置为鼓风机频率调节控制单元、或者鼓风机风门开度调节控制单元。其中鼓风机频率调整控制单元包括变频器及软件控制部分，鼓风机风门开度调节控制单元包括风机风门及软件控制部分，可分别通过调整每台鼓风机的频率或者风门开度大小来调节环冷机各温区的烟气和料面温度。

为进一步保证烧结系统的运行安全，本实施例提供的控制系统还包括联锁温度检测装置，该设置在环冷机的下游设备板式给矿机的出口处，用于检测板式给矿机出口处的料面温度。同时，上述温度控制装置40还与该联锁温度检测装置连接，用于判断所述板式给矿机出口处的料面温度是否超出联锁控制温度阈值，以及，如果超出联锁控制温度阈值，则对环冷机进行联锁处置。

其中，该联锁温度检测装置可以设计为红外温度计来检测料面温度。同样的，对于环冷机低温区的温度检测装置，也可以设计为红外温度计来检测料面温度，高温区的温度检测装置，可以设计为K型热电偶计来检测烟气温度，当然，并不限于本实施例的装置，例如，还可以根据实际需要在高温区设计红外温度计来检测料面温度等。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (9)

1.一种基于神经网络的环冷机温度控制方法，其特征在于，所述方法包括：

利用设置在环冷机各个温区的温度检测装置，分别获取所述各个温区的当前检测温度；

将所述各个温区的当前检测温度输入预先训练好的神经网络模型中，输出所述各个温区温度耦合后的预测温度；

分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度；

如果至少有一个温区的预测温度超出其温区对应的温度阈值时，则分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节；

其中，所述神经网络模型的训练方法包括：

分别将所述各个温区对应的鼓风机输出风量设定为不同的值，获取不同输出风量对应的所述各个温区的理想温度、以及与所述理想温度对应的耦合温度；

将所述各个温区的理想温度和耦合温度分为样本集数据和验证集数据；

将所述样本集数据中的理想温度和耦合温度分别作为输入变量和输出变量对神经网络进行训练，得到训练后的神经网络模型；

将所述验证集数据中的理想温度输入到所述训练后的神经网络模型中，得到实际输出温度；

分别判断所述验证集数据中理想温度对应的耦合温度与实际输出温度之间的差值是否小于预设误差值；

如果小于预设误差值，则将训练后的神经网络模型作为最终的神经网络模型。

2.根据权利要求1所述的方法，其特征在于，利用设置在环冷机各个温区的温度检测装置，分别获取所述各个温区的当前检测温度，包括：

根据环冷机烟气或料面温度范围，将所述环冷机划分为至少一个高温区和至少一个低温区；

利用设置在所述至少一个高温区和至少一个低温区中的温度检测装置，分别获取所述至少一个高温区的烟气或料面检测温度、以及所述至少一个低温区的烟气或料面检测温度。

3.根据权利要求1所述的方法，其特征在于，所述环冷机各个温区的划分方法包括：

将所述环冷机中同一个鼓风机对应风箱所在的位置划分为一个温区。

4.根据权利要求1所述的方法，其特征在于，分别将所述各个温区对应的鼓风机输出风量设定为不同的值，包括：

按照预设调整次序，依次将所述各个温区对应的鼓风机的频率或风门按照从小到大和从大到小的方向进行调整，其中，在对所述环冷机中一个鼓风机的频率或风门进行调整时，其它鼓风机输出风量保持不变。

5.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括BP神经网络模型，所述BP神经网络模型中的连接函数包括非线性变换函数中的logsig函数和线性变换中的purelin函数。

6.根据权利要求1所述的方法，其特征在于，分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度，包括：

如果所述环冷机的温区为高温区，则判断各个所述高温区的预测温度是否超出其对应温区的第一温度阈值；

如果所述环冷机的温区为低温区，则判断各个所述低温区的预测温度是否超出其对应温区的第二温度阈值；

如果各个所述低温区中至少一个低温区的预测温度超出其对应温区的第二温度阈值，则判断超出所述第二温度阈值的低温区的预测温度是否超出其对应温区的第三温度阈值，其中，第三温度阈值的温度值大于第二温度阈值的温度值。

7.根据权利要求1所述的方法，其特征在于，分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节，包括：

根据超出其温度阈值的温区的预测温度和对应的预设控制策略，对所述超出其温度阈值的温区对应的鼓风机输出风量进行比例积分微分PID调节或对所述环冷风机进行联锁处置。

8.一种基于神经网络的环冷机温度控制系统，其特征在于，所述系统包括：

温度检测装置：分别设置在所述环冷机各个温区中，用于获取所述各个温区的当前检测温度；

温度预测装置：分别与所述温度检测装置连接，用于将所述各个温区的当前检测温度输入预先训练好的神经网络模型中，输出所述各个温区温度耦合后的预测温度；

温度控制装置：与所述温度预测装置连接，用于分别判断所述各个温区的预测温度是否超出其温区对应的温度阈值度，以及，如果至少有一个温区的预测温度超出其温区对应的温度阈值时，则分别对超出其温度阈值的温区对应的鼓风机输出风量进行调节；

其中，所述神经网络模型的训练方法包括：

分别将所述各个温区对应的鼓风机输出风量设定为不同的值，获取不同输出风量对应的所述各个温区的理想温度、以及与所述理想温度对应的耦合温度；

将所述各个温区的理想温度和耦合温度分为样本集数据和验证集数据；

将所述样本集数据中的理想温度和耦合温度分别作为输入变量和输出变量对神经网络进行训练，得到训练后的神经网络模型；

将所述验证集数据中的理想温度输入到所述训练后的神经网络模型中，得到实际输出温度；

分别判断所述验证集数据中理想温度对应的耦合温度与实际输出温度之间的差值是否小于预设误差值；

如果小于预设误差值，则将训练后的神经网络模型作为最终的神经网络模型。

9.根据权利要求8所述的系统，其特征在于，所述系统还包括：

联锁温度检测装置：设置在板式给矿机的出口处，用于检测所述板式给矿机出口处的料面温度；

所述温度控制装置：还与所述联锁温度检测装置连接，用于判断所述板式给矿机出口处的料面温度是否超出联锁控制温度阈值，以及，如果超出联锁控制温度阈值，则对所述环冷机进行联锁处置。