CN109492335B - 一种退火炉炉温预测方法及系统 - Google Patents

Abstract

本发明提供了一种退火炉炉温预测方法及系统，其方法包括：首先建立基于SVR的退火炉炉温预测模型，然后采用神经网络的十折交叉验证方法和采集的原始生产数据对建立的模型进行训练，最后设定实际的生产参数并结合实时采集的现场生产数据，利用训练好的炉温预测模型对退火炉炉温进行预测。本发明的有益效果是：本发明提出的技术方案可对退火炉实际生产起到很好的预测指导作用，对退火炉板温控制提供有效的控制依据，降低退火炉生产过程中钢卷超温报警比例，改善生产环境，保障生产过程安全稳定。

Description

一种退火炉炉温预测方法及系统

技术领域

本发明涉及冶金领域，尤其涉及一种退火炉炉温预测方法及系统。

背景技术

目前涟钢冷轧热镀锌退火炉采用一级PLC交叉限幅PID控制结合新日铁的二级模型机控制，自投产以来由于环境的多变性、生产工艺过程的复杂性、以及冷轧钢卷品种规格的增加，导致温度控制速度、精度、适应性无法满足实际生产需求。随着智能控制技术与计算机技术的迅速发展，退火炉计算机控制系统的应用日趋广泛，实现了生产过程自动化，退火炉温度控制水平得到显著提高。因此，退火炉中板温控制技术和控制系统的研究受到广泛的关注。

目前，对退火炉的温度控制研究方法从传统的方法到当今流行的机器学习控制方法都有一定涉及：传统PID控制作为经典控制方法，其算法简单，易于实现，具有清晰的控制结构，易于调节。通过设计PID控制器进行退火炉板温控制，该方法简单，但是不能解决频繁的规格变化带来的温度波动问题。在动态性能、抗干扰能力以及稳态精度上，PID控制已经满足不了现代工艺要求，不适用于大惯性和大滞后系统；模糊智能控制系统采用了PC总线式工业控制机，通过原有的以仪表为主要控制装置的串级比值控制系统进行改造，实现了对炉温、燃油、空气流量等的有效调节，但模糊控制精度不够高；专家控制方法是专家系统应用到退火炉温度控制系统中，利用专家系统能够模拟专家思维过程对复杂问题进行推理的特性，推理得出退火炉控制参数，然而专家系统的推理机制和知识获取难度大，推理出的专家知识的准确性不高，调整时间较长；神经网络建立连续退火炉动态数学模型，基于模型实现退火炉温度智能控制，满足了工业过程在线应用的特点，但是神经网络结构中各层神经元数目确定困难，训练开销大，参数调节困难。

由此可见，基于智能控制方法的退火炉温度控制系统还存在一定的缺陷，控制方法复杂，有待进一步的研究。而基于预测控制方法的退火炉温度控制系统能及时有效地抑制干扰对板温的影响，易于在实际生产中应用，且能够有效提高退火炉板温控制精度。因此基于预测控制方法来实现退火炉炉温控制，建立炉温预测模型，从而提高炉温预测精度。

发明内容

为了解决针对冷轧连退生产线中工况切换时多个过程变量与期望板温目标的改变，从而导致分区炉温的波动，导致影响钢卷的性能质量甚至造成长时间超出安全阈值而引发事故的问题，本发明提供了一种退火炉炉温预测方法及系统，一种退火炉炉温预测方法，主要包括以下步骤：

S101：获取退火炉原始生产数据；所述原始生产数据包括：煤气燃烧的体积N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、设定的出炉板温N₆、分配的煤气流量d_n和实际炉温；其中，n＝1,2,3,…,m，m为退火炉RTF段的分区数量；

S102：对获取的退火炉原始生产数据进行预处理，得到预处理后符合SVR模型的生产数据；

S103：建立基于SVR的退火炉RTF段分区炉温预测模型，并利用预处理后的符合SVR模型的生产数据对模型进行训练，得到训练后的炉温预测模型；

S104：设定退火炉的出炉板温N₆和总下发的煤气流量N₁，同时获取退火炉生产过程中的实时生产数据；并根据总下发的煤气流量N₁和分区煤气流量下发策略，计算得到各分区分配的煤气流量d_n；所述实时生产数据包括：板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅；

S105：根据总下发的煤气流量N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、出炉板温N₆和各分区分配的煤气流量d_n，采用训练后的炉温预测模型对退火炉的分区炉温进行预测，得到退火炉RTF段的各分区预测炉温T_n。

进一步地，步骤S102中，预处理的步骤包括：

S201：数据筛选：采用限幅滤波的方法，剔除不符合工艺条件和异常工况的数据；

S202：采用范围标准化的方法对数据进行标准化，如公式(1)所示：

上式中X_ij为原始生产数据；

为标准化后的第i个样本的第j个变量；X_jmin和X_jmax分别表示样本集中变量j的最小和最大值；i和j的值均大于0。

进一步地，步骤S103中，训练后的炉温预测模型如公式(2)所示：

上式中，K(x(i),x(j))为核函数，

为非线性映射函数，用于将输入样本数据非线性地映射到更高维特征空间；α(j)和α^*(j)分别为Lagrange函数及Lagrange乘子；约束条件：

C为平衡因子，控制对超出误差的样本的惩罚程度，为预设值；x(i)＝[d_n(i),N₁(i),N₂(i),N₃(i),N₄(i),N₅(i),N₆(i)]^T；i＝1,2,3,…,n；n为样本个数；j>0,为样本i的变量，且为预设值，一个样本内有若干个变量不同的数据点；x()为第i个样本x()中的第j个变量，j＝1,2,…,l；l为每个样本中变量的数量；b为偏置，通过KKT条件求得。

进一步地，步骤S103中，采用神经网络中的十折交叉验证方法对退火炉RTF段分区炉温预测模型进行训练。

进一步地，步骤S104中，所述分区煤气流量下发策略具体如下：

增加煤气流量时：按照退火炉各分区编号从高到低的顺序将煤气流量依次增加到各区不超过对应区炉温上限值的最高煤气流量值；

减少煤气流量时：按照退火炉各分区编号从低到高的顺序将煤气流量依次减少到各区不低于对应区炉温下限值的最低煤气流量值。

进一步地，一种退火炉炉温预测系统，其特征在于：包括以下模块：

原始生产数据获取模块，用于获取退火炉原始生产数据；所述原始生产数据包括：煤气燃烧的体积N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、设定的出炉板温N₆、分配的煤气流量d_n和实际炉温；

预处理模块，用于对获取的退火炉原始生产数据进行预处理，得到预处理后符合SVR模型的生产数据；

预测模型建立模块，用于建立基于SVR的退火炉RTF段分区炉温预测模型，并利用预处理后的符合SVR模型的生产数据对模型进行训练，得到训练后的炉温预测模型；

实时生产数据获取模块，用于设定退火炉的出炉板温N₆和总下发的煤气流量N₁，同时获取退火炉生产过程中的实时生产数据；并根据总下发的煤气流量N₁和分区煤气流量下发策略，计算得到各分区分配的煤气流量d_n；所述实时生产数据包括：板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅；

炉温预测模块，用于根据总下发的煤气流量N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、出炉板温N₆和各分区分配的煤气流量d_n，采用训练后的炉温预测模型对退火炉的分区炉温进行预测，得到退火炉RTF段的各分区预测炉温T_n。

进一步地，预处理模块中，预处理的步骤包括如下单元：

数据筛选单元，用于数据筛选：采用限幅滤波的方法，剔除不符合工艺条件和异常工况的数据；

数据标准化单元，用于采用范围标准化的方法对数据进行标准化，如公式(3)所示：

上式中X_ij为原始生产数据；

为标准化后的第i个样本的第j个生产数据；X_jmin和X_jmax分别表示样本集中变量j的最小和最大值；i和j均大于0。

进一步地，预测模型建立模块中，训练后的炉温预测模型如公式(4)所示：

上式中，K(x(i),x(j))为核函数，

为非线性映射函数，用于将输入样本数据非线性地映射到更高维特征空间；α(j)和α^*(j)分别为Lagrange函数及Lagrange乘子；约束条件：

C为平衡因子，控制对超出误差的样本的惩罚程度，为预设值；x(i)＝[d_n(i),N₁(i),N₂(i),N₃(i),N₄(i),N₅(i),N₆(i)]^T；i＝1,2,3,…,n；n为样本个数；j>0,为样本i的变量，且为预设值，一个样本内有若干个变量不同的数据点；x(j)为第i个样本x(i)中的第j个变量，j＝1,2,…,l；l为每个样本中变量的数量；b为偏置，通过KKT条件求得。

进一步地，预测模型建立模块中，采用神经网络中的十折交叉验证方法对退火炉RTF段分区炉温预测模型进行训练。

进一步地，实时生产数据获取模块中，所述分区煤气流量下发策略具体如下：

增加煤气流量时：按照退火炉各分区编号从高到低的顺序将煤气流量依次增加到各区不超过对应区炉温上限值的最高煤气流量值；

减少煤气流量时：按照退火炉各分区编号从低到高的顺序将煤气流量依次减少到各区不低于对应区炉温下限值的最低煤气流量值。

本发明提供的技术方案带来的有益效果是：本发明提出的技术方案可对退火炉实际生产起到很好的预测指导作用，对退火炉板温控制提供有效的控制依据，降低退火炉生产过程中钢卷超温报警比例，改善生产环境，保障生产过程安全稳定。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例中一种退火炉炉温预测方法的流程图；

图2是本发明实施例中一种退火炉炉温预测系统的模块组成示意图；

图3是本发明实施例中SVR模型和BP模型预测结果对比示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明的实施例提供了一种退火炉炉温预测方法及系统。

请参考图1，图1是本发明实施例中一种退火炉炉温预测方法的流程图，具体包括如下步骤：

S101：获取退火炉原始生产数据；所述原始生产数据包括：煤气燃烧的体积N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、设定的出炉板温N₆、分配的煤气流量d_n和实际炉温；其中，n＝1,2,3,…,m，m为退火炉RTF段的分区数量；

S102：对获取的退火炉原始生产数据进行预处理，得到预处理后符合SVR模型的生产数据；

预处理的步骤包括：

S201：数据筛选：采用限幅滤波的方法，剔除不符合工艺条件和异常工况的数据；

S202：采用范围标准化的方法对数据进行标准化，如公式(1)所示：

上式中X_ij为原始生产数据；

为标准化后的第i个样本的第j个生产数据；X_jmin和X_jmax分别表示样本集中变量j的最小和最大值；i和j均大于0；

S103：建立基于SVR的退火炉RTF段分区炉温预测模型，并利用预处理后的符合SVR模型的生产数据对模型进行训练，得到如公式(2)所示的训练后的炉温预测模型：

上式中，K(x(i),x(j))为核函数，

为非线性映射函数，将输入样本数据非线性地映射到高维特征空间；α(j)和α^*(j)分别为Lagrange函数及Lagrange乘子；s.t.

C为平衡因子，控制对超出误差的样本的惩罚程度，为预设值；x(i)＝[d_n(i),N₁(i),N₂(i),N₃(i),N₄(i),N₅(i),N₆(i)]^T；i＝1,2,3,…,n；n为样本个数；j>0,为样本i的变量，一个样本内有若干个变量不同的数据点；l为每个样本中的变量总数量；b为偏置，通过KKT(Karush-Kuhn-Tucker)条件求得；

在本发明实施例中，针对涟钢的某退火炉进行实际炉温预测模型的具体建立及训练过程如下：

应用SVR算法构建由主要影响参数到最终分区炉温间的关系模型，即T_n＝F_n(d_n、N₁、N₂、N₃、N₄、N₅、N₆)，其中n＝1,…,7。以RTF段1区炉温预测模型为例，T₁＝F₁(d₁、N₁、N₂、N₃、N₄、N₅、N₆)，根据支持向量机的基本原理，可以将该模型关系描述为，给定要辨识系统的7维空间的样本数据集合，如公式(3)所示：

非线性函数映射

R⁷→R将7维空间的输入样本数据非线性地映射到更高维特征空间。那么就在高维特征空间里构造了最优函数

这样将输入空间里的非线性函数估计问题转化到高维特征空间中的线性函数估计问题。为了获得在特征空间里的线性函数需要求解下式优化问题，该优化问题是为了获得一个结构风险最小化，如公式(4)所示：

上式中，C为平衡因子，控制对超出误差的样本的惩罚程度。支持向量回归机的损失函数是引入一个ε不敏感损失函数，如公式(5)所示：

上式中，ε为不敏感损失函数参数，它对于误差小于ε的输入量不进行惩罚，ε取值大小影响支持向量的数目。当ε取值较大时支持向量的数目下降，模型精度较低；当ε取值较小时支持向量的数目会增多，同时模型精度会提高。支持向量机通过采用ε不敏感损失函数在高维特征空间完成线性回归，同时通过最小化||ω||²来减小模型的复杂度，在考虑到允许拟合误差的情况，也引入了非负的松弛变量ξ,ξ^*≥0。通过引入为Lagrange函数及Lagrange乘子α(i),α^*(i),η(i),η^*(i)，可以将式(4)在约束条件下的函数求极值问题转换为其对应的对偶优化问题，如公式(6)所示：

上式中

径向基函数K(x(i),x(j))为核函数。

在求解式(6)之后，可以获得如公式(7)所示的回归函数：

上式中，b为偏置，通过KKT(Karush-Kuhn-Tucker)条件得偏置b为：

式(7)即为退火炉RTF段1区(整个RTF段共有7个区)的炉温预测模型，同理，也可以得到其他6个区的炉温预测模型，其他6个区的炉温预测模型与式(7)一致。

S104：设定退火炉的出炉板温N₆和总下发的煤气流量N₁，同时获取退火炉生产过程中的实时生产数据；并根据总下发的煤气流量N₁和分区煤气流量下发策略，计算得到各分区分配的煤气流量d_n；所述实时生产数据包括：板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅；其中，板厚N₂、板宽N₃、和生产速度N₄，通过工业PLC获取；实际进炉板温N₅通过安装于退火炉入口处的红外测温仪测量获得；

所述分区煤气流量下发策略，具体为：

增加煤气流量时：按照退火炉各分区编号从高到低的顺序将煤气流量依次增加到各区不超过对应区炉温上限值的最高煤气流量值；

减少煤气流量时：按照退火炉各分区编号从低到高的顺序将煤气流量依次减少到各区不低于对应区炉温下限值的最低煤气流量值。

本实施例针对涟钢某退火炉具体生产工艺进行如下举例说明(以4个区为例)：

增加煤气流量时：按照4区→3区→2区→1区的顺序将煤气流量增加到本区不超过炉温上限值的最高煤气流量。即不超过4区炉温上限1280℃的情况下可以将煤气流量最高加到850Nm³/h，如果炉温即将超限或850Nm³/h已加满，则考虑将煤气流量加到3区，若3区即将超过炉温上限1280℃或650Nm³/h已满，则进行2区操作，最后进行1区操作；

减少煤气流量时，按照1区→2区→3区→4区的顺序减少至本区下限。首先从1区减少至煤气流量值200Nm³/h，再依次减少2区，3区和4区。

数据统计中存在1200-1300Nm³/h总煤气流量时，同时打开4个区，123区的煤气流量下限值为150Nm³/h，但是再细化总煤气流量区间为四个时会造成操作工人的操作困难，所以都统一到最低限为200Nm³/h，当煤气流量低于1300Nm³/h时开始关区。

S105：根据总下发的煤气流量N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、出炉板温N₆和各分区分配的煤气流量d_n，采用训练后的炉温预测模型对退火炉的分区炉温进行预测，得到退火炉RTF段的各分区预测炉温T_n。

请参阅图2，图2是本发明实施例中一种退火炉炉温预测系统的模块组成示意图，其特征在于，该系统包括顺次连接的原始生产数据获取模块11、预处理模块12、预测模型建立模块13、实时生产数据获取模块14和炉温预测模块15；

原始生产数据获取模块11，用于获取退火炉原始生产数据；所述原始生产数据包括：煤气燃烧的体积N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、设定的出炉板温N₆、分配的煤气流量d_n和实际炉温；

预处理模块12，用于对获取的退火炉原始生产数据进行预处理，得到预处理后符合SVR模型的生产数据；

预测模型建立模块13，用于建立基于SVR的退火炉RTF段分区炉温预测模型，并利用预处理后的符合SVR模型的生产数据对模型进行训练，得到如公式(8)所示的训练后的炉温预测模型：

上式中，K(x(i),x(j))为核函数，

为非线性映射函数，将输入样本数据非线性地映射到更高维特征空间；α(j)和α^*(j)分别为Lagrange函数及Lagrange乘子；约束条件：

C为平衡因子，控制对超出误差的样本的惩罚程度，为预设值；x(i)＝[d_n(i),N₁(i),N₂(i),N₃(i),N₄(i),N₅(i),N₆(i)]^T；n＝1,…,7，代表退火炉RTF段七个分区炉温的编号；i＝1,2,3,…,n；n为样本个数；j>0,为变量，且为预设值，一个样本内有若干个变量不同的数据点；l为每个样本中的变量总数量；b为偏置，通过KKT(Karush-Kuhn-Tucker)条件求得；

实时生产数据获取模块14，用于设定退火炉的出炉板温N₆和总下发的煤气流量N₁，获取退火炉生产过程中的实时生产数据；并根据总下发的煤气流量N₁和分区煤气流量下发策略，计算得到各分区分配的煤气流量d_n；所述实时生产数据包括：板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅；其中，板厚N₂、板宽N₃、和生产速度N₄，通过工业PLC获取；实际进炉板温N₅通过安装于退火炉入口处的红外测温仪测量获得；

炉温预测模块15，用于根据总下发的煤气流量N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、出炉板温N₆和各分区分配的煤气流量d_n，采用训练后的炉温预测模型对退火炉的分区炉温进行预测，得到退火炉RTF段的各分区预测炉温。

在本实施例中，预处理的步骤包括如下单元：

数据筛选单元，用于数据筛选：采用限幅滤波的方法，剔除不符合工艺条件和异常工况的数据；

数据标准化单元，用于采用范围标准化的方法对数据进行标准化，如公式(9)所示：

上式中X_ij为原始生产数据；

为标准化后的第i个样本的第j个生产数据；X_jmin和X_jmax分别表示样本集中变量j的最小和最大值；i和j均大于0；

在本实施例中，采用神经网络中的十折交叉验证方法对退火炉RTF段分区炉温预测模型进行训练。

在本实施例中，实时生产数据获取模块中，所述分区煤气流量下发策略具体如下：

增加煤气流量时：按照退火炉各分区编号从高到低的顺序将煤气流量依次增加到各区不超过对应区炉温上限值的最高煤气流量值；

减少煤气流量时：按照退火炉各分区编号从低到高的顺序将煤气流量依次减少到各区不低于对应区炉温下限值的最低煤气流量值。

在本实施例中，基于机理分析的方法，选择出影响退火炉炉温的关键因素，根据关键因素获取对应的原始生产数据，并根据关键因素，确定SVR炉温预测模型的输入。以下是机理分析的具体过程：

煤气燃烧过程必须遵循能量守恒定律，即煤气燃烧释放的热量Q_g与板温变化产生的热量和炉体温度变化产生的热量Q_f的总量守恒，如式(10)所示：

Q_g＝Q_f+Q_c (10)

能够直接反映炉体和钢板热量变化的参数即为由热电偶测的炉温和红外测温仪测得的板温。由于炉体为复杂的工业设备，对应吸热能力没有准确的计算方法，所以Q_f的值很难直接得到，但是根据煤气燃烧热量计算公式和固体热量变化原理，Q_g和Q_c的计算如公式(11)：

式中q为煤气热值且一般为常数；N₁为煤气燃烧的体积；c为钢铁的比热容；m为炉中加热钢板的质量；ρ为钢铁的密度；N₂和N₃分别为钢板的厚度和宽度；N₄t表示钢板在N₄的生产速度下t时间内通过的长度；ΔT_c则表示为钢板进入RTF段前后的板温变化量。

因为各区炉温T_n与炉体总吸热Q_f及分区炉体吸热Q_{f_n}直接相关，其中n＝1,…,7。结合式(10)和(11)，可分析得知：影响生产状况下T_n的变量包括N₁、N₂、N₃、N₄和ΔT_c，而ΔT_c则需要使用进炉板温N₅和设定出炉板温N₆计算，同时各分区所分配的煤气流量d_n也会对T_n产生重要影响，所以和单分区炉温相关的变量因素主要有7个，可以据此构建RTF段分区炉温预测模型。

根据模型的输入输出结构，从现场采集了钢板在稳定工况生产时对应母钢卷的信息和实时生产的数据，再经过数据预处理后得到有效数据共413组，训练集数据包含300组，测试集数据为113组。

在使用SVR方法进行建模的同时，也利用工业现场建模广泛使用的BP神经网络方法进行对比验证，两种算法使用相同的数据集进行训练和测试，以其构建的RTF段7区炉温预测模型为例，模型在测试集的验证结果如图3所示。

退火炉RTF段炉温稳定范围较小，所以对预测精度要求较高，在现场一般要求预测误差在±5℃之内的数据占比达到80％以上；同时最大偏差不能超过20℃，否则就认为模型无效。据此标准可以对SVR模型和BP神经网络模型的预测结果进行评估，其统计结果如表1所示。

表1 SVR模型和BP模型统计结果对比

由表1可知，SVR模型在预测精度和最大偏差均优于BP神经网络模型且满足现场要求，所以可以投入现场使用对分区煤气流量进行多目标优化。

本发明的有益效果是：本发明提出的技术方案可对退火炉实际生产起到很好的预测指导作用，对退火炉板温控制提供有效的控制依据，降低退火炉生产过程中钢卷超温报警比例，改善生产环境，保障生产过程安全稳定。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种退火炉炉温预测方法，其特征在于：包括以下步骤：

S101：获取退火炉原始生产数据；所述原始生产数据包括：煤气燃烧的体积N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、设定的出炉板温N₆、分配的煤气流量d_n和实际炉温；其中，n＝1,2,3,…,m，m为退火炉RTF段的分区数量；

S102：对获取的退火炉原始生产数据进行预处理，得到预处理后符合SVR模型的生产数据；

S103：建立基于SVR的退火炉RTF段分区炉温预测模型，并利用预处理后的符合SVR模型的生产数据对模型进行训练，得到训练后的炉温预测模型；

S104：设定退火炉的出炉板温N₆和总下发的煤气流量N₁，同时获取退火炉生产过程中的实时生产数据；并根据总下发的煤气流量N₁和分区煤气流量下发策略，计算得到各分区分配的煤气流量d_n；所述实时生产数据包括：板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅；

S105：根据总下发的煤气流量N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、出炉板温N₆和各分区分配的煤气流量d_n，采用训练后的炉温预测模型对退火炉的分区炉温进行预测，得到退火炉RTF段的各分区预测炉温T_n；其中，所述的总下发的煤气流量等于所述的煤气燃烧的体积；

步骤S104中，所述分区煤气流量下发策略具体如下：

增加煤气流量时：按照退火炉各分区编号从高到低的顺序将煤气流量依次增加到各区不超过对应区炉温上限值的最高煤气流量值；

减少煤气流量时：按照退火炉各分区编号从低到高的顺序将煤气流量依次减少到各区不低于对应区炉温下限值的最低煤气流量值；

其中，在减少煤气流量时，各区的最低煤气流量值统一为200Nm³/h，当煤气流量低于1300Nm³/h时开始关区。

2.如权利要求1所述的一种退火炉炉温预测方法，其特征在于：步骤S102中，预处理的步骤包括：

S201：数据筛选：采用限幅滤波的方法，剔除不符合工艺条件和异常工况的数据；

S202：采用范围标准化的方法对数据进行标准化，如公式(1)所示：

上式中X_ij为原始生产数据；

为标准化后的第i个样本的第j个变量；X_jmin和X_jmax分别表示样本集中变量j的最小和最大值；i和j的值均大于0。

3.如权利要求1所述的一种退火炉炉温预测方法，其特征在于：步骤S103中，训练后的炉温预测模型如公式(2)所示：

上式中，K(x(i),x(j))为核函数，

为非线性映射函数，用于将输入样本数据非线性地映射到更高维特征空间；α(j)和α^*(j)分别为Lagrange函数及Lagrange乘子；约束条件：

C为平衡因子，控制对超出误差的样本的惩罚程度，为预设值；x(i)＝[d_n(i),N₁(i),N₂(i),N₃(i),N₄(i),N₅(i),N₆(i)]^T；i＝1,2,3,…,n；n为样本个数；j>0,为样本i的变量，且为预设值，一个样本内有若干个变量不同的数据点；x(j)为第i个样本x(i)中的第j个变量，j＝1,2,…,l；l为每个样本中变量的数量；b为偏置，通过KKT条件求得。

4.如权利要求1所述的一种退火炉炉温预测方法，其特征在于：步骤S103中，采用神经网络中的十折交叉验证方法对退火炉RTF段分区炉温预测模型进行训练。

5.一种退火炉炉温预测系统，其特征在于：包括以下模块：

原始生产数据获取模块，用于获取退火炉原始生产数据；所述原始生产数据包括：煤气燃烧的体积N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、设定的出炉板温N₆、分配的煤气流量d_n和实际炉温；

预处理模块，用于对获取的退火炉原始生产数据进行预处理，得到预处理后符合SVR模型的生产数据；

预测模型建立模块，用于建立基于SVR的退火炉RTF段分区炉温预测模型，并利用预处理后的符合SVR模型的生产数据对模型进行训练，得到训练后的炉温预测模型；

实时生产数据获取模块，用于设定退火炉的出炉板温N₆和总下发的煤气流量N₁，同时获取退火炉生产过程中的实时生产数据；并根据总下发的煤气流量N₁和分区煤气流量下发策略，计算得到各分区分配的煤气流量d_n；所述实时生产数据包括：板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅；

炉温预测模块，用于根据总下发的煤气流量N₁、板厚N₂、板宽N₃、生产速度N₄、实际进炉板温N₅、出炉板温N₆和各分区分配的煤气流量d_n，采用训练后的炉温预测模型对退火炉的分区炉温进行预测，得到退火炉RTF段的各分区预测炉温T_n；

实时生产数据获取模块中，所述分区煤气流量下发策略具体如下：

增加煤气流量时：按照退火炉各分区编号从高到低的顺序将煤气流量依次增加到各区不超过对应区炉温上限值的最高煤气流量值；

减少煤气流量时：按照退火炉各分区编号从低到高的顺序将煤气流量依次减少到各区不低于对应区炉温下限值的最低煤气流量值；

其中，在减少煤气流量时，各区的最低煤气流量值统一为200Nm³/h，当煤气流量低于1300Nm³/h时开始关区。

6.如权利要求5所述的一种退火炉炉温预测系统，其特征在于：预处理模块中，预处理的步骤包括如下单元：

数据筛选单元，用于数据筛选：采用限幅滤波的方法，剔除不符合工艺条件和异常工况的数据；

数据标准化单元，用于采用范围标准化的方法对数据进行标准化，如公式(3)所示：

上式中X_ij为原始生产数据；

为标准化后的第i个样本的第j个生产数据；X_jmin和X_jmax分别表示样本集中变量j的最小和最大值；i和j均大于0。

7.如权利要求5所述的一种退火炉炉温预测系统，其特征在于：预测模型建立模块中，训练后的炉温预测模型如公式(4)所示：

上式中，K(x(i),x(j))为核函数，

为非线性映射函数，用于将输入样本数据非线性地映射到更高维特征空间；α(j)和α^*(j)分别为Lagrange函数及Lagrange乘子；约束条件：

C为平衡因子，控制对超出误差的样本的惩罚程度，为预设值；x(i)＝[d_n(i),N₁(i),N₂(i),N₃(i),N₄(i),N₅(i),N₆(i)]^T；i＝1,2,3,…,n；n为样本个数；j>0,为样本i的变量，且为预设值，一个样本内有若干个变量不同的数据点；x(j)为第i个样本x(i)中的第j个变量，j＝1,2,…,l；l为每个样本中变量的数量；b为偏置，通过KKT条件求得。

8.如权利要求5所述的一种退火炉炉温预测系统，其特征在于：预测模型建立模块中，采用神经网络中的十折交叉验证方法对退火炉RTF段分区炉温预测模型进行训练。

Images