CN109598643A - 一种退火炉分区煤气流量分配方法、设备及存储设备 - Google Patents
一种退火炉分区煤气流量分配方法、设备及存储设备 Download PDFInfo
- Publication number
- CN109598643A CN109598643A CN201811519879.5A CN201811519879A CN109598643A CN 109598643 A CN109598643 A CN 109598643A CN 201811519879 A CN201811519879 A CN 201811519879A CN 109598643 A CN109598643 A CN 109598643A
- Authority
- CN
- China
- Prior art keywords
- gas flow
- subregion
- furnace
- annealing furnace
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000137 annealing Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000009826 distribution Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000002790 cross-validation Methods 0.000 claims abstract description 4
- 238000005192 partition Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 2
- 239000003034 coal gas Substances 0.000 claims description 2
- 238000013499 data model Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 229910000831 Steel Inorganic materials 0.000 abstract description 20
- 239000010959 steel Substances 0.000 abstract description 20
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 97
- 238000010438 heat treatment Methods 0.000 description 17
- 238000005457 optimization Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 101000639777 Homo sapiens RNA polymerase-associated protein RTF1 homolog Proteins 0.000 description 1
- 102100034463 RNA polymerase-associated protein RTF1 homolog Human genes 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明提供了一种退火炉分区煤气流量分配方法、设备及存储设备，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对建立的模型进行训练，并建立退火炉各分区煤气流量的约束模型和优化函数；最后根据训练好的炉温预测模型、约束模型和优化函数，采用NSGA‑III算法，计算得到各分区煤气流量的最优值。一种退火炉分区煤气流量分配设备及存储设备，用于实现退火炉分区煤气流量分配方法。本发明的有益效果是：使用本发明的技术方案实现退火炉煤气分区煤气流量分配并投产后，降低了钢卷超温报警比例，大大减少了平均单卷钢超温报警时间，改善了生产环境，保障了生产过程安全稳定。
Description
技术领域
本发明涉及冶金领域，尤其涉及一种退火炉分区煤气流量分配方法、设备及存储设备。
背景技术
在钢板连续退火过程中，稳定的加热条件是保证退火炉生产安全且正常的前提。然而由于加热过程物理化学反应的复杂性、操作要求的多变性和外界干扰的不确定性，传统控制方法并不能将加热所需的煤气流量合理有效地分配到各加热区段，造成了局部炉区温度过高，导致炉温板温不稳定，影响产品质量，严重时还会导致停机和安全事故。
最早且最广泛应用在退火炉炉温控制中的是PID控制，其主要通过各分区的实时炉温反馈调整对应区段的煤气阀门从而实现对各区炉温的调整，然而由于各分区炉温耦合性强且煤气燃烧调温过程时滞严重，所以在使用PID反馈控制时往往需要花费大量的时间调试并很难获得良好的控制结果。为克服无模型控制方法在退火炉炉温对象上的缺点，近些年基于模型的预测控制方法开始应用其中，Wu等人提出基于板温非线性模型的预测控制方法在生产过程中取得了良好的控制效果，为退火炉炉温控制提供了积极的解决思路。在炉温预测模型的基础上，控制系统还必须要解决各分区煤气流量合理分配的问题，在多控制变量耦合的情况下，多目标优化算法是解决这个问题的最佳方式。多目标优化问题广泛分布于工业过程控制中，Kong等人使用粒子群优化算法实现了多熔炉电能分配优化，但该方法的实质为将多目标优化问题通过权值分配转化为单目标优化问题，在退火炉控制量耦合程度较高的情况下适用性不强。针对于此，目前出现基于遗传算法的智能多目标优化算法是解决类似问题的新方向。因此，本文结合退火炉生产的实际特征，满足现场生产要求的情况下，设计一种退火炉炉温预测模型，并使用有效的多目标优化算法完成对分区煤气流量的分配优化。
发明内容
为了解决针对钢板连续退火过程中不同分区煤气流量分配不均匀，从而影响分区炉温不稳定，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煤气流量分配方法及系统，一种退火炉煤气流量分配方法，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、各区分配的煤气流量dn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：设定退火炉的出路板温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dn；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：根据设定的出炉板温N6、总下发的煤气流量N1和实时生产数据，建立各分区煤气流量的约束模型；
S106：根据各分区炉温优化条件，建立如公式(1)所示的优化函数：
min Fn(dn) (1)
上式中，n＝1,2,3,…,m，m为退火炉RTF段的分区数量；Fn(dn)为第n个分区的炉温函数；
S107：根据炉温预测模型、各分区煤气流量的约束模型和优化函数，采用NSGA-III算法，将步骤S104中计算得到各分区分配的煤气流量dn作为初始值，迭代计算得到各分区煤气流量的最优值；并将各分区煤气流量的最优值作为最终各分区煤气流量的分配值。
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(2)所示：
上式中Xij为原始生产数据；为标准化后的第i个样本的第j个变量；Xjmin和Xjmax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(3)所示：
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)＝[dn(i),N1(i),N2(i),N3(i),N4(i),N5(i),N6(i)]T；i＝1,2,3,…,s，s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；b为偏置，通过KTT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，步骤S105中，所述约束模型如公式(4)所示：
上式中，dn，dminn，dmaxn分别为退火炉第n个分区分配的煤气流量值及其下限和上限值；n＝1,2,3,…,m，m为退火炉的分区数量；dminn，dmaxm均为根据经验和退火炉工艺确定的预设值。
进一步地，步骤S106中，所述优化条件是：在满足公式(4)的约束模型的条件下，各分区炉温值最小。
进一步地，步骤S107中，采用NSGA-III算法，计算得到各分区煤气流量的最优值的具体步骤包括：
S301：设置种群数量p，参考点J＝{J1,J2,...Jp}，变异概率Pv，交叉概率Pc，最大迭代次数gmax，产生随机种群P0；所述种群为各区煤气流量；
S302：将种群P0导入到炉温预测模型，得到目标函数和决策变量的联合种群P；所述种群P0为步骤S104中计算得到各分区分配的煤气流量dn；
S303：对种群P进行快速非支配排序和拥挤度距离计算，联赛选择、交叉、变异；
S304：生成子种群Z，并合成新种群Z＝P+Z后进行快速非支配排序，得到非支配层级为1～L级，种群规模大于P；
S305：对目标函数进行归一化处理，并确定极端点和参考点；
S306：参考点与远点连接形成参考向量，每个种群个体遍历所有向量，并找到与自己最近的参考点，然后记录下来，则有每个参考点Ji相关联为SJ；
S307：选取SJ中关联解数最少的参考点J，从L级中选择距离J最近的解加入到新种群，直到与前1～K级之和等于P；
S308：判断是否达到最大迭代次数gmax？否，则g＝g+1并返回步骤S302；是，则结束算法，得到各分区最优煤气流量分配值。
一种存储设备，所述存储设备存储指令及数据用于实现一种退火炉分区煤气流量分配方法。
一种退火炉分区煤气流量分配设备，包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种退火炉分区煤气流量分配方法。
本发明提供的技术方案带来的有益效果是：使用本发明的技术方案实现退火炉煤气分区煤气流量分配并投产后，降低了钢卷超温报警比例，大大减少了平均单卷钢超温报警时间，改善了生产环境，保障了生产过程安全稳定。
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分区煤气流量分配方法的流程图；
图2是本发明实施例中RTF段加热过程示意图；
图3是本发明实施例中优化分区煤气流量及对应炉温迭代过程的示意图；
图4是本发明实施例中投产前后炉温变化示意图；
图5是本发明实施例中硬件设备工作的示意图。
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分区煤气流量分配方法、设备及存储设备。
请参考图1，图1是本发明实施例中一种退火炉分区煤气流量分配方法的流程图，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、各区分配的煤气流量dn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，得到如公式(1)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；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)＝[dn(i),N1(i),N2(i),N3(i),N4(i),N5(i),N6(i)]T；i＝1,2,3,…,s，s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数量；b为偏置，通过KTT(Karush-Kuhn-Tucker)条件求得；
S104：设定退火炉的出路板温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dn；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；
S105：根据设定的出炉板温N6、总下发的煤气流量N1和实时生产数据，建立各分区煤气流量的约束模型，如公式(2)所示：
上式中，dn，dminn，dmaxn分别为退火炉第n个分区分配的煤气流量值及其下限和上限值；dminn，dmaxm均为根据经验和退火炉工艺确定的预设值；在本实施例中，具体的约束模型为：
S106：根据各分区炉温优化条件，建立如公式(3)所示的优化函数：
min Fn(dn) (3)
上式中，n＝1,2,3,…,m，m为退火炉RTF段的分区数量；Fn(dn)为各分区炉温函数；
S107：根据炉温预测模型、各分区煤气流量的约束模型和优化函数，采用NSGA-III算法，将步骤S104中计算得到各分区分配的煤气流量dn作为初始值，迭代计算得到各分区煤气流量的最优值；并将各分区煤气流量的最优值作为最终各分区煤气流量的分配值。
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(4)所示：
上式中Xij为原始生产数据；为标准化后的第i个样本的第j个变量；Xjmin和Xjmax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。
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。
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。
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。
步骤S106中，所述优化条件是：在满足公式(2)的约束模型的条件下，各分区炉温值最小。
步骤S107中，采用NSGA-III算法，计算得到各分区煤气流量的最优值的具体步骤包括：
S301：设置种群数量p，参考点J＝{J1,J2,...Jp}，变异概率Pv，交叉概率Pc，最大迭代次数gmax，产生随机种群P0；所述种群为各区煤气流量；
S302：将种群P0导入到炉温预测模型，得到目标函数和决策变量的联合种群P；所述种群P0为步骤S104中计算得到各分区分配的煤气流量dn；
S303：对种群P进行快速非支配排序和拥挤度距离计算，联赛选择、交叉、变异；
S304：生成子种群Z，并合成新种群Z＝P+Z后进行快速非支配排序，得到非支配层级为1～L级，种群规模大于P；
S305：对目标函数进行归一化处理，并确定极端点和参考点；
S306：参考点与远点连接形成参考向量，每个种群个体遍历所有向量，并找到与自己最近的参考点，然后记录下来，则有每个参考点Ji相关联为SJ；
S307：选取SJ中关联解数最少的参考点J，从L级中选择距离J最近的解加入到新种群，直到与前1～K级之和等于P；
S308：判断是否达到最大迭代次数gmax？否，则g＝g+1并返回步骤S302；是，则结束算法，得到各分区最优煤气流量分配值。
在本实施例中，针对涟钢的某工业退火炉，进行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Tn＝Fn(dn、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(5)所示：
非线性函数映射将7维空间的输入样本数据非线性地映射到高维特征空间。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(6)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(7)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(6)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(8)所示：
上式中径向基函数K(x(i),x(j))为核函数。
在求解式(8)之后，可以获得如公式(9)所示的回归函数：
上式中，b为偏置，通过KTT(Karush-Kuhn-Tucker)条件得偏置b为：式(9)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(9)一致。
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(dn(i),N1(i),N2(i),N3(i),N4(i),N5(i),N6(i))，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Qg与板温变化产生的热量和炉体温度变化产生的热量Qf的总量守恒，如式(10)所示：
Qg＝Qf+Qc (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Qf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，Qg和Qc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；ΔTc则表示为钢板进入RTF段前后的板温变化量。
因为各区炉温Tn与炉体总吸热Qf及分区炉体吸热Qf_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Tn的变量包括N1、N2、N3、N4和ΔTc，而ΔTc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dn也会对Tn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。
为使本发明所提出的技术方案更加容易理解，以下将对退火炉的工艺过程进行详细描述：
钢板连续退火是一个复杂的工业过程，其加热炉主要包括无氧加热炉(Non-Oxygen Furnace，NOF)和辐射管加热炉(Radiant Tube Furnace，RTF)段两个部分，在加热过程中影响炉温稳定、设备安全的因素众多。由于RTF段加热距离长、相关控制阀门较多以及对安全要求更高，所以本发明以其做为对象进行煤气流量分配策略的目标。
退火炉RTF段加热段与NOF段物理相连，钢板穿过NOF段之后便进入了RTF段进行加热，钢板在其中加热过程如图2所示。
RTF段加热区为长方体型，从左至右依次分布着RTF1到RTF7区；钢板一般以稳定的运行速度穿过加热区；区中对钢板的加热方式为辐射管加热，即由总煤气管道通入的煤气会分别流入到7个区的辐射管中并燃烧发热，在保持炉体内部温度稳定的同时给钢板提供热量支持；在每个区的顶部和底部均分布着测温热电偶用来检测对应区段的炉温情况；在RTF段出口出则安装了红外测温仪用来检测板温。
在生产控制过程中，反馈控制系统会根据板温与设定板温差计算加热所需要的总煤气流量，然后再将其依次分配到RTF段的7个分区中，由于煤气流量分配涉及观测变量和控制变量众多，不合理的分配方式对炉温和生产状态影响剧烈，亟需一种保证各分区炉温的安全稳定的优化分配策略指导生产。因此，本发明所提出的技术方案极有工业应用价值。
以下是本发明实施例结合实际工业退火炉对本发明所提出的技术方案进行具体验证：
按照多目标优化控制器的结构实现算法，在给定RTF段总煤气流量和设定出口板温下，对各分区分配的煤气流量进行优化。以观测变量{N1,N2,N3,N4,N5,N6}＝{2029,0.916,1294,106,711,865}为例，即在宽度为1294mm、厚度为0.914mm、生产速度为106m/min、进口板温为711℃、出口设定板温为865℃和计算所需煤气流量为2029m3的条件下，本算法经过60次迭代优化得到的各分区煤气流量和对应的炉温如图3所示。
观察图像可以得知，在算法优化迭代的过程中会不断调整各分区的煤气流量值使其对应炉温可以落入到安全生产范围之内，同时也会修正炉温偏高或偏低的分区煤气流量，并促使其修正量进入别区或本区，以保持整体优化目标最小。
影响炉温的因素众多，钢卷的切换和速度的波动都有几率造成部分分区炉温瞬时或缓慢的上升，从而导致分区炉温会在一段时间内超出报警炉温930℃。如图4所示，在投入多目标优化策略之前，操作人员自主分配或默认分配方式并未实现对炉温稳定的实时控制，造成炉温无法在短时间内迅速稳定；而多目标优化算法的实时计算和控制保证了炉温在出现波动时进行了有效反馈，投产后相关统计数据如表1所示。
表1投产前后统计结果对比
在投入多目标优化策略之后，钢卷生产中出现炉温超过930℃占总生产钢卷比例降低了14％，而且在此类钢卷的超出报警温度时间对比上，投产后的超出时间也降低了315s，从而减少了安全风险，提高了炉温板温的稳定性。
请参见图5，图5是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种退火炉分区煤气流量分配设备501、处理器502及存储设备503。
一种退火炉分区煤气流量分配设备501：所述一种退火炉分区煤气流量分配设备501实现所述一种退火炉分区煤气流量分配方法。
处理器502：所述处理器502加载并执行所述存储设备503中的指令及数据用于实现所述一种退火炉分区煤气流量分配方法。
存储设备503：所述存储设备503存储指令及数据；所述存储设备503用于实现所述一种退火炉分区煤气流量分配方法。
本发明的有益效果是：使用本发明的技术方案实现退火炉煤气分区煤气流量分配并投产后，降低了钢卷超温报警比例，大大减少了平均单卷钢超温报警时间，改善了生产环境，保障了生产过程安全稳定。
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 (10)
1.一种退火炉分区煤气流量分配方法，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、各区分配的煤气流量dn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：设定退火炉的出路板温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dn；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：根据设定的出炉板温N6、总下发的煤气流量N1和实时生产数据，建立各分区煤气流量的约束模型；
S106：根据各分区炉温优化条件，建立如公式(1)所示的优化函数：
minFn(dn) (1)
上式中，n＝1,2,3,…,m，m为退火炉RTF段的分区数量；Fn(dn)为第n个分区的炉温函数；
S107：根据炉温预测模型、各分区煤气流量的约束模型和优化函数，采用NSGA-III算法，将步骤S104中计算得到各分区分配的煤气流量dn作为初始值，迭代计算得到各分区煤气流量的最优值；并将各分区煤气流量的最优值作为最终各分区煤气流量的分配值。
2.如权利要求1所述的一种退火炉分区煤气流量分配方法，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(2)所示：
上式中Xij为原始生产数据；为标准化后的第i个样本的第j个变量；Xjmin和Xjmax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所述的一种退火炉分区煤气流量分配方法，其特征在于：步骤S103中，训练后的炉温预测模型如公式(3)所示：
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)＝[dn(i),N1(i),N2(i),N3(i),N4(i),N5(i),N6(i)]T；i＝1,2,3,…,s，s为样本个数；j>0,为样本i的变量变量，一个样本内有若干个变量不同的数据点；b为偏置，通过KTT条件求得。
4.如权利要求1所述的一种退火炉分区煤气流量分配方法，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.如权利要求1所述的一种退火炉分区煤气流量分配方法，其特征在于：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。
6.如权利要求1所述的一种退火炉分区煤气流量分配方法，其特征在于：步骤S105中，所述约束模型如公式(4)所示：
上式中，dn，dminn，dmaxn分别为退火炉第n个分区分配的煤气流量值及其下限和上限值；dminn，dmaxm均为根据经验和退火炉工艺确定的预设值。
7.如权利要求1所述的一种退火炉分区煤气流量分配方法，其特征在于：步骤S106中，所述优化条件是：在满足公式(4)的约束模型的条件下，各分区炉温值最小。
8.如权利要求1所述的一种退火炉分区煤气流量分配方法，其特征在于：步骤S107中，采用NSGA-III算法，计算得到各分区煤气流量的最优值的具体步骤包括：
S301：设置种群数量p，参考点J＝{J1,J2,...Jp}，变异概率Pv，交叉概率Pc，最大迭代次数gmax，产生随机种群P0；所述种群为各区煤气流量；
S302：将种群P0导入到炉温预测模型，得到目标函数和决策变量的联合种群P；所述种群P0为步骤S104中计算得到各分区分配的煤气流量dn；
S303：对种群P进行快速非支配排序和拥挤度距离计算，联赛选择、交叉、变异；
S304：生成子种群Z，并合成新种群Z＝P+Z后进行快速非支配排序，得到非支配层级为1～L级，种群规模大于P；
S305：对目标函数进行归一化处理，并确定极端点和参考点；
S306：参考点与远点连接形成参考向量，每个种群个体遍历所有向量，并找到与自己最近的参考点，然后记录下来，则有每个参考点Ji相关联为SJ；
S307：选取SJ中关联解数最少的参考点J，从L级中选择距离J最近的解加入到新种群，直到与前1～K级之和等于P；
S308：判断是否达到最大迭代次数gmax？否，则g＝g+1并返回步骤S302；是，则结束算法，得到各分区最优煤气流量分配值。
9.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1～8所述的任意一种退火炉分区煤气流量分配方法。
10.一种退火炉分区煤气流量分配设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行存储设备中的指令及数据用于实现权利要求1～8所述的任意一种退火炉分区煤气流量分配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811519879.5A CN109598643B (zh) | 2018-12-12 | 2018-12-12 | 一种退火炉分区煤气流量分配方法、设备及存储设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811519879.5A CN109598643B (zh) | 2018-12-12 | 2018-12-12 | 一种退火炉分区煤气流量分配方法、设备及存储设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109598643A true CN109598643A (zh) | 2019-04-09 |
| CN109598643B CN109598643B (zh) | 2020-11-27 |
Family
ID=65962445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811519879.5A Active CN109598643B (zh) | 2018-12-12 | 2018-12-12 | 一种退火炉分区煤气流量分配方法、设备及存储设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109598643B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110607435A (zh) * | 2019-09-05 | 2019-12-24 | 中国地质大学（武汉） | 一种退火炉板温控制系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101456038A (zh) * | 2009-01-08 | 2009-06-17 | 上海交通大学 | 热轧带钢层流冷却过程板带温度监测方法 |
| WO2015129498A1 (ja) * | 2014-02-26 | 2015-09-03 | 三菱日立パワーシステムズ株式会社 | 燃料制御装置、燃焼器、ガスタービン、制御方法及びプログラム |
| CN105444923A (zh) * | 2015-11-18 | 2016-03-30 | 浙江工业大学 | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 |
| CN106011352A (zh) * | 2016-07-25 | 2016-10-12 | 江苏和隆优化能源科技有限公司 | 一种高炉热风炉煤气流量优化控制系统 |
| CN107450622A (zh) * | 2017-08-18 | 2017-12-08 | 曹阳 | 加热炉炉温智能控制系统及控制方法 |
| CN108151253A (zh) * | 2017-12-21 | 2018-06-12 | 中国舰船研究设计中心 | 一种变风量空调送风温度自动补偿方法 |
-
2018
- 2018-12-12 CN CN201811519879.5A patent/CN109598643B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101456038A (zh) * | 2009-01-08 | 2009-06-17 | 上海交通大学 | 热轧带钢层流冷却过程板带温度监测方法 |
| WO2015129498A1 (ja) * | 2014-02-26 | 2015-09-03 | 三菱日立パワーシステムズ株式会社 | 燃料制御装置、燃焼器、ガスタービン、制御方法及びプログラム |
| CN105444923A (zh) * | 2015-11-18 | 2016-03-30 | 浙江工业大学 | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 |
| CN106011352A (zh) * | 2016-07-25 | 2016-10-12 | 江苏和隆优化能源科技有限公司 | 一种高炉热风炉煤气流量优化控制系统 |
| CN107450622A (zh) * | 2017-08-18 | 2017-12-08 | 曹阳 | 加热炉炉温智能控制系统及控制方法 |
| CN108151253A (zh) * | 2017-12-21 | 2018-06-12 | 中国舰船研究设计中心 | 一种变风量空调送风温度自动补偿方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李界家: "基于综合反馈神经网络的退火炉温度控制系统设计", <<沈阳建筑大学学报>> * |
| 杨荔: "基于NSGA2算法的复合式能源系统的优化与控制", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 金亚利等: "基于支持向量机的退火炉煤气流量预测模型", 《全国冶金自动化信息网2017年会论文集》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110607435A (zh) * | 2019-09-05 | 2019-12-24 | 中国地质大学（武汉） | 一种退火炉板温控制系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109598643B (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101620414B (zh) | 工业乙烯裂解炉裂解深度在线优化方法 | |
| Yabanova et al. | Development of ANN model for geothermal district heating system and a novel PID-based control strategy | |
| CN102184287B (zh) | 一种废塑料炼油燃烧优化的建模方法 | |
| CN111626487B (zh) | 一种综合能源系统多评价指标优化规划技术方法和系统 | |
| CN102176221B (zh) | 基于动态工况的焦炉加热燃烧过程焦炉温度预测方法 | |
| CN104915518A (zh) | 一种高炉铁水硅含量二维预报模型的构建方法及应用 | |
| CN102222128B (zh) | 一种废塑料炼油燃烧优化的方法 | |
| CN107016176A (zh) | 一种混合智能锅炉综合燃烧优化方法 | |
| CN109886471A (zh) | 基于神经网络与智能优化算法的火电机组负荷分配方法 | |
| CN109492335B (zh) | 一种退火炉炉温预测方法及系统 | |
| CN101968832B (zh) | 基于构造－剪枝混合优化rbf网络的煤灰熔点预测方法 | |
| CN102982390A (zh) | 一种基于支持向量机增量算法的锅炉燃烧效率预测方法 | |
| CN103631140A (zh) | 基于性能评估的焦炉加热燃烧过程火道温度自动调节方法 | |
| Wu et al. | Integrated soft sensing of coke-oven temperature | |
| Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
| CN102194057B (zh) | 一种废塑料炼油燃烧优化的模型更新方法 | |
| CN105808945B (zh) | 一种混合智能锅炉效率燃烧优化方法 | |
| CN109598643A (zh) | 一种退火炉分区煤气流量分配方法、设备及存储设备 | |
| CN102156405B (zh) | 小样本贫信息下的烧结矿化学成分预测与智能控制系统 | |
| CN106873377B (zh) | 不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法 | |
| CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
| CN113222231A (zh) | 一种基于物联网技术的智慧供热系统 | |
| Agner et al. | Combating district heating bottlenecks using load control | |
| US20080004722A1 (en) | Process-related systems and methods | |
| Chen et al. | The predictive management in campus heating system based on deep reinforcement learning and probabilistic heat demands forecasting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |