CN111983140B - 一种用于干熄焦生产的一氧化碳测量系统及测量方法 - Google Patents

Abstract

本发明提供了一种用于干熄焦生产的一氧化碳测量系统及测量方法，包括压力传感器、温度传感器、流量传感器、气体浓度传感器，所述的压力传感器、温度传感器、流量传感器、气体浓度传感器分别与控制器连接，本方案首先获得干熄焦生产过程中的易测参数作为输入变量，训练MLP神经网络模型，并设计自适应NNG算法用于MLP网络结构的优化，从而消除冗余的输入变量，实现一氧化碳浓度的精确软测量。

Description

一种用于干熄焦生产的一氧化碳测量系统及测量方法

技术领域

本发明涉及干熄焦生产领域，尤其是一种用于干熄焦生产过程中的一氧化碳浓度测量系统及测量方法。

背景技术

在现代工业生产中，为获得更多合格的高质量产品，进而提高经济效益，就需要对产品质量或与产品质量密切相关的重要过程变量进行严格控制。干熄焦(Coke dryquenching,CDQ)是一种广泛用于钢铁行业的先进节能技术。CDQ系统的工艺流程图如图1。该系统主要由干焦熄塔、废热回收锅炉和涡轮发电机组成。在生产过程中，循环风中的CO浓度对生产效率和安全性至关重要。CO浓度不足会增加焦炭的燃烧损失，进而降低焦炭产量，增加二氧化碳的排放。CO过量会造成操作困难，增加循环气体的毒性。当CO浓度超过安全限度时，炉内就有爆炸的危险。因此，将CO的浓度控制在合理范围内具有重要意义。在实际生产过程中，主要通过CO在线分析仪对循环气体内的CO含量进行测量。然而，由于整个生产过程的复杂性，CO的浓度受到很多因素的影响，使得在线分析仪通常不太可靠。因此亟需一种能有效代替在线分析仪表的测量方法。

发明内容

基于上述问题，本发明提供了一种用于干熄焦生产的一氧化碳测量系统及测量方法的方案，本发明的技术方案利用平均影响值(Mean impact value，MIV)作为辅助算子，并把其引入到NNG的约束中，设计了一种自适应的NNG-MLP软测量算法(ANNG-MLP)，实现CDQ系统中循环气体CO浓度的精确软测量，这样可以及时的获得一氧化碳浓度的情况，并反馈给上位机，为工作人员的决策提供数据支撑。

本方案是通过如下方案实现的：一种用于干熄焦生产的一氧化碳测量系统，包括多个用于测量干熄焦系统中压力参数的压力传感器，多个用于测量干熄焦系统中温度的温度传感器，用于测量干熄焦系统中各种流量的流量传感器，气体浓度传感器，所述的压力传感器、温度传感器、流量传感器、气体浓度传感器分别与控制器连接，控制器采用LPC2103芯片，流量传感器采用基于SWINGWIRLⅡ电容式涡街流量传感器，抗振性能特别好，无可动件，测量范围可达40:1，压力损失小，测量准确度较高；温度传感器采用WRNN-436热电偶温度传感器，性能稳定、测温范围大、信号可以远距离传输等特点，并且结构简单、使用方便。具有很高的抗氧化性和良好的抗热震性。高温强度，耐震动、耐磨损，其测温温度0℃～1000℃。它能够将热能直接转换为电信号，并且输出直流电压信号，使得显示、记录和传输都很容易；压力传感器采用PTC305H压力传感器，是一种使用耐高温压力芯体或者蓝宝石芯体为测压原料的压力传感器，经过高可靠性的放大电路及精密温度补偿，将被测介质的绝压或表压转换成4～20mA，0～5VDC，0～10VDC及1～5VDC等标准电信号。通过上述传感器可以获得下表所列数据的信息，为后续的方法提供数据，便于模型的建立和生产过程中一氧化碳浓度的预测。

表1可测输入变量表

一种用于干熄焦生产的一氧化碳测量方法，获得干熄焦生产过程中的易测参数作为输入变量，训练MLP神经网络模型，并设计自适应NNG算法用于MLP网络结构的优化，从而消除冗余的输入变量，实现一氧化碳浓度的精确软测量。所述的模型以HQ准则作为模型的评价标准，以V折交叉验证法来确定最优的自适应NNG-MLP的压缩参数，使得算法能够更好地实现模型复杂度与拟合程度的平衡。

对于输入变量设计了一个基于MIV估计的自适应算子，并将其引入到NNG-MLP算法的约束中，以提高变量选择的准确性和变量系数估计的精度，自适应NNG-MLP算法中，最优收缩系数c^*的估计为：

其中：

其中

是最优的收缩系数向量，

表示输入变量x_i将会在MLP中被删除，

为连接输入层和隐含层之间的输入权值矩阵，b_I＝[b₁,b₂,…,b_q]为隐藏层节点的偏置向量，

表示连接隐含层与输出层之间权重，b_O为输出偏置，g(·)和f(·)分别表示隐含层和输出层的激活函数，s为设定参数，n为样本数量，p为输入变量个数。

参数s满足的条件是，S＝[s₁,s₂,…,s_u]，s₁和s_u为s的上下界。其中s₁＝0，

把c^*代入MLP输入输出关系式得到优化后的表达式为：

HQ准则用于平衡模型复杂度与模型精度之间的关系，

其中，n表示数据样本数，k是模型的变量个数，

和y分别表示目标变量的一氧化碳浓度的预测值和一氧化碳浓度的实际值。

通过上述描述可以看出，本方案是一种基于ANNG-MLP的软测量方法及测量系统。该方法以(Hannan-quinn criterion,HQ)准则作为模型的评价标准，以V折交叉验证法来确定最优的ANNG-MLP的压缩参数，该方法及测量装置可用于CDQ系统的CO浓度的实时软测量，进而实现最优控制。表1为CDQ生产过程的25个可测输入变量，输入变量在统计分析中用的是数据的选择性回归分析。也就是在给出的如下数据中的一些变量被淘汰，剩下的变量将用来构造y即一氧化碳浓度的预测方程。该方法是一种稳定性好，又能对候选变量进行筛选和系数压缩的变量选择方法。为实现NNG-MLP自适应的变量选择，以提高模型的预测精度，设计了一个基于MIV估计的自适应算子，并将其引入到NNG的约束中，以提高变量选择的准确性和变量系数估计的精度。MIV算法能够精确地评价各输入变量对于输出变量的影响度，从而使得NNG在对变量系数压缩时，对与输出变量无关的变量压缩更彻底，而与输出变量相关的变量得到更好地保留系数的无偏估计。

附图说明

图1为现有的干熄焦系统的工艺流程图。

图2为MLP网络结构图。

图3为流量传感器的检测电路图。

图4为温度传感器检测电路图。

图5为压力传感器测量电路图。

图6为控制器电路图。

具体实施方式

下面将结合本发明具体实施方式中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的具体实施方式仅仅是本发明一种具体实施方式，而不是全部的具体实施方式。基于本发明中的具体实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。

通过附图可以看出，本方案的用于干熄焦生产的一氧化碳测量系统，包括多个压力传感器、温度传感器、流量传感器、气体浓度传感器，所述的压力传感器、温度传感器、流量传感器、气体浓度传感器分别与控制器连接，控制器采用LPC2103芯片，流量传感器采用基于SWINGWIRLⅡ电容式涡街流量传感器，温度传感器采用WRNN-436热电偶温度传感器，压力传感器采用PTC305H压力传感器，通过上述传感器可以获得列表中列出的可测输入变量，对于其中的涡轮机功率、总储焦量、焦炭排放速率可以通过其他公知的设备测量获得。

一种利用上述的系统进行干熄焦生产的一氧化碳测量方法，获得干熄焦生产过程中的易测参数作为输入变量，训练MLP神经网络模型，并设计自适应NNG算法用于MLP网络结构的优化，从而消除冗余的输入变量，实现一氧化碳浓度的精确软测量，所述的模型以HQ准则作为模型的评价标准，以V折交叉验证法来确定最优的自适应NNG-MLP的压缩参数，使得算法能够更好地实现模型复杂度与拟合程度的平衡。

对于输入变量设计了一个基于MIV估计的自适应算子，并将其引入到NNG-MLP算法的约束中，以提高变量选择的准确性和变量系数估计的精度，自适应NNG-MLP算法中，最优收缩系数c^*的估计为：

其中：

其中

是最优的收缩系数向量，

表示输入变量x_i将会在MLP中被删除，

为连接输入层和隐含层之间的输入权值矩阵，b_I＝[b₁,b₂,…,b_q]为隐藏层节点的偏置向量，

表示连接隐含层与输出层之间权重，b_O为输出偏置，g(·)和f(·)分别表示隐含层和输出层的激活函数，s为设定参数，n为样本数量，p为输入变量个数；所述的参数s满足的条件是，S＝[s₁,s₂,…,s_u]，s₁和s_u为s的上下界。其中s₁＝0，

把c^*代入MLP的输入输出关系式得到优化后的表达式为：

HQ准则用于平衡模型复杂度与模型精度之间的关系，

其中，n表示数据样本数，k是模型的变量个数，

和y分别表示目标变量的一氧化碳浓度的预测值和一氧化碳浓度的实际值。

对于上述的描述，首先对于自适应算子的设计，然后ANNG-MLP算法流程，参数s的选择及预测误差，ANNG-MLP算法建模。对于自适应算子的设计，MLP网络结构为三层：输入层，隐含层和输出层。其结构图如图2，输入输出表达式为：

y＝f(g(xw_I+b_I)w_O+b_O) (4)

其中

为连接输入层和隐含层之间的输入权值矩阵，b_I＝[b₁,b₂,…,b_q]为隐藏层节点的偏置向量，

表示连接隐含层与输出层之间权重，b_O为输出偏置，g(·)和f（·)分别表示隐含层和输出层的激活函数。

基于MLP的自适应NNG算法与NNG-MLP算法收缩输入变量的系数不同，该算法设计了一个基于MIV评估的自适应算子。自适应算子可以根据不同的输入变量对输出变量的相关性，给不同的收缩系数赋予不同的权重。并把自适应算子引入到NNG的约束中，进而实现自适应收缩输入变量的系数。

设计一种加权约束

其中ω＝{ω₁,ω₂,…,ω_p}为根据输入和输出数据的特征给出的一个已知的权值向量，c＝[c₁,c₂,…,c_p]为初始的收缩系数，p为输入变量的个数，s为非负绞杀参数。为了实现NNG算法自适应收缩的目的，对输出变量影响较大的变量将被赋予较小的权值，而对输出变量影响较小的变量将被赋予较大的权值。

MIV算法是被用来作为衡量输入变量对于输出变量重要性的指标。设X∈R^n×p和Y∈Rⁿ分别为输入和输出样本数据集，其中n为样本数量，p为输入变量个数，该算法的描述过程如下：首先训练一个精度较高的MLP神经网络，其次对于每个输入变量i分别增加10％和减少10％得到

和

再次把分别

和

代入训练好的MLP网络得到

和

最后计算

和

的差值的绝对值，即

为MIV的取值。每个输入变量对于输出变量的相对MIV为：

在本发明中，自适应函数设置为ω_i＝1/δ_i，在此映射函数下变量对应的平均MIV的权重ω_i＝1，表示该变量没有施加额外的收缩。对于具有较大的MIV的变量，其对应的系数会得到一个较小的权重，而具有较小的MIV的变量，则会分配给一个较大的权重。因此自适应NNG-MLP算法中，最优收缩系数c^*的估计为：

其中

是最优的收缩系数向量，

表示输入变量x_i将会在MLP中被删除。通过自适应机制，不相关的变量更容易被删除，而相关变量的系数更容易得到无偏系数估计。最后把c^*代入MLP的输入输出关系式得到优化后的表达式为：

对于ANNG-MLP算法流程，ANNG-MLP算法通过对数据的挖掘后，剔除神经网络中与输出变量无关的输入变量，提高神经网络的预测精度，缩短建模时间，具体步骤如下：(1)设当前输入变量池x＝{x₁,x₂,…,x_p},对每个变量x_i∈x，以x_i作为输入变量集，以y作为输出变量，利用ANNG-MLP算法进行自适应变量选择。(2)定义原始的最小二乘法的系数为

在约束条件

下对{c_i}极小化，即解优化表达式

(3)将

作为新的预测系数。c_i的取值取决于s，s被认为是额外加入的参数。c_i的大小反应了对应辅助变量对预测模型的重要性。(4)c_i＝0，则说明对应的变量x_i对预测模型没有任何影响，从而x_i就会被删除。如果c_i＝1则对应的变量无变化的保留下来。如果0<c_i<1则说明相应的变量系数被压缩。通过减小s，使更多的{c_i}变为零，从而达到变量压缩的目的。

对于参数s的选择及预测误差：

参数s是该算法中一个至关重要的参数，因为它直接影响系数收缩的程度。当s＝0时，意味着所有的输入变量被删除，随着s的增大，越来越多的变量被包含在模型当中。当

时，所有的输入变量系数将不会被压缩。选择最合适的s采用枚举法，S＝[s₁,s₂,…,s_u]，s₁和s_u为s的上下界。其中s₁＝0，

本发明采用HQ准则作为模型的评价标准。HQ准则可以更好的平衡模型复杂度与模型精度之间的关系，通过加入模型复杂度的惩罚项来避免过拟合问题。

其中，n表示数据样本数，k是模型的变量个数，

和y分别表示目标变量的预测值和实际值。

模型的验证方法采用v折交叉验证(v-fold)法，其执行过程首先是把数据集平均分为V份，每次从V份数据集中拿出一份数据集作为验证集，剩下的V-1份数据集作为训练集，重复进行V次，最后平均V次的结果作为最后泛化误差的估计。通常V的取值为5到10，能得到较好的结果，当V取值太大时，方差就会随之增大；当V取值较小时由于参与训练的样本数据减少会导致预测误差的增大。

最终，ANNG-MLP算法建模，通过v-fold交叉验证法对数据进行处理后，得到的s即为训练得到的参数，把s代入公式中，计算出c^*的值。c^*的大小反映了对应辅助变量对预测模型的重要性，通过c^*的值剔除对预测模型没有任何影响的变量，选取最优输入变量，从而起到对变量系数压缩的目的。把输入变量代入到已训练好的神经网络中建模预测。ANNG-MLP在变量选择的准确性和正确性方面都具有明显的优势。通过自适应机制，不相关的变量更容易被删除，而相关变量的系数更容易得到无偏估计。

通过上述描述可以看出，本方案首先训练一个模型精度较高的MLP神经网络。然后把自适应算子引入到NNG的约束中，并对MLP神经网络的输入层与隐含层之间的权重进行收缩。再以(Hannan-quinn criterion,HQ)准则作为模型的评价标准，以V折交叉验证法来确定最优的ANNG-MLP的压缩参数，使得算法能够更好地实现模型复杂度与拟合程度的平衡，避免过拟合。

由于采用ANNG-MLP算法，相比于传统的线性建模或神经网络建模算法对输入变量压缩效率更高，预测精度更高，稳定性更好。系统通过上位机将训练好的软测量模型写入LPC2103芯片，利用LPC2103主控芯片执行CO的软测量计算，保证了软测量系统的实时性。CDQ系统运行过程中，生产条件会发生变化，并不断产生新的历史数据，上位机可定期调用ANNG-MLP算法重新训练，更新软测量模型，并将新模型写入LPC2103芯片，提高软测量系统的适应性和鲁棒性。

综上所述，基于ANNG-MLP的软测量方法预测精准且计算成本低，此方法的测量装置克服了普通传感器价格昂贵、滞后和维护保养困难的缺点，具有较好的实用性和经济性。

以上具体实施方式只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上的改变之处，均在本发明的保护范围内，故本说明书内容不应理解为对本发明的限制。

Claims (2)

1.一种用于干熄焦生产的一氧化碳测量方法，其特征是：获得干熄焦生产过程中的焦炭温度、补充空气流量、CDQ出口壁温、循环气体返回干熄焦塔的温度、焦炭排放速率、进入锅炉的循环气体温度、由锅炉产生的蒸汽温度、锅炉产生的蒸汽压力、涡轮机功率、中压蒸气流量、中压蒸气温度、中压蒸气压力、循环气体返回干熄焦塔的流量、SubEco拉出冷风流量、释放到大气中的过量气体的流量、循环气体返回干熄焦塔的压力、进入锅炉的循环气体压力、锅炉内的压力、从锅炉流出的循环气体压力、进入塔内的循环气体H2浓度、进入塔内的循环气体的二氧化碳浓度、进入塔内的循环气体的氧浓度、Sub-ECO出水温度、脱氧饲水槽温度、总储焦量作为输入变量，训练MLP神经网络模型，并设计自适应NNG算法用于MLP网络结构的优化，所述的模型以HQ准则作为模型的评价标准，以V折交叉验证法来确定最优的自适应NNG-MLP的压缩参数；

对于输入变量设计了一个基于MIV估计的自适应算子，并将其引入到NNG-MLP算法的约束中，以提高变量选择的准确性和变量系数估计的精度，自适应NNG-MLP算法中，最优收缩系数c^*的估计为：

其中：

其中

是最优的收缩系数向量，

表示输入变量x_i将会在MLP中被删除，

为连接输入层和隐含层之间的输入权值矩阵，b_I＝[b₁,b₂,…,b_q]为隐藏层节点的偏置向量，

表示连接隐含层与输出层之间权重，b_O为输出偏置，g(·)和f(·)分别表示隐含层和输出层的激活函数，s为设定参数，n为样本数量，p为输入变量个数；

所述的参数s满足的条件是，S＝[s₁,s₂,…,s_u]，s₁和s_u为s的上下界，其中s₁＝0，

把c^*带入MLP输入输出关系式得到优化后的表达式为：

2.根据权利要求1所述的用于干熄焦生产的一氧化碳测量方法，其特征是：

HQ准则用于平衡模型复杂度与模型精度之间的关系，

其中，n表示数据样本数，k是模型的变量个数，

和y分别表示目标变量的一氧化碳浓度的预测值和一氧化碳浓度的实际值。

Images