CN1266251C - 焦炉炼焦生产自动加热方法 - Google Patents

Abstract

本发明涉及工业加热技术领域的焦炉炼焦生产，属于焦炉自动加热技术，该技术能够实现煤气流量和烟道吸力的优化设定与调节，稳定焦炉火道直行温度。本发明为一种基于反馈结构的焦炉自动加热技术，包括：(1)基于自校正火道温度模型，实现焦炉火道温度的准确估计；(2)煤气流量的智能容错调节，实现火道温度存在估计误差的情况下煤气流量的正确调节；(3)基于烟道精确数学模型的烟道吸力自动调节方法，在改变煤气流量的同时，将煤气流量数据和期望的烟道废气含氧量数据输入烟道模型，与此输入对应的烟道模型的输出即为新的烟道吸力设定值。本发明能够提高焦炉生产的可靠性和适应性，有效降低能源消耗和环境污染，提高焦碳质量，延长炉体寿命。

Description

焦炉炼焦生产自动加热方法

技术领域

本发明涉及工业加热技术领域，属于焦炉炼焦生产技术。

背景技术

焦炉是冶金和能源工业中一个重要的生产装备，它通过对煤的高温干馏生产焦碳，煤气和化工产品。作为一个典型的工业加热过程，焦炉是一个大时滞，大惯性，强非线性以及变参数和多扰动的复杂系统，其中，焦炉直行温度是炼焦生产过程中非常重要的技术指标之一，直接关系到焦碳质量和炉体寿命。焦炉加热就是通过调节煤气流量和烟道吸力来调节直行温度，其目标是在稳定炉温的同时通过吸力调节保证燃烧效率的最优化。

传统的人工加热制度依靠经验和人工测量的火道温度调节煤气流量和烟道吸力。由于人工测温间隔较长(一般为4个小时)以及操作人员经验的局限性使温度调节效果无法保证，炉温波动大，燃烧效率较低。焦炉加热的自动化(自动加热)有助于避免人工加热的不确定性，提高焦炉的操作和运行水平。

焦炉自动加热有三种结构，即前馈结构，反馈结构以及反馈+前馈结构。前馈结构根据供热模型直接控制总供热量，缺点是投资大，适应性差，维护困难，且不能克服各种随机扰动。反馈结构以稳定火道直行温度为目标，通过比较火道温度和目标温度来调节煤气流量和烟道吸力，实现加热控制。与前馈结构方式相比，反馈结构能克服各种随机扰动，投资少，维护成本低，适应性好。但是，火道温度难于在线检测，因此实施基于反馈结构的加热自动控制存在技术上的困难。反馈+前馈结构实质是在反馈结构的基础上，对可测扰动增加前馈补偿。

虽然基于反馈结构的自动加热有许多优点，但是由于焦炉生产工艺的特殊性，焦炉火道温度难于在线检测，这成为实施反馈自动加热的最大技术障碍。为了解决此问题，目前多采用软测量方法，即通过蓄热室温度和火道温度之间的函数关系来估计火道温度，据此实现自动加热。火道模型是这种方法的关键。为了建立模型，传统方法要求采集大量的蓄热室温度与对应的立火道人工测温数据，然后通过一定的数学手段得到模型参数。然而，实际生产过程中，煤气热值，煤水分，焦炉炉况等因素的改变都会导致蓄热室温度和火道温度间实际关系的变化，且变化的时间和幅度无法预知。传统方法忽视了火道模型的改变，导致所估计的火道温度常常有较大误差。带有误差的火道温度估计结果除了给观察炉温造成偏差外，更严重的是导致煤气流量调节出现问题。

煤气流量调节一般采用比例调节算法，即：

               Q＝k_Q(T_sp-T_h)+Q₀

其中，Q和Q₀表示煤气流量及其稳态值，k_Q是比例增益，T_sp是火道温度的设定值，T_h是火道温度的估计值。由此，煤气流量调节要基于所估计的火道温度和设定的目标温度间的偏差。然而，由于通过火道模型估计的火道温度不可避免地存在估计误差，这有可能导致两种异常情况：1)实际炉温低于目标温度，但估计的火道温度偏高，于是减小煤气流量，从而使实际温度更低；2)实际炉温高于目标温度，但估计的火道温度偏低，于是增加煤气流量，从而使实际温度更高。这实质上是将炉温调节变成了对炉温的扰动，从而引起炉温的大幅波动并进一步恶化炉温调节。这是传统反馈自动加热方法一个非常严重的问题。出现该问题的原因是火道温度估计准确性低以及调节算法的容错性差。

另外，改变煤气流量的同时必须改变进入焦炉的空气量，以保证最佳空燃比，降低能源消耗，避免环境污染。空气量通过烟道吸力来调节，调节的目标是控制烟道废气的含氧量。含氧量可以采用氧化锆在线测量，但氧化锆使用寿命短，故障率高，可靠性差，因此，一般不投入闭环控制，而仅作为检测和监视使用。目前，包括焦炉加热在内的工业加热过程一般都采用人工调节或根据经验建立的粗略模型进行调节，燃烧效果无法保证。由于自动加热需要经常改变煤气流量，如果不能有效地调节吸力，有可能造成过量空气带走热量或空气不足造成未充分燃烧的煤气污染环境和浪费能源，从而极大地降低煤气的燃烧效率并有可能导致煤气流量调节失去作用。

总之，要从根本上改善焦炉基于反馈结构的自动加热必须解决如下三个关键问题：

(1)提高火道温度估计准确性；

(2)增强煤气流量调节的容错性；

(3)烟道吸力自动调节。

传统自动加热技术尚未有效解决这三个问题或者存在较大局限性，这使得焦炉加热反馈控制的可靠性，适应性较差，效果与工业生产要求有较大差距。

发明内容

本发明的目的是克服现有技术的缺陷，针对焦炉加热反馈控制中的三个关键问题，分别给出了新的解决方法，在此基础上实现了一种基于反馈结构的新型自动加热技术。

为达到上述目的，本发明的技术解决方案是提供一种焦炉炼焦生产自动加热方法，其包括：

(1)基于自校正火道模型的火道温度估计方法；

(2)智能容错煤气流量调节方法；

(3)基于烟道精确数学模型的烟道吸力自动调节方法；

其中，自校正火道模型就是连续采集蓄热室温度数据及对应的人工测量得到的火道温度数据，构造“滑动数据窗口”数据集合并修正火道模型参数，以跟踪由于系统环境因素的改变造成的蓄热室温度和火道温度间函数关系的变化，提高火道温度估计的准确性，增强自动加热的可靠性。

所述的方法，其所述蓄热室温度和火道温度间函数关系，即火道模型。

所述的方法，其所述滑动数据窗口，为一个先进先出的数据队列，其窗口宽度为队列的长度；该窗口宽度决定了用于校正火道模型的数据集合的大小，与特定的焦炉相关，表征了焦炉特性和环境因素的变化规律，是火道模型自校正的基础。

所述的方法，其所述窗口宽度，其最佳滑动数据窗口宽度的确定方法如下：

令按照时间顺序排列的历史数据集合为Z＝{z₁，z₂，K，z_l}，其中l是数据长度，下标与时间顺序对应， $z_i=(T_x^i,T_h^i)$ 是第i个数据对，T_x是蓄热室温度数据，T_h是火道红外测温数据，火道模型取一阶多项式形式T_h＝a₁T_x+a₀。设滑动数据窗口的宽度是一个正整数m，再令Θ＝(a₁，a₀)^T，A^T＝(T_x，1)，则火道模型可写成矢量形式T_h＝A^TΘ；

根据滑动数据窗口内的m个数据对，有如下关系：

$\left[\begin{array}{c}{T}_h^{\left(1\right)}\\ M\\ T_h^{\left(m\right)}\end{array}\right]=\left[\begin{array}{c}{A}_1^T\\ M\\ A_m^T\end{array}\right]\·\mathrm{\Θ}$

令 $H=\left[\begin{array}{c}{T}_h^{\left(1\right)}\\ M\\ T_h^{\left(m\right)}\end{array}\right],{\mathrm{\Φ}}^T=\left[\begin{array}{c}{A}_1^T\\ M\\ A_m^T\end{array}\right],$ 则有H＝Φ^TΘ，根据最小二乘算法计算模型参数：Θ＝(ΦΦ^T)ΦH；数据窗口在数据集合Z内滑动，便可按照前述方法建立对应的参数为Θ的火道模型；每一次滑动可建立一个火道模型，通过该模型可预估滑动窗口外下一个时刻的火道温度 ${\hat{T}}_h^{m+1}=A_{m+1}^T\mathrm{\Θ},$ 设预估误差 $e_{m+1}=T_h^{m+1}-{\hat{T}}_h^{m+1};$ 定义代价函数： $J\left(m\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{e}_i,$ 则使J最小的m即为最佳滑动数据窗口宽度；由于该代价函数曲线形式是下降-最小-上升-稳定，具有单一的最小值，所以其最小化过程可以采用枚举法，从1开始，直到取得一个最小值，与该最小值对应的m就是最佳滑动数据窗口宽度；

确定了m值以后，实际使用中每当采集到新的数据，就按照先进先出的方式自动更新滑动窗口内的数据队列，并根据窗口内的数据集合通过重新计算并更新火道模型参数，实现火道温度模型的自动校正。

所述的方法，其所述实现火道温度模型的自动校正，其过程是：将窗口内最早的数据删除，并顺次向前移位，在队列的最末端存放新数据。

所述的方法，其所述(2)智能容错煤气流量调节方法，是基于火道温度的改变量，即趋势来调节煤气流量；数字方式下的智能容错煤气流量调节器第k时刻的控制量为：

u(k)＝u(k-1)+Δu(k)

$\mathrm{\Δu}\left(k\right)=K_p\left[{\hat{T}}_h^{\left(k\right)}-{\hat{T}}_h^{(k-1)}\right]+K_p[T_{\mathrm{sp}}^{(k-1)}-T_{\mathrm{sp}}^{\left(k\right)}]+[u_0^{\left(k\right)}-u_0^{(k-1)}]$

其中，u和Δu表示煤气流量及其增量，k和k-1表示当前时刻和前一时刻，上标表示是与时间对应的参数， 是按照前述步骤估计得到的火道温度，K_p表示比例增益，T_sp表示设定的目标火道温度，u₀表示煤气流量的偏置量；u₀在投入自动加热前人工设定或加热自动控制过程中人工修改。

所述的方法，其所述(3)基于烟道精确数学模型的烟道吸力自动调节方法，是建立烟道精确数学模型，并通过模型实现以控制烟道废气含氧量为目标的烟道吸力自动调节方法：在改变煤气流量的同时，将煤气流量数据和期望的烟道废气含氧量数据输入烟道模型，与此输入对应的烟道模型的输出即为新的烟道吸力的设定值；该烟道吸力的意义，是在当前煤气流量下，使烟道废气含氧量达到期望的数值所需要的烟道吸力。

所述的方法，其所述建立烟道精确数学模型，是采用人工智能领域的神经网络方法，该方法采集历史数据，包括煤气流量，烟道废气含氧量和烟道吸力，并训练神经网络，建立以神经网络形式表达的非线性数学函数关系；烟道模型的输入是煤气流量和烟道废气含氧量，烟道模型的输出是烟道吸力。

所述的方法，其所述建立烟道精确数学模型，其具体步骤包括：(1)数据预处理；(2)构造训练样本集和测试样本集；(3)使用训练样本集训练神经网络；(4)使用测试样本集测试神经网络。

所述的方法，其所述系统环境因素，为焦炉炉况，煤气热值，入炉煤水分和吸力。

所述的方法，其所述智能容错煤气流量调节方法，能够在火道温度估计存在误差的情况下，提高煤气流量调节的正确性，避免错误调节导致的炉温波动，改善加热控制效果。

所述的方法，其所述建立烟道精确数学模型需要的烟道废气含氧量，其数据可来自氧化锆检测，或者来自实验室分析结果。

附图说明

图1煤气流量控制结构示意图；

图2煤气流量调节过程曲线图。

具体实施方式

本发明包括三个基本内容：(1)用于火道温度在线检测的自校正火道温度模型；(2)智能容错煤气流量调节方法；(3)基于精确烟道模型的烟道吸力自动调节方法。

1火道温度检测

在焦炉各个立火道下部对应的两个蓄热室的机焦侧各安装两根热电偶，如果整座焦炉直行温度的均匀性良好，可以只取中间若干蓄热室安装(一般应大于8个)。焦炉换向后十分钟，待下降蓄热室温度趋于稳定之后，采集机焦侧各个下降蓄热室的温度数据并分别进行几何平均，平均值作为整座焦炉的机侧蓄热室温度和焦侧蓄热室温度。

机焦侧蓄热室温度数据与在时间上对应的通过红外测温得到的机焦侧火道温度数据(即直行温度)构成数据对，若干个数据对构成一个数据集合。通过该数据集合可以建立蓄热室温度和火道温度间的数学关系，即火道关系模型。本发明采用了一个先进先出的队列存放建立模型所需要的数据集合，该队列称为“滑动数据窗口”，队列的长度称为“滑动数据窗口的宽度”。每当有新的数据到来时，将窗口内最早的数据删除，并顺次向前移位，新数据放在队列的最末端，这种数据更新过程称为数据窗口的滑动。采用滑动数据窗口的意义在于使建立模型的数据集合能够及时充分地反映焦炉当前的工况，提高由此建立的模型的准确性，避免失效数据造成的模型误差。

建立火道模型的方法如下：

令滑动数据窗口的宽度是m，火道关系模型取为一阶多项式形式T_h＝a₁T_x+a₀，再令Θ＝(a₁，a₀)^T，A^T＝(T_x，1)，则火道模型可写成矢量形式T_h＝A^TΘ。根据滑动数据窗口内的m个数据对，有如下关系：

$\left[\begin{array}{c}{T}_h^{\left(1\right)}\\ M\\ T_h^{\left(m\right)}\end{array}\right]=\left[\begin{array}{c}{A}_1^T\\ M\\ A_m^T\end{array}\right]\·\mathrm{\Θ}$

令 $H=\left[\begin{array}{c}{T}_h^{\left(1\right)}\\ M\\ T_h^{\left(m\right)}\end{array}\right],{\mathrm{\Φ}}^T=\left[\begin{array}{c}{A}_1^T\\ M\\ A_m^T\end{array}\right],$ 则有H＝Φ^TΘ，根据最小二乘算法计算模型参数：

                  Θ＝(ΦΦ^T)ΦH

数据窗口的滑动及模型参数的估计构成了火道模型不断校正的过程，由此建立起来的火道模型称为自校正火道模型。

在火道模型建立后，每当有新的蓄热室温度数据的时候就可以估计火道温度， ${\hat{T}}_h=a_1{T}_x+a_0,$ 从而实现火道温度的在线检测。基于模型的火道温度检测周期一般可以缩短为半个小时，而人工红外测量方式一般为四个小时。对火道温度更快的检测意味着能够更加及时地反映焦炉工作状况，为加热控制提供参考信息，以便快速抑制温度波动，克服各种干扰因素的影响。

滑动数据窗口的宽度是火道模型自校正的基础，对模型的可靠性和准确性有重要影响。该数据与特定的焦炉相关，表征了焦炉本身及相关各种扰动因素的综合变化规律。确定方法如下：

令历史数据集合为Z＝{z₁，z₂，K，z_l}，l是数据长度，下标与时间顺序对应， $z_i=(T_x^i,T_h^i)$ 是第i个数据对，火道模型取一阶多项式形式T_h＝a₁T_x+a₀。设滑动数据窗口的宽度是一个正整数m，则数据窗口在数据集合Z内滑动便可按照前述方法建立火道模型(参数为Θ)。每一次滑动可建立一个火道模型，通过该模型可预估滑动窗口外下一个时刻的火道温度 ${\hat{T}}_h^{m+1}=A_{m+1}^T\mathrm{\Θ},$ 设预估误差 $e_{m+1}=T_h^{m+1}-{\hat{T}}_h^{m+1}\·$ 定义代价函数： $J\left(m\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{e}_i,$ 则使J最小的m即为最佳滑动数据窗口宽度。由于该代价函数曲线形式是下降-最小-上升-稳定，具有单一的最小值，所以其最小化过程可以采用枚举法，从1开始，直到取得一个最小值，与该最小值对应的m就是最佳滑动数据窗口宽度。

自校正模型在控制器中编程实现，其输入是机焦侧蓄热室温度的平均数据和机焦侧火道温度的红外测温数据，输出是机焦侧火道温度的估计值。滑动数据窗口宽度在实施自动加热前的准备阶段确定。如果需要，在自动加热的过程也可以重新收集数据，计算并修改。

2煤气流量调节

通过1中所述方法能够快速、准确地检测焦炉火道温度，此温度反映了焦炉当前的实际温度状况。如果该温度与设定的目标温度有差别，则需要增减煤气流量，即增减供热量，使火道温度上升或下降，这一过程就是煤气流量调节。

本发明的煤气流量调节方法是一种定量计算公式，在控制器中编程实现，其输入是由火道模型得到的机焦侧火道温度，输出是机焦侧煤气流量的优化设定值。该设定值送给煤气阀门控制回路(包含在焦炉的基础级控制系统中)，使其改变安装在煤气管道上的调节机构的开度，从而使供给的实际煤气流量跟随该优化设定值。

如图1所示，为煤气流量控制结构示意图，数字方式下煤气流量调节算法如下：

u(k)＝u(k-1)+Δu(k)

$\mathrm{\Δu}\left(k\right)=K_p[{\hat{T}}_h^{\left(k\right)}-{\hat{T}}_h^{(k-1)}]+K_p[T_{\mathrm{sp}}^{(k-1)}-T_{\mathrm{sp}}^{\left(k\right)}]+[u_0^{\left(k\right)}-u_0^{(k-1)}]$

其中，u和Δu表示煤气流量及其增量，k和k-1表示当前时刻和前一时刻，上标表示是与时间对应的参数， ${\hat{T}}_h^{\left(k\right)}=a_1^{\left(k\right)}{T}_x^{\left(k\right)}+a_0^{\left(k\right)},$ ${\hat{T}}_h^{(k-1)}=a_1^{(k-1)}{T}_x^{(k-1)}+a_0^{(k-1)}$ 是通过火道温度模型估计的火道温度，K_p表示比例增益，T_sp表示设定的目标火道温度，u₀表示煤气流量的偏置量。u₀在投入自动加热前人工设定或加热自动控制过程中人工修改。火道温度模型未更新期间，同样的模型参数使拟和火道温度有相同方向的误差，因此可减小模型误差的影响，以火道温度的变化量来计算控制量，提高流量调节的正确性。如果第k时刻火道温度模型作了更新，则新的模型可以实现更准确的火道温度估计，并通过与k-1时刻的估计结果的差值产生修正控制量，补偿先前由于估计误差产生的控制作用的累积偏差。

图2所示的调节过程如下：T_h和T_h′分别表示实际火道温度和拟和火道温度，T_sp表示设定的目标火道温度，k时刻进行了火道温度模型的更新。按照趋势的调节过程(见图2中实线)：在k-2时刻，根据火道温度的下降趋势，煤气流量的增量q(k-2)＞0，总煤气流量增加，这使得k-1时刻估计火道温度和实际火道温度的上升；k-1时刻上升的火道温度趋势使煤气流量增量q(k-1)＜0，总煤气流量减小，实际火道温度趋于稳定；k时刻火道模型更新，拟和火道温度更接近实际火道温度并显示有一个下降趋势，根据该趋势，k时刻煤气增量q(k)＞0，总煤气流量较前一时刻增加，这将补偿先前由于拟和火道温度偏高导致的煤气流量计算偏差，使实际火道温度上升并进一步接近设定的目标温度。

本发明的煤气流量调节方法具有智能容错特性，所谓容错是指火道温度存在误差的情况下，始终保持流量调节方向的正确性。其意义在于增强调节的可靠性，避免错误调节导致的焦炉温度恶化。之所以具有这种特性是因为这种调节方法实质上是按照火道温度的改变量，即火道温度趋势来计算煤气流量的。与传统的基于火道温度和目标温度偏差的调节方法相比，趋势更准确地反映了焦炉温度的变化情况，所以由此得到的煤气流量的调节方法具有更好的容错性。在这种调节方法中，火道温度的估计误差仅影响调节的幅度，调节方向的正确性极大增强。

3烟道吸力调节

根据2中所述方法增减煤气流量的同时，必须调整空气供给量，使进入焦炉的煤气充分燃烧且燃烧效率最高。空气量的调整是通过烟道吸力调节，即改变机焦侧分烟道内调节翻板的开度实现的，其作用是改变进入焦炉并辅助煤气燃烧的空气量。烟道吸力调节必须避免两种情况，即(1)空气量不足使煤气过剩并排放到大气中；(2)空气过量使废气带走了大量的热量，这两种情况直接导致了能源浪费和燃烧效率的极大降低。

空气量适当与否要通过分析机焦侧废气中的氧含量来衡量，空气量不足或过剩将导致氧含量过低或过高。氧含量数据可以通过两种方式得到：一种是废气取样，实验室分析；另一种是在机焦侧分烟道安装氧化锆进行在线检测。

本发明是一种基于精确数学模型的烟道吸力调节方法，该方法包括两个部分：建立精确烟道吸力模型和基于模型的烟道吸力调节。

本发明中的烟道吸力模型是指煤气流量，烟道吸力和废气含氧量之间的精确数学关系。模型采用人工智能领域的前馈神经网络结构，模型的输入是煤气流量和废气含氧量，模型的输出是烟道吸力。采集煤气流量，废气含氧量和烟道吸力三种历史数据构造数据集合，利用数据集合训练神经网络以获取隐含在这些数据中的三种量间的非线性函数关系，即模型。如果只控制总管煤气流量，则建立一个烟道吸力模型即可；如果机焦侧煤气流量分开控制，则需要分别建立机焦两侧的烟道吸力模型。

建立模型的步骤(详见神经网络相关文献资料)：

(1)数据预处理：剔除异常数据，数据归一化；

(2)构造训练样本集合和测试样本集合：二者分别用于训练神经网络模型和测试神经网络模型；

(3)神经网络训练：计算机上编程实现，结果是一个结构和参数确定的神经网络模型；

(4)神经网络测试：计算机上编程实现，用来验证步骤(3)中得到的神经网络模型的准确性和可靠性；

经过以上步骤即可建立一个以神经网络形式表达的非线性数学函数关系，即烟道吸力模型。建立模型可以在实施自动加热前，也可以在自动加热的过程中根据需要，重新收集数据，建立并更新。

在本自动加热技术中，每当如2中所述改变煤气流量的时候，就基于模型调节烟道吸力，过程如下：

(1)将新的煤气流量设定值和期望的废气含氧量数据作归一化处理；

(2)归一化处理后的数据输入烟道吸力模型；

(3)将烟道吸力模型的输出做反归一化处理，所得数据即是新的烟道吸力设定值，该设定值送给烟道翻板控制回路(包含在焦炉的基础级控制系统中)；

(4)烟道翻板控制回路根据新的设定值调整翻板开度，进而调整进入焦炉的空气量。

整个调节过程在控制器中编程实现，在计算得到新的煤气量和吸力的优化设定值后，应根据“双交叉”操作的要求送给煤气阀门控制回路和烟道翻板控制回路。

基于模型的烟道吸力调节方法实质上还提供了一种不需要氧化锆的烟道吸力调节结构。建立模型所需要的氧含量数据可以来自实验室，烟道吸力调节只需要煤气流量数据和期望的烟道废气含氧量数据(由人工设定)，从而使自动加热摆脱了对氧化锆的依赖。这种去掉了氧化锆的烟道吸力调节简化了吸力调节系统的结构，降低了投资和维护成本，提高了吸力调节的可靠性。

实施条件：(1)焦炉生产工艺正常；

(2)已经具有基础级控制系统；

(3)检测仪表和执行结构性能良好。

定义：

火道模型：蓄热室温度与火道温度间的一种函数关系；

滑动数据窗口：一个先进先出的队列，用于存放建立火道模型所需要的数据集合；

滑动数据窗口的宽度：队列的长度；

数据窗口的滑动：就是数据的更新过程，每当有新的数据到来时，将窗口内最早的数据删除，并顺次向前移位，新数据放在队列的最末端；

烟道吸力模型：煤气流量，烟道废气含氧量和烟道吸力间的精确数学函数关系；

一准备阶段

1安装热电偶。在焦炉各个立火道下部对应的两个蓄热室的机焦侧各安装两根热电偶，如果整座焦炉直行温度的均匀性良好，可以只取中间若干蓄热室安装(一般应大于8个)。

2采集机焦侧蓄热室温度数据，红外测温数据。焦炉换向后十分钟，待下降蓄热室温度趋于稳定之后，采集机焦侧各个下降蓄热室的温度数据并分别进行几何平均，平均值作为整座焦炉的机侧蓄热室温度和焦侧蓄热室温度。火道温度的红外测温数据通过人工测量获得。机焦侧蓄热室温度数据和在时间上对应的通过红外测温得到的机焦侧火道温度数据(即直行温度)构成数据对，若干个数据对构成一个温度数据集合Z＝{z₁，z₂，K，z_l}，l是数据长度，下标与时间顺序对应， $z_i=(T_x^i,T_h^i)$ 是第i个数据对，T_x表示蓄热室温度，T_h是火道温度。

3采集煤气流量Q，烟道吸力P和烟道废气含氧量ρ₀三种历史数据，构成烟道吸力数据集合。三种数据在时间上必须是对应的。如果机焦侧煤气流量单独控制，则分别采集机焦侧的煤气流量，否则只采集总管的煤气流量。如果采用混合煤气加热，则需采集混合前的各种煤气的流量。

4数据分析与处理，包括确定滑动数据窗口宽度，建立烟道吸力模型。

1)确定滑动数据窗口宽度

令步骤2建立的温度数据集合为Z＝{z₁，z₂，K，z_l}，其中l是数据长度，下标与时间顺序对应， $z_i=(T_x^i,T_h^i)$ 是第i个数据对，T_x是蓄热室温度数据，T_h是火道红外测温数据，火道模型取一阶多项式形式T_h＝a₁T_x+a₀。设滑动数据窗口的宽度是一个正整数m，再令Θ＝(a₁，a₀)^T，A^T＝(T_x，1)，则火道模型可写成矢量形式T_h＝A^TΘ。根据滑动数据窗口内的m个数据对，有如下关系：

$\left[\begin{array}{c}{T}_h^{\left(1\right)}\\ M\\ T_h^{\left(m\right)}\end{array}\right]=\left[\begin{array}{c}{A}_1^T\\ M\\ A_m^T\end{array}\right]\·\mathrm{\Θ}$

令 $H=\left[\begin{array}{c}{T}_h^{\left(1\right)}\\ M\\ T_h^{\left(m\right)}\end{array}\right],{\mathrm{\Φ}}^T=\left[\begin{array}{c}{A}_1^T\\ M\\ A_m^T\end{array}\right],$ 则有H＝Φ^TΘ，根据最小二乘算法计算模型参数：Θ＝(ΦΦ^T)ΦH。数据窗口在数据集合Z内滑动便可按照前述方法建立对应的火道模型(参数为Θ)。每一次滑动可建立一个火道模型，通过该模型可预估滑动窗口外下一个时刻的火道温度 ${\hat{T}}_h^{m+1}=A_{m+1}^T\mathrm{\Θ},$ 设预估误差 $e_{m+1}=T_h^{m+1}-{\hat{T}}_h^{m+1}.$ 定义代价函数： $J\left(m\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{e}_i,$ 则使J最小的m即为最佳滑动数据窗口宽度。由于该代价函数曲线形式是下降-最小-上升-稳定，具有单一的最小值，所以其最小化过程可以采用枚举法，从1开始，直到取得一个最小值，与该最小值对应的m就是最佳滑动数据窗口宽度。

如果在自动加热的过程由于某种原因需要重新确定滑动数据窗口的的宽度，也可以按照前述操作，重新收集数据，计算并修改。

所确定的m值送给火道模型校正部分(详见三)，以调整队列长度和模型参数计算。

2)建立烟道吸力模型

模型采用人工智能领域的前馈神经网络结构，模型的输入是煤气流量和废气含氧量，模型的输出是烟道吸力。建立模型的过程就是训练神经网络的过程，训练数据来自于步骤3的烟道吸力数据集合。建立模型的方法如下：

(1)数据归一化

将烟道吸力数据集合中数据变换到相同的区间内。令x是原始数据，y是归一化数据，归一化区间为[a_min，a_max]，则计算公式如下：

$y=\frac{x-a_{\min }}{a_{\max }-a_{\min }}$

(2)构造样本数据集合

根据归一化后的数据分别构造输入数据集合和输出数据集合 $I=\{X_i=[\hat{Q}\left(i\right),{\widehat{\mathrm{\ρ}}}_0\left(i\right)],i=\mathrm{1,2},\mathrm{\Λ},n\},$ $O=\left\{{\hat{P}}_i,i=\mathrm{1,2},\mathrm{\Λ},n\right\}.$ 于是{I，O}构成样本数据集合。将样本数据集合分成两个部分{I₁，O₁}和{I₂，O₂}分别用作训练样本集和测试样本集，其中I₁＝{X_j}，O₁＝{P_j}，j{1，2，Λ，n}和I₂＝{X_k}，O₂＝{P_k}，k{1，2，Λ，n}，j≠k。

(3)确定神经网络类型，网络结构并训练神经网络

使用训练样本集训练神经网络，建立烟道吸力模型。具体参见相关文献。

(4)验证神经网络模型

使用测试样本集验证步骤(4)所建立的神经网络模型，测试模型的准确性和可靠性。具体参见相关文献。

通过验证后的神经网络模型的结构和参数即可确定下来，该模型供实施自动加热过程中的基于模型的烟道吸力调节过程使用(详见二中步骤3)。

二加热自动控制

加热自动控制通过控制器编程以程序的方式实现，包括三个主要操作，即估计火道温度、调整煤气流量和调整烟道吸力。整个自动加热程序的输入是：(1)安装在蓄热室中热电偶测量的各个下降蓄热室的温度数据；(2)期望的目标火道温度；(3)烟道废气含氧量；(4)煤气流量的初试偏置量。自动加热程序的输出是：(1)煤气阀门控制回路的煤气流量设定值；(2)烟道翻板控制回路的烟道吸力设定值。

自动加热三个操作的具体执行过程详述如下。

1估计火道温度

焦炉换向后十分钟，待下降蓄热室温度趋于稳定之后，采集机焦侧各个下降蓄热室的温度数据，控制器将这些数据进行几何平均，平均值作为整座焦炉的机侧蓄热室温度和焦侧蓄热室温度。

火道模型的参数为Θ＝(a₁，a₀)^T，则由蓄热室温度和火道模型计算火道温度的计算公式为 ${\hat{T}}_h=A^T\mathrm{\Θ},$ 其中A^T＝(T_x，1)，T_x蓄热室温度。通过机焦侧的火道模型和蓄热室温度，按照这种计算方法即可分别估计对应的机焦侧火道温度。

2调整煤气流量

数字方式下煤气流量调节算法如下：

u(k)＝u(k-1)+Δu(k)

$\mathrm{\Δu}\left(k\right)=K_p[{\hat{T}}_h^{\left(k\right)}-{\hat{T}}_h^{(k-1)}]+K_p[T_{\mathrm{sp}}^{(k-1)}-T_{\mathrm{sp}}^{\left(k\right)}]+[u_0^{\left(k\right)}-u_0^{(k-1)}]$

其中，u和Δu表示煤气流量及其增量，k和k-1表示当前时刻和前一时刻，上标表示是与时间对应的参数， 是按照前述步骤估计得到的火道温度，K_p表示比例增益，T_sp表示设定的目标火道温度，u₀表示煤气流量的偏置量。u₀在投入自动加热前人工设定或加热自动控制过程中人工修改。

所得到的煤气流量u(k)就是新的煤气流量的优化设定值，该设定值送给煤气阀门控制回路(包含在焦炉的基础级控制系统中)，由阀门控制回路调整阀门开度，使煤气流量跟随该设定值而变化。

3调整烟道吸力

每次调整煤气流量设定值的同时进行烟道吸力调节，调节过程根据准备阶段中建立起来的烟道吸力神经网络模型进行。神经网络模型实际是一个复杂的复合函数，通过编程实现。所需要的烟道吸力的计算过程实质上是对该函数的输入输出数据的处理过程，具体如下：

(1)将煤气流量设定值和期望的废气含氧量数据作归一化处理，

计算公式： $y=\frac{x-a_{\min }}{a_{\max }-a_{\min }},$ 其中各个参数的意义和数值与准备阶段建立神经网络模型时的归一化公式相同。

(2)烟道吸力模型将归一化处理后的煤气流量和废气含氧量作为输入，计算模型输出；

(3)将烟道吸力模型的输出做反归一化处理，计算公式：x＝a_min+y·(a_max-a_min)，其中各个参数的意义和数值与准备阶段建立神经网络模型时的归一化公式相同。反归一化后所得到的数据即是新的烟道吸力优化设定值并送给烟道翻板控制回路(包含在焦炉的基础级控制系统中)，由烟道翻板控制回路调整翻板开度，使烟道吸力跟随该设定值而变化。

4煤气流量和烟道吸力的“双交叉”操作

前述步骤2和步骤3得到煤气流量和烟道吸力后，在作为设定值送到煤气阀门控制回路和烟道吸力控制回路的过程中采用“双交叉”操作：(1)如果要增加煤气流量，则先增加烟道吸力，延迟20秒后再增加煤气流量；(2)如果要减小煤气流量，则先减小煤气流量，延迟20秒后再减小烟道吸力。

三火道模型校正

校正过程在控制器中编程实现。所谓校正，是指采集到新的火道温度的红外测量数据(一般为人工测量并手工输入计算机)后，重新计算并更新火道模型参数的过程。该操作由事件触发，即采集到新的火道红外测温数据。具体操作如下：

1数据窗口滑动

每当有新的数据到来时，将窗口内最早的数据删除，并顺次向前移位，新数据放在队列的最末端。采用滑动数据窗口的意义在于使建立模型的数据集合能够及时充分地反映焦炉当前的工况，提高由此建立的模型的准确性，避免失效数据造成的模型误差。

2火道模型参数计算

火道模型取一阶多项式形式T_h＝a₁T_x+a₀，滑动数据窗口的宽度为m，令Θ＝(a₁，a₀)^T，A^T＝(T_x，1)，则火道模型可写成矢量形式T_h＝A^TΘ。根据滑动数据窗口内的m个数据对，有如下关系：

$\left[\begin{array}{c}{T}_h^{\left(1\right)}\\ M\\ T_h^{\left(m\right)}\end{array}\right]=\left[\begin{array}{c}{A}_1^T\\ M\\ A_m^T\end{array}\right]\·\mathrm{\Θ}$

令 $H=\left[\begin{array}{c}{T}_h^{\left(1\right)}\\ M\\ T_h^{\left(m\right)}\end{array}\right],{\mathrm{\Φ}}^T=\left[\begin{array}{c}{A}_1^T\\ M\\ A_m^T\end{array}\right],$ 则有H＝Φ^TΘ，根据最小二乘算法计算模型参数：

                  Θ＝(ΦΦ^T)ΦH。

计算出新的火道模型参数后，将该参数送到加热自动控制程序中，用于估计火道温度(详见二中步骤1)。

实施例：

1准备阶段

记录，收集和整理相关数据，包括蓄热室温度及对应火道温度；煤气流量，烟道吸力及对应的烟道废气含氧量。

2数据处理阶段

对上一阶段收集得到的数据进行处理，建立自动加热系统需要的相关参数，包括滑动数据窗口宽度m和初始火道模型；烟道吸力的神经网络模型。

3自动加热

自动加热过程中包括三个基本操作：

(1)测量下降蓄热室顶部温度并根据火道模型估计当前立火道温度；

(2)根据式(3)和式(4)计算煤气流量；

(3)根据烟道吸力模型计算烟道吸力。

4火道温度模型修正

如果有新的火道温度(红外测温或光学高温计测温)数据输入，则找到对应的下降蓄热室顶部温度数据，更新滑动数据窗口内的数据集合并校正火道模型。

5烟道吸力模型修正

一旦有新的数据(煤气流量，废气含氧量和对应的烟道吸力)输入，即可对神经网络吸力模型进行校正。

Claims (4)

1.一种焦炉炼焦生产自动加热方法，其特征在于，包括：

(1)基于自校正火道模型的火道温度估计方法；

(2)智能容错煤气流量调节方法；

(3)基于烟道精确数学模型的烟道吸力自动调节方法；

其中，自校正火道模型就是连续采集蓄热室温度数据及对应的人工测量得到的火道温度数据，构造“滑动数据窗口”数据集合并修正火道模型参数；

所述蓄热室温度和火道温度间函数关系，即火道模型；

所述滑动数据窗口，为一个先进先出的数据队列，其窗口宽度为队列的长度；该窗口宽度决定了用于校正火道模型的数据集合的大小，与特定的焦炉相关，表征了焦炉特性和环境因素的变化规律，是火道模型自校正的基础；

所述窗口宽度，其最佳滑动数据窗口宽度的确定方法如下：

令按照时间顺序排列的历史数据集合为Z＝{z₁，z₂，...，z_l}，其中l是数据长度，下标与时间顺序对应， $z_i=(T_x^i,T_h^i)$ 是第i个数据对，T_x是蓄热室温度数据，T_h是火道红外测温数据，火道模型取一阶多项式形式T_h＝a₁T_x+a₀。设滑动数据窗口的宽度是一个正整数m，再令Θ＝(a₁，a₀)^T，A^T＝(T_x，1)，则火道模型可写成矢量形式T_h＝A^TΘ；

根据滑动数据窗口内的m个数据对，有如下关系：

$\left[\begin{array}{c}{T}_h^{\left(1\right)}\\ .\\ .\\ .\\ T_h^{\left(m\right)}\end{array}\right]=\left[\begin{array}{c}{A}_1^T\\ .\\ .\\ .\\ A_m^T\end{array}\right]\·\mathrm{\Θ}$

令 $H=\left[\begin{array}{c}{T}_h^{\left(1\right)}\\ .\\ .\\ .\\ T_h^{\left(m\right)}\end{array}\right],{\mathrm{\Φ}}^T=\left[\begin{array}{c}{A}_1^T\\ .\\ .\\ .\\ A_m^T\end{array}\right],$ 则有H＝Φ^TΘ，根据最小二乘算法计算模型参数：Θ＝(ΦΦ^T)ΦH；数据窗口在数据集合Z内滑动，便可按照前述方法建立对应的参数为Θ的火道模型；每一次滑动可建立一个火道模型，通过该模型可预估滑动窗口外下一个时刻的火道温度 ${\hat{T}}_h^{m+1}=A_{m+1}^T\mathrm{\Θ},$ 设预估误差 $e_{m+1}=T_h^{m+1}-{\hat{T}}_h^{m+1};$ 定义代价函数： $J\left(m\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{e}_i,$ 则使J最小的m即为最佳滑动数据窗口宽度；由于该代价函数曲线形式是下降-最小-上升-稳定，具有单一的最小值，所以其最小化过程可以采用枚举法，从1开始，直到取得一个最小值，与该最小值对应的m就是最佳滑动数据窗口宽度；

确定了m值以后，实际使用中每当采集到新的数据，就按照先进先出的方式自动更新滑动窗口内的数据队列，并根据窗口内的数据集合通过重新计算并更新火道模型参数，实现火道温度模型的自动校正；

所述实现火道温度模型的自动校正，其过程是：将窗口内最早的数据删除，并顺次向前移位，在队列的最末端存放新数据；

所述智能容错煤气流量调节方法，是基于火道温度的改变量，即趋势来调节煤气流量；数字方式下的智能容错煤气流量调节器第k时刻的控制量为：

u(k)＝u(k-1)+Δu(k)

$\mathrm{\Δu}\left(k\right)=K_p[{\hat{T}}_h^{\left(k\right)}-{\hat{T}}_h^{(k-1)}]+K_p[T_{\mathrm{sp}}^{(k-1)}-T_{\mathrm{sp}}^{\left(k\right)}]+[u_0^{\left(k\right)}-u_0^{(k-1)}]$

其中，u和Δu表示煤气流量及其增量，k和k-1表示当前时刻和前一时刻，上标表示是与时间对应的参数，

是按照前述步骤估计得到的火道温度，K_p表示比例增益，T_sp表示设定的目标火道温度，u₀表示煤气流量的偏置量；u₀在投入自动加热前人工设定或加热自动控制过程中人工修改；

所述基于烟道精确数学模型的烟道吸力自动调节方法，是建立烟道精确数学模型，并通过模型实现以控制烟道废气含氧量为目标的烟道吸力自动调节方法：在改变煤气流量的同时，将煤气流量数据和期望的烟道废气含氧量数据输入烟道模型，与此输入对应的烟道模型的输出即为新的烟道吸力的设定值；该烟道吸力的意义，是在当前煤气流量下，使烟道废气含氧量达到期望的数值所需要的烟道吸力；

所述建立烟道精确数学模型，是采用人工智能领域的神经网络方法，该方法采集历史数据，包括煤气流量，烟道废气含氧量和烟道吸力，并训练神经网络，建立以神经网络形式表达的非线性数学函数关系；烟道模型的输入是煤气流量和烟道废气含氧量，烟道模型的输出是烟道吸力。

2.如权利要求1所述的焦炉炼焦生产自动加热方法，其特征在于，所述建立烟道精确数学模型，其具体步骤包括：(1)数据预处理；(2)构造训练样本集和测试样本集；(3)使用训练样本集训练神经网络；(4)使用测试样本集测试神经网络。

3.如权利要求1所述的焦炉炼焦生产自动加热方法，其特征在于，所述系统环境因素，为焦炉炉况，煤气热值，入炉煤水分和吸力。

4.如权利要求1所述的焦炉炼焦生产自动加热方法，其特征在于，所述建立烟道精确数学模型需要的烟道废气含氧量，其数据来自氧化锆检测，或者来自实验室分析结果。

Images