论文部分内容阅读
钢铁行业是我国国民经济重要支柱产业之一,在国家经济与社会发展中起着不可替代的作用,其理论研究与工业应用一直以来都是冶金学、自动控制以及工艺学等多个领域的研究热点。为实现高炉炼铁过程的高产低耗与稳定顺行,需要对高炉炼铁过程尤其是最终铁水质量指标进行实时监控和有效控制。由于目前检测手段的限制,铁水硅含量([Si])、磷含量([P])、硫含量([S])以及铁水温度(MIT)等多元铁水质量指标难以直接在线检测,且离线化验时间滞后较长。同时,由于高炉内部存在复杂物理化学反应和热质传递与多相流特性,并在高温、高压、多相多场耦合的密闭条件下固-液-气多态共存,使得难以建立关于铁水质量的机理模型。因此,必须借助于人工智能与统计学习技术,研究建立数据驱动的高炉炼铁过程多元铁水质量模型以及在此基础上的铁水质量控制,以解决目前高炉炼铁过程监测与调控严重依赖于操作员经验知识判断而造成生产不稳定、铁水质量达不到生产要求的问题。
针对于上述问题,本文依托国家自然科学基金重大课题项目“大型高炉高性能运行控制方法及实现技术”(项目号:61290323)和“大型高炉高性能运行控制的实验验证平台构建及应用验证”(项目号:61290321),以广西柳州钢铁集团#2高炉的实际生产为研究背景,在统计学习理论框架下,开展数据驱动高炉炼铁过程鲁棒LS-SVR建模及非线性预测控制的研究与应用,具体工作如下:
(1)针对高炉炼铁过程的关键工艺指标--铁水[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传优化的铁水[Si]动态建模方法。首先,对高炉过程数据进行主成分分析(PCA)降维处理以解决变量众多、参数耦合的问题;然后,通过提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度,并将IGGⅢ加权函数引入稀疏化最小二乘支持向量机(S-LS-SVR)进行鲁棒性改进,得到鲁棒性较强的R-S-LS-SVR模型;同时,针对模型超参数优化的问题,提出从建模误差与估计趋势评价建模性能的多目标评价指标,利用快速非支配排序带有精英策略的多目标遗传算法进行优化,从而获得具有最优参数的铁水[Si]在线软测量模型。最后,将所提R-S-LS-SVR应用到高炉铁水[Si]预测中,仿真验证表明改进算法稀疏与鲁棒的有效性和先进性。
(2)针对全面表征高炉铁水质量的多元铁水质量指标建模问题提出一种基于迁移学习与M.估计的鲁棒多输出最小二乘支持向量机(R-M-LS-SVR)算法。首先,引进非线性自回归模型(NARX)来捕获高炉炼铁过程的非线性动态信息,并采用PCA进行数据降维;同时考虑到标准LS-SVR不能有效处理多输出建模问题,基于多任务迁移学习设计一种新颖的多输出最小二乘支持向量机(M-LS-SVR)。然后,将M.估计引进M-LS-SVR来降低离群点的影响并提高模型鲁棒性;最后,提出综合考虑均方根误差和预测趋势相关系数的模型综合评价指标,在此基础上,使用NSGA-Ⅱ算法全局优化模型参数。基于实际工业数据和数据试验表明,所提方法能有效地消除高炉过程中数据波动带来的不利影响,具有较强的鲁棒性和较高的精度。
(3)针对铁水质量指标难以采用常规方法进行有效控制的问题,在上述鲁棒建模基础上,进一步研究数据驱动非线性预测控制的铁水质量控制方法。首先,针对高炉炼铁过程铁水[Si]的控制问题,提出一种以R-S-LS-SVR为预测模型的数据驱动非线性预测控制,并在实时优化过程采用全局优化的GA进行动态迭代;其次,针对[Si]、[S]、[P]、铁水温度等多元铁水质量指标的控制问题,采用所提R-M-LS-SVR算法建立过程的预测模型和逆系统模型,提出基于多变量逆系统解耦的多元铁水质量指标数据驱动非线性预测控制方法;最后,采用实际工业数据进行数据试验,以充分验证所提控制方法的有效性和先进性,从而为实现高炉炼铁过程的全流程闭环一体化控制提供解决思路。
针对于上述问题,本文依托国家自然科学基金重大课题项目“大型高炉高性能运行控制方法及实现技术”(项目号:61290323)和“大型高炉高性能运行控制的实验验证平台构建及应用验证”(项目号:61290321),以广西柳州钢铁集团#2高炉的实际生产为研究背景,在统计学习理论框架下,开展数据驱动高炉炼铁过程鲁棒LS-SVR建模及非线性预测控制的研究与应用,具体工作如下:
(1)针对高炉炼铁过程的关键工艺指标--铁水[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传优化的铁水[Si]动态建模方法。首先,对高炉过程数据进行主成分分析(PCA)降维处理以解决变量众多、参数耦合的问题;然后,通过提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度,并将IGGⅢ加权函数引入稀疏化最小二乘支持向量机(S-LS-SVR)进行鲁棒性改进,得到鲁棒性较强的R-S-LS-SVR模型;同时,针对模型超参数优化的问题,提出从建模误差与估计趋势评价建模性能的多目标评价指标,利用快速非支配排序带有精英策略的多目标遗传算法进行优化,从而获得具有最优参数的铁水[Si]在线软测量模型。最后,将所提R-S-LS-SVR应用到高炉铁水[Si]预测中,仿真验证表明改进算法稀疏与鲁棒的有效性和先进性。
(2)针对全面表征高炉铁水质量的多元铁水质量指标建模问题提出一种基于迁移学习与M.估计的鲁棒多输出最小二乘支持向量机(R-M-LS-SVR)算法。首先,引进非线性自回归模型(NARX)来捕获高炉炼铁过程的非线性动态信息,并采用PCA进行数据降维;同时考虑到标准LS-SVR不能有效处理多输出建模问题,基于多任务迁移学习设计一种新颖的多输出最小二乘支持向量机(M-LS-SVR)。然后,将M.估计引进M-LS-SVR来降低离群点的影响并提高模型鲁棒性;最后,提出综合考虑均方根误差和预测趋势相关系数的模型综合评价指标,在此基础上,使用NSGA-Ⅱ算法全局优化模型参数。基于实际工业数据和数据试验表明,所提方法能有效地消除高炉过程中数据波动带来的不利影响,具有较强的鲁棒性和较高的精度。
(3)针对铁水质量指标难以采用常规方法进行有效控制的问题,在上述鲁棒建模基础上,进一步研究数据驱动非线性预测控制的铁水质量控制方法。首先,针对高炉炼铁过程铁水[Si]的控制问题,提出一种以R-S-LS-SVR为预测模型的数据驱动非线性预测控制,并在实时优化过程采用全局优化的GA进行动态迭代;其次,针对[Si]、[S]、[P]、铁水温度等多元铁水质量指标的控制问题,采用所提R-M-LS-SVR算法建立过程的预测模型和逆系统模型,提出基于多变量逆系统解耦的多元铁水质量指标数据驱动非线性预测控制方法;最后,采用实际工业数据进行数据试验,以充分验证所提控制方法的有效性和先进性,从而为实现高炉炼铁过程的全流程闭环一体化控制提供解决思路。