论文部分内容阅读
我国是世界上最大的钢铁生产和消费国,也是钢铁投资最集中的地区。高炉炼铁作为目前世界上最主要的炼铁方法,炼铁工艺的改进和炼铁过程建模与控制的研究一直受国内外学者广泛关注和重视。高炉炼铁是指通过复杂的高温、高压等物理、化学反应将铁从铁矿石等固态含铁化合物中还原出来,转化成液态铁水的过程。由于高炉内部物理化学反应复杂、多相多场耦合严重、非线性极强、工况明显时变、高温粉尘等恶劣环境导致测量设备失效等原因,高炉炼铁过程的建模与控制一直是困扰冶金工程界和自动控制界的难题。此外,高炉炼铁过程的铁水温度、Si含量、S含量、P含量等多元铁水质量参数难以应用现有检测手段进行直接在线检测,且离线化验分析滞后时间长(通常超过1小时)。实际生产中,由于铁水质量关键信息不能及时反馈,直接导致高炉日常生产操作的不及时,严重制约高炉质量控制与运行优化的实现。因此,要实现铁水质量参数的闭环优化控制,就必须首先建立有效的多元铁水质量参数预报模型。由于高炉炼铁过程的上述复杂动态特性,难以建立多元铁水质量的机理(白箱)模型,因而数据驱动黑箱建模是一种有效的解决手段。现有常规基于BP神经网络、支持向量机的数据驱动铁水质量建模方法普遍存在收敛速度慢、泛化能力不强、实用性差等问题。而新型的随机权神经网络算法具有速度快、泛化性能强,且适合于多输出建模的特点,开始受到普遍关注并开始用于高炉铁水质量参数建模。另一方面,在炼铁生产过程中,受检测仪表和变送器等装置的故障以及其他异常干扰的影响,测量数据中经常存在离群点,由于传随机权神经网络输出权值是由最小二乘得到,鲁棒性不足,易受离群点干扰,导致模型实用性差。针对上述问题,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),以广西柳钢2600m3高炉为应用研究对象,开展基于随机权神经网络的多元铁水质量参数鲁棒建模的研究,具体工作如下:(1)首先,通过分析高炉炼铁过程铁水质量参数建模的重要性,确定四个需要建模的铁水质量参数——硅含量、磷含量、硫含量、铁水温度。高炉是一个典型多变量系统,影响铁水质量参数的因素众多,并且变量之间存在明显关联性。为了降低建模的难度、减小模型的维数,通过高炉炼铁工艺机理和检测现状分析,借助于数据驱动典型相关分析技术,从众多关联变量中选取少数几个影响铁水质量的最主要变量(即炉腹煤气量、冷风流量、富氧流量、透气性、富氧率和理论燃烧温度)作为质量模型的输入变量。(2)针对传统随机权神经网络鲁棒性不足,易受离群点干扰,导致模型实用性差的问题,本文结合鲁棒估计理论,对传统随机权神经网络进行鲁棒性改进,以克服炼铁过程运行数据中广泛存在的离群点对模型的影响。为了进一步增强模型的泛化能力,在算法中引入了结构风险。在鲁棒估计中大多数是依据经验选取加权函数以及确定其中的相关调和参数,效率低且精度差。本文从分析误差分布的角度提出Cauchy函数加权方法,由误差的分布确定相关参数。同时,针对高炉冶炼过程的动态特性,文中采用输出自反馈结构,将前一时刻的输入输出同时引入模型输入层建立具有动态特性的阶次模型,提高了模型的预测精度。将所提方法在柳钢2600m3高炉进行了工业试验和比较研究。结果表明,相对于常规铁水质量参数建模方法,所提方法具有更高的模型精度和更强的鲁棒性。在高炉数据离群点难以避免的情况下,所提方法可以有效地克服数据中离群点对建模的干扰,实现高精度的铁水质量参数建模预测,对高炉操作有着重要的指导作用。(3)针对高炉炼铁的强时变特性,为进一步增强模型的自适应能力和实用性,引入在线序贯学习技术,在提出的基于Cauchy分布加权M估计鲁棒随机权神经网络基础上,提出基于在线序贯学习的鲁棒随机权神经网络多元铁水质量建模方法。在线序贯学习方法使随机权神经网络网络拥有处理大量数据的能力,而RVFLNs算法本身具有的良好非线性泛化能力和极快的学习速率保证网络实施在线建模的可行性。同时,对随着数据不断增加出现的“数据饱和”现象,使用遗忘因子法限制历史数据的影响,扩大当前数据的作用,对“数据饱和”进行了消除,提高模型的准确率。在柳钢2600m3高炉的工业试验表明:所提方法能够有效克服高炉运行工况时变对鲁棒建模性能的影响。当运行工况发生时变时,所提方法通过在线序贯学习机制在线更新模型参数,有效提高模型的自适应能力,保证铁水质量在线估计的精度和稳定性。