小樣本貧信息下的燒結礦化學成分預測與智能控制系統的製作方法

2023-07-24 12:46:06 1

專利名稱：小樣本貧信息下的燒結礦化學成分預測與智能控制系統的製作方法
技術領域：
本發明涉及冶金領域的燒結過程領域的自動控制，特別涉及一種小樣本貧信息下的燒結礦化學成分預測與智能控制系統。
背景技術：
燒結礦化學成分波動較大是高爐原料存在的一個十分突出問題。目前我國燒結礦化學成分主要是通過控制原料系統來控制的，80年代以來，我國不少廠家建立了混勻料場，取得一定效果，但只能為燒結廠提供7 10天的穩定成分；對配料進行了微機定值自動控制各原料的給料量，但尚未考慮最優控制問題，而且由於各種燒結礦原料化學成分隨機波動，燒結產品取樣、分析存在相當長的時間延遲、使得燒結礦化學成分的穩定控制相當困難。國外在80年代提出新的控制燒結礦化學成分的方法——用自回歸和多元回歸模型預測和控制燒結礦化學成分(CaO，SiO2, MgO, FeO)系統，日本住友金屬公司小倉廠自1982年 3月以來在3號燒結機上使用了該系統，1985年12月起，和歌山4號燒結機也使用了此控制系統，都取得了較好的操作效果。80年代起，國外也將預測模型應用到燒結生產其他方面的控制中，如英格蘭鋼鐵公司Redcar燒結廠預測廢氣溫度控制機速，用自適應模型預測成品機械強度指數和FeO含量都取得一定效果。在我國，關於燒結礦化學成分超前預測也有不少報導。隨著技術的不斷成熟，人工智慧技術在國內燒結生產中被大量採用，主要用於工藝參數的優化和燒結礦化學成分與產質量的預報。北京科技大學張舒，高為民應用誤差反向傳播方式建立了燒結礦性能指標預測的經網絡模型，並用實際燒結生產數據對模型進行了訓練，訓練後的模型可以對燒結過程進行分析，並可對燒結礦的FeO含量和燒結礦轉鼓指數進行預測。東北大學郭文軍，何力本利用前饋神經網絡，建立了燒結礦化學成分超前預報的模型；通過對現場實際運行數據分析表明，預報模型具有良了的預報結果和實際應用前景。邵賢強，邱道尹針對燒結過程生產實際，運用神經網絡中的BP學習算法設計了分類器，用於在線推斷燒結礦的質量，為了加快BP學習算法的收斂速度，採用了自適應變步長學習算法，實驗結果表明，由此建立的燒結過程神經網絡質量預報模型，預報正確率高， 具有很好的泛化能力。中南工業大學王雅琳、桂衛華等人針對工業生產過程的複雜性和時變性，提出一種用於工業生產過程模建的自適應監督式分布神經網絡(SDNN)，將SDNN網絡與傳統建模方法相結合，應用於鉛鋅燒結過程的燒結塊成分預測。工業應用結果表明，SDNN模型具有較高的預測精度。與傳統建模方法有機結合能更好地描述工業生產過程。東北大學姜宏洲、李萬新等人開發了燒結礦FeO含量智能檢測儀。檢測儀應用圖像處理與神經網絡技術，依照燒結看火工對燒結礦FeO含量的判斷方法，用CCD攝像機採集燒結機尾斷面圖像，對所採集的圖像進行實時處理，最後給出相應的FeO含量等級。燒結礦化學成分的穩定性已越來越成為整個鐵前系統能否保持良好運行的關鍵。鋼廠對燒結礦的檢驗以現有的檢驗方式和裝備已無法滿足生產工藝的需要，造成檢驗周期長、檢驗結果嚴重滯後。尤其是產品質量異常時，既不能及時調整燒結生產又無法及時指導高爐生產，而且經調研發現，國內多數企業均存在類似問題。這種狀況已經嚴重幹擾了燒結生產，對煉鐵生產也造成了不可小視的損失，在燒結廠開發出燒結礦化學成分的預測模型和預測系統已是當務之急。因此，迫切需要開發功能優良的燒結過程燒結礦化學成分預測系統，使燒結過程控制水平進入一個新的階段，儘快接近或達到同行業國際先進水平，這樣才能帶來巨大的經濟效益。

發明內容
針對現有技術中存在的不足，本發明的目的在於提供一種基於灰熵-支持向量機算法的小樣本貧信息下的燒結礦化學成分預測與智能控制系統。本發明的技術方案是這樣實現的小樣本貧信息下的燒結礦化學成分預測與智能控制系統，包括數據採集模塊、數據歸一化模塊、灰熵模塊、支持向量機模塊、組合模塊、推斷模塊、燒結礦化學成分預測模塊和智能控制模塊；數據採集模塊實時採集與所要預測的燒結礦化學成分有關的數據，並將實時採集的與所要預測的燒結礦化學成分有關的數據傳輸給數據歸一化模塊；數據歸一化模塊對傳輸過來的與所要預測的燒結礦化學成分有關的數據進行歸一化預處理，並將預處理後的數據傳遞給灰熵模塊；灰熵模塊將數據歸一化模塊處理過的數據信息進行灰熵處理，並將數據挖掘結果傳送給支持向量機模塊；支持向量機模塊將通過灰熵處理過的結果進行進一步預測，預測結果傳輸給組合模塊；組合模塊將灰熵模塊數據挖掘結果、支持向量機模塊預測結果及兩者的組合預測算法進行比較、性能分析和誤差計算；推斷模塊運用貝葉斯推斷理論的方法來自動確定展小二乘支持向量機模塊的正則化參數和核參數，並將確定的正則化參數和核參數反饋給燒結礦化學成分預測模塊；燒結礦化學成分預測模塊對燒結礦化學成分進行實時預測，並與實時採集的實際值進行比較；智能控制模塊是將預測值與實際值進行實時控制。上述小樣本貧信息下的燒結礦化學成分預測與智能控制系統，根據所要採集的與所要預測的燒結礦化學成分有關的數據，所述數據採集模塊採用相應的傳感器或測量儀器。上述小樣本貧信息下的燒結礦化學成分預測與智能控制系統，所述智能控制模塊將預測值與實際值進行實時控制時採用模糊PID控制、單迴路控制或免疫PID控制。本發明的有益效果是針對燒結過程的大滯後性、非線性以及參數信息的不完整性，結合一種灰熵-支持向量機的運算方法，建立了燒結礦各化學成分預測模型，在燒結工況穩定時能有效預測燒結礦化學成分。實驗結果和多種模型比較表明，本模型能在小樣本貧信息的條件下對燒結礦化學成分做出比較準確的預測，此種模型具有預測精度高、所需樣本少、計算簡便等優點，取得了令人滿意的結果。


圖1為本發明小樣本貧信息下的燒結礦化學成分預測與智能控制系統的示意圖；圖2為本發明小樣本貧信息下的燒結礦化學成分預測與智能控制系統的實現流程圖；圖3為本發明小樣本貧信息下的燒結礦化學成分預測與智能控制系統針對燒結礦鹼度的預測曲線圖(橫坐標代表時間，縱坐標代表燒結礦鹼度值)；圖4為本發明小樣本貧信息下的燒結礦化學成分預測與智能控制系統針對燒結礦轉鼓強度的預測曲線圖(橫坐標代表時間，縱坐標代表燒結礦轉鼓強度值)；圖5為本發明小樣本貧信息下的燒結礦化學成分預測與智能控制系統針對燒結礦化學成分MgO的預測曲線圖(橫坐標代表時間，縱坐標代表MgO值)；圖6為本發明小樣本貧信息下的燒結礦化學成分預測與智能控制系統針對燒結礦化學成分SiO2的預測曲線圖(橫坐標代表時間，縱坐標代表SiO2值)；圖7燒結礦鹼度的模糊免疫PID控制的控制誤差曲線(橫坐標代表時間，單位 秒；縱坐標代表控制誤差)；圖8燒結礦鹼度的模糊免疫PID控制的階躍響應曲線(橫坐標代表時間，單位 秒；縱坐標代表階躍響應值)。圖中1-數據採集模塊，2-數據歸一化模塊，3-灰熵模塊，4-支持向量機模塊， 5-組合模塊，6-推斷模塊，7-燒結礦化學成分預測模塊，8-智能控制模塊。
具體實施例方式結合附圖對本發明做進一步的說明如圖1所示，基於灰熵-支持向量機的小樣本貧信息下的燒結礦化學成分預測與智能控制系統包括數據採集模塊1、數據歸一化模塊2、灰熵模塊3，支持向量機模塊4、組合模塊5、推斷模塊6、燒結礦化學成分預測模塊7和智能控制模塊8。數據採集模塊1實時採集用戶需要的與燒結礦各化學成分有關的數據，將實時採集的數據傳遞給數據歸一化模塊2 ；例如利用紅外測水儀測水，利用鉬銠鉬熱電偶和鎳鉻、鎳矽熱電偶採集點火溫度及混合料溫度，利用測厚儀採集料層厚度，利用變頻器採集臺車速度，利用壓力變送器採集燒結負壓，利用熱式氣體質量流量計採集煤氣流量；此外，混均礦中的狗0、MgO, CaO的含量，生石灰與煤粉配比，混合料粒度以及大煙道廢氣溫度等均傳遞給數據歸一化模塊2。燒結系統中，對燒結礦化學成分指標影響較大的工藝參數有原料參數(對應原料的配比、焦粉配比)和操作參數(一二混加水率、料層厚度、臺車速度)。因此確定了燒結礦化學成分預報的輸入變量，每一種化學成分預測的影響因素都是不同的(燒結礦化學成分的影響因素見表1)，這些輸入變量基本上都有智能儀表或測量比較穩定可靠的檢測元件測量，而且還有冗餘設備。為了更好的控制配料過程和燒結過程，配料系統和燒結過程的主要參數通過通訊或4 20mADC的電流的形式遠傳至燒結主控室，這些輸入變量的瞬時流量值就可以準確可靠地顯示，這樣就為燒結礦化學成分的網絡預測創造了良好的條件。數據歸一化模塊2的作用是將採集的數據映射
。因為所有收集的樣本數據往往不是在同一個數量級，所收集的數據映射到
之間進行歸一化處理，這樣有利於提高網絡的訓練速度。樣本數據中不可避免地存在著部分異常數據，這部分異常數據將給預測模型帶來一定的影響，有可能還起誤導作用。因此所用的訓練樣本和測試樣本都必須是經過仔細篩選而形成的。歸一化公式如下式
權利要求
1.小樣本貧信息下的燒結礦化學成分預測與智能控制系統，其特徵在於，包括數據採集模塊(1)、數據歸一化模塊( 、灰熵模塊C3)、支持向量機模塊(4)、組合模塊( 、推斷模塊(6)、燒結礦化學成分預測模塊(7)和智能控制模塊⑶；數據採集模塊⑴實時採集與所要預測的燒結礦化學成分有關的數據，並將實時採集的與所要預測的燒結礦化學成分有關的數據傳輸給數據歸一化模塊O)；數據歸一化模塊( 對傳輸過來的與所要預測的燒結礦化學成分有關的數據進行歸一化預處理，並將預處理後的數據傳遞給灰熵模塊(3)； 灰熵模塊( 將數據歸一化模塊( 處理過的數據信息進行灰熵處理，並將數據挖掘結果傳送給支持向量機模塊(4)；支持向量機模塊(4)將通過灰熵處理過的結果進行進一步預測，預測結果傳輸給組合模塊(5)；組合模塊( 將灰熵模塊數據挖掘結果、支持向量機模塊預測結果及兩者的組合預測算法進行比較、性能分析和誤差計算；推斷模塊(6)運用貝葉斯推斷理論的方法來自動確定展小二乘支持向量機模塊的正則化參數和核參數，並將確定的正則化參數和核參數反饋給燒結礦化學成分預測模塊(7)；燒結礦化學成分預測模塊 (7)對燒結礦化學成分進行實時預測，並與實時採集的實際值進行比較；智能控制模塊(8) 是將預測值與實際值進行實時控制。
2.根據權利要求1所述的小樣本貧信息下的燒結礦化學成分預測與智能控制系統，其特徵在於，根據所要採集的與所要預測的燒結礦化學成分有關的數據，所述數據採集模塊 (1)採用相應的傳感器或測量儀器。
3.根據權利要求1所述的小樣本貧信息下的燒結礦化學成分預測與智能控制系統，其特徵在於，所述智能控制模塊(8)將預測值與實際值進行實時控制時採用模糊PID控制、單迴路控制或免疫PID控制。
全文摘要
本發明公開一種小樣本貧信息下的燒結礦化學成分預測與智能控制系統，包括數據採集模塊、數據歸一化模塊、灰熵模塊、支持向量機模塊、組合模塊、推斷模塊、燒結礦化學成分預測模塊和智能控制模塊。本發明針對燒結過程的大滯後性、非線性以及參數信息的不完整性，結合一種灰熵-支持向量機的運算方法，建立了燒結礦各化學成分預測模型，在燒結工況穩定時能有效預測燒結礦化學成分。實驗結果和多種模型比較表明，本發明小樣本貧信息下的燒結礦化學成分預測與智能控制系統能在小樣本貧信息的條件下對燒結礦化學成分做出比較準確的預測，此種模型具有預測精度高、所需樣本少、計算簡便等優點，取得了令人滿意的結果。
文檔編號G05B13/04GK102156405SQ20111002527
公開日2011年8月17日 申請日期2011年1月24日 優先權日2011年1月24日
發明者宋強, 李華, 王愛民 申請人:宋強, 李華, 王愛民