豎爐焙燒系統磁選管回收率軟測量方法
2023-05-10 21:35:21 1
專利名稱：豎爐焙燒系統磁選管回收率軟測量方法
技術領域：
本發明屬於自動化測量技術領域，特別涉及對豎爐焙燒系統磁選管回收率的軟測量方法，豎爐焙燒系統是磁鐵礦選礦廠豎爐焙燒工段中用於對原礦進行還原性磁化焙燒的系統，而磁選管回收率是焙燒礦(即磁化焙燒的產品)的重要質量指標。
背景技術：
在磁鐵礦選礦廠中，豎爐是一種通過一系列物理、化學過程，把弱磁性鐵礦轉化為強磁性鐵礦的熱工設備，其工藝過程稱為「焙燒」。焙燒產品的質量通過磁選管回收率(以下簡稱回收率)衡量。而磁選管回收率是在磁選管這一設備中對焙燒礦樣品進行化驗得出的結果。在焙燒過程中影響回收率的因素有很多，而在豎爐焙燒做業中期望高值的回收率，因此對磁選管回收率的測量就尤為重要。
常規的磁選管回收率測量方法是通過定期或不定期的人工取樣離線化驗得到回收率數值。這種方法有許多不足1、人工操作時人為因素影響大，測量結果的客觀性差；2、焙燒過程的周期本身是一個較大的動態參數，很難確定測量結果所對應的工況；3、測量的時間間隔長且具有隨機性，測量結果反饋的滯後時間也長，因此得到的信息對操作人員和系統整體控制缺乏指導意義。
發明內容
為了解決現有豎爐焙燒系統的回收率測量方法之不足，本發明提供一種基於神經網絡結合專家系統的回收率軟測量方法，該方法通過常規在線測量儀表提供的輔助變量的測量參數，給出當前的磁選管回收率的預報值，為豎爐焙燒生產過程的優化操作和優化運行提供關鍵指標。
本發明回收率測量方法所應用的硬體平臺核心包括豎爐及其附屬設備，附屬設備包括搬出機、排礦輥等，同時配備了測量儀表、信號採集系統以及進行測量計算的計算機系統。
其中，豎爐焙燒系統的測量儀表包括
安裝在加熱帶外層的燃燒室內的熱電偶，用於在線測量燃燒室溫度TRS；安裝在還原煤氣進氣管上的流量計，用於在線測量還原煤氣流量LHY；安裝在加熱煤氣管道上的壓力計，用於在線測量加熱煤氣壓力PIR；安裝在加熱煤氣總管上的熱值儀，用於在線測量煤氣熱值HRZ。
信號採集系統為分布式計算機控制系統(DCS)，包括數據採集器和控制計算機，用以採集與傳輸測量儀表測得的信號。
本發明的軟測量方法既可以通過DCS的控制計算機實現，也可以通過獨立的監控計算機實現，該方法通過與上述信號採集系統進行通訊，獲得實時的過程數據，再通過神經網絡並結合專家系統預測磁選管回收率的結果。
本發明方法包括以下步驟步驟一、選擇輔助變量；本發明選擇的輔助變量包括燃燒室溫度TRS，還原煤氣流量LHY，搬出時間tRC，以及時間變量T。
步驟二、建立知識庫，並向知識庫中提供初始知識；利用在豎爐焙燒作業中，常規離線化驗測量磁選管回收率時，每隔一定時間間隔人工對旋流器溢流進行採樣，採樣的目標即上述輔助變量，然後化驗獲得磁選管回收率。對應每一次的採樣時間，輔助變量都有對應的過程變量值，這樣的一組數據，再結合對應的測量樣本的磁選管回收率化驗值εHYi，收集m組數據後，可以得到如下的數據集合MV＝{[Ti，εHYi，TRSi，LHYi，tBCi]|i＝1，…，m}以上述數據集合按照下述規則構成映射，建立知識庫，知識庫中的知識表示如下{[Ti，LRSi，LHYi，tBCi]|i＝1，…，m}→{εHyi|i＝1，…，m}通常，豎爐焙燒作業要分期處理多種礦石，在做處理時邊界條件是不同的，其中邊界條件包括每一種礦石的粒度、易燒程度以及焙燒時的爐況，針對上述不同的邊界條件本發明方法中分別建立對應的資料庫。
步驟三、預報回收率；
(一)專家系統評判工況參數，確定邊界條件，選擇對應的知識資料庫；讀取工況參數描述，其中工況參數為手動輸入工況參數，或在線實時自動讀取當前工況參數。工況參數包括判斷輔助變量的取值範圍以及邊界條件選取情況，判斷工況參數是否超出神經網絡輸入變量的邊界。如果在邊界範圍內，由神經網絡預報回收率；如果不在邊界範圍內，則由專家系統給出回收率預報值。
(二)訓練神經網絡；1)更新知識庫對訓練神經網絡的知識庫中的信息手動或自動進行增補、更新和修改。
2)參數歸一化給當前輔助變量進行歸一化處理，使其數值處在0～1之間。
3)網絡初始化採用徑向基函數(RBF)神經網絡對磁選管回收率進行預報。首先按照均勻分配的方法給出權值的初始值，利用K-均值聚類法確定中心與函數寬度的初始值。
4)利用誤差平方法計算誤差函數E；E=12j=1Nej2]]>ej=dj-i=1mjG(||xj-ti||ci)---(1)]]>其中，N為樣本數，j為樣本的序數，m為所選隱單元數，dj為磁選管回收率實際值，ω為權值，G為高斯函數，x為樣本，t為隱函數的中心，c為變換矩陣。
5)利用梯度下降法計算權值ω；E(n)i(n)=ej(n)G(||xj-ti(n)||ci)]]>i(n+1)=i(n)-E(n)i(n)---(2)]]>i＝1，2，…，m其中，n為迭代次數，η為訓練步長。
6)判斷是否滿足精度要求；Es為軟測量精度合格標準，若誤差函數E＜＝Es，則說明神經網絡的參數滿足預報精度要求，訓練結束，保存神經網絡的結構和參數，以備回收率軟測量之用；若E＞Es，則說明神經網絡的參數還沒有達到預報精度要求，因此需要對其繼續訓練，重複步驟(4)～(6)，直至滿足預報精度要求。
(三)計算回收率預報結果；1)由神經網絡給出磁選管回收率的預報值；如果工況參數在神經網絡輸入變量的邊界範圍之內，則對當前的輔助變量歸一化處理。利用訓練好的神經網絡，計算回收率預報值。
2)由專家系統給出磁選管回收率的預報值；當系統自動實時讀取的、或人為設定的任何一個工況參數的數值超出了神經網絡輸入變量的邊界範圍時，由專家系統按照分段線性化方法計算該工況對應的磁選管回收率。
3)顯示並保存軟測量結果把當前工況參數情況下預報的磁選管回收率的軟測量值顯示在人機界面上，並把當前工況參數、時間、軟測量值等數據保存到資料庫中。
為了充分發揮本發明的磁選管回收率軟測量方法的功能，軟測量程序能實時自動讀取當前工況參數描述，具體時限長短可以根據生產管理部門的要求確定，然後按照上述方法自動對讀取的當前工況描述進行回收率軟測量，把軟測量結果顯示在操作者或者技術工人容易看到的畫面上，保存結果及其它數據。另外還可以對資料庫中一些時間久遠、不適應於目前工況的記錄進行適當刪減。
本發明方法還具有專家解釋功能，包括兩方面①諮詢理解。用戶可以自行提交一些假設工況，本方法則給出該工況下的磁選管回收率預報值。
②結論解釋。對推理過程以及預報結果進行解釋，使用戶在一定程度上明確推理過程和依據，達到人機共識的效果。對推理過程的解釋，即向用戶說明預報值是由神經網絡還是由專家系統預報得出的；對預報結果的解釋，即對偏離正常值的結果分析偏離原因並告知用戶。
本發明豎爐焙燒系統磁選管回收率軟測量方法，其操作過程執行步驟如下
(A)開始；(B)確定邊界條件，包括礦石粒度範圍、爐況等一些不可控的自然情況，對應不同的礦石的邊界條件，建立了不同的資料庫，在這裡確定了邊界條件，就是選擇其對應的軟測量資料庫；(C)學習或預報？選擇「學習」時，執行步驟(D)，開始對神經網絡進行訓練；選擇「預報」時，執行步驟(L)，進行磁選管回收率預報；(D)修改知識庫；對訓練神經網絡的知識庫中的信息進行增補、更新和修改；(E)參數歸一化給當前輔助變量進行歸一化處理，使其數值處在0～1之間；(F)網絡初始化採用RBF神經網絡對磁選管回收率進行預報，首先按照均勻分配的方法給出權值的初始值，利用K-均值聚類法確定中心與函數寬度的初始值；(G)計算誤差函數E；(H)計算權值ω；(I)是否滿足精度要求？若誤差函數E＜＝Es，Es為軟測量精度合格標準，則說明神經網絡的參數滿足預報精度要求，訓練結束，繼續(J)；若E＞Es，則說明神經網絡的參數還沒有達到預報精度要求，還需對其繼續訓練，即轉向H，重複(G)～(I)的操作；(J)保存網絡設置保存神經網絡的結構和參數，以備回收率軟測量之用；(K)是否進行回收率預報？如果選擇「是」，則轉向(L)，進行回收率預報流程；如果選擇「否」，則跳到(S)，結束程序；(L)讀取當前工況描述也就是讀取需要進行回收率軟測量的工況描述參數或者在線實時自動讀取當前工況描述參數；(M)判斷工況參數是否超出神經網絡輸入變量的邊界？包括加熱帶溫度取值範圍、還原煤氣流量取值範圍、搬出時間取值範圍以及邊界條件選取情況，如果「是」，則轉向(Q)，由專家系統給出回收率預報值；如果「否」，則繼續(N)，由神經網絡預報回收率；(N)同步驟E；(O)讀取神經網絡相關參數調用保存過的神經網絡的結構及其內部參數，以便利用其對回收率進行預報；如果不需要繼續測量，則轉至(P)；(P)計算回收率預報值利用以上準備好的神經網絡對當前工況下的磁選管回收率進行預報；(Q)由專家系統給出磁選管回收率的預報值當系統讀取的、或人為設定的任何一個工況參數的數值超出了神經網絡輸入變量的邊界範圍，便不能夠使用神經網絡對回收率進行預報；這時，由專家系統按照分段線性化方法計算該工況對應的磁選管回收率；(R)顯示並保存軟測量結果把當前工況的解即磁選管回收率的軟測量值顯示在人機界面上，並把當前工況描述、時間、軟測量值等數據保存到相關資料庫中，以供案專家評判、網絡訓練及其它操作使用；(S)結束。
本發明的優點在於利用計算機系統和常規的檢測儀表提供的在線過程數據結合人工採樣數據，實現了豎爐焙燒系統磁選管回收率的基於神經網絡結合專家系統的軟測量。與人工測量相比，減少了操作人員的工作量，降低了人為操作引入的測量的不確定性，提高了測量的時效性。由於知識庫不斷有代表最新工況的新知識加入，不適應工況的舊知識又不斷被刪減替換，所以本發明中軟測量方法具有很強的自適應和自學習能力。另外，由於本發明針對不同的礦石邊界條件的差異用不同的知識庫來進行推理，所以適用面廣，軟測量也更精確。該方法有助於實現豎爐焙燒系統的優化控制和優化運行。
圖1豎爐焙燒系統的測量儀表及計算機配置原理框圖；圖2本發明的軟測量方法的流程圖；其中，TRS燃燒室溫度，LHY還原煤氣流量，tBC搬出時間，HRZ煤氣熱值，PJR加熱煤氣壓力，HY磁選管回收率化驗值，KT熱電偶，HT熱值儀，QT流量計，PT壓力計。
具體實施例方式
某大型鐵礦選礦廠的豎爐磁化焙燒工段，該選礦廠的主要鐵礦石為赤鐵礦、褐鐵礦，脈石以重晶石、石英、碧玉及鐵白雲石為主，礦石實際含鐵品位33％，豎爐焙燒的目的是將弱磁性的赤鐵礦(Fe2O3)還原成強磁性的磁鐵礦(Fe3O4)，使它能在選別強磁性礦物的低磁場強度的磁選機上進行選別，達到提高金屬回收率。
按照本發明方法的要求安裝如下的測量儀表，包括四個鎳鉻矽-鎳矽鎂熱電偶，用於在線測量燃燒室溫度TRS；一個威力巴流量計，用於在線測量還原煤氣流量LHY；一個1151壓力變送器，用於在線測量爐內負壓PLN；一個3051差壓變送器，用於在線測量加熱煤氣壓力PJR；一個煤氣熱值分析儀，用於在線測量煤氣熱值HRZ。
以可編程控制器(PLC)實現基礎控制迴路和搬出時間tBC的自動控制，並讀取上述的過程數據。在監控計算機中以RSView32軟體實現監控人機界面。該豎爐焙燒系統的正常工作範圍為
臺時處理量——22~27噸/(臺·小時)燃燒室溫度——1050~1200℃還原礦石溫度——550~600℃廢氣溫度——＜100℃煤氣熱值——4600~5000KJ/m3煤氣壓力——4800~5200Pa軟測量程序用RSView32提供的VBA應用軟體編制。軟測量軟體在單獨的優化計算機上運行，該計算機上裝有RSLinx通訊程序負責與PLC和上位機進行數據通訊，RSLinx與軟測量程序之間通過DDE方式進行雙向通訊。
本發明方法的具體實現過程如下步驟一、選擇輔助變量，包括燃燒室溫度TRS，還原煤氣流量LHY，搬出時間tBC，以及時間變量T。
步驟二、建立資料庫，用實驗的方法建立資料庫的初始數據，並從知識庫中獲取初始知識。
步驟三、預報回收率。
(一)專家系統評判工況，確定邊界條件，選擇對應的知識資料庫；判斷工況參數是否超出神經網絡輸入變量的邊界，神經網絡輸入變量的邊界為燃燒室溫度(1000～1200)℃，還原煤氣流量(2000～2600)m3/h，搬出時間(2～4)分鐘。如果工況參數在邊界範圍內，由神經網絡預報回收率；如果不在邊界範圍內，則由專家系統給出回收率預報值。
(二)訓練神經網絡；神經網絡訓練過程中涉及到的初始值和訓練步長根據具體工藝特徵和經驗具體確定如下網絡初始值初始權值——ωi(0)＝0.33 i＝1，2，11
隱函數中心初始值——ti(0)＝
j＝1，2，3隱函數初始寬度——i-1=
]]>j＝1，2，3訓練步長η＝0.6118神經網絡訓練過程燃燒室溫度的樣本數據Temp＝[1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 10001000 1025 1025 1025 1025 1025 1025 1025 1025 1025 1025 1025 1025 1050 1050 1050 10501050 1050 1050 1050 1050 1050 1050 1050 1100 1100 1100 1100 1100 1100 1100 1100 11001100 1100 1lOO 1150 1150 1150 1150 1150 1150 1150 1150 1150 1150 1150 1150 1200 12001200 1200 1200 1200 1200 1200 1200 1200 1200 1200]；還原煤氣流量的樣本數據Flux＝[2000 2200 2400 2600 2900 3200 2000 2200 2400 2600 29003200 2000 2200 2400 2600 2900 3200 2000 2200 2400 2600 2900 3200 2000 2200 2400 26002900 3200 2000 2200 2400 2600 2900 3200 2000 2200 2400 2600 2900 3200 2000 2200 24002600 2900 3200 2000 2200 2400 2600 2900 3200 2000 2200 2400 2600 2900 3200 2000 22002400 2600 2900 3200 2000 2200 2400 2600 2900 3200]；搬出時間的樣本數據Carry＝[9876544 56789987654456789987654456789987654456789987654456789987654456789]；將樣本數據歸一化燃燒室溫度的歸一化計算方法為X1＝(Temp-1000)/200；還原煤氣流量的歸一化計算方法為X2＝(Flux-2000)/1200搬出時間的歸一化計算方法為X3＝(Carry*60-120)/300利用誤差平方法計算誤差函數E
E=12j=1Nej2]]>ej=dj-i=1mjG(||xj-ti||ci)---(1)]]>其中，N為樣本數，j為樣本的序數，m為所選隱單元數，dj為磁選管回收率實際值，ω為權值，G為高斯函數，x為樣本，t為隱函數的中心，c為變換矩陣。
利用梯度下降法計算權值ω；E(n)i(n)=ej(n)G(||xj-ti(n)||ci)]]>i(n+1)=i(n)-E(n)i(n)---(2)]]>i＝1，2，…，m其中，n為迭代次數，η為訓練步長。
判斷訓練結果是否滿足精度要求時所需的精度閾值Es規定為10-4，通過公式(1)和(2)計算得出的E，當E＜Es時，ωi(34)＝0.79(i＝1)，ωi(34)＝0.054(i≠1)，訓練結束。
(三)計算回收率預報結果；1)由神經網絡給出磁選管回收率的預報值；利用前述訓練好的神經網絡，最終算得磁選管回收率為0.7931。
2)由專家系統給出磁選管回收率的預報值；當系統讀取的、或人為設定的任何一個工況參數的數值超出了神經網絡輸入變量的邊界範圍時，由專家系統按照分段線性化方法計算該工況對應的磁選管回收率。
3)顯示並保存軟測量結果每隔1小時調用一次磁選管回收率軟測量程序，進行一次該時間工況下的回收率軟測量，並及時把軟測量結果輸出到計算機的系統管理畫面，同時把軟測量結果保存到磁選管回收率軟測量實時資料庫中，為操作者或相關技術工人進行參數優化和監督操作提供參考指導作用。
本發明即基於神經網絡結合專家系統的豎爐焙燒磁選管回收率軟測量模型在豎爐焙燒系統正常運行期間，能夠根據過程的實時數據估計出磁選管回收率，相對誤差不超過2％，成為一個具有很高實用價值的、低成本的回收率測量手段。
權利要求
1.一種豎爐焙燒系統磁選管回收率軟測量方法，該方法所應用的硬體平臺包括測量儀表、信號採集系統以及進行測量計算的計算機系統，其特徵在於該軟測量方法包括以下步驟步驟一、選擇輔助變量；包括燃燒室溫度TRS，還原煤氣流量LHY，搬出時間tBC，以及時間變量T；步驟二、建立由採樣時間、輔助變量對應的過程變量值和磁選管回收率化驗值構成的知識庫，並向知識庫中提供初始知識；步驟三、預報回收率；(一)專家系統評判工況參數，確定邊界條件，選擇對應的知識資料庫；(二)訓練神經網絡；(三)計算回收率，預報結果。
2.如權利要求1所述的一種豎爐焙燒系統磁選管回收率軟測量方法，其特徵在於所述步驟三(一)中，工況參數包括判斷輔助變量的取值範圍以及邊界條件選取情況，通過手動輸入，或在線實時自動讀取；判斷工況參數是否超出神經網絡輸入變量的邊界，如果沒有超出邊界範圍，由神經網絡預報回收率；如果超出邊界範圍，則由專家系統給出回收率預報值。
3.如權利要求1所述的一種豎爐焙燒系統磁選管回收率軟測量方法，其特徵在於所述步驟三(二)中神經網絡的訓練過程如下1)更新知識庫對訓練神經網絡的知識庫中的信息手動或自動進行增補、更新和修改；2)參數歸一化給當前輔助變量進行歸一化處理，使其數值處在0～1之間；3)網絡初始化採用徑向基函數(RBF)神經網絡對磁選管回收率進行預報；首先按照均勻分配的方法給出權值的初始值，利用K-均值聚類法確定中心與函數寬度的初始值；4)利用誤差平方法計算誤差函數E；5)利用梯度下降法計算權值ω；6)判斷是否滿足精度要求Es為軟測量精度合格標準，若誤差函數E＜＝Es，則說明神經網絡的參數滿足預報精度要求，訓練結束，保存神經網絡的結構和參數，以備回收率軟測量之用；若E＞Es，則說明神經網絡的參數還沒有達到預報精度要求，因此需要對其繼續訓練，重複步驟(4)～(6)，直至滿足預報精度要求。
4.如權利要求1所述的一種豎爐焙燒系統磁選管回收率軟測量方法，其特徵在於所述步驟三(三)中，計算及預報的實現過程如下1)由神經網絡給出磁選管回收率的預報值如果工況參數在神經網絡輸入變量的邊界範圍之內，則對當前的輔助變量歸一化處理，利用訓練好的神經網絡，計算回收率預報值；2)由專家系統給出磁選管回收率的預報值當系統自動實時讀取的、或人為設定的任何一個工況參數的數值超出了神經網絡輸入變量的邊界範圍時，由專家系統按照分段線性化方法計算該工況對應的磁選管回收率；3)顯示並保存軟測量結果把當前工況參數情況下預報的磁選管回收率的軟測量值顯示在人機界面上，並把當前工況參數、時間、軟測量值等數據保存到資料庫中。
5.如權利要求1所述的一種豎爐焙燒系統磁選管回收率軟測量方法，其特徵在於該方法的軟體執行步驟如下(A)開始；(B)確定邊界條件，包括礦石粒度範圍、爐況等一些不可控的自然情況，對應不同的礦石的邊界條件，建立了不同的資料庫，在這裡確定了邊界條件，就是選擇其對應的軟測量資料庫；(C)學習或預報？選擇「學習」時，執行步驟(D)，開始對神經網絡進行訓練；選擇「預報」時，執行步驟(L)，進行磁選管回收率預報；(D)修改知識庫；對訓練神經網絡的知識庫中的信息進行增補、更新和修改；(E)參數歸一化給當前輔助變量進行歸一化處理，使其數值處在0～1之間；(F)網絡初始化採用RBF神經網絡對磁選管回收率進行預報，首先按照均勻分配的方法給出權值的初始值，利用K-均值聚類法確定中心與函數寬度的初始值；(G)計算誤差函數E；(H)計算權值ω；(I)是否滿足精度要求？若誤差函數E＜＝Es，Es為軟測量精度合格標準，則說明神經網絡的參數滿足預報精度要求，訓練結束，繼續(J)；若E＞Es，則說明神經網絡的參數還沒有達到預報精度要求，還需對其繼續訓練，即轉向H，重複(G)～(I)的操作；(J)保存網絡設置保存神經網絡的結構和參數，以備回收率軟測量之用；(K)是否進行回收率預報？如果選擇「是」，則轉向(L)，進行回收率預報流程；如果選擇「否」，則跳到(S)，結束程序；(L)讀取當前工況描述也就是讀取需要進行回收率軟測量的工況描述參數或者在線實時自動讀取當前工況描述參數；(M)判斷工況參數是否超出神經網絡輸入變量的邊界？包括加熱帶溫度取值範圍、還原煤氣流量取值範圍、搬出時間取值範圍以及邊界條件選取情況，如果「是」，則轉向(Q)，由專家系統給出回收率預報值；如果「否」，則繼續(N)，由神經網絡預報回收率；(N)同步驟E；(O)讀取神經網絡相關參數調用保存過的神經網絡的結構及其內部參數，以便利用其對回收率進行預報；如果不需要繼續測量，則轉至(P)；(P)計算回收率預報值利用以上準備好的神經網絡對當前工況下的磁選管回收率進行預報；(Q)由專家系統給出磁選管回收率的預報值當系統讀取的、或人為設定的任何一個工況參數的數值超出了神經網絡輸入變量的邊界範圍，便不能夠使用神經網絡對回收率進行預報；這時，由專家系統按照分段線性化方法計算該工況對應的磁選管回收率；(R)顯示並保存軟測量結果把當前工況的解即磁選管回收率的軟測量值顯示在人機界面上，並把當前工況描述、時間、軟測量值等數據保存到相關資料庫中，以供案專家評判、網絡訓練及其它操作使用；(S)結束。
全文摘要
一種豎爐焙燒系統磁選管回收率軟測量方法，包括選擇輔助變量，建立知識庫並向知識庫提供初始知識，預報回收率；其中預報回收率時，判斷工況參數是否在邊界範圍內，來選擇由神經網絡還是專家系統預報；預報結果及對應的工況參數將保存到資料庫，同時顯示給用戶。該方法還提供對推理過程和預報結果的解釋。該方法利用計算機系統和常規的檢測儀表提供的在線過程數據結合人工採樣數據，實現了豎爐焙燒系統磁選管回收率的基於神經網絡結合專家系統的軟測量。與人工測量相比，減少了操作人員的工作量，降低了人為操作引入的測量的不確定性，提高了測量的時效性。該方法具有很強的自適應和自學習能力。該方法適用面廣，測量精確，有助於系統的優化。
文檔編號G06F19/00GK1763523SQ20051004729
公開日2006年4月26日 申請日期2005年9月29日 優先權日2005年9月29日
發明者吳峰華, 嚴愛軍, 嶽恆, 柴天佑 申請人:東北大學