一種高爐鐵水質量預報方法及其系統與流程
2023-05-19 03:35:21
本發明涉及高爐煉鐵工業過程的自動控制領域，尤其涉及一種高爐鐵水質量預報方法及其系統。
背景技術：
高爐煉鐵是鋼鐵生產過程中重要環節，其為鋼鐵生產的上遊工序，是鋼鐵生產過程中CO2排放的主要環節，同時也是能耗最大的工序，其存在著巨大的優化空間。控制高爐保持一個合理的爐溫，維持高爐的長期穩定順行是實現高爐生產高效、優質、低耗的關鍵所在。但是高爐是一個高溫、高壓、強腐蝕、強幹擾、多物理場共存、化學反應與傳遞效應同時發生的環境，高爐煉鐵過程則是具有時變、非線性、多尺度、大時滯特性的連續動態反應過程，我們很難直接獲得高爐內部的爐況相關信息，這使得高爐的爐況極難控制。
高爐鐵水中的矽含量反映了高爐內部的爐溫變化和高爐爐缸位置的熱狀態，是高爐生產中的一個重要指標，在高爐的實際生產中是難以直接測得鐵水中的矽含量的。故而眾多學者都致力於鐵水矽含量的軟測量方法的研究，而由於高爐內部極為複雜的情況，高爐鐵水矽含量的機理模型難以建立且效果較差，目前大部分都是採用數據驅動的方式建立鐵水矽含量的軟測量模型，實現對鐵水矽含量的預測。
專利公開號CN104651559A公開了「一種基於多元在線序貫極限學習機的高爐鐵水質量在線預報體系及預報方法」以爐腹煤氣量、熱風溫度、熱風壓力、富氧率、鼓風溼度、噴煤量等變量的相關數據建立M-SVR軟測量模型實現了對高爐鐵水參數矽含量、磷含量、硫含量、鐵水溫度的預測。
專利公開號CN106096637A公開了一種「基於Elman-Adaboost強預測器的鐵水矽含量預測方法」選擇合適的輸入變量訓練K個Elman神經網絡的弱預測器，並用Adaboost算法融合這K個弱預測器得到Elman-Adaboost強預測器對鐵水矽含量進行預測。
專利公開號CN104915518A公開了「一種高爐鐵水矽含量二維預報模型的構建方法及應用」將bootstrap預測區間發與基於BP神經網絡的鐵水矽含量預測方法相結合，構建出了高爐鐵水矽含量的二維預報模型，在給出下一個時刻的鐵水矽含量預測值的同時給出預測值的預測區間，以預測區間的寬度表徵預測值的可信度。
上述專利的方法以及其相關的文獻大多依憑經驗人為選取或採用一些線性的相關性分析方法選取相關變量作為輸入進行建模，若引入的變量對需要預測的鐵水矽含量的影響不大，可能會帶來一定程度的幹擾，從而影響預測精度。並且上述專利及其相關文獻中模型在訓練完成之後模型中的各參數基本固定，隨著運行時間的推移，樣本發生變化，靜態模型無法適應樣本的變化，這可能會導致其預測精度出現一定程度的下降。綜上所述，提出一種選取合適的變量構建高爐鐵水質量動態預報方法和系統是非常有必要的。
技術實現要素：
有鑑於現有技術的上述缺陷，本發明所要解決的技術問題是提供一種預測精度高，能夠在高爐煉鐵過程中指導現場工作人員的高爐鐵水質量預報方法及系統。
為實現上述目的，本發明提供了一種高爐鐵水質量預報方法，包括以下步驟：
步驟一、根據現有對鐵水質量影響因素的研究，通過與現場技術人員交流以及現場數據的情況，以高爐的鐵水矽含量作為鐵水質量的主要表徵參數，並從機理上分析出影響高爐鐵水矽含量的參數，所述參數為影響變量X；
步驟二、在機理分析的基礎上，通過現場資料庫獲得高爐煉鐵過程中所產生的鐵水矽含量以及所述影響變量的歷史數據，使用最大信息係數對所述影響變量進行相關性分析；
步驟三、根據最大信息係數相關性分析的定義計算出所述影響變量X與鐵水矽含量Y在不同時滯條件下與鐵水矽含量的最大信息係數，記錄並保存不同時滯條件下各個影響變量與鐵水質量的最大信息係數所對應的數值和時滯大小；
步驟四、根據歷史經驗和數學統計方法分析，設定一個閾值作為選取影響變量和時滯的標準，根據設定的閾值標準，選取最大信息係數中大於該閾值所對應的影響變量作為高爐鐵水矽含量預測模型的輸入變量X1,X2,…Xn，在選定的輸入變量中尋找不同時滯下所對應的最大信息係數最大的作為預測模型的輸入變量時滯τ1,τ2,…τn；考慮自回歸，利用最大信息係數相關性分析，確定鐵水質量Y自身自回歸的最佳時滯τ；
步驟五、根據步驟四中確定的輸入變量X1,X2,…Xn和輸入變量時滯τ1,τ2,…τn，以及鐵水質量Y自身自回歸的最佳時滯τ，確定具體的鐵水質量預報模型為：
其中t為時間；
步驟六、根據設定好的影響高爐鐵水矽含量的參數，通過所述參數的歷史數據及對應爐次的鐵水矽含量數據，對步驟五中的所述鐵水質量預報模型進行訓練、驗證，直至得到誤差在允許範圍內的預測模型；
步驟七、利用步驟六中得到的誤差在允許範圍內的預測模型進行高爐煉鐵過程中的鐵水質量預測。
進一步地，所述最大信息係數相關性分析是指：對於給定的有序數據集D:(X,Y)，把x-y平面劃分為網格G，使數據集D中的所有點落入網格集G中，定義D|G為數據集D在網格集G上的分布，那麼最大信息係數為其中G取可能劃分的最大值，I(D|G)表示D|G的互信息；
所述互信息是指：針對兩個時間序列X和Y，I(X|Y)＝H(X)+H(Y)-H(X,Y)；其中H(X),H(Y)分別為X，Y的信息熵，其求取公式為：H(X,Y)的求取公式為：
其中p(x,y)為隨機變量X和Y的聯合分布概率密度。
進一步地，所述影響高爐鐵水矽含量的參數包括冷風流量、送風比、熱風壓力、爐頂壓力、壓差、頂壓風量比、透氣性、阻力係數、熱風溫度、富氧流量、富氧率、設定噴煤量、鼓風溼度、理論燃燒溫度、標準風速、實際風速、鼓風動能、爐腹煤氣量、爐腹煤氣指數、頂溫東北、頂溫西南、頂溫西北、頂溫東南、軟水溫差。
進一步地，所述步驟六為：確定好影響變量的個數後，選取這些影響變量的歷史數據和對應爐次的鐵水矽含量數據，並進行歸一化的預處理；隨後將歸一化後的數據作為動態神經網絡的訓練數據集，將處理過後與當次鐵水矽含量對應的不同時滯條件下的變量數據作為輸入，以當次鐵水矽含量作為輸出，對動態神經網絡進行訓練；隨後選取在上述訓練數據集以外的歷史數據作為測試集，對訓練的模型進行測試，若誤差在一定範圍內則可以使用，若誤差超出誤差允許範圍則重新訓練直至得到較好的預測模型，即所述誤差在允許範圍內的預測模型。
進一步地，所述步驟六中衡量誤差範圍的標準是以預測值與實際值之間的均方誤差，即：
其中表示預測值，Y表示實際值。
根據上述方法，為了更好的應用到高爐煉鐵過程中去，本發明還在上述鐵水質量預測方法的基礎上，利用LABVIEW、MATLAB以及資料庫伺服器等技術，採用LABVIEW與MATLAB混合編程，搭建一套鐵水質量預報系統，該系統能夠利用上述方法預判下一時刻的鐵水質量值以及監控其他影響變量，以協助現場工人在高爐煉鐵過程中更好的操作。
本發明基於上述方法構建了高爐鐵水質量預報系統，所述的高爐鐵水質量預報系統可用於預判下一時刻的鐵水質量值以及監控其它影響變量，其包括：
登錄模塊，所述登錄模塊用於實現現場工人和管理員的登陸功能，根據預先存入的現場工人和管理員身份，通過身份對比驗證登陸人員是否具有登陸預報系統的權限；
上位機模塊，所述上位機模塊與現場伺服器和資料庫相連，所述上位機模塊包括所述高爐鐵水質量預報系統的核心算法和界面，與現場伺服器一起能夠實現的功能包括：實現工人和管理員登錄、顯示鐵水質量趨勢、查看主要影響變量情況、記錄並保存鐵水質量和主要影響變量數據、監控高爐運行狀態以及選擇預測模型；所述上位機模塊能夠根據現場採集到的實時數據去預報下一批鐵水質量，並對鐵水質量以及相關的參數進行監控；
現場伺服器與資料庫，所述現場伺服器與所述資料庫相連，用於對高爐實時運行中高爐的上部調劑手段和相關數據、下部調劑手段和相關數據以及爐內可測量數據進行採集存儲；其中，上部調劑的數據包括爐料的固有屬性、一批料的批重、布料矩陣；下部調劑的數據包括噴煤量、冷風流量、富氧量；爐內可測量數據包括爐頂壓力、爐頂溫度、透氣性。
進一步地，所述現場伺服器從所述資料庫中讀取高爐煉鐵現場所採集數據，然後將所需要的數據傳到上位機模塊從而實現對高爐運行狀態的監控，實現對鐵水質量和主要影響變量的查看、記錄和保存。
進一步地，所述資料庫包括高爐運行本身的數據、爐料供應系統的數據以及鼓風噴煤系統的數據；其中，所述高爐本身運行的數據包括爐溫、鐵水質量、鐵水爐次和高爐頂壓，所述爐料供應系統的數據包括爐料批次、爐料質量和爐料速度，所述鼓風噴煤系統的數據包括實際風速、鼓風量、富氧量、煤氣利用率、爐腹煤氣量、透氣性、阻力係數和理論燃燒溫度。
進一步地，所述鐵水質量預報系統採用LABVIEW與MATLAB混合編程，完成鐵水質量預報方法中預測模型的訓練、驗證與預測，從而能夠實現鐵水質量預測方法在鐵水質量預報系統中的運用。
進一步地，所述鐵水質量預報系統還包括選擇和自建預測模型模塊，所述選擇和自建預測模型模塊用於使任何具有權限使用鐵水質量預報系統的人可以根據需要去實踐自己的預測方法可行性；其中，所述根據需要是指高爐煉鐵過程中高爐狀況發生重大變化，或者有其它更好的鐵水質量預測方法需要通過實踐驗證該預測方法的可行性。
本發明的鐵水質量預報方法是基於最大信息係數與動態神經網絡的預測方法，該方法首先利用最大信息係數研究對鐵水質量的影響變量與鐵水質量之間的非線性相關性進行研究，並基於上述相關性分析結果對鐵水質量的影響變量進行篩選，並確定影響因素與鐵水質量的時滯關係，通過從資料庫中提取相應的歷史數據作為預測模型的訓練集，採用動態神經網絡的方法對預測模型進行訓練，以實現對模型的滾動優化，據此實現對鐵水質量的預測。以上述預測方法為基礎，本發明進一步利用LABVIEW與MATLAB混合編程，搭建了一套鐵水質量預報系統，實現對鐵水質量的預測以及鐵水質量及其相關影響變量的監控，從而在高爐煉鐵過程中對現場工作人員具體操作起一定指導作用。
以下將結合附圖對本發明的構思、具體結構及產生的技術效果作進一步說明，以充分地了解本發明的目的、特徵和效果。
附圖說明
圖1為本發明的一個較佳實施例中的高爐本體結構示意圖；
圖2為本發明的一個較佳實施例的鐵水質量預報系統的應用流程圖；
圖3為本發明的一個較佳實施例的鐵水質量預報系統的結構框圖；
圖4為本發明的一個較佳實施例的鐵水質量預報系統的登錄界面；
圖5為本發明的一個較佳實施例的鐵水質量預報系統的監控界面；
圖6為本發明的一個較佳實施例的鐵水質量預報系統的監控參數設置界面；
圖7為本發明的一個較佳實施例的鐵水質量預報系統的預測模型選擇界面。
具體實施方式
下面將結合附圖與實例對本發明的具體實施方式做詳細說明。
在本發明的一個較佳實施例中，提供了一種高爐鐵水質量預報方法，採用該方法對高爐煉鐵過程中的鐵水質量進行預測。本實施例的高爐鐵水質量預報方法包括以下步驟：
步驟一：結合某鋼廠2號高爐的實際可測得或可計算得出的變量情況，進行機理分析，最終確定了24個與高爐鐵水矽含量相關的影響變量：X1-冷風流量，X2-送風比，X3-熱風壓力，X4--爐頂壓力，X5-壓差，X6-頂壓風量比，X7-透氣性，X8-阻力係數，X9-熱風溫度，X10-富氧流量，X11-富氧率，X12-設定噴煤量，X13-鼓風溼度，X14-理論燃燒溫度，X15-標準風速，X16-實際風速，X17-鼓風動能，X18-爐腹煤氣量，X19-爐腹煤氣指數，X20-頂溫東北，X21-頂溫西南，X22-頂溫西北，X23-頂溫東南，X24-軟水溫差。
上述某鋼廠2號高爐模型如圖1所示，其中，1-高爐布料溜槽，2-高爐爐頂部分，3-高爐爐喉部分，4-高爐爐身部分，5-高爐冷卻壁，6-高爐爐腰部分，7-高爐爐腹部分，8-高爐爐缸部分，9-熱風爐，10-高爐噴吹罐。該鋼廠2號高爐的爐容為2600m3，其中有效容積為2000m3，高爐主體部分高約50m，爐頂結構為串罐式無料鍾式。
步驟二：在機理分析的基礎上，從現場伺服器資料庫中提取出上述24個影響變量X以及矽含量Y(鐵水質量參數之一)在某一段時間內的歷史數據M。步驟三：根據最大信息係數相關性分析的定義，將上述所提出的歷史數據M，利用MATLAB計算上述各影響變量X與鐵水矽含量Y在不同時滯條件下與鐵水矽含量的最大信息係數，保存並記錄所得計算得到的最大信息係數表格如下：
步驟四：根據歷史經驗和數學統計方法分析，設定一個閾值A作為選取影響變量和時滯的標準，根據設定閾值A，選取上述最大信息係數中大於A所對應的的影響變量作為高爐鐵水矽含量預測模型輸入變量(根據實驗結果選取X1-冷風流量，X2-送風比，X3-熱風壓力，X4--爐頂壓力作為輸入變量，注該處為假設選取)，在選定的輸入變量中尋找不同時滯下所對應的最大信息係數最大的作為預測模型的輸入變量時滯τ1,τ2,…τn；考慮自回歸，利用最大信息係數相關性分析，確定鐵水質量Y自身自回歸的最佳時滯τ；時滯τ的選取過程如圖2中選取部分所示。
步驟五、根據步驟四中確定的輸入變量X1,X2,…Xn和輸入變量時滯τ1,τ2,…τn，以及鐵水質量Y自身自回歸的最佳時滯τ，確定具體的鐵水質量預報模型為：
其中t為時間。
步驟六：根據設定好的影響高爐鐵水矽含量的參數，通過所述參數的歷史數據及對應爐次的鐵水矽含量數據，對步驟五中的所述鐵水質量預報模型進行訓練、驗證，直至得到誤差在允許範圍內的預測模型。具體為，在MATLAB中設定鐵水質量預測模型參數，將歷史數據M的一部分作為該鐵水預測模型訓練集，一部分作為該鐵水質量預測模型驗證集，通過神經網絡訓練、驗證並得到誤差在允許範圍內的鐵水質量預測模型Model。
步驟七：將步驟六所得到的Model保存到現場伺服器中。
步驟八：利用步驟六中得到的誤差在允許範圍內的預測模型進行高爐煉鐵過程中的鐵水質量預測。
本實施例還提供了一種使用上述方法的高爐鐵水質量預報系統，其整體架構如圖3所示，該系統包括登錄模塊、上位機模塊、現場伺服器與資料庫。其中登錄模塊用於實現現場工人和管理員的登陸功能，根據預先存入的現場工人和管理員身份，通過身份對比驗證登陸人員是否具有登陸預報系統的權限。上位機模塊與現場伺服器和資料庫相連，上位機模塊包括本實施例的高爐鐵水質量預報系統的核心算法和界面(如圖4～7所示)，與現場伺服器一起能夠實現的功能包括：實現工人和管理員登錄、顯示鐵水質量趨勢、查看主要影響變量情況、記錄並保存鐵水質量和主要影響變量數據、監控高爐運行狀態以及選擇預測模型。上位機模塊能夠根據現場採集到的實時數據去預報下一批鐵水質量，並對鐵水質量以及相關的參數進行監控。
現場伺服器與資料庫相連，用於對高爐實時運行中高爐的上部調劑手段和相關數據、下部調劑手段和相關數據以及爐內可測量數據進行採集存儲；其中，上部調劑的數據包括爐料的固有屬性、一批料的批重、布料矩陣；下部調劑的數據包括噴煤量、冷風流量、富氧量；爐內可測量數據包括爐頂壓力、爐頂溫度、透氣性。現場伺服器從資料庫中讀取高爐煉鐵現場所採集數據，然後將所需要的數據傳到上位機模塊從而實現對高爐運行狀態的監控，實現對鐵水質量和主要影響變量的查看、記錄和保存。資料庫包括高爐運行本身的數據、爐料供應系統的數據以及鼓風噴煤系統的數據；其中，所述高爐本身運行的數據包括爐溫、鐵水質量、鐵水爐次和高爐頂壓，所述爐料供應系統的數據包括爐料批次、爐料質量和爐料速度，所述鼓風噴煤系統的數據包括實際風速、鼓風量、富氧量、煤氣利用率、爐腹煤氣量、透氣性、阻力係數和理論燃燒溫度。
本實施例的鐵水質量預報系統還可以包括選擇和自建預測模型模塊，該選擇和自建預測模型模塊用於使任何具有權限使用鐵水質量預報系統的人可以根據需要去實踐自己的預測方法可行性；其中，根據需要是指高爐煉鐵過程中高爐狀況發生重大變化，或者有其它更好的鐵水質量預測方法需要通過實踐驗證該預測方法的可行性。
以下步驟是針對鐵水質量預報系統的操作實例。
步驟九：打開鐵水質量預報系統，在登陸界面根據用戶身份選擇相應的登錄界面，並輸入相應的用戶名和登錄密碼，圖4中11-普通用戶的登陸界面，經過身份驗證之後即可進入圖5所示的鐵水質量預報系統的主界面中，同時系統將用戶信息和登錄時間記入後臺資料庫中。
步驟十：主界面中系統從資料庫中讀取前幾個時刻的鐵水質量的歷史數據以及相應的預測數據，並以折線圖的形式展示在鐵水質量走勢圖中；走勢圖中縱坐標為鐵水質量數據，橫坐標為時間軸，實線表示鐵水質量的實測值，虛線表示鐵水質量的預測值。並於走勢圖下方列出本爐次實際值、本爐次預測值、實際預測差值、本爐次預測趨勢、下爐次預測值、下爐次預測趨勢。其中預測趨勢以斜向上或者斜向下箭頭表示；實際預測差值則為實際值減去預測值。
步驟十一：結合專家經驗知識和理論數據分析結果，系統設定了默認的鐵水質量正常區間範圍，該區間範圍可由有相應修改權限的用戶根據實際情況對其進行修改。系統會根據本爐次的實際值和下爐次的預測值對鐵水質量進行監控預警，當本爐次實際值在正常區間外時，圖5中實際異常處呈現紅色高亮提示狀態；當下爐次預測值在正常區間外時，圖5中預測異常處呈現黃色高亮提示狀態；當上述兩者都不存在異常時，圖5中正常運行處會處於綠色高亮狀態。
步驟十二：主要參數監控模塊主要是對上述使用最大信息係數方法所篩選出的變量選取用戶所關心的變量進行監控，用戶點擊圖5中的12-參數設置按鈕會彈出圖6所示的參數設置界面，這裡可選參數均為經過篩選的變量，結合專家經驗知識和理論數據分析結果，系統給出默認的正常區間上下限，有權限的用戶可以根據實際情況進行修改；用戶可以勾選其所關心的參數，(圖6中假定勾選為參數2、3、5、8)點擊確認後，即在主界面中顯示，系統則會每一個通信時刻讀取現場伺服器中相應的參數的數值，並顯示出具體數值，給出參數的狀態以及相應的調節指導建議。數據保存按鈕是將當前時刻主要參數監控界面下所有的監控參數按照既定的格式保存到用戶指定目錄下。
步驟十三：該鐵水質量預報系統支持多種預測模型，點擊主界面右下方的預測模型選擇則會彈出如圖7所示的模型選擇界面，已默認設有6個可直接使用的模型，選中模型點擊模型簡介會給出該模型特性的簡要的文字描述，點擊模型分析則會使用近期的歷史數據對模型進行測試並給出一個模型預測精度，選中預設模型之後點擊確認模型，便會在將該模型應用實時預測中去。圖7中還有其他模型和自建模型兩個選項，其中其他模型為導入按既定格式存儲好參數的模型，自建模型則是用來當用戶對選中的預設模型的預測精度不滿意時，對模型進行重新訓練以獲得更適合當前情況模型參數，從而適應環境變化提高預測精度。
步驟十四：點擊重啟按鈕將會將所有設置都重置為默認設置。
步驟十五：點擊退出按鈕，系統將會退出主界面完成帳戶註銷，將用戶信息的退出時間記入後臺資料庫，並將界面返回至圖4的用戶登錄界面。
以上詳細描述了本發明的較佳具體實施例。應當理解，本領域的普通技術人員無需創造性勞動就可以根據本發明的構思作出諸多修改和變化。因此，凡本技術領域中技術人員依本發明的構思在現有技術的基礎上通過邏輯分析、推理或者有限的實驗可以得到的技術方案，皆應在由權利要求書所確定的保護範圍內。