高爐冶煉過程的子空間辨識、預測及控制.pdf

1、鋼鐵工業(yè)是國民經(jīng)濟的重要支柱產(chǎn)業(yè)，也是大量消耗能源的產(chǎn)業(yè)。而作為鋼鐵生產(chǎn)體系中能耗最大的環(huán)節(jié)，高爐煉鐵的每一個技術進步都將帶來巨大的經(jīng)濟和社會效益。本文以內(nèi)蒙古包鋼6＃高爐在線采集的冶煉過程數(shù)據(jù)為基礎，針對高爐的實際情況及煉鐵生產(chǎn)中工長關注的實際問題，對高爐冶煉過程的辨識、預測及控制進行研究，從而為高爐冶煉過程的閉環(huán)控制提供了一種新的思路，具有一定的理論意義和應用價值。
　　 高爐冶煉過程自動控制的核心難題是爐溫的預測和控制．其

2、復雜性來源于幾種復雜動力學的交叉。一個良好的預測模型對實際生產(chǎn)有重要指導價值，而如果能夠得到一個有效的控制模型，其意義則更為顯著。因此，高爐冶煉過程的預測控制問題成為本篇論文研究的核心問題。論文的第二章簡要介紹了高爐生產(chǎn)流程以及高爐專家系統(tǒng)的最新設計思路，通過煉鐵工藝機理模型、爐況診斷推理模型、系統(tǒng)優(yōu)化的數(shù)理模型以及爐溫預測控制模型的智能化集成，為實現(xiàn)高爐冶煉過程的閉環(huán)控制奠定基礎。論文的第三章針對高爐實際數(shù)據(jù)中經(jīng)常出現(xiàn)的缺失值和異常值

3、分別進行處理，對于數(shù)據(jù)中的缺失值，通過將離散屬性的數(shù)據(jù)進行分類從而利用C4.5決策樹算法進行填充，取得了較好的填充效果。對于數(shù)據(jù)中的異常值，基于馬氏距離等4種多變量異常值檢測方法來判定異常值并將其從原始數(shù)據(jù)中刪除。對異常值和缺失值的合理處置大大降低了數(shù)據(jù)的波動性．在此基礎上，論文第四章介紹了一種較新的系統(tǒng)辨識方法一子空間方法。這種方法基于輸入輸出數(shù)據(jù)，對模型結構的先驗知識需求較少，其算法實現(xiàn)依賴于一些簡單可靠的線性代數(shù)工具因而在數(shù)值計算

4、中具有一定的魯棒性并且能夠較好地適用于高爐冶煉過程等多變量系統(tǒng)。利用子空間方法對第三章的數(shù)據(jù)處理效果進行驗證，結果表明數(shù)據(jù)處理能夠?qū)Ω郀t冶煉的辨識和預測產(chǎn)生較好的效果。
　　 為進一步提高辨識效果，論文第五章基于子空間方法分別對高爐冶煉過程采用Wiener模型和Hammerstein—Wiener模型結構進行辨識。對于Wiener模型辨識，通過對非線性模塊的逆函數(shù)進行逼近從而顯式地得到系統(tǒng)的非線性特性，將多輸入單輸出非線性問題轉(zhuǎn)

5、化成為一個多輸入多輸出的模型進行辨識，利用辨識得到的模型對包鋼數(shù)據(jù)進行預測，預測命中率達到81％。對于Hammerstein—Wiener模型，在辨識過程中利用徑向基函數(shù)良好的逼近能力及其對多變量系統(tǒng)的方便處理分別對Hammerstein非線性和Wiener非線性部分進行逼近，并利用BFGS最優(yōu)化方法對參數(shù)進行優(yōu)化。利用四種徑向基函數(shù)：Laplacian徑向基函數(shù)、Logistic徑向基函數(shù)、Gaussian徑向基函數(shù)和薄板樣條徑向基函

6、數(shù)進行建模，結果表明利用薄板樣條徑向基函數(shù)對高爐冶煉過程進行辨識和預測得到的效果更佳，其命中率達到85％。
　　 在探討了高爐冶煉過程的辨識和預測問題之后，論文的第六章對高爐冶煉過程的控制做進一步的研究。在現(xiàn)行的生產(chǎn)實踐中，高爐工長對冶煉過程的控制主要是以專業(yè)知識和實踐經(jīng)驗為基礎的人工控制。由于高爐工長控制水平各不相同，造成了高爐冶煉過程的不穩(wěn)定。本章針對這個問題，基于子空間方法構造了一種適合于高爐冶煉過程的自適應預測控制方法，

7、提出了一種更為簡便的約束處理方法，同時在方法中對各個輸入變量調(diào)整的優(yōu)先級進行考慮。結合高爐的實際情況，從實際數(shù)據(jù)的計算出發(fā)得到了保持高爐高產(chǎn)低耗的最佳爐溫水平。仿真結果表明，設計的預測控制模型能夠有效降低高爐冶煉過程的波動性，而各個輸入變量的調(diào)整均沒有超出約束，這表明預測控制算法的有效性和可行性．此外，這種思路克服了之前預測模型的“預測—控制”模式所帶來的“模型悖論問題”，即工長利用了爐溫預測信息對高爐行程進行調(diào)控后，爐溫的發(fā)展改變了軌