高炉炉温预测控制模型的研究(检测).doc

杭州电子科技大学硕士学位论文 I 摘 要 钢铁工业作为国民经济的支柱产业 对国民经济的发展起到重要的主导地 位 而作为钢铁工业上游主体工序的高炉炼铁 是钢铁工业的重要组成部分 对炼钢工业的发展与降耗节能都有重要的影响地位 高炉炉温是高炉顺行的保 证 也是判断高炉炉况的一个重要指标 如何建立能指导高炉炼铁人员进行炉 温控制的炉热状态预报模型不仅具有重要的理论价值 而且也具有重要的生产 实践价值 但是由于高炉冶炼过程的复杂性 实现高炉冶炼过程的自动化是 20 世纪下半世纪以来冶金自动化领域一直难以攻克的难题 也是实际生产中工长 和厂长都十分关注的主要课题 对炉温的准确预报 将有助于工长提高炼铁操 作水平 从而达到提高高炉利用系数和降低焦比的目的 对高炉炉温进行预测 和控制并最终实现高炉冶铁过程的智能控制是当代冶金科技发展的前沿课题 从控制论的角度来看 高炉炼铁是一个复杂的过程 其运行机制常常带具 有非线性 大噪声 分布参数等特征 在建模方面有很大的困难 尤其是炉温 的表达 难度更是很大 BP 神经网络是一种自学习的网络 它能较好地解决非 线性 大噪声问题 目前已被广泛应用于模式识别 函数逼近 预测控制等领 域 本文利用 BP 神经网络的优点 提出使用 BP 神经网络来建立高炉炉温预测 模型 并且在解析高炉炼铁原理及过程复杂性的基础上 分析高炉铁水温度和 高炉铁水 Si 含量之间的相关性 结合国内江苏联峰钢厂高炉的实际情况提出 了以化学热 铁水含硅 Si 量代替物理热来判断炉温的变化 论文简单介绍了江苏联峰钢厂炼铁高炉的现场设备 冶炼工艺 生产数据 的获取及储存情况 着重分析了各工艺参数的相关性 得出高炉炼铁过程状态 变量 料速 透气性 上一炉铁水硅含量 Si 铁量差 和控制参数 喷煤量 风 温 风量 与高炉铁水含硅量 Si 之间的相关性 同时结合 BP 神经网络模型的 特点 确定建立高炉炉温预测模型的工艺参数 在高炉众多的传感器中由于原 料装入的波动等因素不可避免地会产生一些干扰信号使从数据采集系统获得的 数据往往叠加有噪声 为了提高数据处理的精度必须除去这些随机噪声 故本 文对输入模型的参数数据进行了预处理 为了解决 BP 神经网络易于陷入局部最小值的缺陷 本文提出了采用混沌粒 子群优化算法提高 BP 神经网络的搜索能力 结果表明 基于混沌的粒子群优化 算法 Chaos Particle Swarm Optimization CPSO 收敛速度快 具备收敛概率和搜 索精度 然后提出了基于 CPSO 算法来训练 BP 神经网络 依此来提高网络训练 杭州电子科技大学硕士学位论文 II 效果 最后建立基于 CPSO BP 神经网络的高炉炉温动态预报模型 同时利用在 线采集的 2 厂 4 高炉预处理过的样本数据对模型进行仿真实验 实验结果表明 CPSO BP 网络对高炉铁水含量预报的精度要高于标准的 BP 网络 此精度完全可 以满足实际生产的需要 并且离线测试表明此模型具有很高的命中率 达到建 模预期的效果 从而可以帮助高炉工长调控高炉参数 实现对高炉炉温的预测 控制 提高铁水产量和经济效益 论文的最后对论文课题所做的工作进行了总结 指出了其中的不足之处 同时展望了论文课题下一阶段所要做的工作 关键词 高炉 混沌粒子群优化算法 铁水硅含量 BP 神经网络 预测控制模 型 杭州电子科技大学硕士学位论文 III ABSTRACT Iron and steel industry is the pillar industry of national economy As the upstream of the main processes of iron and steel industry blast furnace is an important part of iron and steel industry It impacts the steel industry s development and saving energy strongly The temperature of blast furnace ensures blast furnace anterograde it also is an important indicator of determines the state of blast furnace How to build furnace thermal state prediction model of guidance on blast furnace personnel temperature controlled not only has important theoretical value but also has important practical value of production However due to the complexity of the process of blast furnace in the after half of 20th century blast furnace smelting process realize automation has been difficult to overcome the field of metallurgical automation of the problem as well as actual production foreman and manager are very concerned about the main topics The accurate prediction of the furnace temperature will help to improve the foreman iron smelting operations level so as to improve the utilization factor and reduce the coke rate purposes Forecasting and control of blast furnace temperature and the eventual realization of intelligent control of the process of blast furnace smelting iron is contemporary metallurgy technological development forefront topics From the control theory point of view the blast furnace is a complex process large noise and its operating mechanism is often with non linear The distribution of parameters characteristic of the modeling have great difficulties In particular the expression of furnace temperature the difficulty is even more significant BP neural network is a self learning network It can better solve problem of the non linear and big noise Now it has been widely used in pattern recognition function approximation predictive control and other fields In this paper using the advantages of BP neural network proposed using the BP neural network to establish a blast furnace temperature prediction models And based on analysizing theory and process of blast furnace complex the analysized correlation of blast furnace hot metal temperature and silicon Si content Combination blast furnace actual situation of Jiangsu LianFeng steel group Proposing using chemical heat hot metal Silicon Si content instead of the physical heat to determine changes of the furnace 杭州电子科技大学硕士学位论文 IV Paper introduced briefly the situation in field equipment smelting process production data acquisition and storage of blast furnace of Jiangsu LianFeng steel group Focusing on analysis of the correlation of various process parameters derived the correlation between blast furnace smelting Iron state variables raw material rate air permeability last furnace hot metal silicon content Si Difference of Fe content control parameters amount of pulverized coal injection air temperature air volume and the amount of hot metal silicon content Si And combined with BP network model of characteristics established a prediction model of blast furnace process parameters In a large number of sensors in the blast furnace duing to such factors such as the volatility of raw materials loading some interference signal has been produce from the data acquisition system inevitably produce So that the data obtained are often superimposed with noise In order to improve the accuracy of data processing to remove these random noise And this paper input parameters of the model data pretreatment To solution problem of the BP neural network easy to fall into a local minimum of the shortcomings this paper presents the use of chaotic particle swarm optimization algorithm to improve the search capabilities of BP neural network The results showed that basing on CPSO has quick convergence speed and convergence with probability and the search precision Then putting forward based on the CPSO algorithm to train the BP neural network and so to improve the network training results Finally the establishment the blast furnace temperature neural network dynamic forecasting model based on CPSO BP At the same time using on line collection blast pretreated sample data of NO 2 plant NO 4 proceed simulation experiment on the model Experimental results show that CPSO BP network to blast furnace hot metal content in prediction accuracy is higher than the standard BP network The precision meets the needs the actual production And off line tests show that this model has a high hit rate to achieve the desired effect modeling Thus it can help furnace foreman to control blast parameters to achieve predictive control of the blast furnace raise hot metal production and economic benefits Finally paper summarized the work which was done on the subject of this paper pointing out the deficiency in the paper and then forecast the works which will to be done at next stage Keywords Blast Furnace Si Content of Hot Metal BP Neural Network Chaotic Particle Swarm Optimization Predicting control model 杭州电子科技大学硕士学位论文 V 目录目录 摘 要 I ABSTRACT III 目录 V 第 1 章 绪论 1 1 1 高炉冶炼过程智能控制自动化研究的目的和意义 1 1 2 国内外高炉炉温预测控制究现状和发展趋势 3 1 2 1 国外发展情况 3 1 2 2 国内发展情况 4 1 3 应用基于混沌粒子群优化的 BP 神经方法解析高炉冶炼过程 6 1 4 论文主要工作 7 1 5 本章小结 8 第 2 章 解析高炉炼铁过程的复杂性及热状态描述 9 2 1 高炉冶炼原理 9 2 2 高炉炼铁的复杂性 11 2 2 1 高炉冶炼工艺流程的复杂性 11 2 1 4 高炉冶炼过程化学反应与流体运动的复杂性 14 2 1 5 高炉冶炼的目标与操作方针的复杂性 19 2 2 高炉冶炼过程的热状态描述 20 2 2 1 高炉铁水温度 20 2 2 2 高炉铁水硅含量 Si 21 2 2 3 铁水温度和铁水硅含量 Si 之间的相关性 23 2 3 本章小结 23 第 3 章 解析高炉炼铁过程所应用的 BP 神经网络基础 25 3 1 BP 神经网络模型 25 3 1 1 BP 网络的基本原理与学习算法 25 3 2 2 BP 网络学习算法的优缺点 29 3 3 人工神经网络在高炉过程的应用现状 30 3 3 1 国外高炉过程人工神经网络应用现状 30 3 3 1 国内高炉过程人工神经网络应用现状 32 3 4 本章小结 33 第 4 章 炉温预测控制的数据分 析 34 4 1 工艺参数的采集 34 4 1 1 工艺参数数据的获取 34 4 1 2 工艺参数的数据存储 36 4 2 炉温 SI 预报模型参数的选取 37 4 2 1 影响炉温 Si 的工艺参数 37 杭州电子科技大学硕士学位论文 VI 4 2 2 参数相关性分析 38 4 2 3 滞后时间的确定 41 4 2 3 炉温 Si 预测控制模型输入参数的确定 42 4 3 数据预处理 43 4 3 1 一次数据预处理 去噪处理 43 4 3 2 二次数据预处理 46 4 3 3 数据的归一化处理与选择 47 第 5 章 基于 CPSO BP 神经网络的高炉炉温预测模型 48 5 1 基于混沌粒子群优化算法的神经网络训练方法 48 5 1 1 粒子群优化算法基本原理 48 5 1 2 混沌粒子群优化算法 CPSO 50 5 1 3 CPSO 训练 BP 神经网络 52 5 2 铁水硅含量 SI 预报模型 53 5 2 1 模型结构 53 5 2 2 预测模型仿真 55 5 4 3 预报结果及分析 58 5 5 硅含量预测控制 60 5 6 本章小结 61 第 6 章 总结与展望 62 6 1 论文工作总结 62 6 2 后续研究的展望 62 致谢 64 参考文献 66 附录 69 杭州电子科技大学硕士学位论文 1 第 1 章 绪论 钢铁一直作为人类使用的主要结构材料 人类文明的每一点进步都与钢铁 工业的发展以及钢铁材料性能水平的提高息息相关 现代社会中 生产量最大 且用于重要部分的工业材料是金属材料 根据 1981 年联合国统计年鉴记载 全 世界金属材料产量中约 95 的是钢铁 1 从某种意义上讲 钢铁是近代社会的骨 骼 而能源是近代社会的血液 钢铁的人均年消费量 是一个国家工业化和文 明程度的重要指标之一 钢铁的广阔应用前景 使得钢铁工业的发展成为国家 进步的重要标志 2004 年我国的钢铁产量达到 2 5 亿吨 已经超过了美国和日本的钢铁产量 总和 跃升为为世界钢铁超级大国 但是我国钢铁工业的各项能耗指标及生产 效率与国际先进水平之间仍然存在着差距 一些高端钢铁产品仍然需要进口 美 俄 日等国外钢铁工业的发展经历表明 钢铁工业的蓬勃发展必然需要钢 铁科研的创新成果 高炉炼铁工艺作为钢铁工业的上游工序 其自动化水平和 能耗水平仍然与国际先进水平存在着差距 因此 如何提高高炉炼铁的技术进 步成为我国冶金工作者普遍关心的课题 中国钢铁工业的蓬勃发展 迫切需要用当代科学技术的最新成果来装备钢 铁工业 为钢铁工业向着更高水平发展开辟新路 近年来 我国制定了 信息 化带动工业化 实现跨越式发展 的战略发展方针 高炉炼铁作为典型的传统 工业 其信息化改造工作 包括应用计算机技术 信息技术 自动化技术和数 学模型技术与炼铁艺有机结合 用来提高高炉炼铁的生产自动化水平 以达到 提高高炉利用系数 降低比的目的 2 本文作为多学科交叉研究 竭力从高炉 冶铁过程的数学建模角度对高炉炉温 Si 预测控制进行深入的研究和探索 以 期对能对炼铁过程自动控制和节能降耗作出点滴奉献 本文的研究工作就是从 传统炼铁工艺信息化改造的需要 从炼铁工艺智能自动控制对数学模型的需要 而开展研究工作的 1 1 高炉冶炼过程智能控制自动化研究的目的和意义 国家自然科学基金委员会在 1995 年出版的 自动化科学与技术 自然科学 学科发展战略调研报告 3 一书中 把工业自动化 复杂系统的建模与控制 智能自动化三方面课题列为 中近期战略目标 重点方向 的交叉学科分支的 共同问题 书中指出 钢铁 能源 石油化工等连续生产过程往往涉及许多 复杂的对象 其中包括最常见的高炉 反应器等 它们的运行机制都尚未弄清 杭州电子科技大学硕士学位论文 2 往往带有非线性 分布参数等特征 并有着强烈的随机特性 因此需要探索新 的建模和控制的原理和技术 其中不仅包括自适应控制 鲁棒控制 预测控制 容错控制 模糊控制等新控制手段的应用 而且要研究定性建模 以及基于 专 家 知识控制等智能化技术的应用 由此可知 高炉炼铁自动化数学模型课题 是一项 需要探索新建模和控制的原理和技术 的难题 在国家冶金局 中国金属学会和冶金科技发展中心组织制定的 2000 2005 年 冶金技术发展指南 一书中 指出关于冶金自动化技术和高炉炼铁专业技 术的科技进步课题方面 把 高炉过程自动化系统及其数学模型 高炉操作 优化 智能化 的研究与应用 建立 高炉冶炼过程优化智能控制系统 确定 为炼铁学科技术进步的前沿技术 4 而且随着高炉铁水含硅量 Si 预测模型究的 不断深入 20 世纪 70 80 年代人们意识到 利用专家系统实现对高炉冶炼过程 的控制 是高炉计算机控制的发展方向 实现高炉冶炼过程的智能控制成为炼 铁技术进步的前沿课题 5 面对全球能源危机的日益加剧 科学地把握高炉冶炼工艺过程的内在规律 提高利用系数 降低高炉炼铁焦比的任务迫切地摆在我们的面前 综上可知 高炉炼铁智能控制自动化课题不仅是技术进步的前沿难题 也是经济建设中具 有重大技术经济价值的迫切课题 高炉冶炼过程控制是高炉主控室指挥下的多目标 多工序的复合控制 而 对高炉炉温的控制是高炉冶炼过程控制的核心和基础 故高炉炼铁过程的炉温 Si 预测与控制的数学模型作为高炉冶炼过程优化智能控制系统一个重要组成部 分 既是炼铁自动化中的难题 也是实际炼铁生产中工长和厂长都十分关注的 重要课题 尤其是异常炉况下对炉温的预测和控制已成为冶金科技发展的前沿 课题 保持良好合理的炉温是高炉生产顺行的关键因素之一 是实现高炉长寿 高产 优质 低耗的直接保证 故实现高炉炉温的准确预报 将有助于工长提 高操作水平 从而达到提高利用系数和降低焦比的目的 特别是在我国众多高 炉原燃料条件与自动化检测水平有限条件下 不断改进炉温的正确预报有更加 重要的实际价值 6 本课题研究的目的 根据采集到的高炉炉温状态参量和控制参量建立高炉 炉温 Si 智能预报模型 探索高炉炉温规律 根据当前高炉的操作状态结合高炉 炉温 Si 的预报值进行推理 分析 并给出相应的操作指导 以实现高炉炉温 Si 的控制要求 从而提高铁水的质量和产量 本课题研究的意义 炉温预测和控制模型可以分析得到高炉炉温 Si 的变化 趋势 并能对其进行准确的预测 有利于指导高炉工长调控炉温 使之处于最 佳状态 保持高炉炉况的稳定 顺行和高产 提高生铁的产量和质量 增加效 杭州电子科技大学硕士学位论文 3 益 节能降耗 从而达到高炉的 优质 低耗 高产 长寿 的炼铁目标和 安全 稳定 均衡 顺行 的操作方针 同时也可以提高高炉冶铁过程智能 控制自动化水平 推进钢铁企业的信息化 1 2 国内外高炉炉温预测控制究现状和发展趋势 1 2 1 国外发展情况 从 20 世纪 50 年代开始 在大量的实验和理论研究下 各国的高炉炼铁专 家经过不懈的努力 开发应用了许多高炉炉温预报和控制数学模型 包括最初 的数量统计 机理和半机理模型等 这些模型在高炉的控制方面取得了很大的 成功 对于帮助高炉操作人员认识复杂的高炉现象 制定生产计划 优化作业 参数 规范和强化生产管理 已经并正发挥着重要的作用 7 1 目前具有代表性的国外高炉炉温预报技术研究成果主要有 自 20 世纪六十年代开始 国外陆续开发了一些以高炉过程控制为目标的高 炉炉温预报和控制模型 这些模型大致分为以下几类 8 1 基于高炉生产的机理或半机理模型 如日本钢管公司的 水江模型 法 国钢铁研究所开发的 Wu 模型 比利时冶金研究中心提出的 Ec 指数模型 2 基于高炉生产数据统计建立的模型 如 Pandit 等人的多变量一阶自回归矢 量模型等 3 基于专家知识库的专家系统模型 如日本川崎公司的 GO STOP 模型 这些模型都取得了一定的效果 下面简介几个比较有代表性的炉温预报和 控制模型 1 日本钢管公司的 水江模型 假定第 n 次铁水硅含量与前一次 n 1 次 铁水硅含量之差与此期间热储备 成正比 则热储备 g 为 g 焦炭燃烧热 热风带入热 重油带入热 湿份带入热 成渣放热 间接还 原放热 水煤气反应耗热 直接还原耗热 铁水带走热 炉渣带走热 煤气带 走热 氧化还原热量 炉料及水分蒸发热 热损失 由统计方法处理输出数据可得 123456 178 LnffffggfnLL CSib Qb Q Tb vb QbCNQb Si Cb Cb 其中 铁产量 第 n 次和第 n 1 次铁水硅含量之差 第 n 1 L C n Si 1n Si 次 铁水硅含量 风量 风温 湿度 喷煤量 煤气中含 C f Q f T v g C 原子量 煤气中含原子量 1 CO CO2 H2 i 1 8 系 g N 2 N g N i b 杭州电子科技大学硕士学位论文 4 数 对上面公式两端除以 且合并常数项 可得单位产量生铁硅含量变化 L C 12f3456178 nfffggfnL SibQb Q Tb vb QbCNQb Sib Cb 水江模型 在炉况正常时效果较好 炉况不顺时 实际数据常常超过统 计范围 系数浮动 效果较差 2 新日铁模型 9 此模型是 80 年代初新日本钢铁公司开发的高炉多目标综合控制模型 它 基于高炉炉内物料平衡和热平衡 同时根据炉热指数和风口前端温度 预 报下一批铁水的硅含量 Si 使用次模型时 操作人员要结合自己的操作 经验进行综合判断 但是此模型不能适用于休风后送风 减风 减压情况 下 因为此时炉况波动较大 必须经过一段时间后才能够继续使用 根据 新日铁几座 4000m3级高炉使用的结果 证实模型的预报值与实际值比较 一致 3 多变量一阶自回归矢量模型 Wisconsin 大学的 Pandit 等人于 1975 年基于数理统计方法 以高炉铁 水 Si 的历史数据为基础 按照时间序列自回归模型 AR 结合其他参数 建立一阶线性炉温预报模型 该模型在炉温平稳的情况具有较高的命中 率 4 英钢联开发的炉温预报与控制模型 此模型首先计算出炉热指数 Wu 再利用过去 6h 的鼓风湿分 Wu 值指标 喷煤量以及上一炉铁的硅含量 使用反馈神经网络算法预报硅含量 该模 型的重要前提是计算炉热指数 Wu 5 瑞典钢铁公司吕勒奥厂开发的炉温预报模型 10 此模型利用反向传播神经网络 BP 神经网络 进行预报 据报道该模型的 离线仿真试验已取得良好的预报效果 目前该模型正处于评估阶段 6 比利时马里蒂姆钢铁公司开发的炉温预报模型 根据一定数量的高炉过程参数每小时变化做出预报 各参数对铁水含硅 量的影响采用一阶传递函数模型 函数中的参数是经试验确定的 该模 型可以提前 3 小时进行炉温预报 1 2 2 国内发展情况 在追踪国际先进水平过程中 国内开发的具有代表性的以炉温预报为主的高 炉炼铁过程智能控制专家系统有 1 首钢高炉专家系统 杭州电子科技大学硕士学位论文 5 20 世纪 90 年代初 北京科技大学与首钢合作开发开发首钢高炉专家系 统 此系统包括炉热状态判断 铁水硅含量 Si 预报 炉况顺行判断 崩 料 悬料 滑料等 和炉体状态判断 炉墙结瘤 冷却壁烧穿及漏水等 三 个子系统 当时 首钢高炉人工智能高炉冶炼专家系统居国内领先水平 曾在 1998 年获得国家专利 并成功在首钢 1726m3高炉上应用 之后 因未随计算机技术的进步而继续深入开发和完善提高 2000 年首钢引进 的芬兰高炉控制专家系统 取代此系统 甚为可惜 2 宝钢高炉专家系统 宝钢 2 号高炉 4503m3 于 1986 年引进日本的 GO STOP 系统 之后经过 对此系统技术的消化 吸收 1991 年 宝钢与复旦大学合作开发了高炉 炉况监视和管理系统 此系统在 1 号高炉 4063m3 上使用至 1995 年停炉 大修 1995 年 宝钢在 2 号高炉上开发应用了高炉人工智能专家系统 并于 1997 年通过了专家技术鉴定 但是由于因国内一般大型高炉在技术 装备和原燃料条件方面均达不到宝钢高炉水平了 因此建立在此基础上 的宝钢专家系统难以在国内一般高炉上推广应用 3 鞍钢高炉专家系统 数据库 推理机 知识库 动态数据模型和机理模型 炉热判断 解释 和预报结果显示以及知识自学习系统构成鞍钢 4 号高炉 1000m3级 专家 其中系统含硅量 Si 预报部分主要依靠专家系统将炉况分类 根据其正 常 异常和波动程度 选用不同的模型 确定生铁含硅量 Si 专家系 统部分根据高炉操作经验 推理 预测炉热变化趋势和幅度以及知识库 存储的冶炼理论规则 帮助高炉工长操作高炉 由北京科技大学 东北 大学和鞍钢三家合作开发 10 号高炉 2580m3 专家系统为 1995 年立项的 为原冶金部重大课题 经过 6 年的研究 在专家知识库 炉况诊断等方 面取得了一定的成果 但是目前该系统仍在调试完善中 尚未成为工长 的生产工具 由此也已看出高炉专家系统开发的技术难度 特别是多学 科交叉的技术研究开发转化为生产力的难度 4 武钢等引进的国外高炉专家系统 1997 年 武钢 4 号高炉 2516m3 投资 3400 多万元引进芬兰罗德洛基公 司的高炉控制专家系统 其中系统软件费 1100 万元 配套检测设备投 资 2300 多万元 于 1998 年投入生产应用 并取得技术经济成效 此 外 继武钢之后 首钢 本钢 昆钢 攀钢等大型高炉也相继引进芬兰 奥地利的高炉专家系统 并在各自的高炉投入使用 5 马钢 2500m3高炉炉况诊断专家系统 杭州电子科技大学硕士学位论文 6 原冶金部自动化研究院与马钢合作开发的马钢 2500m3高炉炉况诊断专 家系统 其在原有 VAX 计算机基础上 加上工业微机作为人工智能 AI 处理机 进行模型运算和专家系统推理 类似于日本的 GO STOP 系统 6 高炉炼铁优化专家系统 在 1999 年国家科技部批准的 国家级科技成果重点推广计划 项目的基 础上 浙江大学开发了高炉炼铁优化专家系统 并在杭钢 济钢 新临 钢和莱钢等的合作下推广应用至多座 350m3 380m3 和 750m3 高炉上 该 系统以冶金机理和应用数学知识为基础 以专家数据库为智能源 对高 炉进行高炉炉温预报 工艺参数统优化及异常炉况判断 因其立足于国 内一般高炉条件 所以较符合国内高炉原燃料条件和监测 自动化水平 相对较差的高炉情况 除了自主开发的高炉专家系统外 20 世纪 80 年代以来 宝钢引进日本 Go Stop 系统 武钢 本钢和首钢引进芬兰高炉专家系统 据资料介绍只有武钢 4 高炉炉型管理系统应用效果良好 例如 武钢 1998 年 10 月 4 高炉发生炉墙粘 结现象 专家系统及时提供高炉炉型管理信息 高炉操作采用放开边缘加重中 心 热洗炉及调整水系统等措施 使高炉操作炉型很快恢复正常 攀钢 沙钢 昆钢引进奥钢联的高炉专家系统 具体使用效果目前尚未报道 国外在输出高 炉人工智能系统技术时 知识库 规则库是针对某一炉役的 且仅提供开发平 台 不提供源程序 因此 我们对引进的系统进行二次开发是相当困难的 虽 然取得了一定的应用成效 也付出了昂贵的学费 每套 专家系统 软件费 80 万 140 万美元 20 世纪八九十年代 应用 高炉专家系统 在控制高炉冶炼过程方面取得 了初步的成效 但是 经过几十年来国内外专家学者对高炉冶炼过程的自动化 控制研究与实践表明 在经典控制论 线性控制系统 和现代控制论 非线性控制 系统 的理论范畴内无法解决高炉冶炼过程的自动化控制问题 历经各种探索之 后 专家学者们认识到 高炉冶炼过程的自动化控制问题需要建立在新的控制 思想与控制理论的基础上 才能够实现高炉冶炼过程的自动化 而高炉炉温预 测和控制作为高炉炼铁过程智能控制的核心和基础更需要建立新的控制思想与 控制理论 在高炉炉温的预测和控制方面 高炉炉温人工智能预测模型已经成为该领 域的主要发展方向 1 3 神经网络在炉温预报中的应用 随着科学技术的不断进步 高炉冶炼自动化迅速的发展 目前高炉冶铁过 程的研究已经从数学模型向人工智能智能方向 并已经取得了初步的成绩 但 杭州电子科技大学硕士学位论文 7 是还有许多理论问题有待深入研究 由于高炉炼铁过程的复杂性 许多现象尚无法用确定性的数学模型来描述 人工智能过程控制中的应用包括 专家系统 神经网络和模糊控制 他们既可 以单独使用 也可以相互结合以构成更强大的系统 而人工神经网络是基于神经学 计算机学 哲学 心理学等领域研究的最 新成果发展起来的新兴边缘学科 作为一种重要的人工智能方法具有如下特点 1 具有自适应 自组织 自学习能力 2 具有联想记忆和推广能力 3 大规模并行计算能力 4 分布式存储能力 5 具有很强的容错性和鲁棒性 上述 5 大特点说明神经网络特别适合应用于高炉这种需要同时考虑许多因 素的 不确定的 因果关系复杂的推理 识别和分类问题 能够反应高炉炼铁 过程的非确定规律 而且基于上面这些特点人工神经网络已经在预测和控制高炉炉温模型方面 有成功的应用 例如文献 11 12 利用神经网络的非线性动态数据处理特性 将其 引入到高炉预报高炉铁水含硅量 Si 采用四种不同的算法加以比较 结果表明 神经网络具有较好的预报效果 江苏联峰钢铁集团高炉炼铁系统基本上实现炼铁系统的自动化以及高炉专 家系统的一部分 生产运行综合管理系统 炼铁部分的投入使用 这为高炉炉 温预测控制模型的建立提供了必要条件 江苏永刚高炉炼铁有两个分厂有 7 个 高炉 其中一厂有 3 个高炉的容量都是 380m3 二厂有 4 个高炉 其中 4 5 6 7 高炉分别为 380 m3 550 m3 550 m3 580 m3 可以看出都是比 较小的高炉 是中小型高炉的典型 针对中小型高炉的实际情况 以及江苏永 刚高炉炼铁厂的现场生产状况 基于高炉炼铁专家和高炉工长对高炉炼铁过程 的经验知识以及上述分析 在人工神经网络理论的基础上 建立高炉炼铁过程 预测控制更能反映高炉炼铁过程的本质 因此 尝试从人工神经网络角度深入 剖析高炉炼铁过程 认识高炉炼铁规律 BP 神经网络是目前最流行的人工神经网络之一 它基于成熟并得到广泛应 用的 BP 算法 具有逼近任意复杂的非线性关系 容错性强 可并行处理等特 点 本文在神经网络理论的基础上 结合永刚高炉实际情况建立高炉炉温预测 控制模型 对高炉炉温 铁水硅含量 Si 进行了预测控制 从而比较系统地讨论 杭州电子科技大学硕士学位论文 8 了智能控制理论的一个分支 BP 神经网络在高炉炼铁过程预测控制中的应用 对离线实际数据仿真结果表明此模型具有很高的命中率 复合实际生产需要 1 4 论文主要工作 本论文课题研究的主要目标是建立高炉炉温 Si 预测控制模型 研究探讨 高炉炼铁的一个难题 实现高炉炉温的预测控制 目的是要解决高炉炼铁生产过 程中过分依赖高炉工长及专家经验调整高炉参数控制炉温的现状 主要研究的 工作如下 1 本文在分析国内外高炉炼铁炉温 Si 预测控制模型的现状和发展趋势的 基础上 结合联峰高炉炼铁高炉工艺参数现状 提出建立高炉炉温的预 测控制模型 帮助高炉工长调整工艺参数 目的在于使炉温保持在最佳 状态 从而提高高炉炼铁铁水质量 2 解析高炉炼铁的原理以及高炉冶炼过程的复杂性 分析高炉铁水温度和 高炉铁水 Si 含量之间的相关性 结合国内江苏联峰钢厂高炉的实际情 况提出了以化学热 铁水含硅 Si 量代替物理热来判断炉温的变化 3 以人工神经网络理论为基础 从人工神经网络角度寻求高炉冶铁过程新 的建模与预测控制策略 分析了高炉热状态的两个重要关键参数 高炉 铁水硅含量和高炉铁水温度之间的关系 不仅以高炉冶铁过程在线采集 的表征高炉炉缸温度的高炉铁水含硅 Si 量为研究对象 而且动态的分 析影响高炉冶铁过程的控制参数和状态参数 4 根据高炉炉温预测建模的要求 分析联峰炼铁高炉整个工艺参数过程数 据采集方式 考虑到高炉采集得到的在线数据受很多因数的干扰 对这 些参数数据进行了预处理 5 分析影响高炉炉温 Si 工艺参数及工艺参数之间的相关性 最后确定模 型的输入工艺参数 6 提出基于混沌粒子群优化算法 Particle Swarm Optimization PSO 的 BP 神经网络 建立高炉炉温预报控制模型 作为理论应用的案例 采 用江苏永刚集团公司 2 厂 4 350m3高炉的在线采集数据 初步建立了高 炉冶炼过程的预测控制理论模型 最后对模型进行离线 MATLAB 仿真 结果表明此模型具有很高的命中率 1 5 本章小结 本文主要讲述了高炉冶炼过程智能控制自动化研究的目的和意义 以及国 内外高炉炉温预测控制研究的现状和发展趋势 接着分析应用基于混沌粒子群 优化算法的 BP 神经方法解析高炉过程的优点和实际应用价值 最后介绍文本的 主要内容 杭州电子科技大学硕士学位论文 9 第 2 章 解析高炉炼铁过程的复杂性及热状态描述 高炉炼铁生产是冶金 钢铁 工业的重要环节 高炉冶炼是把铁矿石还原成 生铁的连续生产过程 现代高炉冶炼过程的复杂性不仅仅是表现在高炉是工业上最大的单体生产 设备 现代大型高炉的容积已达到 5000m3以上 每天吞吐物料的数量达到万吨 计 其冶炼过程中存在着诸多的控制工序 数百项的影响参数 1 其次 高炉 内部流体存在着复杂的相态 如从炉顶加入的铁矿石 焦炭呈固态 流出的铁 水呈液态 鼓入的热风和产生的高炉煤气为气态 三相流体之间进行着动量传 递 质量传递和能量传递 同时铁矿石还要进行多种化学反应 在炉料不断下 降 煤气不断上升的过程中 流体相态不断转化 这个过程看似简单 实际上 很难给出精确的数学模型描述 因此 从机理上剖析高炉过程的复杂性 不仅 在于化学反应过程的随机复杂性 而且在于化学反应与流体动力学参数之间关 系的复杂性 这些变量和参数之间既不是简单的线性函数关系 也不是稳定的 非线性函数关系 而是十分复杂的非确定性关系 因此非常适合运用解决非线 性良好的人工神经网络解析高炉过程 再次高炉专家提出的冶炼目标和操作方 针要求也反映了高炉冶炼过程是一个高度复杂的多目标的非线性动力学过程 因此 本章从高炉冶炼过程的冶炼原理 化学反应动力学与流体动力学 冶炼目标和操作方针以三方面来阐述高炉冶炼过程的复杂性 2 1 高炉冶炼原理 高炉是一种竖炉 Shaft Furnace 英文是 Blast Furnace 缩写为 BF 追溯炼 铁史 我国可以追溯到春秋战国时期 具有现代高炉炼铁基本特征的则是 1709 年 由英国人 A Darby 开发的利用焦炭和高炉相结合的炼铁 4 高炉设备图如 下图 2 1 所示 而本文研究的江苏联峰钢铁集团 4 高炉的实时监控画面如图 2 2 所示 高炉为横断面为圆形的炼铁竖炉 用钢板作炉壳 壳内砌耐火砖内衬 高 炉本体自上而下分为炉喉 炉身 炉腰 炉腹 炉缸 5 部分 由于高炉炼铁 技术经济指标良好 工艺简单 生产量大 劳动生产效率高 能耗低等优点 杭州电子科技大学硕士学位论文 10 使用这种方法生产的铁占世界铁总产量的绝大部分 高炉生产是连续进行的 一代高炉 从开炉到大修停炉为一代 能连续 生产几年到十几年 生产时 从炉顶 一般炉顶是由料种与料斗组成 现代 化高炉是钟阀炉顶和无料钟炉顶 不断地装入铁矿石 焦炭 造渣用熔剂 石灰石 从高炉下部的风口吹进热风 1000 1300 摄氏度 喷入油 煤或 天然气等燃料 装入高炉中的铁矿石 主要是铁和氧的化合物 在高温下 焦 炭中和喷吹物中的碳及其燃烧生成的一氧化碳将铁矿石中的氧夺取出来 得 到铁 这个过 图 2 1 炼铁高炉示意图 杭州电子科技大学硕士学位论文 11 图 2 2 江苏联峰 4 高炉本体监控画面 程叫做还原 铁矿石通过还原反应炼出生铁 铁水从出铁口放出 铁矿石中的 脉石 焦炭及喷吹物中的灰分与加入炉内的石灰石等熔剂结合生成炉渣 从出 铁口和出渣口分别排出 煤气从炉顶导出 经除尘后 作为工业用煤气 现代 化高炉还可以利用炉顶的高压 用导出的部分煤气发电 高炉冶炼的目的将矿石中的铁元素提取出来 生产出来的主要产品为铁水 副产品有 水渣 矿渣棉和高炉煤气等 高炉冶炼用的原料主要由铁矿石 燃料 焦炭 和熔剂 石灰石 三部分 组成 通常冶炼 1 吨生铁需要 1 5 2 0 吨铁矿石 0 4 0 6 吨焦炭 0 2 0 4 吨熔剂 总计需要 2 3 吨原料 为了保证高炉生产的连续性 要求有足够数量的原料供 应 生铁是高炉产品 指高炉冶炼生铁 而高炉的产品不只是生铁 还有锰 铁等 属于铁合金产品 锰铁高炉不参加炼铁高炉各种指标的计算 高炉炼铁 过程中还产生副产品水渣 矿渣棉和高炉煤气等 高炉炼铁的特点 规模大 不论是世界其它国家还是中国 高炉的容积在 不断扩大 如我国宝钢高炉是 4063 立方米 日产生铁超过 10000 吨 炉渣 4000 多吨 日耗焦 4000 多吨 目前国内单一性生铁厂家 高炉容积也以达到 500 左右立方米 但多数 杭州电子科技大学硕士学位论文 12 仍维持在 100 300 立方米之间 甚至仍存在 100 立方米以下的高耗能高污染 的小高炉 其产品质量参差不齐 公布分散 不具有期规模性 更不能与国际 上的钢铁厂相比 生铁的冶炼虽原理相同 但由于方法不同 冶炼设备不同 所以工艺流程 也不同 下面分别简单予以介绍 2 2 高炉冶炼过程 2 2 高炉炼铁的复杂性 2 2 1 高炉冶炼工艺流程的复杂性 高炉冶炼是把铁矿石还原成生铁的连续生产过程 铁矿石 焦炭和熔剂等 固体原料按规定配料比由炉顶装料装置分批送入高炉 并使炉喉料面保持一定 的高度 焦炭和矿石在炉内形成交替分层结构 矿石料在下降过程中逐步被还 原 熔化成渣和铁 聚集在炉缸中 定期从铁口 渣口放出 高炉工艺流程如 下图所示 从工艺流程的角 炉炼铁工艺主要包括以下工序 13 l 值班工长在主控室的 炉内作业 2 炉前的出渣 出铁作业 3 槽下原燃料的配料与称量子系统 4 炉顶卷扬的上料与布料子系统 5 热风炉的燃烧与送风子系统 6 富氧与喷吹煤粉子系统 7 高炉冷却子系统 8 设备维护子系统 9 煤气采样与分析子系统 10 生产调度协调 调度室配送渣罐 铁罐等 11 化验室化验原燃料 铁水 炉渣等化学成分 12 过磅站铁水称量系统等 高炉炼铁是高炉工长协调指挥的多工序合成复杂生产工艺过程 工长根据 各种仪表