基于分級遞階結(jié)構(gòu)的鐵礦石燒結(jié)過程智能控制研究

摘 要 本文針對鐵礦石燒結(jié)過程特征，在分級遞階結(jié)構(gòu)基礎(chǔ)上提出智能控制方法，對燒結(jié)過程進(jìn)行有效控制。根據(jù)灰色理論與BP神經(jīng)網(wǎng)絡(luò)技術(shù)，構(gòu)建智能預(yù)測模型，最后在滿意度協(xié)調(diào)控制的基礎(chǔ)上，對小礦槽料位與燒結(jié)終點進(jìn)行有效的協(xié)調(diào)。實驗結(jié)果表明，該系統(tǒng)的應(yīng)用能夠使燒結(jié)波動得到有效抑制，燒結(jié)產(chǎn)量顯著提升。

關(guān)鍵詞 分級遞階結(jié)構(gòu);鐵礦石;智能控制

引言

在鋼鐵生產(chǎn)過程中，鐵礦石燒結(jié)十分重要，能夠為高爐煉鐵提供主要原料，與煉鐵質(zhì)量、能源消耗、產(chǎn)量等具有重大關(guān)聯(lián)。燒結(jié)過程具有較強(qiáng)的非線性、滯后性、耦合嚴(yán)重等特點，對BTP的影響因素眾多，因此需要采用人工智能技術(shù)，為燒結(jié)工程控制提供有效途徑。

1 智能控制系統(tǒng)概述

1.1 設(shè)計需求

燒結(jié)礦作為鋼鐵生產(chǎn)的重要環(huán)節(jié)之一，燒結(jié)終點將對燒結(jié)礦的質(zhì)量、數(shù)量產(chǎn)生直接影響。在以往生產(chǎn)過程中，很難建立準(zhǔn)確、可靠的工業(yè)過程模型，致使最終的應(yīng)用效果也不盡人意。近年來，我國在燒結(jié)控制方面將重心放置在BTP研究方面，借助神經(jīng)網(wǎng)絡(luò)技術(shù)為BTP預(yù)測鋪平道路。但是，在燒結(jié)過程中仍然存在信息不健全、工藝復(fù)雜等情況，采用單一方式只能在有限的信息中進(jìn)行計算，無法對BTP中的更多信息進(jìn)行預(yù)測，并且現(xiàn)行控制方式?jīng)]有考慮到燒結(jié)后的滯后性與混雜特性，以及嚴(yán)重耦合對BTP產(chǎn)生的不良影響，導(dǎo)致在實際工業(yè)應(yīng)用中難以與規(guī)定的控制要求相符合。

對此，迫切需要提出新的方式提高燒結(jié)過程的控制效率。在人工智能不斷發(fā)展的背景下，集成建模技術(shù)、智能協(xié)調(diào)策略等應(yīng)運(yùn)而生，為燒結(jié)過程控制提供了新的發(fā)展路徑。本文在分級遞階的基礎(chǔ)上將灰色理論、模糊控制、神經(jīng)網(wǎng)絡(luò)等理論和技術(shù)引入其中，構(gòu)建智能控制系統(tǒng)，實現(xiàn)對燒結(jié)過程的有效控制。

1.2 分級遞階結(jié)構(gòu)形式

智能系統(tǒng)采用分級遞階結(jié)構(gòu)形式，將該系統(tǒng)劃分為協(xié)調(diào)級、執(zhí)行級與組織級三個層次，堅持“精度與智能成反比”的原則，與決策到控制全局的優(yōu)化思想相結(jié)合，對管理、操作與控制任務(wù)進(jìn)行協(xié)調(diào)處理，實現(xiàn)子系統(tǒng)的物理協(xié)作，從而完成對整個系統(tǒng)的有效控制。在多任務(wù)系統(tǒng)運(yùn)行過程中，具有較為成熟的中斷機(jī)制、通信機(jī)制、優(yōu)先權(quán)調(diào)用機(jī)制，能夠在多種平臺下利用計算機(jī)將任務(wù)進(jìn)行分層處理，使各項任務(wù)能夠分級進(jìn)行。因此，采用多任務(wù)系統(tǒng)能夠?qū)崿F(xiàn)遞階系統(tǒng)中多項任務(wù)有組織、有目的的合理分布，并共處于同一個工作環(huán)境中[1]。

1.3 主要結(jié)構(gòu)

在燒結(jié)過程中，參數(shù)量眾多且耦合嚴(yán)重，特別是通過改變燒結(jié)機(jī)速度對BTP進(jìn)行調(diào)整時，導(dǎo)致圓輥轉(zhuǎn)速發(fā)生改變，對小礦槽料位產(chǎn)生影響，進(jìn)而影響整個燒結(jié)工程。為了提高生產(chǎn)穩(wěn)定性與燒結(jié)礦質(zhì)量，與工藝標(biāo)準(zhǔn)相結(jié)合，將臺車速度設(shè)置在1.5—2.5m/min，將料槽位設(shè)置在50—80噸之間;在BTP控制中，將目標(biāo)設(shè)定為第22個風(fēng)箱位置，也就是倒數(shù)第二個。與燒結(jié)過程特點相結(jié)合，本文在分級遞階基礎(chǔ)上設(shè)計出一種智能控制方案，構(gòu)建遞階控制系統(tǒng)，具體如下圖1所示。

在該系統(tǒng)中主要包括智能控制層與基礎(chǔ)自動化層，在基礎(chǔ)自動化層中，主要由通信接口、集散控制系統(tǒng)構(gòu)成，其中后者可對燒結(jié)過程進(jìn)行全過程控制，通過接口完成PLC與智能控制器間的數(shù)據(jù)傳輸;在智能控制層中安裝智能控制器對燒結(jié)過程進(jìn)行監(jiān)督，運(yùn)行原理為：構(gòu)建BTP預(yù)測模型與軟測量模型，對其進(jìn)行提前預(yù)測和判斷，并在此基礎(chǔ)上建立燒結(jié)終點智能控制器，通過對臺車速度進(jìn)行改變，完成對BTP的有效控制，通過料位控制器對料位進(jìn)行調(diào)整;由于料位與BTP之間具有較大的關(guān)聯(lián)性，在滿意度基礎(chǔ)上進(jìn)行協(xié)調(diào)控制，完成對料位控制器、BTP的有機(jī)協(xié)調(diào)，明確臺車的速度，將其作為智能控制器，在輸入內(nèi)容上主要為臺車速度、氣體流量與溫度等[2]。

2 智能控制系統(tǒng)的構(gòu)建

該系統(tǒng)主要由五個部分構(gòu)成，即BTP預(yù)測模型、軟測量模型、預(yù)測控制器、智能協(xié)調(diào)控制模型以及料位控制器，本文將針對上述五個部分進(jìn)行分別論述和分析。

2.1 BTP預(yù)測模型與軟測量模型

（1）BTP預(yù)測模型

在燒結(jié)過程中，廢氣溫度不斷提升，中部風(fēng)箱中溫度不斷增加，如若臺車的速度較為緩慢，中部風(fēng)箱中的廢氣溫度將會飛速上升，BTP的位置也將向前移動;反之，如若臺車的速度較快，則風(fēng)箱中廢氣溫度上升速度變緩，溫度還可能降低，BTP的位置也將逐漸后移。由此可見，風(fēng)箱中廢氣溫度與BRP均可對燒結(jié)狀態(tài)產(chǎn)生一定影響，這也是BTP預(yù)測模型中的重要數(shù)據(jù)。在BTP預(yù)測中，首先要對目前BRP數(shù)值進(jìn)行計算，然后構(gòu)建灰色預(yù)測模型，對下一時間段BRP的數(shù)值進(jìn)行預(yù)測，最后將臺車速度、BRP數(shù)值與此時BRP變化情況輸入到BP神經(jīng)網(wǎng)絡(luò)模型之中進(jìn)行預(yù)測。在對BRP計算過程中，可用Xi代表中部風(fēng)箱號碼，用Ti代表對應(yīng)的廢氣溫度，通過數(shù)據(jù)擬合等方式對A/B/C等系數(shù)進(jìn)行計算，然后采用BRP中的最佳位置廢氣溫度替代Ti，進(jìn)而計算出BRP當(dāng)前數(shù)值。

在灰色理論指導(dǎo)下，構(gòu)建BRP預(yù)測模型，具體如下：

式中，g（0）（1）代表的是利用BRP原始數(shù)據(jù)中的首個元素進(jìn)行建模，序列維數(shù)為5;u代表的是灰色量;a代表的是發(fā)展系數(shù);a與u的數(shù)值均可通過最小二乘法的方式計算出來。

利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的BTP預(yù)測模型如圖2所示，該結(jié)構(gòu)中共計擁有4個輸入層和1個輸出層，在隱含層中，神經(jīng)元的數(shù)量為11。假設(shè)神經(jīng)網(wǎng)絡(luò)中的輸入變量為xj，其中j的取值范圍為1到4，則可將BTP預(yù)測模型表示為：

式中，

代表的是第j個輸入變量與第i個神經(jīng)元的權(quán)值;

代表的是第i個隱層神經(jīng)元與輸出層之間的權(quán)值;bi代表的是第i個隱層神經(jīng)元的閾值，其中i的數(shù)值取值為1到11;b0代表的是輸出神經(jīng)元的閾值[3]。

（2） BTP軟測量模型

與燒結(jié)理論相結(jié)合，BTP代表的是燒結(jié)機(jī)中廢氣溫度最大時相對風(fēng)箱的位置。在風(fēng)箱附近對廢氣溫度進(jìn)行測量時，可根據(jù)二次多項式對分布曲線進(jìn)行擬合，表達(dá)式為：

式中，Ti代表的是風(fēng)箱廢氣溫度;A、B、C均代表二項式系數(shù);Xi代表的是風(fēng)箱位置，通過對實際數(shù)據(jù)進(jìn)行擬合后，可對BTP的位置進(jìn)行計算。

2.2 BTP智能控制器

在混雜模糊-預(yù)測的基礎(chǔ)上構(gòu)建智能控制模型，對臺車速度值進(jìn)行預(yù)測和優(yōu)化，完成對BTP的有效控制，具體措施為：建立預(yù)測控制器與模糊控制器，構(gòu)建轉(zhuǎn)換模型，二者相互協(xié)調(diào)投入運(yùn)行。

（1）模糊反饋控制器

該控制器的輸入變量設(shè)置成第22個風(fēng)箱處，并與BTP數(shù)值間存在偏差，差值大小用e表示，偏差的大小變化情況用ec表示;用△u對臺車速度進(jìn)行測量，將測量結(jié)果作為輸出變量。在模糊反饋控制器中，上述三個變量均采用7個模糊自己，輸入變量的基本論域在-1.0到1.0之間，輸出變量基本論域在-0.2到0.2之間，臺車速度變化在-0.15到0.15m/min之間，在模糊論域中，輸入變量為-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6;輸出變量為-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6;臺車速度變化量為-7、-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6、7;其中前兩者均為鐘型隸屬度函數(shù)，UC為三角形隸屬函數(shù)，經(jīng)過機(jī)理分析與專家總結(jié)可制定出模糊控制規(guī)則表，利用重心法對其進(jìn)行模糊判決[4]。

（2）預(yù)測控制器

該控制器主要由預(yù)測模糊器與BTP預(yù)測模型構(gòu)成，在實際運(yùn)行中包括BTP預(yù)測、動態(tài)系統(tǒng)特性辨識、模糊控制幾個方面，算法如下：

第一：對動態(tài)系統(tǒng)特性進(jìn)行辨識，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，實現(xiàn)BP網(wǎng)絡(luò)對系統(tǒng)模型的辨識;

第二：系統(tǒng)對響應(yīng)特征進(jìn)行預(yù)測，借助已經(jīng)訓(xùn)練完畢的BP預(yù)測模型，對BTP的預(yù)測數(shù)值進(jìn)行計算;

對BTP的預(yù)測值與設(shè)定值間的偏差進(jìn)行計算，將偏差變化率與偏差當(dāng)作輸入變量，利用控制器進(jìn)行分析，從而對控制量進(jìn)行計算;

反復(fù)執(zhí)行上述流程，直至整個過程結(jié)束。

（3）軟切換模型

在預(yù)測控制器與模糊控制器二者轉(zhuǎn)變的過程中，重點在于BTP所處狀態(tài)是否穩(wěn)定，如若其處于穩(wěn)定狀態(tài)，則采用模糊控制器進(jìn)行輸出;如若其狀態(tài)不穩(wěn)定，則采用預(yù)測控制器進(jìn)行輸出。對于中部風(fēng)箱來說，其內(nèi)部的廢氣溫度與BTP之間具有較為顯著的聯(lián)系，可通過對其變化進(jìn)行觀察，構(gòu)建軟切換模型，具體如下：

式中，N的數(shù)值為3，T（k）代表的是k時刻中部風(fēng)箱廢氣溫度;Tdi（k）代表的是偏差的平均值;Ti（k）代表的是穩(wěn)定狀態(tài)下標(biāo)準(zhǔn)溫度值;

根據(jù)模糊數(shù)學(xué)思想，對軟切換系數(shù)進(jìn)行計算，公式為：

式中，lim1與lim2代表的是T（k）與（k）的最大值與最小值，與燒結(jié)實際情況相結(jié)合，將lim1的數(shù)值設(shè)置為50℃，將lim2的數(shù)值設(shè)置為10℃;

假設(shè)模糊反饋控制器中輸出強(qiáng)度系數(shù)為a，預(yù)測控制器中的輸出強(qiáng)度為a2，二者的計算方式為：

a1=a=max（k1，k2）

a2=1-a

在BTP控制器中采用加權(quán)平均法對輸出數(shù)值進(jìn)行計算。

3 基于滿意度的智能協(xié)調(diào)控制措施

為了防止混合料的料槽中出現(xiàn)缺料或者料多等情況，本文在專家控制系統(tǒng)上利用調(diào)節(jié)臺車速度對料位進(jìn)行控制。在專家控制器的輸入變量中，與當(dāng)前料位與變化情況相結(jié)合，臺車的速度與輸出變量相一致。在控制目標(biāo)上，應(yīng)將料位始終保持在50到80噸之間，該區(qū)間屬于安全范圍，既不會出現(xiàn)缺料，也不會出現(xiàn)料多等情況，因此控制量并非只有單一的解，在控制器的輸出方面，屬于臺車速度的變化范圍，可與專家規(guī)則相結(jié)合進(jìn)行制定。在料位控制與BTP控制方面，主要采用改變臺車速度的方式，使兩個控制回路間的耦合關(guān)系得到有效解決，二者在調(diào)整后能夠自由的協(xié)調(diào)，在滿意度的基礎(chǔ)上實現(xiàn)協(xié)調(diào)和優(yōu)化目標(biāo)，使臺車的速度進(jìn)行計算，并求出最終的滿意解。

假設(shè)BTP控制器經(jīng)過計算，得出臺車的輸出值為u，料位控制器計算后得出臺車速度區(qū)間在u1到u2之間。以BTP控制料位的特征相結(jié)合，采用三角形滿意度函數(shù)對料位的滿意度進(jìn)行表示，具體如圖3所示[5]。

在上圖中，Sttp代表的是BTP滿意度;Sbt代表的是料位滿意度;u代表的是臺車速度;umin代表的是常規(guī)生產(chǎn)情況下臺車速度的最小值，即1.5m/min，與臺車速度的最大值，即3.0m/min。采用線性加權(quán)和法，對綜合滿意度函數(shù)進(jìn)行表示，公式為：

式中，代表的是BTP滿意度;（1-）代表的是料位滿意度，假設(shè)料槽具有少料或者多料的態(tài)勢，為了確保燒結(jié)生產(chǎn)的安全性，應(yīng)加強(qiáng)對料位的控制，需要使料位的滿意度增加，即的數(shù)值應(yīng)適當(dāng)降低，對的數(shù)值進(jìn)行計算后，可取65噸，也可對約束條件決策變量進(jìn)行推導(dǎo)后，尋找出最佳決策變量使綜合滿意度得到顯著提升。

4 實際應(yīng)用與運(yùn)行結(jié)果分析

通過上述分級遞階結(jié)構(gòu)分析，以梅鋼四號燒結(jié)機(jī)為例，在燒結(jié)過程中將智能控制方案應(yīng)用其中，構(gòu)建燒結(jié)智能控制系統(tǒng)，工業(yè)應(yīng)用效果較為良好。該系統(tǒng)的運(yùn)行結(jié)果如下圖4和圖5所示。

上圖4為BTP手動控制效果，上圖5為BTP自動控制效果，樣本點的時間間隔選擇3min，位置設(shè)定為第22個風(fēng)箱。將兩種結(jié)果進(jìn)行對比能夠清楚看出，智能控制法應(yīng)用中，BTP的波動較為明顯，其位置始終處于21.5到22.5之間，同時槽位的變化情況較為平穩(wěn)，沒有風(fēng)險異常情況，與燒結(jié)生產(chǎn)的相關(guān)指標(biāo)要求相符合。通過調(diào)查數(shù)據(jù)結(jié)果顯示：在智能控制系統(tǒng)投入應(yīng)用后，BTP波動與手動相比降低6.85%。智能控制系統(tǒng)的應(yīng)用與以往生產(chǎn)模式相比，不但使BTP的波動幅度得到有效的制約，還使燒結(jié)礦的數(shù)量、質(zhì)量均得到顯著提升，為企業(yè)帶來更多的經(jīng)濟(jì)效益。

5 結(jié)束語

綜上所述，本文針對鐵礦石燒結(jié)過程進(jìn)行分析，在分級遞階結(jié)構(gòu)基礎(chǔ)上提出智能控制方法，實驗結(jié)果表明，該系統(tǒng)的使用能夠使燒結(jié)波動得到有效抑制，燒結(jié)產(chǎn)量顯著提升。

參考文獻(xiàn)

[1] 李剛炎，李玉慧.轎車中央智能控制系統(tǒng)的組成和分級遞階結(jié)構(gòu)模型[J].汽車工程學(xué)報，2015，（3）：25-27.

[2] 王俊普，陳皞，徐楊，等.基于Agent的集散遞階智能控制的研究[J].控制與決策，2016，16（2）：177-180.

[3] 何磊，戴冠中.分級遞階專家智能控制及其在加氫裂化生產(chǎn)反應(yīng)過程中的應(yīng)用[J].信息與控制，2016，（6）：338-342.

[4] 張云生，王彬，王川，等.分級遞階控制結(jié)構(gòu)的狀態(tài)描述和實時實現(xiàn)[J].計算機(jī)工程與應(yīng)用，2015，38（20）：241-243.

[5] 孫群，張為民.基于碳足跡的生產(chǎn)過程分級遞階控制技術(shù)研究[J].中國機(jī)械工程，2017，22（9）：1035-1038.

作者簡介

周紀(jì)平（1980-），男，江西瑞昌人;學(xué)歷：本科，工程師，現(xiàn)就職單位：上海梅山鋼鐵股份有限公司煉鐵廠，研究方向：電氣自動化、自動化裝備及自動控制。