基于集成模型的焦炉火道温度软测量技术研究与应用

自动化测试 计算机测量与控制 . 2006 . 14 ( 2) 　Computer Measurement & Control 　 　·149 · 收稿日期 : 2005 - 06 - 15 ; 　修回日期 : 2005 - 07 - 28。 作者简介 : 国家杰出青年科学基金项目 (60425310) ; 教育部青年 教师奖项目 (教人 [ 2002 ] 5 号) 。 作者简介 : 曹卫华 (1972 - ) , 男 , 河南人 , 副教授 , 主要从事过 程控制和机器人控制方向的研究 ; 吴敏 (1963 - ) , 男 , 广东人 , 教授 , 博导 , 主要从事过程控制 , 鲁棒控制和非线性控制等方向的研究。 文章编号 : 1671 - 4598 (2006) 02 - 0149 - 03 　　　　　　中图分类号 : TP273 　　　　　　文献标识码 : A 基于集成模型的焦炉火道温度 软测量技术研究与应用 曹卫华 , 侯少云 , 吴　敏 (中南大学 信息科学与工程学院 , 湖南 长沙 　410083) 摘要 : 在分析焦炉火道温度特性的基础上 , 提出了一种基于线性回归和神经网络模型的火道温度软测量集成模型 ; 分析生产工艺得 到典型蓄热室的选取原则 , 从典型蓄热室获得蓄顶温度 , 建立一元和二元线性回归模型反映蓄顶温度和火道温度的线性关系 ; 建立神经 网络模型拟和蓄顶温度和火道温度的非线性关系 ; 最后利用误差最小法将线性回归模型和神经网络模型集成 , 提高软测量精度 ; 模型实 际运行效果验证了所建模型的有效性。 关键词 : 焦炉 ; 软测量 ; 神经网络 ; 模型集成 Research and Implementation of Coke Oven Flue Temperature Measurement via Soft - sensing Based on Integrated Models Cao Weihua , Hou Shaoyun , Wu Min (School of Information Science and Engineering , Central South University , Changsha 　410083 , China) Abstract : An integrated model combining linear regress and neural network based on t he features of coke oven flue temperature are pro2 posed. Rules of selecting typical regenerators are put forward by analyzing features of process. Linear regression models are built to map t he linear relationship between flue temperature and top of regenerator temperature ; neural network models are built to map t he nonlinear rela2 tionship . At last , least error met hod is employed to integrate t he output of linear regression and neural network models. The run result s of t he models validate t he met hod. Key words : coke oven ; soft - sensing ; neural network ; integration of models 0 　引言 焦炉是冶金工业中复杂的工业炉窑 , 它由多个炭化室和燃 烧室交替配置而成。煤气和空气经蓄热室预热后进入燃烧室扩 散、燃烧 , 产生的热量经炉墙传给炭化室 ; 煤在炭化室中进行 高温干馏 , 形成焦炭 ; 燃烧产生的废气经蓄热室余热回收后排 放 , 每隔 30 min 交换一次煤气、空气与废气的流向 [1 ] 。焦炉 加热过程是单个燃烧室间歇、全炉连续、受多种因素干扰的热 工工程 , 是典型的大时滞、大惯性、强非线性、多因素耦合、 变参数的复杂系统。 在焦炉加热燃烧优化控制系统中 , 需要获得焦炉实时的火 道温度 , 而国内大部分焦炉火道温度的获得主要是通过测温工 每 4 小时一次的测量 , 存在很大的迟滞性。为满足控制的需 要 , 如何实时获得火道温度 , 已经成为制约焦炉燃烧控制的关 键性问题。目前火道温度软测量主要采用简单的线性或双抛物 线模型 [2 - 4 ] , 测量精度不是很高。本文针对国内目前普遍使用 的 J N60 型焦炉及 5 - 2 推焦串序 , 提出了一种基于集成模型的 软测量技术 , 来获得实时焦炉火道温度。 1 　热电偶蓄顶安装位置 焦炉火道温度受天气变化、入炉煤水分、加热 制度 关于办公室下班关闭电源制度矿山事故隐患举报和奖励制度制度下载人事管理制度doc盘点制度下载 、推焦 串序等因素的影响 , 在这些因素中 , 可以实时获得的有入炉煤 水分、加热用焦炉煤气和高炉煤气流量、推焦串序表和机焦侧 蓄顶温度。由于焦炉煤气流量及高炉煤气流量和火道温度关系 受加热制度的影响 , 无法在模型中量化 , 而其变化会间接反映 在蓄顶温度的变化上 ; 入炉煤水分对炭化室温度的影响在焦炉 温度优化设定中考虑更加合理和精确 ; 推焦串序可以在选择典 型蓄热室测温时考虑。因此 , 模型的输入可以只考虑蓄顶实时 温度。 焦炉的推焦串序可表示为 m - n , m 代表一座焦炉所有炭 化室划分的组数 (笺号) , 也即相邻两次推焦间隔的炉孔数 ; n 代表两趟笺号对应炭化室相隔的数考虑到推焦串序。国内焦炉 普遍为一点定位五炉距推焦 , 即 5 - 2 串序。J N60 型焦炉一般 有 61 个燃烧室 , 60 个炭化室 , 60 个蓄热室 (或者 56 个燃烧 室 , 55 个炭化室 , 55 个蓄热室等) 。根据焦炉生产工艺和测温 原理 , 可以在机侧和焦侧分别选取有代表性的蓄热室安装 S 型 测温热电偶 , 即可反映整炉温度。此处确定机侧和焦侧安装热 电偶的个数分别为 12 个。典型蓄热室的选取原则为 : (1) 热电偶不安装在边火道蓄热室 ; (2) 典型蓄热室对应的炭化室和燃烧室生产正常 , 温度具 有代表性 ; (3) 每两个典型蓄热室之间的推焦间隔时间大致相等 ; 　·150 ·　　 计算机测量与控制 　 第 2 期 (4) 安装热电偶的典型蓄热室尽量不相连 ; (5) 奇数号蓄热室个数和偶数号蓄热室个数尽量相同。 根据上述原则 , 考虑到焦炉结构中 n号炭化室下为 n 号蓄 热室 , 故可用与推焦串序中的炭化室编号表示相应的蓄热室 , 根据 5 - 2 推焦串序得到的典型蓄热室如下 (带括弧的数字为 典型蓄热室编号) : 1 号笺 : 1 , 6 , 11 , (16) , 21 , 26 , 31 , (36) , 41 , 46 , 51 , 56 ; 3 号笺 : 3 , 8 , (13) , 18 , 23 , 28 , (33) , 38 , 43 , 48 , (53) , 58 ; 5 号笺 : 5 , 10 , 15 , (20) , 25 , 30 , 35 , (40) , 45 , 50 , 55 , 60 ; 2 号笺 : 2 , (7) , 12 , 17 , 22 , (27) , 32 , 37 , 42 , (47) , 52 , 57 ; 4 号笺 : 4 , 9 , 14 , (19) , 24 , 29 , 34 , 39 , (44) , 49 , 54 , 59。 在选取典型蓄热室并安装测温热电偶后 , 可以每分钟实时 检测到反映焦炉火道温度的蓄热室中下降气流的温度。对获得 的温度数据进行滤波后得到建模用数据。 2 　线性回归模型 根据焦炉生产工艺可知 , 通过典型蓄热室获取的蓄顶温度 与整个焦炉火道的平均温度是线性关系 , 这种线性关系可以通 过线性回归模型来表示。下面以焦炉机侧模型的建立方法为例 加以说明。设 T I = { Ti | i = 7 , 13 , 16 , 19 , 20 , 27 , 33 , 36 , 40 , 44 , 47 , 53 ; T i > Tmin , Ti < Tmax } , 其中 Tmin和 Tmax 分别表示机侧蓄顶温度的最小和最大值 ; 记对应于蓄顶温度时 刻的测温工实测温度为 Y = { y | y > ymin , y < ymax } , ymin 和 ymax分别表示实测温度的最小和最大值 , 则 ( T I , Y) 构成一 组样本。根据线性回归理论 , 有 : Y = Xβ+ u u～ N n (0 ,σ2 In) (1) 　　根据最小二乘法可得β的最小二乘估计β^, β^ = ( X T X ) - 1 X T Y (2) 　　分析焦炉生产工艺 , 由于蓄热室每 30 min 换向的影响 , 奇数号蓄顶和偶数号蓄顶获得的温度分别是整点时刻和半点时 刻换向后 10 min 的滤波后温度或相反 , 由于蓄顶温度获取时 间的不同 , 这两种温度的性质有所不同。此处用二元线性回归 模型来反映这种不同 , 自变量取机侧所有奇数号蓄顶温度平均 值 Todd和所有偶数号蓄顶温度平均值 Teven 。根据计算得模型参 数 , 取实时的 Todd和 Teven , 得其预测值 Y^2 。 在焦炉生产过程中 , 会出现多种故障。针对这些故障 , 建 立的温度软测量模型必须有足够的健壮容错性。由于煤气经由 蓄热室一个通道进入焦炉火道燃烧 , 废气由蓄热室另一个通道 排出 , 会出现煤气在蓄热室中串烧的情况 , 此时蓄顶温度异常 升高 , 超过 Tmax ; 另外一种常见的异常是由于煤车或者推焦车 故障 , 成熟焦炭无法按时出炉 , 操作工会将相应煤气阀门关 掉 , 即“关考克”现象 , 这会导致蓄顶温度的异常降低。为保 证异常时的正常预测 , 建立一元线性回归模型 , 该模型自变量 取所有蓄顶平均温度 TA 。预测时 , 取所有温度在 Tmin和 Tmax 之间的蓄顶温度平均值 , 可得一元模型预测值 Y^1 。事实证明 , 由于不同炭化室所处结焦周期的不同 , 所有典型蓄顶温度平均 值的波动相当小 , 即使去除一到两个蓄顶温度 , 其它蓄顶的温 度平均值仍可以正确反映焦炉火道温度的变化趋势。 在得到 Y^2 和 Y^1 之后 , 对两个值进行加权组合 , 得到线性 回归模型预测值 : Y^1 reg = α^Y 2 +β^Y 1 (3) 式 (3) 中 , α+β, 且 0 ≤α, β≥1。α和β的初始值相同 , 通过 规则改变。以一元回归模型输出 Y^1 的预测误差为例说明系数 变化规则 : RUL E 1 : IF abs ( Y^1 - Y real ) ≤1 ℃, T H ENβ= 1 , α暂时 屏蔽 ; RUL E 2 : IF abs ( Y^1 - Y real ) 最小 , T H EN β ( k) = 115β ( k - 1) ; RUL E 3 : IF abs ( Y^1 - Y real ) 最大 , T H ENβ ( k) = 015β ( k - 1) 。 系数和预测值有效性检查规则包括 : RUL E 4 : IF Y^1 < Ymin or Y^1 > Ymax , T H ENβ= 0 RUL E 5 : IFα, β值改变 , T H ENα+β= 1 , 重新计算。 其中 , Ymin和 Ymax分别代表实测最小值和最大值 , 通过统 计数据得到。 3 　神经网络模型 火道温度和蓄顶温度的线性关系可以用线性回归模型来描 述。但是由于焦炉生产过程的复杂性 , 两者之间也存在非线性 关系 , 无法用线性回归模型描述。此处利用人工神经网络模型 来拟和这种不确定的非线性关系。 分别建立两个具有三层的 BP 网络 BP3L - J I 和 BP3L - J IAO 来预测机侧和焦侧火道温度。仍以机侧神经网络模型为 例说明模型建立方法。BP3L - J I 中 , 输入和输出分别为机侧 12 个蓄顶温度 T I 和机侧实测温度 Y , 输入层有 12 个神经元 , 中间层有 25 个神经元 , 输出层有 1 个神经元。BP3L - J I 的输 入和输出关系可用下式描述 : T^net1 = ∑ 25 i = 1 W O1i tansig ( w H1i , m T m + bH1i ) + bO1 (4) 式 (4) 中 , m = 7 , 13 , 16 , 19 , 20 , 27 , 33 , 36 , 40 , 44 , 47 , 53 , Tm 表示第 m 个蓄顶的温度 , w H1i , I 为第 m 个蓄顶温度 的神经元到中间层第 i 个神经元的权值 , bH1i 是中间层第 i 个 神经元的阈值 , wO1i 是中间层第 i 个神经元到输出层神经元的 权值 , bO1是输出层神经元的阈值 , tansig ( ·) 表示扩展的 sig2 moid 函数 : tansig ( x) = 21 + e- 2 x - 1 (5) 　　BP3L - J IAO 具有与 BP3L - J I 相同的结构 , 只是输出为 T^jiao 。有 : T^net2 = ∑ 25 i = 1 w O2 i tansig ( w H2i , m T m + bH2i ) + bo2 (6) 　　为了确定 BP3L - J I 和 BP3L - J IAO 的权值和阈值 , 基于 炼焦过程的统计数据 , 使用一种基本的 BP 学习算法 , 以 BP 网络实际输出和目标输出之差的均方差作为目标函数 , 利用目 标函数的梯度 , 不断调整权值和阈值 , 使目标函数达到最小。 4 　模型自适应与集成 上面讨论了静态线性回归模型和神经网络模型的建立方 法 , 由于焦炉生产状况会随着季节和加热制度等的变化而变 第 2 期 曹卫华 , 等 : 基于集成模型的焦炉火道温度软测量技术研究与应用　 ·151 ·　　 化 , 必须使模型能动态修正 , 即自适应性。此处采用样本自动 更新的方法 , 算法步骤如下 : Step1 : 获取每小时各个蓄顶温度滤波值 , 给出各模型预 测值。如果此小时有测温工实测温度 , 则构成一组初样本 ; Step2 : 对初样本做上下限检查 , 合格则保存为样本并进 入下一步 , 否则丢弃 ; Step3 : 获取最新更新样本位置 , 替换下一个位置样本 , 样本更新后所有模型自学习 , 更新样本位置增一 ; 根据定时器 计时重复上述步骤。 线性回归模型反映蓄顶温度和火道温度的线性关系 , 神经 网络模型反映两者之间的非线性关系 , 这两种模型相互补充 , 可以通过规则模型将这两种方法建立的模型进行集成 , 获得更 好的软测量效果。模型组合采用加权系数法 : T^ = k1 T^reg + (1 - k1 ) T^net (7) k1 可以通过误差最小方法得到 [5 ] 。设有 N 组采样数据 , 记为 Y t ( t = 1 , 2 , ⋯, N) 为数据实际输出值 ; f it ( i = 1 , 2 　t = 1 , 2 ⋯N) 为第 i 种方法的预测值 ; eit = f it - Y t 为第 i 种方法 的预测误差 ; ki ( i = 1 , 2) 为第 i 种方法的加权系数 , ∑ 2 i = 1 ki = 1 ; f i = ∑ 2 i = 1 ki f it为组合预测方法的预测值 ; ei = f i - y i = ∑ 2 i = 1 kie it 为组合预测方法的误差。定义组合预测方法的预测平均误差平 均和为 J = ∑ N i = 1 e 2 i , 则有 : J = ∑ 2 i = 1 ∑ 2 j =1 [ ki k j ( ∑ N i = 1 eit e ji ) ] (8) 　　令加权系数向量 K = [ k1 , k2 ] T , 第 i 种预测方法的预测 误差向量 E i = [ ei1 , ei2 , ⋯eiN ] T , 预测误差矩阵 e = [ E1 , E2 ] , 则 J 可以简洁的表示为 : J = eTe = KT E (2) K (9) 式中 , E(2) = E11 　E12 E21 　E22 (10) 使组合预测方法的误差平均和 J 最小的加权系数为 : k1 = E22 - E12E11 + E22 - 2 E12 , 　k2 = 1 - k1 (11) 取 N = 160 , 实际计算得式中 k1 = 0168 , k2 = 0132。 5 　模型软测量效果 本文提出的软测量模型已经成功应用于某钢铁企业的焦炉 燃烧优化控制系统中 , 机侧模型和焦侧模型预测效果分别如图 2 和图 3 所示。可以看出 , 模型都有较高的软测量精度。根据 系统运行情况统计 , 机侧模型预测误差在 ±7 ℃以内的达到 8713 % , 焦侧模型预测误差在 ±7 ℃以内的达到了 8516 % , 满 足工业生产要求。 图 2 　机侧软测量模型效果 图 3 　焦侧软测量模型效果 6 　结论 在分析焦炉生产工艺基础上 , 提出了选取焦炉典型测温蓄 顶的原则和方法 , 通过安装测温热电偶获得实时的蓄顶温度 ; 分别建立了火道温度软测量的线性回归模型和神经网络模型来 拟和蓄顶温度和火道温度之间的线性和非线性关系 ; 采用误差 最小方法对线性回归模型和神经网络模型的输出进行集成 , 提 高预测精度。 参考文献 : [1 ] 于振东 , 蔡承佑 , 高兴锁 , 等. 焦炉生产技术 [ M ] . 沈阳 : 辽宁 科学技术出版社 , 2004. [2 ] 郑明东 , 宁方青. 焦炉立火道温度控制研究 [J ] . 大连理工大学学 报 , 2001 , 41 (4) : 442 - 445. [3 ] 宁方青 , 张世峰 , 严文福. 立火道温度的广义预测控制 [J ] . 电子 科技大学学报 , 2004 , 33 (1) : 53 - 55. [4 ] 陈凯 , 王秀丽 , 郑贵堂 , 等. 低成本智能加热控制系统在焦炉上的 应用 [J ] . 计控系统 , 2002 , (5) : 22 - 23. [5 ] 唐小我. 经济预测与决策新方法及其应用研究 [ M ] . 成都 : 电子 科技大学出版社 , 1997. (上接第 143 页) 三是严格执行标准化程序 , 遵循和采用相关的国际和国家标 准。这样的思路和方法使得我们在构造通用测试平台时获益匪 浅。 参考文献 : [ 1 ] 于功敬 , 奚全生. 虚拟测试系统的体系结构及其发展 [J ] . 电子产 品世界. 2004 , (01) : 59 - 61. [ 2 ] 于功敬 , 郝改萍 , 安茂春. 从虚拟仪器到虚拟系统 [J ] . 计算机测 量与控制 , 2001 , 9 (s) : 41 - 43. [ 3 ] IEEE Std 1226 - 1998 A Broad - Based Environment for Test (AB2 BET) . 1998. [4 ] IVI - 3. 1 : Driver Architecture Specification [ C] . 2001. [5 ] VXI Plug &Play Specification : VXI Plug &Play System Alliance. 1995 Paul Franklin , IVI INSTRUMEN T DRIV ER GU IDED TOUR. Auto TestCON2004 , 167 - 173. [6 ] 于功敬. 军用 A TE/ A TS 系统设计分析 [J ] . 计算机自动测量与 控制 , 2000 , 8 (1) : 5 - 7.