[发明专利]一种基于鲁棒随机权神经网络的多元铁水质量软测量方法

说明书

技术领域

本发明属于高炉冶炼自动化控制领域，特别涉及一种基于Cauchy分布加权M估计随机权神经网络(M-RVFLNs)的高炉炼铁过程多元铁水质量参数动态软测量方法。

背景技术

高炉炼铁用于将铁从铁矿石等含铁化合物中还原出来，冶炼出质量合格的铁水，炼铁过程是一个极为复杂的非线性动态过程。高炉炼铁通过炉内发生的复杂的气-固、固-固、固-液反应将铁从铁矿石等含铁化合物中还原出来，冶炼出质量合格的铁水。同时，铁水质量指标作为高炉炼铁过程中最为重要的生产指标，直接决定了后续钢铁产品的质量和高炉冶炼过程的能耗状态。实际生产中，通常采用铁水温度(物理热)、铁水硅元素含量[Si](化学热)、硫元素含量[S]、磷元素含量[P]等参数来综合衡量铁水质量的高低。然而，高炉内的高温、高压、多场、多相耦合的动态特性，很多内在的干扰和直接测量时严酷的环境使得高炉内部状态和铁水质量参数难以在线检测。因此，就需要依赖于其他方便检测的参数建立高炉铁水质量的在线预报模型，采用铁水元素和温度的检测分析和预测建立数据驱动的多元高炉铁水质量软测量模型。

专利公开号“CN101211383A”公开了一种高炉铁水硅含量的特征分析预报方法。以高炉铁水硅含量预报模型的高炉工艺参数为输入变量，采用改进的动态独立成分分析方法对输入变量的样本数据进行特征提取，消除生产工艺参数之间的相关性，使用遗传算法优化模型参数的最小二乘支持向量机算法建立高炉铁水硅含量预报的动态递推模型。

专利公开号“CN103320559B”提供一种高炉铁水硫含量预报方法，以硫含量短期均值、硫含量中期均值、硫含量长期均值、入炉焦炭S含量、入炉煤粉S含量等作为铁水含硫预报的输入变量，利用高炉形成铁水的化学反应过程，结合RBF神经网络，预报下一次铁水的含硫量，获得了较好的预报硫含量精度。

专利公开号CN103981317A公开了“基于温降模型的高炉出铁口铁水温度的连续检测方法”，利用铁水沟底部所埋热电偶的测温数据，最终辨识出铁口处的铁水温度。该方法解决了高炉铁水温度检测需人工参与，间断不连续，耗材多，测温值不稳定的问题。

上述专利报道的方法以及其他相关文献相关类似方法只是针对单一的铁水质量元素(如Si含量、S含量、铁水温度等)进行预报和软测量，未能对表征高炉铁水质量的主要参数，即Si(硅)含量、P(磷)含量、S(硫)含量和铁水温度同时进行多元在线预报，因而不能全面反映铁水质量水平，实用性较差。同时，由于这些方法没有考虑输入输出时序以及过程中的时滞关系，所建立的静态模型并不能很好地反映高炉冶炼过程的固有动态特性。另外，在实际炼铁生产过程中，受检测仪表和变送器等装置的故障以及其他异常干扰的影响，测量数据中经常存在离群点。这些方法主要考虑了理想炉况下的铁水质量参数软测量，鲁棒性较差，当受离群点干扰时，这些方法不能抑制离群点干扰而对铁水质量参数进行较为准确地测量。综上所述，目前国内外还没有专门针对高炉冶炼过程铁水质量参数(Si含量、P含量、S含量和铁水温度)进行多元动态鲁棒软测量的方法。

发明内容

为了解决上述高炉冶炼过程中铁水质量参数在线预报方法的不足，本发明提出基于Cauchy分布加权M估计的多输出随机权神经网络(M-RVFLNs)的高炉炼铁多元铁水质量参数鲁棒建模，运用主成分分析(PCA)方法筛选出影响高炉铁水质量的最主要参数作为模型输入变量，构造出一个具有输出自反馈结构且考虑不同时刻输入输出数据的铁水质量多元动态预测模型，可同时对表征高炉铁水质量的主要参数Si含量、P含量、S含量和铁水温度进行多元动态软测量。本发明可利用炼铁厂现有常规测量设备提供的数据作为模型输入，给出当前和未来指定时间区间的多元铁水质量参数的估计值，为高炉生产过程的优化操作和运行提供关键质量指标。

为实现上述目的，本发明采用如下技术方案，本发明包括以下步骤：

(1)辅助变量选择与模型输入变量确定

选择软测量的辅助变量包括：炉腹煤气量u₁(m³)、热风温度u₂(℃)、热风压力u₃(KPa)、富氧率u₄、鼓风湿度u₅(RH)、喷煤量u₆(m³/h)；

确定如下16个变量为软测量模型的输入变量：

当前时刻炉腹煤气量u₁(t)(m³)；

当前时刻热风温度u₂(t)(℃)；