[发明专利]一种高炉铁水质量在线鲁棒软测量方法

说明书

本发明提供一种高炉铁水质量在线鲁棒软测量方法，包括：在高炉冶炼过程可控变量中选取对高炉铁水质量参数相关性最高的六个可控变量，作为输入变量；同时选取输出变量；确定随机权神经网络模型的阶次；初始化随机权神经网络相关参数与变量；鲁棒初始阶段；利用随机权神经网络模型和获取的高炉炼铁过程数据，在线估计当前时刻的铁水质量参数；鲁棒在线序贯学习阶段。本发明中引入利用基于柯西分布加权M估计在线序贯随机权神经网络，根据残差的大小决定样本数据对建立模型的贡献，解决了建模过程中大量离群点对建模的不良影响，同时能不断根据新测量的包含有离群点的高炉炼铁过程数据不断修正模型参数，自适应当前工况，消除离群点影响而准确预测。

技术领域

本发明属于高炉冶炼自动化控制技术领域，特别涉及一种高炉铁水质量在线鲁棒软测量方法。

背景技术

高炉炼铁是一个将铁从铁矿石等含铁化合物中还原出来，冶炼出质量合格铁水的极为复杂的非线性动态过程。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。为了实现优质、低耗、高产和长寿的目标，需要对高炉炼铁过程进行实时监测与控制。目前主要采用硅[Si]含量(化学热)、铁水温度(物理热)、硫[S]含量、磷[P]含量等参数来综合衡量铁水质量的好坏。然而，高炉炼铁过程的复杂、恶劣特性，铁水质量参数难以直接测量，且离线化验有较长时间滞后。为了对高炉炼铁过程更好的优化控制达到最终的目的，对高炉内部运行状态实时全面地、准确地监测，必须要对铁水质量参数进行建模。炼铁的复杂动态特性，显著的工况时变，以及同时产生的大量包含离群点数据信息给建模带来困难。

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。

上述专利提供的方法以及其他相关文献相关类似方法都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预报，因而不能全面反映铁水质量水平，实用性较差。而且，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特性。另外，在实际炼铁生产过程中，生产环境恶劣，检测仪表等装置的故障以及其他异常干扰的影响，测量数据中包含离群点。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，当建模数据含有离群点时，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预测。

专利申请号“201610118914.7”申请的“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”虽然能够解决上述这些问题，但是，炼铁动态过程中不断产生大量数据，且具有显著的工况时变和非线性动态特性，随数据量维数的增大，求解隐含层输出矩阵逆运算的时间与计算复杂度迅速增加，此方法既不具有处理大量数据的能力又需要人为定期采用新的炼铁过程数据对预报模型进行离线重新训练，不能根据新来到的过程数据在线实时更新模型参数以自适应当前工况进行准确的预报，增加了设备成本和劳动力成本。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)进行多元动态自适应工况在线鲁棒软测量的方法。