论文部分内容阅读
摘 要：分析烧结过程中主抽风在管道运行原理，建立基于主抽变频自动控制烧结过程机理模型，并用BP神经网络的方法对其在烧结台车焙烧过建模，用基于密度聚类的小生镜差分进化算法训练。模型仿真证明，在相同的输入状态下，模型输出与实际输出误差很小，模型有效，可用于主抽变频自动控制研究中。
关键词：主抽变频；烧结；仿真
1.引言
烧结生产过程是一个多变量、非线性、长延时的复杂系统。烧结过程建模是烧结过程控制的基础，是烧结智能化程序设定及优化的依据。
目前，智能建模方法已经成为解决复杂工业建模难题的重要途径，其中神经网络模型具有非线性拟合能力强，精度高的特點，适应于烧结过程建模。利用神经网络建模的方法有、BP 神经网络[1]、小波神经网络[2]、模糊小脑模型神经网络[3]、多网络模型[4]以及结合机理模型的BP 神经网络[5]等。通过这些智能化建模方法建立的烧结过程模型精度较高，可以反映实际烧结过程。
基于烧结过程的特殊性，笔者针对钢铁厂烧结过程智能控制要求，提出了一种烧结过程建模方法。首先，通过分析气体在主抽大烟道的运行过程，通过伯努利方程建立大烟道负压、风量及主抽风机功率关系数学模型；其次，进一步建立烧结过程中关于物料料层厚度、大烟道负压、风量与垂直烧结速度预测神经网络模型。最后，结合机理分析及BP神经网络模型，对烧结过程进行仿真分析，仿真结果表明，结合烧结机理建立的烧结主抽负压模型精度能满足现代智能控制的应用要求。
2.烧结系统建模分析
2.1大烟道管道系统机理建模
主抽风机以负压的形式抽风，空气在大烟道内的流动过程可以用伯努利方程表示，有：
（1）
空气在管道运行过程中，根据伯努利方程（基于机械能守恒规律），这里考虑一部分能量内能损耗及其漏风带走的动能及风机自己损耗，可得到管道风量与风机功率之间的线性表达式：
（2）
其中：W为风机功率，Q管道为大烟道风量。
也可以表示为： （3）
其中：W为风机功率，P管道为大烟道负压。
其中：a0、a1、a2、a3为与管道及运行状态相关系数。
2.2烧结台车焙烧过程BP神经网络建模
为减小BP神经网络训练的复杂性，采用3层的网络结构，建立烧结过程终点位置预测模型，网络结构如图所示：
图1.BP神经网络结构图
其中，x1，x2，…，xn表示BP神经网络的输入变量，y表示BP神经网络的输出变量，h1，h2，…，hn表示网络隐含层变量，bk为隐含层第k个节点的阈值，θ为输出层节点的阈值， 为输入层第j个变量到隐含层第k个节点的权值， 为隐含层第k个变量到输出层节点的权值。
通过生产指标与过程参数的灰色关联度分析，确定烧结物料焙烧BP神经网络预测模型的输入变量x1为烧结料层厚度、x2为烧结机台车速度、x3为物料透气性指数、x4大烟道负压、x5为大烟道风量、x6为物料透气性指数；采用上图所示的网络结构，模型输出变量y1为烧结终点位置、y2为烧结物料温度最高点温度。
模型烧结终点位置BP神经网络预测模型可以描述为：
（4）
模型烧结物料温度最高点温度预测模型可以描述为：
（5）
2.3基于密度聚类的小生镜差分进化算法
差分进化算法的基本思想是：对当前种群进行变异和交叉操作，产生一个新种群；然后利用基于贪婪思想的选择操作对这两个種群进行一对一的选择，从而产生最终的新一代种群。具体而言，首先通过下式对第t次迭代种群中的每个个体 ，具体而言，i=1，2，…，Np实施变异操作（Np为种群规模），得到与其对应的变异个体 ，即
（6）
3.模型系统仿真
3.1仿真模型的建立
系统仿真在MATLAB/SIMULINK环境下进行，根据模型关系，在SIMULINK环境下搭建仿真模块
3.2模型仿真分析
在该仿真模型，输入为主抽负压、风量，输出为各风箱下料层厚度及各风箱所需风量。
通过建立的仿真模型，设定仿真时间可以得到烧结料烧结过程曲线，主要反映为烧结矿层厚度的变化，曲线如下：
图2.模型烧结矿料层厚度仿真曲线
4.结论
通过仿真，我们可以看到此模型既能反映垂直烧结过程，也能得到烧结矿在台车上的静态特性，此模型能很好的描述烧结动态过程，通过该模型能反应烧结过程实时风量、系统阻力系数与负压等之间的关系，根据模型可判断主抽的风量和负压需求，从而调节风机的速度和风门开度。
参考文献
[1] 张群，吴信慈，冯安祖，等.宝钢焦炭质量预测模型I一焦炭质量预测模型的建立和应用〔J].燃料化学学报，2002，30（4）：300-305.
[2] 胡德生，吴信慈，戴朝发.宝钢焦炭强度预测和配煤煤质控制[J].宝钢技术，2000，（3）：30-34.
[3] 张群，冯安祖，史美仁，等.宝钢控制焦炭热性质的研究川.钢铁，2002，37（7）：l-7.
[4] 胡德生，吴信慈，冒建军，曹进.宝钢炼焦配煤的技术进步[J].钢铁，2004，39（l）：9-12.
[5] 胡德生，吴信慈，戴朝发.宝钢煤岩配煤方法的研究[J].钢铁，2001，36（1）：1-5.
关键词：主抽变频；烧结；仿真
1.引言
烧结生产过程是一个多变量、非线性、长延时的复杂系统。烧结过程建模是烧结过程控制的基础，是烧结智能化程序设定及优化的依据。
目前，智能建模方法已经成为解决复杂工业建模难题的重要途径，其中神经网络模型具有非线性拟合能力强，精度高的特點，适应于烧结过程建模。利用神经网络建模的方法有、BP 神经网络[1]、小波神经网络[2]、模糊小脑模型神经网络[3]、多网络模型[4]以及结合机理模型的BP 神经网络[5]等。通过这些智能化建模方法建立的烧结过程模型精度较高，可以反映实际烧结过程。
基于烧结过程的特殊性，笔者针对钢铁厂烧结过程智能控制要求，提出了一种烧结过程建模方法。首先，通过分析气体在主抽大烟道的运行过程，通过伯努利方程建立大烟道负压、风量及主抽风机功率关系数学模型；其次，进一步建立烧结过程中关于物料料层厚度、大烟道负压、风量与垂直烧结速度预测神经网络模型。最后，结合机理分析及BP神经网络模型，对烧结过程进行仿真分析，仿真结果表明，结合烧结机理建立的烧结主抽负压模型精度能满足现代智能控制的应用要求。
2.烧结系统建模分析
2.1大烟道管道系统机理建模
主抽风机以负压的形式抽风，空气在大烟道内的流动过程可以用伯努利方程表示，有：
（1）
空气在管道运行过程中，根据伯努利方程（基于机械能守恒规律），这里考虑一部分能量内能损耗及其漏风带走的动能及风机自己损耗，可得到管道风量与风机功率之间的线性表达式：
（2）
其中：W为风机功率，Q管道为大烟道风量。
也可以表示为： （3）
其中：W为风机功率，P管道为大烟道负压。
其中：a0、a1、a2、a3为与管道及运行状态相关系数。
2.2烧结台车焙烧过程BP神经网络建模
为减小BP神经网络训练的复杂性，采用3层的网络结构，建立烧结过程终点位置预测模型，网络结构如图所示：
图1.BP神经网络结构图
其中，x1，x2，…，xn表示BP神经网络的输入变量，y表示BP神经网络的输出变量，h1，h2，…，hn表示网络隐含层变量，bk为隐含层第k个节点的阈值，θ为输出层节点的阈值， 为输入层第j个变量到隐含层第k个节点的权值， 为隐含层第k个变量到输出层节点的权值。
通过生产指标与过程参数的灰色关联度分析，确定烧结物料焙烧BP神经网络预测模型的输入变量x1为烧结料层厚度、x2为烧结机台车速度、x3为物料透气性指数、x4大烟道负压、x5为大烟道风量、x6为物料透气性指数；采用上图所示的网络结构，模型输出变量y1为烧结终点位置、y2为烧结物料温度最高点温度。
模型烧结终点位置BP神经网络预测模型可以描述为：
（4）
模型烧结物料温度最高点温度预测模型可以描述为：
（5）
2.3基于密度聚类的小生镜差分进化算法
差分进化算法的基本思想是：对当前种群进行变异和交叉操作，产生一个新种群；然后利用基于贪婪思想的选择操作对这两个種群进行一对一的选择，从而产生最终的新一代种群。具体而言，首先通过下式对第t次迭代种群中的每个个体 ，具体而言，i=1，2，…，Np实施变异操作（Np为种群规模），得到与其对应的变异个体 ，即
（6）
3.模型系统仿真
3.1仿真模型的建立
系统仿真在MATLAB/SIMULINK环境下进行，根据模型关系，在SIMULINK环境下搭建仿真模块
3.2模型仿真分析
在该仿真模型，输入为主抽负压、风量，输出为各风箱下料层厚度及各风箱所需风量。
通过建立的仿真模型，设定仿真时间可以得到烧结料烧结过程曲线，主要反映为烧结矿层厚度的变化，曲线如下：
图2.模型烧结矿料层厚度仿真曲线
4.结论
通过仿真，我们可以看到此模型既能反映垂直烧结过程，也能得到烧结矿在台车上的静态特性，此模型能很好的描述烧结动态过程，通过该模型能反应烧结过程实时风量、系统阻力系数与负压等之间的关系，根据模型可判断主抽的风量和负压需求，从而调节风机的速度和风门开度。
参考文献
[1] 张群，吴信慈，冯安祖，等.宝钢焦炭质量预测模型I一焦炭质量预测模型的建立和应用〔J].燃料化学学报，2002，30（4）：300-305.
[2] 胡德生，吴信慈，戴朝发.宝钢焦炭强度预测和配煤煤质控制[J].宝钢技术，2000，（3）：30-34.
[3] 张群，冯安祖，史美仁，等.宝钢控制焦炭热性质的研究川.钢铁，2002，37（7）：l-7.
[4] 胡德生，吴信慈，冒建军，曹进.宝钢炼焦配煤的技术进步[J].钢铁，2004，39（l）：9-12.
[5] 胡德生，吴信慈，戴朝发.宝钢煤岩配煤方法的研究[J].钢铁，2001，36（1）：1-5.