2007年 4月#22 # 第35卷第2期
钢铁研究
Research on Iron &Steel
Apr. 2007Vol. 35 No. 2
基于模糊推理的高炉炉温预报模型
国宏伟1, 陈令坤3, 左海滨2, 杨天钧2, 于仲洁3
(1. 北京科技大学管理学院, 北京100083; 2. 北京科技大学冶金学院, 北京100083; 3. 武汉钢铁(集团) 公司研究院, 湖北武汉430080)
摘 要:针对前人炉温预报模型存在变量过多不利于专家规则制定, 未考虑渣皮脱落等因素对炉温影响, 以及不能有效模拟专家思维等缺陷, 改进了炉温预报选取的变量, 设计开发了基于模糊数学理论的高炉炉温预报模糊推理专家系统。开发的炉温预报系统在武钢1号高炉运行取得很好的效果, 命中率达到了93. 85%。
关键词:高炉; 专家系统; 模糊推理; 炉温预报
中图分类号:T F543, T P273. 4 文献标识码:A 文章编号:1001-1447(2007) 02-0022-03
Hot metal temperatu re forecast model based on fuzzy inferring
GUO H ong -w ei 1, CH EN Ling -kun 3, ZU O H a-i bin 2, YANG T ian -jun 2, YU Zhong -jie 3(1. M anag em ent Scho ol, U ST Beijing , Beijing 100083, China; 2. Metallurgy School, U ST Beijing, Beijing 100083, China; 3. Research and Development Center, WISCO, Wuhan 430080, China)
Abstract:The former blast fur nace tem perature fo recast models have so me lim itations. For instance, there are so m any variables w hich are difficult for ex perts to establish rules; some important variables, such as scaffold drop -o ut in blast furnace , that affects blast furnace tem perature, have not been considered; tr aditional ex pert system can no t effectively simulate exper ts' thinking, etc. T o solve these pr oblem s, we im prov ed the selection of variables for blast fur nace temperatur e forecast and dev elo ped an ex pert sy s -tem of fuzzy inferring based on fuzzy mathematical theo ry. The system has gained go od results on No. 1Blast Furnace of WISCO w ith a hit rate of 93. 85%.
Key words:blast fur nace; fuzzy infer ring; exper t system; ho t metal temperature for e -cast
保持合理的炉温是高炉生产稳定运行的关键因素之一。由于高炉过程复杂, 直接测量铁水温度比较困难, 所以一般通过高炉铁水硅含量(一般理解为化学热) 来间接地反映炉内的温度变化, 从而判断高炉热状态。在含硅量预报方面, 目前的研究的方法主要集中在:
(1) 基于控制理论的时间序列模型[2]; (2) 基于神经网络的模型;
(3) 基于专家知识的专家系统模型。时间序列模型可以达到一定的精度, 但存在一定的滞后性, 而且该时间序列是非稳态的; 神经
[3~5]
[1]
网络模型当炉况波动或异常时, 精度较低, 推理的过程不透明, 不利于指导现场操作。在实际高炉生产的过程中, 有经验的高炉操作者能根据高炉参数的变化情况预测铁水的炉温。但采用传统的专家系统效果不很理想, 这是因为传统采用的专家系统的规则通常表达为:IF x 1>A 1, x 2>A 2, +, x n >A n , T H EN y 是b 。
由于这种规则要求不符合高炉操作者的思维习惯, 所以一般很难制定, 而且推理的结果b 是一种现象, 仍然难于判断高炉炉温值(精确数据) 。因此这种专家系统难以运用于高炉炉温的预
:) , , , , .
第2期国宏伟, 等:基于模糊推理的高炉炉温预报模型
Q 3) ) ) 鼓风中水汽分解热Q 4) ) ) 碳素溶损反应热量
#23 #
报[6]。因为模糊推理能够更加有效的模拟高炉操作的思维习惯, 且模糊推理的去模糊的算法能够使推理的结果变为精确的数据值, 所以选用模糊推理能够更有效的利用专家知识, 且推理出的炉温为精确数值。
武钢1号高炉, 采用了红外测温技术可连续测量出铁时的铁水温度, 我们取其中温度平稳段的温度均值作为铁水温度。针对前人炉温预报模型, 存在变量众多不利于专家规则制定, 未考虑渣皮脱落等因素对炉温影响以及不能有效模拟专家思维的缺陷, 改进了炉温预报需要的变量, 并设计开发了基于模糊数学理论的高炉炉温预报模糊推理专家系统。开发的系统在武钢1号高炉运行取得了很好的效果。
Q 5) ) ) 炉子下部冷却器壁带走的热量Q 6) ) ) 煤粉分解热
(2) 渣皮指数I S [7], 渣皮指数能够量化渣皮的形成、脱落或者气流的形成的规模。可以通过冷却壁(4~10段) 的热电偶温度值的变化阚值计算得到。
(3) 熔损反应碳消耗(SL C ) , 选取的原因是:熔损反应碳消耗的变化结合渣皮指数变化, 能够最终确定渣皮指数的变化的原因是由于渣皮的形成、脱落或者气流的形成。当渣皮指数增加时, 同时熔损反应增加, 说明渣皮脱落。从而正确考虑渣皮指数变化对于炉温的实际影响。
(4) 炉顶煤气U (CO) 的变化, 当U (CO) 的增加有可能高炉热量水平高, 因为过多的焦炭燃烧导致热量过多, 同时燃烧区产生的CO 过量。
(5) 下料速度MV, 能够表现高炉原料下料的速度, 当下料速度变快, 预热和反应不充分, 从而导致下部区域的温度下降, 出炉铁水温度下降。
(6) 上一次铁水的温度值LT, 上一次铁水的温度值是炉温预报推理的基准值, 代表上一个阶段炉温的水平。
相对前人研究选择众多变量, 本系统虽然推理的前件只有6个变量, 但基本上含盖了前人研究的所有变量。基于6个变量比直接考虑众多变量制定的规则更加简单、实用、有效。
1 模糊推理专家系统
模糊推理专家系统能够比较容易地将高炉操作专家的知识经验溶入到系统中, 从而利用模糊
系统模拟专家思维解决炉温预报的问题。
模糊推理系统结构如图1
所示。
图1 模糊推理系统
2. 2 规则库及规则搜索
根据高炉专家的经验确定推理的规则, 由于六个变量同时作为前件的规则比较复杂, 实际中高炉专家和有经验的炉长, 一般采用两前件的规则, 最终的结果由触发的规则结果综合得到。两前件x 1、x 2和单输出y 的模糊系统, 可以用多条IF -TH EN 形式的模糊语言规则的集合加以描述[8]。
IF x 1是A i , x 2是B i , T H EN y 是C i 。i =1, 2, +, n 。其中A i 、B i 表示两个前件的模糊集, C i 表示后件的模糊集。
规则R1:IF x 1是A 1, x 2是B 1, TH EN y 是C 1;
规则R2:IF x 1是A 2, x 2是B 2, TH EN y 是C 2。
按照M amdani 的最小-最大-中心法, 可得其:
2 模糊推理系统实现2. 1 变量选取
根据影响高炉炉温的主要因素和高炉专家的经验, 认为以往的变量选取有两个明显的缺陷:一是变量众多, 而众多的变量不利于专家制定规则; 另一方面几个重要的因素没有考虑。根据论文作者们和现场工长们长期在高炉工作的经验, 选取了以下变量:
(1) 炉热指数DQ , 代表高炉下部区域的热状态。可以通过高炉下部区域动态热平衡计算得到的, 以900e 为基准, 按如下等式进行计算。
DQ =Q 1+Q 2-(Q 3+Q 4+Q 5+Q 6) 式中 Q 1) ) ) 热风带入的有效热量
# 24 #钢铁研究
低较大。
第35卷
u C 1(y ) =min {max [u A 1(x ) +u (x 1) ], max [u B 1(x ) +u(x 2) ]}
u C 2(y ) =min {max [u A 2(x ) +u (x 1) ], max [u B 2(x ) +u(x 2) ]}(1)
将上述两项取最大, 即获得基于两条规则模糊推理的总输出模糊集C 的隶属函数为
u C (y ) =max {u C 1(y ) , u C 2(y ) }(2) 为了得到输出模糊量的大小, 可以采用面积重心的方法去模糊得到推理的精确值。
y *=
E u C i (y i ) #y i i =1
i =1n
3 实际应用
设计的高炉炉温预报模糊推理专家系统预报结果是每15m in 推理一次。表1是武钢1号高炉炉温预报模糊推理专家系统推理的一个例子。当炉温为1528e , 炉热指数减少了0. 6%, U (CO) 减少了14%, 熔损反应无变化, 下料速度增加24. 6%, 渣皮脱落指数为5时, 则推理得到90min 后铁水温度为1518e 。并给出了推理的
E u C i (y i )
(3)
过程, 从推理过程可以看出主要是下料速度的加快和U (CO) 的减少, 导致铁水温度的降低。
图2是2005年4月3日武钢1号高炉炉温预报结果与红外铁水测温结果的比较。从图中可以看出预测值与测量值非常接近。对武钢1号高炉, 从2005年4月24日至2005年7月24日, 推理的数据结果进行精度评估, 得到:当以温差10e 为标准时, 命中率93. 85%, 当以温差8e 为标准, 命中率85. 45%。
高炉现场根据高炉专家的经验制定了符合他们推理习惯的2072条规则, 典型举例如:当炉温极低, 且一氧化碳增加较多, 则炉温增加很大;
当炉温很低, 且料速增加很多, 则炉温降低极大; 当炉温极低, 且炉热指数增加极多, 则炉温降低很大;
当炉温正常, 且炉热指数增加极多, 则炉温降
表1 模糊推理例子
变 量炉 温D Q U (CO) S LC M V I S 预报炉温
数 值1528e -0. 6%-14%024. 6%51518e
推 理 过 程
当炉温很高, M V 增加很多, 则铁水温度减少很多, 隶属度:0. 833
当炉温极高, M V 增加很多, 则铁水温度减少很多, 隶属度:0. 167当炉温很高, U (CO) 减少很多, 则铁水温度减少很多, 隶属度:0. 833当炉温极高, U (CO) 减少很多, 则铁水温度减少很多, 隶属度:0. 167当炉温很高, SL C 无变化, 则铁水温度无变化, 隶属度:0. 833当炉温极高, SL C 无变化, 则铁水温度无变化, 隶属度:0. 167当炉温很高, I S 少量, 则铁水温度减少较多, 隶属度:0. 833当炉温极高, I S 少量, 则铁水温度减少较多, 隶属度:0. 167当炉温很高, D Q 无变化, 则铁水温度无变化, 隶属度:0. 833当炉温极高, D Q 无变化, 则铁水温度无变化, 隶属度:0.
167
4 结 论
本文通过结合高炉专家的经验知识、高炉炼铁的理论和选取不同于以前炉温预报研究6个变量:炉温、炉热指数变化率、一氧化碳变化率、溶损反应碳消耗变化率、下料速度变化率、渣皮脱落指
数的变量组。根据专家的经验知识产生的推理规
图2 武钢1号高炉炉温预报结果与红外铁水测温比较
则, 设计开发了高炉炉温预报模糊推理专家系统。
(下转第32页)
# 32 #钢铁研究第35卷
(a) 直筒型 (b) 回流型 (c) 通用型
图7 湍流抑制器对流场的影响(x /L =0)
墙的冲刷作用。
(3) 直筒型抑制器和回流型抑制器折射回的流体垂直到达液面, 然后向四周散开, 形成循环流, 水口附近流体活跃, 容易造成钢液/裸露0, 上升流对长水口的侵蚀大; 通用型抑制器折射回的流体经缓冲器壁, 沿着包壁缓缓地流回钢液表面, 减少了对冲击区耐火材料的冲刷, 能取得较好的控制钢液流动的效果。
[参考文献]
[1] 沈巧珍, 杜建明. 冶金传输原理[M ]. 北京:冶金工业出版
社, 2006:19-29.
[2] 王建军, 包燕平, 曲 英. 中间包冶金学[M ]. 北京:冶金工
业出版社, 2001:261-262.
[3] 唐继山, 谢长川, 于学斌, 等. 六流连铸中间包的物理模拟
[J ]. 炼钢, 2002, 18(1) :52-54.
[4] 王立涛, 李正邦, 薛正良, 等. 连铸中间包内钢液流动特性及
控流技术[J]. 特殊钢, 2004, 25(2) :32-34.
[5] 郑淑国, 朱苗勇. 薄板坯连铸中间包内抑湍器的模拟研究
[J ]. 钢铁研究学报, 2004, 16(4) :29-32
(收稿日期:2006-10-20)
(上接第24页)
该系统能够更加有效的模拟专家的思维, 开发的
系统在武钢1号高炉运行取得了很好的效果, 命中率达到了93. 85%。
[参考文献]
[1] 杨天钧, 徐金梧. 高炉冶炼过程控制模型[M ]. 北京:科学
出版社, 1995, 36-46.
[2] H enrik Sax en, Leif Karilainen. M odel for S hort -T erm Pre -diction of Silicon Content in th e Blast Furnace Process [C]. Ironm akin g Conference Pr oceedings, 1992, 185-191. [3] H imansh u S ingh, Nallamali Ven kata S ridhar, Brahm a Deo.
A rtificial Neu ral Nets for Prediction of Silicon Conten t of Blast Furnace H ot M etal[J ]. Steel Res earch, 1996, (67) :521-527.
(收稿日期:2006-11-02)
[4] Zuo Guangqing, M a Jitang, et al. A Neu ral Netw ork M od -el for Predictin g th e Silicon Content of th e H ot M etal at NO. 2Blast Furnace of S sab Lulea[C]. Ironmaking Confer -ence Proceedin gs, 1996:211-221.
[5] 姚 斌, 杨天钧. 铁水硅预报神经网络专家系统的遗传优
化生成[J]. 钢铁, 2000, (35) :46-51.
[6] 陈令坤. 我国高炉专家系统开发现状[J]. 炼铁, 2001,
(3) :30-34.
[7] 陈令坤, 傅连春, 于仲洁. 武钢4号高炉专家系统的应用
[J ]. 炼铁, 2001, (2) :71-74.
[8] 李士勇. 工程模糊数学及应用[M ]. 哈尔滨:哈尔滨工业
大学出版社, 2004.