基于分级递阶结构的铁矿石烧结过程智能控制研究

摘 要 本文针对铁矿石烧结过程特征，在分级递阶结构基础上提出智能控制方法，对烧结过程进行有效控制。根据灰色理论与BP神经网络技术，构建智能预测模型，最后在满意度协调控制的基础上，对小矿槽料位与烧结终点进行有效的协调。实验结果表明，该系统的应用能够使烧结波动得到有效抑制，烧结产量显著提升。

关键词 分级递阶结构;铁矿石;智能控制

引言

在钢铁生产过程中，铁矿石烧结十分重要，能够为高炉炼铁提供主要原料，与炼铁质量、能源消耗、产量等具有重大关联。烧结过程具有较强的非线性、滞后性、耦合严重等特点，对BTP的影响因素众多，因此需要采用人工智能技术，为烧结工程控制提供有效途径。

1 智能控制系统概述

1.1 设计需求

烧结矿作为钢铁生产的重要环节之一，烧结终点将对烧结矿的质量、数量产生直接影响。在以往生产过程中，很难建立准确、可靠的工业过程模型，致使最终的应用效果也不尽人意。近年来，我国在烧结控制方面将重心放置在BTP研究方面，借助神经网络技术为BTP预测铺平道路。但是，在烧结过程中仍然存在信息不健全、工艺复杂等情况，采用单一方式只能在有限的信息中进行计算，无法对BTP中的更多信息进行预测，并且现行控制方式没有考虑到烧结后的滞后性与混杂特性，以及严重耦合对BTP产生的不良影响，导致在实际工业应用中难以与规定的控制要求相符合。

对此，迫切需要提出新的方式提高烧结过程的控制效率。在人工智能不断发展的背景下，集成建模技术、智能协调策略等应运而生，为烧结过程控制提供了新的发展路径。本文在分级递阶的基础上将灰色理论、模糊控制、神经网络等理论和技术引入其中，构建智能控制系统，实现对烧结过程的有效控制。

1.2 分级递阶结构形式

智能系统采用分级递阶结构形式，将该系统划分为协调级、执行级与组织级三个层次，坚持“精度与智能成反比”的原则，与决策到控制全局的优化思想相结合，对管理、操作与控制任务进行协调处理，实现子系统的物理协作，从而完成对整个系统的有效控制。在多任务系统运行过程中，具有较为成熟的中断机制、通信机制、优先权调用机制，能够在多种平台下利用计算机将任务进行分层处理，使各项任务能够分级进行。因此，采用多任务系统能够实现递阶系统中多项任务有组织、有目的的合理分布，并共处于同一个工作环境中[1]。

1.3 主要结构

在烧结过程中，参数量众多且耦合严重，特别是通过改变烧结机速度对BTP进行调整时，导致圆辊转速发生改变，对小矿槽料位产生影响，进而影响整个烧结工程。为了提高生产稳定性与烧结矿质量，与工艺标准相结合，将台车速度设置在1.5—2.5m/min，将料槽位设置在50—80吨之间;在BTP控制中，將目标设定为第22个风箱位置，也就是倒数第二个。与烧结过程特点相结合，本文在分级递阶基础上设计出一种智能控制方案，构建递阶控制系统，具体如下图1所示。

在该系统中主要包括智能控制层与基础自动化层，在基础自动化层中，主要由通信接口、集散控制系统构成，其中后者可对烧结过程进行全过程控制，通过接口完成PLC与智能控制器间的数据传输;在智能控制层中安装智能控制器对烧结过程进行监督，运行原理为：构建BTP预测模型与软测量模型，对其进行提前预测和判断，并在此基础上建立烧结终点智能控制器，通过对台车速度进行改变，完成对BTP的有效控制，通过料位控制器对料位进行调整;由于料位与BTP之间具有较大的关联性，在满意度基础上进行协调控制，完成对料位控制器、BTP的有机协调，明确台车的速度，将其作为智能控制器，在输入内容上主要为台车速度、气体流量与温度等[2]。

2 智能控制系统的构建

该系统主要由五个部分构成，即BTP预测模型、软测量模型、预测控制器、智能协调控制模型以及料位控制器，本文将针对上述五个部分进行分别论述和分析。

2.1 BTP预测模型与软测量模型

（1）BTP预测模型

在烧结过程中，废气温度不断提升，中部风箱中温度不断增加，如若台车的速度较为缓慢，中部风箱中的废气温度将会飞速上升，BTP的位置也将向前移动;反之，如若台车的速度较快，则风箱中废气温度上升速度变缓，温度还可能降低，BTP的位置也将逐渐后移。由此可见，风箱中废气温度与BRP均可对烧结状态产生一定影响，这也是BTP预测模型中的重要数据。在BTP预测中，首先要对目前BRP数值进行计算，然后构建灰色预测模型，对下一时间段BRP的数值进行预测，最后将台车速度、BRP数值与此时BRP变化情况输入到BP神经网络模型之中进行预测。在对BRP计算过程中，可用Xi代表中部风箱号码，用Ti代表对应的废气温度，通过数据拟合等方式对A/B/C等系数进行计算，然后采用BRP中的最佳位置废气温度替代Ti，进而计算出BRP当前数值。

在灰色理论指导下，构建BRP预测模型，具体如下：

式中，g（0）（1）代表的是利用BRP原始数据中的首个元素进行建模，序列维数为5;u代表的是灰色量;a代表的是发展系数;a与u的数值均可通过最小二乘法的方式计算出来。

利用BP神经网络构建的BTP预测模型如图2所示，该结构中共计拥有4个输入层和1个输出层，在隐含层中，神经元的数量为11。假设神经网络中的输入变量为xj，其中j的取值范围为1到4，则可将BTP预测模型表示为：

式中，

代表的是第j个输入变量与第i个神经元的权值;

代表的是第i个隐层神经元与输出层之间的权值;bi代表的是第i个隐层神经元的阈值，其中i的数值取值为1到11;b0代表的是输出神经元的阈值[3]。

（2） BTP软测量模型

与烧结理论相结合，BTP代表的是烧结机中废气温度最大时相对风箱的位置。在风箱附近对废气温度进行测量时，可根据二次多项式对分布曲线进行拟合，表达式为：

式中，Ti代表的是风箱废气温度;A、B、C均代表二项式系数;Xi代表的是风箱位置，通过对实际数据进行拟合后，可对BTP的位置进行计算。

2.2 BTP智能控制器

在混杂模糊-预测的基础上构建智能控制模型，对台车速度值进行预测和优化，完成对BTP的有效控制，具体措施为：建立预测控制器与模糊控制器，构建转换模型，二者相互协调投入运行。

（1）模糊反馈控制器

该控制器的输入变量设置成第22个风箱处，并与BTP数值间存在偏差，差值大小用e表示，偏差的大小变化情况用ec表示;用△u对台车速度进行测量，将测量结果作为输出变量。在模糊反馈控制器中，上述三个变量均采用7个模糊自己，輸入变量的基本论域在-1.0到1.0之间，输出变量基本论域在-0.2到0.2之间，台车速度变化在-0.15到0.15m/min之间，在模糊论域中，输入变量为-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6;输出变量为-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6;台车速度变化量为-7、-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6、7;其中前两者均为钟型隶属度函数，UC为三角形隶属函数，经过机理分析与专家总结可制定出模糊控制规则表，利用重心法对其进行模糊判决[4]。

（2）预测控制器

该控制器主要由预测模糊器与BTP预测模型构成，在实际运行中包括BTP预测、动态系统特性辨识、模糊控制几个方面，算法如下：

第一：对动态系统特性进行辨识，对神经网络进行训练后，实现BP网络对系统模型的辨识;

第二：系统对响应特征进行预测，借助已经训练完毕的BP预测模型，对BTP的预测数值进行计算;

对BTP的预测值与设定值间的偏差进行计算，将偏差变化率与偏差当作输入变量，利用控制器进行分析，从而对控制量进行计算;

反复执行上述流程，直至整个过程结束。

（3）软切换模型

在预测控制器与模糊控制器二者转变的过程中，重点在于BTP所处状态是否稳定，如若其处于稳定状态，则采用模糊控制器进行输出;如若其状态不稳定，则采用预测控制器进行输出。对于中部风箱来说，其内部的废气温度与BTP之间具有较为显著的联系，可通过对其变化进行观察，构建软切换模型，具体如下：

式中，N的数值为3，T（k）代表的是k时刻中部风箱废气温度;Tdi（k）代表的是偏差的平均值;Ti（k）代表的是稳定状态下标准温度值;

根据模糊数学思想，对软切换系数进行计算，公式为：

式中，lim1与lim2代表的是T（k）与（k）的最大值与最小值，与烧结实际情况相结合，将lim1的数值设置为50℃，将lim2的数值设置为10℃;

假设模糊反馈控制器中输出强度系数为a，预测控制器中的输出强度为a2，二者的计算方式为：

a1=a=max（k1，k2）

a2=1-a

在BTP控制器中采用加权平均法对输出数值进行计算。

3 基于满意度的智能协调控制措施

为了防止混合料的料槽中出现缺料或者料多等情况，本文在专家控制系统上利用调节台车速度对料位进行控制。在专家控制器的输入变量中，与当前料位与变化情况相结合，台车的速度与输出变量相一致。在控制目标上，应将料位始终保持在50到80吨之间，该区间属于安全范围，既不会出现缺料，也不会出现料多等情况，因此控制量并非只有单一的解，在控制器的输出方面，属于台车速度的变化范围，可与专家规则相结合进行制定。在料位控制与BTP控制方面，主要采用改变台车速度的方式，使两个控制回路间的耦合关系得到有效解决，二者在调整后能够自由的协调，在满意度的基础上实现协调和优化目标，使台车的速度进行计算，并求出最终的满意解。

假设BTP控制器经过计算，得出台车的输出值为u，料位控制器计算后得出台车速度区间在u1到u2之间。以BTP控制料位的特征相结合，采用三角形满意度函数对料位的满意度进行表示，具体如图3所示[5]。

在上图中，Sttp代表的是BTP满意度;Sbt代表的是料位满意度;u代表的是台车速度;umin代表的是常规生产情况下台车速度的最小值，即1.5m/min，与台车速度的最大值，即3.0m/min。采用线性加权和法，对综合满意度函数进行表示，公式为：

式中，代表的是BTP满意度;（1-）代表的是料位满意度，假设料槽具有少料或者多料的态势，为了确保烧结生产的安全性，应加强对料位的控制，需要使料位的满意度增加，即的数值应适当降低，对的数值进行计算后，可取65吨，也可对约束条件决策变量进行推导后，寻找出最佳决策变量使综合满意度得到显著提升。

4 实际应用与运行结果分析

通过上述分级递阶结构分析，以梅钢四号烧结机为例，在烧结过程中将智能控制方案应用其中，构建烧结智能控制系统，工业应用效果较为良好。该系统的运行结果如下图4和图5所示。

上图4为BTP手动控制效果，上图5为BTP自动控制效果，样本点的时间间隔选择3min，位置设定为第22个风箱。将两种结果进行对比能够清楚看出，智能控制法应用中，BTP的波动较为明显，其位置始终处于21.5到22.5之间，同时槽位的变化情况较为平稳，没有风险异常情况，与烧结生产的相关指标要求相符合。通过调查数据结果显示：在智能控制系统投入应用后，BTP波动与手动相比降低6.85%。智能控制系统的应用与以往生产模式相比，不但使BTP的波动幅度得到有效的制约，还使烧结矿的数量、质量均得到显著提升，为企业带来更多的经济效益。

5 结束语

综上所述，本文针对铁矿石烧结过程进行分析，在分级递阶结构基础上提出智能控制方法，实验结果表明，该系统的使用能够使烧结波动得到有效抑制，烧结产量显著提升。

参考文献

[1] 李刚炎，李玉慧.轿车中央智能控制系统的组成和分级递阶结构模型[J].汽车工程学报，2015，（3）：25-27.

[2] 王俊普，陈皞，徐杨，等.基于Agent的集散递阶智能控制的研究[J].控制与决策，2016，16（2）：177-180.

[3] 何磊，戴冠中.分级递阶专家智能控制及其在加氢裂化生产反应过程中的应用[J].信息与控制，2016，（6）：338-342.

[4] 张云生，王彬，王川，等.分级递阶控制结构的状态描述和实时实现[J].计算机工程与应用，2015，38（20）：241-243.

[5] 孙群，张为民.基于碳足迹的生产过程分级递阶控制技术研究[J].中国机械工程，2017，22（9）：1035-1038.

作者简介

周纪平（1980-），男，江西瑞昌人;学历：本科，工程师，现就职单位：上海梅山钢铁股份有限公司炼铁厂，研究方向：电气自动化、自动化装备及自动控制。