基于時間序列的燒結(jié)終點自適應預報模型

張宗旺，伯飛虎，周 凡，李慶洋

（北京科技大學，北京 100083）

燒結(jié)終點是指料床被燒透的位置，一般是采用所對應的風箱號來表示。燒結(jié)終點位置不僅決定了有效燒結(jié)面積的利用情況，而且對燒結(jié)操作及燒結(jié)礦質(zhì)量也有一定的影響，燒結(jié)終點控制是燒結(jié)操作的重要任務[1]。由于燒結(jié)過程的復雜性、流程長、終點影響因素眾多，使得穩(wěn)定終點的控制極其困難。有鑒于此，人們的研究更傾向于探索終點預測的方法，以期提前獲知燒結(jié)終點，提前進行調(diào)控，將終點位置穩(wěn)定在較少的波動區(qū)間內(nèi)。

長期以來，人們持續(xù)開展著相關(guān)模型的研究工作，日本川崎鋼鐵公司水島廠開發(fā)了診斷型燒結(jié)操作控制專家系統(tǒng)，它具有燒結(jié)終點控制、設(shè)備保護、生產(chǎn)率控制及質(zhì)量控制等功能[2]；美國的Corn Richard C提出在靠近燒結(jié)機中部的風箱上安裝幾個（通常是3個）熱電偶，以監(jiān)視廢氣溫度開始上升點[3,4]。其實質(zhì)也是根據(jù)廢氣溫度開始上升處來預報燒結(jié)終點；韓國的Cho B.K.等人認為，與采用在最高溫度區(qū)域得到的數(shù)據(jù)相比，采用在拐點前區(qū)域的溫度數(shù)據(jù)作為分道閘板控制參數(shù)，可使滯后時間大大縮短[5]。中南大學在進行燒結(jié)過程控制系統(tǒng)的研究中也發(fā)現(xiàn)。目前存在的數(shù)學模型要么太復雜，要么效果不好[6,7]。

針對前人的研究工作，本文提出了基于時間序列的終點自適應預報方法，目標是在保證準確預測的基礎(chǔ)上，探索能夠?qū)崿F(xiàn)的提前時間量，為及時調(diào)控創(chuàng)造良好的條件。

1 模型的建立

1.1 確定終點的影響因素

由于直接測量燒結(jié)終點很困難，所以人們對判斷和分析燒結(jié)終點的方法作了許多研究。概括起來有燒結(jié)廢氣溫度判斷法、燒結(jié)廢氣成分判斷法和燒結(jié)料層負壓法三種方法[8]。

要實施燒結(jié)終點位置的準確預測，首先必須弄清哪些可獲得的配料和工藝過程參數(shù)在影響著燒結(jié)終點位置。從燒結(jié)工藝角度分析出發(fā)，并結(jié)合采集到的數(shù)據(jù)的情況，選取配碳、配水、溫度上升點(BRP)、溫度上升點溫度()、廢氣溫度曲線蓄熱指數(shù)S、燒結(jié)機運行速度、煙道抽風負壓、料層厚度等操作工藝及過程參數(shù)作為考察目標，采用單因素分析的方法，以確定生產(chǎn)過程中對燒結(jié)終點位置有實際影響的主要因素。

圖1 廢氣溫度上升點位置(BRP)與終點位置(BTP)間的關(guān)系

圖1為不同溫度上升點位置(BRP)下，燒結(jié)終點位置(BTP)的分布狀態(tài)。圖中顯示：廢氣溫度上升點位置(BRP)與燒結(jié)終點位置(BTP)存在一定的相關(guān)關(guān)系，即：燒結(jié)終點位置(BTP)隨廢氣溫度上升點位置(BRP)的變小而前移，隨廢氣溫度上升點位置(BRP)的變大而滯后。

圖2為不同蓄熱指數(shù)S下，燒結(jié)終點位置(BTP)的分布狀態(tài)。圖中表明，廢氣溫度擬合曲線與坐標間包裹的蓄熱指數(shù)S與燒結(jié)終點位置也存在一定的影響關(guān)系，其基本趨勢為：隨著蓄熱指數(shù)S增大，燒結(jié)終點位置(BTP)前移；而隨著蓄熱指數(shù)S的減小，燒結(jié)終點位置(BTP)則后移。

圖2 蓄熱指數(shù)S與終點位置(BTP)間的關(guān)系

利用上述方法分析燒結(jié)終點位置與配碳、配水、溫度上升點溫度(Tbrp)、燒結(jié)機運行速度、煙道抽風負壓、料層厚度等工藝參數(shù)間的關(guān)系，縱橫坐標變量間關(guān)系似乎不明顯。而從燒結(jié)理論可知，燒結(jié)機運行速度、抽風負壓、配碳量、配水量和料層厚度五個因素對終點位置都存在較大的影響，并為生產(chǎn)實際所證實。出現(xiàn)這種現(xiàn)象的原因主要是因為燒結(jié)是一個復雜的、多因素交互影響的過程，而寶鋼燒結(jié)生產(chǎn)相對較穩(wěn)定，在樣本的采集時間段內(nèi)，上述四個參數(shù)變化很??；而且生產(chǎn)過程中某個參數(shù)變化后，其它工藝參數(shù)也進行了相應的調(diào)整，從而掩蓋了機速、負壓、配碳量、配水量和料層高度的作用。所以，這五個參數(shù)也不應該被忽略。

從上述的單因素分析和工藝分析結(jié)果來看，廢氣溫度上升點位置(BRP)、蓄熱指數(shù)S、機速、負壓、配碳量、配水量、以及料層厚度均可作為燒結(jié)終點位置(BTP)的影響因素。

1.2 建立基于時間序列的終點預報模型

燒結(jié)終點位置是燒結(jié)過程各種工藝參數(shù)綜合作用的結(jié)果，要實施燒結(jié)終點位置的準確預測，首先必須弄清哪些可獲得的配料和工藝過程參數(shù)在影響著燒結(jié)終點位置。從現(xiàn)場數(shù)據(jù)的分析和工藝分析結(jié)果來看，廢氣溫度上升點位置(BRP)、蓄熱指數(shù)S(燒結(jié)廢氣溫度曲線與風箱號橫坐標在BRP和燒結(jié)終點間的積分面積)、機速、負壓、配碳量、配水量、以及料層厚度對燒結(jié)終點位置(BTP)均有明顯的影響[8]。

燒結(jié)生產(chǎn)是一連續(xù)的過程，料批運動過程相應位置上工藝參數(shù)施予的影響只有達到終點時才會表現(xiàn)出來，欲通過調(diào)節(jié)水分以穩(wěn)定終點，提前獲知――預測燒結(jié)終點及其變化趨勢至關(guān)重要。本文采用時序分析的方法，在考慮上述因素變化取向的基礎(chǔ)上，實施燒結(jié)終點的預報，并將預測終點作為配水調(diào)節(jié)模型的輸入因子[8]。

燒結(jié)終點的預報就是在k時刻根據(jù)已知的燒結(jié)終點的實際判斷值y(k ) , … ,y (k + ( 1 -n)·l )及ui(k )，…，ui( k - mi-d+1)來估計未來k + d ·l時刻的輸出值，稱作超前d步預報。未來時刻的預報值y?(k +d·l)應當是已知數(shù)據(jù)的函數(shù)，則預報模型可以表示：

式中：d ——提前預報的步數(shù)，正整數(shù)；l——時間步長，如3min；n,mi——模型的階數(shù)；k + d ·l時刻的系統(tǒng)輸出值，即k + d ·l時刻終點預測值；y(k ) , … ,y (k + ( 1 -n)·l )——k , … ,k + ( 1 -n)·l 時刻終點的實際判斷值 ；ui(k ) ,… ui( k - mi- d +1)——燒結(jié)終點影響因子的時間序列。

1.3 運用自適應方法對模型的修正

為了使燒結(jié)終點預報器適應實際燒結(jié)生產(chǎn)過程的動態(tài)變化，不斷的更新燒結(jié)終點預報器，提出了一種適用于動態(tài)過程的在線自適應方法——定時新信息自適應學習法。

對于穩(wěn)定的、時不變系統(tǒng)，經(jīng)過前述建立的基于時間序列的燒結(jié)終點預報模型就可以用于實時在線預報終點位置，但由于燒結(jié)過程是處在不斷變化之中，尤其會有原料條件改變、料層厚度較大幅度調(diào)整等情況，建立在以前生產(chǎn)經(jīng)驗基礎(chǔ)上的預測模型往往不能滿足新條件下的預測要求。因此，基于時間序列的燒結(jié)終點預報模型是需要在使用的過程中隨著燒結(jié)過程的變化而自適應更新的。最常用的自適應方法是等維新息法，就是用最新的數(shù)據(jù)加入訓練樣本集，去掉最舊的樣本，始終維持樣本數(shù)量不變。要使模型具有良好的泛化能力，樣本集必須覆蓋問題的整個論域，通俗地講，就是用于訓練的樣本必須足夠多而且涵蓋可能出現(xiàn)的各種情況，模型的輸出才能更接近期望值[8]。

因此在實際應用中，應該用適當?shù)男滦畔颖緛磉M行模型的自適應學習。但是，研究過程中發(fā)現(xiàn)，初始建立的模型用小的樣本集訓練，其預報精度反而降低。原因在于，少量的樣本其典型性不足，有些可能的情況沒有包含在樣本集中?？梢?，模型的在線訓練存在訓練實時性與樣本典型性的矛盾。針對這一矛盾，經(jīng)過該模型在現(xiàn)場的反復試驗，提出了一種新的模型在線自適應方法——定時新信息自適應學習法。

根據(jù)燒結(jié)工藝過程的特點，燒結(jié)終點每隔3min預報一次，如果模型在1小時內(nèi)對20組樣本的預報值與燒結(jié)終點實際判斷結(jié)果絕對誤差的平均值小于0.06，則說明模型對該小時內(nèi)樣本預報效果較好，模型將以8小時為一個周期進行自適應學習；否則，如果模型在1小時內(nèi)對20組樣本的預報值與燒結(jié)終點實際判斷結(jié)果絕對誤差的平均值大于0.06，則說明當前模型對該小時內(nèi)樣本預報效果較差，系統(tǒng)立即啟動模型自適應學習模塊，重構(gòu)模型。

2 結(jié)果與討論

為了檢驗該模型的有效性及預測結(jié)果的可靠性，取采集到的3＃燒結(jié)機2006年5月25日～26日正常生產(chǎn)條件下，存入系統(tǒng)初期知識庫數(shù)據(jù)中的數(shù)據(jù)，并將其分成兩組：一組為模型訓練樣本――訓練樣本集(300條記錄)，一組為檢驗模型預測性能的樣本――模型檢驗樣本集(200余條記錄)。

利用訓練樣本集中的記錄，將包含時間序列項的模型訓練后，再利用模型檢驗樣本集中的記錄進行燒結(jié)終點預測(預測的超前時間為15min)，并與終點判斷結(jié)果進行比較。終點位置判斷值與預測終點的變化趨勢如圖4所示，二者的絕對誤差分布如圖5所示。

圖3 基于時間序列的終點自適應預報模型現(xiàn)場應用效果

圖4 預測終點與判斷終點的趨勢圖

圖5 預測終點與判斷終點比較的相對誤差分布圖

由圖4可知，預報終點與判斷終點的數(shù)值基本吻合，該而且模型預測結(jié)果可以反映出終點的變化趨勢：當終點位置下降（上升）時，模型能夠提前15min給出BTP下降（上升）的預報，從而能在一定終點預報精度前提下一定程度上解決了燒結(jié)工藝工程的大滯后性。而從圖7－24預測終點與判斷終點的相對誤差來看，其相對誤差絕對值低于1.0%的命中率為91.05%，其相對誤差絕對值低于2.0%的命中率為98.88%。其絕對誤差絕對值低于0.1個臺車的命中率為74.25%，其絕對誤差絕對值低于0.2個臺車的命中率為86.94%。

離線建模及檢驗結(jié)果表明：引入本文所確定的影響因素，采用時間序列分析預測燒結(jié)終點方法，不但能較準確地提前預測出燒結(jié)終點隨燒結(jié)進程的變化趨勢，而且能實現(xiàn)較準確的定量預報結(jié)果。即：本研究所采用的燒結(jié)終點預測方法是可行的。

3 結(jié)論

本文以寶鋼3號燒結(jié)機為研究對象，從數(shù)學和工藝分析燒結(jié)終點的影響因素，在此基礎(chǔ)上利用基于時間序列的方法建立自適應預報模型，并討論模型在實驗室離線調(diào)試和現(xiàn)場運行的預報效果。得到如下結(jié)論：

（1）通過在燒結(jié)機風箱底部增加廢氣溫度檢測點，形成溫度檢測點的陣列，從而模擬平面溫度場[8]；

（2）從數(shù)學和工藝分析結(jié)果來看，廢氣溫度上升點位置(BRP)、蓄熱指數(shù)S、機速、負壓、配碳量、配水量、以及料層厚度均可作為燒結(jié)終點位置(BTP)的影響因素；

（3）建立步長為3min，朝前5步的預報模型，提出了一種定時新信息自適應學習法使模型自適應學習，該模型實驗室離線檢驗證明是可行的；

（4）模型現(xiàn)場運行顯示，模型預測結(jié)果可以反映出終點的變化趨勢：當終點位置下降（上升）時，模型能夠提前15min給出BTP下降（上升）的預報，從而能在一定終點預報精度前提下一定程度上解決了燒結(jié)工藝工程的大滯后性。