基于分級遞階結構的鐵礦石燒結過程智能控制研究

摘 要 本文針對鐵礦石燒結過程特征，在分級遞階結構基礎上提出智能控制方法，對燒結過程進行有效控制。根據灰色理論與BP神經網絡技術，構建智能預測模型，最后在滿意度協調控制的基礎上，對小礦槽料位與燒結終點進行有效的協調。實驗結果表明，該系統的應用能夠使燒結波動得到有效抑制，燒結產量顯著提升。

關鍵詞 分級遞階結構;鐵礦石;智能控制

引言

在鋼鐵生產過程中，鐵礦石燒結十分重要，能夠為高爐煉鐵提供主要原料，與煉鐵質量、能源消耗、產量等具有重大關聯。燒結過程具有較強的非線性、滯后性、耦合嚴重等特點，對BTP的影響因素眾多，因此需要采用人工智能技術，為燒結工程控制提供有效途徑。

1 智能控制系統概述

1.1 設計需求

燒結礦作為鋼鐵生產的重要環節之一，燒結終點將對燒結礦的質量、數量產生直接影響。在以往生產過程中，很難建立準確、可靠的工業過程模型，致使最終的應用效果也不盡人意。近年來，我國在燒結控制方面將重心放置在BTP研究方面，借助神經網絡技術為BTP預測鋪平道路。但是，在燒結過程中仍然存在信息不健全、工藝復雜等情況，采用單一方式只能在有限的信息中進行計算，無法對BTP中的更多信息進行預測，并且現行控制方式沒有考慮到燒結后的滯后性與混雜特性，以及嚴重耦合對BTP產生的不良影響，導致在實際工業應用中難以與規定的控制要求相符合。

對此，迫切需要提出新的方式提高燒結過程的控制效率。在人工智能不斷發展的背景下，集成建模技術、智能協調策略等應運而生，為燒結過程控制提供了新的發展路徑。本文在分級遞階的基礎上將灰色理論、模糊控制、神經網絡等理論和技術引入其中，構建智能控制系統，實現對燒結過程的有效控制。

1.2 分級遞階結構形式

智能系統采用分級遞階結構形式，將該系統劃分為協調級、執行級與組織級三個層次，堅持“精度與智能成反比”的原則，與決策到控制全局的優化思想相結合，對管理、操作與控制任務進行協調處理，實現子系統的物理協作，從而完成對整個系統的有效控制。在多任務系統運行過程中，具有較為成熟的中斷機制、通信機制、優先權調用機制，能夠在多種平臺下利用計算機將任務進行分層處理，使各項任務能夠分級進行。因此，采用多任務系統能夠實現遞階系統中多項任務有組織、有目的的合理分布，并共處于同一個工作環境中[1]。

1.3 主要結構

在燒結過程中，參數量眾多且耦合嚴重，特別是通過改變燒結機速度對BTP進行調整時，導致圓輥轉速發生改變，對小礦槽料位產生影響，進而影響整個燒結工程。為了提高生產穩定性與燒結礦質量，與工藝標準相結合，將臺車速度設置在1.5—2.5m/min，將料槽位設置在50—80噸之間;在BTP控制中，將目標設定為第22個風箱位置，也就是倒數第二個。與燒結過程特點相結合，本文在分級遞階基礎上設計出一種智能控制方案，構建遞階控制系統，具體如下圖1所示。

在該系統中主要包括智能控制層與基礎自動化層，在基礎自動化層中，主要由通信接口、集散控制系統構成，其中后者可對燒結過程進行全過程控制，通過接口完成PLC與智能控制器間的數據傳輸;在智能控制層中安裝智能控制器對燒結過程進行監督，運行原理為：構建BTP預測模型與軟測量模型，對其進行提前預測和判斷，并在此基礎上建立燒結終點智能控制器，通過對臺車速度進行改變，完成對BTP的有效控制，通過料位控制器對料位進行調整;由于料位與BTP之間具有較大的關聯性，在滿意度基礎上進行協調控制，完成對料位控制器、BTP的有機協調，明確臺車的速度，將其作為智能控制器，在輸入內容上主要為臺車速度、氣體流量與溫度等[2]。

2 智能控制系統的構建

該系統主要由五個部分構成，即BTP預測模型、軟測量模型、預測控制器、智能協調控制模型以及料位控制器，本文將針對上述五個部分進行分別論述和分析。

2.1 BTP預測模型與軟測量模型

（1）BTP預測模型

在燒結過程中，廢氣溫度不斷提升，中部風箱中溫度不斷增加，如若臺車的速度較為緩慢，中部風箱中的廢氣溫度將會飛速上升，BTP的位置也將向前移動;反之，如若臺車的速度較快，則風箱中廢氣溫度上升速度變緩，溫度還可能降低，BTP的位置也將逐漸后移。由此可見，風箱中廢氣溫度與BRP均可對燒結狀態產生一定影響，這也是BTP預測模型中的重要數據。在BTP預測中，首先要對目前BRP數值進行計算，然后構建灰色預測模型，對下一時間段BRP的數值進行預測，最后將臺車速度、BRP數值與此時BRP變化情況輸入到BP神經網絡模型之中進行預測。在對BRP計算過程中，可用Xi代表中部風箱號碼，用Ti代表對應的廢氣溫度，通過數據擬合等方式對A/B/C等系數進行計算，然后采用BRP中的最佳位置廢氣溫度替代Ti，進而計算出BRP當前數值。

在灰色理論指導下，構建BRP預測模型，具體如下：

式中，g（0）（1）代表的是利用BRP原始數據中的首個元素進行建模，序列維數為5;u代表的是灰色量;a代表的是發展系數;a與u的數值均可通過最小二乘法的方式計算出來。

利用BP神經網絡構建的BTP預測模型如圖2所示，該結構中共計擁有4個輸入層和1個輸出層，在隱含層中，神經元的數量為11。假設神經網絡中的輸入變量為xj，其中j的取值范圍為1到4，則可將BTP預測模型表示為：

式中，

代表的是第j個輸入變量與第i個神經元的權值;

代表的是第i個隱層神經元與輸出層之間的權值;bi代表的是第i個隱層神經元的閾值，其中i的數值取值為1到11;b0代表的是輸出神經元的閾值[3]。

（2） BTP軟測量模型

與燒結理論相結合，BTP代表的是燒結機中廢氣溫度最大時相對風箱的位置。在風箱附近對廢氣溫度進行測量時，可根據二次多項式對分布曲線進行擬合，表達式為：

式中，Ti代表的是風箱廢氣溫度;A、B、C均代表二項式系數;Xi代表的是風箱位置，通過對實際數據進行擬合后，可對BTP的位置進行計算。

2.2 BTP智能控制器

在混雜模糊-預測的基礎上構建智能控制模型，對臺車速度值進行預測和優化，完成對BTP的有效控制，具體措施為：建立預測控制器與模糊控制器，構建轉換模型，二者相互協調投入運行。

（1）模糊反饋控制器

該控制器的輸入變量設置成第22個風箱處，并與BTP數值間存在偏差，差值大小用e表示，偏差的大小變化情況用ec表示;用△u對臺車速度進行測量，將測量結果作為輸出變量。在模糊反饋控制器中，上述三個變量均采用7個模糊自己，輸入變量的基本論域在-1.0到1.0之間，輸出變量基本論域在-0.2到0.2之間，臺車速度變化在-0.15到0.15m/min之間，在模糊論域中，輸入變量為-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6;輸出變量為-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6;臺車速度變化量為-7、-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6、7;其中前兩者均為鐘型隸屬度函數，UC為三角形隸屬函數，經過機理分析與專家總結可制定出模糊控制規則表，利用重心法對其進行模糊判決[4]。

（2）預測控制器

該控制器主要由預測模糊器與BTP預測模型構成，在實際運行中包括BTP預測、動態系統特性辨識、模糊控制幾個方面，算法如下：

第一：對動態系統特性進行辨識，對神經網絡進行訓練后，實現BP網絡對系統模型的辨識;

第二：系統對響應特征進行預測，借助已經訓練完畢的BP預測模型，對BTP的預測數值進行計算;

對BTP的預測值與設定值間的偏差進行計算，將偏差變化率與偏差當作輸入變量，利用控制器進行分析，從而對控制量進行計算;

反復執行上述流程，直至整個過程結束。

（3）軟切換模型

在預測控制器與模糊控制器二者轉變的過程中，重點在于BTP所處狀態是否穩定，如若其處于穩定狀態，則采用模糊控制器進行輸出;如若其狀態不穩定，則采用預測控制器進行輸出。對于中部風箱來說，其內部的廢氣溫度與BTP之間具有較為顯著的聯系，可通過對其變化進行觀察，構建軟切換模型，具體如下：

式中，N的數值為3，T（k）代表的是k時刻中部風箱廢氣溫度;Tdi（k）代表的是偏差的平均值;Ti（k）代表的是穩定狀態下標準溫度值;

根據模糊數學思想，對軟切換系數進行計算，公式為：

式中，lim1與lim2代表的是T（k）與（k）的最大值與最小值，與燒結實際情況相結合，將lim1的數值設置為50℃，將lim2的數值設置為10℃;

假設模糊反饋控制器中輸出強度系數為a，預測控制器中的輸出強度為a2，二者的計算方式為：

a1=a=max（k1，k2）

a2=1-a

在BTP控制器中采用加權平均法對輸出數值進行計算。

3 基于滿意度的智能協調控制措施

為了防止混合料的料槽中出現缺料或者料多等情況，本文在專家控制系統上利用調節臺車速度對料位進行控制。在專家控制器的輸入變量中，與當前料位與變化情況相結合，臺車的速度與輸出變量相一致。在控制目標上，應將料位始終保持在50到80噸之間，該區間屬于安全范圍，既不會出現缺料，也不會出現料多等情況，因此控制量并非只有單一的解，在控制器的輸出方面，屬于臺車速度的變化范圍，可與專家規則相結合進行制定。在料位控制與BTP控制方面，主要采用改變臺車速度的方式，使兩個控制回路間的耦合關系得到有效解決，二者在調整后能夠自由的協調，在滿意度的基礎上實現協調和優化目標，使臺車的速度進行計算，并求出最終的滿意解。

假設BTP控制器經過計算，得出臺車的輸出值為u，料位控制器計算后得出臺車速度區間在u1到u2之間。以BTP控制料位的特征相結合，采用三角形滿意度函數對料位的滿意度進行表示，具體如圖3所示[5]。

在上圖中，Sttp代表的是BTP滿意度;Sbt代表的是料位滿意度;u代表的是臺車速度;umin代表的是常規生產情況下臺車速度的最小值，即1.5m/min，與臺車速度的最大值，即3.0m/min。采用線性加權和法，對綜合滿意度函數進行表示，公式為：

式中，代表的是BTP滿意度;（1-）代表的是料位滿意度，假設料槽具有少料或者多料的態勢，為了確保燒結生產的安全性，應加強對料位的控制，需要使料位的滿意度增加，即的數值應適當降低，對的數值進行計算后，可取65噸，也可對約束條件決策變量進行推導后，尋找出最佳決策變量使綜合滿意度得到顯著提升。

4 實際應用與運行結果分析

通過上述分級遞階結構分析，以梅鋼四號燒結機為例，在燒結過程中將智能控制方案應用其中，構建燒結智能控制系統，工業應用效果較為良好。該系統的運行結果如下圖4和圖5所示。

上圖4為BTP手動控制效果，上圖5為BTP自動控制效果，樣本點的時間間隔選擇3min，位置設定為第22個風箱。將兩種結果進行對比能夠清楚看出，智能控制法應用中，BTP的波動較為明顯，其位置始終處于21.5到22.5之間，同時槽位的變化情況較為平穩，沒有風險異常情況，與燒結生產的相關指標要求相符合。通過調查數據結果顯示：在智能控制系統投入應用后，BTP波動與手動相比降低6.85%。智能控制系統的應用與以往生產模式相比，不但使BTP的波動幅度得到有效的制約，還使燒結礦的數量、質量均得到顯著提升，為企業帶來更多的經濟效益。

5 結束語

綜上所述，本文針對鐵礦石燒結過程進行分析，在分級遞階結構基礎上提出智能控制方法，實驗結果表明，該系統的使用能夠使燒結波動得到有效抑制，燒結產量顯著提升。

參考文獻

[1] 李剛炎，李玉慧.轎車中央智能控制系統的組成和分級遞階結構模型[J].汽車工程學報，2015，（3）：25-27.

[2] 王俊普，陳皞，徐楊，等.基于Agent的集散遞階智能控制的研究[J].控制與決策，2016，16（2）：177-180.

[3] 何磊，戴冠中.分級遞階專家智能控制及其在加氫裂化生產反應過程中的應用[J].信息與控制，2016，（6）：338-342.

[4] 張云生，王彬，王川，等.分級遞階控制結構的狀態描述和實時實現[J].計算機工程與應用，2015，38（20）：241-243.

[5] 孫群，張為民.基于碳足跡的生產過程分級遞階控制技術研究[J].中國機械工程，2017，22（9）：1035-1038.

作者簡介

周紀平（1980-），男，江西瑞昌人;學歷：本科，工程師，現就職單位：上海梅山鋼鐵股份有限公司煉鐵廠，研究方向：電氣自動化、自動化裝備及自動控制。