烧结过程智能优化控制方法及应用（下）.pdfVIP

第34卷 第3期 冶 金 自 动 化 Vo1．34 No．3 2010年5月 MetallurgicalIndustryAutomation Mav2010 · 综述与评论 · 烧结过程智能优化控制方法及应用 (下) 吴 敏，廖环宇，曹卫华，王春生，段 平 (中南大学 信息科学与工程学院，湖南 长沙 410083) 中图分类号：TF046．4 文献标志码：A 文章编号 ：1000—7059(2010)03-0001-04 Intelligentoptimizationand controlmethodsandtheir applicationinsinteringprocess(B) WU Min，LIAO Huan—yu，CAO Wei—hua，WANG Chun—sheng，DUAN Ping (SchoolofInformationScienceandEngineering，CentralSouthUniversity，Changsha410083，China) 2 烧结过程热状态优化控制 性，因而要实现烧结终点的稳定控制，就必须对其 烧结是一个机理复杂、参数众多的物理化学 进行提前预测。针对烧结终点预测，神经网络、聚 过程。烧结过程热状态的好坏直接影响烧结矿的 类分析等智能方法取得了成功的应用，文献 [9]提 质量和产量。一般来讲，反映烧结终点的热状态 出了一种具有非线性和线性两个组成部分的烧结 参数主要有烧结终点(BTP)和点火温度 。 终点神经网络预测模型，其 中非线性部分被当作 2．1 烧结终点控制 一 个可以测量的干扰来处理 ，并通过前馈方法来 烧结终点是烧结过程 中最重要 的热状态参 补偿 ，而线性部分通过运用 自适应极点配置算法 数，是判断烧结过程正常与否的标志之一。一般 来控制。文献[10]提出了一种 自适应模式聚类和 认为烧结终点应当控制在倒数第 2个风箱的位 特征提取方法，建立了烧结终点预报系统，通过运 置：烧结终点超前，烧结机有效面积没有得到充分 用密度聚类和学习向量，将整个向量分为若干子 利用，利用系数降低；烧结终点滞后，则卸料时烧 集，并将这些子集样本放进遗传神经网络进行训 结料层未烧透 ，返矿量增加，成品率下降。因而烧 练，试验表明该系统在聚类分析和特征提取方面 结终点的稳定跟踪对于提高烧结生产的质量与产 具有较强的鲁棒性 。 量具有重要意义。目前关于烧结终点控制的研究 在烧结终点判断与预测的基础上，国内外针 主要集 中在判断、预测和控制三个方面。 对烧结终点控制展开了一系列的研究。文献 [11] 烧结终点位置是一个不可直接测量的量，所 设计了一个基于物理化学过程得到的数学机理模 以需要建立烧结终点位置 的软测量模型来对当前 型的点火状态和混合料质量成分的前馈控制器。 的烧结终点位置进行判断。 目前烧结终点的判断 文献[12]通过在复杂烧结过程 中引入离散事件， 主要有以下几种方法 ：风箱废气温度法 、废气成 建立了针对事件 一动态特性 的简单状态空问模 分判断法、负压法、机尾断面红外图像法 。 型，然后基于该模型，采用 min—max广义预测控制 然而对于烧结过程，由于 BTP当前值需要在 算法对烧结终点进行控制。然而烧结过程极其复 烧结料经过最高废气温度所对应的风箱位置后