基于分级递阶结构的铁矿石烧结过程智能控制研究.docx

?

?

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。

Key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。

2.1BTP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