一种高炉炼铁过程一氧化碳利用率的建模方法

摘要

本发明公开了一种高炉炼铁过程一氧化碳利用率的建模方法，步骤1：数据采集及计算：采集的操作参数包括：风温、风压、风速、风量、喷煤速率、顶压、高炉煤气中CO和CO2体积百分比，并计算出一氧化碳利用率ηCO；步骤2：对数据进行时滞配准：用灰色关联度分析方法，分别将不同时滞程度的操作参数时间序列与一氧化碳利用率时间序列进行相关性分析，从而分别确定每个操作参数的时滞时间，完成数据的时滞配准，并形成样本集；步骤3：模型的建立：基于步骤2所述的样本集建立基于SVM的高炉一氧化碳利用率实时预测模型。该高炉炼铁过程一氧化碳利用率的建模方法，所建立的模型能对高炉炼铁过程一氧化碳利用率实施精确预测。

说明书

技术领域

本发明涉及一种高炉炼铁过程一氧化碳利用率的建模方法，属于高炉炼铁领 域。

背景技术

钢铁工业是国民经济的基础产业，同时又是高消耗，高污染“大户”。面对 当前资源短缺，环境污染日益严重的现象，钢铁工业亟需承担起节能减排，绿色 生产的重任。

高炉炼铁是钢铁流程的主要耗能工序，一氧化碳利用率反应高炉内的间接还 原进程，直接影响吨铁的能耗，是评价高炉能量利用好坏的重要指标，并且与高 炉稳定运行密切相关，在高炉炼铁过程短期调控中发挥着重要的指导作用。

然而，由于高炉生产的密闭性、过程机理的复杂性等原因，使得一氧化碳利 用率和高炉操作之间的影响关系难以确定，无法实现精确的定量调节，能耗模型 难以准确建立。

同时，由于高炉响应存在滞后性，使得“实时”检测到的高炉一氧化碳利用 率并非是当前时刻操作的结果。当前操作参数改变后，一氧化利用率不会马上响 应变化，而是会经过一段时间才会反映出操作变化带来的影响，即当前检测的一 氧化碳利用率值，只能反应一段时间之前操作情况。这就大大降低了一氧化碳利 用率在现场的参考价值，也无法对高炉稳定运行提供有效指导。

目前，还未有准确的一氧化碳利用率模型，高炉生产现场只能通过观察现在 以及过去一段时间内一氧化碳利用率的实时检测数值，根据生产经验判断其未来 可能的变化趋势。这种判断具有主观性，容易出现纰漏和失误，不能保证高炉生 产的稳定顺行，也增强了现场劳动强度，降低了信息自动化水平。

由于模型的缺乏，现场操作的调节也只能凭借经验来尽量优化，以提高一氧 化碳利用率，不能达到定量精确调节的效果。

本发明提出了一种高炉一氧化碳利用率建模方法，用于确定高炉操作参数和 一氧化碳利用率之间的关系，且能根据模型，实现基于操作参数的高炉一氧化碳 利用率实时预测。

发明内容

本发明所要解决的技术问题是提出一种高炉炼铁过程中一氧化碳利用率的 建模方法，该方法基于SVM算法，能实现高炉炼铁过程一氧化碳利用率的实时 精确预测，有效解决目前在高炉炼铁过程中，由于高炉生产的密闭性和现场操作 对高炉影响的滞后性，导致高炉操作参数与一氧化碳之间的关系不明，只能凭借 主观经验来判断一氧化碳利用率的变化趋势以及进行高炉操作调节的问题。

发明的技术解决方案如下：

一种高炉炼铁过程一氧化碳利用率的建模方法，包括以下步骤：

步骤1：数据采集及计算：

在高炉工控机的本地数据库【如Oracle数据库】中采集操作参数数据；所 述的操作参数包括：风温、风压、风速、风量、喷煤速率、顶压、高炉煤气中 CO和CO₂体积百分比；并由下式计算出一氧化碳利用率η_CO：

其中，(CO₂)为高炉煤气中CO₂的体积百分比；(CO) 为高炉煤气中CO的体积百分比；

步骤2：对数据进行时滞配准；

对采集的数据进行数据预处理之后，利用灰色关联度分析方法，分别将操作 参数不同时滞程度的时间序列与一氧化碳利用率时间序列进行相关性分析，确定 每个操作参数的时滞时间，完成数据的时滞配准，并形成样本集；

步骤3：模型的建立：

基于步骤2所述的样本集，以风量、风温、风速、风压、喷煤速率、顶压六 个参数数据作为输入，一氧化碳利用率为输出，建立基于SVM(支持向量机) 的高炉一氧化碳利用率预测模型。所述的SVM采用RBF核函数，并采用交叉验 证法对SVM的惩罚参数c和核函数参数g进行优化选择。模型验证好后，以当 前时滞配准的输入参数数据为输入，利用模型则能得到当前操作参数下的一氧化 碳利用率；

步骤3中，所述交叉验证法的步骤如下：

①确定惩罚参数c和核函数参数g的取值范围；

②确定测试集分组数目V；

③对测试集进行交叉验证：即，当c和g以步长从小到大变化时，以 每一组测试集为训练集，后一组测试集为验证集，计算验证的平均准确率； 保留平均准确率最大的时候所对应的c和g值，作为最终的参数值。

步骤2中，对采集的数据进行数据预处理，数据预处理包括异常数据剔除， 并利用小波分解方法去噪，以消除工业现场检测的干扰噪声，具体方法如下。

异常数据剔除的方法为：对风量、风温、风压、风速、喷煤速率、顶压、一 氧化碳利用率这7个数据序列的每一个数据序列中的最大的3个数据和最小 的3个数据进行替换，替换为前一时刻和后一时刻数据的平均值，以减少尖 峰脉冲数据的干扰；比如x1(i)是风量数据中，最大的3个数据中的一个，则 替换x1(i)为：$x1\left(i\right)=\frac{x1(i-1)+x1(i+1)}{2}$

去噪方法为：对7个数据序列的每一个数据序列作如下操作；

①选取demy为小波基函数，将该数据序列进行5层小波分解；

②根据软阈值法，选择各层的阈值；将最高频率的两层信号完全屏蔽， 保留低频信号；【即屏蔽两层信号后剩下的信号】

③将低频信号进行重构，覆盖原来的数据序列，即完成数据样本的小 波去噪。【小波去噪为现有成熟技术。】

步骤2中，确定某个操作参数的时滞时间的过程为：

①对于当前的操作参数，以10分钟为间隔，提取滞后不同时间的风量、 风温、风压、风速、喷煤速率、顶压数据样本，分别表示为Z_fl、Z_fw、Z_fy、Z_fs、 Z_ps、Z_dy，以风量为例如下：

滞后0分钟：z0_fl(k)＝x1(k)，k＝1，2，…，480)

滞后10分钟：z1_fl(k)＝x1(k)，k＝11，12，…，490；

滞后20分钟：z2_fl(k)＝x1(k)，k＝21，22，…，500；

……

滞后120分钟：z12_fl(k)＝x1(k)，k＝121，122，…，600；

形成矩阵$Z_{\mathrm{fl}}=\left(\begin{array}{ccccc}{z0}_{\mathrm{fl}}\left(1\right)& {z1}_{\mathrm{fl}}\left(11\right)& {z2}_{\mathrm{fl}}\left(21\right)& ...& {z12}_{\mathrm{fl}}\left(121\right)\\ {z0}_{\mathrm{fl}}\left(2\right)& {z1}_{\mathrm{fl}}\left(12\right)& {z2}_{\mathrm{fl}}\left(22\right)& ...& {z12}_{\mathrm{fl}}\left(122\right)\\ z{0}_{\mathrm{fl}}\left(3\right)& {z1}_{\mathrm{fl}}\left(13\right)& {z2}_{\mathrm{fl}}\left(23\right)& ...& {z12}_{\mathrm{fl}}\left(123\right)\\ ...& ...& ...& ...& ...\\ {z0}_{\mathrm{fl}}\left(480\right)& {z1}_{\mathrm{fl}}\left(490\right)& {z2}_{\mathrm{fl}}\left(500\right)& ...& {z12}_{\mathrm{fl}}\left(600\right)\end{array}\right),$

并提取一氧化碳利用率样本序列X7＝[x7(1) x7(2) x7(3)…x7(480)]^T；

②通过灰色关联度方法，找出与X7关联度最大的Z中的列向量，以确定 相应因素的滞后时间，具体步骤如下：

a.以X7序列为特征序列，Z矩阵中各列向量为比较序列；

b.对特征序列和各个比较序列做无量纲处理，即用同一序列的第一个数据 去除后面的所有数据，得到一个各个数据相对于第一个数据的倍数，使 之转换为数量级大体相近的无量纲数据，处理后得到的特征序列Q7和各 个比较序列Pi(i＝1，2…，12)如下所示：

$Q7=\frac{X7}{x7\left(1\right)}=[q_7\left(1\right),q_7\left(2\right),...,q_7\left(k\right)],k=\mathrm{1,2},...,480;$其中q₇(1)，q₇(2)，...，q₇(k)为Q7 中的各元素；$\mathrm{Pi}=\frac{\mathrm{Zi}}{\mathrm{zi}(1+i*10)}=[p_i\left(1\right),p_i\left(2\right),...,p_i\left(k\right)],k=\mathrm{1,2},...,480;$其中 p_i(1)，p_i(2)，…，p_i(k)为Pi中的各元素。

【Zi(1+i*10)(i＝1，2…，12)，表示Z矩阵中的第一行数据，即各个比较序列中的第一 个数据，i取到最后等于12，则z12(121)为滞后120分钟的数据列中的第一个数 据。】

c.计算Q7与Pi(i＝1，2…，12)的关联系数：首先计算各点的关联系数ζi(k)，

$\mathrm{\zeta i}\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|q_7\left(k\right)-p_i\left(k\right)|+\xi \underset{i}{\max }\underset{k}{\max }|q_7\left(k\right)-p_i\left(k\right)|}{|q_7\left(k\right)-p_i\left(k\right)|+\xi \underset{i}{\max }\underset{k}{\max }|q_7\left(k\right)-p_i\left(k\right)|}$

式中，ξ为分辨系数，ξ＝0.5；再综合各点的关联度，得到Q7与 Pi(i＝1，2…，12)的关联度γ(i)，

$\gamma \left(i\right)=\frac{1}{n}\underset{k=1}{\overset{n}{\Sigma }}{\zeta }_i\left(k\right),n=480$

d.比较γ(i)(i＝1，2…，12)的大小，假设γ(t)最大，则矩阵Z中第t列数据Zt与 X7的关联度最大；从而确定风温操作的滞后时间为t*10min；Zt则作为 新的该操作参数的样本数据；

e.将各操作参数的样本数据进行组合，最终确定样本集S＝[x1 x2 x3 x4 x5 x6  x7]，存入计算机数据库中；

步骤2中，风量的时滞时间90min，风温的时滞时间70min，风速的时滞时 间20min，风压的时滞时间40min，顶压的时滞时间60min，喷煤速率的时滞时 间为70min；步骤3中，c和p的最终的参数值分别为2和1.867。

有益效果：

本发明的高炉炼铁过程一氧化碳利用率的建模方法，包括以下几个步骤：步 骤1：根据高炉炼铁过程原理，通过对高炉内部特征的分析，选取对一氧化碳利 用率有较大影响的操作参数；步骤2：在高炉现场本地数据库中采集数据，并经 过分析处理后，建立匹配数据库；步骤3：在兼顾高精度和实时性的前提下，利 用步骤2中的数据库，建立基于SVM的高炉一氧化碳利用率预测模型，实现一 氧化碳利用率的实时精确预测。本发明明确了高炉一氧化碳利用率和操作参数之 间的关系，实现了高炉一氧化碳利用率的实时精确预测，解决了以往由于高炉操 作存在滞后性而导致一氧化碳利用率与操作参数关系不明且无法实时预测的问 题。

目前，还未有准确的一氧化碳利用率模型。高炉炼铁生产现场能通过检测高 炉煤气成分得到当前的一氧化碳利用率值。一氧化碳利用率大小与高炉操作之间 的关系不明确；并且操作对高炉的影响存在严重滞后，使得“实时”检测到的高 炉一氧化碳利用率并非是当前时刻操作的结果。即当前检测的一氧化碳利用率 值，只能反应一段时间之前的操作情况，而当前的操作其实已经确定了之后一氧 化碳利用率的改变情况。

目前，高炉生产现场只能根据生产经验，定性判断一氧化碳利用率和高炉操 作之间的关系；也只能得到以前和当前的一氧化碳利用率检测值，并且凭借经验， 判断一氧化碳利用率未来可能的变化趋势。

本发明最大的创新点即：提出了一种高炉一氧化碳利用率预测方法，实现基 于操作参数的高炉一氧化碳利用率的实时预测。

本发明能够建立高炉一氧化碳利用率和高炉操作参数之间的对应关系模型， 其有益效果是：

1、在结合高炉生产过程机理的基础上，选取风量、风温、风速、风压、喷 煤速率、顶压6个参数为输入，从而以合理的参数选择和较少的自变量，简化了 模型结构的复杂性，提高了高炉一氧化碳利用率的预报准确率。

2、利用小波去噪，减少了工业现场的干扰和噪声，使所利用的检测数据更 为可靠，使利用数据驱动建立的模型更为准确。

3、在充分考虑各个操作参数滞后时间的情况下，建立了高炉炼铁过程一氧 化碳利用率和主要操作参数之间的定量对应关系模型，为以后现场操作的调节提 供了有力的依据。

4、利用所建模型能够进行基于实时操作的高炉一氧化碳利用率预测。

5、充分考虑了各个操作的滞后时间，使模型更为合理和精确。

6、利用支持向量机，减少了建模的运算时间，并利用交叉验证选取支持向 量机的最优参数，提高了预测精度。

附图说明

图1为预测模型结构图；

图2交叉验证参数优化选择过程图；

图3为一氧化利用率预测结果与实际值的对比图；

图4为一氧化利用率预测相对误差结果图；

图5为本发明的流程图。

具体实施方式

以下将结合附图和具体实施例对本发明做进一步详细说明：

实施例1：

一种高炉炼铁过程一氧化碳利用率预测方法，将风温，风压，风速，风量， 喷煤速率，顶压数据与一氧化碳利用率进行时滞配准，利用支持向量机建立预测 模型，并用交叉验证优化支持向量机的参数，以提高模型精度。具体步骤如下：

1)在现场计算机服务器中采集数据样本。

以1分钟为采样时间，在高炉操作室工控机上的本地Oracle数据库中，收集 前10个小时的风温，风压，风速，风量，喷煤速率，顶压，煤气中一氧化碳和二 氧化碳含量的历史数据，共600组，形成最初的样本集。将样本用数据列序列来 表示，则有：

风温(℃)为：X1＝[x1(1) x1(2)…x1(600)]’；

风速(m/s)为：X2＝[x2(1) x2(2)…x2(600)]’；

风量(Nm³/min)为：X3＝[x3(1) x3(2)…x3(600)]’；

风压(kPa)为：X4＝[x4(1) x4(2)…x4(600)]’；

喷煤速率(t/h)为：X5＝[x5(1) x5(2)…x5(600)]’；

顶压(kPa)为：X6＝[x6(1) x6(2)…x6(600)]’；

高炉煤气中一氧化碳含量百分比(％)为：X71＝[x71(1) x71(2)… x71(600)]’；

煤气中二氧化碳体积含量百分比(％)为：X72＝[x72(1) x72(2)… X72(600)]’。

由高炉一氧化碳利用率的计算公式：

${\eta }_{\mathrm{CO}}=\frac{\left({\mathrm{CO}}_2\right)}{\left({\mathrm{CO}}_2\right)+\left(\mathrm{CO}\right)}$

其中，

η_CO：高炉一氧化碳利用率；

(CO₂)：高炉煤气中二氧化碳的体积含量百分比；

(CO)：高炉煤气中一氧化碳的体积含量百分比，

计算得到高炉一氧化碳利用率的样本：X7＝[x7(1) x7(2)…x7(600)]^T；

2)对样本数据进行异常数据踢出和替换。

由于工业现场的操作变动，比如热风炉换炉，或者检测装置的检测失误，会 使数据序列中出现过于波动的异常数据，在进行数据分析建模时，这些数据会影 响正常的训练过程，所以需要将这些数据进行剔除和替换。

对风量、风温、风压、风速、喷煤速率、顶压、一氧化碳利用率，7个数据 序列中，最大的3个数据和最小的3个数据，进行替换。替换为前一时刻和后一 时刻数据的平均值。以尽可能地减少尖峰脉冲数据的干扰。

3)对样本数据进行小波去噪处理。

工业现场环境复杂、噪声多，检测数据不可避免会受不确定噪声的干扰，这 会影响模型的训练和精度，因此需要对样本数据进行去噪处理。

利用小波去噪方法，对7个样本序列分别进行去噪。以风温x1(k)，k＝(1，2，...， 600)为例，具体步骤如下：

①选取demy为小波基函数，将x1进行5层小波分解；

②根据软阂值法，选择各层的阈值。将最高频率的两层信号完全屏蔽， 保留低频信号；

③将处理后的小波信号进行重构，覆盖原来的x1(k)，即完成数据样本 的小波去噪。

4)对现场数据进行时滞配准。

由于高炉生产过程中，操作参数改变对高炉状态和一氧化碳利用率的影响存 在严重的滞后，当前的操作，高炉要过一段的时间才会表现响应。因此，在对高 炉一氧化碳利用率建模的时候，需要充分考虑各个不同操作参数的不同滞后时 间，进行时滞配准。本设计采用灰色关联度分析方法，找出与一氧化碳利用率相 关性最大的操作参数滞后时间序列，即确定各个操作参数的滞后时间。以风量数 据样本为例，具体步骤如下：

①以10分钟为间隔，提取滞后不同时间的数据样本，分别表示为Z_fl、 Z_fw、Z_fy、Z_fs、Z_ps、Z_dy，以风量为例如下，

滞后0分钟：z0_fl(k)＝x1(k)，k＝(1，2，…，480)；

滞后10分钟：z1_fl(k)＝x1(k)，k＝(11，12，…，490)；

滞后20分钟：z2_fl(k)＝x1(k)，k＝(21，22，…，500)；

……

滞后120分钟：z1_fl2(k)＝x1(k)，k＝(121，122，…，600)；

形成矩阵$Z_{\mathrm{fl}}=\left(\begin{array}{ccccc}{z0}_{\mathrm{fl}}\left(1\right)& {z1}_{\mathrm{fl}}\left(11\right)& {z2}_{\mathrm{fl}}\left(21\right)& ...& {z12}_{\mathrm{fl}}\left(121\right)\\ {z0}_{\mathrm{fl}}\left(2\right)& {z1}_{\mathrm{fl}}\left(12\right)& {z2}_{\mathrm{fl}}\left(22\right)& ...& {z12}_{\mathrm{fl}}\left(122\right)\\ z{0}_{\mathrm{fl}}\left(3\right)& {z1}_{\mathrm{fl}}\left(13\right)& {z2}_{\mathrm{fl}}\left(23\right)& ...& {z12}_{\mathrm{fl}}\left(123\right)\\ ...& ...& ...& ...& ...\\ {z0}_{\mathrm{fl}}\left(480\right)& {z1}_{\mathrm{fl}}\left(490\right)& {z2}_{\mathrm{fl}}\left(500\right)& ...& {z12}_{\mathrm{fl}}\left(600\right)\end{array}\right),$

并提取一氧化碳利用率样本序列X7＝[x7(1) x7(2) x7(3)…x7(480)]^T。

②通过灰色关联度方法，找出与X7关联度最大的Z中的列向量，以确定 相应因素的滞后时间，具体步骤如下：

a以X7序列为特征序列，Z_fl矩阵中各列向量为比较序列。

b对特征序列和各个比较序列做无量纲处理，即用同一数列的第一个数 据去除后面的所有数据，得到一个各个数据相对于第一个数据的倍 数，使之转换为数量级大体相近的无量纲数据，处理后得到的特征序 列Q7和各个比较序列Pi(i＝1，2…，12)如下所示：

$Q7=\frac{X7}{x7\left(1\right)}=[q_7\left(1\right),q_7\left(2\right),...,q_7\left(k\right)],k=(\mathrm{1,2},...,480);$

$\mathrm{Pi}=\frac{{\mathrm{Zi}}_{\mathrm{fl}}}{\mathrm{zi}{(1+i*10)}_{\mathrm{fl}}}=[p_i\left(1\right),p_i\left(2\right),...,p_i\left(k\right)],k=(\mathrm{1,2},...,480);$

c计算Q7与Pi(i＝1，2…，12)的关联系数。首先计算各点的关联系数ζi(k)，

$\mathrm{\zeta i}\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|q_7\left(k\right)-p_i\left(k\right)|+\xi \underset{i}{\max }\underset{k}{\max }|q_7\left(k\right)-p_i\left(k\right)|}{|q_7\left(k\right)-p_i\left(k\right)|+\xi \underset{i}{\max }\underset{k}{\max }|q_7\left(k\right)-p_i\left(k\right)|}$

式中，ξ为分辨系数，ξ∈[0，1]，这里取ξ＝0.5。再综合各点的关 联度，得到Q7与Pi(i＝1，2…，12)的关联度γ(i)，

$\gamma \left(i\right)=\frac{1}{n}\underset{k=1}{\overset{n}{\Sigma }}{\zeta }_i\left(k\right),n=480.$

d比较γ(i)(i＝1，2…，12)的大小，假设γ(t)最大，则矩阵Z中第t列数据Zt 与X7的关联度最大。从而确定风温操作的滞后时间为(t*10)min。Zt 则作为新的风温样本数据。

e其他操作参数按相同步骤确定滞后时间，最终确定样本集S＝[x1 x2 x3  x4 x5 x6 x7]，存入计算机数据库中。

本实例中各个操作参数的时滞时间确定结果如表1所示。由表可知，风量的 时滞时间90min，风温的时滞时间70min，风速的时滞时间20min，风压的时滞时 间40min，顶压的时滞时间60min，喷煤速率的时滞时间为70min。

5)对样本数据进行归一化处理。矩阵S的每一列数据按如下映射进行归一化 处理：

$y=(y_{\max }-y_{\min })\times \frac{x-x_{\min }}{x_{\max }-x_{\min }}+y_{\min }$

其中，x为矩阵中一列数据的输入值，y为经过归一化处理的输出值，y_max和y_min分别为归一化范围的最大值和最小值，设为[-1，1]。x_max和x_max分别是矩阵一列 数据中的最大值和最小值。归一化后的样本矩阵为S’。

6)交叉验证方法优化支持向量机的参数c和g。具体步骤如下：

①确定参数c和g的取值范围。本实例选取cmin＝-4，cmax＝4，gmin＝-4， gmax＝4。步进大小cstep＝0.1，gstep＝0.1。

②确定测试集分组数目V。本实例确定为3。

③对测试集进行交叉验证。即，当c和g以步长从小到大变化时，以每一组 测试集1为训练集，后一组测试集为验证集，计算验证的平均准确率。

④保留平均准确率最小的时候的c和g值，最为最佳的参数值。参数优化选 择过程如图2所示。本实例中最佳参数c为2，最佳参数g为1.867。

7)利用最佳参数c和g，对样本数据进行支持向量机训练，以得到一氧化碳 利用率模型。实例中，以样本中前200组数据作为训练集，后49组数据用于检验 模型预测精度。支持向量机的核函数选择为RBF函数：exp(-r|u-v|^2)。

预测结果和实际结果的对比如图3所示，(由于输出为比值，所以无单位)，预测 相对误差如图4所示。由图可知，相对误差在0.2％之内，能够满足工业现场的 要求。

表1 各参数不同时滞序列关联度表