第七章高爐過程數(shù)學(xué)模型

第七章

高爐過程數(shù)學(xué)模型概述高爐自動化要求日益迫切高爐自控技術(shù)日趨成熟大型化高爐優(yōu)質(zhì)高效運(yùn)行所要求煉鐵技術(shù)發(fā)展計算機(jī)技術(shù)發(fā)展高爐過程數(shù)學(xué)模型高爐自控的理論基礎(chǔ)高爐計算機(jī)控制的前提

1.高爐建模的特點(diǎn)

高

爐

過

程

的

特

點(diǎn)

(1)高溫下復(fù)雜的物化過程

存在氣（煤氣）、固（爐料）、液（渣鐵）三相的復(fù)雜反應(yīng)沿高度、徑向、圓周方向存在不均勻性高

爐

過

程

的

特

點(diǎn)

(2)在密閉容器內(nèi)進(jìn)行的過程

大多數(shù)參數(shù)不能直接觀測很多參數(shù)不能連續(xù)準(zhǔn)確測定(3)輸入?yún)?shù)的變化在爐況上的反映有很大滯后性

焦炭負(fù)荷變化――約5－6小時噴吹煤粉變化――約2－3小時鼓風(fēng)溫度變化――約1－2小時高爐冶煉過程是一個大滯后、多變量、非線性分布參數(shù)系統(tǒng)高爐模型通常為機(jī)理＋經(jīng)驗(yàn)而建立的模型2.高爐模型的分類和功能

（1）分類

按建模方法分類

理論模型－物料平衡、熱平衡、化學(xué)平衡、反應(yīng)速度等經(jīng)典模型半經(jīng)驗(yàn)?zāi)Ｐ停矛F(xiàn)場統(tǒng)計規(guī)律建立的、同時結(jié)合理論的模型人工專家系統(tǒng)－依據(jù)投入和產(chǎn)出的變量間的邏輯關(guān)系進(jìn)行判斷（1）分類

按建模目的分類模擬解析－煤氣分布，溫度分布等計算分析－拉姆聯(lián)合計算法，Rist操作線等過程控制－Tc模型，Ts模型，Go－Stop模型等按應(yīng)用形式分類（1）分類

靜態(tài)模型－分析，判斷，決策（離線）動態(tài)模型－過程指導(dǎo)或控制（在線）（2）功能

加深對過程的全面認(rèn)識和理解指導(dǎo)和控制高爐優(yōu)質(zhì)高效運(yùn)行不必通過試驗(yàn)只在計算機(jī)上即可預(yù)測和導(dǎo)出最優(yōu)方案3.高爐數(shù)模的發(fā)展

可分為四個階段

第一階段1964年以前→離線計算分析只限于作一些單純指數(shù)的分析計算（如熱平衡、t理、Rist操作線等）3.高爐數(shù)模的發(fā)展

第二階段1974年以前→在線過程指導(dǎo)1964年法國人提出的Wu指數(shù)模型在線運(yùn)行成功用Wu指數(shù)（爐熱指數(shù)）－代表爐下部熱量，可預(yù)測鐵水溫度及含硅量以后又派生出Ec、Tc、Ts等爐熱指數(shù)模型3.高爐數(shù)模的發(fā)展

第三階段1975年以后→多目標(biāo)管理思想：其它非熱量參數(shù)亦會對爐熱指數(shù)有影響高爐需要進(jìn)行綜合判斷故出現(xiàn)了：Go－Stop系統(tǒng)（川崎）AGOS系統(tǒng)（新日鐵）3.高爐數(shù)模的發(fā)展

人工智能系統(tǒng)（AI）

第四階段80年代以來→人工智能系統(tǒng)基于知識的專家系統(tǒng)基于神經(jīng)元的神經(jīng)網(wǎng)絡(luò)兩者正趨結(jié)合4.高爐數(shù)模的局限性

數(shù)學(xué)模型→把過程現(xiàn)象用數(shù)學(xué)方程定量地表達(dá)出來但高爐過程的復(fù)雜性→許多現(xiàn)象無法進(jìn)行定量描述即高爐過程存在大量模糊信息數(shù)學(xué)模型無能為力操作者憑經(jīng)驗(yàn)可處理現(xiàn)場人員不喜歡用數(shù)學(xué)模型要求開發(fā)高爐人工智能系統(tǒng)（因?yàn)槿斯ぶ悄芸梢赃M(jìn)行模糊推理）5.高爐智能模型的開發(fā)

指導(dǎo)高爐生產(chǎn)過程高爐生產(chǎn)過程確定性信息數(shù)學(xué)模型精確推理不確定性信息（模糊信息）知識模型模糊推理人工智能模型人工智能是一門新的技術(shù)學(xué)科→利用計算機(jī)等手段模仿、延伸和擴(kuò)展人的智能人工智能技術(shù)在90年代開始在高爐中進(jìn)行應(yīng)用性開發(fā)研究建立高爐操作的專家系統(tǒng)有模糊識別和自學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型專家系統(tǒng)將高爐操作者經(jīng)驗(yàn)貯存于計算機(jī)里，進(jìn)行爐況的綜合判斷和控制它包括兩個主要組成部分：知識庫和推理機(jī)優(yōu)點(diǎn)：克服了純數(shù)學(xué)模型靈活性差、適應(yīng)性差的問題缺點(diǎn)：知識庫不易維護(hù)，對規(guī)則知識不具備學(xué)習(xí)功能神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有兩大功能自學(xué)習(xí)的功能模糊識別功能分為二種類型：a反向傳播網(wǎng)絡(luò)－需利用輸出端實(shí)際數(shù)據(jù)反饋校正b自組織網(wǎng)絡(luò)－不需教師數(shù)據(jù)，自己組織高爐常用BP網(wǎng)絡(luò)（反向傳播網(wǎng)絡(luò)）基于BP網(wǎng)絡(luò)的硅預(yù)報模型原理

ω2[Si]輸入層中間層輸出層風(fēng)溫

ω1風(fēng)壓

風(fēng)量

頂溫

料速

礦焦比

CO2

前n次硅值

第