CN114675543B - 基于优化学习算法的热风炉智能燃烧控制方法 - Google Patents

Abstract

本发明涉及工业炉窑燃烧技术领域，为了实现整个热风炉系统的智能控制，提供了一种基于优化学习算法的热风炉智能燃烧控制方法，包括：步骤1、基于专家知识经验分别建立各热风炉对应的模糊控制模型；步骤2、基于各热风炉的历史数据及机器学习算法对模糊控制模型的模糊规则及模糊隶属函数进行优化；步骤3、采用优化后的模糊控制模型对热风炉进行控制；步骤4、基于步骤3，采用时间序列预测算法对热风炉的热风温度进行预测；步骤5、根据热风炉的热风温度预测结果及系统中其他热风炉的工作情况确定该热风炉的送风量及阀门开度。采用上述方式实现了整个热风炉系统的智能控制。

Description

基于优化学习算法的热风炉智能燃烧控制方法

技术领域

本发明涉及工业炉窑燃烧技术领域，具体是一种基于优化学习算法的热风炉智能燃烧控制方法。

背景技术

在钢铁行业生产过程中，高炉炼铁系统是高能耗、髙资源消耗型的生产单元，整个资源、能源消耗约占钢铁生产流程的70％。在炼铁系统中积极推进节能、环保等先进技术的应用是减少污染物排放、推动整个钢铁产业技术升级的重要着眼点。其中，高风温便是降低焦比、增加喷煤量、降低工序能耗的重要手段之一。据统计，风温每提高100℃，可以增加喷吹煤粉40kg/t，降低焦比4％～7％，提高产量3％～5％。此外，高炉热风炉烧炉过程中高效利用高炉煤气、焦炉煤气等钢铁企业中的二次能源，又具有能源循环利用的作用，有利于整个钢铁企业的节能减排。

目前国内大多数热风炉虽然实现了基础自动化，但真正可靠、实用的对热风炉燃烧过程的自动控制仍需要手动操作，由于自动化水平不高，人工经验不足等因素，热风炉燃烧时好时坏，此外，各热风炉采用固定的送风模式，如两烧两送，三烧一送，这将导致热风炉提供的热风温度较低，而且状态不稳定，不利于高炉炼铁的高效生产。热风炉的燃烧过程复杂，其本质是一个具有非线性、慢时变和滞后的被控对象，随着燃烧过程的变化其特性也在不断地发生变化，要准确地掌握和控制热风炉的状态是非常困难的。

发明内容

为了实现整个热风炉系统的智能控制，为高炉提供稳定的高温热风，降低高炉燃料消耗，本申请提供了一种基于优化学习算法的热风炉智能燃烧控制方法。

本发明解决上述问题所采用的技术方案是：

基于优化学习算法的热风炉智能燃烧控制方法，包括：

步骤1、基于专家知识经验分别建立各热风炉对应的模糊控制模型；

步骤2、基于各热风炉的历史数据及机器学习算法对模糊控制模型的模糊规则及模糊隶属函数进行优化；

步骤3、采用优化后的模糊控制模型对热风炉进行控制；

步骤4、采用时间序列预测算法对热风炉的热风温度进行预测；

步骤5、根据热风炉的热风温度预测结果及系统中其他热风炉的工作情况确定该热风炉的送风量及阀门开度。

进一步地，所述步骤1建立的热风炉对应的模糊控制模型包括：快速燃烧期的模糊控制模型A及蓄热期的模糊控制模型B。

进一步地，在快速燃烧期，以拱顶温度实际值与设定值的变差及偏差变化率为模糊控制模型A的输入，以助燃空气流量调节阀开度为模糊控制模型A的输出；在蓄热期，以废烟气温度的变化和变化率为模糊控制模型B的输入，以高炉煤气和助燃空气的流量调节阀开度为模糊控制模型B的输出。

进一步地，所述步骤5具体为：

步骤51、建立数学模型：以各热风炉的热风温度预测结果为输入，混合后需要达到的热值为目标，输出各热风炉的送风量比例；

步骤52、根据送风量比例确定热风炉的送风量及阀门开度。

本发明相比于现有技术具有的有益效果是：通过机器学习确定热风炉工艺参数的适宜值，并获取各工艺参数与高炉热风温度间的相互关系，对已有的控制系统进行参数修正，实现热风炉智能控制系统整体的自优化和自学习，从而提高控制精度；基于时间序列预测算法的交错热并联送风，实现为高炉提供稳定的高温热风，从而降低高炉燃料消耗。

附图说明

图1为基于优化学习算法的热风炉智能燃烧控制方法的流程图；

图2为本申请智能燃烧控制方法对应的控制系统原理图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，基于优化学习算法的热风炉智能燃烧控制方法，包括：

步骤1、基于专家知识经验分别建立各热风炉对应的模糊控制模型；

步骤2、基于各热风炉的历史数据及机器学习算法对模糊控制模型的模糊规则及模糊隶属函数进行优化；热风炉历史数据包括拱顶温度、各阀门开度、废烟气温度、高炉喷煤情况、高炉炉顶煤气成分等，通过数据分析如PDA分析，确定适宜的热风炉工艺参数，基于热风炉工艺参数对模糊控制模型的模糊规则及模糊隶属函数进行优化以提高模糊控制模型的控制准确率；

步骤3、采用优化后的模糊控制模型对热风炉进行控制；

步骤4、采用时间序列预测算法对热风炉的热风温度进行预测；采用时间序列预测算法对热风温度进行预测可以实现提前控制，有效避免控制滞后性造成的控制误差；

步骤5、根据热风炉的热风温度预测结果及系统中其他热风炉的工作情况确定该热风炉的送风量及阀门开度。

在现有的热风炉系统中，热风温度的调节主要通过混风管向热风管道内加入冷风，通过混风调节阀控制冷风加入量来控制风温。这种方式有以下几个问题：1)热风温度波动范围大；2)平均送风温度低；3)冷风进入热风管道处由于温度骤变，耐材容易破损。

而本申请通过与系统中的其他热风炉进行联动控制，可以实现为高炉输送稳定的高温热风，从而减少高炉内焦炭、煤粉等燃料的使用量，进而降低高炉燃料比。具体为：通过调节各热风炉的风量比例，使混合后的热值基本稳定不变，从而达到调节风温和稳定风温的目的。本实施例通过建立数学模型：以各热风炉的热风温度预测结果为输入，混合后需要达到的热值为目标，输出各热风炉的送风量比例，根据送风量比例即可获得热风炉对应的送风量及阀门开度。需要说明的是，所述热值包括风量、风温、成分及各成分的理论热值。

本申请控制系统原理图如图2所示。

优选的，所述步骤1建立的热风炉对应的模糊控制模型包括：快速燃烧期的模糊控制模型A及蓄热期的模糊控制模型B，针对热风炉燃烧送风的不同阶段，分别建立不同的模糊控制模型，通过细化控制步骤及模糊控制模型以提高控制精确度。

具体的，在快速燃烧期，以拱顶温度实际值与设定值的变差及偏差变化率为模糊控制模型A的输入，以助燃空气流量调节阀开度为模糊控制模型A的输出；在蓄热期，以废烟气温度的变化和变化率为模糊控制模型B的输入，以高炉煤气和助燃空气的流量调节阀开度为模糊控制模型B的输出。

以快速燃烧期的控制为例对模糊控制优化进行说明，模糊控制规则如下：

规则1：如果热风炉拱顶温度偏差量e(t)(即拱顶温度设定值减去系统实际输出值)的变化量为负大，且偏差量的变化ec(t)为负大，说明此时拱顶温度的实际值己超目标设定值的最高限度，此时应最大限度地减小煤气调节阀的开度，快速降低拱顶温度的上升趋势。用模糊条件语句表示为：

If e(t)is NB and ec(t)is NB,then u(t)is NB.

规则2：如果热风炉拱顶温度偏差量e(t)(即拱顶温度设定值减去系统实际输出值)的变化量为负大，且偏差量的变化ec(t)为负中，仍说明此时拱顶温度的实际值己超目标设定值的最高限度，虽然偏差变化不是负大，但此时仍需要减小煤气调节阀的开度，降低拱顶温度的上升趋势。用模糊条件语句表示为：

if e(t)is NB and ec(t)is NM,then u(t)is NB.

以此类推，按相同的“if-then”推导规则，对热风炉拱顶温度偏差变化量和偏差变化变量的所有可能情况进行逐一条件判断，得到快速燃烧期模糊控制器的模糊控制规则表，如表1所示，表中NB表示负大，NM表示负中，NS表示负小，Z表示零，PS表示正小，PM表示正中，PB表示正大。

表1快速燃烧期模糊控制器控制规则表

通过机器学习如神经网络技术的自学习功能对模糊控制规则及模糊隶属函数进行优化，即对上述规则中的负大、负中这些模糊词的精度及各变量间的关系进行优化，从而提高控制精度及整个控制系统的鲁棒性和自适应能力。

Claims (1)

1.基于优化学习算法的热风炉智能燃烧控制方法，其特征在于，包括：

步骤1、基于专家知识经验分别建立各热风炉对应的模糊控制模型，包括：快速燃烧期的模糊控制模型A及蓄热期的模糊控制模型B；在快速燃烧期，以拱顶温度实际值与设定值的变差及偏差变化率为模糊控制模型A的输入，以助燃空气流量调节阀开度为模糊控制模型A的输出；在蓄热期，以废烟气温度的变化和变化率为模糊控制模型B的输入，以高炉煤气和助燃空气的流量调节阀开度为模糊控制模型B的输出；

步骤2、基于各热风炉的历史数据及机器学习算法对模糊控制模型的模糊规则及模糊隶属函数进行优化；

步骤3、采用优化后的模糊控制模型对热风炉进行控制；

步骤4、采用时间序列预测算法对热风炉的热风温度进行预测；

步骤5、根据热风炉的热风温度预测结果及系统中其他热风炉的工作情况确定该热风炉的送风量及阀门开度，具体为：

步骤51、建立数学模型：以各热风炉的热风温度预测结果为输入，混合后需要达到的热值为目标，输出各热风炉的送风量比例；

步骤52、根据送风量比例确定热风炉的送风量及阀门开度。

Images