文摘

动态运行优化已被利用为变换器实现最优控制问题。确定最优控制指标通过转炉冶炼生产过程、当前状态和操作变量的设置值控制转炉生产。各种操作变量之间的关系、当前温度和碳含量是通过构造操作大量的实际生产数据的分析;然后,动态最优控制指标来源于优秀的冶炼历史数据;最后,动态运行优化模型是建立以最小偏差之间的电流data-molten钢温度和碳含量——最优数据由最优控制指标作为目标函数。德(微分进化)和改进的策略是用于解决该模型获取每个操作变量的设置值,这有利于进一步控制。实际生产数据的仿真显示了该方法的可行性和有效性。证明该方法解决了转炉炼钢过程的最优控制问题。

1。介绍

最优控制转炉炼钢中扮演一个重要的角色在确保钢的质量。

最优控制问题被认为是一个动态的系统或一个运动的过程。最优控制指标时应得到运动从一个初始状态转移到一个指定的目标状态。

转换器的概貌图所示1。转炉冶炼生产和主要控制阶段如图2。一定量的固体废料和脱硫铁水倒进炉。然后,氧气(F011)吹到炉通过兰斯进入炉的顶部。辅助材料,如石灰石和白云石(F001-F007)。同时,氮气和氩气的混合(F012)从底吹搅拌熔铁。热金属表面与氧气接触会形成熔池。元素,如碳、硅、锰、应该删除,当它到达85%的吹周期,和钢水温度和成分信息将由副枪取样。根据信息和目标之间的偏差值终点,副辅助材料和氧气的数量可以被评估。动态吹阶段将开始。的最后阶段,副枪将一个示例。 If the temperature and composition requirements achieved our preaimed values, take an alloying treatment of steel or tap steel. Otherwise, it has to continue blowing till it meets the requirements.

最优控制问题之一转炉氧气顶吹转炉炼钢过程是如何设置控制变量值,使动态最优控制指标是最好的一个。为了解决最优控制问题,动态运行优化方法介绍了转炉炼钢过程控制。

钢铁冶炼过程的操作优化进行深入研究基于数学和物理生产过程的统计数据。它可以计算出输入输出关系通过分析和总结操作参数之间的关系和产品控制指标和优化生产过程根据这些输入-输出关系。换句话说,旨在提高技术和性能与现有的技术工艺和生产设备,钢铁冶炼过程的操作优化是保持生产过程的最优运行状态通过设置或调整生产工艺参数时发生任何更改环境变量或产品控制指标显示实时信息监控系统。因此,内在质量将会增加,而成本和能源消耗是降低了。操作优化转炉冶炼过程显示了伟大的理论和实践意义为提高生产运营管理。

实时操作优化的概念,提出了在1950年代,最初是用于乙烯生产在1980年代。提出了一种改进的实时操作优化方法由马林和Hrymak [1]。和叫喊声和马林2)使用的方法来提高整个生产效率。Peters等人。3)提出了一个实时操作优化控制方法在化学生产批量控制过程;这种方法也适用于非线性系统。董事长Adetola和Guay [4)提出了一个混合实时操作优化和预测控制方法来解决非线性化学体系。阿尔瓦雷斯和Odloak5)提出了一种改进的基于Adetola方法加强稳定和降低不确定性。de Souza et al。6)实时优化方法用于指导模型预测控制的控制精度。乙醇胺反应过程优化使用操作优化概念(7]。Wellons et al。8)提出了离线非线性优化操作系统应用于美孚石油公司在博蒙特和德克萨斯州炼油厂。Eliceche et al。9)提出了一个操作优化方法来优化乙烯生产的材料输入。Petracci et al。10)提出了一个最佳操作方法提高乙烯装置实用系统。邵et al。11)应用操作优化,提高生产效率和稳定乙醛的生产工艺。路[12)提出了一个动态运行优化方案来提高整体的生产效率,操作变量的决定从一个特定的点在时间域的预测,关键不是一个稳定的点。Bonvin和Srinivasan13)将专注于不确定因素的动态运行优化问题模型参数的不确定性,降低了模型的计算复杂度。Biegler [14)提出了一个新的模型,动态运行优化丰富的手段控制在石油化工领域,而成就引起了行业中一个伟大的关注。唐et al。15)研究一个集成电荷配料和铸造宽度选择问题产生在炼钢连铸操作过程,开发了一个基于列生成branch-and-price解决方案方法获得最优解。唐et al。16)提出一个数学模型,基于准时制思想,为解决机器冲突steelmaking-continuous铸造生产调度在计算机集成制造系统环境。唐et al。17)建造了一个小说整数规划制定一个可分离的结构,开发了一种解决方案结合拉格朗日松弛方法,动态规划,启发式。

在钢铁冶炼生产过程中,数据分析方法也发挥了关键作用。吴et al。18)提出了一种实时检测模型基于热力学平衡和气体分析模型的改进,给一个在线预测温度的转换器。温家宝et al。(19)提出了一种神经网络模型预测的端点站转换器基于辐射信息和图像信息。徐et al。20.)提出了一个模型,氧气顶吹转炉(转炉)端点预测基于光谱信息的炉火焰与支持向量机预测转炉炼钢终点温度和碳含量值。汉et al。21)使用支持向量机算法来预测所需的氧气转炉生产确保转炉冶炼的控制。

运营商已经积累了相当的经验控制转炉生产操作,取得了巨大成就。然而,由于许多因素,如各种生产工艺的限制,高温的特点,短周期在冶炼过程中,和在物理和化学反应的速度和复杂性,实时检测很难获得准确的信息。所以,很难建立最优控制模型。

解决上述最优控制问题,提出了转炉冶炼过程操作优化方法。在这种方法中,添加的时间和重量石灰石、白云石、和其他辅助材料,大量的吹氧、底吹气体在每一刻,氧枪的控制模式被认为是控制变量。首先,大量的实际钢产量数据收集将被用来创建一个动态相位参考数据存储库。与数据分析方法,炉内温度和碳含量的预测模型建立了钢液。接下来,聚类分析参考炉信息基础上进行。确定参考价值控制运动检测温度的烤箱和钢的碳含量。此外,根据冶炼生产过程的要求限制,一个优化模型构建实际数据之间的偏差最小化(烤箱温度和碳含量的钢液)和参考数据,这是由动态值。最后,智能优化算法用于解决模型和得到最好的价值的控制参数。本文中的方法可以抓住转炉炼钢过程直观和全面的情况。图3转炉炼钢过程中显示了运行优化方法。

剩下的纸是组织如下。首先,数据分析方法简要描述的部分2。接下来,节3介绍了实时预测方法。基于数据分析的动态运行优化模型中引入部分4。然后,在节5,改进算法解决动态运行优化模型。此外,为了证明算法的有效性在实际的问题,很多实验已经完成。类似的结果与其他方法部分所示6。最后,结论部分的工作和未来的工作提出了7。

2。获取数据并建立精英炉数据集

本文收集的数据是真正的钢铁工厂。火焰分析仪和烟气分析仪需要安装在炼钢转炉。测量火焰温度和烟气的组成。把探针用于检测钢水温度和碳含量。测量的时间间隔是15秒。操作员可以判断一个更好的结果,由于他/她的经验,从炉的实际温度,由火焰分析仪,测量温度的烟气分析仪。在三个月内,共有1200个实验完成,和数据来自380炉。我们已经删除一些不正常的数据获得的数据。

温度和碳含量的值将被写入的数据集,然后选择最匹配变换器的信息目标价值包括输入条件,实际利用温度和碳含量的钢液。一组精英炉日期将由这些数据建立。

3所示。实时预测模型

3.1。预测算法

验证的目的问题,PSO(粒子群优化)算法可以用来优化参数和根均方误差的统计评价指标。优化LSSVM的过程(最小二乘支持向量机)22与IPSO)参数(改进的粒子群优化)描述如下。

步骤1。数据准备:训练集和测试集,分别表示为训练数据和测试数据。

步骤2。初始化:随机产生每个粒子的初始位置和速度(和是LSSVM参数)。设置IPSO方法的相关参数,然后执行训练过程从步骤3 - 7所示。

步骤3。确定的迭代次数。

步骤4。健康评估:本文利用适应度函数计算每个粒子的质量,而且它之前必须计算寻找LSSVM参数的最优值。

第5步。终止条件检查:如果停止准则满足最大迭代步骤7。否则,进入步骤6。

步骤6。粒子更新:更新每个粒子的速度和位置值根据1,然后产生新的粒子;第三步:去

步骤7。停止训练过程:获取优化的参数和。

3.2。预测模型和校正公式

因为输出的温度和碳含量变化在一个动态的过程,输入被视为一个动态变量。此外,输入变量包括钢液的重量(),添加废的重量(),吹氧反应过程的内容(的内容),底吹气体在反应过程中(),碳含量钢液的以前的时间(),氧枪在当前时刻的高度(),熔池的高度在当前时刻,烟气流动反应过程(),反应过程中一氧化碳的水平(),反应过程中二氧化碳的水平(),钢液的温度之前的时间(),以及额外的7种补充材料()。输入变量的数量是七十,输出变量的数量只有一个。

钢水温度预报模型如下:

钢的碳含量预测模型如下:

当前的温度估计模型如下:

当前碳含量估算模型如下: 在哪里及时是钢水的温度吗;是钢的碳含量在时间吗;,,,分别是吹氧的数量,兰斯模式,底吹气体的数量,和底吹模式。,,分别是,烟气流动的数量,公司和公司₂内容在烟气。是相应的延时校正参数。

通过比较烟气流速、公司和有限公司₂烟气的值指定的优化控制指标。如果相对误差小于跳过纠错;否则,启动纠错:钢水温度的调整值给出。钢水碳含量的校正值给出,在那里和是两个随机数。

4所示。动态运行优化模型

4.1。动态最优控制指标的价值

最优温度指示器当前钢水温度最佳升温速率。当前的动态最佳脱碳是最佳的脱碳率指标。

通过比较目前的钢水温度和碳含量,增加铁水和废钢,目标温度,和钢水碳含量,最类似的设置为参考炉将从精英炉中选择数据集。当前钢水温度最优参考炉的升温速率。最佳脱碳率。和参考数据

4.2。动态运行优化模型最优控制问题

之间的偏差最小化当前钢液的温度和参考价值决定的优化控制指标和之间的偏差最小化当前碳含量和参考数据,我们建立了多目标实时操作优化模型。

优化目标如下: 约束如下: 在动态运行优化模型是建立以实际数据之间的最小偏差(烤箱温度和碳含量的钢液)和参考数据最优控制指标作为目标函数7。当,,如果不是。在约束13严格的碳含量不得超过要求值;,分别代表了最小和最大的进给速率辅助材料和允许值;和分别;在约束12底吹气体流量不能超过严格要求值,底吹气体流量,和最小的某些价值最大某些价值;在约束14,和是最低允许兰斯氧气流值和最大允许流量;在约束15兰斯模式不得超过严格要求值;约束10显示了校正值钢水温度和碳含量;在约束8和9,是当前钢水温度和价值吗当前的钢水碳含量值取决于动态优化控制指标;约束16和17显示状态变量之间的关系;约束18和19是当前温度和碳含量估算方程。的时间和重量添加石灰石、白云石、和其他辅助材料,大量的吹氧、底吹气体在每一刻,氧枪的控制模式被认为是控制变量。

5。提出的优化算法

5.1。微分进化(DE)

有几个版本的DE算法(23]。基于个人的健身价值之间的区别,唐et al。24)提出了一个新颖的IDE算法individual-dependent机制来设置控制参数和选择变异算子为每个单独的搜索过程的不同阶段。唐et al。25]提出了一种改进的微分进化算法与实数编码矩阵表示为每个单独的人口,一个两步方法生成初始种群,和一个新的突变策略。我们提出的算法是基于的版本/最好/ 2 / bin。算法如下。

在每一代,人口候选人维护解决方案,每个方案可以被视为一个控制向量中维空间连续的搜索空间。人口发展和改进一代一代。在一代,我们表示个人的人口,。通过交叉算子和变异算子,个体的生成新的人口,叫做试验向量。选择符是用来决定哪一个进入下一代,父母或后代。演化过程继续,直到满足终止准则。提出了如下所示的细节。

突变。版本的德/最好/ 2 / bin,变异操作可以描述如下:从目前的人口获得的两个加权微分向量被添加到第三个向量是最好的个人拥有最好的健身价值。在一代通过四个人选择随机的扰动和最好的人,这种变异个体生成如下: 在哪里和随机选择的指标,,,属于整数集和满足的表情。此外,比例因子和吗。

交叉。变异操作后,审判人从目标生成个人吗和变异个体通过交叉操作描述如下: 在哪里,是一个随机向量的索引,然后呢。此外,交叉率在时间间隔。

选择。以竞争的方式依赖于健身价值,我们选择一个目标个人和之间的小道个体,将生存下来并进入下一代。最小化问题,选择规则是表示如下: 在哪里和控制参数和影响算法的性能在很大程度上。

5.2。修改后的微分进化

增加种群的多样性,我们修改突变计划。在我们修改,我们添加一个随机因素服从均匀分布多样性和增加,所以突变个体可以改写如下: 给出了如下的步骤。

步骤0。集。

步骤1。生成初始种群。

步骤2。初始化参数:设置当前的迭代次数。

初始化变化因素和交叉因子。设置最大迭代数。当前迭代数量设置。

步骤3。人口普查的初步评价给出如下。

健身最好的解决方案是目前最好的解决方案。

步骤4。变异和交叉证明如下。

使用变异算子来获得测试向量: 在哪里一个随机数在吗。

步骤5。生成一个新的人口使用人口评估。

更新:

比较新的解决方案最好的解决方案;如果,然后更新。

步骤6。如果返回到步骤4和设置;否则,停止迭代,输出最优解。

步骤7。如果回到步骤1,设置;否则,停止。

6。模拟和讨论

为了说明该方法,实际工业数据用于评估动态运行优化模型的性能,和他们分别从实验和工程应用。本文实验动态地设置每个操作变量的值的动态控制钢水温度和碳含量。方法是用c++编写的,运行在PC与2.83 GHz CPU核心(2)和3.25 GB内存使用Windows XP操作系统(32位)。

6.1。动态预测的结果

温度和碳含量的实验完成后集群。表1显示了训练集和测试集温度和碳含量的模型。我们建立了温度和碳含量的动态模型最终的输出参数,,,IPSO-LSSVM。建立温度和碳含量的模型后,新的10炉数据被视为动态测试数据集,虽然温度和碳含量动态模型的准确性有困难全炉,该模型仅依赖于数据,而不是时间。模型还显示了自适应能力。为了展示优势,本文比较IPSO-LSSVM KPSO-LSSVM和SPSO-LSSVM [26,27]。表2和3分别显示了结果的比较三种性能指标。我们可以发现IPSO-LSSVM预测误差低于其他两种方法,结果表明,IPSO-LSSVM有更好的性能。

6.2。最优控制问题的结果

在本节中,提出DE /最好/ 2 / bin和一些进化算法在文献相比,等在[28),在[29日]。其他两个算法的人口规模设置为400在和。

这三种算法的最终收敛值对转炉冶炼过程的动态最优控制问题给出了表4。在比较收敛值与其他两种方法,我们可以发现之间的误差是相对封闭的和。的错误低于其他两种方法,结果表明,有一个更好的性能。

目前实际生产中给出的信息表5,从中我们可以发现,钢液的温度应该从1610°C加热到1666°C。钢的碳含量应该从0.054%下降到0.03%。

结果之间的比较操作变量的值在数据与目标值可以看到6- - - - - -8和表6。图4显示了目标温度通过操作变量值和实际值决定。图5显示了目标碳含量通过操作变量值和实际值决定。的设在吹时间;0代表了动态控制起始时刻的时间从副枪的测量结果。图9显示了对比检测烟气的实际废气流量和参考价值。图10展示了实际检测有限公司和股份有限公司之间的比较₂烟气和参考价值的内容。表7显示的结果、RMSE和马克斯的温度和碳含量。表8显示了终点温度和碳含量的价值。实验表明,动态操作的性能优化方法具有良好的适应性。

7所示。结论

本文提供了一个操作一个转换器动态运行优化方法来解决最优控制问题。基于聚类的分类方法和LSSVM方法。操作一个实时多目标优化模型是建立以实际数据之间的最小偏差(烤箱温度和碳含量的钢液)和引用数据的最优控制指标为目标函数。提出了一个高效的算法操作多目标优化模型,实现最优控制问题的转换器,直接提高终点命中率,提高钢的质量,以及帮助提高整体生产力。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

本研究在一定程度上是由对流程工业综合自动化国家重点实验室的基础研究基金(批准号2013 zcx04-01)。