引用本文

 

温亮, 周平. 基于多参数灵敏度分析与遗传优化的铁水质量无模型自适应控制. 自动化学报, 2021, 47(11): 2600-2613 doi: 10.16383/j.aas.c180741    

Wen Liang, Zhou Ping. Model free adaptive control of molten iron quality based on multi-parameter sensitivity analysis and GA optimization. Acta Automatica Sinica, 2021, 47(11): 2600-2613 doi: 10.16383/j.aas.c180741

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180741?viewType=HTML

文章简介

关键词

数据驱动控制, 无模型自适应控制, 多参数灵敏度分析, 高炉炼铁, 铁水质量, 遗传算法, 大规模变异

摘   要

铁水硅含量(化学热)和铁水温度(物理热)是高炉炼铁过程最重要的铁水质量指标, 其建模与控制对于整个高炉炼铁过程的运行优化意义重大. 针对高炉炼铁过程极复杂动态特性以及铁水质量难以进行常规机理建模与控制的难题, 基于直接数据驱动控制思想, 提出一种基于多参数灵敏度分析与大规模变异遗传参数优化的高炉铁水质量无模型自适应控制方法. 首先, 基于紧格式动态线性化(Compact form dynamic linearization, CFDL)无模型自适应控制(Model free adaptive control, MFAC)技术确定铁水质量的多变量数据驱动控制器结构; 然后, 针对CFDL-MFAC众多可调参数对控制器性能影响大, 同时对众多参数整体优化非常耗时且效果不理想的问题, 基于多参数灵敏度分析(Multi-parameter sensitivity analysis, MPSA)技术, 提出基于大规模变异与精英局部搜索遗传优化的CFDL-MFAC控制器参数整定方法; 最后, 将参数整定后的CFDL-MFAC控制器应用到高炉炼铁过程多元铁水质量控制, 并与基于递推子空间辨识的数据驱动预测控制进行比较研究, 验证所提控制方法的有效性和先进性.

引   言

高炉是钢铁制造最主要的大型冶金反应器之一. 如图 1所示, 整个高炉炼铁系统分为高炉本体、给料系统、热风系统、煤粉喷吹系统、高炉煤气处理系统及出铁系统等几个子系统. 高炉炼铁是一个持续不中断的过程, 在整个流程中, 铁矿石、焦炭、溶剂按一定比例和布料制度分批次逐层从高炉顶部经由旋转溜槽装载到炉喉中. 同时, 煤粉由喷枪喷入高炉风口, 冷空气、氧气在热风炉中加热到约1 200左右后经由风口鼓入高炉炉腹部分. 上部调剂加入的焦炭在风口前经过燃烧产生大量高温煤气, 煤气不断向上运动, 与下降的炉料相遇, 发生一系列复杂的物理化学反应, 将铁从铁矿石中还原出来. 上升的高炉煤气最终从炉顶回收, 经过重力除尘、余压发电等环节回收再利用. 下降的炉料经过加热、还原、熔化等物理化学变化, 最终生成液态的生铁和炉渣, 并且分别从铁口和渣口排出.

图 1  高炉工艺流程示意图

高炉炼铁生产的主要目的是持续、稳定、高效、低能耗地生产铁水, 为后续转炉炼钢等下游工序提供优质铁水. 因此, 对整个高炉炼铁过程的优化控制通常可以等价于对高炉生产最终产品--铁水质量的控制. 目前, 铁水质量的好坏通常由两大参数来表征, 分别为铁水温度(Molten iron temperature, MIT)和铁水硅含量([Si]). 其中MIT是反映铁水物理热的重要指标, MIT高有利于后续转炉炼钢的稳定操作和自动控制, 铁水温度过低会影响铁元素氧化过程和熔池的温升速度, 不利于成渣和去除杂质, 容易发生喷溅. 我国炼钢规范规定转炉炼钢入炉铁水的温度应大于1 250, 并且要相对稳定. 考虑到铁水在运输和待装过程中损失的热量, 质量优良的铁水温度应控制在1 480~1 530为宜. 此外, [Si]是反映铁水化学热的重要指标. 铁水[Si]高, 渣量增加, 有利于去除铁水中的有害物质磷、硫. [Si]高还会增加转炉热源, 提高废钢比. 但[Si]过高会使生铁变硬变脆, 收得率降低且容易引起喷溅. 另外, [Si]高使渣中SiO含量过高, 影响石灰的渣化速度, 延长吹炼时间, 同时也会加剧对炉衬的冲蚀. 通常, 质量合格的铁水[Si]应控制在0.5%~0.7%.

高炉炼铁是一个多相、多场耦合严重的强非线性时变动态过程, 机理不清, 数学模型难以建立, 或者建立的模型由于理想假设条件太多而难以实际应用. 因此, 传统基于模型的控制器设计策略很难应用于高炉多元铁水质量控制, 而仅依赖于系统输入输出数据的数据驱动建模与控制方法就显示了诸多优越性. 到目前为止, 基于数据驱动的方法针对多元铁水质量的建模已经有了大量的研究成果, 例如文献[6]中的多信息融合时间序列神经网络模型, 文献[2]、[7-8]的随机权神经网络模型, 文献[9-10]的支持向量机模型, 文献[1]、[11]的子空间模型等, 但是却鲜有关于高炉炼铁过程直接数据驱动控制的相关研究成果和文献报道.

目前, 直接数据驱动控制已受到学术界和控制工程界越来越广泛的关注, 发展了多种数据驱动控制方法和技术, 例如无模型自适应控制(Model free adaptive control, MFAC)、懒惰学习控制、虚拟参考反馈整定(Virtual reference feedback tuning, VRFT)、迭代反馈整定(Iterative feedback tuning, IFT)、去伪控制(Unfalsified control, UC)、基于相关性分析的控制器整定(Correlation-based controller tuning, CbT)等. 总的来说, 这些数据驱动方法大体可分为两类, 第一类是控制器结构确定, 控制器参数利用输入输出测量数据离线整定的数据驱动控制方法, 比如VRFT、CbT、UC等. 高炉内部严酷的冶炼环境决定了基于工业高炉系统数据实验的不可实现性, 而高炉冶炼过程中复杂的动态特性又使得很难从理论上确定一个合适的控制器结构, 因此, 这种控制方法并不适用于高炉多元铁水质量的控制. 另一类数据驱动控制方法则假设控制器结构不确定, 这种控制方法的一个典型代表就是MFAC. 该方法由北京交通大学的侯忠生教授在文献[19]中针对单输入单输出离散时间非线性系统首次提出, 其后在文献[20]中拓展到了多输入多输出动态系统. 该方法针对离散时间非线性系统使用了一种新的动态线性化方法及一个称为伪雅可比矩阵的新概念, 在闭环系统的每个动态工作点处建立一个等价的动态线性化数据模型, 然后基于此等价的虚拟数据模型设计控制器. 因此, 鉴于高炉冶炼系统机理模型难以建立, 可将MFAC方法作为该研究领域的一条新的思路.

综上, 本文针对复杂高炉炼铁过程多元铁水质量难以采用常规方法进行控制的难题, 综合采用基于紧格式动态线性化(CFDL)的无模型自适应控制方法(CFDL-MFAC)、递推子空间模型辨识方法、多参数灵敏度分析技术以及遗传算法优化技术, 研究高炉炼铁过程多元铁水质量的无模型自适应控制问题. 首先, 针对高炉铁水质量参数控制系统建立CFDL-MFAC控制器. 然后, 为了对控制器的诸多关键参数进行优化和整定, 基于实际高炉工业数据建立多元铁水质量的递推子空间动态模型, 并用建立好的CFDL-MFAC控制器和多元铁水质量递推子空间动态模型进行蒙特卡罗(Monte Carlo)模拟实验. 根据实验结果, 集成采用多参数灵敏度分析(Multi-parameter sensitivity analysis, MPSA)和参数遗传优化(Genetic algorithm, GA)技术离线整定控制器参数. 最后, 基于实际工业现场运行数据进行工业实验和比较分析.

图 2  CFDL-MFAC控制策略

作者简介

温   亮

东北大学硕士研究生. 2016年获得辽宁工程技术大学学士学位. 主要研究方向为无模型自适应控制.

E-mail: milesinchina@outlook.com

周   平

东北大学教授. 分别于2003年, 2006年, 2013年获得东北大学学士学位、硕士学位和博士学位. 主要研究方向为工业过程运行反馈控制, 数据驱动建模与控制. 本文通信作者.

E-mail: zhouping@mail.neu.edu.cn

相关文章

[1]  蒋朝辉, 董梦林, 桂卫华, 阳春华, 谢永芳. 基于Bootstrap的高炉铁水硅含量二维预报. 自动化学报, 2016, 42(5): 715-723 doi: 10.16383/j.aas.2016.c150574

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2016.c150574?viewType=HTML

[2]  蒋朝辉, 许川, 桂卫华, 蒋珂. 基于最优工况迁移的高炉铁水硅含量预测方法. 自动化学报, 2022, 48(1): 194-206. doi: 10.16383/j.aas.c200980

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200980viewType=HTML

[3]  蒋珂, 蒋朝辉, 谢永芳, 潘冬, 桂卫华. 基于动态注意力深度迁移网络的高炉铁水硅含量在线预测方法. 自动化学报. doi: 10.16383/j.aas.c210524

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210524viewType=HTML

[4]  权利敏, 杨翠丽, 乔俊飞. 数据驱动的溶解氧浓度在线自组织控制方法. 自动化学报. doi: 10.16383/j.aas.c210041

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210041viewType=HTML

[5]  李温鹏, 周平. 高炉铁水质量鲁棒正则化随机权神经网络建模. 自动化学报, 2020, 46(4): 721-733. doi: 10.16383/j.aas.2018.c170670

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170670viewType=HTML

[6]  周平, 刘记平. 基于数据驱动多输出ARMAX建模的高炉十字测温中心温度在线估计. 自动化学报, 2018, 44(3): 552-561. doi: 10.16383/j.aas.2018.c160840

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c160840viewType=HTML

[7]  周平, 张丽, 李温鹏, 戴鹏, 柴天佑. 集成自编码与PCA的高炉多元铁水质量随机权神经网络建模. 自动化学报, 2018, 44(10): 1799-1811. doi: 10.16383/j.aas.2018.c170299

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170299viewType=HTML

[8]  田涛涛, 侯忠生, 刘世达, 邓志东. 基于无模型自适应控制的无人驾驶汽车横向控制方法. 自动化学报, 2017, 43(11): 1931-1940. doi: 10.16383/j.aas.2017.c160633

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160633viewType=HTML

[9]  程志强, 朱纪洪, 袁夏明. 考虑执行器饱和的改进无模型自适应控制. 自动化学报, 2016, 42(8): 1158-1165. doi: 10.16383/j.aas.2016.c150583

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2016.c150583viewType=HTML

[10]  宋贺达, 周平, 王宏, 柴天佑. 高炉炼铁过程多元铁水质量非线性子空间建模及应用. 自动化学报, 2016, 42(11): 1664-1679. doi: 10.16383/j.aas.2016.c150819

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2016.c150819viewType=HTML

[11]  侯忠生, 董航瑞, 金尚泰. 基于坐标补偿的自动泊车系统无模型自适应控制. 自动化学报, 2015, 41(4): 823-831. doi: 10.16383/j.aas.2015.c140026

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2015.c140026viewType=HTML

[12]  金弟, 刘杰, 杨博, 何东晓, 刘大有. 局部搜索与遗传算法结合的大规模复杂网络社区探测. 自动化学报, 2011, 37(7): 873-882. doi: 10.3724/SP.J.1004.2011.00873

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2011.00873viewType=HTML

[13]  侯忠生, 晏静文. 带有迭代学习前馈的快速路无模型自适应入口匝道控制. 自动化学报, 2009, 35(5): 588-595.

http://www.aas.net.cn/cn/article/id/15846viewType=HTML

[14]  侯忠生, 许建新. 数据驱动控制理论及方法的回顾和展望. 自动化学报, 2009, 35(6): 650-667. doi: 10.3724/SP.J.1004.2009.00650

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2009.00650viewType=HTML

[15]  池荣虎, 侯忠生. 非线性非仿射离散时间系统的两阶段最优迭代学习控制. 自动化学报, 2007, 33(10): 1061-1065. doi: 10.1360/aas-007-1061

http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-1061viewType=HTML

[16]  丁建立, 陈增强, 袁著祉. 遗传算法与蚂蚁算法融合的马尔可夫收敛性分析. 自动化学报, 2004, 30(4): 629-634.

http://www.aas.net.cn/cn/article/id/16296viewType=HTML

[17]  于歆杰, 王赞基. 自适应调整峰半径的适应值共享遗传算法. 自动化学报, 2002, 28(5): 816-820.

http://www.aas.net.cn/cn/article/id/15574viewType=HTML

[18]  杨煜普, 欧海涛. 基于再励学习与遗传算法的交通信号自组织控制. 自动化学报, 2002, 28(4): 564-568.

http://www.aas.net.cn/cn/article/id/15553viewType=HTML

[19]  林家骏, 乐慧丰, 张克进, 俞金寿. 延迟焦化过程遗传双线性建模及其滑模控制. 自动化学报, 2000, 26(增刊B): 158-162.

http://www.aas.net.cn/cn/article/id/16505viewType=HTML

[20]  樊晓平, 徐建闽, 毛宗源. 受限柔性机器人基于遗传算法的自适应模糊控制. 自动化学报, 2000, 26(1): 61-67.

http://www.aas.net.cn/cn/article/id/15841viewType=HTML

[21]  吴成柯, 刘靖, 侯格贤. 图像分割的多参量遗传算法. 自动化学报, 1998, 24(3): 410-413.

http://www.aas.net.cn/cn/article/id/16831viewType=HTML