基于多层分布式软件体系结构的烧结过程BTP优化控制系统设计

以某钢铁企业烧结过程,即烧结终点(Burning Though Point,BTP)优化控制系统为对象,针对当前控制软件存在开放性差、结构固定、可重用程度低的问题,提出一种多层分布式软件体系结构。在分析系统结构、接口和交互模式的基础上,给出系统开发的实施方案,从而建立了一个基于Windows DNS的开放的、有强交互能力和扩展能力的分布式BTP优化控制系统。

基于稀疏表示剪枝集成建模的烧结终点位置智能预测

烧结终点位置(BTP)是烧结过程至关重要的参数,直接决定着最终烧结矿的质量.由于BTP难以直接在线检测,因此,通过智能学习建模来实现BTP的在线预测并在此基础上进行操作参数调节对提高烧结矿质量具有重要意义.针对这一实际工程问题,首先提出一种基于遗传优化的Wrapper特征选择方法,可选取使后续预测建模性能最优的特征组合;在此基础上,为了解决单一学习器容易过拟合的问题,提出了基于随机权神经网络(RVFLNs)的稀疏表示剪枝(SRP)集成建模算法,即SRP-ERVFLNs算法.所提算法采用建模速度快、泛化性能好的RVFLNs作为个体基学习器,采用对基学习器基函数与隐层节点数等参数进行扰动的方式来增加集成学习子模型间的差异性;同时,为了进一步提高集成模型的泛化性能与计算效率,引入稀疏表示剪枝算法,实现对集成模型的高效剪枝;最后,将所提算法用于烧结过程BTP的预测建模.工业数据实验表明,所提方法相比于其他方法具有更好的预测精度、泛化性能和计算效率.

基于支持向量机预报模型的烧结终点模糊控制

针对烧结过程存在时间滞后和参数不确定问题,在分析烧结过程热状态的基础上,提出应用支持向量机优良的时序预测性能,建立了基于风箱废气温度预报烧结终点的预报模型.结合烧结终点预报模型,将模糊控制策略应用于烧结终点控制系统开发.介绍了控制系统的组成与烧结终点模糊控制器的设计方法.仿真结果和现场应用均证实了烧结终点控制系统的有效性,在存在较大干扰的情况下,能保持较好的控制品质.控制系统可准确、快速地预报烧结终点,具有稳定烧结终点和优化过程操作的作用.

基于多传感器数据融合技术的应用研究

复杂系统的多传感器数据融合是一门新兴的技术,它通过对来自多个传感器的数据进行多级别、多方面、多层次的处理从而产生出单个传感器所不能获得的更有意义的信息。数据融合在军事领域和民用领域都有很大的发展和应用前景。该文提出了一种基于神经网络融合算法的多传感器数据融合技术,对所采用的数据融合技术用于烧结终点预测进行了详细介绍。通过仿真结果证明,该方法鲁棒性强,准确性高,泛化能力广,具有很强的实用性和推广价值。

基于遗传规划的铁矿烧结终点2级预测模型

为了解决铁矿烧结过程中烧结终点(BTP)的建模问题,提出改进的混合分类遗传规划(CGP)算法.算法将K-中心聚类算法与遗传规划(GP)相结合,通过K-中心聚类算法对烧结过程工况进行分类.对每一类,采用遗传规划建立风箱温度自回归预测模型.模型为2级温度预测模型,即基于温度拐点的中期模型和临近烧结终点处的短期模型.烧结终点通过预测温度的3次曲线拟合得到.实验仿真表明了所提出的2级温度预测模型的有效性.

烧结终点模糊控制应用探讨

针对烧结终点控制的特点,提出了两种可选模糊控制方案,简单模糊控制和参数自调整的模糊控制。对于控制参数自调整的模糊控制方案,采用比例因子Ku模糊自整定和全论域范围带自调整因子的模糊控制规则相结合的方法来实现控制参数的自调整。

基于稳定烧结终点的配碳调节技术研究

在建立基于时间序列的烧结终点预报模型、以及采用主成分分析方法确定烧结过程配碳量表征因素的基础上,本文尝试建立了自适应的合理配碳量预报及调节操作指导模型,提前15min给出配碳调节的建议,以期稳定烧结终点。模型现场运行结果显示,其给出的配碳调节建议具有很好的可靠性和准确度。

在线判断烧结矿烧结点的图像识别法

依据数字图像处理和神经网络理论提出了对烧结矿烧结终点在线判断的一种图像识别方法。以马钢第二烧结厂为研究背景,通过图像采集系统,从烧结机机尾摄取断面图像并进行处理,取得合理表征烧结终点的特征参数,构造改进的BP神经网络分类器,从而实现在线判断烧结矿烧结终点。

烧结终点的优化控制

为使烧结终点更稳定、适宜,在分析烧结过程热状态的基础上,利用风箱废气温度曲线与以台车长度为横轴所形成的面积(Areat)为基础,通过控制Areat值的大小实现烧结终点(BTP)预报策略,并提取料层同一断面的风箱废气温度,利用最小二乘法拟合曲线。开发了基于Areat的烧结终点模糊控制系统。运行结果表明,烧结终点稳定性及烧结矿质量都有所提高。

基于烟气温度场分布的烧穿点智能集成预测方法

铅锌密闭鼓风烧结过程具有强非线性、时变和时滞等特性.本文在分析过程热状态的基础上,通过研究烧结机烟气温度梯度分布,建立烟气温度分布烧穿点软测量判断模型,结合烧穿点的动态特性,运用智能集成建模的思想,提出采用神经网络方法建立工艺参数预测模型,采用灰色理论建立烟气温度分布时间序列预测模型,通过模糊组合器综合与协调两个模型来预测烧穿点位置.实际运行结果表明,智能集成预测方法为铅锌烧结过程烧穿点的判断和预测提供了一种可行、有效的解决思路,为实现过程的状态优化奠定了基础.

在线判断烧结矿烧结终点的模糊识别法

本文依据模糊数学理论提出了对烧结矿烧结终点在线进行判断的模糊识别方法。用计算机对从烧结机机尾摄取的彩色图像进行处理,取得合理表征烧结终点的特征参数,构造模糊子集和隶属函数,通过计算海明贴近度大小,从而判断烧结矿烧结终点。

基于T-S模型的烧结终点广义预测自适应控制

针对铁矿石的烧结过程具有时滞、非线性、不确定等特性,在研究了烧结工艺和烧结终点子系统的部分参数选型的基础上提出一种基于T-S(Takagi Sugeno)模糊模型的烧结终点的预测控制方法。首先,根据烧结终点和台车速度之间的动态非线性化关系,建立烧结终点的T-S模糊模型;然后,在此基础上进行广义预测控制器的设计;最后加入了模糊补偿控制,以实现对烧结终点的自适应控制。利用某烧结厂产生的历史数据对该方法进行仿真实验,结果表明该方法具有较高的辨识精度,超调量小,控制时间短,方法有效。

烧结终点智能推理系统的研究与开发

烧结终点的稳定控制是钢铁冶炼的重要环节,直接影响钢铁的质量和产量。本文在简析烧结生产具有多变量、非线性、大时滞、强耦合特征的基础上,提出了用专家系统来控制烧结终点的方法。通过构造基于产生式规则的烧结知识库、设计以正向推理和不确定性推理为基础的推理机、建立以专一性排序和阈值法相结合的冲突消解策略,应用VisualC++6.0和SQLServer2000等开发工具,开发了烧结终点智能推理系统,在实际应用中取得了较好的控制效果。

Intelligent optimal control for lead-zinc sintering process state

The intelligent integrated predictive model of synthetical permeability was established using the fuzzy classifier to combine the time sequence predictive model with the craftwork parameter predictive model. Then, the estimation model of burn-through point(BTP) based on pipe stress point(PSP) method and the predictive model of BTP were proposed. The optimal control of permeability and heat states was implemented by using the fuzzy expert controller with self-studying mechanism. The application of the intelligent control technique suppresses 17% of the fluctuation of synthetical permeability and 12% of the fluctuation of BTP, stabilizes the output and quality of sinter and settles the basis for the optimization of output and quality of sintering process.

浅谈烧结终点控制模型

介绍了通过控制BRP位置间接控制烧结终点的方法。通过计算BRP位置,实时调整烧结机速度和烧结机台车压入率厚度,使烧结终点稳定在系统设定的范围之内,形成了基于专家知识的烧结终点模糊控制系统。该模型被应用后,可根据实际情况调整烧透点的位置,保证了烧结生产正常运行,改善了烧结矿各项技术指标,2009年节约成本2310万元。

基于GA-PSO-BP神经网络的烧结终点预测模型

烧结作为钢铁冶炼过程的一个重要环节,具有非线性、多变量、大滞后等特点,而烧结终点预测是烧结过程智能控制的重点与难度。本文基于BP神经网络建模方法,采用遗传-粒子群(GA-PSO)混合算法优化BP神经网络的权值和阈值,建立基于GA-PSO-BP神经网络的烧结终点预测模型;并结合某烧结厂的现场数据,将GA-PSO-BP预测模型和PSO-BP、GA-BP、BP预测模型进行对比仿真实验。结果表明:基于GA-PSO-BP神经网路预测模型的均方根误差(RMSE)、平均绝对误差(MAE)、均方误差(MSE)以及最大绝对值误差(MAVE)分别为0.006、0.0019、3.5954×10-5和0.0467。GA-PSO-BP预测模型的预测精度和误差均优于其他3种预测模型,更适用于在实际生产中预测烧结终点位置。

太钢烧结主抽风机转速的智能控制

主抽风机采用变频技术后,为了通过调整主抽风机转速实现烧结过程稳定的目的,研究了主抽风机转速、烧结风量、烧结机速和垂直烧结速度之间相关关系,开发了以垂直烧结速度为判据的主抽风机转速自动控制系统。太钢烧结机应用该技术后,过程垂直烧结速度稳定性大幅提高,保证了烧结终点持续稳定在倒数第2个风箱范围内,终点稳定率为98.1%,比人工控制提高35.5%,烧结返矿率比人工控制降低3.46%。同时,该技术更好地发挥了主抽风机变频的优势,主抽电耗进一步降低,较工频运行时节省电能28.6%。