一种基于懒惰学习的高炉铁水质量自适应优化控制方法技术

本发明专利技术提供一种基于懒惰学习的高炉铁水质量自适应优化控制方法，涉及高炉冶炼自动化控制技术领域，该方法包括：采集高炉生产历史输入输出测量数据；对数据进行预处理，并初始化数据库及相关参数；利用懒惰学习方法建立铁水Si含量局部线性预测模型；根据铁水Si含量提前多步的预测值和参考值构造控制性能指标，利用二次规划算法计算最优控制量；将最优控制量发给执行机构，采集新一组数据，数据预处理，更新数据库。本发明专利技术提供的方法可以将高炉铁水Si含量稳定在期望值附近，具有跟踪性能好、抗干扰性强的优点，能够有效地提高产品质量、降低生产能耗。

【技术实现步骤摘要】
一种基于懒惰学习的高炉铁水质量自适应优化控制方法
本专利技术涉及高炉冶炼自动化控制
，尤其涉及一种基于懒惰学习的高炉铁水质量自适应优化控制方法。
技术介绍
钢铁工业在国家经济发展中具有重要地位，是国家经济水平和综合国力的重要标志。高炉炼铁是钢铁工业中的重要环节，高炉炼铁过程中铁产品的产量巨大，即使是小小的改善也能减少巨额的炼铁成本，因此高炉炼铁的优化控制一直是冶金工程和自动控制领域的重要课题。然而，高炉内部冶炼环境极其恶劣，高温、高压、多相多场耦合、固-液-气多态共存，使高炉内部状态实时监测难以实现，从而难以对高炉进行有效运行控制与优化。目前，被广泛用来间接反映高炉内部状态的指标为铁水质量参数，其中铁水Si含量是衡量高炉内热状态和稳定顺行的主要铁水质量参数，采用该铁水质量参数作为高炉内部状态的评判指标，可以较全面地了解高炉内部的运行状态，为高炉的控制运行提供指导。此外，铁水Si含量高，有利于去除磷、硫等有害元素，但是Si含量过高会使生铁过于硬脆，降低金属获得率，且易引起喷溅。所以要实现高炉炼铁过程的稳定顺行，并且生产出质量合格的铁水，为后续的转炉炼钢提供优质的原材料，有必要对铁水质量关键参数铁水Si含量加以有效的监测和控制。预测控制方法在处理带有约束的多变量过程方面，具有出色的优化控制能力，因此被广泛应用于高炉炼铁过程。通常，预测控制方法是根据系统的等效预测模型对未来输出进行预测，并通过求解二次优化问题获得当前时刻的控制量，所以预测控制器设计的关键在于其预测模型。文献“ZengJS，GaoCH，SuHY.Data-drivenpredictivecontrolforblastfurnaceironmakingprocess.ComputersandChemicalEngineering，2010，34(11)：1854-1862”采用子空间辨识方法建立了铁水硅含量的线性输入输出预测模型，并基于所建立的线性预测模型对高炉铁水硅含量进行了预测控制。公开号为CN106249724A的专利“一种高炉多元铁水质量预测控制方法及系统”，该专利依据高炉冶铁过程生产线上传感器测量的高炉多元铁水相关数据，结合非线性最小二乘支持向量回归理论，建立了高炉多元铁水质量与控制量之间的M-LS-SVR预测模型，并设计了非线性预测控制器，实现对多元铁水质量的有效控制。上述专利及论文报道的方法以及其他相关文献中的方法都缺乏预测控制器中预测模型参数的在线实时更新能力，其预测模型并不能完全反映出高炉炼铁过程的工况慢时变特性，因此这些预测模型在应用于铁水质量预测控制中时，预测结果可能会偏离真实值，从而导致控制效果较差。此外，在高炉炼铁过程中存在复杂的非线性，导致上述文献所提出的基于线性模型的预测控制方法，无法实现有效控制。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于懒惰学习的高炉铁水质量自适应优化控制方法，该方法有效克服了铁水质量线性预测模型无法准确表达非线性系统动态特性的缺点，并且实现了预测模型参数的在线实时更新，保证高炉炼铁控制系统的稳定运行。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于懒惰学习的高炉铁水质量自适应优化控制方法，包括以下步骤：步骤1、采集高炉生产中的历史数据，确定被控量和控制量，对数据进行预处理，初始化数据库和相关参数；步骤2、构造当前工作时刻的查询回归向量，根据定义的相似度准则，从数据库中查询相似数据样本组成学习子集，结合留一法交叉验证和递推最小二乘辨识方法，选出最优相似学习子集，并获得最优局部线性预测模型；步骤3、根据最优局部线性预测模型，推导出多步输出预测方程；根据被控量设定值建立参考轨迹方程；计算多步输出预测值进行并对预测值进行在线校正，根据被控量参考值与被控量校正后预测值构造控制性能指标，利用二次规划算法计算得到最优控制量，即当前时刻最优输入——冷风流量；步骤4、将最优控制量即最优冷风流量发给执行机构，采集新一组高炉测量数据，数据预处理并更新数据库。所述步骤1的具体方法包括：步骤1.1、采集高炉生产中的历史数据，确定铁水Si含量作为被控量，选取与被控量相关性最强且可操作的高炉本体参数变量作为控制量，控制量为冷风流量；步骤1.2、进行数据预处理，包括滤波处理和归一化处理；采用滤波算法剔除高炉生产过程中的噪声尖峰跳变数据；对滤波后的高炉生产历史数据，包括控制量和被控量，进行归一化处理；步骤1.3、根据映射对的形式，利用历史输入输出数据构造初始数据库；步骤1.4、初始化相关参数，包括相似度比重因子、近邻数范围、预测步长、控制步长、加权系数、初始模型参数向量、初始递推中间变量。所述步骤2的具体方法包括：步骤2.1、当前工作时刻为t，采集上一时刻的控制量u(t-1)、当前时刻的被控量y(t)，构造查询回归向量u(t)为需要求解的当前时刻控制量；步骤2.2、根据预先定义的相似度准则，查询数据库中与最相似的k个数据向量将相应数据映射对组成相似学习子集其中yj为与相对应的被控量；根据相似度大小按降序排列学习子集中的映射对，由于有多个相似学习子集，因此对应多个候选模型；步骤2.3、结合留一法交叉验证和递推最小二乘辨识方法，分别计算每一个相似学习子集对应的留一法交叉验证均方误差，选择对应均方误差最小的相似学习子集作为最优学习子集，并获得相应最优局部线性预测模型；递推最小二乘辨识算法如下式所示：其中，k∈[kminkmax]为近邻数，kmin为近邻数下限，kmax为近邻数上限，是根据j个最相似映射对辨识获得的模型参数向量，Pj和Vj是递推中间变量；针对每个k值，通过递推过程中的和Vk，直接计算留一法交叉验证误差，如下式所示：其中，是当近邻数为k时的第j个留一法交叉验证误差；对应不同k值，其留一法交叉验证均方误差定义如下：其中，MSEloo(k)为对应近邻数为k的留一法交叉验证均方误差；选取对应留一法交叉验证均方误差最小的相似学习子集作为最优相似学习子集，并获得最优局部线性预测模型，如下：其中，为t+1时刻被控量预测值，为最优局部线性预测模型参数向量。所述步骤3的具体方法包括：步骤3.1、根据最优局部线性预测模型，推导出多步输出预测方程；将最优局部线性预测模型化成如下形式：其中，z-1为后移算子，为t时刻被控量预测值；A(z-1)和B(z-1)是关于z-1的多项式；A(z-1)＝1-az-1，B(z-1)＝b0+b1z-1，a、b0和b1为线性模型参数；为了得到提前多步的被控量预测值，引入丢番图方程，进一步推导获得如下多步输出预测方程：其中，Gi(z-1)、Fi(z-1)和Hi(z-1)是关于z-1的多项式；为t+j时刻被控量预测值，Δu(t-1)为t-1时刻控制量增量，Δu(t+i-1)为t+i-1时刻控制量增量，Np为预测步长；步骤3.2、根据被控量设定值建立参考轨迹方程，如下式所示：其中，ysp为被控量设定值，yr(t+j)为t+j时刻被控量参考值，η为柔化系数，0＜η＜1；步骤3.3、根据多步输出预测方程，计算提前多步的被控量预测值；采用对未来的误差做出预测并加以补偿的反馈校正，从而在线校正预测值，即：其中，y(t)为t时刻被控量实际值，为t时刻被控量预测值，E(t)为t本文档来自技高网...

【技术保护点】
1.一种基于懒惰学习的高炉铁水质量自适应优化控制方法，其特征在于：该方法包括以下步骤：步骤1、采集高炉生产中的历史数据，确定被控量和控制量，对数据进行预处理，初始化数据库和相关参数；步骤2、构造当前工作时刻的查询回归向量，根据定义的相似度准则，从数据库中查询相似数据样本组成学习子集，结合留一法交叉验证和递推最小二乘辨识方法，选出最优相似学习子集，并获得最优局部线性预测模型；步骤3、根据最优局部线性预测模型，推导出多步输出预测方程；根据被控量设定值建立参考轨迹方程；计算多步输出预测值进行并对预测值进行在线校正，根据被控量参考值与被控量校正后预测值构造控制性能指标，利用二次规划算法计算得到最优控制量，即当前时刻最优输入——冷风流量；步骤4、将最优控制量即最优冷风流量发给执行机构，采集新一组高炉测量数据，数据预处理并更新数据库。

【技术特征摘要】
1.一种基于懒惰学习的高炉铁水质量自适应优化控制方法，其特征在于：该方法包括以下步骤：步骤1、采集高炉生产中的历史数据，确定被控量和控制量，对数据进行预处理，初始化数据库和相关参数；步骤2、构造当前工作时刻的查询回归向量，根据定义的相似度准则，从数据库中查询相似数据样本组成学习子集，结合留一法交叉验证和递推最小二乘辨识方法，选出最优相似学习子集，并获得最优局部线性预测模型；步骤3、根据最优局部线性预测模型，推导出多步输出预测方程；根据被控量设定值建立参考轨迹方程；计算多步输出预测值进行并对预测值进行在线校正，根据被控量参考值与被控量校正后预测值构造控制性能指标，利用二次规划算法计算得到最优控制量，即当前时刻最优输入——冷风流量；步骤4、将最优控制量即最优冷风流量发给执行机构，采集新一组高炉测量数据，数据预处理并更新数据库。2.根据权利要求1所述的基于懒惰学习的高炉铁水质量自适应优化控制方法，其特征在于：所述步骤1的具体方法包括：步骤1.1、采集高炉生产中的历史数据，确定铁水Si含量作为被控量，选取与被控量相关性最强且可操作的高炉本体参数变量作为控制量，控制量为冷风流量；步骤1.2、进行数据预处理，包括滤波处理和归一化处理；采用滤波算法剔除高炉生产过程中的噪声尖峰跳变数据；对滤波后的高炉生产历史数据，包括控制量和被控量，进行归一化处理；步骤1.3、根据映射对的形式，利用历史输入输出数据构造初始数据库；步骤1.4、初始化相关参数，包括相似度比重因子、近邻数范围、预测步长、控制步长、加权系数、初始模型参数向量、初始递推中间变量。3.根据权利要求1所述的基于懒惰学习的高炉铁水质量自适应优化控制方法，其特征在于：所述步骤2的具体方法包括：步骤2.1、当前工作时刻为t，采集上一时刻的控制量u(t-1)、当前时刻的被控量y(t)，构造查询回归向量u(t)为需要求解的当前时刻控制量；步骤2.2、根据预先定义的相似度准则，查询数据库中与最相似的k个数据向量将相应数据映射对组成相似学习子集其中yj为与相对应的被控量；根据相似度大小按降序排列学习子集中的映射对，由于有多个相似学习子集，因此对应多个候选模型；步骤2.3、结合留一法交叉验证和递推最小二乘辨识方法，分别计算每一个相似学习子集对应的留一法交叉验证均方误差，选择对应均方误差最小的相似学习子集作为最优学习子集，并获得相应最优局部线性预测模型；递推最小二乘辨识算法如下式所示：其中，k∈[kminkmax]为近邻数，kmin为近邻数下限，kmax为近邻数上限，是根据j个最相似映射对辨识获得的模型参数向量，Pj和Vj是递推中间变量；针对每个k值，通过递推过程中的和Vk，直接计算留一法交叉验证误差...

【专利技术属性】
技术研发人员：周平，易诚明，张帅，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21