引用本文
方怡静, 蒋朝辉, 黄良, 桂卫华, 潘冬. 基于知识与AW-ESN融合的烧结过程FeO含量预测. 自动化学报, 2024, 50(2): 282−294 doi: 10.16383/j.aas.c211013
Fang Yi-Jing, Jiang Zhao-Hui, Huang Liang, Gui Wei-Hua, Pan Dong. FeO content prediction in sintering process based on fusion of data-knowledge and AW-ESN. Acta Automatica Sinica, 2024, 50(2): 282−294 doi: 10.16383/j.aas.c211013
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c211013
关键词
FeO含量预测,烧结过程,数据知识,变权重回声状态网络,信息融合
摘要
氧化亚铁(FeO)含量是衡量烧结矿强度和还原性的重要指标, 烧结过程FeO含量的实时准确预测对于提升烧结质量、优化烧结工艺具有重要意义. 然而烧结过程热状态参数缺失、过程参数波动频繁给FeO含量的高精度预测带来巨大的挑战, 为此, 提出一种基于知识与变权重回声状态网络融合(Fusion of data-knowledge and adaptive weight echo state network, DK-AWESN)的烧结过程FeO含量预测方法. 首先, 针对烧结过程热状态参数缺失的问题, 建立烧结料层最高温度分布模型, 实现基于料层温度分布特征的FeO含量等级划分; 其次, 针对烧结过程参数波动频繁的问题, 提出基于核函数高维映射的多尺度数据配准方法, 有效抑制离群点的影响, 提升建模数据的质量; 最后, 针对烧结过程数据驱动模型缺乏机理认知致使模型预测精度不高的问题, 将过程数据中提取得到的FeO含量等级知识与AW-ESN (Adaptive weight echo state network)结合, 建立DK-AWESN模型, 有效提升复杂工况下FeO含量的预测精度. 现场工业数据试验表明, 所提方法能实时准确地预测烧结过程FeO含量, 为烧结过程的智能化调控提供实时有效的FeO含量反馈信息.
文章导读
随着钢铁冶金行业的不断发展, 铁矿石资源日益紧缺且禀赋恶化, 已难以满足高炉绿色高效低碳冶炼的需求[1-2]. 烧结是将贫铁矿加工成富铁矿, 有利于高炉冶炼的过程, 为高炉炼铁提供主要原料, 其烧结矿质量对高炉的稳定顺行至关重要.
烧结矿的FeO含量不仅是衡量烧结矿质量的重要指标, 而且是影响高炉冶炼能耗、排放的重要因素. 因此, 实时准确获取FeO含量对烧结过程的智能化调控、提升烧结矿质量、保证高炉平稳顺行和绿色低碳高效生产具有重要意义[3-6].
由于烧结过程中存在高温、高尘、多相共存、多场耦合等特点, 烧结矿FeO含量难以直接在线检测. 通常工业现场对FeO含量的检测, 主要是采用人工定期采样, 再利用重铬酸钾化学分析法、X射线光谱分析法等方法对采样样本进行离线分析[7-9]. 这些方法存在检测速度慢、设备成本高、操作复杂等局限性, 且检测结果时间滞后大, 导致烧结矿的质量信息不能得到及时反馈, 严重制约了烧结过程的精细化调控, 无法满足烧结现场实时检测的需求. 因此建立FeO含量的预测模型, 实现FeO含量的高精度在线预测对于烧结过程的优化具有重要意义. 目前, 烧结过程FeO含量建模方法可以总结为以下三种: 1)基于物料守恒的建模方法, 主要是通过对过程的其他相关参数进行在线检测, 基于物料守恒的原理, 建立机理模型, 计算FeO的含量[10-12], 该思路适用范围广、可解释性强, 但所需的检测设备费用高昂, 且各烧结厂冶炼环境和原材料各异, 烧结过程发生的物理化学反应复杂多变, 难以通过机理模型准确地计算出FeO含量. 2)基于烧结机尾断面图像信息, 结合现场专家经验建立的软测量模型[13-15]. 这一类方法基于专家经验建立模型, 提取到的图像信息一定程度上也能反映FeO的含量信息. 然而烧结机尾高温、多粉尘的生产环境, 会极大地影响图片获取的质量, 仅利用图像信息难以获取精准的FeO含量. 3)基于烧结过程生产数据建立的数据驱动模型[16-21]. 这一类方法不需要了解烧结过程发生的复杂反应, 仅通过数学工具和智能算法对历史时刻的过程数据中包含的规律进行挖掘, 就可以建立烧结矿质量指标的预测模型, 因此数据驱动模型成为近年烧结过程FeO含量建模研究的热点.
国内外学者在基于数据驱动的FeO含量预测上做了许多相关的研究. 文献[19]和文献[20]分别利用BP神经网络和前馈神经网络建立FeO含量的预测模型, 由于上述网络存在过拟合和易陷入局部最小值的问题, 取得的预测效果并不理想. 文献[21]采用深度信念网络(Deep belief network, DBN)进行FeO含量的预测, 然而DBN作为一种深度网络, 需要大量训练样本且计算成本较高, 难以应用于实际的烧结过程中. 由于烧结过程具有动态性和时序性, 烧结矿的FeO含量不仅与当前的工艺参数有关, 同时受历史时刻的工艺参数影响, 这要求网络具有较强的时间序列数据处理能力. 循环神经网络(Recurrent neural network, RNN)在时间序列建模上展现了良好的性能, 但收敛速度慢、易陷入局部最小值和计算复杂度高等问题限制了其在实际工业过程中的应用[22-23]. 回声状态网络(Echo state network, ESN)作为一种特殊的RNN, 具有短期记忆的显著潜力, 并且对于非线性系统的动态预测表现出了良好的性能[24-26]. ESN的输入层和储藏层的权值采用随机值初始化的方式确定, 只有输出层的权值需要通过训练获得, 一定程度上避免了预测模型陷入局部极小值, 提高了学习速率.
然而, 作为一种数据驱动模型, ESN应用于烧结过程的FeO含量建模仍存在一定的局限性, 由于烧结过程热状态参数缺失, 且数据驱动模型对机理缺乏认知, 易致使模型的泛化能力不足, 而工业过程存在的变量漂移等问题也会导致模型的预测精度降低. 针对上述问题, 本文提出了一种将机理知识与数据驱动模型相结合的建模方法. 通过对烧结过程的传热机理进行分析, 建立了料层最高温度分布模型, 从而获取烧结过程的温度分布特征, 结合过程数据和专家经验, 挖掘过程数据中的专家知识, 实现基于数据知识的FeO含量等级划分. 获取的FeO含量知识用于对ESN模型输出函数的改进, 实现机理知识与ESN的融合, 降低了过程扰动和噪声对预测结果的影响, 同时提出了一种新的基于梯度的权重调整策略(Adaptive weight strategy)用于ESN输出权重的学习, 最终建立基于知识与AW-ESN (Adaptive weight echo state network)融合的烧结过程FeO含量预测模型—基于知识与变权重回声状态网络融合的模型 (Fusion of data-knowledge and adaptive weight echo state network, DK-AWESN). 基于某钢铁厂的烧结厂的实际生产数据验证了本文所提的基于知识与AW-ESN融合的烧结过程FeO含量预测方法的有效性.
图 1 烧结过程示意图
图 2 料层全时空最高温度分布
图 3 料层全时空温度分布图
本文提出了一种基于知识与AW-ESN融合(DK-AWESN)的烧结矿FeO含量预测方法. 在所提DK-AWESN中, 过程传热机理和专家经验中提取得到的知识与AW-ESN相结合, 实现了良好的FeO含量预测性能. 工业验证表明, 本文所建模型的命中率可达到86.67%, 模型预测精度受过程变量波动影响较小, 具有较好的泛化能力和建模精度. 通过统计分析, 利用均方根误差、命中率等统计指标对所提预测模型和其他数据驱动模型的预测精度进行对比. 结果表明, 所提方法有效提升了模型在复杂工况下的预测精度, 能够为烧结现场操作人员提供更可靠的信息, 从而提高烧结过程的调控能力和现场操作人员的操作准确率, 对实现烧结过程的稳定控制、提升烧结矿质量具有重要作用.
作者简介
方怡静
中南大学自动化学院博士研究生. 2016年和2019年分别获得中南大学学士学位和硕士学位. 主要研究方向为数据驱动的工业过程建模和控制, 工业过程数据分析和机器学习. E-mail: yijingfang@csu.edu.cn
蒋朝辉
中南大学自动化学院教授. 2011年获得中南大学博士学位. 主要研究方向为光电信息感知与图像处理, 人工智能与工业虚拟现实, 智能优化控制. 本文通信作者. E-mail: jzh0903@csu.edu.cn
黄良
中南大学自动化学院硕士研究生. 主要研究方向为工业过程建模与优化控制. E-mail: huangliangcsu@163.com
桂卫华
中国工程院院士, 中南大学自动化学院教授. 1981年获得中南矿冶学院硕士学位. 主要研究方向为复杂工业过程建模, 优化与控制应用, 故障诊断与分布式鲁棒控制. E-mail: gwh@outlook.com
潘冬
中南大学自动化学院讲师. 2021年获得中南大学控制科学与工程专业博士学位. 主要研究方向为红外机器视觉, 图像处理, 工业过程检测和控制. E-mail: panda@csu.edu.cn
转载本文请联系原作者获取授权,同时请注明本文来自欧彦科学网博客。
链接地址:https://wap.sciencenet.cn/blog-3291369-1423834.html?mobile=1
收藏