基于回归理论的烧结混合料加水参数估计

第43卷第3期

JournalofYanshanUniversity

燕山大学学报Vol郾43No郾3May2019

摇摇文章编号:1007鄄791X(2019)03鄄0238鄄06

基于回归理论的烧结混合料加水参数估计

吴岳明1,周纪平1,吴朝霞2,*

(1.宝钢股份上海梅山钢铁股份有限公司,江苏南京210039;2.东北大学秦皇岛分校控制工程学院,河北秦皇岛066004)

摘摇要:针对烧结混合过程加水量的控制参数未知,凭经验加水离散度大的问题,通过现场采集各配料仓实时物料下料量、加水流量和混合料水分百分含量测量值,基于多元线性回归理论,对各物料加水参数进行估计,建立加水回归模型。之后,现场采集选取样品,按照配料工艺的物料配比进行配料,并依据模型计算的加水量进行加水,再用烘干称重法获得所配混合料的水分百分含量值。结果表明,按所估计加水参数混合后的混合料水分含量与目标水分含量相比误差小于依0.3%,标准偏差小于0.3%,并进一步通过现场实验,证明所构建的加水预测控制模型可以满足工艺控制要求。

关键词:混合料水分;加水参数;多元线性回归;烘干称重法

中图分类号:TP273摇摇文献标识码:A摇摇DOI:10.3969/j.issn.1007鄄791X.2019.03.007

0摇引言

烧结混合料水分百分含量的稳定控制对于烧结生产十分重要,混合料水分会直接影响混合过程的制粒效果[1]。除此之外,混合料水分还会间7.5%左右的范围内时才会有最佳的烧结生产效率[2]。

烧结加水混合过程是一个典型的流程工业过接影响到烧结生产效率,只有将其控制在7%~

型的设计带来巨大的挑战。

多年来,许多专家学者针对上述工艺过程,进行了广泛的调研和研究实验,考虑到这是一个具有典型较大纯滞后环节的流程工业过程,前馈预测控制是一个基本有效方法。1995年,金伟博士提出了以物料平衡和热量平衡为依据,建立加水模型,采用模糊集合理论建立了模糊前馈预测模孙乐等人将神经网络模型应用到混合料水分的前馈控制研究上,对其进行了有益的探索[4]。2011年,陈略峰等针对烧结混合制粒过程存在原料流量波动和时滞的问题,提出一种原料工况自适应的水分前馈串级控制方法[5]。2013年,LiGuo等通过机理分析和工艺参数的相关性,建立了RBF神经网络渗透率模型,结合渗透性综合评价模型,建立了基于渗透性的烧结混合料水分智能控制方法[6]。2016年,蔡洪岩对前馈模型中的各个物料含水量进行了参数辨识的研究,并对前馈控制模型的修正进行了仿真实验[7]。

多元线性回归分析可以根据历史的样本数型,并且进行了实际应用的实验总结[3]。2003年,

程,对于加水过程而言,从加水到混合,再到最后的水分含量检测大约需要十分钟左右的时间。目前,大多数工厂针对该工艺的操作,仍完全或部分采用人工目测来观察出口物料的含水量,并根据各原料的下料量和总配料量凭借经验估计加水量。每次调整加水量后,还必须等待观察数分钟或数十分钟的时间,再确定是否需要进行下一步的调整。如此的大滞后调节,常会因为经验不足、操作失误或调整不及时等问题,使得混合料水分波动较大,造成烧结机生产不稳定,效率下降。也正是因为该工艺过程的大滞后性,给自动控制模

摇摇收稿日期:2018鄄11鄄30摇摇责任编辑:孙峰

基金项目:河北省自然科学基金资助项目(F2017501041);中央高校基本科研业务费资助项目(N172304030)

摇摇作者简介:吴岳明(1972鄄),男,湖南汨罗人,工程师,主要研究方向为冶金电气设备及自动化;*通信作者:吴朝霞(1969鄄),女,浙江嘉兴人,博士,教授,主要研究方向为光电检测技术、数据建模、人工智能,Email:ysuwzx@126.com。

第3期吴岳明等摇基于回归理论的烧结混合料加水参数估计摇239

据,建立多元线性回归的预测模型,从而在不需要未来样本数据的情况下,预测未来时刻多元线性回归模型中的回归参数[8]在许多领域都有所应用,在实际生产生活中发挥。近年来,其理论方法了重要作用[9鄄16]变量和因变量之间没有严格的。回归分析在很多情况下虽然自、确定性的函数关系,但可以设法找出最能代表它们之间关系的数学表达形式。可以认为烧结混合加水过程正是这样的一个由多种物料输入,且各物料加水参数未知的这样一个系统。考虑当各物料波动在小范围内,物料与加水量之间是一个近似线性关系,所以可以认为将多元线性回归的方法应用于加水参数估计上是可行的。

本文根据梅钢炼铁厂4号烧结机的各配料仓下料量、加水流量和水分测量值的在线测量数据,选取水分测量值为7%左右的实测数据,将多元线性回归算法应用于烧结混合过程各物料加水参数估计,之后建立回归方程,并分别利用传统烘干称重法和现场实验对所完成的加水回归模型进行验证。

1摇烧结混合料加水模型

加水混合过程是烧结工艺原材料准备的过程,其工艺流程如图1所示。

图1摇加水混合工艺流程

Fig.从图1摇1The中可以看出processflow,of加水混合过程首先是将

addingwaterformixing

按比例要求配好的原料利用传送皮带运到混合机,同时根据配料量加入适量的水进行混合,混合机一边加水一边旋转,使混合料充分混合,在第一次混合完成后,再经过第二个混合机的混合制粒作用,使原料完全混合并达到所需要的含水量及粒度要求。

根据工艺流程分析可知,影响加水量大小主

要因素有物料量、物料含水量、目标含水量。因此加水量的计算公式也要涉及到这些变量,其中物料含水量是整个加水模型的基础,根据物料守恒有

M=

移n

i=1

Ki·Wi+F

移ni=1

Wi+F

,(1)

式中,M为混合料水分检测值,Wi为每种物料的质量,F为加水量,Ki为每种物料的含水量,i为某种物料序列数,n为全部物料的总数。

式(1)中,分母为混合料的总质量,分子为混合料中总共含水的质量。每种物料量的质量Wi可以通过每个配料仓下料时的皮带称计量得到,含水量M是二次混合机出口处的水分测量仪测量得到,加水量则是通过电磁流量计的测量显示得到。实际生产中可以将式(1)转换为

n

M移i=1

Ki+FQ

m=

·Wi移ni=1

Wi+FQ

,(2)

式中,FQ为前馈加水量,Mm为水分含量设定值,Wi为每种物料的质量,Ki为每种物料的含水量,i为某种物料序列数,n为全部物料的总数。

将式(2)进行整理,可得

n

n

FQ=

Mm移i=1Wi-1-移i=1

KiM·Wim

,(3)

式中,FQ为前馈加水量,令k=M1-m-MKi

m

,可将式(3)化简为

FQ式中,k=k1W1+k2W2+…+knWn。

(4)

W1,k2,…,kn为各物料加水参数,W1,W2,…,n为各物料质量。

式(4)就是自动预测加水控制的基础,加水量的计算是由各个物料配料量的测量值和加水参数值确定,由此需要通过多元线性回归方法估计加水参数。

2摇多元线性回归法加水参数估计

2.1摇数据的获取

为了对烧结混合料水分控制和混合料水分值

摇240燕山大学学报

2019

与配料量和加水量之间的关系进行深入的研究,需要将每一种物料的配料量、混合料加水量以及水分测量值等相关的实测数据进行采集。数据已经预先从梅钢炼铁厂烧结分厂4号烧结机混合料工艺现场采集完毕,此处不再赘述采集过程。该配料车间有19个物料配料仓,每一个仓沿着传送带一线排开。物料名称以及对应的物料仓号如表

1所示。

表1摇物料名称和物料仓号Tab.1摇Materialnameandbinnumber

物料名称物料仓号混匀矿1、2、3、4、5、6

焦炭7煤粉8石灰石9、10白云石11、12高炉返矿13、14内返矿15粉尘16、17生石灰

18、19

摇件打开摇用,MATLAB并将每一种量的数据放在相应列向量中将某时刻的实测数据的二进制文,

各料仓下料瞬时量数据如表2所示。

表2摇各料仓下料瞬时量

Tab.2摇Instantaneousdischargeofeachbin

t/h

料仓号下料量料仓号下料量料仓号下料量12号仓0

83号仓42.9号仓4号仓46.310号仓

1.8.96

1516号仓18.5号仓37.511号仓10.17号仓4.920

86号仓0512号仓07018号仓19号仓8.8.647号仓号仓

5.0213号仓14号仓号仓15.01号仓

2.2摇数据的预处理

参数估计和建立回归模型需要一定量的数据,采集完的数据不能立刻作为模型的样本,因为此时的数据包括停料、状态不稳定等情况,所以要对这些数据进行预处理。数据预处理的几个步骤主要如下:

1)在现场实际生产中删除停料、开始下料的环节

,有时候因为检修、调整配

料比等情况,会存在停料或状态不稳定的情况。根据烧结工艺,当加水量小于某一个值时,或者短时间内加水量出现急剧的增加或者减少,可以认为是停料,可以将停料时采集的所有的数据删除。

2)在删除停料等工况不稳定情况时的数据之

删除坏点

后,还有要注意的一点是,要将不合理的点删除,这些不合理的点俗称坏点。本文采用的一种有效的去除坏点的方法是莱达因准则,这种方法可以有效地避免人为过于主观的去除坏点,好处就是尽量地减少误差,即测量的数据误差大于3滓的数据出现的概率小于0.03,滓为误差的标准差,根据概率论与数理统计的相关知识,小概率事件仅为一次实验其概率近似为零,当小概率事件发生,完全可以认为那个点就是坏点。也就是说,误差大于3滓的数据为坏点,应予以剔除。2.3摇多元线性回归加水预测模型

多元线性回归是在线性相关条件下,两个或两个以上自变量对一个因变量的数量变化关系[17]多元线性回归加水预测模型以式(4)为基础。

,

加水控制模型是一个线性的模型,结合在工厂所采集的数据,在进行数据预处理后,建立多元线性回归模型:

y=茁式中,茁0+茁1x1+…+茁pxp+着,

(5)

0,茁1,…,茁p是p+1个未知参数,着是不可测的随机误差,y为被解释变量(因变量),x为解释变量(自变量)。

模型的建立,即在确定的具体结构的基础上,通过在工厂大量采集的实测数据并对相关的数据进行预处理后,应用数理统计的方法求得茁…,0,茁1,x茁p的估计值使生产过程中可以根据自变量x1,2,…,现场采集大量数据xm预测出因变量y的值。

,并经过删除停料、下料环节,

删除坏点等预处理操作后得到一批数据,yy;x1,y2,…,n11,…,xmnìy茁。在此基础上,可以得到下列方程组:ï1=0+茁1x11+茁2x12+…+茁px1p+着ïí

y+茁+…+茁1ï2=茁01x21+茁2x22px2p+着2

ïïïî左,(6)yn=茁0+茁1xn1+茁2xn2+…+茁pxnp+着n

通过求解方程,最终确定回归方程为

E(y)=茁x在本文中茁1+…+茁pxp。

(7)

项,茁0为加水量预测回归模型的常数

0+茁1有91种物料,茁2,…,,所以茁p代表各物料的加水参数,本文共p=9,接着选取水分测量值为

7%的样本数据进行回归分析,最终的加水参数估第3期吴岳明等摇基于回归理论的烧结混合料加水参数估计摇241

计值如表3所示。

表3摇加水参数估计值

Tab.3摇Estimateofadditionparameters

物料名称加水参数物料名称加水参数混匀矿0.001高炉返矿0.001生石灰0.332粉尘-0.032石灰石0.136煤粉0.279白云石0.044焦炭-0.043内返矿

0.127

常数项

5.293

摇摇y得到回归预测模型为

0=.0445.293x+0.001x1+0.332x2+0.136x3+4+式中,y为混合过程加水量00..279127xx5+0.001x6-0.032x7+

8-0.043x,5.2939。

为多元线性回归(8)

预测模型的常数项,x生石灰、石灰石、白云石1,、x内返矿2,…,x、9分别代表混匀矿、

高炉返矿、粉尘、煤粉和焦炭的物料瞬时流量数值,通过各物料的瞬时流量可以计算出混合过程所需要的加水量。

3摇加水参数的验证

为了分析回归模型所估计出来的加水参数的可行性,本文采用烘干称重法进行验证。首先根据已经获得的多元线性回归模型的加水参数和建立的加水回归方程,分5次按照配料工艺的物料配比要求取一定量的各种原料作为样本,然后按照回归方程计算出加水量,混合搅拌后得到混合料。接下来通过湿料称重、烘干,再继续进行干料称重等一系列步骤,最后计算出混合料的水分含量值。5个样本的取样质量数据如表4所示,加水量、烘干前后质量和混合料水分含量的计算数据如表5所示。

表4摇5个样本各物料的取样质量

Tab.4摇Thesampleweightofeachmaterialforfivesamples

g

物料名称样本一样本二样本三样本四样本五混匀矿16002000140018001500生石灰8090728588石灰石480490480480480白云石5060555560内返矿380380378378385高炉返矿250260240245255粉尘3040403538煤粉4050384546焦炭

80

90

80

80

85

表5摇5个样本加水量、烘干前后质量和混合料水分含量Tab.5摇theThemoistureweightcontentofwater,weightofthemixturebeforeofandfiveaftersamples

dryingand

物料名称样本一样本二样本三样本四样本五加水量/g

156.2

163.77

152.42

159.26

161.04

混合后总质量/g3146.203623.772935.423362.263098.04烘干后总质量/g2920.33360.322737.283136.992874.36水分含量/%7.187.276.756.707.22与目标值误差/%

0.18

0.27

-0.25

-0.3

0.22

摇回归模型计算的加水量进行加水并烘干验证摇从以上数据分析可知,5个样本按照多元线性,最终的混合料水分含量分别为7.18%、7.27%、

6.分别75%为、6.0.70%18%、7.、0.22%27%,与目标值、-0.25%7%、-相比0.3%,误差和0.要求22%。

,标准偏差为0.2754%,符合工艺指标利用烘干称重法验证多元线性回归模型后,还将预测模型放在烧结混合料加水控制系统中,并与人工手动加水进行了对比实验。人工手动控制加水时的加水量和混合料水分测量记录曲线如图2所示,采用了本文构建的回归预测模型进行自动控制加水时的记录曲线如图3所示。图2摇人工加水过程加水流量和水分含量检测值数据曲线

Fig.2摇Curveofwaterflowandwatercontentin

摇分仪检测的数据手动开大或关小阀门摇由图2可知manual,人工手动控制加水量是根据水wateraddingprocess

,实现加水流量的改变,加水流量曲线呈阶梯型曲线,导致混合料水分测量值波动较大。由图3可知,利用回归模型进行加水流量控制时,系统可以自动根据配料量与加水系数计算出加水量并进行实时调整,使得混合料水分含量检测值波动范围小于

摇242

燕山大学学报

2019

水流量控制可以保证混合料水分波动在工艺指标依0.3%,且比较稳定。因此利用回归模型进行加

要求的范围内。

图3摇利用回归模型进行加水加水流量和水分含量

检测值数据曲线

Fig.3摇Curvevalueofwaterbyusingflowrateregressionandwatermodels

contentdetection

4摇结论

本文结合实际烧结生产中混合料加水工艺流程,基于物料平衡原理建立混合加水模型,并以多元线性回归理论为基础,由构建的回归模型计算出加水参数的估计值。采用烘干称重法进行了验证,结果表明依据回归模型计算出的加水量进行配料和加水,混合后得到的混合料水分含量与工艺目标值7%相比误差小于依0.3%,标准偏差小于

0.线性回归方法计算的加水参数估计值和所构建的3%。通过进一步的现场实验,验证了基于多元加水量回归预测控制模型可以满足工艺控制的指标要求。所述方法具有理论参考意义和实际应用价值。

参考文献

眼1演李宗平熏孙英熏陈猛胜熏等.烧结混合加水专家控制模型研究和

实现眼J演.烧结球团熏2010熏35穴2雪押26鄄29.

LIexpertZP熏SUNY熏CHENMS熏etal.Researchand眼2演Sinteringcontrol邬鹏程.烧结混合料水分检测与控制的研究andPelletizing熏modelfor2010熏water35穴addition2雪押26鄄29.

insinteringrealizationprocess眼J演.of眼D演.沈阳押东北大

学熏2012.

WUsinterPmixtureC.Research眼D演.Shenyang押onmeasurementNortheasternandUniversity熏controlof2012.

moisturein眼3演阳金伟押东北大学.复合式粉体水分仪及烧结混合料水分智能控制熏1995.

眼D演.沈

JINmoistureW.Complexonsinteringpowdermoisturemixturemeter眼D演.andintelligentcontrolof眼4演University熏孙乐连工业大学学报熏金伟1995.

Shenyang押Northeastern.神经网络在烧结混合料水分控制中的应用熏2003熏22穴3雪押211鄄213.

眼J演.大

SUNsinterL熏JINW.NeuralnetworkDalianappliedPolytechnicinmoistureUniversity熏control2003熏

for眼5演22穴陈略峰3雪押mixture211鄄213.

眼J演.Journalof分控制系统熏吴敏眼J演.熏曹卫华计算机与应用化学熏等.原料工况自适应的烧结混合制粒水

熏2011熏28穴7雪押816鄄820.CHENadaptiveL眼J演.basedF熏WUComputersmoistureM熏CAOandcontrolWH熏etal.Rawmaterialconditions鄄AppliedsystemChemistry熏forsintering2011熏granulation816鄄820.

process28穴7雪押

眼6演LImoistureG熏ZHANGbasedGM熏onLINGRBFX.modelIntelligentofpermeabilitycontrolofsintering眼J演.Appliedmixture

眼7演Mechanics蔡洪岩.烧结混合料水分智能控制应用与自学习建模研究andMaterials熏2013熏437押686鄄689.沈阳押东北大学熏2016.

眼D演.

CAIsinterHmixtureY.Intelligentmoisturecontrol眼D演.Shenyang押andresearchNortheasternofself鄄learningUniversity熏model2016.

in眼8演王惠文天大学学报熏孟洁熏.2007熏多元线性回归的预测建模方法33穴4雪押500鄄504.

眼J演.北京航空航

WANGregressionHW熏Astronautics熏眼J演.MENG2007熏JournalJ.33穴4雪ofPredictive押Beijingmodeling500鄄504.

UniversityonofmultivariateAeronauticslinearand眼9演王金甲功率预测熏彭汝佳眼J演.燕山大学学报.在线自适应熏LASSO2018熏42穴罚向量自回归模型的风电

6雪押532鄄538.

WANGautoregressiveJJ熏PENGYanshanUniversity熏modelRJ.2018熏forAnwindonline42穴6雪poweradaptive押532鄄538.predictionLASSO眼J演.penaltyJournalvectorof眼10演周晨区需水量分析熏冯宇东熏眼J演.肖匡心数学的实践与认识熏等.基于多元线性回归模型的东北地

熏2014熏44穴1雪押118鄄123.ZHOUrequirementC熏FENGYD熏XIAOKX熏etal.Researchonwatermodel眼J演.MathematicsinNortheastinareaPracticebasedonandmultipleTheory熏linear2014熏regression44穴1雪押眼11演乐爱平118鄄123.

归模型熏构刘威建熏与李建林应用研熏等究.医疗机构临床用血量多元线性回

眼J演.中国输血杂志熏2015穴8雪押1034鄄1037.

LEmultipleAP熏LIUmedicalregressionW熏LImodelJL熏etonal.Establishmentandapplicationof1034鄄1037.

institutions眼J演.ChinclinicalJBloodusageTransfusion熏amountof2015blood穴8雪in押

眼12演赵谞博预测方法熏赫英迪眼J演.燕山大学学报熏李信政熏等.熏2017熏基于支持向量回归的人体血压

41穴5雪押438鄄443.

ZHAOXB熏HEYD熏LIXZ熏etal.Predictingmethodforhuman

第3期

University熏2017熏41穴5雪押438鄄443.

吴岳明等摇基于回归理论的烧结混合料加水参数估计摇243

bloodpressurebasedonSVRalgorithm眼J演.JournalofYanshan眼13演李海红熏巩雪松熏同帜.多元线性回归预测模型在农村生活垃

圾产量预测中的应用眼J演.西南农业学报熏2010熏23穴4雪押1325鄄1328.

眼15演尹慧敏.基于波长组合的多元线性回归在近红外光谱波长优

选中的应用眼J演.红外熏2010熏31穴10雪押30鄄35.

YINHM.Applicationofmultiplelinearregressionbasedonwavelengthcombinationsinnear鄄infraredspectralwavelengthop鄄timization眼J演.Infrared熏2010熏31穴10雪押30鄄35.

LIHH熏GONGXS熏TONGZ.MultiplelinearregressionpredictionmodelappliedtoproductionforecastofruralhouseholdSciences熏2010熏23穴4雪押1325鄄1328.

solidwastes眼J演.SouthwestChinaJournalofAgricultural

眼16演WINALYTRAI熏NUGROHOASB熏TRIWIYONOA.Cost

linearregressionandartificialneuralnetwork眼J演.Applied眼17演林彬.多元线性回归分析及其应用眼J演.中国科技信息熏2010

穴9雪押60鄄61.

LINB.Multiplelinearregressionanalysisanditsapplication眼J演.ChinaScienceandTechnologyInformation熏2010穴9雪押60鄄61.MechanicsandMaterials熏2018熏881.

estimationmodelfori鄄girderbridgesuperstructureusingmultiple

眼14演KONGYS熏ABDULLAHS熏SCHRAMMD熏etal.Developmentof

multiplelinearregression鄄basedmodelsforfatiguelifeevaluationProcessing熏2019熏118押675鄄695.

ofautomotivecoilsprings眼J演.MechanicalSystemsandSignal

Wateradditionparameterestimationofsintermixture

basedonregressiontheory

穴1.BaosteelShanghaiMeishanIronandSteelCo.Ltd.熏Nanjing熏Jiangsu210039熏China鸦

WUYueming1熏ZHOUJiping1熏WUZhaoxia2

2.SchoolofControlEngineering熏NortheasternUniversityatQinhuangdao熏Qinhuangdao熏Hebei066004熏China雪

Abstract押Inviewofthefactthatthecontrolparametersofthewateradditionamountinthesinteringmixingprocessareunknown熏andthedispersioncausedbytheartificialexperienceaddingwaterislarge熏inthispaper熏thewater鄄addingparametersofmaterialsareestimatedandawater鄄addingregressionmodelisestablishedbycollectingthereal鄄timematerialamountineachbatchingbin熏waterflowrateandmixturemoisturemeasurementvaluebasedonthemultiplelinearregressiontheory.Afterthat熏thesamplesarecollectedonthespot熏andthemixtureisproportionedaccordingtothematerialproportionoftheproportioningprocess熏andthewaterandweighingmethod.Theresultsshowthattheerrorofmixturemoisturecontentaftermixingaccordingtotheestimatedwateraddingparametersislessthan依0.3%andthestandarddeviationislessthan0.3%comparedwiththetargetmoisturecontent.control.

isaddedaccordingtotheamountofwatercalculatedbythemodel熏thenthemoisturecontentofthemixtureisobtainedbydrying

Furthermore熏thefieldapplicationtestshowsthatthepredictioncontrolmodelofwater鄄addingcanmeettherequirementsofprocessKeywords押mixturemoisture鸦addingwaterparameters鸦multiplelinearregression鸦dryingandweighingmethod