一种直流矿热炉先进控制系统的制作方法

本发明涉及冶炼矿热炉，具体而言，尤其涉及一种直流矿热炉先进控制系统。

背景技术：

1、当前，冶炼用直流矿热炉因其节能效果明显且吃粉料适应性好，逐渐被采用，新型的直流矿热炉结构是正负电极均垂直炉膛布置的形式，设计生产容量巨大，有的容量甚至接近100mva，一般采用数量与冶炼电极对数相等的三相整流变压器和整流柜相连，将交流电整流成直流电后，经正负电极将电能量以直流的形式注入矿热炉内，工艺操作人员根据炉况选定某根电极进行升降操作，在与生产目标偏差较大时通过对整流变压器进行升档降档来完成调整，综合来看使用变压器调档实现粗调而通过电极升降实现微调，在调整的过程中力求正负电极电参数平衡，但由于正负电极焙烧和发热效果不同导致实际生产过程中正负电极电气参数很难平衡，波动较大，耗电量依工艺操作人员的操作手法不同而迥异，在极度不平衡的情况下还会影响炉体结构，对砌筑耐材和炉底造成破坏，严重影响矿热炉寿命，造成严重的经济损失。

2、生产炉况与正负电极插入深度密切相关，控制电极插深是保证炉况稳定的主要手段，电极插入炉料内进行埋弧冶炼，电极端头不断消耗，实际的插深难以测量，工艺操作人员需根据电极电流、电压、有功、炉体温度、烟气温度等很多参数大致预估电极插深采用经验法操作，因此为了得到真实的插入深度，生产人员需每隔1～2天停电测量真实插深，有的是通过插钢钎根据角度计算有的则是直接将电极全部拔出测量完毕之后再重新插入炉内，在生产过程中仍是难以精确测量。综上所述，有待建立快速准确的软测量系统，以提供实时电极插深信息，实现矿热炉稳定控制，保证产品质量。

技术实现思路

1、有鉴于此，本发明的目的在于提出一种直流矿热炉先进控制系统，以解决现有直流矿热炉正负电极插入深度无法测量的技术问题。

2、本发明采用的技术手段如下：

3、一种直流矿热炉先进控制系统，包括传感器单元、数据采集单元、中央处理单元、人机交互单元、模型预测控制单元、数控输出单元和执行机构单元；

4、所述传感器单元对直流矿热炉生产过程中的若干物理数据参量进行感知检测，并将感知到的信息按照一定规律变换成电信号进行输出至数据采集单元；

5、所述数据采集单元按照毫秒级的扫描周期对传感器单元输出的电信号进行采集，使用防抖、滤波、钝化方法对采集到的信号进行数据处理，提高数据的可利用性，随后将采集到的数据输出至中央处理单元；

6、所述中央处理单元将从数据采集单元收集到的信号按秒级周期循环执行逻辑控制处理，随后将处理后的实时信息传送至人机交互单元供工艺操作人员查看，并接收人机交互单元发过来的控制指令进入中央处理单元的逻辑控制；中央处理单元发送直流矿热炉生产过程数据至模型预测控制单元进行模型预测控制数据计算，随后模型预测控制单元将计算结果信息返送至中央处理单元；中央处理单元将收到的计算结果信息进行处理并调整生产工艺控制策略，通过数控输出单元将控制信号传送至执行机构单元；中央处理单元同时依据在人机交互单元人工设定的若干物理数据参量上下限保护值对直流矿热炉设备进行保护，在超限时进行反向调节指令输出或者严重超限时切断整流变压器供电主回路指令输出至数控输出单元经执行机构单元，实现保护动作；

7、所述人机交互单元将从中央处理单元接收到的信息进行实时显示，并将工艺操作人员的控制指令发送至中央处理单元；

8、所述模型预测控制单元在中央处理单元中获取直流矿热炉生成过程数据，进行直流矿热炉生产过程的模型预测控制，在单次模型预测控制计算任务完成以后，以分钟级周期将预测计算成果信息反向传送回中央处理单元；

9、所述数控输出单元实时接收中央处理单元发出的控制指令，按毫秒级刷新输出变化控制信息，实时调节输出变化，并将信息转换成若干物理信号传送至执行机构单元；

10、所述执行机构单元接收数控输出单元发来的若干物理信号，完成直流矿热炉生产过程中的各种设备动作。

11、进一步地，所述中央处理单元包括：

12、gpc单元，所述gpc单元接收冶炼功率设定值与实时功率值的偏差值、矿热炉电极电压/电流/有功功率、电极插深软测量值和干扰变量作为输入变量，所述gpc单元输出电极插深偏置和档位偏置量至电极升降/档位控制器作为输出变量；

13、电极升降/档位控制器，所述电极升降/档位控制器接收电极插深偏置和档位偏置量，并基于电极插深偏置和档位偏置量生成相应的控制信号发送至矿热炉；

14、矿热炉，所述矿热炉接收控制信号并执行控制，所述矿热炉将矿热炉的电气参数和工况参数发送至pca单元，所述矿热炉将矿热炉电极电压/电流/有功功率发送至gpc单元；所述矿热炉输出实时功率值；

15、将实时功率值与冶炼功率设定值做差，生成冶炼功率设定值与实时功率值的偏差值发送至gpc单元；

16、进一步地，所述模型预测控制单元包括：

17、pca单元，所述pca单元对接收的电气参数和工况参数进行降维处理，并将低维度数据发送至bpn单元；

18、bpn单元，所述bpn单元接收低维度数据并基于低维度数据对电极插深进行软测量计算，生成电极插深软测量值发送至gpc单元。

19、进一步地，所述干扰变量包括炉底温度、烟气温度、o2含量和h2含量。

20、进一步地，所述gpc单元的计算方法如下：

21、s1、针对受到随机干扰的对象，采用最小方差控制中所用的受控自回归积分滑动平均模型：

22、a(q-1)y(k)＝b(q-1)u(k-1)+c(q-1)ξ(k)/δ

23、式中：a(q-1)＝1+a1q-1+…+anq-n，b(q-1)＝b0+b1q-1+…+bmq-m，c(q-1)取值为1；

24、其中，q-1是后移算子，表示后退一个采样周期的相应的量；δ＝1-q-1为差分算子；ξ(k)是一个不相关的随机噪声序列，表示一类随机噪声对系统的影响；y(k)为输出变量，u(k)为输入变量，d(k)为干扰变量；通过整流变压器调档实现粗调而通过电极位置升降实现微调；

25、s2、对输出变量y(k)、输入变量u(k)和控制增量δu(k)进行控制约束，δu(k)为当前采样周期的输入变量与上一个采样周期的差值，ymin(k)≤y(k)≤ymax(k)，umin(k)≤u(k)≤umax(k)，δumin(k)≤δu(k)≤δumax(k)；

26、s3、假定预测长度为j，则该系统在k+j时刻的输出预测模型为：

27、a(q-1)y(k+j)＝b(q-1)u(k+j-1)+ξ(k+j)/δ

28、采用diophantine方程获得k+j时刻的系统输出预测值ym(k+j)，diophantine方程如下：

29、1＝a(q-1)δej(q-1)+q-jfj(q-1)

30、式中，ej(q-1)，fj(q-1)是由a(q-1)和预测长度j唯一确定的多项式，取e1＝1，作为ej，fj的初值，则经公式推导可得：

31、

32、ej+1＝ej+ej+1,jq-1＝ej+fj,0q-1

33、

34、其中，

35、s4、设k时刻被控量设定值为sp，实际跟踪的是柔化后的设定值wk，对象输出期望值采用如下的参考轨迹：

36、w(k)＝y(k)

37、w(k+j)＝αw(k+j-1)+(1-α)sp

38、其中，0＜α＜1；

39、s5、使k+j时刻的预测输出尽量接近参考轨迹w(k+j)，则k时刻优化目标为：

40、

41、其中，e为数学期望；w为输出的期望值；n1,n2为优化时域的始值和终值；nu为控制时域；λ(j)为控制加权系数，一般取常数λ；

42、s6、对二次型目标函数j(k)进行极小化，令得到控制律如下：

43、δu＝(gtg+λi)-1gt(w-h)

44、其中，i为单位矩阵；

45、

46、其中，gj,i＝gi+1(i＜j)是阶跃响应系数；w＝[w(k+1)…w(k+n)]t；

47、h＝[h1…hn]t，其中：

48、h1(t)＝[g1(q-1)-g1,0]δu(t)+f1y(t)

49、h2(t)＝q[g2(q-1)-q-1g2,1-g2,0]δu(t)+f2y(t)

50、

51、hn(t)＝qn-1[gn(q-1)-q-(n-1)gn,n-1-…-gn,0]δu(t)+fny(t)

52、s7、设gt为(gtg+λi)-1gt的第一行，则k时刻的即时控制增量为：

53、δu(k)＝gt(w-h)

54、s8、将控制量u(k)＝u(k-1)+δu(k)作用于系统，完成本步的控制。

55、进一步地，s2具体包括：

56、根据正负电极升降驱动液压缸行程的3％和97％位置点设定为电极位置的下限和上限；以正负电极位置的平均值为基准，设定正负电极的不平衡度上限为35％，在正负电极位置值完全相等时不平衡度数值为0，不做下限设定；正负电极位置单次调整量上限设定为12mm，不做下限设定；根据整流变压器二次侧的档位配置设定整流变压器档位的下限和上限，当档位为最低档和最高档时，不再向边界调节只能向档位保护限内调节；整流变压器单次调整量上限设定为1档，不做下限设定；以整流变压器二次侧整流后的额定电流作为电极电流的上限，额定电流的30％设定为电极电流的下限，判定为电极断裂，程序控制退出mpc电极自动调节改至工艺手动操作；以整流变压器二次侧整流后的额定电压的2/3倍数值作为电极电压的上限，额定电压的20％设定为电极电压的下限，直流矿热炉生产过程异常情况出现，程序控制退出mpc电极自动调节改至工艺手动操作；以正负电极的电压平均值为基准，设定正负电极的电压不平衡度上限为30％，在正负电极电压值完全相等时不平衡度数值为0，不做下限设定；以整流变压器二次侧额定功率的70％倍数值作为电极功率的上限，不做下限设定；以正负电极的功率平均值为基准，设定正负电极的功率不平衡度上限为30％，在正负电极功率值完全相等时不平衡度数值为0，不做下限设定；炉底温度和烟气温度的上限分别设定为550℃和850℃，不做下限设定；烟气中氧气含量和烟气中氢气含量上限分别设定为0.5％和8％，不做下限设定。

57、进一步地，所述gpc单元的程序执行流程如下：

58、t1、初始化程序；

59、t2、根据最新的输入输出数据，用递推最小二乘法估计模型参数，得到a(q-1)和b(q-1)；

60、t3、根据得到的a(q-1)，按递推公式计算e(q-1)和f(q-1)；

61、t4、根据b(q-1)、e(q-1)和f(q-1)计算g(q-1)的元素gi，并计算h；

62、t5、计算出gt，并计算控制作用偏差δu(k)；

63、t6、将控制量u(k)＝u(k-1)+δu(k)作用于控制系统，本周期输出调节完毕，跳转至t2循环执行。

64、进一步地，所述pca单元的降维处理步骤如下：

65、获取电气参数和工况参数，组成原始矩阵；

66、对电气参数和工况参数进行特征维度数据零均值化处理，即将每个特征维度的数据减去该特征的均值，得到采样特征；

67、求取采样特征的协方差矩阵；

68、计算协方差矩阵的特征值及其对应的单位特征向量；

69、将特征向量按特征值从大到小排序；

70、选取对整体特征贡献率较大的前k个特征值所对应的特征向量；

71、按照前k个主成分累积方差贡献率＞0.85截取；之后将这k个特征向量作为行向量组成降维矩阵；

72、将降维矩阵左乘原始矩阵，降维完毕。

73、进一步地，bpn单元中，用bp反向传播神经网络对主元变量建立软测量模型；

74、bp反向传播神经网络包括输入层a、隐含层b、输出层c，bp反向传播神经网络输入层的传递函数采用线性函数，隐含层、输出层的激活函数采用leakyrelu函数；采用广义δ算法进行训练，误差采用标准误差，网络权值的初始分布采用正态分布。

75、进一步地，bpn单元的软测量计算方法如下：

76、p0、初始化程序；

77、p1、在-1～+1之间给权重vij和wij随机赋值，在广义6规则中，所有隐含层与输出层的阈值必须为1，即t(2，j)＝t(3，k)＝1；

78、p2、将输入矢量ii送入神经元网络，根据下式计算1层的输出：

79、xi＝ii-t1i＝ii-0＝ii

80、

81、其中，γ取值为0.001进行初始测试；

82、p3、已知1层的输出，用下式计算2层的输出：

83、

84、其中，f()为leaky relu函数；

85、p4、已知2层的输出，根据下式计算输出层的结果：

86、

87、p5、对于送入输出层的m个训练模式继续p1～p4，根据下式计算总的平方误差e：

88、

89、其中m为送入输出层的训练模式数，n为输出层的处理单元数，为第m个训练模式在第k个处理单元上的期望输出值；

90、

91、其中，f()为leaky relu函数：

92、

93、leaky relu函数的偏微分为：

94、

95、xk是输出层第k个节点输入的加权和，即对于第m次训练过程：

96、

97、对于第m个训练模式，是隐含层第j个元素的输出值，是输出层的阈值；

98、p6、已知第m个模式，用下式计算即前隐含层第j个处理单元的梯度下降项：

99、

100、

101、leaky relu函数的偏微分为：

102、

103、p7、已知隐含层的和输出层的用下式计算权重变化：

104、

105、

106、其中，η为学习速率，为动量系数；α在0＜α＜1的范围内；因此，动量项和是前次迭代权重变化的分数值；

107、p8、已知权重变化，根据下式计算权重：

108、

109、

110、其中，是输入层第一个i元素与隐含层次第j个元素之间第m次迭代训练的连接权重；是隐含层第j个元素与输出层第k个元素之间第m次迭代训练的连接权重，对所有训练模式，重复步骤p2～p8，直至平方误差为0或者小于规定值为止。

111、较现有技术相比，本发明具有以下优点：

112、本发明bp网络隐含层、输出层的激活函数采用leakyrelu函数。leakyrelu函数相比于标准应用的sigmoid函数，不存在在输入值很大或者很小时其梯度极其接近于0的问题，可以避免梯度消失问题，有助于训练深层网络。leakyrelu函数的计算相对简单，只需要判断输入是否大于0，因此在实际应用中的计算速度较快，同时函数的导数在正区间上是常数，这使得梯度下降更加稳定和快速。leakyrelu函数会使一部分神经元的输出为0，增加了网络的稀疏性，有助于减少过拟合。leakyrelu为负输入赋予一个小幅度的斜率，不存在负输入导致的梯度消失问题，这对于深度网络特别有用，因为它可以防止某些神经元在整个训练过程中始终处于关闭状态。leaky relu确保了即使输入为负，也有一定的梯度，这有助于改善网络的训练效率和稳定性。

113、本发明基于最小方差控制中的受控自回归积分滑动模型，但对模型的要求不高；本发明采用滚动优化策略，在有限时域内滚动计算，以局部优化取代全局最优；本发明利用实测信息在线估计模型参数进行反馈校正，增强控制的鲁棒性；本发明软仪表技术的应用解决了电极插深检测难题，不需要精心维护，动态响应迅速，对过程输出或不可测扰动之外的干扰不敏感，能够连续的给出指示数值。