第七章高炉过程数学模型概述资料

即高炉过程存在大量模糊信息
数学模型无能为力
操作者凭经验可处理
现场人员不喜欢用数学模型
要求开发高炉人工智能系统 （因为人工智能可以进行模糊推理）
5. 高炉智能模型的开发
指导高炉生产过程
高
确定性
数学
炉
信息
模型
生
产
过
不 确 定 性 知识
程
信 息 （ 模 模型
糊信息）
精确
人
推理
工
智
能
模糊
模
推理
型
人工智能是一门新的技术学科 →利用计算机等手段模仿、延伸和扩展人的智能
第七章 高炉过程数学模型概述
高炉自动化要求日益迫切 高炉自控技术日趋成熟
大型化高炉优质高效运行所要求 炼铁技术发展 计算机技术发展
高炉过程数学模型
高炉自控的理论基础 高炉计算机控制的前提
1. 高炉建模的特点
高炉过程的特点 (1)高温下复杂的物化过程
存在气（煤气）、固（炉料）、液（渣铁） 三相的复杂反应 沿高度、径向、圆周方向存在不均匀性
神经网络系统
具有两大功能 自学习的功能 模糊识别功能
分为二种类型： a 反向传播网络－需利用输出端实际数据反馈校正 b 自组织网络－不需教师数据，自己组织
高炉常用BP网络 （反向传播网络）
基于BP网络的硅预报模型原理
风温
风压
风量
顶温
料速
矿焦比 CO2
ຫໍສະໝຸດ Baidu前n次硅值
输入层
ω1 ω2
[Si]
中间层
人工智能技术在90年代开始 在高炉中进行应用性开发研究
建立高炉操作的专家系统
有模糊识别和自学习的神经网络模型
专 家 系 统
将高炉操作者经验贮存于计算机里，进行炉 况的综合判断和控制
它包括两个主要组成部分：知识库和推理机
优点：克服了纯数学模型灵活性差、适应性 差的问题
缺点：知识库不易维护，对规则知识不具备 学习功能
2. 高炉模型的分类和功能
（1）分类
•按建模方法分类
理论模型－物料平衡、热平衡、化学平衡、反应速度等经典 模型
半经验模型－利用现场统计规律建立的、同时结合理论的模型
人工专家系统－依据投入和产出的变量间的逻辑关系进行判断
（1）分类
•按建模目的分类
模拟解析－煤气分布，温度分布等
计算分析－拉姆联合计算法，Rist操作线等
高炉过程的特点
(2)在密闭容器内进行的过程
大多数参数不能直接观测 很多参数不能连续准确测定
(3)输入参数的变化在炉况上的反映有很大滞后性
焦炭负荷变化――约5－6小时 喷吹煤粉变化――约2－3小时 鼓风温度变化――约1－2小时
高炉冶炼过程是一个 大滞后、多变量、非线性分布参数系统
高炉模型通常为 机理＋经验而建立的模型
3. 高炉数模的发展
第二阶段 1974年以前→在线过程指导 1964年法国人提出的Wu指数模型在线运行成功 用Wu指数（炉热指数）－代表炉下部热量，
可预测铁水温度及含硅量 以后又派生出Ec、Tc、Ts等炉热指数模型
3. 高炉数模的发展
第三阶段1975年以后→多目标管理 思想：其它非热量参数亦会对炉热指数有影响
输出层
第一步（学习过程） 对于每一模型的输入，网络不断修正权重，
使输出值接近期望值（实际值）
第二步（预报过程） 学习后的网络能识别： 最新输入的数据与原始学习过程的哪种模 式最接近，并输出结果。
人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。
高炉需要进行综合判断 故出现了：Go－Stop系统（川崎）
AGOS系统（新日铁）
3. 高炉数模的发展
第四阶段80年代以来→人工智能系统
人工智能系统（AI）
基于知识的专家系统 基于神经元的神经网络
两者正趋结合
4. 高炉数模的局限性
数学模型 → 把过程现象用数学方程定量地表达出来 但高炉过程的复杂性→许多现象无法进行定量描述
过程控制－Tc模型，Ts模型，Go－Stop模型等
（1）分类
•按应用形式分类
静态模型－分析，判断，决策（离线）
动态模型－过程指导或控制（在线）
（2）功能
加深对过程的全面认识和理解 指导和控制高炉优质高效运行 不必通过试验只在计算机上即
可预测和导出最优方案
3. 高炉数模的发展
可分为四个阶段
第一阶段 1964年以前→离线计算分析 只限于作一些单纯指数的分析计算 （如热平衡、t理、Rist操作线等）