引用本文

李温鹏, 周平. 高炉铁水质量鲁棒正则化随机权神经网络建模. 自动化学报, 2020, 46(4): 721-733. doi: 10.16383/j.aas.2018.c170670

LI Wen-Peng, ZHOU Ping. Robust Regularized RVFLNs Modeling of Molten Iron Quality in Blast Furnace Ironmaking. ACTA AUTOMATICA SINICA, 2020, 46(4): 721-733. doi: 10.16383/j.aas.2018.c170670

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170670

关键词

RVFLNs，鲁棒建模，Gaussian分布加权M估计，高炉炼铁，铁水质量 

摘要

高炉炼铁过程运行优化与控制依赖于可靠、稳定的难测铁水质量(Molten iron quality, MIQ)指标模型.针对现有MIQ建模方法的不足, 本文提出一种新型的数据驱动鲁棒正则化随机权神经网络(Random vector functional-link networks, RVFLNs)算法, 用于实现MIQ指标在线估计的鲁棒建模.首先, 为了提高建模效率和降低计算复杂度, 采用数据驱动典型相关性分析方法从众多变量中提取与MIQ相关性最强的变量作为建模输入变量; 其次, 由于传统RVFLNs网络的输出权值由最小二乘估计获得, 易受离群数据影响而鲁棒性差, 引入基于Gaussian分布加权的M估计技术, 提出新型鲁棒RVFLNs算法建立多元MIQ指标的鲁棒模型; 同时, 在鲁棒加权后的最小二乘损失函数基础上, 进一步引入L1和L2两个正则化项以构成优化目标函数的Elastic net, 用于稀疏化RVFLNs网络的输出权值矩阵, 解决RVFLNs网络多重共线性和过拟合的问题.最后, 基于某大型高炉工业数据, 进行充分数据实验, 结果表明所提方法具有更高的建模与估计精度以及较强的鲁棒性能.

文章导读

高炉炼铁是钢铁工业的重要生产环节.由于工艺相对简单、产量大、劳动生产率高, 因而高炉炼铁仍是现代炼铁的最主要方式, 其产量约占世界生铁总产量的95%以上.如图 1所示, 现代化的高炉炼铁系统分为高炉本体、上料系统、送风系统、喷吹系统、煤气净化系统、渣铁处理系统和环保除尘系统等几个子系统[1-2].高炉炼铁时, 铁矿石、焦炭、溶剂按一定比例根据布料制度逐层从高炉顶部装载到炉喉位置.同时, 在高炉下部, 将预热的空气、氧气和煤粉通过热风口鼓入炉缸中.空气、氧气、煤粉和焦炭在高温作用下发生一系列复杂物理化学反应, 生成大量的高温还原性气体, 这些还原性气体不断向上运动将铁从铁矿石中还原出来.上行气体最终变为高炉煤气从炉顶回收, 而下行炉料则随着炉缸中焦炭的不断燃烧和铁水的不断滴落逐渐向下运动, 在下降过程中, 炉料经过加热、还原、熔化等一系列复杂的物理化学变化, 最终生成液态的铁水和炉渣从出铁口排出[1-4].高炉炼铁需要准确判断整个高炉运行态势, 及时调整相关操作制度(如布料制度、热风制度等)及工艺参数, 使炉内煤气分布合理、热量充分利用、渣铁顺利排放, 实现高炉生产的优质、高产、低耗和长寿运行.为了实现这一目标, 就应对高炉运行状态进行实时监测和有效控制.然而高炉内部冶炼环境极其严酷, 炉内温度高达2000多度, 压强高达标准大气压的4倍左右, 且伴随着固、液、气多相共存的状态, 使高炉内部状态的实时监测难以实现, 从而难以对高炉进行控制与操作优化[1, 5].目前, 被广泛用来间接反映高炉运行状态的指标为出铁口的铁水质量指标, 包括铁水温度(Molten iron temperature, MIT)、硅含量([Si])、磷含量([P])和硫含量([S]):

图 1  高炉炼铁工艺示意图

1) MIT是表征高炉热状态、能量消耗的重要指标. MIT过低不仅影响高炉顺行, 而且会影响后续转炉炼钢的运行性能, 增加生产成本.高炉生产操作时应及时掌握MIT及变化趋势, 预见性地采取调控措施, 这对于稳定高炉热制度、减少炉况波动以及提高生铁质量和降低焦比等具有重要意义.

2) 铁水[Si]是反映铁水化学热的重要指标.铁水[Si]过高, 渣量增加, 会使生铁变硬变脆, 收得率降低.另外, 高[Si]会使渣中SiO含量过高, 影响石灰渣化速度, 延长吹炼时间, 同时也会加剧对炉衬的冲蚀.因此, 必须对[Si]进行严格监视.

3) 硫和磷在钢材中均是有害元素, [S]过高会使铁硬脆, 产生热脆性和减低铁液流动性, 而[P]过高会加重炉衬的冲刷蚀损, 影响炉龄.因此, 在高炉冶炼过程中应严格监视铁水中的[S]和[P].

采用上述铁水质量指标作为高炉运行状态的评判指标可以较全面地了解高炉内部的运行状态, 为高炉日常操作与调节提供指导.然而, 现有检测技术难以对铁水质量指标进行直接在线测量, 且离线化验过程滞后时间较长, 通常为1小时左右.另外, 高炉炼铁是一个包含气、固、液三相混合和耦合交错, 物理化学反应极其复杂的过程, 其炉内环境极其恶劣, 导致操作人员难以对其运行状态的变化进行实时监测.因此有必要建立准确可靠的铁水质量模型来反映高炉当前和预期的铁水质量指标参数变化, 为现场操作人员提供炉况和铁水质量信息[1, 5-8].

目前常见的铁水质量模型有机理模型、知识推理模型和数据驱动模型三大类[5].机理模型在大量假设条件下, 依赖于高炉炼铁过程的冶炼机理, 从化学反应动力学和流体动力学的角度构建高炉内部反应场, 对反应场内的温度分布、物料运动状态等进行仿真[9-11].高炉炼铁是一个极为复杂、大时滞、高度耦合的非线性动态时变系统, 基于大量假设的机理模型难以用于实际高炉炼铁生产; 知识推理模型完全依赖于系统集成的有限专家知识, 无法应对复杂多样的实际高炉冶炼过程[12-13];数据驱动铁水质量智能建模不需要了解高炉内部发生的复杂机理, 仅通过数学工具和智能算法对运行数据进行处理而建立需要的铁水质量模型, 因而成为近年高炉炼铁过程建模研究的热点[1-5, 8].

现有数据驱动建模方法主要有多元统计分析方法[14-15]、神经网络(Neural network, NN)建模方法[8, 15-18]和支持向量回归(Support vector regression, SVR)建模方法[2, 3, 6-7, 19]等.其中, 神经网络是一种最常见的数据驱动建模方法, 它是对人脑神经系统进行抽象、简化和模仿所得到的复杂信息处理系统, 能够以任意精度逼近复杂非线性连续函数, 特别适用于处理高炉炼铁这种动态机理复杂、内部状态未知, 仅可获得过程的输入输出数据的复杂工业过程建模[16].常见的神经网络建模算法主要有BP-NN (BP neural network)和RBF-NN (Radial basis function neural network), 但是这些算法普遍存在"过拟合"、易陷入局部极小的问题.另外, 基于批学习的NN网络权值和偏差迭代算法容易造成网络训练时间长、收敛速度慢的问题[16-17, 20-21].

近年, 具有学习速度极快且泛化能力好的随机权神经网络(Random vector functional-link networks, RVFLNs)及其改进算法可有效克服传统神经网络的上述缺点, 被广泛用于高炉炼铁过程建模与控制[5, 20-21]. RVFLNs的最大特点是网络输入权值与偏置在给定范围随机选取, 然后采用最小二乘算法对输出权值进行计算, 因而学习速度极快, 而不像基于梯度的常规NN算法需要首先设置很多学习参数, 然后采用批学习策略并花费几分钟甚至几小时时间对众多网络参数进行学习[5, 21].文献[20]采用经典RVFLNs算法对铁水质量进行建模, 大大加快计算速度; 文献[21]进一步采用在线序贯学习型RVFLNs实现多元铁水质量的在线软测量建模.实际表明, RVFLNs比BP等常规NN具有更高的计算效率, 且RVFLNs及其改进算法都具有较高的模型精度.但是, 高炉炼铁生产过程中, 受检测仪表和变送器等装置的故障以及其他异常干扰的影响, 测量数据中经常存在离群点, 即远离数据一般水平的极端大值点或极端小值点.而常规RVFLNs的输出权值是由最小二乘估计得到, 因而鲁棒性不足, 建模时易受离群点干扰, 导致模型准确度下降, 不能为操作人员提供准确的指导.

针对上述问题, 也为了建立稳定、可靠的高炉铁水质量模型, 本文提出一种新型的数据驱动随机权神经网络鲁棒建模方法, 用于实现铁水质量指标的鲁棒估计.首先, 为了提高铁水质量建模效率, 采用数据驱动典型相关性分析方法提取与铁水质量指标相关性最强的最主要过程变量作为建模输入变量; 然后, 根据高炉炼铁过程数据特性, 采用基于Gaussian分布加权的M估计方法建立多元铁水质量指标的鲁棒RVFLNs模型; 同时, 在M估计鲁棒建模基础上, 进一步引入两个正则化项以防止模型过拟合, 稀疏鲁棒RVFLNs的输出权值矩阵.最后, 基于我国华南某大型高炉实际数据建立基于鲁棒正则化RVFLNs的多元铁水质量非线性自回归(Nonlinear autoregressive exogenous, NARX)模型, 并和其他几类铁水质量建模算法进行对比.结果表明, 相对于对比方法, 本文方法不仅具有更高的模型精度和更快的计算速度, 还解决了常规RVFLNs存在的数据建模鲁棒性差的问题.

图 2  建模误差RMSE与输入权值倍数和输入偏置倍数之间的关系

图 3  建模误差RMSE与正则化系数之间的关系曲线

本文针对高炉炼铁过程多元铁水质量指标难以在线检测, 以及采用常规方法难以进行有效建模与在线估计的难题, 基于Gaussian分布加权M-估计技术, 提出一种新型的数据驱动随机权神经网络(RVFLNs)鲁棒建模方法, 用于实现多元铁水质量指标的鲁棒估计.基于实际工业数据的研究表明:和常规最小二乘加权RVFLNs算法以及经典Huber加权M估计的RVFLNs算法相比, 所提Gaussian分布加权M-估计的鲁棒正则化RVFLNs算法可有效克服数据中不同离群点比例和不同离群幅值给数据建模带来的不利影响, 大大提高RVFLNs数据建模的鲁棒性能, 使得模型在复杂动态环境中持续有效, 并且估计精度较高.同时, 在鲁棒建模基础上, 在优化性能指标引入两个正则化项, 以最大化稀疏化RVFLNs网络的输出权值矩阵, 这不仅可显著降低模型复杂度, 还可有效避免模型过拟合, 进一步提高模型的适应性.

作者简介

李温鹏

东北大学硕士研究生. 2016年获得烟台大学学士学位.主要研究方向为数据驱动建模与控制, 机器学习算法.E-mail:weepenli@163.com

周平 

东北大学教授.分别于2003年, 2006年, 2013年获得东北大学学士学位、硕士学位和博士学位.主要研究方向为工业过程运行反馈控制, 数据驱动建模与控制.本文通信作者.E-mail: zhouping@mail.neu.edu.cn