引用本文

阳青锋, 赖旭芝, 杜胜, 胡杰, 陈略峰, 吴敏. 基于粒度聚类的转炉炼钢氧气消耗量预测. 自动化学报, 2024, 50(1): 132−142 doi: 10.16383/j.aas.c230333

Yang Qing-Feng, Lai Xu-Zhi, Du Sheng, Hu Jie, Chen Lue-Feng, Wu Min. Converter steelmaking oxygen consumption prediction based on granularity clustering. Acta Automatica Sinica, 2024, 50(1): 132−142 doi: 10.16383/j.aas.c230333

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c230333

关键词

转炉炼钢，氧气消耗预测，信息粒化，工况识别 

摘要

转炉炼钢是钢铁企业的主要耗氧工序, 预测转炉炼钢的氧气消耗量对氧气系统合理调度、保证生产安全具有重要意义. 考虑到转炉冶炼工况多、钢种数据粒度不统一, 提出一种基于粒度聚类的转炉炼钢氧气消耗量预测方法. 首先, 利用孤立森林异常检测法剔除历史数据库中的异常数据; 接着, 采用皮尔逊相关性分析和互信息相关系数选取相关影响因子, 对不同钢种数据进行信息粒化, 实现数据特征提取和维度统一, 使用模糊C均值(Fuzzy C-means, FCM) 划分工况并建立不同工况下的氧气消耗量预测子模型; 最后, 利用企业的实际生产数据进行实验, 验证所提方法的准确性和有效性.

文章导读

转炉炼钢是钢铁企业的主要耗氧工序, 炼钢过程具有典型的周期性和间歇性特点, 炼钢在短时间内氧气需求激增, 与制氧机只能稳定制氧之间存在生产矛盾, 难以保证氧气供需平衡. 预测转炉炼钢过程的氧气消耗, 可给予调度人员充足时间去调度决策, 保证氧气系统动态平衡.

针对转炉炼钢过程氧气消耗预测问题, 有学者从机理角度进行了研究. 文献[1] 分析转炉炼钢过程的主要化学反应, 建立了转炉炼钢过程的氧气消耗预测模型, 该模型对认识转炉炼钢过程、实现氧气消耗在线预测具有积极作用. 但缺少对转炉炼钢过程中不同因子间的耦合性分析, 铁水中的化学物质种类众多, 冶炼过程伴随众多的物理化学反应、复杂的相变过程以及各种不确定因素, 机理模型无法准确计算炼钢过程氧气的消耗量[2]. 受现场炉体参数和检测精度的影响, 该方法不具备良好的普适性.

工业过程海量数据存储与计算能力的提升为基于数据驱动的预测方法提供了重要基础. 这类方法利用数理统计知识和人工智能方法来挖掘数据特征, 不需要建立完全刻画机理过程的数学模型, 如多元线性回归[3]、自回归滑动平均[4]、长短记忆网络[5]、支持向量机[6]、T-S模糊模型[7]、回声状态网络[8] 等方法. 上述研究可分为时序预测和回归预测两大类. 时序预测往往通过频谱分析、时序分解等技术提取历史数据特征, 利用时序网络挖掘数据变化规律, 达到预测的目的, 值得注意的是, 时序预测非常依赖历史数据的质量, 预测之前往往要对原始数据进行去噪处理. 回归预测将机理知识或专家经验知识与数据相融合, 采用主成分分析、皮尔逊相关性分析、互信息等方法提取主要特征因子, 采用回归网络挖掘工业过程的非线性关系进行预测.

上述方法在工业过程取得了良好应用, 但是这些方法直接用于转炉炼钢的氧气消耗量预测还存在一些问题. 首先, 在转炉高温、高压、高噪音的环境下, 传感器难以高精度在线测量甚至会采集一些异常数据, 数据驱动模型非常依赖数据的质量, 这些模型缺少数据的异常检测; 其次, 各类钢种的化学物质含量存在差异, 上述模型是针对单一工况的建模, 从钢种的角度来说, 转炉炼钢存在多工况的特点.

单一工况无法有效反映工业过程多工况的特性, 有许多学者对工业过程多工况预测进行了研究并取得了一定成果. 文献[9] 针对烧结过程多工况特性, 提出了一种基于差分进化算法的多级预测模型, 预测烧结过程的综合焦比. 文献[10] 提出一种基于时间序列数据分析的波动区间工况识别, 判断烧结过程波动工况. 文献[11] 针对淬火过程建立了多工况板形预报模型. 上述研究侧重于单个样本数据特征的聚类, 而本文需从钢种角度进行聚类, 即不同钢种聚类成多个工况. 在实际生产中, 不同钢种的冶炼炉数与公司的订单需求有关, 导致不同钢种采集到的历史数据样本长度不同. 因此, 本文在识别转炉工况前需要解决不同钢种粒度不统一的问题, 本文提到的钢种数据粒度不统一是指不同钢种的样本数据长度不同.

针对上述问题, 本文提出一种基于粒度聚类的转炉炼钢氧气消耗量预测方法, 利用孤立森林对实际生产过程数据进行预处理, 剔除异常数据; 接着, 采用信息粒化处理不同钢种数据量不平衡的问题, 在此基础上进行模糊C均值(Fuzzy C-means, FCM) 聚类; 然后针对不同的工况, 分别建立基于支持向量回归(Support vector regression, SVR) 的工况子模型; 最后, 利用实际生产数据对本文所提方法进行实验, 验证本文所提方法的准确性和有效性.

本文的创新性主要包括以下两个方面: 首先是设计了转炉炼钢氧气消耗量预测方案, 该方案从工况的角度, 采用孤立森林、相关性分析、粒度聚类、支持向量回归进行转炉炼钢氧气消耗量预测; 其次是采用信息粒化解决了钢种在不同数据粒度下进行工况识别的问题.

图 1  转炉冶炼过程

图 2  基于粒度聚类的氧气消耗量预测方案

图 3  孤立树结构

本文针对转炉炼钢氧气消耗量难以预测、不同钢种冶炼数据量不统一的问题, 提出了一种基于粒度聚类的转炉炼钢氧气消耗预测方法. 该方法采用信息粒化的方法统一不同钢种的数据维度, 在此基础上针对不同工况进行转炉炼钢氧气消耗量预测. 仿真结果表明, 本文所提方法对转炉炼钢氧气消耗预测的精度更高, 可为钢铁企业调节氧气系统平衡提供科学的参考信息. 下一步将参考转炉炼钢氧气消耗预测的相关成果, 继续研究钢铁企业氧气系统平衡调度策略, 并将其用于钢铁企业能源管控系统中, 保证氧气系统动态平衡.

作者简介

阳青锋

中国地质大学(武汉) 自动化学院硕士研究生. 主要研究方向为复杂工业过程控制与状态监测. E-mail: yangqingfeng@cug.edu.cn

赖旭芝

中国地质大学(武汉) 自动化学院教授. 主要研究方向为非线性系统控制, 智能系统和机器人控制. 本文通信作者. E-mail: laixz@cug.edu.cn

杜胜

中国地质大学(武汉) 自动化学院教授. 主要研究方向为过程控制, 智能控制和计算智能. E-mail: dusheng@cug.edu.cn

胡杰

中国地质大学(武汉) 自动化学院教授. 主要研究方向为过程控制, 计算智能和人工智能. E-mail: hujie@cug.edu.cn

陈略峰

中国地质大学(武汉) 自动化学院教授. 主要研究方向为智能系统, 模式识别和计算智能. E-mail: chenluefeng@cug.edu.cn

吴敏

中国地质大学(武汉) 自动化学院教授. 主要研究方向为过程控制, 鲁棒控制和智能系统. E-mail: wumin@cug.edu.cn