铁水含硅量预测系统中数据预处理技术的研究

车晓沁, 朱建鸿

(江南大学 物联网工程学院，江苏 无锡 214122)



铁水含硅量预测系统中数据预处理技术的研究

车晓沁, 朱建鸿

(江南大学 物联网工程学院，江苏 无锡 214122)

通过使用自适应预报模型与时差方法相结合的方法对铁水含硅量进行预测，模型所需的工艺参数的原始数据经采集后需使用OPC技术标准进行传输以存入数据库系统中；硅预测程序通过对数据库查询得到所需的操作数据，由于生产环境对数据的干扰，需对其作均值滤波和插值运算的一次处理，然后进行求平均值、梯度和标准差统计学运算的二次处理，之后运用模糊理论将各个工艺参数归一化以提取参数特征值，作为铁水含硅量预测模型的输入参数，在预测过程中使用多元线性回归不断修正模型中的权重系数，以提高数学模型预测的准确率。

数据预处理；工艺参数； 均值滤波； 归一化； 回归分析

0 引言

随着计算机网络技术普及，大型高炉基本采用三级计算机局域网络系统。一级用于生产过程控制和设备控制，二级用于生产过程的在线操作控制、生产动态画面与数据显示，三级用于运行各种数学模型、数据库系统、生产报表生成和生产过程远程在线监视，并与全厂计算机系统实现通讯。三级计算机网络系统要求能够有效采集二级计算机系统PLC仪表数据作为数学模型输入参数并保证数学模型运算结果准确[1-2]。

在众多高炉数学模型中，铁水含硅量预报数学模型是最基本模型之一，因为控制好高炉的炉温水平，是保证高炉生产稳定、顺利的关键所在。事实上，高炉冶炼过程是在高温和一定压力条件下的传热、传质和动量传递的同时进行的一系列复杂的化学和物理反应过程，而且整个过程是在高炉这个封闭的系统内进行的，高炉的炉温水平是很难通过直接测量而获得。如果能提前预报铁水含硅量，高炉操作者可以提前掌握炉温变化趋势和炉温水平，做出适当操作调整，使得可以保证高炉稳定顺行[2-4]。由于高炉冶炼过程的复杂性及工作环境的恶劣性，铁水含硅量预报数学模型涉及检测参数多、且检测参数数量级不统一，以及容易受到干扰而产生错误数据。因此，需要采用准确方法对采集检测参数进行预处理，提高铁水含硅量预报数学模型的命中率。

1 铁水含硅量预报数学模型基本原理

1.1 数学模型数学描述

铁水含硅量预报数学模型采用自适应模型与时差方法相结合的方法，这是因为考虑高炉在冶炼过程中始终处于一个动态不稳定的状态，模型参数必须随高炉冶炼过程的进行而不断地修改，采用时差方法是将网络模型参数的修改在多步预报中进行[5]。

为了进一步提高高炉热状态判断的准确性，不但依据当前铁次铁水含硅量实际值，而且依据影响铁水含硅量各种高炉冶炼工艺参数及其变化趋势，提取工艺参数特征值，根据高炉操作专家的操作经验知识确定工艺参数产生作用的延滞时间，提高铁水含硅量预报的命中率。

当得到当前铁次铁水含硅量分析结果后。由于二次出铁有1小时间隔时间，因此采取4步方法，每步间隔15分钟预报下次铁水含硅量。神经网络中影响铁水含硅量各工艺参数特征值总值(ΔW)也按4步修正。即：

(1)

式中,i=1，2，…4；PT为当前铁水含硅预报值，%；Z为当前铁次铁水含硅实际值，%；ΔW为当前影响铁水含硅量的输入参数求得的9个特征值之和，无量纲。

(2)

式中：Pj为某个工艺参数权重值，无量纲；Wj为某个工艺参数计算得出的特征值，无量纲。

1.2 工艺参数选择

铁水含硅量预报数学模型的输入参数选用一些影响铁水含硅量参数的工艺参数，参数选用详见表1。工艺参数每5秒钟采集一次，1分钟计算一次平均值，数学模型每5分钟预报一次。

料速是二次参数，即料尺在向下移动的加速度，延迟时间为0；风量、铁水温度、热风温度、热风压力、顶温、炉顶压力、富氧量、料线、下料批数参数延迟时间均为0；焦炭负荷延迟时间为5小时；煤粉喷吹量是利用喷吹罐电子称信号模拟计算得到，利用曲线斜率平滑后的值作为单位小时的煤粉喷吹量，煤粉喷吹量延迟4小时。铁水含硅的实际值，由化验室通过网络直接输入到数据库中，不需要人工输入。

表1 模型选择工艺参数

2 工艺参数采集与数据预处理

2.1 工艺参数数据采集与数据通讯

铁水含硅量预报数学模型所需要工艺参数，除铁水含硅的实际值由化验室通过网络直接输入到三级服务器数据库中外，其它参数均需要从二级计算机DCS系统中采集。

工艺参数采集既要有完整的实时采集功能，又不能影响一级和二级计算机系统可靠运行。在二级计算机系统上采集数据，涉及到以太网的数据隔离技术，数据采集机通过RS232串口传送数据，数据采集机运行在三级网络系统中，实现了二级与三级之间的TCP/IP协议隔离，以解决数据的安全问题[2-3]。利用控制系统所使用的OPC服务器功能，编写相应的OPC客户端程序，通过OPC协议标准通信实现从基础自动化系统中读取生产过程实时数据的通信过程[6]，铁水含硅量预测程序将处理过的实时数据从数据库中调取代入数学模型中进行处理运算，流程如图1。

图1 工艺参数采集流程

工艺参数每5秒钟采集一次，由于庞大的数据无法全部保存，5秒数据只保留24小时，然后全部变成1分钟数据作为历史数据保存。

2.2 工艺参数数据一次处理

2.2.1 干扰数据处理

在高炉众多的传感器中,由于环境因素不可避免地会产生一些干扰信号,即常见的噪声,为了提高实时采集的工艺参数数据精度,必须除去这些随机噪声,这里采用均值滤波处理的方法[7]。例如热风温度参数(Tb)，在1分钟内实际采集热风温度数据如下：

(3)

但在高炉实际生产过程中,数据的真正值往往有变化，需要根据实际情况采取不同处理方式。例如铁水温度(Tf),铁水温度采用非接触式测温仪表，出铁前和出铁结束后采集数据均不代表铁水实际温度，此时需要增加出铁开始和结束开关信号，只有在该时间段内数据才是有效数据，铁水温度有效数据再重新从头排序，Tf7～Tf12值均等于Tf6，数据实例见图2。

图2 铁水温度数据一次处理

又例如料线数据(Ls),作为计算料速(As)的中间参数，料线数据只有大于0的数据才具有实际意义，料线数据等于0或为负值，代表已经提尺准备布料，无任何意义，此时需要过滤掉小于或等于0的数据，料线数据排序及处理方法与铁水温度相同。

2.2.2 复合参数

影响铁水含硅含量工艺参数不仅有风压、风量、料线等单一参数,还需要一些由单一参数组合或再次处理后的复合参数，例如透气性指数和料速。透气性指数计算公式如下：

(4)

式中：i=1,2,3…12；Qb为风量，Nm3/min；Pt为热风压力，kPa ；Tp为炉顶压力，kPa。

料速计算过程如下：

首次提取料线经过干扰处理后的有效数据，然后计算料线向下移动速度，最后计算料线向下移动的加速度，具体过程如下:

(5)

(6)

式中,i=1,2,3…11；v为料线向下移动速度，m/s；Ls，为料线，m；t为采样时间，s；As为料线向下移动加速度，m/s2。

料线向下移动加速度大于0，则铁水含硅量将会降低，反之则升高。

2.3 工艺参数数据二次处理

2.3.1 检测参数1分钟平均值处理

影响铁水含硅含量工艺参数如铁水温度、热风温度、热风压力等及其复合工艺参数每5秒钟采集1次和计算1次，由于庞大数据无法全部保存，5秒数据保留24小时，然后全部变成1分钟数据作为历史数据保存。1分钟工艺参数不仅要考虑在当前1分钟时刻参数的瞬时值，还要考虑在过去一段时间的参数值及其变化趋势，主要包括平均值、变化梯度和标准方差等[4]。

2.3.2 工艺参数相互关系处理

由于高炉冶炼过程复杂性及工作环境恶劣性，影响铁水含硅量单个和由其组合形成的复合13个工艺参数存在一定波动，如果波动范围在±σ内则认为正常波动，对铁水含硅量数值没有影响；如果波动范围在±σ～±2σ范围内则认为对铁水含硅量数值有一定影响；如果波动范围超过±2σ范围则认为对铁水含硅量数值有较大影响，尤其具有互联性工艺参数出现反向互动变化作用更大。例如风量和热风压力两个工艺参数，当风量波动范围在σ～2σ内，而热风压力也在波动范围在σ～2σ内，预示铁水含硅量将会瞬时下降0.05%；如果风量波动范围超过2σ，而热风压力波动范围也超过2σ内，预示铁水含硅量将会瞬时下降0.10%。

2.3.3 工艺参数与复合参数归一化处理

影响铁水含硅量工艺参数有13个，工艺参数经过一次预处理后得到的9个参数依然处于不同数量级，尤其是对铁水含硅量有影响的相互关联参数更无法确切知道每个参数对铁水含硅量影响具体值, 例如，料速(As)在-1.0～1.0 m/s2之间，与铁水含硅量呈副相关关系；风量(Qb)在4 500～5 500 Nm3/min之间，与铁水含硅量呈副相关关系；铁水温度(Tf)在1 450～1 520 ℃之间，与铁水含硅量呈正相关关系；热风温度(Tb)在1 150～1 240 ℃之间，与铁水含硅量呈正相关关系；热风压力(Pt)在330～360 kPa之间，与铁水含硅量呈正相关关系；焦负荷(Oc)在4.5～5.5 t/t之间，与铁水含硅量呈副相关关系；炉顶温度(Td)在100～250 ℃之间，与铁水含硅量呈正相关关系；煤粉喷吹量(Mi)在25～36 t/h之间，与铁水含硅量呈正相关关系；富氧量(Ol)在7 000～10 000 Nm3/h之间，与铁水含硅量呈正相关关系；小时下料批数(Lp)在10～18批/h之间，与铁水含硅量呈副相关关系。

因此这种影响是模糊的,应采用模糊数学中隶属函数的办法来表示这种模糊性[8]，根据高炉的实际情况,可选用多种隶属函数应利用各种数学方法对参数进行不同的处理,提取不同特征值,即需进行二次预处理[4,9]，对于与铁水含硅量呈副相关关系的工艺参数，归一化处理后，参数特征值均在-1～0范围内，计算方法如下：

(7)

对于与铁水含硅量呈正相关关系的工艺参数，归一化处理后，参数特征值均在0～1范围内，计算方法如下：

(8)

经过归一化处理后，所有影响铁水含硅量工艺参数的特征值均在-1～1同一数量级[10]。

2.3.4 工艺参数的修正

经过对现场数据的分析得出数学模型预测结果与多个工艺参数特征值存在的相关性，这种相关性是多重的，反应在数学模型中的权重系数Pj中，由于冶炼过程中的高炉系统始终处于动态不稳定的状态，权重系数Pj必须在高炉冶炼过程中不断地进行修正。通过回归分析找出铁水含硅量预测值与9个工艺参数的特征值存在有多重线性的关系[11]，这里可以使用多元线性回归的方法来处理这种修正，方法如下：

(9)

式中,i=1，2，…n；j=1, 2，…9；PT为当前铁水含硅预报值，%；Z 为当前铁次铁水含硅实际值，%；P为某个工艺参数权重值，无量纲；W为某个工艺参数计算得出的特征值。

使用普通最小二乘法(OLS)[12]求得β的最小二乘估计为：

(10)

其中:

(11)

由于每次出铁经过4次硅预报周期，所以硅预报每4步要进行一次权重系数修正，每次取当前铁次之前20次的特征值与硅预测值、实际值进行回归分析，修正后的影响累加到下一次对铁水含硅量的预测中，由此可推得式(1)。

3 Matlab仿真结果

利用鞍钢炼铁总厂三级计算机网络系统，采集11#高炉11个影响铁水含硅量工艺参数和铁水含硅量化验室数据，共4天45个铁次。在实验室通过对11个工艺参数一次处理，形成11个有效的一次参数和2个复合参数总计13个参数，再经过二次处理，生成1分钟平均值、梯度和标准偏差数据，由于众多工艺参数数量级不同，经过归一化处理提取出9个特征值，作为数学模型输入参数，然后每4步对权重系数进行修正。经过Matlab软件仿真结果如图3，实际生产数据经过数据预处理后数学模型预报命中率为81.64%(铁水含硅量允许误差范围为(0.1%)。

图3 铁水含硅量预报数学模型运行效果

4 结论

现代大型高炉控制系统通常是三级计算机网络系统，运行一些数学模型监视和管理高炉复杂冶炼进程。铁水含硅量预测模型便是运行在第三级计算机网络系统中的控制监控系统中，其需要从一级和二级计算机系统中采集大量的实时工艺参数，由于环境因素，采集实时工艺参数中会夹杂一些干扰信号和无效数据,采用均值滤波方法剔除干扰数据和无效数据，在此基础上进行二次处理，生成1分钟平均值、梯度和标准差数据，然后存入服务器数据库中提供程序查询。由于众多工艺参数数量级不同，在输入数学模型中还需要进行归一化处理，形成统一数量级数据，提取工艺参数和复合参数特征值，作为数学模型的输入参数，根据高炉的冶炼周期，每4步对权重系数进行修正，提高铁水含硅量预测模型的运行效果。从鞍钢11#高炉采集的45个铁次生产数据进行的硅预测模型的仿真结果，命中率达到81.64%(允许误差(0.1%)，可以满足实际生产需求。

[1] 凌小芬. 高炉自动化控制系统研究与应用[J]. 机电信息,2015(6): 44-45.

[2] 陈长辉. 基于工业以太网的自动化控制系统设计[J]. 软件导刊, 2015(2): 132-133.

[3] 刘春裕. 基于VBA开发技术的接口测试技术研究[J]. 计算机技术与发展, 2014(1): 69-72, 76.

[4] 张 慧. 自适应模糊时间序列预测模型的研究[D].大连：大连海事大学, 2012.

[5] 肖伸平,吴 敏,刘代飞. 基于小波神经网络的高炉铁水含硅预报[J]. 有色金属, 2005(2): 106-110.

[6] 郇 极,刘艳强. 工业以太网现场总线EtherCAT驱动程序设计及应用[M]. 北京: 北京航空航天大学出版社, 2010.

[7] 徐雅娜. 铁水含硅量实时预报专家系统的设计与实现[J]. 辽宁省交通高等专科学校学报, 2005(3): 58-60.

[8] 郝晓静,张 苹,王 鹏,等. 高炉操作参数预处理及相互关系的研究[J]. 材料与冶金学报, 2003(4): 241-245.

[9] 刘金琨,邓守强,田 青,等. 高炉专家系统的数据采集与处理[J]. 东北大学学报, 1996(5): 27-31.

[10] 李界家,杨志宇,曹 阳. 铁水硅含量的集成模糊神经网络预测方法[J]. 计算机与应用化学,2013(10): 1113-1116.

[11] 李虎山,曾燕飞. 基于专家规则判断的高炉炉温控制[J]. 微计算机信息,2007,16: 96-97.

[12] 王惠文,孟 洁. 多元线性回归的预测建模方法[J]. 北京航空航天大学学报,2007(4):500-504.

Study of a Data Preprocessing Used in a Mathematical Model Forecasting Silicon Content in Hot Metal

Che Xiaoqin，Zhu Jianhong

(School of Internet of Things Engineering, Jiangnan University, Wuxi 214122, China)

Adaptive prediction model combined with the time difference method is used in the model of hot metal silicon content prediction. Required original data of model parameters collected after using OPC technology standard for transmission to store in the database system. Due to the interference of production environment， computing the data for the mean filtering and interpolation on the first process is needed. Then average, and standard deviation statistics gradient computation is needed as the secondary process。Using fuzzy theory to various process parameters normalization parameter extraction complex eigenvalues as iron the silicon content of the model input parameters. While the process，continuously correcting the weight coefficient through multiple linear regression is necessary. The operating result in improving the mathematical model.

data preprocessing; process parameters; mean filter; standardization; regression analysis

2015-09-19；

2015-10-26。

车晓沁(1990-)，男，辽宁鞍山人，硕士，主要从事检测与传感方向的研究。

1671-4598(2016)03-0221-03

10.16526/j.cnki.11-4762/tp.2016.03.060

TP3

A