基于炉口火焰光强信息的在线测量控制模型研究.docxVIP

基于炉口火焰光强信息的在线测量控制模型研究 隨着人工智能技术的发展，专家系统已经被广泛地应用到故障诊断领域中。但是专家系统存在知识获取困难等问题。如今现有研究中参数选择困难的问题尚未得到很好的解决，致使故障诊断准确度不高。 在转炉炼钢过程中，炼钢终点控制是指控制冶炼终点的碳含量和温度，是炼钢的关键技术之一[1-2]。国内前沿科技已经提出了将转炉炉口火焰像信息与炉口光强度相结合来辅助炼钢终点判断的新方法。 1 光强特征 1.1 特征值筛选 我们首先根据数据表的特定时期的不同频率的光强，绘制出其分布函数，依据交叉检验的原理可知，基于不同的数据集进行预测建模，对于其他的数据集会有一定的误差率。 根据实验可知，由于热量主要是受频率影响，对于每个频率处的光强，我们依据普朗克常数公式可知，光子的频率越低能量越低，释放的热量就越低，所以我们给每个频率的光强给予一个权重w。其中，同时每个频率处的光强都是在其对应的均值附近进行波动，并满足正态分布关系。 其中，提供的燃气燃烧情况和不同频率的光强转化情况，可以定义为一个常数，是依据前一时刻的光强，数值为状态分布的发生概率。通过多次数据集的学习，减小误差，可以唯一确定其中的参数w和k。在不影响参数的计算的情况下，为了简化模型，可以按照主成分对有些部分进行降维处理。 相对而言，在不同情况下，两个物理量的线性关系十分高，即可以用一次项来处理。 1.2 灰色关联分析 首先指定该系统行为特征的序列，在此利用灰色关联分析解析系统中温度与光强的T/C关联度，其中分辨系数为0.5。 在相同频率下，光强越高，所产生的温度越高；同时，在关联度接近的不同频率光，可以近似认为对温度产生的效用是等效的。所以这里把光谱数据进行特征提取，分别选取为某几个关联度平滑波段积分均值来等效其光强效用。 依据关联度图像，我们选取10个频段：[f_1： f_160]、[f_161： f_320]、 [f_321： f_510]、[f_511： f_700]、 [f_701： f_950]、[f_951： f_1200]、 [f_1201： f_1450]、[f_1451： f_1700]、[f_1701： f_1874]、[f_1875： f_2048]，并分别为对数据进行预处理求解。 2 温度与关键要素的预测 源数据中，每个时刻均含有累计燃气量Q、累计燃烧比P、光强的不同频率F、火焰温度T和元素C的含量。对于开尔文温度T，由于燃气使用量对温度的影响度有滞后性，所以我们选取火焰的不同频率的光强来分析。针对关键元素的含量，判断它的变化量可以就据燃气的使用量。 在每个时刻中，每个不同频率下的光强属性很多，而温度的大小主要受光的频率有关，光强只是在同等情况下成正相关。但是在每个时刻中，测量的频率都是等效的，那么在这种情况下，温度的刻画可以主要依据光强的大小。 2.1 多元回归分析 为统计推断方法研究变量之间的相关性，我们使用回归分析的基本模型来处理大量的观测数据，并得到一个数学表达式更符合事物的内部规律。同时由多元回归模型做出全参数回归残差图。 观测数据为：[1.1491 -0.0237 0.9009 0.5179 -0.6378 0.3689 -0.1206 -0.0366 -0.2307 0.3982]对此，我们假设检验则可以得到： R2=0.8108，F=193.1662，p=0，s2=573.3555. 由上不难解释，虽然假设检验值很高，满足，但还是有异常值，最大原因的是温度测量具有迟滞性，原因在于许多温度值一样，故此需要对模型进行优化。 2.2 逐步回归分析 为了更加有效的分析影响光强要素的因变量的关系，在此利用逐步回归分析。但单个自变量的回归还受其他关联要素的影响。试用筛选过后的频段值进行逐步回归，得到如下结果，采用逐步分析平衡各因素的回归 作用以后，可以提高F即光强频率值。 3 工程数据分析 在进行工程数据的带入分析时，我们选择和筛选部分因子，例如当我们舍弃第F1、F2、F3、F9个因素时，带入该系统模型中重新进行编辑。得到置信区间均不包含零，故此作用显著。于是利用筛选过后的频段值带入，获得部分参数的残差值图。不难看出，该种方法下异常值很少，考虑到上温度测量的迟滞性，这里可以认为具有较高的准确度。 故此，针对动态炼钢终点控制，炉壁强度的相关性和内容特点和温度可以提出直接显示技术，用于设计信息收集系统。光强图像的特征是初始阶段逐步增加，中期振荡，接近结束时，缓慢下降。 4 结论 模型可以预测关键要