[发明专利]一种基于深度学习和强化学习的玻璃熔炉温度控制方法

说明书

本发明提供一种基于深度学习和强化学习的玻璃窑炉温度控制方法，用于以天然气和氧气为燃料的全氧玻璃窑炉熔炉，建立温度仿真模型和温度控制模型，通过调节燃料阀门，使熔窑温度保持稳定；通过传感器收集窑炉各关键位点的温度、氧气流量、天然气流量、天然气阀门开度、天然气阀门开度和窑炉压力，使用深度神经网络，建立窑炉温度仿真模型，用来对窑炉温度变化环境进行仿真；基于深度学习和强化学习建立窑炉温度控制模型，利用建立好的两个模型，根据当前熔炉状态，实时输出天然气和氧气阀门应该采取的偏移量。并利用历史窑炉数据，对温度仿真模型和温度控制模型进行在线或周期性更新，以达到精准温度控制。

技术领域

本发明涉及玻璃熔炉的温度智能控制技术领域，特别涉及一种基于深度学习和强化学习的玻璃熔炉温度控制方法。

背景技术

玻璃熔窑的生成过程兼具大量的物理反应和化学反正，若要对此建模，将会是一个复杂的拥有多分布参数的非线性系统，并且过程非常困难，因此难以精确地进行控制。当前我国玻璃熔窑控制各参数的方法是单回路PID控制，PID表示比例-积分-微分控制器。传统的PID控制器由于其对线性系统的有效性，易于设计和成本低廉而广泛用于工业。Yamamoto和Hashimoto在1991年报道，例如在日本，所有控制回路中有90％以上是PID型的。传统的PID控制器虽然对线性系统有效，但不适用于非线性、高阶和时滞系统。由于这些原因，许多研究人员试图将传统的PID控制器与模糊逻辑控制器(Fuzzy Logic Controller，FLC)相结合，以实现比传统的PID控制器更好的系统性能。Jianling Q和Zhenjie D等人如法炮制，将模糊PID控制法应用在玻璃熔炉的温度控制系统上，并通过实验证明FLC系统确实能为玻璃熔炉提高高质量的生产，减轻劳动者的劳动强度。Sardeshpande V等人使用质量、能量平衡，以及不同区域的热损失方程和基于操作实践的经验公式来开发玻璃熔炉的仿真模型。该模型与印度末端工业玻璃熔炉的现场数据进行核对，能够计算给定炉子设计的能量性能。模型结果显示了如此改进的潜力以及不同的运营和设计偏好对具体能源消耗的影响。在实际生产规模下运行的熔炉具有大概20％-25％的能耗降低潜力。

受过去落后的生产技术影响，传统的玻璃生产过程存在着诸多弊端，因此有学者在解决蓄热式马蹄焰玻璃熔炉生产问题时，基于现场总线技术，引入神经网络控制算法，实现了对生产过程的实时监控、分析和优化。人工神经网络本质上是并行的，并且由于其具有学习非线性关系的能力而有很大的应用前景。从理论上讲，它不需要对系统的先验知识，从而绕开了第一原理建模的困难。Kumaran Rajarathinam等人实现了一个使用人工神经网络的决策支持系统，称为“FUNN”(使用神经网络的熔炉处理系统)，它具有处理模型识别、设定点控制和解释输入因子等功能。

但是，现有的使用的这些神经网络方法主要有以下两点弊端，不适应工业化生产的需求：

一是不能处理大规模复杂的窑炉环境。神经网络的结构太单一，深度不够，导致模型对环境预测和决策控制的拟合能力不够，即深度学习中的欠拟合问题突出。

二是模型不能适应环境随时间产生的概念漂移(concept drift)。而本专利提出的方法，能在线实时学习更新模型，克服概念漂移问题。

发明内容

本发明要解决的技术问题，在于提供一种基于深度学习和强化学习的玻璃熔炉温度控制方法，自动实时给出燃料阀门开度调节策略，将熔炉温度稳定在设定值附近。同时能解决人工调节不及时不准确等问题。

本发明解决其技术问题所采用的技术方案是一种基于深度学习和强化学习的玻璃窑炉温度控制方法，用于以天然气和氧气为燃料的全氧玻璃窑炉熔炉，建立温度仿真模型和温度控制模型，通过调节燃料阀门，使熔窑温度保持稳定；