[发明专利]基于性能评估的焦炉加热燃烧过程火道温度自动调节方法

摘要

发明公开了一种基于性能评估的焦炉加热燃烧过程火道温度自动调节方法，通过采集火道温度运行的历史数据，建立基于信息熵的多属性性能评估模型，采集当前火道温度运行的数据，利用基于信息熵的多属性性能评估模型判断当前控制系统性能等级，依据当前控制系统性能建立多目标优化模型，采用遗传算法对多目标优化模型进行求解，调节控制系统中的控制器参数，实现自动调节火道温度；应利用本方法使生产现场的控制器参数可以自动调节，达到了火道温度自动调节的目的，有效地提高了炼焦生产的自动化程度与炼焦生产的经济效益。通过采用基于信息熵的在线性能评估模型，准确的评估了炼焦生产过程中控制系统的运行情况，为控制器参数的优化提供了依据。

主权项

1.一种基于性能评估的焦炉加热燃烧过程火道温度自动调节方法，其特征在于，通过采集火道温度运行的历史数据，建立基于信息熵的多属性性能评估模型，采集当前火道温度运行的数据，利用基于信息熵的多属性性能评估模型判断当前控制系统性能等级，依据当前控制系统性能建立多目标优化模型，采用遗传算法对多目标优化模型进行求解，调节控制系统中的控制器参数，实现自动调节火道温度； 调节控制系统中的控制器参数的具体步骤如下： 步骤1：建立多目标优化模型； 步骤2：以控制系统的控制器参数X＝[x₁,x₂,x₃]作为种群个体，x₁和x₂分别是控制器中的输入量火道温度偏差和火道温度偏差率的量化因子，x₃是控制器输出量的比例因子，采用随机的方式建立初始化种群，并计算种群中的每个个体分别对应的步骤1中的每个目标值，种群个体数量NP的取值范围为20～50； 步骤3：随机选取种群中两组不同的控制系统的控制器参数，采用差分策略，计算下一代个体，将个体进行交叉操作后得到中间种群； 步骤4：将中间种群中NP组控制器参数和上一代中的NP组参数组成种群规模为2NP的临时种群，根据个体的优劣等级和拥挤距离进行排序，从临时种群中选择排列在前NP组的控制器参数作为下一代种群，完成一次迭代； 步骤5：当迭代次数大于或等于设定的最大迭代次数时，以优劣等级为1的控制器参数作为多目标优化模型的解，否则，返回步骤3； 所述多目标优化模型包括以下两种： 1）当控制系统性能等级B的取值属于(0.2,0.6)时，则采用如下式所示的焦炉加热燃烧过程优化模型： 其中，X＝[x₁,x₂,x₃]是决策向量，x₁,x₂分别表示模糊控制器的两个量化因子，x₃表示模糊控制器的比例因子； M为确定火道温度测量间隔时间后在12小时内根据此间隔时间进行测量的次数； T_j表示为通过函数g₂()获得的第j个时刻的火道温度预测值，R为火道温度设定值，t_s,i表示第i个时刻的系统调节时间，e表示火道温度设定值与实际测量值的差值，ec表示火道温度设定值与实际测量值差值的变化率，u_j表示第j个时刻加热煤气的流量预测值；T_p=T_j，p为从1开始取值直到j的整数； f₁₁()表示控制系统的偏差，f₁₂()表示控制系统输出的均方差，f₁₃()表示控制系统调节时间； g₁()表示以e和ec为输入，u_j为输出的二维模糊控制器；输入量的模糊论域为[-6,6]，输出量的模糊论域为[-6,6]，模糊变量的词集均选为7个：{NB,NM,NS,ZO,PS,PM,PB}，子集中元素分别代表负大、负中、负小、零、正小、正中、正大，输入量和输出量在模糊论域中[-6,-5]为负大NB，（-5,-3]为负中NM，（-3,-1]为负小NS，（-1,1]为零ZO，（1,3]为正小PS，（3，5]为正中PM，（5，6]为正大PB；所设计的模糊规则表1如下表所示： 表1 g₂()为采用计时学习算法建立火道温度与加热煤气流量之间的关系表达式； 2）当控制系统性能等级B的取值小于0.2时，则采用如下式所示的焦炉加热燃烧过程优化模型： 其中，X＝[x₁,x₂,x₃]是决策向量，x₁,x₂分别表示模糊控制器的两个量化因子，x₃表示模糊控制器的比例因子；M为3～5之间的常数，表示参数修正后，系统进入稳态时刻起，系统运行的时间段，t_s,i表示第i个时刻的系统调节时间，e表示火道温度设定值与实际测量值的差值，ec表示火道温度设定值与实际测量值差值的变化率，u_j表示第j个时刻加热煤气的流量预测值； 表示火道温度标准差，是M个火道温度平均值，USL是火道温度上规格值（机侧上限温度1200℃，焦侧上限温度1400℃）和LSL是火道温度下规格值（机侧下限温度1000℃，焦侧下限温度1200℃），T(i)为第i个时刻测量获得的火道温度值；f₂₁()表示控制系统当前的过程能力，f₂₂()表示控制系统调节时间； 控制系统性能等级B通过基于信息熵的多属性性能评估模型获得； 所述的火道温度测量间隔时间为3～4小时。