专利名称：烧透点集成智能控制系统的制作方法
技术领域：
本发明涉及一种冶炼工艺中大系统控制烧透点或烧结终点的集成智能控制，属于冶金大系统自动控制技术。
背景技术：
烧透点或烧结终点(BTP-Burning Through Point)是指烧结结束时的位置，即用料层烧透时所对应的风箱位置。烧透点控制非常重要，烧结终点位置控制准确，不仅能使固态、液态和气态交换充分和稳定，而且能有效地利用烧结面积，提高烧结的利用系数。
近年来，日本新日铁公司和川崎钢铁公司采用软测量技术对烧结终点(BTP)进行预估，对透气性质量和生产率的综合评定作出操作选择，取得了较好的效果；川崎钢铁公司千叶厂开发的操作指导系统OGS，是由烧结能量控制系统、给料机闸门控制系统和化学成分控制系统组成，它的应用使焦粉使用率得以降低，操作更稳定；此外，住友小仓3号烧结机的烧结稳定化控制系统采用火焰前沿点(FFP-Flame Front Point)来代替台车底部所对应的风箱位置。
澳大利亚钢铁公司采用模糊控制对烧透点控制进行仿真和调节。根据多年烧结生产经验，以废气温度为控制依据，实时预估或检测整个烧结机料线上温度最大值，利用回归分析方法，建立温度与混合料密度和烧结机速度的关系。但由于系统易受其它因素的影响，系统采用模糊控制器对烧结机的速度进行控制，控制器的输入是废气温度最大值的期望位置与预估位置的差及其变化率，输出是烧结机速度。该系统的前提条件是烧结矿的透气性可以解析表达以及废气温度的最大值为烧透点位置。
韩国POSCO近年来对烧透点控制系统进行了较为深入的研究。MMGPC(Min-Max Generalized Predictive Control)控制模型把烧结机上载料量按台车数从点火炉到机尾单辊间分成N个时间片，系统输出是烧结起点到烧透点间的载料量，而烧结机倒数第二个风箱的位置作为烧透点的最佳位置，即烧结矿从台车表面烧到台车底部，其代价函数为minu[maxwl{Jk(u(k),w(k))]=]]>whereJ1(k)=Σi=1ny[λΔu(k+i-1)TΔu(k+i-1)]=λu‾(k)Tu‾(k)]]>J2(k)=Σi=NY+1NY+NF[{y^{k+i|k}-yr(k+i)}T×q2{y^(k+i|k)-yr(k+i)}]]]>=(y^‾2(k)-y‾r2(k))TQ2(y^‾2(k)-y‾r2(k)),]]>Q2＝q2I，q2＞0，y^‾2(k)=[y^(k+NY+1|k)···y^(k+NY+NF|k)]T,]]>yr2(k)＝[yr(k+NY+1)…y(k+NY+NF)]T该模型的参考信号是烧透点时间，而模型输出是烧结机风箱的位置。这两个参量能准确反映实际过程的前提是烧结机速度不变，但在实际生产中，烧结机速度是整个烧结过程的主控量，它很难固定不变。这也是上述模型很难运行在实际过程中的主要因素之一。
为了克服以上烧透点控制系统存在的不足，本发明对烧透点控制系统进行了研究和改进，并提供了一种新的烧透点控制系统，烧结集成智能控制系统。
发明内容
本发明烧结集成智能控制系统的目的是，通过局域网络从生产监控网络或者从汇总的适时数据服务器上获取适时数据，由服务器对大量的数据进行处理与智能运算，支持智能烧结系统正常运行；工作站读取各种外部数据并进行相应的数据预处理工作，执行烧结操作员的交互处理，并将经过神经网络预测数据或规则处理结果传送给下位机，从而实现对烧结机烧透点的复杂、实时性控制。
本发明烧结集成智能控制系统，主要由交换机联结智能烧结系统服务器和工作站组成。其中，服务器用于大量的数据处理与智能运算工作。此外，由于控制的实时性和复杂性，服务器端采用多线程结构，合理分配各个子系统的时间片，以支持智能烧结系统的正常运行；工作站读取各种外部数据并进行相应的数据预处理工作，同时执行烧结操作员的交互处理，将经过神经网络预测的数据或规则处理结果传送给下位机。所有的数据通过局域网络，从生产监控网络或者从汇总的适时数据服务器上获取适时数据，以支持大量的数据挖掘和智能处理工作。
在烧透点工艺中烧结过程的状态包括透气性状态和热状态两个方面，透气性状态决定烧结过程的顺利进行，而热状态则是过程状态的直观反映。料层点火后，表层的焦粉开始燃烧，通过料层的空气温度将升高。随着烧结过程的进行，燃烧带逐渐向下移动，且由于下层物料的自动蓄热作用和冷凝现象的消失，废气温度持续升高。当燃烧带前沿到达篦条时，废气温度大幅度上升，直到整个料层烧透到达烧结终点，废气温度达到最高，简称为烧透点或烧结终点(BTP-Burning Through Point)。此后，由于燃烧作用的结束，废气温度下降，烧结过程结束。分析烧透点的工艺过程，不难发现有如下特点1.大滞后性根据废气温度的高低及物理化学变化，其纵向烧结带自上而下进行。其过程可分烧结矿带、燃烧带、干燥预热带、水分冷凝带、原料带。由此可见，可以通过热状态的监测分析，来对终点进行判断和预报。温度指标的监测是对烧结过程进行热状态分析的基础，但由于受到料层不均匀和存在漏风等不良因素的影响，会出现温度测量值不准确的情况，不能真实地反映烧结过程进行的状况。同时烧结终点的位置在很大程度上受点火条件、料高、原始料层透气性、风箱负压、烧结机速的影响，烧结终点理化反应过程将与料层透气性成某种非线性关系。也就是，当料层透气性好，通过料层的气流加强，垂直烧结速度加快，烧结时间变短，烧结点则超前；当料层透气性差，料层阻力加大，垂直烧结速度变慢，烧结时间将延长，终点滞后。其实，点火烧结过程是一个漫长的理化反应过程，对大型烧结机来说，这种反应过程大约需要40分钟。烧结过程的大滞后性，一方面使烧结矿产、质量难以准确把握，另一方面还会引起烧结过程的波动。所以说，可以通过预先稳定料层透气性来实现烧结终点的长期控制。
2.耦合性由于烧结过程经过了燃烧反应、烧结料层中的热交换、水分的蒸发和冷凝、化学水的分解、碳酸盐的分解、氧化物的分解、还原和再氧化及塞结过程的固相反应、烧结过程的液相形成与冷凝等过程，其过程机理十分复杂。因此，从控制的角度看，烧结工艺过程可看成这样一个系统一定的原料参数和操作参数作用于设备参数后，便有一定的状态参数和指标参数与之对应，其函数关系式为(原料参数，操作参数、设备参数)→(状态参数)→(指标参数)。其中，原料参数原料配比和原料成分比；操作参数一、二冷加水、料层厚度、台车速度；设备参数抽风面积、风机能力、漏风率；状态参数主管负压、废气温度、风箱温度、烧结终点、透气性；指标参数烧结矿化学成份、机械强度、还原性、产量等。
以上这些产量相互影响、相互制约。如一种原料的配比波动会引起其它原料配比的波动，透气性变化会引起烧透点变化、主管负压和废气温度的变化等。
3.时变性因为烧结过程是一个复杂的工艺过程，从动态配料秤的自动配料开始，到烧透点的全过程，无论操作参数、设备参数、状态参数和指标参数都是一个时变的动态过程。无论是外部参数的变化，还是内部工艺过程的波动都会引起相应参数的变化。从统计规律看，这些变化是随机的，很难用某种表达式和语言去描述。
4.层次性对烧结这样的复杂工艺过程，其生产工艺、调度流程和操作模式都具有层次性。当前普遍将整个烧结生产过程分为设备控制级、过程控制级和管理调度级等三个层次。设备控制级主要实现设备的运转状态和工艺参数的检测和控制；过程控制级主要完成工艺过程间的通讯和联网、数据运行和子系统内的多变量决策和支持；管理调度级是实现整个冶炼系统的物料平衡和原料、燃料及辅助生产资源的配置。
烧透点与烧结过程的重要参数关系如下
(1)上料量和小矿槽料位在上料量稳定的前提下，进料量＝(上料量/60)t/min；出料量≈[V机速×4台车宽×(0.7总料层-0.035铺底料)×2对比重]t/min；由于料层厚度控制不稳，故希望在烧结稳定的前提下，通过泥辊速比和机速的协调来达到和上料量之间的稳定关系。在进料量和出料量之间，通过小矿槽作为中间介质来维持进料和出料之间的动态平衡。因此，小矿槽的料位变化可以看出上料量和泥辊速比机速之间的平衡关系。其中，PS1料层的厚度主要通过三个指标来调整a泥辊速比，增快则料层增厚。
b动5个辅门，增大，则给料多，一般调整单一地方的偏低和偏高。(看火工现场调整)c主门(和泥辊脱开)整体拉开，调整整体的偏低偏高。料层会增厚。
对于主门来说，一般不作调整，主要调节异常情况。如料快过大，卡住泥辊的地方。
PS2泥辊速比是指以烧结机速度为1，下料辊速度为其机速的一个比值。因此，A.调整机速不影响层厚，而调整泥辊速比影响层厚。
B.点火温度和水分水分的大或小，能反映烧结原料的透气性情况，而透气性是烧结过程中的一个重要状态参数，决定这段料的机速和层厚。在水分发生变化的情况下，点火温度能够在一定程度上反映水分的大小。水大点火温度低，水小点火温度高，幅度＞20℃，一般控制在1150±50℃。PS对于水分发生的变化中，即使做出调整，从调整以后的水分反映到整个烧结过程正常也要大约1个小时。因为其中20分钟是下完小矿槽中水偏大或偏小的料，40分钟为整个烧结过程。因此，发现水分问题同样需要先通过机速和泥辊速比调整。加了上料量以后，反映到完全稳定烧结终点也要1～2小时。
C.炉膛负压和透气性参数，反映的是在点火炉底下这段烧结区域料透气性好坏的指标。它也是布料到点火后出点火炉反映最及时的区域。当烧结状况稳定的情况下，炉膛负压应该是一个稳定的值，它的变化不仅反映了布料和点火的情况而且还能反映这块料的原始透气性的变化，从而有发现异常和预示这堆料烧到终点时状态好坏的作用。
D.风箱位置和烧结状态参数，在烧结五带中，9#风箱位置是过湿带逐渐消失的起点，到12#完全消失，并且是温度开始上起的拐点。但是，由于机速的变化幅度较小，温度上升趋势不明显，不宜观察和调整。而到14#风箱时温度上升明显，因此可通过14#风箱位置的温度变化趋势，观测这堆料的状况。由于14#风箱离烧透点或烧结终点BTP很近，因此其变化趋势也较能反映18#风箱的温度变化趋势。可以在此判断前期的调整是否有效，及时还原调整。当然，也可以再做出短期调整。18#风箱温度即烧透点或烧结终点BTP，在这一时刻要保证所有的料完成烧结，抽风温度达到350℃以上。
E.大烟道废气温度、负压和整体烧结状况是整个烟道内的参数。它反映的是一个较为持续的变化过程，是一个‘面’，而炉膛负压和终点温度只是点的变化。相比而言它的控制具有全局性和稳定性。
至于烧结机可根据机头的各种参数确定调整方案。调整手段中，透气性(水分，混合料温度，点火温度，焦粉配比等)以及机速、料层厚度，都会影响烧透点位置，但以控制烧结机的速度为主。只有原料性质和设备等发生较大变化时，才调整层厚。其中，机速调整以模糊控制为主。在模糊控制中，四个参数泥辊速比，料层厚度，矿槽料位，炉膛温度均从下位机获取；烧结机左右各一个大风箱，可展示1-20号风箱的温度、压力；算法中需要9号以及12号14号17号18号19号风箱的温度、压力等参数。
用多输入单输出自回归模型描述烧结过程为Ak(z-1)y(k)=Σi=1pbik(z-1)uj(k)z-d+e(k)]]>其中y(k)为系统的单输出，uj为系统的p个输入数据，e(k)为零均的高斯白噪声，d为时滞，a1，…an，bi0…bmi为模型参数，n，m为模型阶数，p为输入个数。未来k+d时刻的输出值y(k+d/k)＝f(y(k)，…，y(k-n+1)，ui(k)，…，uj(k-m-d+1)准则函数J＝E{[y(k+d)-y(k+d/k)]2}，达到最小值。
根据以上烧结过程中的重要参数关系，本发明烧结集成智能控制系统控制方法是(1)用小波变换的方法对过程数据或者输入样本进行时频特征分析，提取输入样本的周期特征和能谱关系。
(2)利用递阶分析方法，在大型烧结机已建立分布式控制系统，设备层已在线运行的基础上，重点研究和开发决策层以及完善执行层的工作，从而建立烧结智能控制系统。
(3)现场控制层主要利用传感器和执行器控制现场大量的连锁设备和调节设备。
其中，执行层主要执行流程内和子系统内的定量分析和顺序控制；操作层主要完成各流程间和各子系统间的协调排序和操作，以实现大系统指标。
(4)采用消除大滞后的技术，利用遗传神经网络对烧结终点等大滞后环节进行预估和测试，消除大滞后的影响。
(5)采用模糊控制器动态调节各工艺参数的变化特性，并用神经网络快速预估大滞后系统的响应特性，修正模糊控制器的隶属函数参数，实现工艺参数自适应模糊控制。
(6)递阶分层中，将复杂工艺过程按工艺流程和操作关系分为操作层、执行层和现场控制层。
(7)解耦技术为解除多变量相互耦合影响，对主成份制实行智能推理。
本发明烧结集成智能控制系统控制包括1)神经网络设计输入输出的神经元可以根据需要求解的问题和数据表示的方式确定。对烧结终点(BTP)模型，重要参量中，选取上料量、透气性、烧结机速和点火温度为输入量，选取大烟道(两个大烟道)平均温度和压力、18#风箱温度和压力为输出量。因此，相应的网络为4个输入和4个输出。
在隐单元数的选择中，隐单元数的选择往往要根据问题的复杂程度和设计者的经验、实验来确定，没有一个很好的解析式予以表示。隐单元数与输入输出都有直接关系，隐单元数太多，会导致学习时间过长；隐单元数太少，则系统容错性差，不能对没有碰到的样本进行很好的预测。通过对隐层数和节点数的具体研究，本发明选择一隐层九节点。
2)模糊控制器设计当今，模糊控制存在过于简单，过分依赖专家经验，系统适应能力差等问题。本发明设计的方法以普通模糊控制器为基础，根据烧结问题的复杂程度，选用高斯型隶属函数单点模糊控制算法。通过外部系统的调整，或者自身算法的改进，在运转的同时，完成来自外部实时信息量对模糊控制器的规则、结构、输出隶属函数等一系列调整，进一步加强模糊控制器对于不同系统的自适应性，有效克服系统大滞后性。
本发明烧结集成智能控制系统，针对复杂性和大滞后性，提出自适应变结构神经网络，由烧结机机头的参数提前35分钟预估烧结机尾的工况，再结合工长经验和回归分析得到预估的烧透点位置。该预估结果直接返回，去修正模糊控制器高斯型隶属函数的参数，从而实现提前微观修正机速。由于烧结过程的时变性和多干扰性，系统提出用烧透点位置负反馈去模糊控制台车速度，从而保证烧透点位置具有较强的鲁棒性。其中，变结构神经网络，用神经网络去预估烧透点位置可以解决大滞后问题，但易陷入局部最小；用遗传神经网络去改造系统，虽在一定范围内解决了内插的泛化问题，但解决不了外延测试样本跟踪问题。分析原因主要是工艺参数变化大和外部干扰的随机性。自组织神经网络采用动态增删网络结点和自适应修正连接权值的方法，可以提高网络的鲁棒性。为提高网络的鲁棒性，本发明定义系统的目标函数为Ep=Σp=1pΣk=1NL(Y^kP(L)-YkP(L))2P]]>其中P为样本数，L为神经元所在的层数，NL为该层神经元的数目。当网络学习达到T次以后，Ep的衰减率为D=Ep(T-1)-Ep(T)Ep(T-1)]]>Ep(T-1)和Ep(T)分别为(T-1)和T时刻的均方差，T和Tk(Tk＜T)为训练代数和试训练代数；D1和D2分别为在T次学习前和学习后的衰减率，Ds和Df(0＜Ds＜Df)为两个给定的衰减率；ε＞0为给定Ep的误差阈值。
判断过程如下
1)对于任意给定的初始结构，当网络学习次数达到T次后，计算Ep，D1，D2；2)如果E＜ε，说明网络已经收敛，进入网络的删减过程；3)如果D2＞Df，说明网络性能很好，网络结构保持不变；4)如果D2＜Ds，说明网络性能很差，进入网络的增加过程；5)如果Ds＜D2＜Df且D2＜D1，则网络的性能很差，进入网络的增加过程；6)如果Ds＜D2＜Df且D2＞D1，说明网络性能很好，网络保持不变。
烧结终点BTP软测量模型烧结终点(Burning Through Point)简称BTP。根据烧结理论，随着烧结过程的进行，料层温度越来越高，燃烧带趋向于增厚，使得风箱温度也越来越高，直至烧结完成，风箱温度趋于下降。故烧结终点BTP位置就是风箱温度的最高点。在实际烧结过程中，各风箱温度形成如图3中的曲线。在烧结终点附近风箱的温度和风箱的位置之间可近似为二次曲线关系，烧透点即为温度曲线的拐点。计算方法已知实际相临风箱距离为3.95米，则17#18#19#风箱位置坐标可表示为-3.95，0，3.95。风箱对应的温度为T1、T2、T3，由此可拟合二次曲线Tk=AXk2+BXk+C,]]>其中，Xk表示风箱位置，Tk是Xk风箱所对应的温度，A，B和C是待定系数。从中可求得风箱最高温度TMax对应的坐标位置Xmax=-B2A.]]>即终点位置LBTP0＝L18+Xmax。L18为18号风箱的位置。
由于大烟道废气温度是一个连续、宏观变化的量，它的变化趋势影响整个烧结过程的好坏，因此可通过大烟道废气温度修正上述曲线。本发明系统利用近两年大烟道温度和风箱号之间的线性回归关系y＝-1.772x+147.2，将实际大烟道温度和正常温度的偏差ΔTf经α因子加权后进行修正。并根据操作经验，修正如下
LBTP＝LBTP0当143℃＜Tf＜147°LBTP＝LBTP0+αΔTf其他其中，α＝-0.56在实际操作过程中，操作工的经验很难用几个确定的表达式予以描述，通常采用经验判断方式。基于规则模型在此基础上构架而成，对于同一堆料采用时间跟随方法进行控制(采样时间为5～10分钟)。在控制规则生成过程中，神经网络由烧结机机头的参数{点火温度，透气性(由层厚，上料量，点火温度得出)，机速，炉膛负压}提前35分钟预估烧结机尾的工况，再结合工长经验和回归分析得出预估烧透点位置。通过14号风箱温度的变化趋势以及总管温度和压力，根据现场操作工经验建立的规则，预判18#风箱温度的过烧和生烧。并由这个结果直接返回，修正模糊控制器高斯型隶属函数的参数，实现提前微观修正机速，显示在界面，告知操作者。控制规则如下表所列规则表一
规则表2
本发明的优点是，针对复杂性和大滞后性，提出自适应变结构神经网络，由烧结机机头的参数提前35分钟预估烧结机尾的工况，再结合工长经验和回归分析得到预估的烧透点位置。将预估结果直接返回，修正模糊控制器高斯型隶属函数参数，从而实现提前微观修正机速。由于烧结过程的时变性和多干扰性，系统提出用烧透点位置负反馈去模糊控制台车速度，从而保证烧透点位置具有较强的鲁棒性。本发明中的模块能通过规则推理、神经网络以及模糊控制等智能手段，实时分析快速决策现场工况，最终给出异常操作诊断以及调整措施，供操作工参考使用。因此，本发明是-种烧透点集成智能控制系统。
图1是本发明基于神经网络和智能推理的烧结系统网络拓扑结构图。其中，1-适时汇总数据库服务器，2-下位机，3-生产监控环网，4-基于神经网络和智能推理的烧结系统，5-神经网络训练库，6-烧透点库，7-物料平衡库，8-报警信息库，9-成分控制，10-智能烧结系统数据库服务器，11-智能烧结系统工作站，12-交换机。
图2是本发明烧透点集成智能控制系统烧结终点预估模型图。
图3是本发明烧结集成智能系统控制图。其中，13-18#风箱位置，14-模糊控制器，15-烧结机，16-信息提取，17-烧结位置软测量。
图4是本发明烧透点集成智能控制系统烧结终点BTP软测量模型图。
图5是本发明烧透点集成智能控制系统规则控制流程图。其中，18-炉膛负压变化以及小矿槽料位的变化，19-判断异常情况并及时解决判断是否需要立，20-观察大烟道T和P的情况和14#风箱T的变化趋势，21-判断先前的调整力度，再进行调整或将先前的调整还原，22-观察16#17#18#风箱温度的走趋情况，23-完成调整并还原。
图6是本发明烧透点集成智能控制系统主程序流程图。其中，24-实时过程值及各参数值，25-大量数据样本，26-根据神经网络训练值和各种规则值进行计算，27-离线训练，28-模糊控制器操作，29-预测值及控制方案。
图7是本发明烧透点集成智能控制系统的逻辑结构图。
图8是本发明烧透点集成智能控制系统神经网络离线训练与在线预测图。其中，30-训练样本缓冲区，31-离线训练，32-在线预测。
图9是本发明烧透点集成智能控制系统规则显示和修改对话框图。
图10是本发明烧透点集成智能控制系统神经网络模糊控制相结合控制烧结机机速对话框图。
图11是本发明烧透点集成智能控制系统现场参数设定、成分参数显示图。
图12是本发明烧透点集成智能控制系统主界面图。
图13是本发明烧透点集成智能控制系统实时保存功能对话框图。
图14是本发明烧透点集成智能控制系统数据记录实时记录的重要烧结参数对话框图。
图15是本发明烧透点集成智能控制系统数据记录对话框图。
图16是本发明烧透点集成智能控制系统烧结矿成分检测参数显示图。
图17是本发明烧透点集成智能控制系统烧结终点BTP测量记录对话框图。
图18是本发明烧透点集成智能控制系统智能管理对话框图。
图19是本发明烧透点集成智能控制系统系统参数设定对话框图。
图20是本发明烧透点集成智能控制系统模糊神经网络控制计算对话框图。
图21是本发明烧透点集成智能控制系统专家系统对话框图。
图22是本发明烧透点集成智能控制系统温度控制规则库对话框图。
图23是本发明烧透点集成智能控制系统温度规则编辑对话框图。
图24是本发明烧透点集成智能控制系统重新输入对话框图。
图25是本发明烧透点集成智能控制系统修改成功对话框图。
图26是本发明烧透点集成智能控制系统14号风箱温度状态、14#风箱变化率以及18#风箱温度状态之间对应规则显示图。
实施方式下面结合附图详细说明本发明烧透点集成智能控制系统的实施方案。
实施方案本发明烧透点集成智能控制系统实现与调试，首先定义系统，其中，1)数据流输入历史数据样本；实时过程值数据；各种参考值各种规则输出可能的烧透点位置；调整措施2)数据字典实时数据表中物理节点名有1～18号南风箱、北风箱，南北大烟道
参数设定量列于下表
其次，实现系统。其中，1)网络拓扑结构基于神经网络和智能推理的烧结系统4采用客户机/服务器结构，由交换机12联结。图1中左侧为下位机工作拓扑环路，环路中各自节点通过500ms毫秒巡检周期发送接受指令，分别控制下位设备并提取操作实时数据以分布数据库或集中式数据库的方式进行数据存储。图1的右侧为智能系统拓扑图，在结构上和逻辑上独立于已经存在的生产监控环网3，保证了原有的大系统运行的独立性和安全性。在结构上由智能烧结系统服务器10和工作站11组成。服务器主要用于神经网络训练库5，烧透点库6，物料平衡库7，报警信息库8，成分控制9等大量数据处理与智能运算工作，由于控制的实时性和复杂性，服务器端采用多线程结构，合理分配各个子系统的时间片，以支持智能烧结系统的正常运行；工作站读取各种外部数据并进行相应的数据预处理工作，同时执行烧结操作员的交互处理，将经过神经网络预测数据或规则处理结果传送给下位机2。所有的数据通过局域网络从生产监控网络或者从汇总的适时数据服务器1上获取适时数据，支持大量的数据挖掘和智能处理工作。
2)系统逻辑结构图7为系统的逻辑结构图，考虑到神经网络等算法在后台是无间隙工作，且用于离线训练所占CPU资源非常大，故将其部分操作从服务端移至客户端执行，从而缓解服务器端的运行压力。
下面就该系统结构说明各自的功能及通讯形式。
客户端所执行的功能包括●数据管理1)客户端安装的智能系统通过ADO OLEDB从下位机或监控服务器抽取有用数据以及将其转换成自定义的数据结构，并通过“帧听”方式传送给服务端；2)客户端通过从服务器端数据库中读取界面显示所需要的数据或状态并保存。
3)同时执行由操作工人根据界面操作提示，对下位机所下传的操作指令。
●界面显示1)提供用户实际操作界面以及能及时进行信息交互。
2)客户端执行与智能系统界面密切相关的图表转换和显示信息工作，以及简单的数据运算处理，如历史记录趋势图。
●服务器所执行的功能包括主控服务器启动各子模块，并相应处理消息；同时，以文本方式显示当前工作状态及记录过程运行状态，供技术人员在线调整参数及调试参考。
数据分析处理机制为，服务器端以“帧听”方式(listen socket)读取客户端实时采集的现场数据并分配其去向。其中，1)对于及时运算数据通过SOCKET通道与公共缓冲数据区之间进行数据交换，并由多线程以令牌方式进行操作。缓冲区建立在内存中，且动态变换；2)对于暂时不作运算的数据，则执行与服务器数据库间的数据传递，将其存放在数据库不同的表中。3)通过这种送入公共缓冲区的方式满足了系统及时快速相应的时间要求；对于客户端界面显示部分的时间要求性不高，可通过ADO等方式进行数据库与界面的通讯显示。
●线程的分类与管理根据系统的复杂性，服务器端在主线程下开辟三个子线程进行管理和操作，其中包括神经网络离线训练过程，推理计算过程以及决策系统所用到的其他过程计算。对于各子线程的管理即各线程所占时间片的管理，本发明采用令牌方式协调各线程的执行顺序及优先级，即获得令牌信号的子线程进入时间片操作模式，从公共数据区中获得数据到进行计算，并输出结果或中间结果。对于没有令牌的线程只能等待下一次令牌的获取。因此，也验证了所有程序必须分解为最简函数方式进行编写，以保证每个时间片的运算周期内子函数运算的完整性。
本发明烧透点控制系统的主界面如图12。
在程序设计中，(1)神经网络采用离线训练31与在线预测32方式进行，其方法如图所示。神经网络程序设计主要由两部分组成，其中第一部分为在线测试部分，即通过已训练好的权值阈值网络对实时数据进行在线前向运算，以获得智能决策系统功能所需的在线实时预测。第二部分为离线训练部分，这一部分是神经网络算法的重点，主要通过训练样本缓冲区30，积累历史数据并送网络训练。训练网络缓冲区通过在数据库中建立一个定长的数据段进行数据存储，并通过归一化及平滑处理方式将数据以一进一出的方式进行更新。例如训练样本缓冲区每10分钟抵冲在缓冲区中最早10分钟的数据区段，同时送网络训练使用，离线训练样本通过接受新样本的同时送出前次训练所产生的权值阈值给在线网络。在线网络则通过该给定的参数对现场数据进行每分钟的预估。
(2)烧结终点神经网络预测模型采用VC语言实现#define N 100 //学习样本个数#define IN 4 //输入层神经元数目#define HN 9 //隐层神经元数目#define ON 4 //输出层神经元数目double P[IN]； //单个样本输入数据double T[ON]； //单个样本教师数据double W[HN][IN]； //输入层至隐层权值double V[ON][HN]； //隐层至输出层权值double X[HN]； //隐层的输入double Y[ON]； //输出层的输入double H[HN]； //隐层的输出double O[ON]； //输出层的输出double YU_HN[HN]； //隐层的阈值double YU_ON[ON]； //输出层的阈值double err_m[N]； //第m个样本的总误差
//定义一个放学习样本的结构struct{double input[IN]；//输入在上面定义是一个double teach[ON]；//输出在上面定义也是一个}Study_Data[N]；//学习样本神经网络主程序通过调用各个子程序进行操作GetTrainingData()；initial()；//隐层、输出层权、阈值初始化(1)do{++study；for(int m＝0；m＜N；m++){input_P(m)； //输入第m个学习样本(2)input_T(m)； //输入第m个样本的教师信号(3)H_I_O()； //第m个学习样本隐层各单元输入、输出值(4)O_I_O()； //第m个学习样本输出层各单元输入、输出值(5)Err_O_H(m)； //第m个学习样本输出层至隐层一般化误差(6)Err_H_I()； //第m个学习样本隐层至输入层一般化误差(7)Delta_O_H(m)；//第m个学习样本输出层至隐层权阈值调整、修改(8)Delta_H_I(m)；//第m个学习样本隐层至输入层权阈值调整、修改(9)} //全部样本训练完毕sum_err＝Err_Sum()； //全部样本全局误差计算(10)
cout＜＜″第″＜＜study＜＜″次学习的均方误差为″＜＜sum_err＜＜endl；}while(sum_err＞Pre_error)；cout＜＜″网络已经学习了″＜＜study＜＜″次，学习的均方误差为″＜＜sum_err＜＜endl；savequan()；}(3)模糊算法隶属函数的调整与烧结机15机速调整量的输出中，模糊控制器14的程序设计同样也由两部分所组成，即神经网络的输出量对模糊控制器隶属函数参数的调整部分，以及现场实时数据通过模糊运算获得对机速的控制输出部分。针对第一部分采用比较加权的方式进行，即神经网络的预测输出量18号风箱13的温度，18号风箱的压力以及大烟道温度，大烟道压力。通过对其重要性的不同加权进行累加和，与该段时间的标准参量加权累加和比较并设定模糊参数的调整等级。相对量＝(18#温度预测×0.7+18#压力预测×0.1+大烟道温度预测×0.1+大烟道压力预测×0.1)/相对标准量；第二部分为模糊控制部分，它通过信息提取16实时采集当前末尾风箱温度，对烧结终点通过曲线拟和方式进行软测量17，并由测量值经模糊控制输出机速的调整量。
(4)模糊控制部分程序为double E1，E2，E3；double dE1，dE2，dE3；//任意输入一对误差与误差的变化率输入值double EC；//EC表示输入E的Cfloat Esig； //Esig表示输入E的σdouble dEC； //dEC表示输入的变化率dE的C
float dEsig； //dEsig表示输入的变化率dE的σdouble uC；//uC表示输出u的Cfloat usig； //usig表示输出u的σdouble EanddE＝0；double outa＝0，outb＝0，outc＝0； //最后的输出double thitar； //定义函数的胖瘦int rule[7][7]＝{ {7，7，6，6，5，5，4}，//定义隶属函数区间{7，6，6，5，5，4，3}，{6，6，5，5，4，3，3}，{6，5，5，4，3，3，2}，{5，5，4，3，3，2，2}，{5，4，3，3，2，2，1}，{4，3，3，2，2，1，1}}；double bb[121]，EanddEa[121]，out1[121]，out[121]，cc[4]；double ul[121]；double paa＝0，pbb＝0，pab＝0，pba＝0；double x1，x2；int a1，a2，b1，b2；double b＝-6.0；//生成论于域的x值k＝rule[i][j]；E1＝exp((-1)*(E-EC-(i+1-4)*2)*(E-EC-(i+1-4)*2)/(2.0*thitar*thitar))；dE1＝exp((-1)*(dE-dEC-(j+1-4)*2)*(dE-dEC-(j+1-4)*2)/(2.0*thitar*thi
tar))；for(h＝0；h＜121；h++)u1[h]＝exp((-1)*(bb[h]-uC-(k-4)*2)*(bb[h]-uC-(k-4)*2)/(2.0*thitar1*thitar1))；if(E1＞＝dE1)EanddE＝dE1；//隶属度相互取小运算elseEanddE＝E1；//求E1与dE1的小值赋予EanddEfor(m＝0；m＜121；m++)EanddEa[m]＝EanddE；for(n＝0；n＜121；n++){if(EanddEa[n]＞＝u1[n])out1[n]＝u1[n]；elseout1[n]＝EanddEa[n]；//相互取小运算}for(n＝0；n＜121；n++){if(out1[n]＞＝out[n])out[n]＝out1[n]； //相互取大运算else
out[n]＝out[n]；}for(n＝0；n＜121；n++)//重心法求输出{outb＝out[n]+outb；outc＝out[n]*bb[n]+outc；}outa＝(outc/outb)；return(outa)；此外，系统诊断中，以上各部分分别对应性能指标的原料状态、料层状态、烧结过程判断三个部分。对于异常诊断和操作调整，该模块能通过规则推理、神经网络以及模糊控制等智能手段，实时分析快速决策现场工况情况，最终给出异常操作诊断以及调整措施，供操作工参考使用。
本发明烧结集成智能控制系统采用菜单式操作，下面列举各操作菜单1规则显示和修改对话框；2神经网络模糊控制相结合控制烧结机机速；3现场参数设定、成分参数显示。
系统界面根据烧结现场及可操作性要求，尽可能以简洁实用为主，主界面既包括一些重要参量及变化趋势的实时情况，同时又能反映各子系统后台运行状态以及智能系统所决策的调整量，界面设计如下系统主界面有各子功能介绍，如1)实时保存实时保存功能能随工人需要，实时保存当前运行状态的各个重要参数以及当烧结状况出现异常时，记录该时刻的异常值。操作时，点击实时保存子功能，出现提示框“保存成功！”，说明保存已成功，保存路径在该系统根目录下，文件名为outputl.txt。打开此文件可以看见刚才实时记录的重要烧结参数，供操作员记录重要时刻，和异常时刻。
2)退出系统点击退出，系统即退出该系统。
3)成分参数成分控制参数主要接受来自化验中心二小时一次传输来的参数，它包括烧结矿碱度、全铁、氧化亚铁、转股指数、氧化镁、二氧化硫和还原粉化率。这些参数都是反映烧结完成后烧结矿质量的重要参数。这些参数可以为烧结配料提供重要参考。
4)烧透点或烧结终点BTP记录点击“烧透点或烧结终点BTP记录”，将会弹出带有当前烧透点或烧结终点BTP测量记录、烧结状况以及通过神经网络预估后得出的30分钟以后18号风箱温度，18号风箱压力，大烟道温度，大烟道压力的预测值，以及预测后的风箱位置及状态。
5)系统参数设定通过参数设定，能对烧结过程中一些重要控制参数进行实时设定，其中包括小矿槽料位设定、水份率设定、上料量设定、机速设定、泥辊速比设定以及模糊控制参数设定。当按下“系统参数设定”按钮时，将弹出对话框，设定所需要的参数。
6)模糊神经网络控制计算点击“模糊神经网络控制计算”按钮将会弹出对话框，并进行模糊神经计算该时刻需要调整机速的量。其中模糊控制参数的量可通过参数设定项设定，神经网络调整量可在系统内部神经网络计算得到，模糊控制输入量为当前时刻机尾参数与标准参数之间的误差和误差的变化率。模糊控制输出量为算法最终调整的结果。
7)温度控制规则库温度规则库显示经过工长经验提炼而成的关于温度控制急速的规则，该规则主要由四部分组成，一为规则号，它反映了规则的数目；二为前提，它是规则推理的前件；三是机速调整量；四是赋权，它可与机速相结合形成相对机速进行调整。推理规则为可找到符合所有前件的一条规则，找出相应的机速和赋权，进行计算得出机速调整量。该过程由系统内部实现，而图的画面可让操作人员显示规则以及修改规则用。当操作员认为那条规则不符合当前操作的调整，可双击该规则，便会弹出对话框进行修改调整量和权系数。使规则更符合实际情况。但需要注意，在对权系数进行调整时，它们的和为1，如果和不为1，将会弹出对话框要求重新输入。若修改成功，也会弹出对话框。
8)推理机制实现专家系统中对知识表达采用完整的产生式规则。以这种方式建立的知识库结构具有统一的模式和规范。针对这种情况，采用数据库作为知识库的存储介质进行存储和修改和调用。通过把相关的规则及规则推理用到的事实，分为不同子类形式，存放在数据库不同的表中，对数据库规则的调用，可通过在程序中写SQL语言的方式查询和判断。其规则库在数据库中的结构如表所示
对于不同类型的规则，存放在对应的表中，每一字段对应一前件、赋权及调整量；同一前件也可对应两个字段。例如当前件中涉及某一区间的判别时就需采用两个字段来对应，其中一个字段对应下区间，另一个字段对应上区间，可便于SQL的查询和判断。在实际操作过程中，操作工的经验很难用几个确定的表达式来描述，而通常采用的是经验判断的方式。基于规则的模型就是在此基础上构架而成的。对于同一堆料采用时间跟随的方法进行控制(采样时间为5～10分)。
其控制方法由炉膛负压变化以及小矿槽料位的变化18，判断异常情况并及时解决判断是否需要立19；观察大烟道T和P的情况和14#风箱T的变化趋势20，判断先前的调整力度，再进行调整或将先前的调整还原21；观察16#17#18#风箱温度的走趋情况22，完成调整并还原23。
9)14号风箱温度状态、14#风箱变化率以及18#风箱温度状态之间对应的规则。
取第182条规则为例该规则表示如果14#风箱温度在10分钟下降幅度达到30～50℃且10分钟前温度为150～200℃，18#风箱温度为当时机速调整量，为他们各个赋权与调整量乘积的累加和。其中，规则库表示如图。num为规则号，Min14#T10min，Max14#T10min为14#风箱10分钟变化量区间。Min14#T，Max14#T分别表示14#风箱温度区间；Min18#T，Max18#T分别表示18#风箱温度区间；cot1，cor2，cor3分别表示对应前件的权值情况；r1，r2，r3分别表示机速调整量。这样通过记录，集成，能抽象地表示所需要的规则。
10)规则匹配、修改与删减规则匹配由于系统快速相应要求，本发明烧结集成智能控制系统将规则分为两类，一类为常见规则，另一类为非常见规则。对于常用规则，将其从不同的规则类(表)中映射到同一视图。在匹配规则操作时首先从这一视图中寻找符合条件的规则以加快推理决策速度，对于视图中不能找到的规则再通过分类规则库进行搜索匹配。匹配方式采用SQL语言查询功能。例如在每一时间间隔进行推理时，首先从数据库中查询记录求得14#风箱温度的变化趋势val1，14#风箱温度状态量val2，18#风箱温度状态量val3，通过SQL语言进行匹配vSQL＝″SELECT*FROM rule_init WHERE Max14#T10min＞＝’″+val1+″’ANDMin14#T10min＜’″+val1+″’AND Max14#T＞＝’″+val2+″’ANDMin14#T＜’″+val2+″’AND Max18#T＞＝’″+val3+″’AND Min18#T＜’″+va13+″’″；规则的修改与增减中，鉴于专家经验的可修改和可扩充性，程序对于知识库中产生式规则的数量与参数是不确定的，可以从实际的生产过程中进行动态增减。SQL语言既可以很方便的修改某一需要字段的量(如权值，调整量)，也可以进行规则的增减。通过数据库建立知识库的优点即在于此。
由上所述，系统主程序流程为，将实时过程值及各参数值24，根据神经网络训练值和各种规则值进行计算26；大量数据样本25离线训练27，也根据神经网络训练值和各种规则值进行计算26，由模糊控制器操作28，得出预测值及控制方案29。
系统进行调试时，1、调试离线训练近两年的样本；2、在线调节来一个过程值，经过神经网络测试，出来一组数据，得到一个BTP值；3、用BTP值控制FLC；4、第9号、12号、14号、16号风箱可通过经验来推理，作为预测值的一个修正值；5、调节烧结机的速度，以调整烧透点位置。
系统调试包括诊断，以上各部分分别对应性能指标的原料状态、料层状态、烧结过程判断三个部分。对于异常诊断和操作调整，模块能通过规则推理、神经网络以及模糊控制等智能手段实时分析快速决策现场工况情况，最终给出操作诊断以及调整措施，供操作工参考使用。并由规则和修改对话框显示神经网络模糊控制相结合控制烧结机机速；现场参数设定、成分参数。
权利要求
1.一种烧结集成智能控制系统，包括烧结机、局域网络和生产监控网络、汇总数据的适时数据服务器、成分控制、报警信息库、物种平衡库、烧透点库以及下位机，其特征在于，结构上和逻辑上独立于生产监控环网的系统由交换机联结用于数据处理与智能运算的数据库服务器和读取各种外部数据并进行相应数据预处理，同时执行烧结操作员交互处理，将经过神经网络预测数据或规则处理结果传送给下位机的工作站组成。
2.根据权利要求1所述的烧结集成智能控制系统，其特征在于，合理分配各个子系统时间片，以支持智能烧结系统正常运行的，处于实时和复杂控制的服务器端为多线程结构；所有通过局域网络从生产监控网络或者从汇总的适时数据服务器上获取的数据中，支持数据挖掘和智能处理工作的是适时数据。
3.根据权利要求1所述的烧结集成智能控制系统，其特征在于，系统控制方法是a.用小波变换的方法对过程数据或者输入样本进行时频特征分析，提取输入样本的周期特征和能谱关系；b.利用递阶分析方法，在大型烧结机已建立分布式控制系统，设备层已在线运行的基础上，发展决策层以及完善执行层；c.利用传感器和执行器控制现场大量的连锁设备和调节设备，完成现场控制层，执行层执行流程内和子系统内的定量分析和顺序控制，操作层完成各流程间和各子系统间的协调排序和操作，实现大系统的指标；d.利用遗传神经网络对烧结终点等大滞后环节进行预估和测试，消除大滞后影响；e.采用模糊控制器动态调节各工艺参数的变化特性，并用神经网络快速预估大滞后系统的响应特性，修正模糊控制器的隶属函数的参数，实现工艺参数自适应模糊控制；f.递阶分层，将复杂工艺过程按工艺流程和操作关系分为操作层、执行层和现场控制层；g.解除多变量相互耦合影响，对主成份制实行智能推理。
4.根据权利要求1所述的烧结集成智能控制系统，其特征在于，系统主程序流程为，将实时过程值及各参数值，根据神经网络训练值和各种规则值进行计算；数据样本离线训练，根据神经网络训练值和各种规则值计算，由模糊控制器操作，得出预测值及控制方案。
5.根据权利要求1所述的烧结集成智能控制系统，其特征在于，数据管理中以帧听方式传送给服务端的数据是从下位机或监控服务器抽取的，转换成自定义数据结构的有用数据。
6.根据权利要求1所述的烧结集成智能控制系统，其特征在于，系统有可提供用户实际操作的界面和能及时进行信息交互的界面以及客户端执行与智能系统界面密切相关的图表转换，信息、数据运算处理，记录历史趋势图的界面。
7.根据权利要求1所述的烧结集成智能控制系统，其特征在于，有建立在内存中，且动态变换的，可满足系统及时快速相应的缓冲区。
8.根据权利要求1、2所述的烧结集成智能控制系统，其特征在于，服务器端在主线程下管理和操作的三个子线程为神经网络离线训练过程计算；推理过程计算以及决策系统过程计算。
9.根据权利要求1、2所述的烧结集成智能控制系统，其特征在于，各线程所占时间片的管理为令牌方式协调各线程执行顺序及优先级。
10.根据权利要求1、4所述的烧结集成智能控制系统，其特征在于，神经网络程序设计由在线测试部分和离线训练部分组成。
11.根据权利要求1所述的烧结集成智能控制系统，其特征在于，烧结终点神经网络预测模型采用的是VC语言。
12.根据权利要求1、4所述的烧结集成智能控制系统，其特征在于，模糊算法隶属函数的调整与机速调整量的输出中，模糊控制器的程序设计由神经网络的输出量对模糊控制器隶属函数参数的调整部分以及现场实时数据通过模糊运算获得对机速的控制输出部分组成。
13.根据权利要求1所述的烧结集成智能控制系统，其特征在于，诊断部分为对应性能指标的原料状态、料层状态、烧结过程判断三个部分。
14.根据权利要求1所述的烧结集成智能控制系统，其特征在于，系统有通过规则推理、神经网络以及模糊控制，实时分析快速决策现场工况的异常诊断和操作调整。
15.根据权利要求1所述的烧结集成智能控制系统，其特征在于，系统有规则显示和修改对话框，神经网络和模糊控制结合控制烧结机机速显示，现场参数设定和成分参数显示。
16.根据权利要求1所述的烧结集成智能控制系统，其特征在于，系统有主界面和能随需要实时保存当前状态参数，以及记录异常值的实时保存。
17.根据权利要求1所述的烧结集成智能控制系统，其特征在于，成分控制参数为烧结矿碱度、全铁、氧化亚铁、转股指数、氧化镁、二氧化硫和还原粉化率。
18.根据权利要求1所述的烧结集成智能控制系统，其特征在于，烧透点BTP记录对话框带有当前烧结终点BTP测量记录、烧结状况以及通过神经网络预估后得出的30秒以后18号风箱温度，18号风箱压力，大烟道温度，大烟道压力的预测值，以及预测后的风箱位置及状态。
19.根据权利要求1所述的烧结集成智能控制系统，其特征在于，系统有能对烧结过程控制参数进行实时设定的参数设定对话框，设定的参数为小矿槽料位、水份率、上料量、机速、泥辊速比以及模糊控制参数。
20.根据权利要求1所述的烧结集成智能控制系统，其特征在于，系统有可进行模糊神经计算调整机速量的，模糊控制输入量为当前时刻机尾参数与标准参数之间误差和误差变化率以及模糊控制输出量为算法最终调整结果的模糊神经网络控制计算对话框。
21.根据权利要求1所述的烧结集成智能控制系统，其特征在于，温度控制急速规则由规则号，规则的数目；前提，规则推理的前件；机速调整量和赋权四部分组成。
22.根据权利要求1所述的烧结集成智能控制系统，其特征在于，系统推理机制查询和判断，规则匹配方式以及规则修改与增减应用的是SQL语言。
全文摘要
本发明烧结集成智能控制系统由交换机联结服务器和工作站组成。服务器用于数据处理与智能运算。服务器端采用多线程结构，合理分配各个子系统的时间片，支持系统正常运行；工作站读取各种外部数据并进行预处理，同时执行烧结操作员的交互处理，将经过神经网络预测数据或规则处理结果传送给下位机。系统通过局域网从生产监控网或者从汇总的适时数据服务器上获取适时数据，支持数据挖掘和智能处理。本发明系统能通过规则推理、神经网络以及模糊控制，实时分析快速决策现场工况，给出诊断和调整措施。因此，本发明是一种实用的烧透点集成智能控制系统。
文档编号G05B13/04GK1940793SQ20061002386
公开日2007年4月4日 申请日期2006年2月14日 优先权日2006年2月14日
发明者程武山 申请人:上海工程技术大学