一种高炉炉喉十字测温装置中心带温度预测方法及系统

摘要

本发明提供一种高炉炉喉十字测温装置中心带温度预测方法及系统，该方法包括：采集与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量；对采集的过程变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；利用中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测。该系统，包括：采集模块、预处理模块、预测模块。本发明通过中心带温度预测模型所选的输入及输出的历史数据来预测未来的十字测温装置中心带的温度输出，能够准确表达温度输出及控制输入之间的关系，能够保证在十字测温装置中心温度传感器维修或损坏，使高炉操作人员能够准确判断及时调整高炉上下部制度提供依据，进而实现高炉的稳定、高效、安全顺行。

权利要求

1.一种高炉炉喉十字测温装置中心带温度预测方法，包括：采集与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量；

对采集的过程变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

利用中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测；

其特征在于，所述利用中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测，包括：选用ARMAX建立中心带温度预测模型；

确定中心带温度预测模型中两个后移算子多项式的阶次；

运用递归最小二乘法辨识十字测温装置中心带温度预测模型参数，即两个后移算子多项式矩阵中多项式的系数，进而得到最终的十字测温装置中心带温度预测模型；

利用最终的中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测。

2.根据权利要求1所述的方法，其特征在于，所述选用ARMAX建立中心带温度预测模型，包括：采集历史高炉炉喉温度的过程变量，即高炉炉喉十字测温装置的各测量点温度及高炉四个方向的顶温；

选取与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量作为中心带温度预测模型的输入变量；

对中心带温度预测模型的输入变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

选用ARMAX建立中心带温度预测模型，所述模型中两个后移算子多项式矩阵的阶次分别表示输入变量的滞后阶次和输出变量的滞后阶次，描述输出变量与输入变量之间的时滞关系、不同时刻的输出变量之间的时滞关系，所述模型中两个后移算子多项式矩阵的系数描述输入变量和输出变量之间的函数关系。

3.根据权利要求2所述的方法，其特征在于，所述选取与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量作为中心带温度预测模型的输入变量，包括：采用因子分析方法从所述历史高炉炉喉温度的过程变量中选出中心带温度的主因子；

利用主因子与过程变量做Pearson相关分析，初步选取输入变量；

将初步选取的输入变量与中心带温度做Pearson相关性分析，剔除与中心带温度不相关的输入变量，得到最终选取的中心带温度预测模型的输入变量。

4.根据权利要求1所述的方法，其特征在于，所述确定中心带温度预测模型中两个后移算子多项式的阶次，包括：根据两个后移算子多项式的阶次不同组合，计算每个阶次组合对应的AIC值；

将AIC值的值域等分为N个节点；

选择与每个节点的AIC值最接近的阶次组合，在不同阶次组合下分别十字测温装置中心带温度预测模型的拟合优度，选出拟合优度最高的阶次组合作为两个后移算子多项式的阶次。

5.一种高 炉炉喉十字测温装置中心带温度预测系统，包括：采集模块，用于采集与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量；

预处理模块，用于对采集的过程变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

预测模块，利用中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测；

其特征在于，所述预测模块，包括：

模型建立模块，用于选用ARMAX建立中心带温度预测模型；

阶次确定模块，用于确定中心带温度预测模型中两个后移算子多项式的阶次；

参数辨识模块，用于运用递归最小二乘法辨识十字测温装置中心带温度预测模型参数，即两个后移算子多项式矩阵中多项式的系数，进而得到最终的十字测温装置中心带温度预测模型；

温度预测模块，用于利用最终的中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测。

6.根据权利要求5所述的系统，其特征在于，所述模型建立模块，包括：过程变量采集模块，用于采集历史高炉炉喉温度的过程变量，即高炉炉喉十字测温装置的各测量点温度；

输入变量选取模块，用于选取与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量作为中心带温度预测模型的输入变量；

输入变量预处理模块，用于对中心带温度预测模型的输入变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

预测模型建立模块，用于选用ARMAX建立中心带温度预测模型，所述模型中两个后移算子多项式矩阵的阶次分别表示输入变量的滞后阶次和输出变量的滞后阶次，描述输出变量与输入变量之间的时滞关系、不同时刻的输出变量之间的时滞关系，所述模型中两个后移算子多项式矩阵的系数描述输入变量和输出变量之间的函数关系。

7.根据权利要求6所述的系统，其特征在于，所述输入变量选取模块，包括：主因子选取模块，用于采用因子分析方法选出所述历史高炉炉喉温度的过程变量中与中心带温度相关的主因子；

第一选取模块，用于利用主因子与过程变量做Pearson相关分析，初步选取输入变量；

第二选取模块，用于将初步选取的输入变量与中心带温度做Pearson相关性分析，剔除与中心带温度不相关的输入变量，得到最终选取的中心带温度预测模型的输入变量。

8.根据权利要求5所述的系统，其特征在于，所述阶次确定模块，包括：AIC值计算模块，用于根据两个后移算子多项式的阶次不同组合，计算每个阶次组合对应的AIC值；

节点划分模块，用于将AIC值的值域等分为N个节点；

阶次组合确定模块，用于选择与每个节点的AIC值最接近的阶次组合，在不同阶次组合下分别十字测温装置中心带温度预测模型的拟合优度，选出拟合优度最高的阶次组合作为两个后移算子多项式的阶次。

说明书

一种高炉炉喉十字测温装置中心带温度预测方法及系统

技术领域

[0001] 本发明属于高炉炉温监测技术领域，具体是一种高炉炉喉十字测温装置中心带温度预测方法及系统。

背景技术

[0002] 钢铁作为人类社会使用最重要的基础原材料和年产量最多的功能性材料，被广泛地应用在交通运输业、机械制造业、建筑及军事发展等各行各业上。高炉炼铁作为钢铁工业的重要工序，保证高炉炼铁高效、安全稳定顺行对钢铁工业的持续健康发展以及降低能源消耗都有着重要作用。由于高炉冶炼是一个多种物质形态复杂的物理化学反应的过程，实现对其自动化控制一直以来冶金及自动控制领域未能解决的学科难题，特别是在高炉异常炉况下，对炉温进行准确的预测和有效的控制，以及实现高炉炼铁过程的智能自动化控制，更是当今冶金领域及自动控制科技发展的前沿课题。

[0003] 高炉炉温主要包含三个方面：炉喉温度、炉壁温度、炉内铁水温度。目前，国内大部分的高炉炉喉温度的监测手段已经从炉顶煤气CO2取样分析转变为十字测温装置温度曲线分析。由于炉顶煤气取样时间长，CO2成分分析时滞大，炉温分析易出现误差；而十字测温温度曲线与炉顶煤气CO2成分曲线有很好的对应关系：十字测温曲线显示的炉喉温度高的地方煤气流旺盛，CO2含量低。并且十字测温装置具有以下优点：采样频率大、数据量大、对炉况变化反应灵敏，可以作为高炉操作者及时上下部制度的调整提供依据。利用十字测温曲线指导高炉各项指标的调整，特别是在高炉炉况波动异常时，为高炉操作者判断上下部制度的调整方向提供依据，对高炉炉况的快速恢复起到积极作用，是避免炉况失常的有效检测手段。

[0004] 然而，高炉十字测温装置中心带温度较其他测温点高，传感器容易损坏且更换周期长，因而无法及时监测炉内煤气温度，给高炉操作人员判断煤气分布带来影响，导致无法及时正确的调整布料、鼓风等高炉操作制度，进而影响高炉的顺行。一方面，由于高炉复杂多变量，多时滞的特点，建立准确的十字测温点温度机理模型是十分困难的。另一方面，基于数据驱动的建模方法的发展，使精确预测十字测温中心温度成为可能。

[0005] 鉴于高炉炼铁过程中操作控制量的变动对高炉炉温的影响不仅具有时效性而且具有时滞性的特点，因此进行高炉炉温的预测控制时，在保持当前炉况顺行的前提下还应兼顾下一炉炉况的良性发展。

发明内容

[0006] 针对现有技术存在的不足，本发明提供一种高炉炉喉十字测温装置中心带温度预测方法及系统。

[0007] 本发明的技术方案是：

[0008] 一种高炉炉喉十字测温装置中心带温度预测方法，包括：

[0009] 采集与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量；

[0010] 对采集的过程变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

[0011] 利用中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测。

[0012] 所述利用中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测，包括：

[0013] 选用ARMAX建立中心带温度预测模型；

[0014] 确定中心带温度预测模型中两个后移算子多项式的阶次；

[0015] 运用递归最小二乘法辨识十字测温装置中心带温度预测模型参数，即两个后移算子多项式矩阵中多项式的系数，进而得到最终的十字测温装置中心带温度预测模型；

[0016] 利用最终的中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测。

[0017] 所述选用ARMAX建立中心带温度预测模型，包括：

[0018] 采集历史高炉炉喉温度的过程变量，即高炉炉喉十字测温装置的各测量点温度及高炉四个方向的顶温；

[0019] 选取与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量作为中心带温度预测模型的输入变量；

[0020] 对中心带温度预测模型的输入变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

[0021] 选用ARMAX建立中心带温度预测模型，所述模型中两个后移算子多项式矩阵的阶次分别表示输入变量的滞后阶次和输出变量的滞后阶次，描述输出变量与输入变量之间的时滞关系、不同时刻的输出变量之间的时滞关系，所述模型中两个后移算子多项式矩阵的系数描述输入变量和输出变量之间的函数关系。

[0022] 所述选取与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量作为中心带温度预测模型的输入变量，包括：

[0023] 采用因子分析方法从所述历史高炉炉喉温度的过程变量中选出中心带温度的主因子；

[0024] 利用主因子与过程变量做Pearson相关分析，初步选取输入变量；

[0025] 将初步选取的输入变量与中心带温度做Pearson相关性分析，剔除与中心带温度不相关的输入变量，得到最终选取的中心带温度预测模型的输入变量。

[0026] 所述确定中心带温度预测模型中两个后移算子多项式的阶次，包括：

[0027] 根据两个后移算子多项式的阶次不同组合，计算每个阶次组合对应的AIC值；

[0028] 将AIC值的值域等分为N个节点；

[0029] 选择与每个节点的AIC值最接近的阶次组合，在不同阶次组合下分别计算十字测温装置中心带温度预测模型的拟合优度，选出拟合优度最高的阶次组合作为两个后移算子多项式的阶次。

[0030] 一种炉喉十字测温装置中心带温度预测系统，包括：

[0031] 采集模块，用于采集与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量；

[0032] 预处理模块，用于对采集的过程变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

[0033] 预测模块，利用中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测。

[0034] 所述预测模块，包括：

[0035] 模型建立模块，用于选用ARMAX建立中心带温度预测模型；

[0036] 阶次确定模块，用于确定中心带温度预测模型中两个后移算子多项式的阶次；

[0037] 参数辨识模块，用于运用递归最小二乘法辨识十字测温装置中心带温度预测模型参数，即两个后移算子多项式矩阵中多项式的系数，进而得到最终的十字测温装置中心带温度预测模型；

[0038] 温度预测模块，用于利用最终的中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测。

[0039] 所述模型建立模块，包括：

[0040] 过程变量采集模块，用于采集历史高炉炉喉温度的过程变量，即高炉炉喉十字测温装置的各测量点温度及高炉四个方向的顶温；

[0041] 输入变量选取模块，用于选取与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量作为中心带温度预测模型的输入变量；

[0042] 输入变量预处理模块，用于对中心带温度预测模型的输入变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

[0043] 预测模型建立模块，用于选用ARMAX建立中心带温度预测模型，所述模型中两个后移算子多项式矩阵的阶次分别表示输入变量的滞后阶次和输出变量的滞后阶次，描述输出变量与输入变量之间的时滞关系、不同时刻的输出变量之间的时滞关系，所述模型中两个后移算子多项式矩阵的系数描述输入变量和输出变量之间的函数关系。

[0044] 所述输入变量选取模块，包括：

[0045] 主因子选取模块，用于采用因子分析方法从所述历史高炉炉喉温度的过程变量中选出中心带温度的主因子；

[0046] 第一选取模块，用于利用主因子与过程变量做Pearson相关分析，初步选取输入变量；

[0047] 第二选取模块，用于将初步选取的输入变量与中心带温度做Pearson相关性分析，剔除与中心带温度不相关的输入变量，得到最终选取的中心带温度预测模型的输入变量。

[0048] 所述阶次确定模块，包括：

[0049] AIC值计算模块，用于根据两个后移算子多项式的阶次不同组合，计算每个阶次组合对应的AIC值；

[0050] 节点划分模块，用于将AIC值的值域等分为N个节点；

[0051] 阶次组合确定模块，用于选择与每个节点的AIC值最接近的阶次组合，在不同阶次组合下分别计算十字测温装置中心带温度预测模型的拟合优度，选出拟合优度最高的阶次组合作为两个后移算子多项式的阶次。

[0052] 有益效果：

[0053] 为了解决十字测温装置中心温度点高，传感器容易损坏且传感器更换周期长，以及传感器损坏时导致高炉操作者无法及时判断炉顶煤气流分布等问题，本发明基于离散时间序列的动态建模思想，提出用时间序列的自回归移动平均建模算法在控制输入的作用下建立多输出的中心带温度预测模型，对十字测温装置中心五个测温点温度进行在线估计。保证在十字测温中心温度点无法正常测量时，操作人员能够根据模型的温度预测值估计炉内煤气流分布，及时调整布料矩阵，保证高炉稳定顺行。

[0054] 本发明基于M-ARMAX智能建模方法、高炉工艺机理，提出了一种高炉炉喉十字测温装置中心带温度预测方法及系统。本发明通过中心带温度预测模型所选的输入及输出的历史数据来预测未来的十字测温装置中心带的温度输出，具有方法简单，且所建中心带温度预测模型能够准确表达温度输出及控制输入之间的关系，中心带温度预测模型精度高，能够保证在十字测温装置中心温度传感器维修或损坏，为高炉操作人员提供精确的炉喉温度数据，使高炉操作人员能够准确判断及时调整高炉上下部制度提供依据，进而实现高炉的稳定、高效、安全顺行。

附图说明

[0055] 图1为现有技术中高炉炉喉十字测温装置示意图；

[0056] 图2为本发明具体实施方式中高炉炉喉十字测温装置中心带温度预测方法流程图；

[0057] 图3为本发明具体实施方式中步骤3流程图；

[0058] 图4为本发明具体实施方式中步骤3-1流程图；

[0059] 图5为本发明具体实施方式中步骤3-1-2流程图；

[0060] 图6为本发明具体实施方式中步骤3-2流程图；

[0061] 图7为本发明具体实施方式中步骤3-2-1流程图；

[0062] 图8为本发明具体实施方式中步骤3-2-3流程图；

[0063] 图9为本发明具体实施方式中步骤3-3流程图；

[0064] 图10为本发明具体实施方式中炉炉喉十字测温装置中心带温度预测系统框图；

[0065] 图11为本发明具体实施方式中预测模块框图；

[0066] 图12为本发明具体实施方式中模型建立模块框图；

[0067] 图13为本发明具体实施方式中输入变量选取模块框图；

[0068] 图14为本发明具体实施方式中阶次确定模块框图；

[0069] 图15为基于MARMAX的十字测温中心温度预测效果图，其中(a)～(c)分别为测温点5、6、16显示为1000采样点的效果图，(d)～(e)分别为测温点15、17显示为300采样点的效果图；

[0070] 图1中，TT1为顶温东北温度传感器，TT2为顶温东南温度传感器，TT3为顶温西北温度传感器，TT4为顶温西南温度传感器，TT5为十字测温点3温度传感器，TT6为十字测温点8温度传感器，TT7十字测温点10温度传感器。

具体实施方式

[0071] 下面结合附图对本发明的具体实施方式做详细说明。

[0072] 如图1所示，高炉炉喉十字测温装置以正十字型方式安装在高炉炉喉或封罩上，包括4支十字测温枪，分别安装在高炉炉喉西北、西南、东南、东北4个方向，十字测温枪上热电偶的序号排列如下：从西北至东南依次是1～10号；从西南到东北依次是11～21号。十字测温枪编号从东南方向顺时针至东北方向分别为1号、2号、3号、4号。十字测温枪有长支和短支之分，其中西北方向(3号)是长支，其上共布置6支测温热电偶；其余方向的3支是短支，其上均布置5支测温热电偶。现场布置有高炉炉喉十字测温装置、高炉炉顶顶温测量装置、数据采集装置、计算机系统。数据采集器连接高炉测温系统，并通过通信总线连接计算机系统。

[0073] 高炉炉喉十字测温装置上的测温元件采用铠装镍铬-镍硅热电偶，其测温范围在0-1100℃之间，能承受的瞬时最高的环境温度小于1200℃。本实施方式中所涉及到的热电偶型号为：WRKK-333，Φ8mm，K分度号，保护管材质：GH3030或1Cr18Ni9Ti。

[0074] 高炉炉喉十字测温装置用于测量高炉炉内料面煤气温度，具有可靠性高、连续性好、数字化等特点。高炉炉喉十字测温装置取代了炉喉煤气取样分析，提高了炉况及炉型判断的准确性，对合理调整布料制度起到重要的指导作用。

[0075] 由于高炉炉喉十字测温装置中心带温度较之其他测温点温度高出近500度，高炉炉喉十字测温装置中心带热电偶易于损坏且热电偶的传感器更换周期长，影响炉况及炉型的及时判断。本实施方式对高炉炉喉十字测温装置中心五点温度进行预测，且模型精度高，在高炉炉喉十字测温装置中心带测温的热电偶损坏或更换维修时，能够保证十字测温曲线连续显示，为高炉操作人员判断炉况及时调整布料制度提供依据，以保证高炉顺行。

[0076] 为方便描述，对本实施方式使用的符号和术语定义如下：

[0077] 测温点3温度u1(k)，℃；

[0078] 测温点8温度u2(k)，℃；

[0079] 测温点10温度u3(k)，℃；

[0080] 东南顶温温度u4(k)，℃；

[0081] 西北顶温温度u5(k)，℃；

[0082] 东北顶温温度u6(k)，℃；

[0083] 西南顶温温度u7(k)，℃；

[0084] 测温点5温度y1(k)，℃；

[0085] 测温点6温度y2(k)，℃；

[0086] 测温点16温度y3(k)，℃；

[0087] 测温点15温度y4(k)，℃；

[0088] 测温点17温度y5(k)，℃；

[0089] 本实施方式提供一种高炉炉喉十字测温装置中心带温度预测方法，如图2所示，包括：

[0090] 步骤1、采集与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量；

[0091] 步骤2、对采集的过程变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

[0092] 步骤3、利用中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测。

[0093] 所述步骤3，如图3所示，包括：

[0094] 步骤3-1、选用ARMAX建立中心带温度预测模型；

[0095] 所述步骤3-1，如图4所示，包括：

[0096] 步骤3-1-1、采集历史高炉炉喉温度的过程变量，即高炉炉喉十字测温装置的各测量点温度及高炉四个方向的顶温；

[0097] 步骤3-1-2、选取与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量作为中心带温度预测模型的输入变量；

[0098] 所述步骤3-1-2，如图5所示，包括：

[0099] 步骤3-1-2-1、采用因子分析方法从所述历史高炉炉喉温度的过程变量中选出中心带温度的主因子；

[0100] 步骤3-1-2-2、利用主因子与过程变量做Pearson相关分析，初步选取输入变量；

[0101] 步骤3-1-2-3、将初步选取的输入变量与中心带温度做Pearson相关性分析，剔除与中心带温度不相关的输入变量，得到最终选取的中心带温度预测模型的输入变量。

[0102] 本实施方式中中心带温度预测模型的输出为高炉炉喉十字测温装置中心五个测温点温度包括：y1测温点5、y2测温点6、y2测温点16、y4测温点15、y5测温点17。

[0103] 高炉是一个复杂的系统，高炉炉喉温度的过程变量多达30种。如果所有的数据被使用，必然会造成中心带温度预测模型的过拟合。因此，选取5000组高炉实际数据，采用因子分析方法选出最能解释高炉炉喉十字测温装置中心五个测温点的一个主因子，并用这个主因子与过程变量做Pearson相关分析。为简化模型减少嵌入模型的维数选与输出变量相关性大于0.5的变量，选出以下9个输入变量：十字测温点3、十字测温点4、十字测温点8、十字测温点10、十字测温点20、顶温东南、顶温西北、顶温西南、顶温西北。又因为因子分析选出的主因子不具有实际意义，并不能解释中心五个温度点的全部信息，因此以上所选输入需再与十字测温中心五个温度点做Pearson相关性分析剔除与中心温度点不相关的变量，最后共选取以下7个变量作为输入变量：十字测温点3、十字测温点8、十字测温点10、顶温东南、顶温西北、顶温西南、顶温西北。

[0104] 步骤3-1-3、对中心带温度预测模型的输入变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

[0105] 由于高炉外部干扰的影响使得中心带温度预测模型的输入变量可能存在随机误差，为此，采用噪声尖峰滤波算法剔除输入变量中的噪声尖峰跳变数据；之后，采用移动平均滤波方法剔除输入变量中温度值小于10℃的的高频噪声数据。

[0106] 步骤3-1-4、选用ARMAX建立中心带温度预测模型，所述模型中两个后移算子多项式矩阵的阶次分别表示输入变量的滞后阶次和输出变量的滞后阶次，描述输出变量与输入变量之间的时滞关系、不同时刻的输出变量之间的时滞关系，所述模型中两个后移算子多项式矩阵的系数描述输入变量和输出变量之间的函数关系。

[0107] 考虑到十字测温中心五个温度点的温度不仅与输入变量有依存关系，还与其自身历史数据存在相关关系，以及高炉内部随机干扰的存在，选用ARMAX(Auto Regressive Moving Average)作为中心带温度预测模型。同时输出变量为中心五个温度点且炉喉十字测温中心五个温度点输出变量之间也具有相关性，因此建模时还需考虑输出变量之间的相关关系。此外建模数据为可实时采集数据，高炉内部引起的干扰已融入高炉实际数据中，所以定义本实施方式中的ARMAX为Multi-outputAuto Regressive MovingAverage，即多输出的ARMAX，建立中心带温度预测模型为：

[0108] y(k)＝A(z-1)y(k)+B(z-1)u(k)  (1)

[0109] 式中，

[0110]

[0111]

[0112] u(k)＝[u1(k)，u2(k)，…，u7(k)]T为输入向量，y(k)＝[y1(k)，y2(k)，y3(k)，y4(k)，yx(k)]T为输出向量。后移算子多项式矩阵A(z-1)的阶次np为输出变量的滞后阶次，aij×1，aij×2，…，aij×np表示当前k时刻输出温度点与历史k-1，k-2，…，k-np时刻的输出温度的函数关系。后移算子多项式矩阵B(z-1)的阶次nq为输入变量的滞后阶次，bij×1，bij×2，…，bij×np表示当前k时刻输出温度点与历史k-1，k-2，…，k-nq时刻的输入变量温度的函数关系。

[0113] 步骤3-2、确定中心带温度预测模型中两个后移算子多项式的阶次；

[0114] 所述步骤3-2，如图6所示，包括：

[0115] 步骤3-2-1、根据两个后移算子多项式的阶次不同组合，计算每个阶次组合对应的AIC值；

[0116] 所述步骤3-2-1，如图7所示，包括：

[0117] 步骤3-2-1-1：用RLS辨识第l组的中心带温度预测模型参数；

[0118] 步骤3-2-1-2：将第l组的阶次及辨识的参数代入式(1)计算并记录中心带温度预测模型预测输出 及中心带温度预测模型残差εl(k，θN)；

[0119] 步骤3-2-1-3：根据式(2)计算AIC值；

[0120] 由于过高的模型阶次容易过拟合且模型复杂，在此分别令输出阶次np和输入阶次nq从1到5逐一改变共25组阶次组合，记l＝1，2，3，…，25为每组的编号；根据式(2)分别计算每组阶次所对应的AIC值；

[0121]

[0122]

[0123] 式中：d＝np+nq为中心带温度预测模型阶次和，v是损失函数，N是阶次组合数量，εi为对应于第i组阶次组合的中心带温度预测模型残差。

[0124] 步骤3-2-1-4：判断l是否小于25，满足转至步骤3-2-1-1，否则继续下一步。

[0125] 步骤3-2-2、将AIC值的值域等分为N＝10个节点；根据式(3)从25个AIC值域中选择10个等分节点值AICnode；

[0126]

[0127] 步骤3-2-3、选择与每个节点的AIC值AICnode最接近的阶次组合(共10组)，在不同阶次组合下分别根据式(4)计算中心带温度预测模型的拟合优度fit，选出拟合优度最高的阶次组合作为两个后移算子多项式的阶次。

[0128]

[0129] 式中，n＝1，2，3，…，10为选择的AIC节点编号，为中心带温度预测模型预测输出，AICmax，AICmin，AICnode分别表示上述25组阶次组合所计算出来的25组AIC值中最大值、最小值以及与在最大值与最小值之间10等分的节点值最接近的AIC值。

[0130] 所述步骤3-2-3，如图8所示，包括：

[0131] 步骤3-2-3-1：选出对应AICnode的10组模型阶次(np，nq)node并提取出步骤3-2-1-2中对应的中心带温度预测模型模型预测输出

[0132] 步骤3-2-3-2：根据式(4)及 计算这10组阶次的拟合优度值fit；

[0133] 步骤3-2-3-3：找出10组拟合优度值中最大的值fitmax；

[0134] 步骤3-2-3-4：找出fitmax所对应的模型阶次，即为模型最优阶次(np，nq)opt；

[0135] 步骤3-2-3-5：结束并保存最优阶次。

[0136] 步骤3-3、运用递归最小二乘法辨识中心带温度预测模型参数，即两个后移算子多项式矩阵，进而得到最终的十字测温装置中心带温度预测模型；

[0137] 基于最优阶次组合，运用递归最小二乘(RLS)技术辨识中心带温度预测模型参数。递归最小二乘法利用新引入的训练数据对前一时刻的中心带温度预测模型参数估计值根据递推算法进行修正从而得到此时刻的中心带温度预测模型参数估计值，随着训练数据的不断引入，中心带温度预测模型参数估计值不断得到修正直到达到满意的精度为止。相比常用的普通最小二乘一次算法，RLS计算量和存储量小，收敛速度快而且能够实现在线辨识。运用RLS需给定初值θ(0)＝0，P(0)＝αI，当α为足够大的正数时，RLS的校正作用大，收敛速度快。在此取α＝106。

[0138] 所述步骤3-3，如图9所示，包括：

[0139] 步骤3-3-1：设置中心带温度预测模型参数初值θ(0)＝0，逆矩阵初值P(0)＝106I，I为单位矩阵；

[0140] 步骤3-3-2：构造k-1时刻的数据向量矩阵

[0141]

[0142] θT＝[θ1，θ2，θ3，θ4，θ5]  (6)

[0143] yi＝[-yi(k-1) … -yi(k-np)]

[0144] uj＝[uj(k) … uj(k-nq)]

[0145] θiT＝[Ai1，Ai2，Ai3，Ai4，Ai5，Bi1，…，Bi7]

[0146] Aik＝[aik1，aik2，…，aiknp]，

[0147] Bij＝[bij0，bij2，…，bijnq]，

[0148] y(k)＝[y1(k)，y2(k)，y3(k)，y4(k)，y5(k)]T

[0149] 式中，i＝1，2，3，4，5，j＝1，2，…，7，k＝1，2，3，4，5，θT为参数矩阵。

[0150] 步骤3-3-3：根据式(7)计算增益矩阵K(k)；

[0151]

[0152] 步骤3-3-4：根据式(8)计算参数估计向量θ(k)；

[0153]

[0154] 步骤3-3-5：判断θ(k)是否满足式(11)停机准则，满足转至步骤3-3-8，否则继续下一步。

[0155] 步骤3-3-6：根据式(9)计算逆矩阵P(k)；

[0156]

[0157] 步骤3-3-7：递推一步k-1→k，返回步骤3-3-2构造新的数据向量矩阵。

[0158] 步骤3-3-8：结束并保存辨识的参数。

[0159] 将式(5)和式(6)代入式(1)中则中心带温度预测模型为：

[0160]

[0161] 用式(11)的停机准则来终止RLS的递归运算，式中θk(i)为参数向量θ的第i个元素在第k次的递归结果。σ为某一正数表示参数精度要求，在此取σ＝0.05。

[0162]

[0163] 阶次确定及参数辨识完成后根据M-ARMAX温度预测模型 得到中心带温度预测模型预测值

[0164] 引入相对误差δ(％)指标函数如式(12)对中心带温度预测模型的建模效果进行评估，如果满足实际生产的标准条件δ≤5％，则结束本次中心带温度预测模型训练；如果不符合，则需重新选择训练样本集即采集到的数据；

[0165]

[0166] 式中， w中心带温度预测模型的预测值，yi为输出实际值，L为训练样本容量。

[0167] 步骤3-4、利用最终的中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测。

[0168] 本实施方式还提供一种炉炉喉十字测温装置中心带温度预测系统，如图10所示，包括：

[0169] 采集模块，用于采集与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量；

[0170] 预处理模块，用于对采集的过程变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

[0171] 预测模块，利用中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测。

[0172] 所述预测模块，如图11所示，包括：

[0173] 模型建立模块，用于选用ARMAX建立中心带温度预测模型；

[0174] 阶次确定模块，用于确定中心带温度预测模型中两个后移算子多项式的阶次；

[0175] 参数辨识模块，用于运用递归最小二乘法辨识十字测温装置中心带温度预测模型参数，即两个后移算子多项式矩阵，进而得到最终的十字测温装置中心带温度预测模型；

[0176] 温度预测模块，用于利用最终的中心带温度预测模型进行高炉炉喉十字测温装置中心带温度预测。

[0177] 所述模型建立模块，如图12所示，包括：

[0178] 过程变量采集模块，用于采集历史高炉炉喉温度的过程变量，即高炉炉喉十字测温装置的各测量点温度；

[0179] 输入变量选取模块，用于选取与高炉炉喉十字测温装置中心带温度相关的高炉炉喉温度的过程变量作为中心带温度预测模型的输入变量；

[0180] 输入变量预处理模块，用于对中心带温度预测模型的输入变量做预处理，去除噪声尖峰跳变数据和高频噪声数据；

[0181] 预测模型建立模块，用于选用ARMAX建立中心带温度预测模型，所述模型中两个后移算子多项式矩阵的阶次分别表示输入变量的滞后阶次和输出变量的滞后阶次，描述输出变量与输入变量之间的时滞关系、不同时刻的输出变量之间的时滞关系，所述模型中两个后移算子多项式矩阵的系数描述输入变量和输出变量之间的函数关系。

[0182] 所述输入变量选取模块，如图13所示，包括：

[0183] 主因子选取模块，用于采用因子分析方法选出所述历史高炉炉喉温度的过程变量中与中心带温度相关的主因子；

[0184] 第一选取模块，用于利用主因子与过程变量做Pearson相关分析，初步选取输入变量；

[0185] 第二选取模块，用于将初步选取的输入变量与中心带温度做Pearson相关性分析，剔除与中心带温度不相关的输入变量，得到最终选取的中心带温度预测模型的输入变量。

[0186] 所述阶次确定模块，如图14所示，包括：

[0187] AIC值计算模块，用于根据两个后移算子多项式的阶次不同组合，计算每个阶次组合对应的AIC值；

[0188] 节点划分模块，用于将AIC值的值域等分为N个节点；

[0189] 阶次组合确定模块，用于选择与每个节点的AIC值最接近的阶次组合，在不同阶次组合下分别十字测温装置中心带温度预测模型的拟合优度，选出拟合优度最高的阶次组合作为两个后移算子多项式的阶次。

[0190] 由于高炉炼铁系统复杂的动态特性以及易受原料的影响，为了保证M-ARMAX温度预测模型的精度，当温度预测值的相对误差大于5％时需要使用新的样本数据对模型进行重新训练。

[0191] 本发明采用高级语言C#进行十字测温装置中心五点温度预测方法的软件实现。该软件界面实现了数据显示、查询以及预测结果显示等功能，可以很方便地让高炉操作人员获得其所需要的高炉炉温信息。此外，安装该温度预测软件的计算机上应装有OPC通讯软件负责与下位机以及数据采集装置进行数据双向通讯。

[0192] 图15(a)～(e)为本发明M-ARMAX温度模型预测效果图，与实测值相比可以看出，本发明十字测温装置中心五点M-ARMAX温度预测精确，能够紧跟实测值的变化趋势。此外，本发明方法训练速度快、模型精度高；作为十字测温装置的一种辅助技术，可以保证炉温监测的连续性及精确性。为操作人员判断炉内煤气流分布及高炉炉况提供可靠依据。