一种智能热风炉优化控制系统及方法

摘要

本发明属于冶金行业热风炉燃烧技术领域，尤其涉及一种智能热风炉优化控制系统及方法。该系统包括：剩余送风时间预测模块：用于基于第一LSTM网络，根据混风阀开度参数和废气温度参数，获得热风炉的剩余送风时间；剩余燃烧时间预测模块：用于基于第二LSTM网络，根据煤气流量参数和废气温度参数，获得热风炉的剩余燃烧时间；优化模块：用于根据获得的剩余送风时间和剩余燃烧时间，动态调整煤气流量；其中，预先选取混风阀开度、废气温度和煤气流量的历史数据，经BP算法训练获得第一LSTM网络和第二LSTM网络的结构参数。该系统基于LSTM网络，使得热风炉的燃烧与送风时间相匹配，提高高炉炼铁的生产效率。

权利要求

1.一种智能热风炉优化控制系统，热风炉在燃烧过程中包括快速升温阶段、顶温稳定阶段和剩余燃烧时间调整阶段，将该系统应用于剩余燃烧时间调整阶段，其特征在于，该系统包括：剩余送风时间预测模块：用于基于第一LSTM网络，根据混风阀开度参数和废气温度参数，获得热风炉的剩余送风时间；

剩余燃烧时间预测模块：用于基于第二LSTM网络，根据煤气流量参数和废气温度参数，获得热风炉的剩余燃烧时间；

优化模块：用于根据获得的剩余送风时间和剩余燃烧时间，动态调整煤气流量，具体包括：当剩余燃烧时间和剩余送风时间的差值的绝对值大于等于120s，调整煤气流量，包括：当剩余送风时间大于剩余燃烧时间，减小当前煤气流量的5％；

当剩余送风时间小于剩余燃烧时间，增大当前煤气流量的5％；

其中，预先选取混风阀开度、废气温度和煤气流量的历史数据，经BP算法训练获得第一LSTM网络和第二LSTM网络的结构参数。

2.一种智能热风炉优化控制方法，其特征在于，包括如下步骤：A1、基于第一LSTM网络，根据混风阀开度参数和废气温度参数，获得热风炉的剩余送风时间；

A2、基于第二LSTM网络，根据煤气流量参数和废气温度参数，获得热风炉的剩余燃烧时间；

A3、根据获得的剩余送风时间和剩余燃烧时间，动态调整煤气流量，具体包括：当剩余燃烧时间和剩余送风时间的差值的绝对值大于等于120s，调整煤气流量，包括：当剩余送风时间大于剩余燃烧时间，减小当前煤气流量的5％；

当剩余送风时间小于剩余燃烧时间，增大当前煤气流量的5％；

其中，预先选取混风阀开度、废气温度和煤气流量的历史数据，经BP算法训练获得第一LSTM网络和第二LSTM网络的结构参数。

3.根据权利要求2所述的智能热风炉优化控制方法，其特征在于，在所述步骤A1中，周期间隔获取混风阀开度参数和废气温度参数，所述间隔的时间为

1-2s；

在所述步骤A2中，周期间隔获取煤气流量参数和废气温度参数，所述间隔的时间为1-

2s。

4.根据权利要求2所述的智能热风炉优化控制方法，其特征在于，在所述步骤A3中，当剩余燃烧时间和剩余送风时间的差值的绝对值小于120s，不调整煤气流量。

5.根据权利要求2所述的智能热风炉优化控制方法，其特征在于，在所述步骤A3中，动态调整煤气流量的间隔时间为20-40s。

6.根据权利要求2所述的智能热风炉优化控制方法，其特征在于，所述第一LSTM网络和第二LSTM网络均包括输入层和全连接层；

将获取的混风阀开度参数和废气温度参数输入第一LSTM网络的输入层，第一LSTM网络的全连接层输出剩余送风时间；

将获取的煤气流量参数和废气温度参数输入第二LSTM网络的输入层，第二LSTM网络的全连接层输出剩余燃烧时间。

7.根据权利要求6所述的智能热风炉优化控制方法，其特征在于，分别向第一LSTM网络和第二LSTM网络的全连接层引入dropout的优化方法。

说明书

一种智能热风炉优化控制系统及方法

技术领域

[0001] 本发明属于冶金行业热风炉燃烧技术领域，尤其涉及一种智能热风炉优化控制系统及方法。

背景技术

[0002] 钢铁号称工业的粮食，是人类使用最多的金属材料，其强度高，机械性能好，资源丰富，成本低，适合于大规模生产，在社会生产生活的各个领域都有着广泛的应用，是不可或缺的战略性基础工业品，在国民经济发展占有重要地位。

[0003] 热风炉是高炉高风温的载体，按照“蓄热”原理工作把鼓风加热到要求的温度，用以提高高炉的效益和效率。热风炉主要存在两方面问题：一是在燃烧期间不能获得足够的热量以满足供风阶段的要求；二是热风炉已达到所需热量，但仍未到换炉阶段，为维持温度，造成煤气的浪费。在操作的过程中，煤气流量、压力、热值的波动及空气流量、压力、温度都会对燃烧过程产生影响。

[0004] 热风炉操作受外界因素的干扰较大，每次送风的时间往往不同，每次热风炉的燃烧时间往往也不同，造成了操作员要么未达到最优燃烧路径时就必须提前换炉，使得热风质量下降；要么已达到换炉要求，而送风阶段仍没有结束，使得需要额外的煤气来维持温度，造成煤气浪费。

[0005] 目前国内大多数热风炉虽然实现了基础自动化，但除了个别大型高炉外，真正可靠实用的热风炉燃烧过程的自动控制还很少见，大多数的中小型高炉几乎都是手动操作完成热风炉的燃烧控制。由于自动化水平不高，人工经验不足等因素，热风炉燃烧时好时坏，导致热风炉提供的热风温度较低，而且状态不稳定，这样不利于高炉炼铁的高效生产。

发明内容

[0006] (一)要解决的技术问题

[0007] 针对现有存在的技术问题，本发明提供一种智能热风炉优化控制系统，该系统基于LSTM网络，使得热风炉的燃烧与送风时间相匹配，提高高炉炼铁的生产效率。

[0008] (二)技术方案

[0009] 本发明提供的一种智能热风炉优化控制系统，热风炉在燃烧过程中中包括快速升温阶段、顶温稳定阶段和剩余燃烧时间调整阶段，将该系统应用于剩余燃烧时间调整阶段，该系统包括：

[0010] 剩余送风时间预测模块：用于基于第一LSTM网络，根据混风阀开度参数和废气温度参数，获得热风炉的剩余送风时间；

[0011] 剩余燃烧时间预测模块：用于基于第二LSTM网络，根据煤气流量参数和废气温度参数，获得热风炉的剩余燃烧时间；

[0012] 优化模块：用于根据获得的剩余送风时间和剩余燃烧时间，动态调整煤气流量；

[0013] 其中，预先选取混风阀开度、废气温度和煤气流量的历史数据，经BP算法训练获得第一LSTM网络和第二LSTM网络的结构参数。

[0014] 本发明还提供一种智能热风炉优化控制方法，包括如下步骤：

[0015] A1、基于第一LSTM网络，根据混风阀开度参数和废气温度参数，获得热风炉的剩余送风时间；

[0016] A2、基于第二LSTM网络，根据煤气流量参数和废气温度参数，获得热风炉的剩余燃烧时间；

[0017] A3、根据获得的剩余送风时间和剩余燃烧时间，动态调整煤气流量；

[0018] 其中，预先选取混风阀开度、废气温度和煤气流量的历史数据，经BP算法训练获得第一LSTM网络和第二LSTM网络的结构参数。

[0019] 进一步地，在所述步骤A1中，周期间隔获取混风阀开度参数和废气温度参数，所述间隔的时间为1-2s；

[0020] 在所述步骤A2中，周期间隔获取煤气流量参数和废气温度参数，所述间隔的时间为1-2s。

[0021] 进一步地，在所述步骤A3中，当剩余燃烧时间和剩余送风时间的差值的绝对值小于120s，不调整煤气流量；

[0022] 当剩余燃烧时间和剩余送风时间的差值的绝对值大于等于120s，调整煤气流量。

[0023] 进一步地，当剩余燃烧时间和剩余送风时间的差值的绝对值大于等于120s，调整煤气流量，包括：

[0024] 当剩余送风时间大于剩余燃烧时间，减小当前煤气流量的5％；

[0025] 当剩余送风时间小于剩余燃烧时间，增大当前煤气流量的5％。

[0026] 进一步地，在所述步骤A3中，动态调整煤气流量的间隔时间为20-40s。

[0027] 进一步地，所述第一LSTM网络和第二LSTM网络均包括输入层和全连接层；

[0028] 将获取的混风阀开度参数和废气温度参数输入第一LSTM网络的输入层，第一LSTM网络的全连接层输出剩余送风时间；

[0029] 将获取的煤气流量参数和废气温度参数输入第二LSTM网络的输入层，第二LSTM网络的全连接层输出剩余燃烧时间；

[0030] 进一步地，分别向第一LSTM网络和第二LSTM网络的全连接层引入dropout的优化方法。

[0031] (三)有益效果

[0032] 本发明提供的智能热风炉优化控制系统中，采用LSTM网络来处理序列数据，与传统RNN相比，避免了梯度消失的问题，预测效果好，精度高。根据剩余燃烧时间与剩余送风时间的差值，实时动态调整燃烧阶段，燃烧与送风时间相匹配，这样既可保证热风炉的风温达到要求，又避免燃烧时间过长造成的煤气浪费以及热风炉寿命降低的问题。同时由于空燃比的优化和燃料量的减少，还可以显著减少燃烧产物氮氧化合物等的排放，有利于环境保护。

附图说明

[0033] 图1为本发明中LSTM的结构示意图；

[0034] 图2为本发明中燃烧过程的流程图。

具体实施方式

[0035] 为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

[0036] 本发明提供的智能热风炉优化控制系统中，采用3-4个热风炉交替工作的方式进行，一个热风炉进行送风，剩下2-3个热风炉处于燃烧阶段，也就是说一个燃烧阶段的时间是2-3个送风时间。

[0037] 热风炉的工作原理包含循环周期，在一个循环周期内，包含两个阶段，分别为燃烧阶段和送风阶段。在燃烧阶段，向燃烧室输入煤气和空气进行燃烧，从而加热蓄热室，蓄热室通过格子砖储存热量来蓄热，待其加热至一定温度，暂停燃烧，转至下一阶段，开始送风。在送风阶段，鼓风机将冷风吹经冷风管道后进入蓄热室，此时蓄热室保持较高的蓄热水平，冷风进入后再蓄热室通过格子砖来加热自身，经过热交换之后送入高炉。蓄热室的蓄热能力不断降低，而风温不断升高。当蓄热室无法将冷风加热至要求的目标温度时，再转入燃烧状态，即从送风期转入燃烧期，如此循环工作。

[0038] 如图2所示，热风炉在燃烧过程中包括快速升温阶段、顶温稳定阶段和剩余燃烧时间调整阶段，将本发明提供的智能热风炉优化控制系统应用于剩余燃烧时间调整阶段，该系统包括：

[0039] 剩余送风时间预测模块：用于基于第一LSTM网络，根据混风阀开度参数和废气温度参数，获得热风炉的剩余送风时间；

[0040] 剩余燃烧时间预测模块：用于基于第二LSTM网络，根据煤气流量参数和废气温度参数，获得热风炉的剩余燃烧时间；

[0041] 优化模块：用于根据获得的剩余送风时间和剩余燃烧时间，动态调整煤气流量；

[0042] 其中，预先选取混风阀开度、废气温度和煤气流量的历史数据，经BP算法训练获得第一LSTM网络和第二LSTM网络的结构参数。

[0043] 本发明还提供一种智能热风炉优化控制方法，包括如下步骤：

[0044] A1、基于第一LSTM网络，根据混风阀开度参数和废气温度参数，获得热风炉的剩余送风时间。具体地，通过组态王连接OPC Server，实时获取混风阀开度和废气温度，向预先训练好的第一LSTM网络的输入层输入混风阀开度和废气温度，其中，采样间隔为1-2s，优选为1s，采样时间步长为12-16s，优选为15s，第一LSTM网络的全连接层输出剩余送风时间。为了防止过拟合的现象发生，在全连接层引入dropout的优化方法。

[0045] A2、基于第二LSTM网络，根据煤气流量参数和废气温度参数，获得热风炉的剩余燃烧时间。具体地，通过组态王连接OPC Server，实时获取煤气流量和废气温度，向第二LSTM网络的输入层输入煤气流量和废气温度，其中，采样间隔为1-2s，优选为1s，采样时间步长为12-16s，优选为15s，第二LSTM网络的全连接层输出剩余燃烧时间。为了防止过拟合的现象发生，在全连接层引入dropout的优化方法。

[0046] 其中，对第一LSTM网络和第二LSTM网络的训练过程包括：

[0047] 以一号炉为例，通过组态王连接OPC Server，可以实时采集所需的废气温度、煤气流量、混风阀开度、拱顶温度等数据。将采集到的数据按照8：2比例划分为训练集和测试集。采用Tensorflow建立第一LSTM网络和第二LSTM网络的网络结构，将训练集分别输入第一LSTM网络和第二LSTM网络，采用Adam优化器计算第一LSTM网络和第二LSTM网络的网络参数。将训练好的第一LSTM网络和第二LSTM网络用于测试集测试，计算测试集误差，调节第一LSTM网络和第二LSTM网络的超参数，再次进行训练，直至测试集结果在误差允许范围内。

[0048] 进一步地，如图1所示，第一LSTM网络和第二LSTM网络内部前向传播计算方法如下：

[0049] ft＝σ(Wf·[ht-1,Xt]+bf)   (1)

[0050] it＝σ(Wi·[ht-1,Xt]+bi)   (2)

[0051]

[0052]

[0053] ot＝σ(Wo·[ht-1,Xt]+bo)   (5)

[0054] ht＝ot·tanh(ct)   (6)

[0055] 式中，ft表示遗忘门，σ表示sigmoid函数，Wf表示遗忘门的权重矩阵，ht-1表示上一时刻的输出数据，Xt表示当前时刻的输入数据,[ht-1,Xt]表示将ht-1、Xt在水平方向拼接为一个长向量，bf表示遗忘门的偏置值，it表示输入门，Wi表示输入门的权重系数，bi表示输入门的偏置值， 表示当前输入的单元状态，Wc表示当前输入的单元状态的权重矩阵，bc表示当前输入的单元状态的偏置值，ct表示当前时刻的单元状态，ot表示输出门，Wo表示输出门的权重矩阵，bo表示输出门的偏置值，ht表示最终的输出。

[0056] A3、根据获得的剩余送风时间和剩余燃烧时间，动态调整煤气流量。

[0057] 当剩余燃烧时间和剩余送风时间的差值的绝对值小于120s，不调整煤气流量；当剩余燃烧时间和剩余送风时间的差值的绝对值大于等于120s，调整煤气流量，其中：当剩余送风时间大于剩余燃烧时间，减小当前煤气流量的5％；当剩余送风时间小于剩余燃烧时间，增大当前煤气流量的5％。

[0058] 工作过程：

[0059] 每个热风炉依次经过燃烧阶段和送风阶段。燃烧阶段中包括：

[0060] 快速升温阶段：向热风炉内通入煤气，并将煤气流量设置为最大值Qmax(Qmax＝160000m3/h)，当检测拱顶温度达到温度预设值T的90％-97.5％时，适当减小煤气流量，保证拱顶温度不超过温度预设值T，进入顶温稳定阶段。优选地，将温度预设值T设置为1400℃。

[0061] 顶温稳定阶段：每30s检测一次拱顶温度和废气温度，根据拱顶温度和废气温度对煤气流量进行适当调节，当拱顶温度变化在±2.5％范围内，煤气流量不做调节。当检测到废气温度与温度预设值T的温差不足30℃时，进入剩余燃烧时间调整阶段。

[0062] 剩余燃烧时间调整阶段：根据采样间隔获得各采样时间段的废气温度、煤气流量、混风阀开度等数据，基于第一LSTM网络和第二LSTM网络，获得剩余送风时间和剩余燃烧时间，动态调整煤气流量。其中，为防止波动过于频繁对热风炉产生影响，每隔30s调整一次煤气流量。当剩余燃烧时间和剩余送风时间的差值的绝对值小于120s，不调整煤气流量；当剩余燃烧时间和剩余送风时间的差值的绝对值大于等于120s，调整煤气流量，其中：当剩余送风时间大于剩余燃烧时间，减小当前煤气流量的5％；当剩余送风时间小于剩余燃烧时间，增大当前煤气流量的5％。

[0063] 当检测到废气温度设置375℃，达到换炉要求，燃烧阶段结束，进入送风阶段。

[0064] 这样，优化热风炉的空燃比，不仅避免了燃烧已达到状态，但送风阶段仍没结束所带来的煤气浪费；又避免了送风阶段已结束，燃烧过程却仍未完成而造成的热风质量不达标的情况。

[0065] 由于外界种种因素，每个热风炉的燃烧阶段的反应可能不同，因此在剩余燃烧时间调整阶段中，对每个热风炉的第一LSTM网络和第二LSTM网络分别训练。

[0066] 以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。