鎳閃速熔煉過程的模糊建模

1、鎳閃速熔煉過程的模糊建模萬維漢史維祥袁永發(fā)楊金義摘要針對冶金工業(yè)中鎳閃速熔煉復雜工藝過程，提出了利用模糊理論建立鎳閃速爐模型的方法。一種方法是利用專家知識和操作經驗(即IF-THEN規(guī)則)建立閃速爐的先驗模型；另一種方法是利用自適應模糊神經網絡方法建立閃速爐的學習模型。綜合考慮兩種模型的建模結果，建立整個過程的模型。經過兩個月的現場離線指導表明：這種建模方法能夠較為準確地反映鎳閃速爐的運行過程。關鍵詞先驗模型學習模型模糊邏輯系統(tǒng)鎳閃速熔煉過程Fuzzy modeling of nickel flash smelting process Wan WeihanShi Weixiang(School

2、 of Mechanical Engineering, Xi'an Jiaotong University Xi'an 710049) Yuan YongfaYang Jinyi (Jinchuan Nonferrous Metals Complex) Abstract An approach that uses two fuzzy methods to model complicated nickel flash smelting process is presented. The first fuzzy model named prior model is built by

3、 using expert knowledge and skilled operating experiences of the flash furnace(that is, fuzzy IF THEN rules); the second fuzzy model named learning model is built by using adaptive fuzzy neural network system. Two results are combined as general modeling results of the flash furnace. Through the ana

4、lysis of the two months industrial site off line modeling experiment, the results show that the modeling methods can describe exactly the real time production process of nickel flash furnace. Key words prior model; learning model; fuzzy logic system; nickel flash smelting process 0引言閃速熔煉是冶金工業(yè)中非常復雜的火

5、法冶煉過程，它由許多非常復雜的化學反應過程組成。從系統(tǒng)的觀點看，閃速爐是一個多輸入多輸出的非線性系統(tǒng)，各變量間具有強耦合、時變、分布式參數和顯著的不確定性等特點。因此，開發(fā)閃速爐的數學模型一直是國內外學者的一個難題。已建立的閃速熔煉過程數學模型1都是基于閃速爐的反應機理即進出物料的熱平衡和質量平衡建立的，這些數學模型由于建立起來非常復雜且其適應能力差，實際運行結果不好。為此，我們提出了利用模糊理論建立閃速熔煉過程自適應模型23的方法。利用閃速熔煉和控制專家的知識以及操作者的經驗總結出模糊規(guī)則建立先驗模型；依據閃速爐的實際運行數據，利用自適應模糊神經網絡的反向傳播學習算法4建立學習模型。綜合兩模

6、型的建模結果作為整個系統(tǒng)的建模結果。該模糊模型已于1998年12月和1999年8月進行現場離線指導運行。實際運行表明這種方法是可行的。1閃速爐工藝過程鎳閃速爐是由鎳精礦制取冰鎳的核心熔煉設備，它由反應塔、沉淀池、渣貧化區(qū)和上升煙道4部分組成。熔煉過程是將干燥后的鎳精礦，熔劑與煙塵、重油、富氧鼓風一起從反應塔頂部精礦噴嘴噴入塔內，借精礦中硫、鐵等元素的氧化反應熱和燃料燃燒熱，在塔內形成約1550的高溫爐氣，使入爐物料在瞬間完成熔煉過程的冶金化學反應，形成冰鎳、爐渣和含有SO2的煙氣。冰鎳經沉淀池初步分離后放出，送轉爐吹煉，爐渣經沉淀池進入貧化區(qū)。在插有電極的貧化區(qū)中再加入返料、溶劑、焦炭等爐料，

7、對爐渣進一步貧化，使爐渣中含有價值金屬降低到01左右后棄渣。含有SO2高達2080的高溫煙氣，由上升煙道引出，經廢熱鍋爐回收余熱后，送去制硫酸。其工藝流程如圖1所示。其中：虛線表示加入的煙塵是閃速熔煉過程產生并回收的，冰鎳可以從沉淀池流出，也可以從貧化區(qū)流出。圖1閃速爐的工業(yè)流程圖2模糊建模模糊邏輯系統(tǒng)具有雙重作用：一方面，模糊系統(tǒng)是基于規(guī)則的系統(tǒng)，它可以有效地利用人們對事物的模糊認識；另一方面，模糊邏輯系統(tǒng)與神經網絡的結合組成自適應模糊神經網絡系統(tǒng)可以實現非線性映射。本文采用模糊邏輯系統(tǒng)的上述兩種特性進行建模。圖2為閃速熔煉過程建模的結構圖。通過對系統(tǒng)反應機理的分析，得到系統(tǒng)質量指標和控制變

8、量之間的大致關系，并具有如下的表達式：ymt=f1(uoil,uoxy)(1)ymg=f2(uoxy,uoil)(2)yrate=f3(uflux)(3)表1冰鎳溫度的ymt模糊建模規(guī)則uoiluoxyVLLMHVHHMHHVHVHMLMMMHLVLVLLLM表2冰鎳品位的ymg模糊建模規(guī)則uoiluoxyVLLMHVHHVLVLLMHMVLLMHVHLLMHVHVH表3渣含鐵硅比yrate模糊建模規(guī)則變量隸屬函數和模糊規(guī)則ufluxVHHMLVLyrateVLLMHVH式中ymt、ymg、yrate分別代表閃速爐質量指標冰鎳溫度、冰鎳品位和渣含鐵硅比；uoxy、uoil、uflux分別代表系

9、統(tǒng)的控制輸入變量富氧空氣、重油和熔劑。 圖2閃速熔煉過程模糊型的結構圖21基于模糊規(guī)則的模型通過對鎳閃速熔煉系統(tǒng)反應機理的深入分析，總結專家的知識和操作者的經驗，得到下列模糊規(guī)則，如表13所示。表中VH、H、M、L、VL表示模糊集合，分別代表質量指標變量和控制變量模糊論域中的模糊集合非常高、高、適中、低、非常低。(4)(5)(6)根據上述模糊規(guī)則，建立閃速熔煉過程的模型。其中，uoxyU1,uoilU2,ufluxU3,ymtV1，ymgV2,yrateV3，均為語言變量。Ani、Bnj和Cni(i=1,2,3；j=1，2)分別為(Ui和Vi分別為輸入變量和輸出變量的調節(jié)范圍)上的模糊集合。對

10、(4)、(5)式有：一條“IF-THEN”規(guī)則可以表示成一個積空間U×V上的模糊蘊涵對(6)式則有積空間U×V上的模糊蘊涵An3Cn3。設U上的模糊集合A'i、B'j(i=1,2,3;j=1,2)為模糊輸入，則采用Sup.*合成運算，每一條上式的模糊“IF-THEN”規(guī)則將對應于V上的模糊集合，C'i則輸出量的隸屬度函數為(7)(8)(9)采用Supproduct合成運算，單點模糊化，乘積推理規(guī)則，中心平均去模糊化方法和三角形隸屬度函數，得到式(10)，即基于模糊規(guī)則的建模結果：(10)22基于運行數據的模型現在，我們設計模糊神經網絡系統(tǒng)的結構。閃速

11、爐是一個多輸入、多輸出(MIMO)系統(tǒng)，現將MIMO系統(tǒng)轉化為多輸入、單輸出(MISO)系統(tǒng)。分別對應(1)、(2)、(3)式，構成3個模糊神經網絡系統(tǒng)，分別為3個質量指標，即冰鎳溫度、冰鎳品位和渣含鐵硅比。這些模糊系統(tǒng)采用乘積推理機制，單點模糊化，中心平均去模糊化方法和高斯隸屬函數(形式為)，則輸出的計算式為式(11)(13)。式中，代表3個質量指標基于運行數據模型的計算結果。(11)(12)(13)限于篇幅，下面僅討論冰鎳溫度的計算結果。假設有一實際輸入輸出數據對(uoil,uoxy),ymt,設計模糊系統(tǒng)具有(11)式的形式，以使誤差函數：(14)最小，式中ymt代表系統(tǒng)實際輸出。為了確

12、定(11)式中參數和的值，使(14)式的E最小，使用梯度下降法4，得到下列表達式：(15)(16)(17)(18)(19)式中、表示訓練步長；ydmt=a/b,a=，對(11)式有:討論：因為閃速爐系統(tǒng)運行過程存在較大的滯后，所以在基于數據的建模時應該考慮這種時延，即控制變量要和經過一定延遲后的被控變量對應起來，組成訓練模式對。規(guī)則數的選擇沒有一個準則。本文做過規(guī)則數n=5，8，10，15學習曲線，沒有太大的區(qū)別，而各建模曲面則有較大的不同，難點是選擇一個合適的規(guī)則數和訓練誤差。自適應模糊神經網絡的學習采用梯度下降法，其缺點是學習速度慢，且容易陷入局部極小。自適應模糊神經網絡建模的結構如圖3所

13、示。圖3自適應模糊神經網絡的結構圖23兩種建模方法的綜合和比較基于模糊規(guī)則的模型反映的是閃速熔煉過程機理的、本質的特性，描述系統(tǒng)變化的必然趨勢，它不會隨系統(tǒng)運行環(huán)境的變化而變化；而基于運行數據的模型反映的是系統(tǒng)實時的特性且具有隨機因素，具有自適應環(huán)境變化的能力。這兩個模型不是相互獨立、相互排斥的，而是互為補充的。基于規(guī)則的模型要在生產實踐中不斷總結經驗知識，不斷修正，同時可以對控制變量和被控變量進行更細的劃分或選擇不同的隸屬度函數，來作進一步的研究；基于運行數據的模型每隔一定時間也要重新學習訓練一次，使其能夠跟蹤爐況的變化。本文提出了利用權重法綜合兩種建模方法，即最終的建模結果由式y(tǒng)(x)=y

14、r(x)(1)yd(x)確定，其中：yr(x)代表基于規(guī)則模型的建模結果;yd(x)代表基于運行數據模型的建模結果；的大小由實際生產決定，在實際實驗中取=065。3實施情況與結果金川有色金屬公司閃速爐工藝過程是由一大型DCS控制系統(tǒng)進行現場控制，1999年5月進行了技術改造，采用了先進的HP200工作站和TCPIP通信協(xié)議。這為本建模過程的程序開發(fā)和通信提供了物質基礎。控制程序在P350微型計算機上開發(fā)，采用面向對象的編程(OOP)語言DELPHI(Client/Server)40，通過開放數據庫互連(ODBC)技術和網絡通信接口去實時訪問DCS工作站數據庫ORACLE7，采集輸入數據和質量指標測量數據。采集的數據通過數字濾波處理，檢查數據的合理性，然后，分別進行兩種模糊模型的建模計算，綜合兩種建模計算方法，作為系統(tǒng)的建模結果。通過兩個月離線指導運行證明，模糊建模方法能夠較為準確地反