一种熔炉智能控制系统及方法与流程

本发明属于熔炉智能控制，具体涉及一种熔炉智能控制系统及方法。

背景技术：

1、熔炉智能控制系统在冶金工业中发挥着至关重要的作用，尤其在铝合金、钢铁等金属的熔炼过程中，能够实现高效、精确和自动化的生产。

2、然而，现有的控制系统中熔炉复杂工况下的智能调控困难，在应对复杂、非线性、多变量的控制问题时，可能会出现控制精度不足或反应滞后的情况；同时对于控制变量如燃料供给和冷却水流量的控制无法达到均衡协调的状态，从而导致温控不精准和能源浪费的问题。

技术实现思路

1、为解决现有技术中存在的上述问题，本发明提供了一种熔炉智能控制系统及方法，通过控制决策实现精确的自动控制，实现了熔炼过程的最优化，同时通过采用多目标优化算法获取燃料供给量和冷却水流量实时调整工作参数，降低能源使用。

2、本发明的目的可以通过以下技术方案实现：

3、本公开的第一方面提供了一种熔炉智能控制系统，包括数据采集模块、自动控制模块、人机交互模块和数据存储模块，所述数据采集模块、自动控制模块、人机交互模块和数据存储模块依次通信连接；

4、所述自动控制模块，用于通过采集的实时数据依据控制决策自动调整熔炉的工作参数，下发控制指令控制燃料供应和冷却水流；

5、其中，控制决策包括：

6、依据工艺需求匹配目标参数，根据采集的实时数据获取达到目标参数的燃料供给量和冷却水流量的优化组合生成控制指令；其中目标参数包括熔炉目标温度和运行工况类型；

7、根据熔炉运行数据，识别熔炉运行状态，判断实时数据是否处于当前运行工况下的正常阈值范围，当数据异常时发出预警提示；

8、阶段性地收集所有的运行数据，更新不同工况类型的炉温响应的滞后时间。

9、作为本发明的一种优选技术方案，所述获取达到目标参数的燃料供给量和冷却水流量的优化组合，包括步骤：

10、定义参数：以燃料供给量f(t)和冷却水流量c(t)作为决策变量，以熔炉当前温度t(t)和目标温度ts为状态变量，炉温响应滞后时间为 τ；

11、建立能耗模型：根据熔炉温控的决策变量，总能耗e表示为燃料与冷却水消耗的加权总和，表示为：

12、；

13、式中，a、b分别为单位燃料和冷却水的成本系数；

14、设定约束条件：根据燃料和冷却水的供应范围、安全运行的温度范围以及动态响应的波动程度设置约束条件；

15、建立目标函数：根据炉温响应滞后预测和温控能耗建立目标函数，计算公式为：

16、；

17、式中，w1和w2分别为温控精度和温控能耗的权重系数，tp(t+τ)为t+τ时刻的温度预测值；

18、求解最优解：使用多目标优化算法获取燃料供给量和冷却水流量的优化组合。

19、作为本发明的一种优选技术方案，所述约束条件，包括：

20、fmin≤f(t)≤fmax，cmin≤c(t)≤cmax；

21、tmin≤t(t)≤tmax；

22、∣f(t)-f(t-δt)∣≤δfmax，∣c(t)-c(t-δt)∣≤δcmax；

23、式中，fmin和fmax分别表示燃料供给量的下限和上限，cmin和cmax分别表示冷却水流量的下限和上限，δfmax表示燃料供给变化的最大允许值，δcmax表示冷却水流量变化的最大允许值，δt是采样间隔时间。

24、作为本发明的一种优选技术方案，所述炉温响应滞后时间τ为系统输入变化对输出的延迟响应，利用一阶动态特性描述的滞后响应获取t+τ时刻的温度预测值：

25、；

26、式中，k为温度变化对燃料和冷却水变化的响应系数，f(t-τ)、c(t-τ)分别为滞后时间前的燃料供给量和冷却水流量。

27、作为本发明的一种优选技术方案，所述求解最优解，包括步骤：

28、初始化种群：随机生成n组候选解，每个解由决策变量[f(t)，c(t)]构成，并满足约束条件使得初始种群覆盖解的范围；

29、评估适应度：对种群中的每个解[f(t)，c(t)]计算其目标函数j；

30、非支配排序：定义非支配解，找出不被任何解支配的解，形成一级前沿，去除一级前沿解后，找到剩余解中的非支配解，形成二级前沿；依次类推，直到所有解分层完毕；

31、拥挤距离计算：按每个目标对解进行排序，计算每个解i在目标维度上的拥挤距离di：

32、；

33、式中，ji+1和ji-1是当前解在该目标维度上的相邻解，jmax和jmin是该目标的取值范围；

34、总拥挤距离为所有目标维度上的距离之和；

35、选择种群：按非支配层的等级排序，同一层内按拥挤距离降序排序，优先选择拥挤距离大的解，根据种群大小n的限制，选择下一代种群；

36、交叉与变异：使用模拟二进制交叉，生成两个子代，并使用多项式变异，在每个决策变量上随机加入微小扰动；

37、合并与更新：将父代和子代合并，形成大小为2n的临时种群，重新评估合并种群的非支配层级，按非支配等级从低到高选择，若超出种群大小n，按拥挤距离排序，删除多余个体；

38、输出解集合：设定终止条件，达到预定的迭代次数后停止，输出种群中非支配解的集合。

39、作为本发明的一种优选技术方案，所述更新不同工况类型的炉温响应的滞后时间，包括以下步骤：

40、数据整理：依据分析数据集的时间戳匹配燃料供给和冷却水流量建立训练数据集和测试数据集；

41、构造滞后变量：确定适合的滞后步长(n，m)，分别对燃料供给量f(t)和冷却水流量c(t)生成不同时间滞后的特征：

42、对燃料供给量f(t)生成滞后特征(f(t-1)，f(t-2)，…，f(t-n))；

43、对冷却水流量c(t)生成滞后特征(c(t-1)，c(t-2)，…，c(t-m))；

44、建模与训练：选择长短期记忆网络（lstm）模型，建立输入和输出：

45、输入变量：[f(t)，f(t-1)，f(t-2)，…，f(t-n)，c(t)，c(t-1)，c(t-2)，…，c(t-m)，l(t)，p(t)]，其中l(t)为液位，p(t)为压力；输出变量：t(t)。

46、作为本发明的一种优选技术方案，所述更新不同工况类型的炉温响应的滞后时间，还包括步骤：

47、将时间序列数据切分为输入和输出对，采用滑动窗口方式创建训练数据；设置lstm超参数，包括隐藏层数、每层的神经元数量、学习率、时间步长度，进行训练，采用均方误差作为损失函数优化模型，并通过正则化和dropout方法减少过拟合；

48、滞后时间提取：输入扰动信号到训练好的lstm模型，观察模型输出的炉温变化趋势，记录输入变量变化与炉温响应之间的时间延迟；

49、记录输入变量变化的时间点t0；

50、记录炉温开始显著变化的时间点tr；

51、滞后时间为：。

52、作为本发明的一种优选技术方案，所述数据采集模块，用于通过传感器设备采集实时数据，并对数据进行初步处理，其中，传感器设备包括温度传感器、液位传感器、气体传感器和压力传感器；

53、所述对数据进行初步处理，包括：

54、根据加工工艺对熔炉工况进行分类，设定不同工况的液位、气体组分和压力的正常阈值范围；

55、依据工况类型和正常阈值范围对异常数据进行标记，保留正常的数据按照时间戳建立分析数据集；

56、采用滑动平均法去除信号中的高频噪声，并通过交叉相关分析对采集的变量进行时间戳修正完成数据对齐。

57、作为本发明的一种优选技术方案，所述人机交互模块，用于显示熔炉的实时数据、状态信息和历史记录，并允许操作人员进行手动干预和设置，当监测到异常情况时，实时发出声光报警；

58、所述数据存储模块，用于存储采集的实时数据，并根据建立的不同运行工况类型对数据进行归类。

59、本公开的第二方面提供了一种熔炉智能控制方法，应用于如上所述的一种熔炉智能控制系统，包括以下步骤：

60、s1、通过数据采集模块实时获取温度、液位、气体组分以及压力数据，并对获取的数据进行初步处理后保存到数据存储模块中；

61、s2、根据当前的加工工艺和运行工况类型，获取目标温度和炉温响应的滞后时间；

62、s3、根据目标温度和当前温度通过多目标优化算法获取燃料供给量和冷却水流量的优化组合，生成控制指令调整燃料供给量和冷却水流量；

63、s4、阶段性地收集燃料供给量、冷却水流量、液位以及压力数据作为输入，温度作为输出通过机器学习模型建立输入-输出关系，更新不同工况类型的炉温响应的滞后时间；

64、s5、循环执行上述步骤，实时监测熔炉的运行状态并调整燃料供给量和冷却水流量。

65、本发明的有益效果为：

66、本发明首先对熔炉的实时数据进行采集并监测运行状态发出预警，然后基于采集的实时数据结合当前运行工况类型和炉温响应时间对比目标温度通过多目标优化算法求解燃料供给量和冷却水流量的最优组合，合理协调燃料供应量和冷却水流量的调整，从而提高了炉温控制的精准度和最小化能耗；同时通过采集的所有变量建立机器学习模型获取炉温响应的滞后时间，从而提高了控制精度与响应速度，从而减少了过调与欠调，避免系统振荡。

67、本发明通过控制决策实现精确的自动控制，避免人为操作导致的失误，实现熔炼过程的最优化，提高生产效率；通过全面监测熔炉状态，及时发出预警，降低事故发生的风险，确保操作人员的生命安全；通过采用多目标优化算法获取燃料供给量和冷却水流量优化熔炼工艺和实时调整工作参数，降低能源使用。