Многомерное предикативное регулирование процесса прямого восстановления

Изобретение относится к системам управления. Техническим результатом является получение максимально равномерных и четко определенных свойств продукта при его производстве. Для прогнозирования значения свойства производимого продукта посредством нейрональной сети предлагается учитывать историю производства продукта для определения начальной величины входного нейрона нейрональной сети. 2 н. и 9 з.п. ф-лы, 3 ил.

 

Прямое восстановление железной руды в губчатое железо для получения железа прямого восстановления (DRI) или горячего брикетированного железа (HBI) осуществляется с применением нагретых газов преимущественно шахтной печи. В упрощенном виде можно представить процесс как химическую реакцию железной руды (Fe₂О₃) и природного газа (СН₄) с получением железа (Fe), диоксида углерода (СО₂) и воды (H₂O).

Шахтная печь - агрегат непрерывного действия, поэтому во время работы внутрь постоянно загружается шихта в форме рудных окатышей и извлекается продукт в форме губчатого железа.

Способы производства губчатого железа известны, в частности, из документов US 4093455, US 4178151, US 4234169, а также из публикаций Thompson, М.: "Control Innovations in MIDREX Plants: An Introduction" в "Direct from MIDREX", Ist Quarter 2001, стр.3-4, 2001, и Goerner, F., Bacon, F.: "Development of Process Automation for the MIDREX Process" в "Direct from MIDREX", 1st Quarter 2002, стр.3-5, 2002.

При производстве губчатого железа стремятся получать продукт с максимально равномерными, четко определенными свойствами. Известным приемом для этого является поддержание всех факторов, которые влияют на качество губчатого железа, максимально постоянными и поддержание процесса в определенном состоянии. В качестве практического примера можно однако указать на то, что фактически не соблюдается требование полной гомогенности по отношению к шихте в виде руды.

Исходя из изложенного выше, задачей изобретения является прогнозирование свойств производимого продукта, в частности губчатого железа, производимого прямым восстановлением.

Указанная задача решается посредством изобретений, изложенных в независимых пунктах формулы изобретения. Предпочтительные варианты реализации изобретений приведены в зависимых пунктах формулы изобретения.

В основе изобретения лежит основная идея, которая заключается в учете истории продукта при прогнозировании значения какого-либо свойства продукта с помощью нейронной сети, для этого в прогноз вводят значения прогнозируемых свойств, которые имеет уже произведенный продукт. Подобные значения могут использоваться при определении начальной величины нейронной сети. Альтернативно или в качестве дополнения является также возможным, что при определении подобной начальной величины или другой начальной величины нейронной сети использовать разницу между измеренным в определенный момент времени значением свойства и прогнозируемым в тот же момент времени значением этого же свойства.

Предпочтительно, нейронная сеть содержит нелинейную составляющую, то есть нейронные сети служит средством нелинейного моделирования на основании статистических данных, при этом наличие нелинейной составляющей в нейронной сети обеспечивает возможность подбора коэффициентов связи для моделирования практически любой функции.

Таким образом, в способе, в частности способе производства, предусмотрен прогноз значения свойства, в частности только в будущем измеряемого свойства, у производимого в текущий момент или в будущем продукта посредством нейронной сети. Для этого значение какого-либо свойства, в целом или посредством единичных проб, измеряется для множества производимых ранее в разное время продуктов. После этого осуществляется предварительный прогноз значения указанного свойства для производимого в текущий момент или в будущем продукта на основе ранее замеренных значений данного свойства. При этом речь идет о так называемом «черновом» прогнозе, для которого используются ранее измеренные значения свойств.

Полученное в результате предварительного прогноза значение используется при определении начальной величины для входного нейрона нейронной сети.

При помощи нейронной сети прогнозируется индивидуальное значение свойства для производимого в текущий момент времени или в будущем продукта.

Предварительный прогноз может уточняться при помощи рекурсивного фильтра. Рекурсивный фильтр может быть реализован простым образом за счет применения линейной экстраполяции. Более точные прогнозы возможны при использовании в качестве рекурсивного фильтра второй нейронной сети, в частности рекуррентной нейронной сети. Для этого является целесообразным дополнительное математическое описание причинно-следственной связи между параметрами процесса и свойством.

Для определения начальной величины нейронной сети может использоваться сравнение между значением свойства, измеренным ранее, и прогнозируемым значением свойства для текущего момента времени при определении начальной величины нейронной сети.

Таким образом, осуществляется прогнозирование измеряемого только в будущем значения свойства производимого в данный момент и/или в будущем продукта посредством нейронной сети. Для этого значение свойства измеряется у продукта произведенного в определенный период времени. Далее осуществляется прогнозирование значения свойства продукта, произведенного в указанный период времени. Для прогноза в отношении произведенного уже продукта должны также присутствовать данные, случайно или целенаправленно выбранные из более ранних данных. Затем вычисляется разность между измеренным и спрогнозированным значением свойства продукта в указанный период времени. Разность входит в определение начальной величины для входного нейрона нейронной сети. Посредством нейронной сети затем прогнозируется значение свойства продукта, производимого в данный момент времени и/или в будущем.

Целью прогнозирования является интеллектуальное управление процессом производства продуктов. В соответствии со способом или посредством способа в процессе производства продуктов изменяются параметры преимущественно до тех пор, пока прогнозируемое значение свойства производимого продукта по меньшей мере в чем-то не будет соответствовать заданному значению свойства продукта.

Описанный способ подходит в принципе для всех продуктов, в особенности для таких продуктов, свойства которых не могут быть измерены в процессе производства или вскоре после производства, и доступны только по истечении периода времени в несколько часов. Особенно предпочтительно применение способа при непрерывных процессах.

Описанный способ прогнозирования особенно пригоден для прогнозирования свойств губчатого железа, производимого прямым восстановлением. Таким образом, изучаемое свойство может содержать одну из следующих характеристик:

- степень металлизации, то есть соотношение между абсолютным содержанием железа в железной руде и свободным железом (Fe),

- доля губчатого железа, которая относится к металлическому железу (Fe),

- содержание углерода в губчатом железе.

В изобретении также предусмотрено прогнозирование не только одного свойства продукта, а также совокупности его свойств.

При прогнозировании посредством нейронной сети, помимо характеристик уже произведенных продуктов, следует учитывать и другие параметры процесса производства продукта, поскольку они влияют или сами являются начальными величинами входных нейронов нейронной сети. Такими параметрами являются температуры в процессе, состав применяемых газов и/или свойства шихты.

Далее изобретение касается конструкции, которая обеспечивает осуществление описанного выше способа. Подобная конструкция реализуется, например, посредством компьютера с подходящим программным обеспечением или любой другой вычислительной установки. К конструкции также относится установка прямого восстановления, в частности шахтная печь.

Программный продукт для электронной вычислительной машины содержит часть кода, которая служит для реализации предложенного способа на электронной вычислительной машине, и может быть реализован для осуществления указанного способа посредством языка программирования или в виде машинного кода, пригодного для электронной вычислительной машины. Часть кода сохраняется. При этом под программным продуктом понимается программа, которая может быть введена в гражданский оборот. Это может осуществляться в любой подходящей форме, например на бумаге, на считываемом носителе информации или посредством компьютерной сети.

Дальнейшие преимущества и признаки изобретения представлены в последующем описании со ссылкой на чертежи, на которых показано:

фиг.1 - шахтная печь для производства губчатого железа,

фиг.2 - предварительный прогноз значения свойства производимого продукта на основе значений свойств уже произведенных продуктов,

фиг.3 - предварительный прогноз значения свойства производимого продукта на основе измеренного значения свойства уже произведенного продукта и спрогнозированного значения свойства у указанного уже произведенного продукта.

На фиг.1 показана шахтная печь 1 с подводом 2 для подачи окисленных окатышей, которые образуют в печи 1 одно или несколько скоплений 3. Шахтная печь 1 снабжена средством 4 для подвода газов, в частности водорода и монооксида углерода, и средством 5 для отвода газов, в частности диоксида углерода, и воды.

Внутри шахтной печи 1 железная руда при высокой температуре и при воздействии газов подвергается прямому восстановлению с образованием губчатого железа, которое скапливается в нижнем конце печи, извлекается посредством устройства 6 выгрузки и увозится на транспортере 7.

С равными интервалами, например каждые 2-4 часа, отбираются пробы охлажденных продуктов, которые подвергаются лабораторным исследованиям на степень металлизации и содержание углерода. Время от окончания производства до получения результата анализа пробы составляет примерно 5-9 часов при анализе степени металлизации и примерно 3,5-7,5 часов при определении содержания углерода. При этом процесс металлизации, который является частью производственного процесса, заканчивается приблизительно в середине шахтной печи 1. Произведенный продукт, однако, еще около 3 часов охлаждается в шахтной печи 1 до того, как он достигнет устройства 6 выгрузки. Обогащение продукта углеродом, которое тоже является частью производственного процесса, завершается по окончании 3/4 процесса, то есть примерно 4,5 часов. Кроме того, в лаборатории требуется примерно 2 часа для определения степени металлизации и содержания углерода. При положении о том, что измерение производится каждые 4 часа, время запаздывания результатов составляет от 5 до 9 или от 3,5 до 7,5 часов.

Таким образом, при допущении, что все влияющие факторы процесса остались неизменными, возможно осуществление регулирования протекания процесса. Однако для процесса, протекающего в течение 3,5-9 часов перед этим, применение корректирующих воздействий уже невозможно. Кроме того, на практике из-за различных соображений невозможно поддержание постоянных параметров процесса.

На фиг.2 видно, что значение W_-3 какого-либо свойства в момент времени t_-3, например значение степени металлизации или концентрации углерода, может быть измерено только в момент времени t_-3 +5 часов. То же самое относится к значению W_-2 свойства продукта в момент времени t_-2 и к значению W_-1 свойства продукта в момент времени t_-1, которые могут быть измерены только по истечении 5 часов после производства.

На основании измеренных значений W_-3, W_-2 и W_-1, которые, например, являются степенью металлизации соответственно 94,1%, 94,2% и 94,3%, производится предварительный прогноз V значения W^v _P,0 свойства производимого продукта в текущий момент времени t₀. На фиг.2 прогноз осуществляется посредством линейной экстраполяции, что показано штриховой линией. Могут также применяться и более сложные алгоритмы.

Полученное в предварительном прогнозе значение W^v ₀ далее учитывается при определении начальной величины входного нейрона нейронной сети.

Кроме того, как показано на фиг.3, разность между измеренным для прошедшего момента времени t_-1 значения W_-1 свойства и спрогнозированным для этого момента времени значением W_{P, -1} также применяется для осуществления второго прогноза V'.

Прогноз осуществляется по следующей формуле:

=W_-1+α·(W^P _-1-W_-1), где α меняется от 0 до 1, например α=0,25.

Это второе спрогнозированное значение W^v' ₀, полученное с учетом разницы между измеренным значением W_-1 и спрогнозированным значением W^P _-1 свойства продукта в момент времени t_-1, служит в качестве начальной величины W^v' ₀ для второго входного нейрона нейронной сети.

Начальные величины последующих входных нейронов нейронной сети вычисляются на основании или с учетом последующих параметров процесса, к которым относятся:

- состав все газов процесса (сухой и влажный), которые присутствуют в установке прямого восстановления,

- количественные и временные показатели расхода газов, например тонн в час, и температуры,

- измерения температуры в и на шахтной печи,

- свойства, описывающие шихтовой материал (пористость, химический состав, размер и форма окатышей, плотность, температура),

- свойства, описывающие производимый или произведенный продукт (плотность, химический состав, содержание углерода содержание железа, содержание металлического железа, степень металлизации),

- массовые потоки шихтового материала и конечного продукта, а также воздуха,

- температура и влажность воздуха.

При построении модели используется преимущественно около 100 измеренных и рассчитанных начальных величин.

При использовании нейронной сети особенно преимущественным является использование ансамбля нейронных сетей и оценка в нем медианы. Также преимущественным является применение комбинации нейронных сетей с прямой связью (Feed-Forward Nets) и рекурсивным фильтром.

В предпочтительном способе с использованием нейронной сети следует отметить следующее: применение цифровых фильтров для данных, автоматическое удаление выбросов, ошибок, поддержание граничных условий для монотонного изменения, в особенности относительно регулирующих величин и конечных значений.

Начальные величины нейронной сети преимущественно вычисляются аналитически из названных параметров процесса. Это происходит, например, посредством интегрирования величин, которые количественно описывают химическое превращение с учетом кинетики реакции в виде дифференциальных уравнений и расчета перемещения куска материала в шахтной печи на основании выхода продукта в час.

Для выполнения преимущественно применяются различные совместимые программные продукты на Фортране, С, C++ или MATLAB. Пользовательский интерфейс может быть реализован в Visual-Basic.

За счет реализации изобретения достигаются следующие преимущества.

- Может быть уменьшен разброс заданных значений. На практике достигается снижение стандартного отклонения в степени металлизации на 40% и в содержании углерода на 30%.

- Меньшие отклонения позволяют эксплуатацию печи в режимах, близких к оптимальным, что позволяет снизить расход и повысить качество продукции.

- Достигается увеличение производительности примерно на 1%.

- За счет повышения гомогенности и качества материала у потребителя губчатого железа, в частности, при эксплуатации электропечи также повышаются показатели процесса. Эти преимущества имеют большее значение, чем преимущества при эксплуатации установки прямого восстановления поскольку оказывают влияние на цену конечной продукции.

- Расчет параметров продукта может заменить лабораторные исследования.

- Расчеты могут производиться в любое время, например, актуальное значение может рассчитываться каждые 0,1 секунды, вместо анализа в лаборатории в течение 2-4 часов.

- Так как основные химические реакции заканчиваются в первой половине или первой трети производственного процесса, примерно за 6 часов, свойства материала также могут быть рассчитаны к этому времени, перед извлечением губчатого железа из шахтной печи. За счет этого уменьшается время реагирования для регулирования свойств материала с 3,5-9 часов до времени расчета модели, которое составляет менее 0,1 секунды.

1. Способ производства продукта с заданным значением свойства при нелинейном и динамическом процессе производства, в котором осуществляют прогнозирование значения выбранного свойства производимого продукта посредством нейронной сети, причем нейронная сеть содержит нелинейную составляющую, причем предусмотрено измерение значений указанного свойства у произведенных в разное время продуктов, предварительное прогнозирование значения свойства производимого продукта на основании измеренных значений, использование предварительно спрогнозированного значения свойства для определения начальной величины входного нейрона нейронной сети, прогнозирование посредством нейронной сети значения указанного свойства производимого продукта, управление процессом производства продукта на основании спрогнозированного значения свойства, при этом осуществляют изменение параметров процесса производства продукта до тех пор, пока спрогнозированное значение свойства производимого продукта по меньшей мере частично не совпадет с заданным значением указанного свойства производимого продукта.

2. Способ по п.1, в котором предварительное прогнозирование осуществляют при помощи рекурсивных фильтров.

3. Способ по п.2, в котором рекурсивный фильтр содержит линейную экстраполяцию.

4. Способ по п.2, в котором рекурсивный фильтр содержит вторую нейронную сеть, в частности рекуррентную нейронную сеть.

5. Способ по п.1, в котором измеряют сравнительное значение свойства произведенного продукта, прогнозируют оценочное значение указанного свойства произведенного продукта, определяют разницу между сравнительным и оценочным значением свойства продукта, при этом упомянутую разность учитывают при определении начальной величины входного нейрона нейронной сети.

6. Способ по п.1, в котором процесс производства продукта является прямым восстановлением железной руды.

7. Способ по п.1, в котором производимый продукт содержит и/или является губчатым железом.

8. Способ по п.1, в котором производимый продукт является металлическим железом.

9. Способ по п.1, в котором упомянутым свойством является содержание углерода в производимом продукте.

10. Способ по п.1, в котором при прогнозировании посредством нейронной сети учитываются другие параметры процесса производства, такие как температура в процессе, состав применяемых газов, свойства шихты и/или аналитически определенные параметры, характеризующие химическое превращение и кинетику реакций.

11. Конструкция для производства продукта с заданным значением свойства при нелинейном и динамическом процессе производства, включающая средства измерения указанного свойства у произведенных в разное время продуктов и электронную вычислительную машину для управления процессом производства продуктов, при этом конструкция обеспечивает реализацию способа по п.1.