面向烧结复杂时滞特征的多时间尺度质量性能指标建模

Overcapacity is a serious problem in the steel industry, the policies and guidelines carried out by the government show that improving the quality of steel product is key to solving this problem. Iron ore sintering is the first procedure of steel industry, which represents a typical nonlinear process with complex time delay. This program takes iron ore sintering process as the study object, a multi-time-scale modeling method will be studied to solve the problem of how to predict the quality of sinter. The model takes into account the characteristics of complex time delay and lays the foundation for the optimization of iron ore sintering process. First, we will study a time-series registration method to estimate the time delay caused by process technology and design, so that to eliminate the effect of time delay on process modeling. Next, we will study an online estimation method to solve the problem of how to measure the state parameters. Finally, we will use the data obtained from the previous two steps to build a multi-scale prediction model, considering the time delay caused by process mechanism. To create the model, we will study the hierarchical model between the raw material parameters and the quality indexes under large-time scale; we will study the online dynamic prediction model of quality indexes under medium- and small-time scale. The multi-scale modeling method provides us with a new way of solving modeling problem of industrial processes with complex time delay.

钢铁行业产能过剩的问题突出，国家出台的各项相关方针政策表明提升钢铁产品质量对解决这一问题至关重要。烧结是钢铁行业的首道工序，代表一类普遍存在复杂时滞特征的非线性过程。本项目以烧结过程为研究对象，针对其复杂时滞特征研究基于多时间尺度建模的烧结矿质量预测模型，旨在为提升钢铁产品质量提供模型支撑。首先，针对数据存在工艺时滞的特点，研究时序配准方法，消除数据错位对建模的影响。然后，针对状态参数不可测的工艺特点，研究状态参数实时估计方法，为建模研究提供关键状态表针参数。最后，基于前两步得到的过程数据研究面向机理时滞的多时间尺度建模方法。它包括：研究大时间尺度下原料参数与质量性能指标层次化关系模型；研究中小时间尺度下质量性能指标动态在线预测模型。该多时间尺度建模方法的提出为复杂时滞过程建模提供了一条新思路。

烧结过程作为钢铁行业的首道工序，为后续钢铁冶炼提供重要的原材料。因此，提高其产品的质量对最终提高钢铁制品的质量起着决定作用。本研究通过对烧结过程的深入分析，研究面向该过程复杂数据特征的性能指标建模方法。研究主要包含五个方面：1）针对烧结过程数据存在时滞的特点，研究了生产数据时序配准方法，为建模研究提供数据基础；2）研究了面向多时间尺度影响因素的状态参数实时估计方法，该模型融合了小尺度下历史状态参数和中等时间尺度下操作参数对当前状态参数的影响，提高了建模的精度；3）研究了大时间尺度下原料参数与质量性能指标层次化关系模型，建立了一种基于改进型神经网络的大尺度离线铁品位预测模型。该模型输入神经网络不仅和隐含层神经元相连而且直接和输出神经元相连，这种结构使得该模型能同时拟合线性和非线性分量；4）研究了中小时间尺度下质量性能指标动态在线建模方法，建立了一种基于及时学习的中小时间尺度下铁品位动态在线预测模型，实现了铁品位在线分量的精确预测；5）针对烧结转股强度这一性能指标标记样本少、各工况间标记样本数据量不平衡且过程参数间线性-非线性关系共存的数据特点，建立了基于高斯及时学习的转股强度半监督预测模型。通过本项目的研究实现了对烧结质量指标的精确预测，对实现质量性能指标优化奠定了良好的模型基础。