摘要：焦炉立火道温度控制的好坏直接影响焦炭质量和炼焦能耗，针对炼焦过程能耗高，立火道温度控制精度不高，燃烧效果差等问题，以及生产过程中大量有用数据未被合理利用的情况，结合其加热过程强相关、大滞后等特点，提出了焦炉立火道温度的优化控制方法，以供参考。
关键词：焦炉；立火道；温度控制
前言
焦炉立火道温度是指焦炉各个燃烧室测温火道温度的平均值，是焦炉加热过程中重要的工艺参数，焦炉立火道温度直接关系到焦炭质量与炼焦能耗，是焦炉加热燃烧过程的关键与核心。近年来，对于焦炉立火道温度控制的研究层出不穷，但都存在一定可优化空间，如生产过程中大量的可用数据未被合理利用，控制精度不高、效果差，且能耗指标无法控制等。
1 综合自动控制系统的功能深入研究
焦炉综合控制系统的功能可以归结为以下几个方面：
其一，可以实现点位控制。包括对焦炉集气管的压力、机焦侧流量以及烟道机焦侧吸力等部分实现严格的点位控制，时刻了解这些技术参数的稳定性以及实际数值，然后通过对这些内容进行不断调整与优化以此来达到最佳的控制效果。
其二，对主要生产参数的控制。通过对焦炉加热系统进行全面监控，可以随时获取焦炉加热煤气的温度、压力、流量以及空气流量等参数的准确数值，这样一旦某个生产环节出现问题就可以通过计算机系统进行调整与报警，不但大大降低了生产的危险性，还可以减少一部分人工的工作强度，而且人工进行参数控制需要时刻进行查验，往往还会出现遗漏与疏忽的情况，自动化控制系统成功弥补了这一缺点。
其三，对焦炉机械进行集中连锁控制，即三车连锁或四车连锁。由于生产过程中管理者必须要时刻关注大车所处的位置，所以在综合自动控制系统中可以通过无线电感应技术实现这一目标，不但提升了管理的效果，提升了控制的精准度，还降低了工位的需求，节约了人工成本。但是由于大车机械的集中控制依然需要人工进行观察，所以可以通过在观测室通过无线电感应同时对多个观测对象进行集中观测的方式来提升观察效率，降低人工，最终实现了综合效益的提升。
焦炉加热燃烧过程是对炭化室中的配合煤进行干馏的过程，采用焦炉煤气或高炉煤气或者混合煤气对焦炉进行加热，然后经过蓄热室预热后和同样预热的空气进入燃烧室进行燃烧，燃烧后的废气返回蓄热室进行蓄热然后进入小烟道汇集到总烟道排出大气。
焦炉燃烧室位于炭化室两侧，其中分成许多立火道，一般大型焦炉燃烧室有28个或32个立火道，燃烧室是煤气燃烧的地方，煤气和空气在其中混合燃烧，产生的热量传递给炉墙，间接加热炭化室中的煤料，对其进行高温干馏。焦炉加热过程是一种复杂的物理化学过程，难以建立数学模型，造成焦炉加热控制困难，因此探索研究更加先进的立火道温度控制方法十分关键。且生产过程中大量可用数据如集气管压力，氨水压力，焦炉煤气主管压力，焦炉煤气流量，烟道温度，烟道吸力等未被合理利用，因此合理利用这些有用数据也是火道温度控制的关键。
3 焦炉立火道温度控制
启发式动态规划是自适应动态规划的一种，其思想最先来源于人工智能领域的“强化学习”，模拟人通过环境反馈进行学习的思路，被认为是一种非常接近人脑智能的方法。其思想是用离线和在线数据，利用神经网络来逼近动态规划中的性能指标函数和控制策略，进而满足最优性原理。采集北营焦化厂7号焦炉的数据包括当前阶段的集气管压力、氨水压力、加热煤气主管压力和流量、烟道温度、烟道吸力、机侧立火道温度（焦侧立火道温度变化规律同机侧）。采用BP神经网络建立焦炉立火道温度的数学模型，包括数据预处理、相关性分析、神经网络建模和神经网络泛化能力测试四部分。
3.1 数据预处理
由于现场数据在采样过程中受到检测设备、采集方式、人员疏忽等多种因素的影响，数据中存在着影响建模的异常数据，因此需要对数据进行预处理［1］。
3.2 异常值剔除
3σ准则（依拉达准则）在实际应用中是一种实用的剔除异常值的可行方法，用3σ准则判断粗大误差的基本思想是以给定的置信概率99.7%为标准，以三倍测量列的标准偏差限为依据，凡超过此界限的误差则为粗大误差，应从测量数据中剔除。
3.3 缺失值补足
针对分类变量缺失数据处理问题，未采用传统方法，而是采用了一种基于不完备数据聚类的缺失数据填补方法，此方法从算法补齐率和时间效率两个方面总体优于经典传统的缺失值补足法。经过处理后，剩下优良数据。
3.4 数据的相关性分析
利用数据统计包SPSS来进行数据相关性分析，确定影响焦炉立火道温度的主要变量。经分析，选择与火道温度相关的7个变量，即集气管压力、氨水压力、焦炉加热煤气主管压力和机侧流量、机侧烟道温度和吸力、机侧火道温度，作为神经网络建模的网络输入，下一时刻机侧立火道温度作为网络输出。
3.5 神经网络建模
焦炉加热燃烧过程是一个强相关、大滞后的复杂冶金过程，部分关键状态参数难以检测或者具有非线性时变特性，使得过程的机理分析和建模比较困难。BP神经网络是一种按照误差反向传播训练和学习的多层前馈网络，能通过对输入输出的学习建立非线性函数模型。同时，BP网络还具有容错能力高，泛化能力好等特点。
3.6 泛化能力测试
选其中的50组数据进行泛化能力测试，结果表明：经过训练的BP神经网络的预测输出基本能反映焦炉立火道温度的趋势走向，命中率为90.7%，体现出了良好的泛化能力。
4 结语
启发式动态规划中模型网络、评价网络和执行网络的控制方法实现了对焦炉立火道温度系统的优化控制，将立火道温度控制在设定值附近，精度高，优化速度快，提高了焦炉立火道温度的稳定性，且反映能耗的指标焦炉煤气流量也能在短时间内稳定，说明在满足生产质量要求的前提下减少了能源的消耗。
参考文献：
[1]孙义经.广义预测控制在焦炉温度控制系统中的研究及应用[D].安徽工业大学，2016.
论文作者:吴蕾
论文发表刊物:《基层建设》2018年第5期
论文发表时间:2018/5/22
标签：焦炉论文; 温度论文; 数据论文; 神经网络论文; 煤气论文; 压力论文; 燃烧室论文; 《基层建设》2018年第5期论文;