一種融合機理與模型遷移的加熱爐鋼坯溫度預測方法與流程
1.本發明涉及一種加熱爐鋼坯溫度模型的構建方法，具體是一種基于加熱爐熱傳質機理建模與聯合適配正則化模型遷移技術的加熱爐鋼坯溫度快速預測建模方法，屬于熱軋鋼坯加熱過程溫度預測建模技術領域。
背景技術：
2.加熱爐是鋼鐵生產過程中的熱工設備，能耗占軋制工序的50％左右，占整個鋼鐵生產能耗的20％左右，是鋼鐵生產的耗能大戶；同時加熱爐對鋼材加熱質量的好壞直接影響鋼材質量，合理控制鋼坯出爐溫度與分布，是保證鋼坯軋制質量的關鍵。受測量技術的限制，目前軋鋼加熱爐生產過程中無法精確獲得鋼坯在爐內的溫度分布的在線測量數據，只能依賴于爐內鋼坯溫度分布的數學模型實現對各爐區溫度的控制。但在實際過程中，模型與實際生產存在較大偏差，導致鋼坯加熱效果常常不能達到預期效果；此外，入爐鋼坯溫度波動幅度大有時甚至冷坯熱坯混裝，出鋼節奏波動大、混合煤氣熱值波動劇烈等多種因素，都會引起鋼坯加熱進程無序變化，從而導致建立的鋼溫模型與實際生產過程失配，鋼坯溫度控制效果無法滿足軋制要求。
技術實現要素：
3.針對現有技術存在的不足，本發明的目的是提供一種融合機理與模型遷移的加熱爐鋼坯溫度預測方法，建立精度高、適應性好的加熱爐內鋼坯溫度預測模型，將有利于爐內鋼坯溫度預測以及加熱爐的優化控制。
4.為了實現上述目的，本發明是通過如下的技術方案來實現：
5.第一方面，本發明的實施例提供了一種融合機理與模型遷移的加熱爐鋼坯溫度預測方法，包括以下步驟：
6.步驟1建立鋼坯溫度預測機理模型；
7.步驟2獲取正在加熱的鋼坯外形尺寸數據及化學成分參數，確定加熱爐控制參量額定值和穩定運行區間；對獲取的數據進行數據清理、數據規范化以及數據更新，得到模型測試樣本數據；
8.步驟3確定鋼坯溫度預測機理模型的參數；
9.步驟4利用步驟1、步驟3建立的機理模型，結合步驟2中所采集的加熱爐實際運行數據通過聯合適配正則化模型遷移技術快速建立加熱爐的遷移預測模型；
10.步驟5利用步驟2中得到的模型測試樣本數據驗證所建立的加熱爐的遷移預測模型的預測效果，若建立的遷移預測模型的預測誤差小于設定值，則模型遷移訓練結束，獲得新模型；否則就返回步驟2中增加實驗數據，采集更多的實驗數據樣本進行模型遷移訓練，直至遷移預測模型的預測誤差小于設定值；
11.步驟6利用步驟5中獲得的新模型，對加熱爐鋼坯溫度進行預測。
12.上述本發明的實施例的有益效果如下：
13.本發明通過融合機理分析與模型遷移技術來建立加熱爐的鋼坯溫度預測模型，充分利用加熱爐熱傳質機理與先決經驗知識(加熱爐爐型、黑度、綜合傳熱系數以及鋼坯加熱工藝要求、設計參數和吸熱特性曲線等)，在歷史運行數據與少量實際運行數據情況下能夠快速開發加熱爐鋼坯溫度預測模型，大大節省了模型的開發時間與成本；同時采用聯合適配正則化模型遷移技術構建鋼坯溫度預測模型，提高了模型的學習速度和泛化能力，提高了建模效率和準確度。該方法比基于機理或數據的建模方法預測精度要高很多，幾乎接近實際輸出，取得了很好的應用效果。
附圖說明
14.構成本發明的一部分的說明書附圖用來提供對本發明的進一步理解，本發明的示意性實施例及其說明用于解釋本發明，并不構成對本發明的不當限定。
15.圖1是本發明提出的基于機理分析與模型遷移的加熱爐鋼坯溫度預測建模實施步驟；
16.圖2是鋼坯溫度機理預測模型構成；
17.圖3是數據采集與處理過程；
18.圖4是聯合適配正則化模型遷移過程；
19.圖5是黑匣子及熱電偶測溫點位置分布；
20.圖6是鋼坯上表面熱電偶測量溫度與模型預測溫度曲線；
21.圖7.是鋼坯下表面熱電偶測量溫度與模型預測溫度曲線；
22.圖8.是鋼坯中部熱電偶測量溫度與模型預測溫度曲線；
具體實施方式
23.應該指出，以下詳細說明都是例示性的，旨在對本發明提供進一步的說明。除非另有指明，本發明使用的所有技術和科學術語具有與本發明所屬技術領域的普通技術人員通常理解的相同含義。
24.需要注意的是，這里所使用的術語僅是為了描述具體實施方式，而非意圖限制根據本發明的示例性實施方式。如在這里所使用的，除非本發明另外明確指出，否則單數形式也意圖包括復數形式，此外，還應當理解的是，當在本說明書中使用術語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合；
25.本發明的一種典型的實施方式中，如圖1所示，以下結合附圖和具體實施例，對本發明作詳細說明。
26.本發明提出的基于機理分析與模型遷移的加熱爐鋼坯溫度快速預測建模方法，如圖1所示，具體步驟如下：
27.a.鋼坯溫度機理預測模型
28.在加熱爐生產過程中，無法精確獲得鋼坯在加熱爐內的溫度分布的在線測量數據，建立鋼坯溫度機理預測模型可實現加熱爐內鋼坯溫度場的分布。基于能量守恒定律與傅里葉定律，建立加熱爐內鋼坯溫度機理預測模型，包括鋼坯內部傳熱模型和鋼坯上、下表面傳熱模型三部分，如圖2所示。
29.鋼坯內部非穩態導熱差分方程：
[0030][0031]
鋼坯上表面非穩態傳熱差分方程：
[0032][0033]
鋼坯下表面非穩態傳熱差分方程：
[0034][0035]
為便于分析工況變化對熱流密度影響，本發明從分析加熱爐內的熱交換機理入手，建立鋼坯上下表面的熱流密度機理公式：
[0036][0037][0038]
ti表示鋼坯溫度,t表示時間，x表示鋼坯沿厚度方向坐標，ρ表示鋼坯密度，c表示鋼坯比熱，λ表示鋼坯導熱系數，和分別為鋼坯上層和下層的總括吸收率，t
fd
和t
fd
分別為上層和下層的爐溫。
[0039]
綜合式(1)-(5)，得到基于總括吸收率的加熱爐內鋼坯溫度機理預測模型；
[0040]
b.數據采集與處理
[0041]
數據采集與處理包括參量約束、數據清理、數據規范化與數據更新，如圖3所示。
[0042]
b.1參量約束：
[0043]
通過現場管理系統獲取正在加熱的鋼坯外形尺寸數據及化學成分參數，利用加熱爐的先決經驗知識和鋼坯種類確定各控制參量的額定值和穩定運行區間。先決經驗知識包括加熱爐爐型、黑度、綜合傳熱系數以及鋼坯加熱工藝要求、設計參數和吸熱特性曲線等；控制參量包括鋼坯出爐溫度、鋼坯通支溫差、煤氣壓力、煤氣熱值、煤氣流量、空氣預熱溫度、空氣壓力、空氣流量、氧化燒損率、殘氧分量、氮氧化物含量等與鋼坯、煤氣、空氣、氧化燒損相關的控制變量。
[0044]
b.2數據清理：
[0045]
首先，采集加熱爐以往運行數據，建立歷史數據集，并利用k均值聚類方法檢測離點，剔除歷史數據集異常點；然后，根據唯一性、連續性、空值等規則校對檢測數據；最后，進行偏差檢測；
[0046]
b.3數據規范化：
[0047]
首先，將步驟b.2得到的歷史數據集進行尺度轉換處理，將其轉換至加熱爐內鋼坯溫度預測模型的穩定運行區間內；然后，根據b.1確定的加熱爐控制參量額定值，利用最小最大規范化對步驟b.2得到的數據進行線性變換，進行歸一化處理，如式(6)所示。
[0048][0049]
b.4數據更新：
[0050]
采集加熱爐實時運行數據，建立實時運行數據集。在實時運行數據集/歷史數據集進行相似性分析的基礎上，對歷史數據集劃分優先級(與當前實時運行數據相似度較小的歷史數據賦予較高的優先級)，按照由高到低的順序進行“遺忘”，并利用加熱爐內鋼坯溫度預測模型預測置信域的評估結果對歷史數據的“遺忘”。
[0051]
利用滑動窗口，對鋼坯溫度機理預測模型預測誤差和鋼坯溫度機理預測模型的預測置信度的進行評估，通過判斷預測結果的準確性和可靠性實現鋼坯溫度機理預測模型的遷移模型的在線更新。
[0052]
c.機理模型參數確定
[0053]
鋼坯溫度機理預測模型中，總括吸收率和通常依據經驗公式確定，而和的值與爐氣和鋼坯的黑度εg和εs，爐壁對鋼坯的角度系數和η
ws
，強制對流系數和θ直接相關，而εg、εs、η
ws
、θ等值需要查表或根據經驗反復試湊，調節過程繁瑣且計算量巨大。本發明利用自適應遺傳算法代替經驗公式反復試湊過程，完成求解上下爐膛總括吸收率和的繁瑣過程：
[0054]
c.1將和作為自變量，采用實數編碼方式，以實際鋼坯出爐溫度與機理模型預測值得差值作為適應度函數；
[0055]
c.2在加熱爐的穩定運行區間，從歷史數據集內選擇離散、稀疏數據組成實驗數據樣本，再將數據樣本分為訓練數據和測試數據兩部分：利用訓練數據對模型進行訓練，求得和最優值后，選擇測試數據對模型進行測試，利用自適應遺傳算法求得最佳的上下爐膛總括吸收率系數和
[0056]
d.模型遷移訓練
[0057]
融合步驟a、c的結果，建立參數已知的鋼坯溫度機理預測模型，結合步驟b.4中所采集的加熱爐實際運行數據集，通過聯合適配正則化模型遷移技術快速建立的鋼坯溫度機理預測模型的遷移模型，如圖4所示：
[0058]
d.1利用聯合矩陣分解抽取b.2中的歷史數據集與實時運行數據集的隱含特征，然后利用圖正則化對聯合矩陣分解抽取的隱含結構進行精化，進而建立聯合矩陣分解和圖正則化的統一優化準則；
[0059]
d.2利用經驗最大均值差異(maximum mean di screpancy,mmd)度量不同概率分布的失配程度，建立歷史數據領域和實時運行數據領域在無窮維核空間中的邊緣分布適配均值距離函數和條件分布適配均值距離函數進而建立聯合分布適配正則化項
[0060][0061]
[0062][0063]
d.3與結構風險最小化、流行正則化結合，建立聯合適配正則化貝葉斯無監督遷移學習的模型遷移方法；
[0064][0065]
d.4步驟c獲得的參數已知的鋼坯溫度機理預測模型作為基礎模型，d.3的模型遷移方法，利用步驟b.4的實時運行數據集，建立鋼坯溫度遷移預測模型。
[0066]
e.模型遷移測試
[0067]
從步驟b實時運行數據集中抽取部分數據作為鋼坯溫度遷移預測模型的測試數據集，驗證所建立的鋼坯溫度遷移預測模型的預測效果。若建立的鋼坯溫度遷移預測模型的預測誤差小于設定值，則鋼坯溫度遷移預測模型遷移訓練結束，獲得新模型并應用，否則就返回步驟b中增加實驗數據到實時運行數據集，采集更多的實驗數據樣本進行遷移預測模型遷移訓練。
[0068]
與現有技術相比，本發明采用機理分析與模型遷移相結合的策略來建立加熱爐鋼坯溫度預測模型，充分利用加熱爐內部輻射、對流傳熱原理及鋼坯內部熱傳導機理，以及加熱爐的先決經驗知識(加熱爐爐型、黑度、綜合傳熱系數以及鋼坯加熱工藝要求、設計參數和吸熱特性曲線等)，在少量實際運行數據的情況下能夠快速建立加熱爐鋼坯溫度預測模型，節省了模型的開發時間與成本；同時采用聯合適配正則化模型遷移技術構建鋼坯溫度預測模型，提高了模型的學習速度和泛化能力，提高了建模效率和準確度。該方法將聯合適配正則化模型遷移技術應用到鋼坯溫度模型構建中，結合加熱爐、鋼坯熱傳質機理，實現加熱爐鋼坯溫度預測模型的快速構建。
[0069]
具體的應用案例如下：
[0070]
為了驗證快速預測模型的效果，采集加熱爐歷史數據及實際運行數據建立鋼坯溫度快速預測模型，利用爐溫跟蹤儀(俗稱“黑匣子”)對鋼坯在加熱爐內的加熱過程進行跟蹤測試。
[0071]
f.1在埋偶實驗中，溫度傳感采用k型鎧裝熱電偶，精度ⅰ級，鋼坯尺寸、黑匣子及熱電偶測溫點位置分布如圖5所示，熱電偶及測試孔深度在表1中說明。
[0072]
表1 熱電偶測點描述及測試孔深度
[0073]
[0074][0075]
f.2鋼坯非軋機側溫度(t7、t8、t9)與快速預測模型預測曲線如圖6、7、8所示，圖6位鋼坯上表面埋偶熱電偶測量溫度與模型預測溫度對比曲線，圖7位鋼坯下表面埋偶熱電偶測量溫度與模型預測溫度對比曲線，圖8為鋼坯中部埋偶熱電偶測量溫度與模型預測溫度對比曲線。模型預測最大預測誤差為70℃，預測精度均在5％以內。
[0076]
由埋偶實驗結果可知，本發明通過融合機理分析與模型遷移技術來建立加熱爐的鋼坯溫度預測模型，充分利用加熱爐熱傳質機理與先決經驗知識(加熱爐爐型、黑度、綜合傳熱系數以及鋼坯加熱工藝要求、設計參數和吸熱特性曲線等)，在歷史運行數據與少量實際運行數據情況下能夠快速開發加熱爐鋼坯溫度預測模型，大大節省了模型的開發時間與成本；同時采用聯合適配正則化模型遷移技術構建鋼坯溫度預測模型，提高了模型的學習速度和泛化能力，提高了建模效率和準確度。該方法比基于機理或數據的建模方法預測精度要高很多，幾乎接近實際輸出，取得了很好的應用效果。
[0077]
以上所述僅為本發明的優選實施例而已，并不用于限制本發明，對于本領域的技術人員來說，本發明可以有各種更改和變化。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
技術特征：
1.一種融合機理與模型遷移的加熱爐鋼坯溫度預測方法，其特征在于，包括以下步驟：步驟1建立鋼坯溫度預測機理模型；步驟2獲取正在加熱的鋼坯外形尺寸數據及化學成分參數，確定加熱爐控制參量額定值和穩定運行區間；對獲取的數據進行數據清理、數據規范化以及數據更新，得到模型測試樣本數據；步驟3確定鋼坯溫度預測機理模型的參數；步驟4利用步驟1、步驟3建立的機理模型，結合步驟2中所采集的加熱爐實際運行數據通過聯合適配正則化模型遷移技術快速建立加熱爐的遷移預測模型；步驟5利用步驟2中得到的模型測試樣本數據驗證所建立的加熱爐的遷移預測模型的預測效果，若建立的遷移預測模型的預測誤差小于設定值，則模型遷移訓練結束，獲得新模型；否則就返回步驟2中增加實驗數據，采集更多的實驗數據樣本進行模型遷移訓練，直至遷移預測模型的預測誤差小于設定值；步驟6利用步驟5中獲得的新模型，對加熱爐鋼坯溫度進行預測。2.如權利要求1所述的融合機理與模型遷移的加熱爐鋼坯溫度預測方法，其特征在于，所述的鋼坯溫度預測機理模型，包括鋼坯內部傳熱模型、鋼坯上、下表面傳熱模型三部分。3.如權利要求2所述的融合機理與模型遷移的加熱爐鋼坯溫度預測方法，其特征在于，步驟1中的鋼坯溫度預測機理模型的建立方法如下：1-1建立鋼坯內部非穩態導熱差分方程；1-2建立鋼坯上表面非穩態傳熱差分方程；1-3建立鋼坯下表面非穩態傳熱差分方程；1-4建立鋼坯上下表面的熱流密度機理公式；1-5綜合步驟1-1至步驟1-4，得到基于總括吸收率的加熱爐內鋼坯溫度預測模型。4.如權利要求1所述的融合機理與模型遷移的加熱爐鋼坯溫度預測方法，其特征在于，所述的步驟2通過現場管理系統獲取正在加熱的鋼坯外形尺寸數據及化學成分參數，利用加熱爐的先決經驗知識和鋼坯種類確定各參量的額定值和穩定運行區間。5.如權利要求4所述的融合機理與模型遷移的加熱爐鋼坯溫度預測方法，其特征在于，步驟2中，所述的數據清理過程如下：采集加熱爐以往運行數據，建立歷史數據集，并利用k均值聚類方法檢測離點，剔除歷史數據集異常點；根據唯一性、連續性、空值規則校對檢測數據；進行偏差檢測，對錯誤數據進行數據變換，得到清理后的數據。6.如權利要求5所述的融合機理與模型遷移的加熱爐鋼坯溫度預測方法，其特征在于，步驟2中，步驟2中，所述的數據規范化的過程如下：將數據進行尺度轉換處理，將其轉換至模型的穩定運行區間內；根據加熱爐控制參量額定值，利用最小最大規范化對清理后的數據進行線性變換，進行歸一化處理。7.如權利要求6所述的融合機理與模型遷移的加熱爐鋼坯溫度預測方法，其特征在于，步驟2中，所述的數據更新過程如下：采集加熱爐實時運行數據，建立實時運行數據集，在實時運行數據集和歷史數據集進
行相似性分析的基礎上，對歷史數據集劃分優先級，按照由高到低的順序進行“遺忘”，并利用加熱爐內鋼坯溫度預測模型預測置信域的評估結果對歷史數據的“遺忘”。8.如權利要求7所述的融合機理與模型遷移的加熱爐鋼坯溫度預測方法，其特征在于，利用滑動窗口，對鋼坯溫度機理預測模型預測誤差和鋼坯溫度機理預測模型的預測置信度的進行評估，通過判斷預測結果的準確性和可靠性實現鋼坯溫度機理預測模型的遷移模型的在線更新。9.如權利要求1所述的融合機理與模型遷移的加熱爐鋼坯溫度預測方法，其特征在于，步驟3中，所述的機理模型參數確定過程如下：將上下爐膛總括吸收率作為自變量，采用實數編碼方式，以實際鋼坯出爐溫度與機理模型預測值得差值作為適應度函數；在加熱爐的穩定運行區間內，從歷史數據集內選擇離散、稀疏數據組成實驗數據樣本，再將數據樣本分為模型訓練樣本數據和模型測試樣本數據兩部分：利用訓練數據對模型進行訓練，求得上下爐膛總括吸收率最優值后，選擇測試數據對模型進行測試，利用自適應遺傳算法求得最佳的上下爐膛總括吸收率系數。10.如權利要求5所述的融合機理與模型遷移的加熱爐鋼坯溫度預測方法，其特征在于，步驟4的具體過程如下：步驟4-1利用聯合矩陣分解抽取歷史數據集與實際運行數據的隱含特征，然后利用圖正則化對聯合矩陣分解抽取的隱含結構進行精化，進而建立聯合矩陣分解和圖正則化的統一優化準則；步驟4-2利用經驗最大均值差異度量不同概率分布的失配程度，建立歷史數據領域和實時運行數據在無窮維核空間中的邊緣分布適配均值距離函數和條件分布適配均值距離函數，進而建立聯合分布適配正則化項；步驟4-3與結構風險最小化、流行正則化結合，建立聯合適配正則化貝葉斯無監督遷移學習的模型遷移方法；步驟4-4步驟3獲得的參數已知的鋼坯溫度機理預測模型作為基礎模型，步驟4-3的模型遷移方法，利用實時運行數據集，建立鋼坯溫度遷移預測模型。
技術總結
本發明公開了一種融合機理與模型遷移的加熱爐鋼坯溫度預測方法，包括以下步驟：建立鋼坯溫度預測機理模型；獲取正在加熱的鋼坯外形尺寸數據及化學成分參數，確定各控制參量的額定值和穩定運行區間；對獲取的數據進行清理、規范化以及更新，得到歷史運行數據集和實時運行數據集；確定鋼坯溫度預測機理模型的參數；基于建立的鋼坯溫度機理預測模型，利用采集的實時運行數據集，通過聯合適配正則化模型遷移技術快速建立加熱爐的遷移預測模型；利用實時運行數據驗證所建立的加熱爐的遷移預測模型的預測效果；利用獲得的遷移預測模型，對加熱爐鋼坯溫度進行預測。加熱爐鋼坯溫度進行預測。加熱爐鋼坯溫度進行預測。
