动态数据序列建模及其在定氧加铝控制系统中的应用
|
摘要
定氧加铝工艺是炼钢厂铝镇静钢冶炼过程的重要工序之一。通过往钢水中加入一定量的铝，来控制钢水中的氧的含量，同时，也保证钢水中有一定量的酸溶铝成分，这样才能保证炼出的钢的质量。因此建立一个加铝量的模型，把钢水中的氧含量和酸溶铝成分控制在所需的范围内，是十分必要的。当前，厂方经过了一些技术改造，通过历史数据建立了一个定氧加铝工艺的线性回归模型。但当每一钢包从出炉到达加铝站进行定氧加铝期间，会受到温度、定氧仪探头伸入钢水的深度和吹氩等不同因素的影响，而该模型仅仅是一个定参数公式，对现场中的扰动性和随机性等诸多因素不能作出很好的反映，故在出现大扰动时，采用该模型将很难保证其拟合精度。
本论文首先研究了国内外多种关于动态数据序列建模的方法，比较了各种方法的优缺点。根据定氧加铝工艺中钢包含氧量因工况等因素有所不同，在观察若干炉含氧观测数据序列的基础上，采用了观测数据建模策略，结合回归分析、频谱理论和时间序列建模的思想，建立了定氧加铝模型。采用信号分离方法和技术，将信号中的确定性和非确定性信号分离，分别给出相应的参数估计及数学模型；然后，充分考虑观测数据和其它变量的相关关系以及数据自身依赖关系，建立了观测数据序列的混合模型。考虑到现场的随机因素的影响，在对随机信号采用时间序列方法建立模型时，研究了一种确立模型的阶数和模型参数的算法；在工艺状况发生改变时，通过对模型的滚动优化，修正模型参数，来提高模型对实时观测数据的拟合程度和预测的准确性。
本课题的研究背景是基于“武钢二炼钢定氧加铝模型自动控制系统改造”项目，对炼钢的定氧加铝工艺中建立观测数据序列的混合预测模型是定氧加铝自动控制系统的基础。实际生产工艺参数的拟合和预测效果表明，本文提出的一种观测数据序列混合模型建立的方法，为解决目前炼钢行业中定氧加铝模型难以建立的问题，提供了一条可供参考的途径。
In the process of steel-making, killing oxygen by adding aluminum process is an important working procedure.by adding the fixed quantity of the aluminum,it could control the oxygen in the molten steel. At the same time,it could guarantee the fixed quantity of the aluminium in the aching.Only by this,it can guarantee the quality of the steel.So making a model of the adding aluminum is very necessary. But now,most of the model is a linear regression model of the killing oxygen by adding aluminum process with history datal33. The molten steel have the same making environment at the spot, but it is subject to many factors such as temperature and killing oxygen instrument penetration's depth into the molten steel during the time.But the model is just a fixed parameter formula.it can't make right reflection to the disturbance and randomness at the spot.So when some big disturbance happen,the model can't guarantee the fitting accuracy.
This article deals with many modeling methods of dynamic data sequence and compares, the advantages and disadvantages of these methods. Due to the affection of the environment, oxygen content in the molten steel is different in the killing oxygen by adding aluminum process. On the base of many dynamic data sequences of oxygen content, advanced rational dynamical data modeling strategy is introduced, which is correlated with the analyzed method of regression, spectrum theory and time sequence to the modeling of killing oxygen by adding aluminum model and the method is adopted about the Separation of certain and uncertain signal and corresponding parameter estimation and mathematical model is put forward. And then the combined prediction model Of the Observed data is formed, which consider the correlation of the variable with the other variable and self-dependency of the variable itself fully. Considering the affection of located random factors, an algorithm is worked over to determine the model' s Order numbe
r and parameters. When the condition changes, fitting degree of observed data and prediction accuracy of the model are enhanced through rolling optimization and modifying model parameters .
This thesis is based on the project "killing oxygen by adding aluminum model automatic controlling system rebuilding of the second steelwork of Wuhan Iron and Steel company", the combined prediction model of observed data sequences in the killing oxygen by adding aluminum process is the basic of this automatic controlling system. The actual fitting and predicted results indicate that the modeling method put forward in this article of observed data sequences has provided a referable approach to solve the problem that it is difficult to build the killing oxygen by adding aluminum model in steel making.
本论文首先研究了国内外多种关于动态数据序列建模的方法，比较了各种方法的优缺点。根据定氧加铝工艺中钢包含氧量因工况等因素有所不同，在观察若干炉含氧观测数据序列的基础上，采用了观测数据建模策略，结合回归分析、频谱理论和时间序列建模的思想，建立了定氧加铝模型。采用信号分离方法和技术，将信号中的确定性和非确定性信号分离，分别给出相应的参数估计及数学模型；然后，充分考虑观测数据和其它变量的相关关系以及数据自身依赖关系，建立了观测数据序列的混合模型。考虑到现场的随机因素的影响，在对随机信号采用时间序列方法建立模型时，研究了一种确立模型的阶数和模型参数的算法；在工艺状况发生改变时，通过对模型的滚动优化，修正模型参数，来提高模型对实时观测数据的拟合程度和预测的准确性。
本课题的研究背景是基于“武钢二炼钢定氧加铝模型自动控制系统改造”项目，对炼钢的定氧加铝工艺中建立观测数据序列的混合预测模型是定氧加铝自动控制系统的基础。实际生产工艺参数的拟合和预测效果表明，本文提出的一种观测数据序列混合模型建立的方法，为解决目前炼钢行业中定氧加铝模型难以建立的问题，提供了一条可供参考的途径。
In the process of steel-making, killing oxygen by adding aluminum process is an important working procedure.by adding the fixed quantity of the aluminum,it could control the oxygen in the molten steel. At the same time,it could guarantee the fixed quantity of the aluminium in the aching.Only by this,it can guarantee the quality of the steel.So making a model of the adding aluminum is very necessary. But now,most of the model is a linear regression model of the killing oxygen by adding aluminum process with history datal33. The molten steel have the same making environment at the spot, but it is subject to many factors such as temperature and killing oxygen instrument penetration's depth into the molten steel during the time.But the model is just a fixed parameter formula.it can't make right reflection to the disturbance and randomness at the spot.So when some big disturbance happen,the model can't guarantee the fitting accuracy.
This article deals with many modeling methods of dynamic data sequence and compares, the advantages and disadvantages of these methods. Due to the affection of the environment, oxygen content in the molten steel is different in the killing oxygen by adding aluminum process. On the base of many dynamic data sequences of oxygen content, advanced rational dynamical data modeling strategy is introduced, which is correlated with the analyzed method of regression, spectrum theory and time sequence to the modeling of killing oxygen by adding aluminum model and the method is adopted about the Separation of certain and uncertain signal and corresponding parameter estimation and mathematical model is put forward. And then the combined prediction model Of the Observed data is formed, which consider the correlation of the variable with the other variable and self-dependency of the variable itself fully. Considering the affection of located random factors, an algorithm is worked over to determine the model' s Order numbe
r and parameters. When the condition changes, fitting degree of observed data and prediction accuracy of the model are enhanced through rolling optimization and modifying model parameters .
This thesis is based on the project "killing oxygen by adding aluminum model automatic controlling system rebuilding of the second steelwork of Wuhan Iron and Steel company", the combined prediction model of observed data sequences in the killing oxygen by adding aluminum process is the basic of this automatic controlling system. The actual fitting and predicted results indicate that the modeling method put forward in this article of observed data sequences has provided a referable approach to solve the problem that it is difficult to build the killing oxygen by adding aluminum model in steel making.
引文
[1] 杨叔子，吴雅等．时间序列分析的工程应用．华中理工大学出版社．1996年
[2] 余晓芬，俞建卫，费业泰．混合谱动态测试信号综合分析法．中国科学技术大学学报．2002年2月．第32卷第1期：111-116
[3] 熊渊博，曾纪杰．ARMA模型参数的拟线性估计方法．岳阳师范学院学报(自然科学版)．2001年9月．第14卷第3期：1-7
[4] 葛新权．线性回归与时间序列加法预测模型．《预测》2000年第1期：43-44
[5] 张成．时间序列线性建模．宁夏工学院学报(自然科学版)．1997年12月 第9卷第4期：70-73
[6] 胡强，程耀东，齐津．浙江大学学报(自然科学版)．大地脉动数据的分析及建模．1997年11月．第31卷第6期：767-774
[7] 宋明顺．回归分析中的自相关检验和建模．计量技术．1998年№2：43-45
[8] 程毛林，陈朝惠．动态数据建模方法新探．数理统计与管理．1996年1月．第15卷1期：39-42
[9] 项静恬，孔楠．多种时序模型的建模比较．数理统计与管理．
[10] 夏学文．一类新的时序预报模型．系统工程理论与实践．2000年8月第8期：87-90
[11] 罗智中．随机信号AR频谱模型的本质研究．振动与冲击．2001年．第20卷第2期：7-11
[12] 李开灿．ARMA模型的定阶与参数估计的一种方法．湖北师范学院学报(自然科学版)．1999年第19卷第2期：14-17
[13] 周慧．GM(1，1)残差模型群与酸雨预测．辽宁大学学报(自然科学版)．1997年：第24卷第2期：64-68
[14] 林洪桦 动态测试数据处理 北京理工大学出版社 1995
[15] 郭天印，王丰效．一类新的预测模型及其应用．陕西工学院学报．2001年3月：第17卷第1期：51-53
[16] 宗孔德，胡广书。数字信号处理 清华大学出版社 1988
[17] 程乾生 信号数字处理的数学原理 石油工业出版社 1979
[18] 龚蓬，费业泰．动态测量系统模型的探讨．情报学报．1999年3月 第18卷 增刊：8-10
[19] 张世英，刘智敏 测量实践的数据测量 科学出版社 1977
[20] 冯新建．利用灰色周期分析预测气象要素．贵州气象．2001年第3期：16-18
[21] 徐进军，付孙钟．频谱分析在周期拟合中的应用．测绘信息与工程．2001 No．3：21-23
[22] 黄友波，谢平，夏军．频谱分析方法在水文时间序列代表性分析中的应用．浙江水利水电专科学校学报．2002年9月：第14卷第3期：1-3
[23] 谢平，郭生练．水文气候时间序列的频谱分析．水文科技信息．1993年第3、4期：99-103
[24] 于海玲，费业泰．动态测试误差灰色预报精度及修正．合肥工业大学学报(自然科学版)．1998年10月：第21卷第5期：17-21
[25] 蓝永超，杨志怀，权建民，刘延平．灰色预测模型在径流长期预报中的应用．中国沙漠．1997年3月第17卷第1期：49-52
[26] 龚蓬，费业泰．动态测量误差灰色预测建模辨识参数修正方法．应用科学学报．2002年6月：第20卷第2期：207-210
[27] 徐峰，王志芳，王宝圣．AR模型应用于振动信号趋势预测的研究清华大学学报(自然科学版)．1999年第39卷第4期：57-59
[28] 徐进军，魏静．动态数据的谱分析．工程勘察．2001年第5期：52-54
[29] 潘国荣，王穗辉．建筑物动态变形的模型辨识与预测．测绘学报．1999年11月第28卷第4期：340-344
[30] 葛新权．线性回归与时间序列加法预测模型．预测．2000年第1期：43-44
[31] 亓四华，费业泰．应用时间序列移动平均模型预测加工精度的研究．计量与测试技术．2002年 №2：12-13
[32] 胡金莲，李天河．用“探索性数据”分析优选预测模型的研究．长江科学院院报．2002年4月第19卷第2期：54-57
[33] Andrey Barabanov and Yulia Gel. On convergence of least-squares identifiers for infinite Ar models University of Washington Working Paper. no. 20 March 18,2002
[34] P.M.T. Broersen. Automatic spectral analysis with time series models. the IEEE International Workshop on Intelligent Signal Processing, 24-25 May, 2001
[35] P.M.W. Broersen. (1998a) The quality of models for ARMA processes. IEEE Trans. Signal Processing, 46,1749-1752.
[36] P.M.T. Broersen. (1999).Selection of type and order of time series models. Proc. 38 IEEE Conf. Decision and Control, Phoenix, AZ, pp, 5064-5069.
[37] P.M.T. Broersen. (2000b).Finite sample criteria for autoregressive order selection IEEE Trans. Signal Processiong, 48,3550-3558.
[38] P.M.T. Broersen. (2000c).Autoregressive model orders for Durbin's MA and ARMA estimators IEEE Trans. Signal Processing, 48,2454-2457.
[39] P.M.T. Broersen. (2001). Matlab Toolbox ARMASA, available as download from http://www. tn. tudelft, nl/mmr/
[40] Parzen, E. (1974). Some recent advances in time series modeling. IEEE Trans, autom. Control, AC-19,723-730.
[41] Marple L. A New Autoregressive Spectral Analysis Algorithm [J]. IEEE Assp, 1980 ,28(4):441～454
[42] 阎长俊．AR模型的建模与预测．沈阳建筑工程学院学报．1997年10月第13卷第4期：347-352
[43] 钟小鹏，杨湘，王跃科．MATLAB在动态数据建模中的应用．电脑开发与应用．第14卷第10期：21-23
[44] 赵扬．含铝钢定氧加铝工艺试验．炼钢．1997年4月
[45] 叶明佳，喻承欢，黄青峰．铝镇静钢定氧加铝模型的建立．
[46] 李斌．铝线加铝机的应用．炼钢．1992年8月
[2] 余晓芬，俞建卫，费业泰．混合谱动态测试信号综合分析法．中国科学技术大学学报．2002年2月．第32卷第1期：111-116
[3] 熊渊博，曾纪杰．ARMA模型参数的拟线性估计方法．岳阳师范学院学报(自然科学版)．2001年9月．第14卷第3期：1-7
[4] 葛新权．线性回归与时间序列加法预测模型．《预测》2000年第1期：43-44
[5] 张成．时间序列线性建模．宁夏工学院学报(自然科学版)．1997年12月 第9卷第4期：70-73
[6] 胡强，程耀东，齐津．浙江大学学报(自然科学版)．大地脉动数据的分析及建模．1997年11月．第31卷第6期：767-774
[7] 宋明顺．回归分析中的自相关检验和建模．计量技术．1998年№2：43-45
[8] 程毛林，陈朝惠．动态数据建模方法新探．数理统计与管理．1996年1月．第15卷1期：39-42
[9] 项静恬，孔楠．多种时序模型的建模比较．数理统计与管理．
[10] 夏学文．一类新的时序预报模型．系统工程理论与实践．2000年8月第8期：87-90
[11] 罗智中．随机信号AR频谱模型的本质研究．振动与冲击．2001年．第20卷第2期：7-11
[12] 李开灿．ARMA模型的定阶与参数估计的一种方法．湖北师范学院学报(自然科学版)．1999年第19卷第2期：14-17
[13] 周慧．GM(1，1)残差模型群与酸雨预测．辽宁大学学报(自然科学版)．1997年：第24卷第2期：64-68
[14] 林洪桦 动态测试数据处理 北京理工大学出版社 1995
[15] 郭天印，王丰效．一类新的预测模型及其应用．陕西工学院学报．2001年3月：第17卷第1期：51-53
[16] 宗孔德，胡广书。数字信号处理 清华大学出版社 1988
[17] 程乾生 信号数字处理的数学原理 石油工业出版社 1979
[18] 龚蓬，费业泰．动态测量系统模型的探讨．情报学报．1999年3月 第18卷 增刊：8-10
[19] 张世英，刘智敏 测量实践的数据测量 科学出版社 1977
[20] 冯新建．利用灰色周期分析预测气象要素．贵州气象．2001年第3期：16-18
[21] 徐进军，付孙钟．频谱分析在周期拟合中的应用．测绘信息与工程．2001 No．3：21-23
[22] 黄友波，谢平，夏军．频谱分析方法在水文时间序列代表性分析中的应用．浙江水利水电专科学校学报．2002年9月：第14卷第3期：1-3
[23] 谢平，郭生练．水文气候时间序列的频谱分析．水文科技信息．1993年第3、4期：99-103
[24] 于海玲，费业泰．动态测试误差灰色预报精度及修正．合肥工业大学学报(自然科学版)．1998年10月：第21卷第5期：17-21
[25] 蓝永超，杨志怀，权建民，刘延平．灰色预测模型在径流长期预报中的应用．中国沙漠．1997年3月第17卷第1期：49-52
[26] 龚蓬，费业泰．动态测量误差灰色预测建模辨识参数修正方法．应用科学学报．2002年6月：第20卷第2期：207-210
[27] 徐峰，王志芳，王宝圣．AR模型应用于振动信号趋势预测的研究清华大学学报(自然科学版)．1999年第39卷第4期：57-59
[28] 徐进军，魏静．动态数据的谱分析．工程勘察．2001年第5期：52-54
[29] 潘国荣，王穗辉．建筑物动态变形的模型辨识与预测．测绘学报．1999年11月第28卷第4期：340-344
[30] 葛新权．线性回归与时间序列加法预测模型．预测．2000年第1期：43-44
[31] 亓四华，费业泰．应用时间序列移动平均模型预测加工精度的研究．计量与测试技术．2002年 №2：12-13
[32] 胡金莲，李天河．用“探索性数据”分析优选预测模型的研究．长江科学院院报．2002年4月第19卷第2期：54-57
[33] Andrey Barabanov and Yulia Gel. On convergence of least-squares identifiers for infinite Ar models University of Washington Working Paper. no. 20 March 18,2002
[34] P.M.T. Broersen. Automatic spectral analysis with time series models. the IEEE International Workshop on Intelligent Signal Processing, 24-25 May, 2001
[35] P.M.W. Broersen. (1998a) The quality of models for ARMA processes. IEEE Trans. Signal Processing, 46,1749-1752.
[36] P.M.T. Broersen. (1999).Selection of type and order of time series models. Proc. 38 IEEE Conf. Decision and Control, Phoenix, AZ, pp, 5064-5069.
[37] P.M.T. Broersen. (2000b).Finite sample criteria for autoregressive order selection IEEE Trans. Signal Processiong, 48,3550-3558.
[38] P.M.T. Broersen. (2000c).Autoregressive model orders for Durbin's MA and ARMA estimators IEEE Trans. Signal Processing, 48,2454-2457.
[39] P.M.T. Broersen. (2001). Matlab Toolbox ARMASA, available as download from http://www. tn. tudelft, nl/mmr/
[40] Parzen, E. (1974). Some recent advances in time series modeling. IEEE Trans, autom. Control, AC-19,723-730.
[41] Marple L. A New Autoregressive Spectral Analysis Algorithm [J]. IEEE Assp, 1980 ,28(4):441～454
[42] 阎长俊．AR模型的建模与预测．沈阳建筑工程学院学报．1997年10月第13卷第4期：347-352
[43] 钟小鹏，杨湘，王跃科．MATLAB在动态数据建模中的应用．电脑开发与应用．第14卷第10期：21-23
[44] 赵扬．含铝钢定氧加铝工艺试验．炼钢．1997年4月
[45] 叶明佳，喻承欢，黄青峰．铝镇静钢定氧加铝模型的建立．
[46] 李斌．铝线加铝机的应用．炼钢．1992年8月