基于動態神經網絡的高爐爐壁不完備溫度檢測信息軟測量方法

安劍奇，彭凱，曹衛華，吳敏（中國地質大學（武漢）自動化學院，湖北 武漢 430074；中南大學信息科學與工程學院，湖南 長沙 40083）

?

基于動態神經網絡的高爐爐壁不完備溫度檢測信息軟測量方法

安劍奇1，彭凱2，曹衛華1，吳敏1
（1中國地質大學（武漢）自動化學院，湖北 武漢 430074；2中南大學信息科學與工程學院，湖南 長沙 410083）

摘要：針對高爐爐壁溫度檢測系統中由于傳感器故障導致的檢測信息不完備問題，提出一種基于動態神經網絡的不完備檢測信息軟測量方法。首先，依據高爐結構和爐壁溫度傳感器位置分布建立溫度傳感器位置描述模型和分區域溫度檢測模型；其次，根據熱傳遞學分析爐壁分區域溫度檢測模型中各個傳感器之間存在的相關性，并采用最大互信息非參統計量方法從傳感器檢測序列上定量的計算分區域溫度檢測模型中各傳感器間的相關度；最后，依據相關性分析結果，結合溫度傳遞規律，提出爐壁不完備溫度檢測信息軟測量模型，采用Elman神經網絡對模型的結構和參數進行辨識。通過高爐冶煉現場采集的數據仿真計算表明，提出的方法具有較好的準確度與檢測精度，能夠滿足現場的檢測精度要求，具備廣泛的應用價值。

關鍵詞：高爐；溫度；軟測量；神經網絡；模型；熱力學

2015-12-21收到初稿，2016-01-06收到修改稿。

聯系人：曹衛華。第一作者：安劍奇（1981—），男，博士，副教授。

引 言

高爐煉鐵是鋼鐵生產過程中關鍵的一環，高爐長期穩順運行不僅是產能的重要條件，也是高爐長壽的必要保證[1]。高爐爐壁的溫度檢測是操作人員掌握爐內物料反應狀態、了解爐壁侵蝕情況的重要依據[2]。然而，高爐現場的惡劣生產環境導致爐壁溫度傳感器頻繁出現故障，給操作人員準確把握高爐冶煉熱狀態帶來不便。在這種情況下，研究傳感器故障期間爐壁溫度的軟測量方法具有重要的實用價值。

針對高爐爐壁的溫度檢測問題，大量學者做了相關的研究工作。文獻[3-4]從冷卻壁溫度傳遞機理出發，從理論上研究了冷卻壁上的溫度分布。在機理模型的基礎上，有學者引入了計算流體力學[5]和人工智能[6]的方法，尋求采用數值的方法建立更為精確的模型。相對于單純的機理分析模型，該類方法建立的溫度場模型精度較高。上述爐壁溫度檢測研究都是從準確可靠的檢測數據出發，研究由點到面的爐壁溫度軟測量，沒有考慮檢測數據的完備性與可靠性問題。

在高爐溫度檢測的軟測量研究方面，文獻[7-8]研究了基于紅外圖像和信息融合的高爐料面場溫度軟測量方法。文獻[9]闡述了多種基于數據驅動的高爐鐵水溫度軟測量方法。同時，在加熱爐[10]、焦爐[11]、精煉爐[12-13]中也有學者提出了針對具體對象的溫度軟測量方法。這些軟測量方法或基于異類信息融合，或基于數據驅動，與對象結合緊密，不能直接用于爐壁不完備溫度檢測信息的軟測量。

隨著現代檢測技術的不斷進步，利用多個傳感器的檢測信息消除檢測的不確定性與不完備性已成為一種重要的檢測手段[14-15]。采用多傳感器數據融合技術，能夠依據多傳感器間的空間關系，依賴關系等進行傳感器故障檢測和對難以直接檢測信息軟測量[16-17]。因此，依靠高爐爐壁上大量的熱電偶溫度傳感器，結合其空間分布和溫度傳遞規律，能夠在小區域上用其他傳感器實現故障傳感器在故障期間的溫度軟測量。

本文依據高爐結構，建立了爐壁溫度分區域檢測模型；從機理上分析了溫度分區域檢測模型中傳感器間的相關性，并從數據的角度給出了相關度的定量分析；依據相關性分析結果，給出了不完備溫度檢測信息軟測量模型，并對模型的有效性進行了驗證。

1 高爐爐壁溫度區域檢測模型與不完備檢測信息描述

高爐是一個龐大的高溫反應容器，其爐壁上分散的溫度傳感器檢測溫度反映著整個爐子的熱狀態以及內部的反應情況。

1.1 高爐爐壁溫度傳感器分布

高爐爐壁是高爐本體的主要結構，主要起到支撐高爐主體，維持鐵還原所需環境的作用。為檢測高爐爐體狀態和冶煉狀態，高爐爐壁上一般安裝有大量溫度傳感器，其主要有3個方面的檢測作用：反映整個高爐的熱狀態；檢測爐壁侵蝕情況，防止燒穿；檢測爐壁內側渣皮的活躍情況，特別是爐缸區域的渣皮活躍情況。因此，爐壁上溫度檢測的正確、穩定與否關系著整個高爐能否穩順生產。

圖1 高爐爐壁溫度傳感器縱向分布Fig.1 Position distribution of temperature sensors on BF wall

在高爐建造過程，為了比較準確地檢測爐壁溫度，并且確保使用的溫度傳感器能穩定地長時間運行，采用的方式為在爐壁的冷卻壁中間打孔放置熱電偶。從爐底段開始，一直到爐喉段，每間隔一定的距離即采用如圖1(a)的方式安裝熱電偶。高爐縱向溫度傳感器分布如圖1(b)所示，圖中的黑色點表示測溫熱電偶的位置和分布。在高爐爐壁上，從爐底段開始到爐喉段，每隔一定的高度即在一個橫截面上分為冷面和熱面對稱地安裝一定數量的測溫熱電偶。

每個橫截面安裝的熱電偶數據根據高爐容積和所處的高度不同而有所差異。就同一高爐而言，爐底段和爐缸段安裝熱電偶密度大于爐腹段和爐身段，因為爐缸段需要更多的溫度信息來把握爐內狀態。對于不同容積的高爐，1000 m3的高爐一般每個橫截面安裝數量在8～12個之間，3000 m3以上高爐可以達到24個。因此，一般高爐爐壁上都分布著超過200個的測溫熱電偶，數量多，且分布于整個高爐爐壁，通過這些測溫熱電偶能夠把握爐內的反應情況和高爐的熱狀態。

1.2 高爐爐壁溫度區域檢測模型

高爐爐壁溫度檢測最直接的目的是通過爐壁上分布的溫度傳感器了解整個爐壁上的溫度場分布。為了達到這個目的，現場操作人員需要根據具體的區域材料特性和測溫點還原區域的溫度分布。

如圖2所示，高爐爐壁的主體部分橫截面上為完全對稱的圓形，整體呈圓柱形，因此，采用柱坐標系描述爐壁上測溫熱電偶的分布較為合適。在爐底平面上以高爐爐底中心為極點建立極坐標系Or，正東方向為0°，順時針方向為正向過極點作水平面的垂線Oz，建立柱坐標系Orz，則高爐上任意一點可用柱坐標（ρ, θ, z）描述。以圖中測溫點A為例，A點在爐底平面上投影為A'，A'偏離r軸角度為θa，與極點O的距離為ρa，A點與爐底水平面的垂直距離為za，則A點在柱坐標系中的位置為（ρa, θa, za）。類似地，可以采用該方式描述高爐上其他位置傳感器。

圖2 高爐坐標系示意圖Fig.2 Coordinate system of BF

依據圖2建立的坐標系，則圖中B、C、D、E、F 6個測溫點的位置依次可以用（ρb, θb, zb）、（ρc, θc, zc）、（ρd, θd, zd）、（ρe, θe, ze）、（ρf, θf, zf）來表示，則以A點為中心的一個溫度檢測小區域?A可以表示為

該區域的溫度分布可以根據A、B、C、D、E、F 6個傳感器的實時溫度值以及現場的操作人員的經驗獲得。其中A點的溫度值為主要決策值，剩余點作參考值。

1.3 高爐爐壁溫度檢測不完備信息描述

采用1.2節的方法，在傳感器精確、穩定工作時，能夠很好地反映區域?A的溫度分布情況，并且由各個小區域的溫度分布能夠把握整個高爐的熱狀態，指導高爐操作。但高爐生產環境的復雜性導致溫度傳感器工作并不穩定，在不間斷的生產過程中，溫度傳感器故障頻繁發生，而維修并不能實時進行，因此個別溫度傳感器長時間故障的情況是普遍存在的，這種故障導致了爐壁溫度監控的信息不完備。

爐壁溫度檢測信息的不完備具體描述如下：設t時刻，區域?A中A傳感器采集值為u(t)，檢測采樣時間間隔為T，則t+kT時間間隔后，獲得的采樣序列為

若該傳感器在t+nT時刻出現故障，至t+mT時刻恢復正常，則稱區域?A在(t+nT)≤t≤(t+mT)時間段內的檢測值序列

為不完備的檢測信息。

當出現該情況時，操作人員往往只能依靠外壁的測溫點和各參考點大致估計區域?A溫度情況。然而由于成本和結構的關系，高爐溫度傳感器安裝并不密集。區域?A的大小在重要的爐缸區域都超過10 m2，在爐腹、爐身區域甚至達到20 m2。這種情況下，僅僅依靠操作人員的經驗顯然不夠精確，需要研究更為穩定、精確的不完備溫度檢測信息軟測量方法。考慮到溫度傳遞的區域穩定性以及溫度變化的連續性，可以在區域?A內利用完好的傳感器構建軟測量模型，通過軟測量模型穩定、精確的進行故障區域溫度檢測。

2 傳感器檢測序列相關性分析

利用區域檢測模型中完好的傳感器來實現故障區域的溫度軟測量，首先需要驗證其他傳感器與故障傳感器之間是否存在相關關系，然后分析其相關關系，利用其相關關系通過軟測量方法還原不完備檢測信息。

2.1 區域檢測模型中傳感器間相關性機理分析

高爐從上到下分為爐喉、爐身、爐腹、爐腰、爐底5部分，高爐內部物料溫度從爐底到爐喉逐漸降低，相應的爐壁的材料和結構也不同。爐底和爐缸屬于高溫、高腐蝕區域，也是反應最為劇烈的區域，因此需要采用碳磚等耐燒且具備良好導熱能力的冷卻壁；爐腰和爐腹區域則可以選用銅冷卻壁、鑄鐵冷卻壁等。雖然不同段所用冷卻壁不一致，但在同一段材料和結構完全一致且完全對稱。因此，可以依據高爐結構將爐壁劃分為不同段溫度區域，使各個區域內冷卻壁的材料一致，這樣能保證在同一區域內，溫度的傳遞規律保持一致。

考慮到高爐爐壁結構的對稱性，為方便分析與描述，取圖1(b)中以A為中心的區域?A進行分析。

區域?A的溫度分布可以用溫度場G描述

式中，ρ, θ, z為空間柱坐標，τ為時間坐標。此時，依據傅里葉導熱定理，在柱坐標系下的導熱微分方程可以寫成

式中，a為熱擴散率，表征物體內各部分溫度區域一致的能力；qV為單位體積單位時間的熱流量；λ為熱導率。在區域?A上，表征物質特性的變量是一個常數，雖然由于冷卻壁結構和材料的復雜性沒有標準值，但在不少文獻中均給出了不同條件下的經驗值。

在爐況完全穩定情況下，可以認為區域?A的溫度場G，是一個與時間τ無關的函數。此時，在給出邊界條件情況下，可以采用有限元方法得到場G的數值解。但僅依靠爐壁上測溫點并不能給出相應的邊界條件，因此不能通過該方法獲得精確解。雖然無法直接求解，但可以得知在區域?A上的測溫點之間存在未知的非線性關系。

在爐況變化的情況下，求解區域?A的溫度場G是一個三維的非穩態傳熱問題，對于這一問題，現今并沒有有效的方法。但考慮高爐內物料分布和物料反應的對稱性，可以得知在同一水平面上的測溫點A、B、C、D的溫度變化情況應具有相似性。而在高爐縱向上，由于爐壁的熱量大部分來自邊緣煤氣流攜帶的熱，因此測溫點A、E、F的變化也應存在相關性。

綜上所述，不論高爐是處在較為理想的穩定狀態還是處于常見的不完全穩定狀態，區域?A內的溫度傳感器檢測值應都存在未知的非線性關系。且由于冷卻壁的熱擴散率一定，在不同情況下，測溫點之間的相關規律應趨于一致。

2.2 基于MIC的爐壁溫度傳感器間相關度計算

在定性確定爐壁上溫度傳感器檢測數據間存在非線性相關關系基礎上，本節將采用定量的方式具體計算其相關關系。

針對變量相關性的分析問題，從最初的線性相關關系到后續的非線性相關關系，提出了相關系數、互信息度、信息熵、置信度、灰色相關度等多種方法，但對于非線性相關性的“公平”度量，一直沒有準確的方法。理論上而言，當樣本數據越大時，能得到更為精確的結果，但實際上現今廣泛使用的相關系數、灰色關聯度方法在面對海量數據時反而得不到理想的結果。另外，對于本文的檢測問題，檢測數據的噪聲是必然存在的，但由于噪聲的不可估計性，直接進行去噪處理并不合理[18]。

爐壁溫度傳感器間相關性分析問題具備兩個顯著特點：樣本接近總體——具有海量的現場檢測數據用于分析；存在噪聲——檢測數據的噪聲不可避免。針對這兩個特點，一種有效的方法是2011 年Reshef等[19]提出的最大標準化互信息MIC（the maximal information coefficient）及最大互信息非參統計量MINE（maximal information based nonparametric exploration statistics）方法。近幾年來已在多個領域證明該方法面對上述問題的有效性。

根據MIC方法，兩個測溫點之間存在相關關系，則這兩個點的檢測序列聯合樣本散點圖一定可以較好地被某特定規模的網格所捕獲。

用MIC方法求解兩個包含n個檢測值的爐壁熱電偶溫度檢測序列x和y之間的相關性過程為：

（1）定義規模網格：給定邊緣排好序的有限二維樣本集D，分別將D按值x劃分為x個區間，按y值劃分y個區間，區間允許為空，稱這樣的一個劃分對為x? by? y網格。給定網格G，D中樣本點落入網格G不同單元，從而得到離散分布，記為D|G；

（2）定義有限樣本集D的特征矩陣M(D)

（3）根據下述公式計算各統計量

計算的結果中MIC、MAS、MEV取值介于0 到1，而MCN取值可能大于1。其中MIC反映了兩個檢測點之間的相關強度，MAS表示非拓撲對稱性或者非單調性，MEV表示接近函數關系的程度，MCN表示兩個檢測點溫度關系的復雜度。

2.3 數據計算與分析

為了驗證機理分析的正確性，采用MIC方法定量計算高爐爐壁上鄰近測溫點之間的的檢測數據存在相關性，用于計算驗證的數據為湖南衡陽某公司的1080 m3高爐2013年的現場檢測數據。

在高爐爐缸區域取點A1（3.720 m，90°，9.695 m）為中心的區域?1內6個溫度檢測序列進行分析。樣本序列為一分鐘一個的現場采樣數據，為減小偶然性，選用從2013年10月1日0時開始的5000個（3 d 11 h 20 min）采樣數據作為樣本序列，檢測數據的正確性已經過現場工程師認證，計算結果見表1。

表1 區域?1溫度檢測序列相關性計算結果Table 1 Correlation degree of temperature series between point A and others in area ?1

結合機理分析，對表1的計算結果進行分析。從機理上看，A點與B、E、F存在直接的熱傳遞關系，而計算的結果也表明，這幾點之間存在明顯的函數關系。依據機理分析，A、C、D應該具有相似性，但由于內部物料和反應并不能保證絕對的對稱，故計算的結果表明其關聯性相對較弱。整體來看，上述幾個測溫點間存在明顯的相關性，但其關系復雜度也較高，表明了機理建模的難度極大。

通過上述離線數據的計算，表明通過MIC方法計算得到的溫度檢測序列相關性符合機理分析的結果。因此在傳感器故障導致溫度檢測信息不完備的情況下，可以利用小區域內溫度傳感器間的相關性，通過軟測量方法，實現該區域內故障傳感器故障期間內溫度檢測數據的實時恢復。

3 不完備溫度檢測信息軟測量建模

針對高爐爐壁溫度檢測存在不完備信息問題，在充分分析并計算了區域溫度檢測模型中傳感器檢測序列間的相關性基礎上，提出一種基于動態神經網絡的不完備溫度檢測信息軟測量方法。

3.1 不完備溫度檢測信息軟測量模型

在爐壁溫度傳感器出現故障情況下，此時以該點為中心的爐壁區域溫度屬于檢測信息不完備區域，為獲得該區域的完備信息，需要利用該區域其他傳感器檢測信息建立軟測量模型，以獲得故障期間內的溫度檢測值。

為建立不完備檢測信息軟測量模型，取圖2中以A為中心的區域?A進行分析。假設在t時刻區域?A中各個溫度檢測點檢測的溫度值分別為ua(t)、ub(t)、uc(t)、ud(t)、ue(t)、uf(t)，系統的采樣間隔為T，則t時刻后區域?A的溫度檢測數據可以表示為

假設在t+ T～t+ nT時間內，傳感器A出現故障，導致后續的檢測序列：n為錯誤或者無法獲得的序列。現擬通過軟測量的方法計算這一序列

依據之前的分析與計算，可以得知區域溫度檢測模型中的A點與B、C、D、E、F的檢測值存在未知的函數關系。同時考慮到溫度的變化具有連續性，當前時刻的檢測值應與前一時刻的檢測也存在關聯性。因此，檢測點A的溫度軟測量模型如下

因此，在函數關系fA能夠得到的情況下，即能通過式（10）還原出故障傳感器A故障期間的測

量值。

3.2 辨識模型

3.1節給出了在出現爐壁溫度傳感器故障情況下的不完備檢測信息軟測量模型，但模型的函數關系fA不確定，本節將給出基于Elman神經網絡的系統辨識方法。

由機理分析得知，故障點的不完備檢測信息軟測量模型不能從機理上得到準確的函數關系式，但高爐冶煉現場有大量的歷史檢測數據，可以利用歷史檢測數據從數據驅動的角度得到該函數關系式。

分析式（10）的函數關系，可知模型的輸出不僅與當前時刻該區域其他正常傳感器的檢測值有關，還與模型前一時刻的輸出有關。針對模型的這一動態特性，采用動態神經網絡進行辨識是一種較為合適的方法。

Elman神經網絡是一種動態反饋網絡，它除了具有常規神經網絡的輸入層、隱含層和輸出層外，還具有特殊的承接層，用于記憶前一個時刻的輸出，使網絡具備非線性建模功能的同時還具有動態記憶功能。其狀態空間表達式如下

式中，U(k)為k時刻模型輸入；Y(k)為k時刻模型輸出；X(k)為k時刻隱含層輸出向量；w1、w2、w3為相應的層間權值矩陣，Xc(k)為承接層輸出，可以看成前一個狀態的記憶值。函數φ和?分別為隱含層和輸出層神經元結構。

采用Elman神經網絡辨識式（10）中的函數結構與參數，網絡結構如圖3所示。輸入為?A區域內正常的溫度檢測值 ub(t)、uc(t)、ud(t)、ue(t)、uf(t)，輸出為故障傳感器A的軟測量值ya(k)。

圖3 Elman神經網絡結構Fig.3 Structure of Elman recurrent neural networks

設定Elman網絡的隱含層和輸出層神經元結構，采用歷史數據即可辨識出各層權值，最終得到從t+ T時刻開始的軟測量模型如下

其中，

網絡中的隱含層采用S型傳遞函數（tansig），輸出層采用線性傳遞函數（purelin），即式（12）中函數φ為tansig函數，?為purelin函數。對于Elman神經網絡，隱含層神經元的個數越多，相應的精度會較高，綜合考慮相關分析中的函數復雜度和現場精度要求，隱含層神經元為15個較為適宜。由于Elman網絡中存在反饋層，導致Elman網絡訓練較為困難，經多次實驗表明，采用traingdx訓練算法能夠得到較好的穩定性和泛化能力。

4 仿真與結果分析

為驗證本文方法的有效性與準確性，采用湖南衡陽某鋼鐵公司2013年下半年的歷史采集數據進行仿真驗證。數據樣本的采樣時間間隔T = 1 min，選取的驗證區域符合圖1(b)所示的?A區域。

模型準確性驗證主要通過假設某傳感器出現故障，然后通過對比軟測量模型的計算值和檢測的真實值來說明模型的檢測精度。采用高爐爐壁上以點A1（3.720 m，90°，9.695 m）為中心的區域?12013 年10月1日0時開始的45000個采樣數據驗證，前面5000組作為網絡的訓練數據，考慮到網絡的動態性，未打亂樣本序列，給定網絡訓練參數，進行訓練。然后假設從樣本5001到45000時間內傳感器A1故障，使用訓練完成的軟測量模型計算后續40000個值，并與真實的檢測值作對比，結果如圖4所示。

為衡量模型計算準確度，引入相對誤差進行衡量。相對誤差等于測量值減去真值的差的絕對值除以真值，再乘以100%，相應的誤差如圖5所示。

用于驗證的40000個樣本采樣周期T = 1 min，時長為27 d 18 h 40 min。由圖4、圖5可以看出，在近一個月時間內，軟測量模型計算結果能夠完全跟蹤現場的檢測結果，且相對誤差基本都能夠控制在2%之內，大部分采樣時間點能夠控制在1%以內，完全能夠滿足工業現場的應用要求。

圖4 傳感器A1的模型計算值與實際值對比Fig.4 Comparison between detection value andcalculated value (sensor A1)

圖5 傳感器A1模型計算誤差Fig.5 Relative error of soft-sensing model (sensor A1)

圖6 傳感器A2的模型計算值與實際值對比Fig.6 Comparison between detection value and calculatedvalue (sensor A2)

為進一步驗證本模型的準確性，取同一時間段的另一點A2（3.720 m，180°，9.695 m）為中心的區域?2數據進行仿真計算。結果如圖6、圖7所示。

上述計算結果說明了該軟測量模型的準確性能夠用于現場生產環境。下面將通過具體的應用情況說明該方法的有效性。從該公司10月份爐缸區域的現場采集數據中選取出現故障的溫度傳感器，具體的故障時間和故障表現形式如圖8所示。該區域的6號、20號、42號傳感器分別出現了明顯故障。下面從上述3個故障傳感器中選取20號傳感器對本文算法進行應用有效性驗證。

圖7 傳感器A2模型計算相對誤差Fig.7 Relative error of soft-sensing model (sensor A2)

圖8 2013年10月爐缸故障傳感器的檢測值Fig.8 Detection value of failed-sensor in October, 2013

20號傳感器（A20）出現故障時間為2013年10 月13日07點55分，故障持續到當月14日15點41分。選取故障前的10000組數據用于辨識模型結構。得到模型結構和參數后，利用該模型計算故障期間該傳感器的檢測值，結果如圖9所示。

故障期間，無法獲得該點的真實檢測值，因此僅僅依靠圖9并不能說明計算值正確。為了證明本文提出的方法能夠準確代替故障傳感器的檢測信息，在故障恢復后，仍假設其故障，繼續用該模型計算該點溫度值。然后通過故障恢復后的真實檢測值來檢驗模型的輸出精度。其結果如圖10所示，相對誤差如圖11所示。

從圖10、圖11中可以看出，在故障恢復后的7 d內，軟測量模型的計算結果和真實值誤差能夠控制在2%以內，絕大部分值相對誤差控制在0.5%以內。因此能夠間接證明該模型在傳感器出現故障的2 d內計算誤差能夠滿足現場的要求。

圖9 故障期間傳感器信息軟測量計算值（A20）Fig.9 Calculated value by soft-sensing model infailed period (sensor A20)

圖10 故障傳感器恢復后的檢測值和模型計算值對比Fig.10 Comparison between detection value and calculated value after repaired (sensor A20)

圖11 故障傳感器恢復后的模型計算相對誤差Fig.11 Relative error of soft-sensing model (sensor A20)

綜上所述，利用高爐生產現場的歷史數據離線的計算表明，本文提出的高爐爐壁不完備溫度檢測信息軟測量模型在計算精度上能夠滿足現場的應用要求，具備較好的實用價值。

5 結 論

本文針對高爐爐壁溫度檢測中由于傳感器故障導致的檢測信息不完備問題，提出一種基于動態神經網絡的不完備溫度檢測信息軟測量方法。具體有如下結論。

（1）在高爐爐壁上劃分了區域溫度檢測模型，從機理上和數據上說明了在爐壁小區域內不同的溫度傳感器檢測序列間存在相關關系。

（2）對于本文建立的爐壁不完備檢測信息軟測量模型，采用Elman神經網絡對模型的結構辨識是一種有效的方法，不僅考慮了區域溫度變化的一致性同時考慮了溫度變化的連續性，能夠得到較高精度的軟測量模型。

（3）依據工業現場的采集數據進行實驗表明，本文提出的方法能夠較好地完成高爐爐壁上傳感器故障區域的溫度軟測量，具備廣泛的實用價值。

References

[1] 周傳典. 高爐煉鐵生產技術手冊 [M]. 北京: 冶金工業出版社, 2002.

ZHOU C D. The Technical Manual of Blast Furnace Ironmaking [M]. Beijing: Metallurgical Industry Press, 2002.

[2] PEACEY J G, DAVENPORT W G. The Iron Blast Furnace: Theory and Practice [M]. Holland: Elsevier, 2013.

[3] 李洋龍, 程樹森. 銅冷卻壁冷卻恢復技術的傳熱過程 [J]. 鋼鐵研究學報, 2012, 24 (7): 5-9.

LI Y L, CHENG S S. Cooling capacity recovery of copper stave based on heat transfer [J]. Journal of Iron and Steel Research, 2012, 24 (7): 5-9.

[4] 代兵, 張建良, 姜喆, 等. 高爐鑄銅冷卻壁熱面狀況計算模型的開發與實踐 [J]. 冶金自動化, 2012, 36 (5): 37-41.

DAI B, ZHANG J L, JIANG Z, et al. Development and practice of cast copper cooling stave hot surface status calculation model of blast furnace [J]. Metallurgical Industry Automation, 2012, 36 (5): 37-41.

[5] 趙宏博, 程樹森, 霍守鋒. 高爐爐缸爐底溫度場及異常侵蝕在線監測診斷系統 [J]. 鋼鐵, 2010, (5): 11-16.

ZHAO H B, CHENG S S, HUO S F. On-line monitoring system for temperature field and abnormal erosion of bf hearth and bottom [J]. Iron and Steel, 2010, (5): 11-16.

[6] 吳俐俊, 孫國平, 陸祖安. 熱面局部高溫下高爐冷卻壁智能監測試驗研究 [J]. 鋼鐵, 2011, 46 (5): 11-14.

WU L J, SUN G P, LU Z A. Experiment study on intelligent prediction of blast furnace stave on the surface with local high temperature [J]. Iron and Steel, 2011, 46 (5): 11-14.

[7] AN J Q, WU M, HE Y. A temperature field detection system for blast furnace based on multi-source information fusion [J]. Intelligent Automation & Soft Computing, 2013, 19 (4): 625-634.

[8] 安劍奇, 吳敏, 何勇, 等. 基于多源信息可信度的高爐料面溫度檢測方法 [J]. 上海交通大學學報, 2012, 46 (12): 1945-1950.

AN J Q, WU M, HE Y, et al. Temperature detection method of blastfurnace surface based on the reliability of multi-source information [J]. Journal of Shanghai Jiaotong University, 2012, 46 (12): 1945-1950. [9] SAXEN H, GAO C, GAO Z. Data-driven time discrete models for dynamic prediction of the hot metal silicon content in the blast furnace—a review [J]. Industrial Informatics, IEEE Transactions on, 2013, 9 (4): 2213-2225.

[10] 張向宇, 鄭樹, 周懷春, 等. 基于熱輻射成像建模求解的管式爐爐管溫度檢測 [J]. 化工學報, 2015, 66 (3): 965-971. DOI: 10.11949/ j.issn.0438-1157.20141478.

ZHANG X Y, ZHENG S, ZHOU H C, et al. Visualization of pipe temperature distribution in tubular furnace based on radiation imaging model solving [J]. CIESC Journal, 2015, 66 (3): 965-971. DOI: 10.11949/j.issn.0438-1157.20141478.

[11] WU M, LEI Q, CAO W, et al. Integrated soft sensing of coke-oven temperature [J]. Control Engineering Practice, 2011, 19 (10): 1116-1125.

[12] TIAN H X, MAO Z Z. An ensemble elm based on modified AdaBoost.RT algorithm for predicting the temperature of molten steel in ladle furnace [J]. Automation Science and Engineering, IEEE Transactions on, 2010, 7 (1): 73-80.

[13] 鄂加強, 王耀南, 梅熾. 銅精煉過程銅液溫度軟測量模型及應用[J]. 化工學報, 2006, 57 (1): 203-209.

E J Q, WANG Y N, MEI C. Soft-sensing model of copper liquid temperature in copper refining process and its application [J]. Journal of Chemical Industry and Engineering (China), 2006, 57 (1): 203-209.

[14] KHALEGHI B, KHAMIS A, KARRAY F O, et al. Multisensor data fusion: a review of the state-of-the-art [J]. Information Fusion, 2013, 14 (1): 28-44.

[15] AZIZ A M. A new multiple decisions fusion rule for targets detection in multiple sensors distributed detection systems with data fusion [J]. Information Fusion, 2014, 18: 175-186.

[16] NIU G, YANG B S, PECHT M. Development of an optimized condition-based maintenance system by data fusion and reliabilitycentered maintenance [J]. Reliability Engineering & System Safety, 2010, 95 (7): 786-796.

[17] 侯彥東, 陳志國, 湯天浩. 多傳感器故障檢測與隔離算法 [J]. 化工學報, 2010, 61 (8): 2008-2014. HOU Y D, CHEN Z G, TANG T H. Multi-sensor fault detection and isolation algorithm [J]. CIESC Journal, 2010, 61 (8): 2008-2014.

[18] 安劍奇, 陳易斐, 吳敏. 基于改進支持向量機的高爐一氧化碳利用率預測方法 [J]. 化工學報, 2015, 66 (1): 206-214. DOI: 10.11949/ j.issn.0438-1157.20141482.

AN J Q, CHEN Y F, WU M. A prediction method for carbon monoxide utilization ratio of blast furnace based on improved support vector regression [J]. CIESC Journal, 2015, 66 (1): 206-214. DOI: 10.11949/j.issn.0438-1157.20141482.

[19] RESHEF D N, RESHEF Y A, FINUCANE H K, et al. Detecting novel associations in large data sets [J]. Science, 2011, 334 (6062): 1518-1524.

研究論文

Received date: 2015-12-21.

Foundation item: supported by the National Natural Science Foundation of China (61203017, 61333002) and the Fundamental Research Funds for the Central Universities (2015349120).

A soft-sensing method for missing temperature information based on dynamic neural network on BF wall

AN Jianqi1, PENG Kai2, CAO Weihua1, WU Min1
(1School of Automation, China University of Geosciences, Wuhan 430074, Hubei, China;2School of Information Science and Engineering, Central South University, Changsha 410083, Hunan, China)

Abstract:For the missing information problem caused by faulted temperature sensor in temperature detecting system on blast furnace (BF) wall, a soft-sensing method based on dynamic neural network is proposed. Firstly, the temperature sensor position model and regional temperature measurement model are built based on the structure of BF. Then, according to heat transfer mechanism, the correlation between temperature sensors in regional temperature measurement model is quantitatively calculated by using maximal information coefficient (MIC) method. Finally, the soft-sensing model for missing temperature information is proposed by using Elman neural network to identify the structure of the model. The effectiveness and feasibility of the proposed method is proved by the simulation results of the real-time producing data of blast furnace which satisfies the field detection accuracy requirement.

Key words:blast furnace; temperature; soft-sensing; neural networks; model; thermodynamics

DOI：10.11949/j.issn.0438-1157.20151941

中圖分類號：TP 29

文獻標志碼：A

文章編號：0438—1157（2016）03—0903—09

基金項目：國家自然科學基金項目（61203017，61333002）；中央高校基本科研業務費專項資金資助項目（2015349120）。

Corresponding author:Prof. CAO Weihua, weihuacao@cug.edu.cn