基于遗传算法的温度预报模型参数优化(毕业论文).doc

基于遗传算法的温度预报模型参数优化
问题描述
近年来,随着纯净钢生产技术的进步和连铸技术的发展,炉外精炼工艺与设备迅速普及。其中,LF以其优异的综合性能,在实际生产中得到了广泛应用。而点测钢水温度的高成本,使精炼炉温度预报成为了极具实际意义的研究。因此,钢水温度预报模型的建立显得至关重要。
目前,温度预报模型的建立主要采用3种方法,即:机理模型、“黑箱模型”和“灰箱模型”。机理模型是指用尽可能准确的数学方程来描述过程机理而建立的模型,而“黑箱模型”则采用一些数学方法(智能算法、回归算法等),结合实验数据或实际生产中的数据,生成一种只有输入和输出的模型,而完全不考虑过程机理。然而,机理模型需要考虑的因素太多,且这些因素具有相当的不确定性,因此模型中的许多参数很难得到,严重影响了温度预测的精度;“黑箱模型”则完全建立在数据的基础上,如果生产环境和条件改变导致了数据改变,原先模型的准确性就得不到保障,即模型的可移植性差。
因此,本文主要研究“灰箱模型”的建立,即采用机理建模与数据建模相结合的方式,应用智能优化算法对机理模型中较难获得的参数进行辨识与确定,其流程如下图所示:
图1 温度预报模型建立的方案流程图
而参数的辨识过程,即是基于智能优化算法,根据输入输出条件,对机理模型不易获得的参数进行寻优的过程。
理论基础
机理模型
本研究所基于的机理模型,是根据LF炉精炼过程中的传热基本方程、能量守恒方程和质量守恒方程等来建立的。并运用有限差分法和有限元法等,通过控制初始条件和边界条件来对模型进行求解,得到钢包内的温度情况。
热平衡分析
吸热与散热
精炼过程中,钢水热量的来源与去向大致如图2所示。
图2 热量的来源与去向
将钢水和炉渣作为一个系统,来推导吸热和散热与其温度变化的关系。由于系统在加热与散热的过程中,其内能变化都体现在温度的变化上,所以系统实际吸收的热量为通过电弧加热所吸收的热量与冶炼过程中散去的热量之差,即:
(1)
式中,、为钢水和渣的比热容,、为钢水和渣的重量,为系统总的温度变化,、、、分别代表通过电弧加热所吸收的热量,和通过渣面及炉盖散热、炉壁及炉底散热、加渣料及加合金影响所损失的热量。为最终求出温度随时间变化的曲线,
可对式(1)两端对时间取微分。由此,对每个温度的影响因素进行分析与建模,分别求解它们的热量变化速率,再将模型综合后求积分,即可得出温度随时间变化规律的曲线,温度的计算公式为:
(2)
机理模型描述
(1)电弧加热模型
系统所吸收的热量应与总的耗电量相关,二者间是一个乘系数的关系,即:
(3)
其中为该次冶炼过程中的总耗电量,而是系统的能量吸收系数,即电弧效率。
(2)渣面及炉盖散热模型
LF精炼过程中,通过渣面损失的热量包括通过渣面的辐射和对流的热损失,还包括吹氩带走的热量,即:
(4)
渣面及炉盖散热的近似计算方法,是将渣面散热和炉盖散热视为一个整体,通过计算水冷炉盖中冷却水带走的热量,来确定渣面及炉盖的散热量,即有:
(5)
式中,、分别为冷却水的比热容和密度,为冷却水流量,其单位为;为冶炼时间,单位为;、分别为冷却水的出口、入口温度。
而计算高温气体带走热量的经验计算方法为:对小于120t吨位的钢包炉,气体带走热量约占有功功率的5%-6%;而对于大于120t吨位的钢包炉,气体带走的热量大约占有功功率的7%-9%。因此有:
(6)
其中为气体带走热量占有功功率的百分数,为有功功率。将和综合考虑,并考虑精炼时间和吹氩时间,以冷却水流量、冷却水出入口温度,以及有功功率作为输入,以为模型待确定参数,即可搭建该部分模型。
(3)炉壁及炉底散热模型
炉壁散热可当作一维非稳态导热问题建模,利用其初始条件和边界条件来求解。为简化问题,将炉壁的倾斜度忽略不计,将其视为圆柱体;并且将炉壁材料的导热系数和比热容取平均值,视为常量。计算时,可将炉壁视为无限长圆筒壁,在柱坐标下求解。就炉壁而言,其导热微分方程式为:
(7)
上式中,、、分别为钢包材料的密度、比热容和导热系数;为炉壁径向上某点的温度,为该点距钢包中轴线的距离(即半径);为时间,单位是。式(7)的初始条件()为:
(8)
式中,、分别为首次测温时钢水温度和钢包外壁的温度;、分别为钢包的内径和外径。式(8)的边界条件是,在时有:
(9)
在有:
(10)
以上两式中,、为钢水和环境的实时温度;为钢包侧壁的综合对流换热系数,其单位为。运用有限差分的方法,可对该微分方程进行求解。同理,对于炉底散热问题,也可用同样的方法进行讨论,这里不再赘述。
(4)加渣料与合金的影响
加料是LF的精炼流程中的一个重要环节,不同渣