一种动态数据序列的建模方法及其在定氧加铝系统中的应用
|
摘要
炼钢生产中，定氧加铝工艺的被控对象具有参数分布、非线性、动态观测数据离散等特征，定氧加铝模型的建立是该工艺的核心。而且模型的预测精度与生产的稳定、成本的降低、钢材质量的提高密切相关。在实际生产中，模型是通过钢包中的含氧量和钢包中所需含铝量来确定加铝量这一函数关系的，虽然钢水具有相同的冶炼环境，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，而且对整个炼钢工艺来说，定氧加铝系统只是整个生产工艺中的一部分。因此，为不影响后续连铸等生产过程，保证生产节奏，钢水到达加铝站，单靠以前的取样、化验和确定成分含量这一繁琐过程已不能适应生产需要。为此，厂方经过了一些技术改造，通过历史数据建立了定氧加铝工艺的一个线性回归模型，该模型仅仅是一个经验公式，无法顾及具体现场中的实时性、扰动性和随机性等诸多因素，故该模型拟合精度和预测情况是不理想的，这就给定氧加铝自动控制系统的设计带来一定的困难，也难以实现精确的、理想的控制。
本论文首先研究了国内外多种关于动态数据序列建模方法，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，引入先进合理的观测数据建模策略，结合回归分析、灰色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，提高模型对实时观测数据的拟合程度和预测的准确性，探索了一条观测数据序列建模的新途径。
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，综合了多种观测数据建模方法的优势，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有效途径。
In the process of steel-making, killing oxygen by adding aluminum process is a controlled object whose parameters are distributed and non-linear, and its observed data are discrete. The key point of this process is model of killing oxygen by adding aluminum process. Precision of model is closely correlated with the stabilization of production, the reduction of cost and quality of steel. 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, and killing oxygen by adding aluminum process is just one part of the whole system. Consequently, in order not to interfere with next later continuing casting and other process, and to ensure the production rhythm, when the molten steel arrives at the aluminum feeding station, it cannot meet the production requirement only to sample, assay and determine the ingredient content. So the management has taken some technical reco
nstruction and formed a linear regression model of the killing oxygen by adding aluminum process with history data. However, it is just an empirical formula, which cannot take the real time, disturbance and randomness at the spot into account. So the fitting accuracy and forecast of this model are not perfect and it is difficult to design the automatic control system about killing oxygen by adding aluminum process and achieve accurate control.
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, grey 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 number 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. A new approach of modeling of observed data sequences is explored.
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 integrated the advantages of different observed data modeling methods, which 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，引入先进合理的观测数据建模策略，结合回归分析、灰色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，提高模型对实时观测数据的拟合程度和预测的准确性，探索了一条观测数据序列建模的新途径。
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，综合了多种观测数据建模方法的优势，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有效途径。
In the process of steel-making, killing oxygen by adding aluminum process is a controlled object whose parameters are distributed and non-linear, and its observed data are discrete. The key point of this process is model of killing oxygen by adding aluminum process. Precision of model is closely correlated with the stabilization of production, the reduction of cost and quality of steel. 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, and killing oxygen by adding aluminum process is just one part of the whole system. Consequently, in order not to interfere with next later continuing casting and other process, and to ensure the production rhythm, when the molten steel arrives at the aluminum feeding station, it cannot meet the production requirement only to sample, assay and determine the ingredient content. So the management has taken some technical reco
nstruction and formed a linear regression model of the killing oxygen by adding aluminum process with history data. However, it is just an empirical formula, which cannot take the real time, disturbance and randomness at the spot into account. So the fitting accuracy and forecast of this model are not perfect and it is difficult to design the automatic control system about killing oxygen by adding aluminum process and achieve accurate control.
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, grey 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 number 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. A new approach of modeling of observed data sequences is explored.
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 integrated the advantages of different observed data modeling methods, which 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(上册)．华中理工大学出版社．1996年．
[2]WaS M, Pandit S M. Time Series and System Analysis[J].Modeling and Applications Wiscosin University, 1979.
[3]S .M. Pandit, S.M. Wu. Time Series and System Analysis With Applications. John Wiloy and Sons, 1983.
[4]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
[5]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
[6]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
[7]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
[8]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
[9]宋明顺．回归分析中的自相关检验和建模．计量技术．1998年No2：43-45
[10]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
[11]项静恬．动态数据处理--时间序列分析．气象出版社．1986年9月1日
[12]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
[13]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
[14]Wang S R, Chen Z G. Estimation of the Order of ARMA Model by Linear Procedures. Chin. Ann. of Math. 1985(6B)
[15]P.M.T. Broersen. (1998a) The quality of models for ARMA processes. IEEE Trans. Signal Processing, 46, 1749-1752.
[16]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.
[17]P.M.T. Broersen. (2000b).Finite sample criteria for autoregressive order selection IEEE Trans. Signal Processiong, 48, 3550-3558.
[18]丁裕国．气象数据时间序列信号处理．气象出版社．1998年1月1日
[19]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
[20]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
[21]吕海涛 赵林明．应用灰色模型(GM)时注意的一些问题．华北水利水电学院学报．2000年3月第21卷第1期：76-78
[22]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
[23]龚蓬 费业泰．动态测量误差灰色模型插值预报理论及应用．合肥工业大学学报(自然科学版)．2002年2月第25卷第1期：5-8
[24]龚蓬 费业泰．一种基于灰色预测控制的动态测量误差修正系统．宇航计测技术．2002年4月第22卷第2期：1-5
[25]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
[26]Xian-Da Zhang, Takeda H. An approach to time series analysis and ARMA spectral estimation. IEEETrans, 1987, 35(9):1303～1313.
[27]Goodwin G.C., Payne R.L. Dynamic System Identification Experiment Design and Data Analysis[M].Academic Press, 1977
[28]Goodwin G. C., e.t. Adaptive Filtering Prediction and Control[M].Prentice. Hall, 1984.
[29]Tsay R.S., Tiao G.C., Consistent Estimates of Autogressive Parameters and Extended Sample Autocorrelation Function for Stationary and Nonstationary ARMA Models[J].J. Amer. Statist Assoc, 79, 1984:84-96.
[30]孙才志 潘俊．修正的灰色预测模型在水文时间序列分析中的应用．工程勘察．2000年第3期：23-26
[31]项静恬．动态和静态数据处理---时间序列和数理统计分析．气象出版社．1991年5月1日
[32]应启珩．离散时间信号分析和处理．清华大学出版社．2001年9月1日
[33](美)谢弗．离散时间信号处理．科学出版社．1998年7月1日
[34]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
[35]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
[36]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
[37]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
[38]P.M.T. Broersen. (2000c). Autoregressive model orders for Durbin' s MA and ARMA estimators IEEE Trans. Signal Processing, 48, 2454-2457.
[39]Parzen, E. (1974). Some recent advances in time series modeling. IEEE Trans. autom. Control, AC-19, 723-730.
[40]Hannan E J, Kvalieris L. Linear Estimation of ARMA Process. Automatica, 1983, 19(4)447～448
[41]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
[42]邓聚龙．灰色系统(社会·经济)．国防工业出版社．1985年2月1日
[43]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
[44]王学萌 罗建军．灰色系统预测决策建模程序集．科学普及出版社．1986年8月
[45]李高正．等距形面加工误差识别与控制．[硕士学位论文]．河南：焦作工学院机械系．1997．
[46]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 No2：12-13
[47]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
[48]Levinson N. The Wiener rms error criterion--filter design and prediction. Metaphysic, 47, 25:261-278.
[49]Durbin J. The fitting of time series model. Rev 2nst2ntStatist, 1960, 28(3):
233-243.
[50]Kay S M, Marple S L. Spectralanalysis--a modem perspective. Proc of the IEEE, 1981, 69(11):1380-1419.
[51]Daniel Graupe. Time series analysis. Identification and Adaptive filtering. Florida: R E Krieger Pub Co, 1989.
[52]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
[53]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
[54]P.M.T. Broersen. (2001). Matlab Toolbox ARMASA, available as download from http://www. tn. tudelft. nl/mmr/
[55]赵扬．含铝钢定氧加铝工艺试验．炼钢．1997年4月
[56]叶明佳 喻承欢 黄青峰．铝镇静钢定氧加铝模型的建立．NO．3，1998．
[57]李斌．铝线加铝机的应用．炼钢．1992年8月．
[58]李素芝．时域离散信号处理．国防科技大学出版社．1994年8月1日
[59]Cadzow J A. Spectral estimation, An over determined rational model equation approach. Processings of the IEEE, 1982, 70(9):907～9383.
[60]Rissanen. A universal prior for integers and estimation by minimum descriptive length. The Annals of Statics, 1983, 11(2):431～4664
[61]欧阳楷．一个新的时序神经网络模型及其仿真．北京生物医学工程 1997年第16卷第2期．65～76
[2]WaS M, Pandit S M. Time Series and System Analysis[J].Modeling and Applications Wiscosin University, 1979.
[3]S .M. Pandit, S.M. Wu. Time Series and System Analysis With Applications. John Wiloy and Sons, 1983.
[4]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
[5]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
[6]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
[7]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
[8]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
[9]宋明顺．回归分析中的自相关检验和建模．计量技术．1998年No2：43-45
[10]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
[11]项静恬．动态数据处理--时间序列分析．气象出版社．1986年9月1日
[12]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
[13]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
[14]Wang S R, Chen Z G. Estimation of the Order of ARMA Model by Linear Procedures. Chin. Ann. of Math. 1985(6B)
[15]P.M.T. Broersen. (1998a) The quality of models for ARMA processes. IEEE Trans. Signal Processing, 46, 1749-1752.
[16]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.
[17]P.M.T. Broersen. (2000b).Finite sample criteria for autoregressive order selection IEEE Trans. Signal Processiong, 48, 3550-3558.
[18]丁裕国．气象数据时间序列信号处理．气象出版社．1998年1月1日
[19]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
[20]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
[21]吕海涛 赵林明．应用灰色模型(GM)时注意的一些问题．华北水利水电学院学报．2000年3月第21卷第1期：76-78
[22]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
[23]龚蓬 费业泰．动态测量误差灰色模型插值预报理论及应用．合肥工业大学学报(自然科学版)．2002年2月第25卷第1期：5-8
[24]龚蓬 费业泰．一种基于灰色预测控制的动态测量误差修正系统．宇航计测技术．2002年4月第22卷第2期：1-5
[25]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
[26]Xian-Da Zhang, Takeda H. An approach to time series analysis and ARMA spectral estimation. IEEETrans, 1987, 35(9):1303～1313.
[27]Goodwin G.C., Payne R.L. Dynamic System Identification Experiment Design and Data Analysis[M].Academic Press, 1977
[28]Goodwin G. C., e.t. Adaptive Filtering Prediction and Control[M].Prentice. Hall, 1984.
[29]Tsay R.S., Tiao G.C., Consistent Estimates of Autogressive Parameters and Extended Sample Autocorrelation Function for Stationary and Nonstationary ARMA Models[J].J. Amer. Statist Assoc, 79, 1984:84-96.
[30]孙才志 潘俊．修正的灰色预测模型在水文时间序列分析中的应用．工程勘察．2000年第3期：23-26
[31]项静恬．动态和静态数据处理---时间序列和数理统计分析．气象出版社．1991年5月1日
[32]应启珩．离散时间信号分析和处理．清华大学出版社．2001年9月1日
[33](美)谢弗．离散时间信号处理．科学出版社．1998年7月1日
[34]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
[35]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
[36]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
[37]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
[38]P.M.T. Broersen. (2000c). Autoregressive model orders for Durbin' s MA and ARMA estimators IEEE Trans. Signal Processing, 48, 2454-2457.
[39]Parzen, E. (1974). Some recent advances in time series modeling. IEEE Trans. autom. Control, AC-19, 723-730.
[40]Hannan E J, Kvalieris L. Linear Estimation of ARMA Process. Automatica, 1983, 19(4)447～448
[41]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
[42]邓聚龙．灰色系统(社会·经济)．国防工业出版社．1985年2月1日
[43]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
[44]王学萌 罗建军．灰色系统预测决策建模程序集．科学普及出版社．1986年8月
[45]李高正．等距形面加工误差识别与控制．[硕士学位论文]．河南：焦作工学院机械系．1997．
[46]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 No2：12-13
[47]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
[48]Levinson N. The Wiener rms error criterion--filter design and prediction. Metaphysic, 47, 25:261-278.
[49]Durbin J. The fitting of time series model. Rev 2nst2ntStatist, 1960, 28(3):
233-243.
[50]Kay S M, Marple S L. Spectralanalysis--a modem perspective. Proc of the IEEE, 1981, 69(11):1380-1419.
[51]Daniel Graupe. Time series analysis. Identification and Adaptive filtering. Florida: R E Krieger Pub Co, 1989.
[52]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
[53]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
[54]P.M.T. Broersen. (2001). Matlab Toolbox ARMASA, available as download from http://www. tn. tudelft. nl/mmr/
[55]赵扬．含铝钢定氧加铝工艺试验．炼钢．1997年4月
[56]叶明佳 喻承欢 黄青峰．铝镇静钢定氧加铝模型的建立．NO．3，1998．
[57]李斌．铝线加铝机的应用．炼钢．1992年8月．
[58]李素芝．时域离散信号处理．国防科技大学出版社．1994年8月1日
[59]Cadzow J A. Spectral estimation, An over determined rational model equation approach. Processings of the IEEE, 1982, 70(9):907～9383.
[60]Rissanen. A universal prior for integers and estimation by minimum descriptive length. The Annals of Statics, 1983, 11(2):431～4664
[61]欧阳楷．一个新的时序神经网络模型及其仿真．北京生物医学工程 1997年第16卷第2期．65～76
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |