1前言马钢港务原料厂现有混匀造堆系统是由混匀矿槽、定量圆盘配料装置、胶带输送系统、混匀堆 料机及料场组成。其中,圆盘配料控制系统是原料混匀控制的核心,配料的精确度直接影响到烧结 矿的品质及其稳定性。实际操作过程中,主要存在如下问题:(1)由于目前该原料厂是半自动化 操作,即各种皮带的启停由中央控制室控制,而各种混匀参数,如加槽量、造堆量、造堆时间的统 计等由人工进行,再根据统计结果人工计算出各配料圆盘的下料量,同时结合实际作业状况和现场 经验,对下料量设定值加以调整。因此,这种调整明显滞后于实际所需值的变化。同时,由于堆料 机造堆过程中,进料皮带上的料量应随大车往返呈周期性变化,这也给圆盘下料量的调整带来了极 大的困难。(2)给料量控制点至称量检测点,大约需要经过由圆盘至皮带的落料时间,还有由于 皮带上少量堆料而引起的滞后时间,以及皮带将料运送到秤架检测点的时间延迟,一般都要滞后3 秒以上。因此,圆盘配料皮带秤控制系统是一个由工艺条件所决定了的纯滞后调节系统。(3)造 堆过程中还存在许多不确定因素,例如电磁干扰、料堆积、卡料等,这些因素也会使系统变得不稳 定,同样也会影响产品的质量。时间序列分析是根据历史数据建立一个数学模型,该模型一方面可 以对当前数据进行滤波,另一方面可以对未来数据进行预测。而针对圆盘配料控制来说,若能建立 一个合适的数学模型,不仅可以对当前数据进行分析和数据滤波,还可以预测未来时间的下料量变 化趋势,那么,在料量设定值保持不变的情况下,就可根据实际测量值和预测值实现下料量的预测 控制。2时间序列预测模型及建模步骤2.1时间序列模型如果随机序列{xt,t=0,±1, …}由如下随机差分方程所确定:xt-φ1xt-1-…φpxt-p=at(1)式中:xt 是时间序列{xt}在t时刻的元素,{at,t=0,±1,…}为白噪声序列,且E
=0,E=σ2<∞,φ1,…,φp为实系数,且φp≠0,则称{xt}为p阶自 回归模型,记作AR(p),p为模型阶数,φ1,…,φp为模型参数,也称{xt}为AR( p)序列,其形式为xt=∑pi=1φixt-i+at,at～NIA(0,σ2a)(2) 2.2建模步骤针对一组动态数据X1,X2,…,XN,用AR(p)模型去识别和拟合,其过 程通常为以下几个步骤:步骤:(1)数据的选择与预处理ARMA模型描述的数据要满足平稳零 均值条件,因此对数据拟合此类模型之前,一般需进行平稳化和零均值的处理。对于结构不同的数据序列,常用的零均值化手段有两类:对规律较平稳的动态数据,令xt⌒=xt-xt=xt-1NNk=1xk(3)经验告诉我们,由于样本是有限长度,通常情况下,即使是取自零均值总体的样 本数据也必须进行上述处理。对规律较复杂的动态数据,如果数据有明确的物理规律,并可用指数 、对数等形式描述其主体结构,则可先分离这类数据中确定性的成分f(xt),剩余的作为平稳零均值序列用ARMA模型来拟合。xt⌒=xt-f(xt)(4)(2)模型的参数估计模型参数的估计通常可依 照最小二乘准则或极大似然准则来进行。本文采用最小二乘法来对模型进行参数估计。根据多元回 归理论,参数矩阵φ的最小二乘估计为<1>:^φ=(xTx)-1xTy(5)式中:^φ为 φ的估计值,^φ=<^φ1,^φ2,…,^φn>T,y=T,x=xn,xn-1,…,x1xn+1,xn,…,x2xN-1,xN-2,…, xN-n(3)模型阶数的判断和选择<2>对于已给出的数据组拟合AR模型时,根据节省原理 ,可由低阶开始递增阶数拟合AR(p)模型,p=1,2,…,并分别计算相应的AR(n)模 型的残差平方和RSS,直到残差平方和减小到不显著时,便找到了合适的阶(因为一个合适的模 型应当有较小的残差平方和)。通常可以用F检验法来判定当模型的阶数改变时,相应的残差平方 和的变化是否显著。设对AR(p)过程在时刻N的参数φ的递推最小二乘法估计值为:^φ(N )=<^φ1(N),…,^φp(N)>T(6)则拟合残差平方和为:RSS=∑Ni=1< xt-^φ1(N)xt-1-…-^φp(N)xt-p>2(7)设有如下阶的F检验判决器 :H0:AR(p-1)模型是合适的(即φp=0);H1:AR(p-1)模型是不合适的( 即φp≠0)。则统计量F=(A1-A0)(N-P)A0服从F分布F(1,N-P),其中A0为AR(p)的残差平方和RSS,A1为AR(p-1)的残差平方和RSSN为观测数据数目。给定显著性水平a=0.05,查F分布表可得出临界值Fa,若F≥Fa,则 拒绝H0,即AR(p-1)不合适;若F在整个料场系统中,由于信号的来源较为复杂,而且 各个控制系统所用设备的通信协议也不尽相同,若分别使用它们自己的通信协议将信号接入中央监 控系统将是一件十分烦琐的工作。文献<3>采用OPC技术,建立了一套基于OPC技术的圆盘 配料自动控制系统(见图1)其中,圆盘配料自动控制系统硬件结构如图2所示。图1系统的总体 结构框图图2圆盘配料自动控制系统硬件结构图图2中,OPC服务器为新增加部分,其余部分为 原配料自动控制系统配置。现场料位、对位小车位置、重量、流量等信号通过PLC远程站接入G EPLC,OPC服务器将PLC以及中控VAX机中的信号集中起来。自动配料系统服务器作为 OPC客户端,定期读取OPC服务器中的数据,经处理和分析,按预测模型预测出下一时刻的下 料量,控制系统即可根据预测结果提前进行调节,实现下料量的预测控制。4基于AR模型的圆盘 下料量预测模型本文针对圆盘下料量在设定值为67t/h的情况下,按照1点/min的采样频 率连续采集72点数据(如图3),选择前60点用作建模观测样本值,后12点用于模型检验。 图3切出量的样本变化曲线根据上述建立时间序列预测模型的步骤,我们采用VB6.0编写了预 测模型的相应软件。将样本数据输入到预测自动辨识程序中,经过计算,其模型AR(1)至AR(8)的残差平方和A0、A1及统计量F如表1所示。表1AR(1)至AR(8)模型A0、A1、F计算值AR模型A0A1FAR(1)268862.5AR(2)1152.2268862.558.75AR(3)93 8.91152.210.755AR(4)384.4938.933.66AR(5)351 .4384.44.81AR(6)325.3351.44.09AR(7)250.8325 .312.37AR(8)256.66250.8-1.24从表1可看出,F在p=8处达到 了较小的值,根据2.2节所述,选用AR(7)为适用模型。AR(7)模型参数计算值见表2 。表2AR(7)模型参数计算值φ1φ2φ3φ4φ5φ6φ7-0.062-0.2500. 3810.2440.1080.4370.151根据式(8),可得到该圆盘下料量的变化预 测模型为:^xt=-0.062xt-1-0.25xt-2+0.381xt-3+0.24 4xt-4+0.108xt-5+0.437xt-6+0.151xt-7(9)5预测值和 实测值对比利用该预测模型计算出来的下料量与实测下料量(共72点)的变化曲线如图4所示。 通过比较可看出,预测数据与实测数据的变化趋势基本一致,其总体最大绝对误差为5.37,平 均相对误差为0.71%,最大相对误差为8.24%。后12个数值中,最大绝对误差为1.7 7,图4圆盘下料量的变化曲线平均相对误差为0.83%,最大相对误差为2.73%。从预测 值与实测值的比较结果来看,预测的结果良好,预测模型能够根据历史数据较为准确地反映出下料 量的变化趋势,同时表明AR模型具有较强的自适应性。6结论自回归模型的时序分析方法具有计 算简单、快速的特点。利用时间序列分析方法建立的圆盘下料量AR预测模型,经实际预测检验, 该模型精度高。基于时间序列的料场定量圆盘下料量预测模型@张英杰!(243002)安徽省马鞍山市$安徽工业大学电气信息学院
@谢义$安徽工业大学电气信息学院
@陈国栋$安徽工业大学电气信息学院针对原料场圆盘配料系统下料量检测滞后和料量随堆料机进退 变化较大的特点,应用时间序列分析方法建立了基于AR模型的圆盘下料量预测模型。实际预测结 果表明,该模型精度高,能够根据历史数据较为准确地预测出下料量的变化趋势。 时间序列;;下 料量;; 预测1 杨叔子,吴雅等.时间序列分析的工程应用(上册).武汉:华中理工大学出版社,1991
2 邓自立,郭一新.动态系统分析及其应用.沈阳:辽宁科学技术出版社,1985
3 谢义,岑豫皖,方庆等.OPC技术在圆盘自动配料系统中的应用.烧结球团,2005 ,30(6),27～29刂葡低秤布峁雇纪?中,OPC服务器为新增加部分,其余部分为 原配料自动控制系统配置。现场料位、对位小车位置、重量、流量等信号通过PLC远程站接入G EPLC,OPC服务器将PLC以及中控VAX机中的信号集中起来。自动配料系统服务器作为OPC客户端,定期读取OPC服务器中的数据,经处理和分析,按预测模型预测出下一
More abstracts about the 基于时间序列的料场定量圆盘下料量预测模型