基于数据与机理融合的转炉炼钢过程钢水质量解析方法

1.本发明涉及冶金生产质量解析技术领域，尤其涉及一种基于数据与机理融合的转炉炼钢过程钢水质量解析方法。


背景技术：

2.转炉炼钢是目前主流炼钢手段，在冶炼准备阶段，铁水、废铁皮、辅料(石灰，碳酸盐类矿物质等)被加入到转炉内；炼钢过程中，采用水冷的氧枪从炉顶吹入高纯度氧气，氧气与铁水中的碳、硅等元素反应生成废气、钢渣。底部吹入惰性气体不仅仅起到了搅拌的作用，使得钢液的成分和温度均匀，它还可以带走有害气体、夹杂物等，起到净化钢水的作用。整个炼钢过程伴随着碳-氧-铁，硫-铁-氧等多体系的化学反应，钢水中的碳、硫、磷等微量元素不断减少。由于上述反应多数为放热反应，故而钢水温度会不断上升。为防止温度过高，会向炉内加入一定量的辅料，起到净化钢水并使得温度稳定上升，达到安全生产的效果。整个冶炼过程大约需要20-40分钟，因炉子的容量不同时间上会有所区别。冶炼结束后，从炉子上端出钢口将钢水倒至钢包进入下道工序，从底部排渣口清理钢渣，为下一炉炼钢做准备，这就是一个完整的炼钢过程。
3.钢水的终点温度与成分直接影响着成品的质量，对炼钢过程中钢水成分与温度进行实时在线解析不仅仅能够为钢铁成品质量提供保障，也可以为节能减耗奠定基础。但是，炉内高温、多相并存的复杂环境，且检测成本比较高使得钢水质量(成分与温度)的实时解析难以实现。


技术实现要素：

4.本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于数据与机理融合的转炉炼钢过程钢水质量解析方法，实现转炉炼钢过程钢水质量的在线解析。
5.为解决上述技术问题，本发明所采取的技术方案是：基于数据与机理融合的转炉炼钢过程钢水质量解析方法，包括以下步骤：
6.步骤1：建立数据与机理融合的炼钢过程钢水质量系统模型；
7.步骤1.1：建立钢水碳含量和温度的动力学系统，如下公式所示：
8.x(k+1)＝ax(k)+bg(x(k),u(k))+b'f(u(k))+dw(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
9.其中，表示k时刻钢水质量系统的状态向量，x(k)＝[x1(k)，x2(k)]
t
，x1(k)与x2(k)分别表示钢水的碳含量与温度；为操作变量向量，u(k)＝[u1(k),u2(k),
…
,u5(k)]
t
，u1(k)、u2(k)，
…
，u5(k)分别表示氧枪的高度，氧气的体积流量与块状石灰石、轻烧白云石、菱镁球三种辅料的添加量；w(k)为外部扰动；非线性部分g(x(k),u(k))为未知项；是一个未知的非线性状态转移函数；f表示辅料添加对钢水温度与碳含量的影响；a、b、b
′
和d均为系数矩阵；
[0010]
步骤1.2：基于钢水碳含量和温度的动力学系统，建立烟气碳氧化合物监测数据与钢水碳含量关系的测量方程，得到炼钢过程钢水质量系统模型的状态空间表达式；
[0011]
炼钢过程钢水质量系统模型的测量方程表达式具体为：
[0012]
y(k)＝cx(k)+cdx(k-kd)+ev(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0013]
其中，为炼钢过程中烟气中一氧化碳与二氧化碳的监测数据，v(k)为测量扰动；e、c和cd均为权重系数；kd＝1为表示时滞的一个已知正整数；x(k)∈l
∞
，即||x(k)||
∞
＝supk|x(k)|，对于所有的其中且g在紧集上一致有界；
[0014]
公式(1)-(2)构成炼钢过程钢水质量系统模型的状态空间表达式；
[0015]
步骤2：设计基于神经网络的自适应滤波算法；
[0016]
步骤2.1：设定当定义域属于紧集时，未知非线性状态转移函数g一致有界；采用持续有界的扰动刻画生产中的不确定因素，即外部扰动w(k)∈l
∞
、测量扰动v(k)∈l
∞
；
[0017]
步骤2.2：构建自适应滤波器的结构，选择满足非线性函数一致有界条件的基函数；
[0018]
构建的自适应滤波器如公式(3)-(4)所示：
[0019][0020][0021]
其中，是x(k)的估计值，是x(k)的估计值，为测量残差；θ(k)为k时刻的神经网络权重参数，且设定激励函数ψ的基函数设定激励函数ψ的基函数r、h为给定系数矩阵；p为待求的正定矩阵，l为待求的滤波器增益；
[0022]
步骤3：结合滤波器的估计状态向量与钢水质量系统模型中的状态向量，计算得到估计误差系统，并根据钢水质量系统与误差系统的特点，设定滤波器的性能指标；
[0023]
将公式(3)与公式(1)过程方程作差，得到估计误差系统，如下公式所示：
[0024][0025]
其中，估计误差其中，估计误差θ
*
为理想权重，在紧集上，且结合未知输入项神经网络均满足在给定紧集上一致有界的条件，因此，
[0026]
考虑到钢水质量系统与上述估计误差系统，以公式(6)作为性能指标，使设计的自适应滤波算法能够保证估计误差系统(5)满足该性能指标；
[0027]
[0028]
其中，τi为正标量，i＝1,2,
…
,6；
[0029]
步骤4：采用类李雅普诺夫函数法对估计误差系统(5)进行理论分析，计算得出滤波器增益与神经网络权重更新机制中的待求参数；
[0030]
步骤4.1：利用类李雅普诺夫函数法得到保证估计误差系统(5)满足性能指标(6)的滤波器存在的充分条件，如下公式所示：
[0031][0032][0033]
其中，γ与κ为给定的正标量；θ1、θ2为任意矩阵；β1、β2、β3均为待求正标量；p、s均为矩阵，且满足p＝p
t
》0，s》0；k为常数；
[0034]
步骤4.2：求解自适应滤波器存在的充分条件，并将其转化为容易直接求解的线性矩阵不等式；
[0035]
通过引入变量y
l
＝pl并借助舒尔补引理将步骤4.1中的不等式转化为能够直接求解的线性矩阵不等式问题，如下公式所示：
[0036][0037]
矩阵φ的元素如下所示：
[0038]
φ
11
＝《-ρ1p》，φ
21
＝(1+ρ1)b
t
p，φ
31
＝(1-ρ1)b
t
p，
[0039][0040]
φ
61
＝(1+ρ1)d
t
p，φ
22
＝-β1i，
[0041]
φ
42
＝ρ2pb，φ
33
＝-β2i+3κb
t
pb，φ
43
＝-ρ2pb，
[0042][0043]
φ
64
＝ρ2d
t
p，
[0044]
φ
84
＝b
t
ph
t
pc，
[0045]
φ
85
＝b
t
ph
tcd
，φ
66
＝-β3i，
[0046]
φ
87
＝b
t
ph
t
e，φ
88
＝-k-1
，
[0047]
其中，ρ1、ρ2为任意正标量；
[0048]
最终，设计的非线性滤波器的增益为l＝p-1yl
；
[0049]
步骤5：将提出的自适应滤波算法应用于钢水质量的在线解析；
[0050]
步骤5.1：设置钢水质量系统参数；
[0051]
步骤5.2：通过求解步骤4.2得到的线性矩阵不等式(7)，得到自适应滤波器的待求参数，构建自适应滤波器；
[0052]
步骤5.3：根据钢水质量系统烟气中一氧化碳、二氧化碳的测量之和实时数据y(k)与其估计值构成测量残差数据；
[0053]
步骤5.4：将测量残差数据代入步骤5.2中的自适应滤波器(3)-(4)中，得到实时的钢水质量估计值，实现炼钢过程钢水质量在线解析。
[0054]
采用上述技术方案所产生的有益效果在于：本发明提供的基于数据与机理融合的转炉炼钢过程钢水质量解析方法，采用持续有界型扰动刻画生产中的不确定因素，以转炉炼钢生产过程烟气中一氧化碳与二氧化碳实时测量数据与其估计值构成测量残差，并将其用于神经网络权重的更新中。同时，设计了一种估计误差峰值与扰动峰值之比有界的滤波算法，根据估计误差系统求解滤波器的待求参数与网络权重更新机制的待求参数，从而达到抑制扰动、过程解析的目的。
[0055]
本发明方法同时考虑了测量时滞、马尔科夫参数、未知非线性输入项、干扰对状态估计性能的影响，采用类李雅普诺夫函数法利用了测量输出，相比于基于模型的滤波解析算法，本发明的自适应滤波算法能够解决带有测量时滞、马尔科夫参数、未知非线性输入项、干扰系统的解析问题，且给出的解析方法依赖于线性矩阵不等式，达到抗扰动与解析的目的，且本发明方法具有易求解与可在线实现的优点。
附图说明
[0056]
图1为本发明实施例提供的一种基于数据与机理融合的转炉炼钢质量解析方法的流程示意图；
[0057]
图2为本发明实施例提供的氧枪高度u1(k)设定图；
[0058]
图3为本发明实施例提供的氧气流量u2(k)设定图；
[0059]
图4为本发明实施例提供的块状石灰石u3(k)、轻烧白云石u4(k)、菱镁球u5(k)设定图；
[0060]
图5为本发明实施例提供的实际钢水碳含量x1(k)及其估计值的轨迹对比图；
[0061]
图6为本发明实施例提供的实际钢水温度x2(k)及其估计值的轨迹对比图；
[0062]
图7为本发明实施例提供的钢水碳含量的估计误差e1(k)的轨迹图；
[0063]
图8为本发明实施例提供的钢水温度的估计误差e2(k)的轨迹图。
具体实施方式
[0064]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0065]
本实施例以某炼钢厂的实际生产数据为基础，采用本发明的基于数据与机理融合的转炉炼钢过程钢水质量解析方法对该钢厂转炉炼钢过程的钢水质量进行解析。
[0066]
本实施例中，表示n维欧几里得空间；表示a
×
b维实数矩阵集合；t为矩阵作转置运算符；-1为矩阵求逆运算符；i与0分别表示适维单位矩阵与零矩阵；p》0表示正定矩阵；(σ(p))分别表示矩阵p的最大(最小)特征值；x(k)∈l
∞
表示||x(k)||
∞
《∞；
[0067]
本实施例中，基于数据与机理融合的转炉炼钢过程钢水质量解析方法，如图1所示，包括以下步骤：
[0068]
步骤1：建立具有马尔科夫参数、非线性输入项未知、测量时滞与干扰的数据与机理融合的炼钢过程钢水质量系统模型；
[0069]
步骤1.1：建立钢水碳含量和温度的动力学系统，如下公式所示：
[0070]
x(k+1)＝ax(k)+bg(x(k),u(k))+b'f(u(k))+dw(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0071]
其中，表示k时刻钢水质量系统的状态向量，x(k)＝[x1(k)，x2(k)]
t
，x1(k)与x2(k)分别表示钢水的碳含量与温度；为操作变量向量，u(k)＝[u1(k)、u2(k)、
…
、u5(k)]
t
，u1(k)、u2(k)，
…
，u5(k)分别表示氧枪的高度，氧气的体积流量与块状石灰石、轻烧白云石、菱镁球三种辅料的添加量；w(k)为外部扰动；非线性部分g(x(k),u(k))为未知项；
是一个未知的非线性状态转移函数；表示辅料添加对钢水温度与碳含量的影响，其中具体的参数取值见步骤5；a、b、b
′
和d均为系数矩阵；本实施例中，阵；本实施例中，
[0072]
步骤1.2：基于钢水碳含量和温度的动力学系统，建立烟气碳氧化合物监测数据与钢水碳含量关系的测量方程，得到炼钢过程钢水质量系统模型的状态空间表达式；
[0073]
炼钢过程钢水质量系统模型的测量方程表达式具体为：
[0074]
y(k)＝cx(k)+cdx(k-kd)+ev(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0075]
其中，为炼钢过程中烟气中一氧化碳与二氧化碳的监测数据，v(k)分别为外部扰动与测量扰动；e、c和cd均为权重系数；本实施例中，e＝1，c＝-2.7907
×
103，cd＝2.7907
×
103，v(k)＝40sin(k)；kd＝1为表示时滞的一个已知正整数；本实施例中x(k)∈l
∞
，即||x(k)||
∞
＝supk|x(k)|，对于所有的其中且g在紧集上一致有界；
[0076]
公式(1)-(2)构成炼钢过程钢水质量系统模型的状态空间表达式。
[0077]
步骤2：设计基于神经网络的自适应滤波算法；
[0078]
步骤2.1：设定当定义域属于紧集时，未知非线性状态转移函数g一致有界；采用持续有界的扰动刻画生产中的不确定因素，即外部扰动w(k)∈l
∞
、测量扰动v(k)∈l
∞
；
[0079]
步骤2.2：构建自适应滤波器的结构，选择满足非线性函数一致有界条件的基函数；
[0080]
采用类sigmoid基函数神经网络构建的自适应滤波器如公式(3)-(4)所示：
[0081][0082][0083]
其中，是x(k)的估计值，是x(k)的估计值，为测量残差；θ(k)为k时刻的神经网络权重参数，且设定激励函数ψ的基函数设定激励函数ψ的基函数r、h为给定系数矩阵；p为待求的正定矩阵，l为待求的滤波器增益；在紧集上，影响θ更新的唯一不确定因素只有测量残差考虑测量残差与状态变量的关系可知测量残差也是有界的；
[0084]
步骤3：结合滤波器的估计状态向量与钢水质量系统模型中的状态向量，计算得到估计误差系统，并根据钢水质量系统与估计误差系统的特点，设定滤波器的性能指标；
[0085]
将公式(3)与公式(1)过程方程作差，得到估计误差系统，如下公式所示：
[0086][0087]
其中，估计误差其中，估计误差θ
*
为理想权重，在紧集上，且结合未知输入项神经网络均满足在给定紧集上一致有界的条件，因此，
[0088]
考虑到钢水质量系统与上述估计误差系统，以公式(6)作为性能指标，使设计的自适应滤波算法能够保证估计误差系统(5)满足该性能指标；
[0089][0090]
其中，τi为正标量，i＝1,2,
…
,6；该性能指标该指标使得估计误差的峰值在持续有界扰动的影响下是衰退的，本质上是一种有界输入下估计误差有界的稳定性指标。
[0091]
步骤4：采用类李雅普诺夫函数法对估计误差系统(5)进行理论分析，计算得出滤波器增益与神经网络权重更新机制中的待求参数；
[0092]
步骤4.1：利用类李雅普诺夫函数法得到保证估计误差系统(5)满足性能指标(6)的滤波器存在的充分条件，如下公式所示：
[0093]
[0094]
其中，γ与κ为给定的正标量；θ1、θ2为任意矩阵；β1、β2、β3均为待求正标量；p、s均为矩阵，且满足p＝p
t
》0，s》0；k为常数；
[0095]
步骤4.2：求解自适应滤波器存在的充分条件，并将其转化为容易直接求解的线性矩阵不等式；
[0096]
上式矩阵不等式中存在待求参数p与l耦合、p的二次项，对它进行直接求解是十分困难的。通过引入变量y
l
＝pl并借助舒尔补引理将步骤4.1中的不等式转化为能够直接求解的线性矩阵不等式问题，如下公式所示：
[0097][0098]
矩阵φ的元素如下所示：
[0099]
φ
11
＝《-ρ1p》，φ
21
＝(1+ρ1)b
t
p，φ
31
＝(1-ρ1)b
t
p
[0100][0101]
φ
61
＝(1+ρ1)d
t
p，φ
22
＝-β1i
[0102]
φ
42
＝ρ2pb，φ
33
＝-β2i+3κb
t
pb，φ
43
＝-ρ2pb
[0103][0104]
φ
64
＝ρ2d
t
p，
[0105]
φ
84
＝b
t
ph
t
pc，
[0106]
φ
85
＝b
t
ph
tcd
，φ
66
＝-β3i，
[0107]
φ
87
＝b
t
ph
t
e，φ
88
＝-k-1
[0108]
其中，ρ1、ρ2为任意正标量；
[0109]
最终，设计的非线性滤波器的增益为l＝p-1yl
；
[0110]
步骤5：将提出的自适应滤波算法应用于钢水质量的在线解析；
[0111]
步骤5.1：设置钢水质量系统参数；
[0112]
本实施例中，该钢水质量系统参数如下：
[0113]
[0114]
c＝-2.7907
×
103，c
d＝1
＝2.7907
×
103，kd＝1。
[0115]
非线性输入项与扰动分别为：
[0116][0117]
w1(k)＝0.0005cos(k)，w2(k)＝6cos(k)，v(k)＝40sin(k)。
[0118]
其中，
△
t1＝2，＝2，
[0119]
参考该钢厂实际生产数据，给出氧枪操作与添加辅料方案，具体见图2-4所示。添加的辅料种类有块状石灰石、轻烧白云石，菱镁球，它们的含碳量(质量分数％)分别为：a
2,1
＝0.02，a
2,2
＝0，a
2,3
＝0。三种辅料单位质量释放/吸收的热量(释放为负值，吸收为正值，单位为j)分别为：q
add,1
＝-5.2805
×
105，q
add,2
＝-1.9986
×
106，q
add,3
＝-3.5765
×
106。
[0120]
步骤5.2：通过求解步骤4.2得到的线性矩阵不等式(7)，得到自适应滤波器的待求参数，构建自适应滤波器；
[0121]
本实施例中，设置神经网络的初始权重h＝[-2 0.3]，γ＝1.2，κ＝7.6，ρ1＝0.91，ρ2＝0.73，因此有k＝12。采用matlab r2014a求解线性矩阵不等式(7)，得：
[0122]
β1＝2.787
×
102，β2＝1.527
×
102，β3＝9.6093，
[0123][0124]
且滤波算法的待求参数
[0125]
步骤5.3：根据钢水质量系统烟气中一氧化碳、二氧化碳的测量之和实时数据y(k)与其估计值构成测量残差数据；
[0126]
步骤5.4：将测量残差数据代入步骤5.2中的自适应滤波器(3)-(4)中(即步骤2.2的参数已知的公式(3)-(4))，得到实时的钢水质量估计值，实现炼钢过程钢水质量在线解析。
[0127]
本实施例中，假设初始时刻的钢水碳含量与温度及其估计值分别为x(0)＝[3.95623,1219.0]
t
，结合钢水质量烟气数据进行钢水质量在线解析，具体效果见图5-图8；
[0128]
其中，图5为实际钢水碳含量x1(k)及其估计值的轨迹对比图；图6为实际钢水温度x2(k)及其估计值的轨迹对比图。如图5和图6所示，系统的状态估计轨迹皆可以追踪系统状态轨迹x1(k)、x2(k)，说明本发明的解析方法是有效的。
[0129]
图7为状态x1(k)的估计误差轨迹e1(k)。图8为状态x2(k)的估计误差轨迹e2(k)。如图7和图8所示，估计误差e1(k)与e2(k)均是有界的，且分别在[-0.015％,0.025％]与[-12℃,8℃]范围内波动，该范围满足实际生产需求，进一步表明了本发明所设计的自适应滤波
算法的有效性及可应用性。
[0130]
由图5-8可见，在测量时滞、持续且有界扰动下，对于含有马尔科夫参数、未知非线性输入项的钢水质量系统，所发明的自适应滤波算法可有效、在线对钢水质量进行在线解析。
[0131]
本发明为一种数据与机理融合的转炉炼钢质量解析方法，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出变形、参数替换、改进等，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
[0132]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

技术特征：
1.一种基于数据与机理融合的转炉炼钢过程钢水质量解析方法，其特征在于：包括以下步骤：步骤1：建立数据与机理融合的炼钢过程钢水质量系统模型；步骤2：设计基于神经网络的自适应滤波算法；步骤2.1：设定当定义域属于紧集时，未知非线性状态转移函数g一致有界；采用持续有界的扰动刻画生产中的不确定因素，即外部扰动w(k)∈l
∞
、测量扰动v(k)∈l
∞
；步骤2.2：构建自适应滤波器的结构，选择满足非线性函数一致有界条件的基函数；步骤3：结合滤波器的估计状态向量与钢水质量系统模型中的状态向量，计算得到估计误差系统，并根据钢水质量系统与估计误差系统的特点，设定滤波器的性能指标；步骤4：采用类李雅普诺夫函数法对估计误差系统进行理论分析，计算得出滤波器增益与神经网络权重更新机制中的待求参数；步骤5：将提出的自适应滤波算法应用于钢水质量的在线解析，得到实时的钢水质量估计值。2.根据权利要求1所述的一种基于数据与机理融合的转炉炼钢过程钢水质量解析方法，其特征在于：所述步骤1的具体方法为：步骤1.1：建立钢水碳含量和温度的动力学系统；步骤1.2：基于钢水碳含量和温度的动力学系统，建立烟气碳氧化合物监测数据与钢水碳含量关系的测量方程，得到炼钢过程钢水质量系统模型的状态空间表达式。3.根据权利要求2所述的一种基于数据与机理融合的转炉炼钢过程钢水质量解析方法，其特征在于：步骤1.1所述钢水碳含量和温度的动力学系统如下公式所示：x(k+1)＝ax(k)+bg(x(k),u(k))+b'f(u(k))+dw(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，表示k时刻钢水质量系统的状态向量，x(k)＝[x1(k)，x2(k)]
t
，x1(k)与x2(k)分别表示钢水的碳含量与温度；为操作变量向量，u(k)＝[u1(k),u2(k),
…
,u5(k)]
t
，u1(k)、u2(k)，
…
，u5(k)分别表示氧枪的高度，氧气的体积流量与块状石灰石、轻烧白云石、菱镁球三种辅料的添加量；w(k)为外部扰动；非线性部分g(x(k),u(k))为未知项；g:是一个未知的非线性状态转移函数；f表示辅料添加对钢水温度与碳含量的影响；a、b、b
′
和d均为系数矩阵。4.根据权利要求3所述的一种基于数据与机理融合的转炉炼钢过程钢水质量解析方法，其特征在于：步骤1.2得到的炼钢过程钢水质量系统模型的测量方程表达式具体为：y(k)＝cx(k)+c
d
x(k-k
d
)+ev(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，为炼钢过程中烟气中一氧化碳与二氧化碳的监测数据，v(k)为测量扰动；e、c和c
d
均为权重系数；k
d
＝1为表示时滞的一个已知正整数；x(k)∈l
∞
，即||x(k)||
∞
＝sup
k
|x(k)|，对于所有的其中且g在紧集上一致有界；公式(1)-(2)构成炼钢过程钢水质量系统模型的状态空间表达式。5.根据权利要求4所述的一种基于数据与机理融合的转炉炼钢过程钢水质量解析方法，其特征在于：所述步骤2.2构建的自适应滤波器如公式(3)-(4)所示：
其中，是x(k)的估计值，是x(k)的估计值，为测量残差；θ(k)为k时刻的神经网络权重参数，且设定激励函数ψ的基函数设定激励函数ψ的基函数r、h为给定系数矩阵；p为待求的正定矩阵，l为待求的滤波器增益。6.根据权利要求5所述的一种基于数据与机理融合的转炉炼钢过程钢水质量解析方法，其特征在于：所述步骤3的具体方法为：将公式(3)与公式(1)过程方程作差，得到估计误差系统，如下公式所示：其中，估计误差其中，估计误差θ
*
为理想权重，在紧集上，且θ
max
>0；结合未知输入项神经网络均满足在给定紧集上一致有界的条件，因此，考虑到钢水质量系统与上述估计误差系统，以公式(6)作为性能指标，使设计的自适应滤波算法能够保证估计误差系统(5)满足该性能指标；其中，τ
i
为正标量，i＝1,2,
…
,6。7.根据权利要求6所述的一种基于数据与机理融合的转炉炼钢过程钢水质量解析方法，其特征在于：所述步骤4的具体方法为：步骤4.1：利用类李雅普诺夫函数法得到保证估计误差系统(5)满足性能指标(6)的滤波器存在的充分条件，如下公式所示：
其中，γ与κ为给定的正标量；其中，γ与κ为给定的正标量；为任意矩阵；β1、β2、β3均为待求正标量；p、s均为矩阵，且满足p＝p
t
>0，s>0；k为常数；步骤4.2：求解自适应滤波器存在的充分条件，并将其转化为容易直接求解的线性矩阵不等式；通过引入变量y
l
＝pl并借助舒尔补引理将步骤4.1中的不等式转化为能够直接求解的线性矩阵不等式问题，如下公式所示：矩阵φ的元素如下所示：φ
11
＝<-ρ1p>，φ
21
＝(1+ρ1)b
t
p，φ
31
＝(1-ρ1)b
t
p，
φ
61
＝(1+ρ1)d
t
p，φ
22
＝-β1i，φ
42
＝ρ2pb，φ
33
＝-β2i+3κb
t
pb，φ
43
＝-ρ2pb，pb，φ
64
＝ρ2d
t
p，φ
84
＝b
t
ph
t
pc，φ
85
＝b
t
ph
t
c
d
，φ
66
＝-β3i，φ
87
＝b
t
ph
t
e，φ
88
＝-k-1
，其中，ρ1、ρ2为任意正标量；最终，设计的非线性滤波器的增益为l＝p-1
y
l
。8.根据权利要求7所述的一种基于数据与机理融合的转炉炼钢过程钢水质量解析方法，其特征在于：所述步骤5的具体方法为：步骤5.1：设置钢水质量系统参数；步骤5.2：通过求解步骤4.2得到的线性矩阵不等式(7)，得到自适应滤波器的待求参数，构建自适应滤波器；步骤5.3：根据钢水质量系统烟气中一氧化碳、二氧化碳的测量之和实时数据y(k)与其估计值构成测量残差数据；步骤5.4：将测量残差数据代入步骤5.2中的自适应滤波器(3)-(4)中，得到实时的钢水质量估计值，实现炼钢过程钢水质量在线解析。

技术总结
本发明提供一种基于数据与机理融合的转炉炼钢过程钢水质量解析方法，涉及冶金生产质量解析技术领域。该方法建立数据与机理融合的炼钢过程钢水质量系统模型并设计基于神经网络的自适应滤波算法；然后结合滤波器的估计状态向量与钢水质量系统模型中的状态向量，计算得到估计误差系统，并根据钢水质量系统与估计误差系统的特点，设定滤波器的性能指标；并采用类李雅普诺夫函数法对估计误差系统进行理论分析，计算得出滤波器增益与神经网络权重更新机制中的待求参数；最后将提出的自适应滤波算法应用于钢水质量的在线解析，得到实时的钢水质量估计值。该方法具有易求解与可在线实现的优点。的优点。的优点。


技术研发人员：唐立新 宋冬营 刘畅 宋相满
受保护的技术使用者：东北大学
技术研发日：2023.04.20
技术公布日：2023/7/21