具体实施方式

以下结合附图对本发明提供的具体实施方式进行详细说明。

一种多模式干熄焦烧损率实时计算系统，所述的计算系统包括硬件和软件两个部分，这两个部分通过工业以太网连入干熄焦自动化控制系统中以只读形式获取相关的生产数据，不对原干熄焦的自控系统做任何的改写。

如图1所示，一种多模式干熄焦烧损率实时计算系统包括物理层1、软件层6。所述的物理层1包括服务器2、路由器3、PLC4、客户终端5等设备组成，其中服务器2、路由器3、PLC4安装在同一个机柜中，客户终端5安装在指定位置并与系统连网。所述的软件层6，包括数据采集程序7、数据计算程序8、数据管理程序9、PLC程序10。数据采集程序7、数据计算程序8、数据管理程序9安装在服务器2中，PLC程序10安装在PLC4中。含人工智能的多模式干熄焦烧损率实时计算系统运行的时候，需要连入干熄焦中控的以太网，与干熄焦中控PLC进行通讯，从其中获取生产参数之后，通过路由器3分别将数据传输给服务器2和PLC4。服务器2将生产数据利用数据计算程序8采用三种模式同时进行干熄焦烧损率的计算，而PLC4则利用PLC程序10采用碳法进行烧损率的计算，计算的结果通过路由器3经过工业以太网传输到客户终端5上显示或输出。

如图2所示，多模式干熄焦烧损率实时计算系统，数据流构架包括设备层11、数据层12、管控层13、显示层14。设备层11包括服务器2、路由器3、PLC4、客户终端5等设备，数据层12包括数据采集程序7、数据管理程序9，干熄焦生产数据经过设备层11的路由器3传输进来之后首先进入数据层12，进行储存和转换。管控层13包括数据计算程序8，将从数据层12传递过来的经过转换的生产数据，利用数据计算程序8采用人工智能、碳法、热法三种模式进行烧损率的实时计算，同时将计算结果储存到数据层12的数据管理程序9，数据管理程序9将生产数据和计算结果进行分类、储存、建立索引，同时将这些数据通过数据层12向外输出。显示层14包括客户终端5，可以将数据管理程序9的生产数据和计算结果进行显示、查询、输出。

所述的一种多模式干熄焦烧损率实时计算系统的计算方法，包括人工智能、碳法、热法三种计算模式，对干熄焦烧损率进行实时计算；服务器可以同时进行三种模式的计算，三种模式的计算结果互为校验；PLC作为系统的硬备份只能进行碳法模式的烧损率计算，在PLC中进行的碳法模式的烧损率计算作为大系统崩溃、系统不能进行人工智能和热法计算时的备份。

所述的人工智能计算模式的计算方法采用基于BP神经网络的干熄焦烧损率实时计算方法；利用神经网络实时计算干熄焦烧损率具有计算迅速、结果准确、抗干扰、针对性强等优点，同时还可以对优化干熄焦操作、预测烧损率降低效果起到很大作用。

具体包括如下步骤：

步骤一、确定输入层和输出层的参数

输入层输入的参数是干熄焦系统的基本操作数据，包括：焦炭温度、干熄炉料位、空导阀门开度、预存段负压、循环风机转速、循环风CO含量、循环风CO₂含量、循环风H₂含量、锅炉入口风温、锅炉给水量、干熄炉排焦温度；

输出层的输出参数只有一个——焦炭烧损率；

步骤二、构造神经网络

根据前述内容构造干熄炉焦炭实时计算神经网络系统，其中输入层有11个参数，包括：焦炭温度、干熄炉料位、空导阀门开度、预存段负压、循环风机转速、循环风CO含量、循环风CO₂含量、循环风H₂含量、锅炉入口风温、锅炉给水量、干熄炉排焦温度；对应11个神经元，中间层也有11个神经元，输出层一个参数：焦炭烧损率，对应1个神经元；拓扑结构如图3。

步骤三、确定训练样本

选定一个月做为训练样本数据采集期，在进行样本数据采集之前，对相应的仪表进行校准，然后对11个输入层参数和1个输出层参数进行数据采集；

输入层样本用向量A表示，A_k＝(a₁，a₂，......a₁₁)；输出层样本用向量Y表示，Y_k＝(y)；其中k＝1，2，......30，为采集的样本对数量；

步骤四、BP神经网络的学习训练。

所述的步骤四中，BP神经网络的学习训练由以下过程组成：

1)模式顺传播过程；该过程就是将已知模式即已知网络的输入和输出的输入值提供给网络的输入层神经元，网络按照神经的数学模型向输出层进行传播计算；输入层的11个神经元不做计算直接输出给中间层神经元，中间层的j神经元输入值为j＝1，2，......11，其中w_ij是神经元i到j的突触连接系数或称权重值；T_j是神经元j的阈值；中间层神经元的输出转换函数为单极S函数，这样中间层神经元的输出

中间层神经元的输出作为输出层神经元的输入信号，输出层神经元的输出转换函数同样采用单极S函数，这样输出层神经元的输入信号为σ＝ν_jo_j-γ，输出层神经元的输出信号其中ν_j是是中间层j神经元到输出层神经元的连接权，γ是输出层神经元的阈值；

至此一个输入模式完成了一遍顺传播过程；

2)误差逆传播过程；误差的逆传播过程就是将网络顺向计算所得的输出值也就是网络响应值与我们希望输出之间的误差，再乘上一个修正因子之后，按反向网络传播，得到各神经元的校正误差；输出层的校正误差为Δ^k＝(Y^k-Φ^k)f′(σ^k)＝(Y^k-Φ^k)Φ^k(1-Φ^k)，中间层各神经元的校正误差为k＝1，2，……30；

3)训练过程；训练过程就是网络反复学习的过程，并在这个过程中，根据前面已经得到的校正误差，不断调整连接权及阈值；不断重复1)和2)，网络的输出值逐渐逼近希望输出值，也就是训练样本；在训练过程中，输出层的输入连接权变成输出层输入的阈值变成γ＝γ-βΔ^k，中间层的输入连接权变成中间层的输入阈值变成α和β是学习系数，其值均大于0小于1，一般情况下学习系数取值范围为0.25～0.75之间；学习系数在整个训练过程中，可以取定常数不变，也可以不断修改；

4)网络的收敛过程；对于30对模式的学习训练过程，当所有的模式对都收敛时，网络才算收敛；这里选用误差平方和作为系统误差，其表示为当系统误差E小于0.001时，认为网络收敛，训练结束，否则继续训练直到系统误差小于0.001时为止。

本方法采集足够数量的准确的原始数据，构造合适的神经网络计算系统，并对其用原始数据进行训练，使其对干熄炉焦炭烧损率计算误差≤1％。

二、所述的热法计算模式的计算方法包括如下：

干熄焦锅炉是通过循环气体吸收红焦显热及焦炭燃烧热来产生蒸汽的,正常生产时,红焦装入量固定,排焦温度一定时,红焦显热一定,锅炉蒸发量同烧损率成一次线性关系；用产汽率推算烧损率的方法是：

其中G_m为排出1t冷焦烧损的焦炭量；而：

其中φ_实际是实际产汽率，φ_无烧损是无焦炭烧损时的产汽率，q_蒸汽是蒸汽焓值，q_给水是给水焓值，q_燃烧是焦炭燃烧热值，q_放散是放散气体热量。

该种计算方式不但依赖蒸汽产量和焦炭装入量的测量精度，同时蒸汽系统反应时间比较长，计算结果随时间的变化不如碳平衡计算模式反应快，但是这种方式可以从系统热损失的角度来帮助分析降低烧损率的方向。

三、所述的碳法计算模式的计算方法包括如下：

假设干熄焦循环系统密封，正常生产导入空气与炉内碳元素发生反应，处于一个平衡的状态，根据导入的空气量可以计算出干熄焦的烧损率；

其计算方式为：焦炭烧损率＝每小时反应的碳元素质量÷每小时焦炭装入量；

这里，每小时反应的碳元素质量＝导入空气质量×循环气体碳元素含量；

每小时焦炭装入量＝干熄焦的排焦量×修正系数；

这样就可以利用干熄焦现有的生产参数进行烧损率的实时计算。

这种计算方式非常依赖气体参数及焦炭装入量的测量准确性，但是对系统变化反应迅速。

以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。