CN103593578A - 焦炉加热燃烧过程烟道吸力反馈设定方法 - Google Patents

Abstract

本发明公开了一种焦炉加热燃烧过程中烟道吸力在线设定方法，其特征在于，包括以下步骤：步骤1：采用基于最大线性无关组的LSSVM建立空气系数预估模型；步骤2：基于空气系数预估模型，根据混合煤气燃烧机理计算典型风门开度下的烟道吸力反馈设定值；步骤3：根据专家经验对烟道吸力补偿值进行前馈校正和，从而实现对烟道吸力设定值的前馈修正和动态补偿，以适应不同风门挡板开度值下烟道吸力的控制要求。焦炉加热燃烧过程中烟道吸力在线设定方法中，由于采用基于最大线性无关组的LSSVM建立空气系数预估模型，具有建模速度快和精度高的优点，通过对空气系数的进行在线预估，实现焦炉加热燃烧过程中烟道吸力的实时反馈设定，并且通过专家规则实现了不同风门挡板开度下烟道吸力的设定。

Description

焦炉加热燃烧过程烟道吸力反馈设定方法

技术领域

本发明涉及钢铁冶金生产的过程监测与控制技术领域，特别是提供了一种大型焦炉加热燃烧过程烟道吸力反馈设定方法。

背景技术

作为冶金、机械、化工等行业的主要原料和燃料，焦炭已广泛应用于高炉炼铁、电石、气化、铸造和有色金属冶炼等方面，在国民经济发展中占据十分重要的地位。

焦炉是煤化学工业中极为重要的工业炉之一，是焦炭的关键生产设备。焦炉加热燃烧过程通过控制加入到焦炉燃烧室的煤气量和空气量，维持焦炉温度的稳定，使炭化室保持良好的干馏条件，以生产出合格的焦炭。在加热燃烧过程中主要采用混合煤气进行加热，即高炉煤气中混入3％-7％的焦炉煤气作为主要燃料。通过设定烟道吸力调节维持合适的空气系数，对于使煤气能够充分燃烧，维持焦炉温度稳定，提高焦炭质量，保证焦炉稳顺运行十分关键。

在实际的焦炉加热燃烧过程中，空气系数的好坏是判断燃烧过程好坏的重要指标，为了使煤气能够充分燃烧，必须通过调节烟道吸力调节维持合适的空气系数。工业现场一般根据温度的偏差获得煤气流量的变化，而烟道吸力的设定往往通过前馈的方式获得，即根据当前的煤气流量变化，根据人工经验确定烟道吸力的变化。这主要是由于含氧量分析仪容易损坏，工业现场一般不安装含氧量分析仪，导致烟道吸力无法根据当前的含氧量进行实时反馈控制。

在生产现场缺少热值检测装置和废气含氧量分析仪表的情况下，废气含氧量通过离线人工测量获得，通过离线获得的废气含氧量估计空气系数是否合适，导致时间滞后性较大，不能对炼焦生产过程的空燃比进行及时的调整。所以对空气系数的进行在线预估，实现焦炉加热燃烧过程中烟道吸力的实时反馈设定，提高焦炉的节能效果有着十分重要的意义。

发明内容

为了实现焦炉加热燃烧过程中烟道吸力的合理设定，提高燃烧效率，保证焦炉加热燃烧过程的稳顺运行，本发明提出一种基于含氧量在线估计的烟道吸力实时设定方法。利用最大线性无关组的加权LSSVM方法建立空气系数预估模型，进行空气系数在线估计，并基于空间投影和增量递推算法的数在线更新；以空气系数的估计值为反馈，根据燃烧机理得到典型风门挡板开度值下烟道吸力反馈设定值，并采用专家规则对不同风门挡板开度值下的烟道吸力进行前馈修正，从而形成一种前馈和反馈相结合的烟道吸力设定值实时优化方案。

本发明的技术解决方案如下：

建立基于最大线性无关组加权LSSVM的空气系数估计模型，通过对煤气流量、焦炉煤气流量和烟道吸力的采集与预处理，并通过构造历史数据集的最大线性无关组，利用加权具体包括LSSVM方法建立空气系数预估模型以提高建模速度，并通过样本的更新与模型的自适应，保证空气系数预估的实时性，具体包括：

(1)通过机理分析，确定空气系数计算模型的输入输出，形成建模历史数据集；

(2)对历史数据库中高炉煤气流量、焦炉煤气流量和烟道吸力检测值数据进行预处理；

(3)构造历史数据集的最大线性无关组以形成训练样本集，利用加权LSSVM方法建立空气系数预估模型，在不影响模型精度的情况下提高建模的速度。

(4)对操作人员在燃烧废气出口处采集的氧气、一氧化碳、二氧化碳的体积含量进行统计，利用空间投影方法判断该数据是否含有足够的有效信息，更新训练样本集，并利用增量递推算法跟新预估模型的参数，得到在线自适应最优模型，保证当前空气系数数据应能及时有效的反映在空气系数计算中。

通过上述在线加权LSSVM模型，可以获得当前时刻燃烧过程废气的空气系数预估值，将该值作为反馈值与最佳空气系数进行比较，基于混合煤气燃烧机理得到典型风门挡板开度值下烟道吸力反馈设定量，再根据专家经验和大量现场数据对其他风门挡板开度下的烟道吸力进行校正，实现对烟道吸力设定值的反馈设定和前馈补偿，降低混合煤气热值波动和随机干扰的不利影响，使混合煤气处于最佳燃烧状态。具体包括：

(1)根据当前的焦炉煤气、高炉煤气流量，利用空气系数预估模型获得当前时刻燃烧过程废气的空气系数预估值，将该值与最佳空气系数进行比较，以偏差作为基础，基于混合煤气燃烧机理计算典型风门挡板开度值下烟道吸力设定值；

(2)根据专家经验计算得到的烟道吸力设定值进行校正，从而实现对烟道吸力设定值的反馈修正和动态补偿，以适应不同风门挡板开度值下烟道吸力的控制要求。

本发明的优点在于：利用基于最大线性无关组的加权LSSVM空气系数估计方法，并基于空间投影法保证空气系数预估模型的在线更新方法，利用基于燃烧机理和专家规则的烟道吸力得到烟道吸力反馈设定值和前馈修正值，从而形成一种前馈和反馈相结合的烟道吸力实时控制方案，与已有烟道吸力只是根据专家经验前馈设定的计算方法相比，具有烟道吸力设定更合理，降低了混合煤气热值波动和随机干扰的不利影响，对于保证加热燃烧过程的优化运行具有重要的意义。

附图说明

图1  原有火道温度智能优化控制结构图；

图2  本发明的火道温度智能优化控制结构图；

图3  空气系数估计模型的预测效果图；

图4  空气系数估计模型的逼近误差图；

图5  改进后空气系数的运行效果图。

具体实施方式

实施例1

针对炭化室全高为6m，机侧(推焦车进行操作的一侧)宽度为0.42m，焦侧(出焦的一侧)的宽度为0.48m，炭化室的平均宽度为0.45m的大型焦炉，本发明根据高炉煤气流量、焦炉煤气流量和烟道吸力的实际检测值，采用基于最大线性无关组的加权LSSVM空气系数计算方法、基于空间投影和增量递推算法的空气系数在线更新方法获得空气系数预估值，通过基于燃烧机理和专家规则得到烟道吸力反馈设定值，根据专家经验计算得到的烟道吸力设定值进行校正，实现对焦炉加热燃烧过程烟道吸力的在线优化设定。

1、基于最大线性无关组加权LSSVM的空气系数计算

根据焦炉加热燃烧过程工艺机理，选取高炉煤气流量、焦炉煤气流量和烟道吸力检测值作为辅助变量，利用最大线性无关组方法构建训练样本集，采用加权LSSVM方法计算当前时刻的空气系数，其计算步骤如下：

(1)数据样本的组成：

空气系数α是指燃烧1kg燃料所实际供给的空气质量与完全燃烧1kg燃料所需的理论空气质量之比。生产过程中，为保证混合煤气的完全燃烧，实际供给的空气量必须多于理论所需空气量。一般地，混合煤气加热时，空气系数α取为1.18～1.25，本发明根据生产现场的实际情况，将空气系数最优设定值α_opt取为1.22。在原有的生产过程中，操作人员在燃烧废气出口处利用废气分析仪表检测氧气、一氧化碳、二氧化碳的体积含量，每天检测一次，并计算空气系数，每周进行统计，根据经验对后续加热燃烧过程中的吸力进行调整。计算空气系数的公式如下：

$\mathrm{\α}=1+K\frac{{x_O}_2-0.5x_{\mathrm{CO}}}{{x_{\mathrm{CO}}}_2+x_{\mathrm{CO}}}---\left(1\right)$

式中，

x_CO为干废气中各成分体积含量，K是比例因子，表示每立方米煤气完全燃烧时生成二氧化碳体积与所需氧气量的比值。K值随煤气组成的不同而改变，考虑到焦炉加热燃烧过程中焦炉煤气占混合煤气的比例为3％～7％，混合煤气加热时，将K取为2.39。

干废气中的一氧化碳、二氧化碳主要由高炉煤气、焦炉煤气经燃烧产生，可以通过高炉煤气流量、焦炉煤气流量检测值来直接反映，干废气中的氧气主要是为参与燃烧的剩余氧气，可以通过烟道吸力检测值来间接反映。焦炉煤气和高炉煤气对焦炉火道温度的作用是一个大滞后过程，某一时刻或短时间内的值不能作为改变火道温度的影响因素，而且焦炉煤气比高炉煤气热值高、燃烧快，对火道温度的滞后时间短。通过工艺机理和历史数据分析，焦炉火道温度每4个小时检测一次，发现焦炉煤气对火道温度的滞后时间为4个小时，而高炉煤气的滞后时间为8个小时。因此，空气系数预测模型的输入变量取为前一、二个周期的高炉煤气流量u_B(k-1)、u_B(k-2)，当前煤气流量和前一个周期的焦炉煤气流量u_C(k)、u_C(k-1)，和当前以及前一、二个周期烟道吸力u_A（k-2)，u_A（k-1)，u_A(k)，输出变量空气系数y_k。选取N组历史过程数据建立样本库{X，Y}，X={x_k}={u_B(k-1)，u_B(k-2)，u_C(k)，u_C(k-1)，u_A(k-2)，u_A(k-1)，u_A(k)}，Y={y_k}，k=1，2，…，N。

(2)数据的处理

实际***中由于各传感器的采样周期不一致，在加热燃烧过程中，由于执行机构反应的速度不同，而煤气流量和烟道吸力检测时间是每分钟一次，而空气含氧量要8个小时检测一次。异常数据是指与实际情况明显不符的数据，炼焦生产过程工况环境复杂，电磁噪声及推焦操作中的热浪等均存在较强干扰，使测量数据不可避免带有各种测量误差，包括过失误差和随机误差两种。过失误差包括常规测量仪表的偏差和故障，实际生产中过失误差出现的机率很小，但它的存在会严重恶化数据品质，因此必须及时检测并删除。随机误差的产生是受随机因素的影响，一般是不可避免的，但符合一定的统计规律，可通过数字滤波方式消除。为了消除过失误差，规定检测率的范围，超过以下范围，则放弃改组数据。

机侧烟道吸力[230Pa，285Pa]、焦侧烟道吸力([240Pa，295Pa])。机侧高炉煤气流量[20900m³／h，32600m³／h]、焦侧高炉煤气流量[21000m³／h，33500m³／h]、机侧焦炉煤气流量[200m³／h，1500m³／h]、焦侧焦炉煤气流量[250m³／h，1550m³／h]、机侧混合煤气压力[400Pa，900Pa]、焦侧混合煤气压力[450Pa，950Pa]、机侧烟道吸力[200Pa，260Pa]、焦侧烟道吸力[205Pa，265Pa]。

本发明对高炉煤气、焦炉煤气和烟道吸力每分钟采样一次，4个小时可获得240个数据，设当前周期为k，采用均值滤波法处理：

$u_{B(k-1)}=\left(\underset{i=0}{\overset{239}{\mathrm{\Σ}}}{u}_{B(k-1,i)}\right)/240$

$u_{B(k-2)}=\left(\underset{i=0}{\overset{239}{\mathrm{\Σ}}}{u}_{B(k-2,i)}\right)/240$

$u_{C\left(k\right)}=\left(\underset{i=0}{\overset{239}{\mathrm{\Σ}}}{u}_{C(k,i)}\right)/240$

$u_{C(k-1)}=\left(\underset{i=0}{\overset{239}{\mathrm{\Σ}}}{u}_{C(k-1,i)}\right)/240---\left(2\right)$

$u_{A(k-2)}=\left(\underset{i=0}{\overset{239}{\mathrm{\Σ}}}{u}_{A(k-2,i)}\right)/240$

$u_{A(k-1)}=\left(\underset{i=0}{\overset{239}{\mathrm{\Σ}}}{u}_{A(k-1,i)}\right)/240$

$u_{A\left(k\right)}=\left(\underset{i=0}{\overset{239}{\mathrm{\Σ}}}{u}_{A(k,i)}\right)/240$

其中：u_B(k-1)、u_B(k-2)是前一、二个周期的高炉煤气流量，u_C(k)、u_C(k-1)是当前以及前一周期的焦炉煤气流量，

是前3个周期的烟道吸力；u_B(k-1，i)、u_B(k-2，i)，(i=0，…，239)分别为k-1周期、k-2周期内的高炉煤气流量的每分钟采样值，u_C(k，i)、u_C(k-1，i)，(i=0，…，239)分别为k、k-1周期内的焦炉煤气流量的每分钟采样值，u_A(k，i)、u_A(k-1，i)、u_A(k-2，i)，(i=0，…，239)分别为周期k、k-1、k-2周期内的烟道吸力每分钟采样值。

(3)基于LSSVM的空气系数预估模型的建立

在构造空气系数加权LSSVM高维空间线性回归函数时，如果可以获得输入向量在特征空间中的极大线性无关组，就能减少训练数据和支持向量的个数，使加权LSSVM具有较好的稀疏性；同时由于加权LSSVM训练过程的计算开销主要用于矩阵求逆运算，矩阵的维数等于训练数据的个数，因而可以减小训练过程的计算开销。

设输入向量X={x_k}={u_B(k-1)，u_B(k-2)，u_C(k)，u_C(k-1)，u_A(k-2)，u_A(k-1)，u_A(k)}，k=1，2，…，N，x_k∈R^p，p为输入数据的维数，p=7。通过以下步骤求解最大无关组：

1)建立集合

X_A=φ；

2)对于k=1，2，…，N的

求极小值

3)如果求得的极小值

就吧相应的

加入集合X_A中；否则把相应的加入X_L。ε定义为线性相关截尾误差。

4)回到步骤2)，直到完成

的计算。

X={x₁，…，x_N}通过非线性映射函数

映射到高维特征空间可以表示为

通过以上步骤1)-4)把X′分为两个集合，X_L和X_A，X_L={x₁，x₂，…，x_L}中的元素线性无关，X_A可以用X_L中的元素线性近似表示，因此X_L是近似最大无关组，L表示最大无关组中元素的个数。则可以得到基数据样本集{x_i，y_i}，i=1，2，…，L。

引入非线性映射将训练集样本从原始空间映射到一个高维特征空间，从而使原始空间中的非线性函数估计问题转化为高维特征空间中的线性函数估计问题，回归函数为：

式中，w，为权值向量，b为阈值。

加权最小二乘支持向量机利用结构风险最小化原则构造具有等式约束条件的最小化目标函数，并对训练误差增加相应的权值，使回归问题变为：

式中，γ为正则化参数，μ_i为权重因子，e_i为误差变量。

为方便求解上述优化问题，引入通过拉格朗日乘子α=[α₁，α₂，…，α_L]^T，将约束优化问题转换成如下无约束问题：

根据Karush-Kuhn-Tucker最优化条件，分别求L关于变量(w，b，e_i，α_i)的偏微分，得到

通过对上式的整理，消去变量w和e_i，得到

$\left[\begin{array}{cc}0& {\mathrm{\ψ}}^T\\ \mathrm{\ψ}& \mathrm{\Ω}+U_{\mathrm{\γ}}\end{array}\right]\left[\begin{array}{c}b\\ \mathrm{\α}\end{array}\right]=\left[\begin{array}{c}0\\ y\end{array}\right]---\left(7\right)$

式中，ψ为N×1的单位列向量，

y=[y₁，y₂，…，y_L]^T，Ω为L×L的核矩阵，其第i行第j列的元素为

为核函数本发明采用高斯核函数，其中σ为高斯核函数宽度参数。则可以得到加权LSSVM模型的表达式为：

$y\left(x\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x_i,x)+b---\left(8\right)$

采用基于欧式距离的方法实现对训练误差的加权，获得权重因子μ_i。设输入向量x_k与数据样本

的欧式距离为d_ik=||x_i-x_k||，则该输入向量的权重为：

${\mathrm{\μ}}_k=f\left(d_{\mathrm{ik}}\right)=(1-\mathrm{\τ})\left(\frac{1/d_{\mathrm{ik}}-1/d_{\max }}{1/d_{\mathrm{mm}}-1/d_{\max }}\right)+\mathrm{\τ}---\left(9\right)$

式中，d_mm为该输入向量与数据样本所对应的最小欧式距离，d_max该输入向量与数据样本所对应的最大欧式距离，并设μ_mm=f(d_max)=0.001.μ_max=f(d_mm)=1。

加权LSSVM模型中的正则化参数γ直接控制目标函数中的模型复杂度和训练误差的权重比例，核参数σ控制着核函数的作用半径，是有界的局部函数。加权LSSVM预测模型的性能在很大程度上取决于正则化参数γ和核参数σ是否能合理选取。将加权LSSVM预测模型预估值和实际检测值的均方误差最小作为寻优目标，其定义如下：

$f=\frac{1}{L}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{({\hat{y}}_i-y_i)}^2=\frac{1}{L}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{(y_i-(\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{i}k(x_i,x)+b))}^2---\left(10\right)$

式中，y_i为空气系数的实际检测值，

为空气系数的模型预估值，L为训练样本集中数据的个数。采用智能优化算法实现预测模型中正则化参数γ和核参数σ的优化选取，正则化参数γ取值范围为[0.1，120]，核函数σ取值范围为[0.1，10]，通过智能优化算法寻优后，将γ取为21.35，σ取为1.46。

(4)基于空间投影和增量递推算法的空气系数在线更新

由于现场检测手段和检测设备的制约，空气系数检测值数据样本点较少、波动较大，同时出于对焦炉加热燃烧过程动态时变特性的考虑，新化验分析获得的空气系数数据应能及时有效的反映在空气系数计算中。基于空间投影思想采用增量递推算法实现加权LSSVM空气系数的在线更新，保证空气系数预估值具有较高的预测精度。

在获得经过数据预处理后的空气系数新建模数据样本x_N+1后，将其投影到特征空间获得

如果求得极小值

则把相应的

加入集合X_A中；否则把相应的加入X_L。ε定义为线性相关截尾误差。

当基数据样本集X_L添加一个新数据x_N+1后，需要对加权LSSVM空气系数进行动态更新，重新计算式(10)中的Lagrange乘子β和阈值b。

2、基于预估模型与专家规则的烟道吸力设定方法

通过上述在线加权LSSVM模型，获得当前时刻燃烧过程废气的空气系数预估值，将该值与最佳空气系数进行比较，以偏差值作为基础，基于混合煤气燃烧机理建立典型风门挡板开度值下空气系数和烟道吸力的映射关系，再根据专家经验和大量现场数据对计算得到的烟道吸力补偿值进行校正，从而实现对烟道吸力设定值的反馈修正和动态补偿，从而降低混合煤气热值波动和随机干扰的不利影响，使混合煤气处于最佳燃烧状态。其计算步骤如下：

(1)典型风门挡板开度下烟道吸力反馈设定值计算

混合煤气中焦炉煤气、高炉煤气混合比例的变化，会使每立方米混合煤气充分燃烧所需要的空气量发生一定的变化，通过工艺机理以及大量现场生产数据的分析，空气量的变化与空气系数成正比，可近似认为，在典型风门挡板开度值(60，70]以及混合煤气流量不变的情况下，烟道吸力与空气系数的平方成正比，在k时刻，它们的关系为：

$\frac{u_{A\left(\stackrel{\‾}{k}\right)}+u_{\mathrm{\ΔA}\_\mathrm{fb}\left(k\right)}}{u_{A\left(\stackrel{\‾}{k}\right)}}=\frac{y_{\mathrm{opt}}^2}{{y_k}^2}---\left(11\right)$

式中，

是前3个周期的烟道吸力的平均值，u_{ΔA_fb}(k)根据空气系数的预估值计算得到的烟道吸力补偿值，

当前空气系数预估值，y_k为空气系数预估值，y_opt为空气系数最优值，取为1.22。

根据公式(11)可以得到当前烟道吸力补偿值为：

$u_{\mathrm{\ΔA}\_\mathrm{fb}\left(k\right)}=u_{A\left(\stackrel{\‾}{k}\right)}(\frac{y_{\mathrm{opt}}^2}{{y_k}^2}-1)---\left(12\right)$

(2)基于专家规则的烟道吸力设定值校正

以上求出的是在风门挡板开度值在(60，70]区间时烟道吸力的补偿值，由于风门挡板开度和烟道吸力之间的耦合关系，在建立典型风门挡板开度值下空气系数和烟道吸力的映射关系后，需要依据专家经验和大量现场数据对计算得到的烟道吸力补偿值进行前馈校正，以适应不同风门挡板开度值下烟道吸力的控制要求。设当前时刻风门挡板开度值为v_(k)，烟道吸力前馈校正值为u_{ΔA_ff(k)}，制定了如下的专家规则对烟道吸力补偿值进行校正：

通过上述规则对烟道吸力补偿值进行校正，根据前3个周期的烟道吸力

加上得到的反馈校正值u_{ΔA_fb(k+1)}与前馈设定值u_{ΔA_ff(k+1)}，得到最终的烟道吸力优化设定值

下发给阀门控制器，实现对烟道吸力有效的稳定化跟踪控制。

3、实例验证

在加权LSSVM空气系数计算过程中，为了在训练数据较少的情况下获得较精确的预估值，采用最大线性无关组方法对原始数据进行筛选以形成训练样本集，σ取为1.46。选取290组现场数据，空气系数的预测效果和逼近误差如图3、图4所示。

由图3和图4可知，通过采用最大线性无关组方法筛选训练样本集以及利用空间投影和增量递推算法进行模型的在线校正，使得空气系数预测模型具有较好的预测效果，通过计算可得，预测模型的相对误差平均值为1.05％，相对误差最大值为3.51％，模型精度能够满足焦炉火道温度优化控制中对空气系数的误差要求。

考虑到焦炉加热燃烧过程的大时滞、大惯性特性，为避免频繁调整烟道吸力优化设定值而引起生产过程波动，将烟道吸力补偿值的补偿周期设为10分钟，对该时间段内烟道吸力以及高炉煤气流量、焦炉煤气流量的检测值进行算术平均，将求得的平均值作为空气系数预测模型的输入，利用烟道吸力反馈修正模型可以得到烟道吸力的反馈校正值。由图3可知，采用烟道吸力设定值简化计算模型方法计算烟道吸力设定值时，获得的空气系数与其最优设定值1.22有较大偏差，采用前馈和反馈相结合的优化策略实现烟道吸力设定值的动态优化后，焦炉加热燃烧过程的空气系数如图5所示。

由图5可知，改进后空气系数基本稳定在其最优设定值1.22附近，最大偏差为0.1185，平均相对误差为3.41％。前馈和反馈相结合的烟道吸力优化设定策略能保证混合煤气的充分合理燃烧，实现了焦炉加热燃烧过程节能降耗的目标。

Claims (3)

1.一种焦炉加热燃烧过程中烟道吸力在线设定方法，其特征在于，包括以下步骤：

步骤1：建立空气系数预估模型；

步骤2：基于空气系数预估模型，根据混合煤气燃烧机理计算典型风门开度下的烟道吸力反馈设定值；

步骤3：根据专家经验对烟道吸力补偿值进行前馈校正和，从而实现对烟道吸力设定值的前馈修正和动态补偿，以适应不同风门挡板开度值下烟道吸力的控制要求。

2.根据权利要求1所述的步骤1，其特征在于，包括以下步骤：

步骤1：对历史数据库中高炉煤气流量、焦炉煤气流量和烟道吸力检测值数据进行预处理，形成建模历史数据集选取N组历史过程数据建立样本库{X，Y}，X={x_k}={u_B(k-1），u_B(k-2)，u_C(k)，u_C(k-1)，u_A(k-2)，u_A(k-1)，u_A(k)}，Y={y_k}，k=1，2，…，N；为了消除过失误差，规定检测数据的范围。机侧烟道吸力[230Pa，285Pa]、焦侧烟道吸力([240Pa，295Pa])。机侧高炉煤气流量[20900m³／h，32600m³/h]、焦侧高炉煤气流量[21000m³／h，33500m³/h]、机侧焦炉煤气流量[200m³／h，1500m³/h]、焦侧焦炉煤气流量[250m³／h，1550m³／h]、机侧混合煤气压力[400Pa，900Pa]、焦侧混合煤气压力[450Pa，950Pa]、机侧烟道吸力[200Pa，260Pa]、焦侧烟道吸力[205Pa，265Pa]。本发明对高炉煤气、焦炉煤气和烟道吸力每分钟采样一次，4个小时可获得240个数据，设当前周期为k，采用均值滤波法处理。

步骤2：构造历史数据集的最大线性无关组X_L={x₁，x₂，…，x_L}以形成训练样本集，利用LSSVM方法建立空气系数预估模型，最大无关组的维数低于历史数据集的维数，可以在不影响精度的情况下提高建模的速度；

步骤3：在燃烧废气出口处利用废气分析仪表检测氧气、一氧化碳、二氧化碳的体积含量，利用空间投影方法判断该检测得到的数据是否含有足够的有效信息，更新训练样本集。在获得经过数据预处理后的空气系数新建模数据样本x_N+1后，将其投影到特征空间获得如果求得极小值

表示在特征空间中，新样本与最大无关组线性相关，可以用最大无关组表示，则把相应的

加入集合X_A中；否则把相应的

加入X_L。ε定义为线性相关截尾误差。当基数据样本集X_L添加一个新数据x_N+1后，需要对加权LSSVM空气系数进行动态更新，重新计算Lagrange乘子β和阈值b。

3.根据权利要求1所述的步骤3，其特征在于，根据专家经验对烟道吸力补偿值进行前馈校正，从而实现对烟道吸力设定值的前馈修正，以适应不同风门挡板开度值下烟道吸力的控制要求。焦炉加热燃烧过程中，空气是通过自然抽风的形式进入燃烧***的，空气量的多少直接影响着燃烧的效率，在空气量的调节中必须避免两种情况，一种是空气量不足使煤气过剩并排放到大气中；另一种是空气过量使废气带走了大量的热量，这两种情况直接导致了能源浪费和燃烧效率的极大降低。焦炉加热所需要空气量的调节分两部分：一是改变空气进风口挡板的开度，保证煤气和空气量的大体平衡，即粗调过程；二是调节烟道吸力。在风门不变的情况上，可由吸力控制空气量，吸力通过调节烟道吸力阀门保证焦炉空气量的稳定。

校正方法如下：

设当前时刻风门挡板开度值为v_(k)，烟道吸力前馈校正值为u_{ΔA_ff(k)}，制定了如下的专家规则对烟道吸力补偿值进行校正：

Images