燒結混合料制備過程智能集成優(yōu)化控制策略及其工業(yè)應用.pdf

1、燒結過程是煉鐵工藝中的重要流程，其中的配料與混合制粒過程屬于混合料制備過程。在實際工業(yè)生產(chǎn)中，混合料制備過程并未得到充分優(yōu)化，在配料方面存在混合料成分準確率不高，燒結礦質量波動的問題;存在成本和硫含量偏高，經(jīng)濟效益和環(huán)境效益不高的問題;在混合制粒方面，存在混合料粒度分布欠合理，燒結工序能耗高的問題。針對上述問題，本文圍繞混合料制備過程智能集成優(yōu)化控制策略展開研究，主要的研究工作與創(chuàng)新點如下:
　　(1)基于機理分析和數(shù)據(jù)驅動的燒結

2、配料過程智能集成建模方法針對燒結礦質量預測復雜，配料準確率較低而導致燒結礦質量波動的問題，提出一種燒結礦質量級聯(lián)集成預測模型。首先，分析燒結過程中化學反應物質質變和量變關系，建立燒結礦質量的機理模型;根據(jù)灰色關聯(lián)度分析方法確定影響燒結礦質量的關鍵參數(shù)，并將其區(qū)分為已知的配料參數(shù)信息和未知的燒結過程狀態(tài)參數(shù);依據(jù)燒結生產(chǎn)穩(wěn)定性要求，建立T-S模糊融合的GM(1，1)灰色模型和最小二乘支持向量機(LS-SVM)集成模型，獲得燒結過程狀態(tài)參數(shù)

3、合理的預測值。在此基礎上，分別建立具有全局逼近能力BP神經(jīng)網(wǎng)絡模型(BPNN)和局部泛化能力的LS-SVM模型以預測燒結礦質量，并從信息論的觀點出發(fā)，提出一種根據(jù)預測誤差序列的變異程度加權的信息熵融合方法，通過對機理模型、BPNN和LS-SVM模型的預測結果進行加權集成，獲得準確的燒結礦質量預測值。仿真結果和實際運行表明級聯(lián)集成模型的預測精度高于單級預測模型和級聯(lián)單一預測模型，能夠準確預測燒結礦質量，滿足配料計算對預測精度和數(shù)據(jù)完備性的

4、要求。
　　通過研究焦粉配比與燒結礦質量之間的數(shù)值關系，建立以燒結礦質量為約束的焦粉配比優(yōu)化模型;通過研究燒結過程的主要物理、化學變化，建立基于熱平衡的焦粉配比下限模型，從而縮小焦粉配比優(yōu)化模型的搜索范圍，克服了傳統(tǒng)經(jīng)驗配比難以實現(xiàn)焦粉用量優(yōu)化的局限性，為實現(xiàn)燒結配料過程節(jié)能目標奠定了基礎。
　　(2)兼顧降低成本與減少硫含量的燒結配料多目標優(yōu)化模型針對傳統(tǒng)配料方法中存在成本和污染物元素含量偏高，而一般的配料優(yōu)化模型既缺乏對

5、燒結配料工藝過程的合理描述，也缺乏對能耗、環(huán)境效益的關注問題，結合燒結配料中一次配料與二次配料不同的工藝特點和指標要求，在分析燒結過程原料關鍵化學成分指標和經(jīng)濟性基礎上，以庫存量和燒結礦化學成分指標為約束條件，建立一種基于線性加權和的燒結配料多目標優(yōu)化模型（包括一次配料和二次配料多目標優(yōu)化模型），較傳統(tǒng)的配料成本優(yōu)化模型而言，實現(xiàn)兼顧降低配料成本與減少硫含量的燒結配料多目標優(yōu)化。
　　(3)燒結配料多目標綜合優(yōu)化方法在建立基于線性

6、加權和的燒結配料多目標優(yōu)化模型的基礎上，本文設計基于線性規(guī)劃(LP)和遺傳-粒子群(GA-PSO)的燒結配料多目標綜合優(yōu)化算法，搜索一次配料與二次配料優(yōu)化模型的最優(yōu)配比。該算法首先采用LP方法求解基于線性加權和的燒結配料多目標優(yōu)化模型的最優(yōu)解，若LP方法計算失效，則采用GA-PSO算法進行搜索，算法搜索初期采用基本粒子群算法(PSO)，當PSO收斂停滯，采用遺傳算法(GA)的交叉、變異操作增加粒子群的多樣性，避免了基本PSO算法收斂末期

7、的振蕩特點，實現(xiàn)快速收斂。本文將燒結配料多目標綜合優(yōu)化算法應用工業(yè)生產(chǎn)現(xiàn)場，實現(xiàn)燒結配料配比優(yōu)化。
　　(4)基于粒度分布評估的混合制粒智能集成優(yōu)化控制策略混合料粒度分布影響因素眾多，而工藝指標僅對混合料粒度分布進行定性描述。粒度分布優(yōu)化控制缺乏準確的數(shù)學模型和明確的優(yōu)化目標，采用傳統(tǒng)優(yōu)化方法與控制策略難以實現(xiàn)粒度分布優(yōu)化控制。針對上述問題，本文提出一種基于粒度分布評估與優(yōu)化的控制算法。首先，提出粒級參數(shù)的概念，將連續(xù)的粒度分布用

8、離散的粒級參數(shù)表示;其次，分析篩分實驗粒級參數(shù)與對應混合料的燒結狀態(tài)，采用料層厚度和平均透氣性指數(shù)建立模糊評估函數(shù)，建立粒級參數(shù)與對應評估值的樣本集，采用基于BP神經(jīng)網(wǎng)絡方法建立粒級參數(shù)的評估模型;再次，以評估模型為目標函數(shù)，以粒級參數(shù)為決策變量，在生產(chǎn)邊界條件的約束下采用PSO算法求解獲得最優(yōu)粒級參數(shù);最后，建立水分設定模型，通過代入最優(yōu)粒級參數(shù)求解得到制粒過程水分優(yōu)化設定值，克服了傳統(tǒng)水分控制難以實現(xiàn)粒度分布優(yōu)化控制的局限性。仿真實