CN100582262C - 铜闪速熔炼操作参数优化方法 - Google Patents

Abstract

一种对铜闪速熔炼过程操作参数进行优化的方法，本发明以闪速熔炼综合工况的稳定为优化目标，分别建立了机理模型和基于模糊C均值聚类混沌伪并行遗传算法的智能优化模型，并采用智能集成的方法对两个模型的优化结果进行协调输出。该方法可以得到铜闪速熔炼过程最优的操作参数，即闪速炉反应塔热风与氧气的最优加入量。

Description

铜闪速熔炼操作参数优化方法

技术领域

本发明属于操作参数的优化技术，尤其是铜闪速熔炼操作参数的优化技术。

背景技术

现行铜闪速熔炼控制技术一般是先建立在一定假设条件下推导出的基于物料平衡及热平衡的静态模型，通过该模型预估求出使控制变量稳定在目标值上的操作参数的基本值，进而再根据控制变量的实测值和目标值的偏差，通过反馈数学模型求出操作参数的修正值，将操作参数的基本值和修正值综合输出，调节操作参数，达到稳定控制变量的目的。这种基于机理的方法是建立在一定假设条件上的，而这些假设条件与实际情况存在差距，导致了机理模型与实际系统的偏差；此外，机理模型中许多参数取为常数或经验值，更加难以保证机理模型的精确性。因此，以此机理模型为基础求得的操作参数无法有效地保证控制变量的稳定。

发明内容

本发明的任务是提供一种以铜闪速熔炼综合工况的稳定为优化目标，寻找最优操作参数，即热风量与氧气量的方法，实现铜闪速熔炼过程的优化控制。

本发明的基本原理是：为了得到综合工况稳定时的最优操作参数，首先根据物料平衡与热平衡的机理模型，求出所需的氧气量与热风量。同时从历史工况数据中找出工况较为稳定时的操作参数，建立操作优化样本库，将实际工况参数与操作参数存入样本库中。当进行操作参数优化时，通过基于模糊C均值聚类混沌伪并行遗传算法从操作优化样本库中搜索与当前工况最相似的样本，将其操作参数作为优化的操作参数输出。为避免工况不稳定时，由于操作优化的样本数太少而影响优化算法搜索，本发明采用智能集成策略，将机理模型与智能优化模型相结合，建立集成的操作参数优化模型，通过对输入变量区域的划分，计算两个模型的加权系数，当生产条件稳定，即样本分布较集中时，智能优化模型所占的权重较大；而工艺状况不稳定，即样本较少时，机理模型所占的权重较大。智能优化模型的加权系数为μ，μ的表达式如下，式中的S为铜闪速熔炼过程综合工况指数。

$\mathrm{\&mu;}=\left\{\begin{array}{c}1,S\&le;0.02,\\ \mathrm{0.75,0.02}<S\&le;0.08,\\ \mathrm{0.5,0.08}<S\&le;0.15,\\ 0,S>0.15.\end{array}\right.$

附图说明

图1为操作参数优化模型结构图；

图2为智能优化模型的加权系数；

图3为优化前后铜锍温度与目标值平均偏差率对比图；

图4为优化前后铜锍品位与目标值平均偏差率对比图；

图5为优化前后渣中铁硅比与目标值平均偏差率对比图。

下面结合附图和具体实施方式对本发明作进一步的详细说明。

具体实施方式

如图1所示，本发明利用机理模型和智能优化模型对操作参数分别进行优化，再通过一个智能协调器对两组优化结果进行集成，得到最终操作参数的优化结果。该优化结果输出到闪速熔炼控制系统，经过闪速熔炼过程以后，利用工况判断模型对铜锍温度、铜锍品位、渣中铁硅比三大参数的实测值进行判断：若当前综合工况为优，刚将当前的工况参数与操作参数存入操作优化样本库；若当前工况非优，则用铜锍温度、铜锍品位的实测值对机理模型进行反馈修正。

1.工况专家判断模型从铜锍温度、铜锍品位、渣中铁硅比三大参数不能直观地反映闪速熔炼过程的综合工况，因此引入综合工况指数的概念，它可以直观地反映出闪速熔炼过程整体工况的好坏。定义闪速熔炼过程综合工况指数为S，用

来表示。T_m、P_m、C_铁硅分别表示控制变量——铜锍温度、铜锍品位、渣中铁硅比的实测值；1225、0.58、1.3分别为铜锍温度、铜锍品位、渣中铁硅比的目标值。

根据计算获得的S值，结合表1将综合工况指数分为：优、良、中、差四个区间。

表1综合工况判断表

S	0～0.02	0.02～0.08	0.08～0.15	S＞0.15
					综合工况	优	良	中	差

2.机理模型 机理模型的建立与修正参见《江西铜业公司贵溪冶炼厂计算机生产过程监控及管理系统技术资料》。

3.智能优化模型 设闪速熔炼过程优化控制的目标函数为：

min(S)                      (2)

在图1所示的操作优化样本库中保存有大量的各种不同炉料及工况参数情况下的优化操作参数，事实上相当于保存了历史上大量的优化操作专家经验。智能优化算法的基本思想就是利用一种智能的搜索策略，从操作优化样本库中搜索与当前工况最相似的数据，将其操作参数作为优化的操作参数输出。但是，优化样本数据库数据量很大，如果直接采用普通的搜索方法速度很慢，因此先采用聚类算法将优化样本空间范围缩小，再采用其它搜索算法进行搜索，可以有效地加快搜索速度。

本发明提出了一种模糊C均值聚类混沌伪并行遗传算法。首先采用模糊C均值聚类方法对操作优化样本进行聚类，将优化样本分为10大类。再计算现场数据样本与10个聚类类中心的相似系数，计算得到的相似系数反映出各类历史典型工况数据与当前工况相接近程度。在相似系数最大的类中，将隶属度大于0.5的优化样本作为混沌伪并行遗传优化算法的初始群体。然后按照适者生存的原则，通过复制、交叉、变异、选择操作获得新一代种群。为防止伪并行遗传算法出现种群早熟或局部收敛现象，在进化过程中引入混沌优化，以引导劣势种群的进化方向，提高伪并行遗传算法的收敛速度，产生新的优良个体，使种群跳出局部最优解，进入新的搜索空间。其具体步骤如下：

Step 1：建立样本库

建立闪速熔炼过程优化操作数据库，用于保存历史上典型工况下的优化操作数据。数据库中的个体样本主要由两部分构成：用于样本聚类的数据，包括反应塔热风量、反应塔富氧浓度、装入干矿总量、装入物含Cu率、装入物含Fe率、装入物含S率、装入物含SiO2率、空气水分率(以上参数反映出历史上典型的工况)；用于优化操作的数据，包括反应塔氧气和热风量设定值，这些数据可以反映出在与当前类似工况的条件下专家操作经验。当前采集获得的现场数据样本X₀包含同样内容。

Step 2：模糊聚类

采用模糊C均值聚类方法对优化操作数据库中的样本进行聚类，将优化样本分为10大类，如果有新的优化操作样本加入则需要重新对样本进行聚类。聚类根据样本中反应塔热风量、反应塔富氧浓度、装入干矿总量、装入物含Cu率、装入物含Fe率、装入物含S率、装入物含SiO₂率、空气水分率进行。聚类后优化操作样本分为10大类，第i类的类中心为C_i。现场数据样本与类中心之间的相似性用相似系数表示：

$\cos {\mathrm{\&theta;}}_{x_i{,x}_j}=\frac{\underset{a=1}{\overset{P}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ai}}{x}_{\mathrm{aj}}}{{(\underset{a=1}{\overset{P}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ai}}^2\&CenterDot;\underset{a=1}{\overset{P}{\mathrm{\&Sigma;}}}{x}_{\mathrm{aj}}^2)}^{1/2}}---\left(3\right)$

式中x_i、x_j为两个样本，P为样本中用于聚类的元素个数，如果样本中所有元素取正数，则 $0<{\cos \mathrm{\&theta;}}_{x_i,x_j}\&le;1,$ 当 $\cos {\mathrm{\&theta;}}_{x_i,x_j}=1$ 时，说明x_i与x_j完全相似；

越接近于1，表明二者越相似。

Step 3：产生初始群体

计算现场数据样本与10个聚类类中心的相似系数，选择相似系数最大的类，将该类中隶属度大于0.5的优化操作参数样本作为混沌伪并行遗传优化算法的初始群体。

Step 4：群体初始化

评估函数：

E＝1/S                  (4)

编码：由于遗传算法不能直接处理数据空间的解数据，必须通过编码将它们表示成遗传空间的基因型结构数据，可采用二进制或十进制编码方案。本文采用二进制矢量编码，染色体表示为：X(G_氧，G_风)

将初始群体划分为n个子群体，设定变量的取值范围[a_i，b_i]，各子群体规模G₁、G₂、...、G_i、...、G_n，进化的最大代数M，个体的目标适应度F，进化代数r初始化为1。

Step 5：种群的进化

1)按照“适者生存”的原则，对每一个子群体分别采用简单的遗传算法(SGA)通过复制、交叉、变异操作，获得新一代种群，根据评估函数求取个体的适应度值，采用和适应度成比例的概率方法来进行选择，保留健壮个体，剔除劣弱个体，保持群体规模的恒定。在进化过程中，为了保证优良个体不会丢失，每一代子种群中适应度最大的个体不参与复制、交叉、变异操作直接进入下一代，记为X^*(m^(k))。

2)将当前代各子种群中适应度值最高的5个个体按踏脚石群体模型进行交换。

3)求取当前代各子种群的最高适应度值E_i ^*(r)，取其中最大者为E^*(r)，并计算各子种群的平均适应度值E_i(r)。

如果E^*(r)≥F或者r＞M，或者||X^*(m^(k))-X^*(m^(k-1))||≤ε，(ε是给定的判断值)则转入Step 7；

如果|E_i(r)-E_i(r-1)|＜σ，σ为[0.01-0.05]，则转入Step 6；

如果不满足上述条件，则转入Step 5进行新一轮的进化。

Step 6：混沌二次载波优化

为防止种群早熟或局部收敛，把个体按适应度大小进行分类(优、良、中、差)，在各类中随机抽取5个个体按下述混沌优化方法进行优化。这样可以引导整个种群的进化方向，提高遗传算法的收敛速度，产生新的优良个体，使种群跳出局部最优解，进入新的搜索空间。

考虑Logistic映射，即：

z_n+1＝ηz_n(1-z_n)            (5)

式中n＝1，2，...，z₀∈[0，1]，η是控制参量，当η＝1，2，z₀＝4时，Logistic映射为[0，1]区间的满映射，并且系统处于完全的混沌状态，z_n+1，z_n，表示混沌变量。利用混沌变量对初值的敏感性，赋给上式若干微小差异的初值就可以得到相应的混沌变量。混沌优化目标函数如下式所示：

f_c＝S                 (6)

混沌优化的二次载波如下式所示：

$X_{i,n+1}^{*}=X_i^{*}+{\mathrm{\&alpha;}}_i{z}_{i,n+1}---\left(7\right)$

α_iz_i，n+1为遍历区间很小的混沌变量，α_i为调节变量，X_i ^*为当前需要进行混沌优化的个体，

为对应X_i ^*的函数值。

令k′＝1，X_i(k′)＝X′_i，n+1，计算相应的

如果 $f_{C_i}\left(k^{\&prime;}\right)\&GreaterEqual;f_C^{*},$ 则放弃X_i(k′)，k′＝k′+1，继续进行混沌优化；

如果 $f_{C_i}\left(k^{\&prime;}\right)<f_C^{*},$ 则 $f_C^{*}=f_{C_i}\left(k^{\&prime;}\right),$ $X_i^{*}=X_i\left(k^{\&prime;}\right),$ 退出循环；

或者达到循环次数同样退出循环转入Step 5进行新一轮种群的进化。

Step 7：对应当前代中适应度为E^*(k)的个体X^*即为模糊C均值混沌伪并行遗传算法获得的全局最优解。如果X^*具有工业有效性(x₁∈(0，16000)，x₂∈(x₁，58000))，则X^*为智能优化算法的优化结果。

4.智能协调器智能协调器的作用就是通过对输入变量区域的划分与综合，计算两个模型的加权系数。其基本原理是当生产条件稳定，即样本分布较集中时，智能优化模型所占的权重较大；而工艺状况不稳定，即样本较少时，机理模型所占的权重较大。

首先，根据工况参数专家模型判断的当前综合工况，来确定两个模型的加权系数。智能优化模型的加权系数为μ，其函数形式如图2所示。

$\mathrm{\&mu;}=\left\{\begin{array}{c}1,S\&le;0.02,\\ \mathrm{0.75,0.02}<S\&le;0.08,\\ \mathrm{0.5,0.08}<S\&le;0.15,\\ 0,S>0.15.\end{array}\right.---\left(8\right)$

那么，智能协调模型的输出结果为

G_氧＝G_氧″×μ+G_氧′×(1-μ)    (9)

G_风＝G_风″×μ+G_风′×(1-μ)    (10)

式中，G_氧、G_风分别表示最终反应塔所需氧气量与热风量的设定值；G_氧′、G_风′为机理模型计算得到的氧气量与热风量；G_氧″、G_风″为智能优化模型得到的氧气量与热风量。

Claims (2)

1.一种对铜闪速熔炼过程操作参数氧气量与热风量进行优化的方法，其特征在于：利用机理模型和智能优化模型对操作参数氧气量与热风量分别进行优化，再通过一个智能协调器对两组优化结果进行集成，智能优化模型的加权系数为μ，μ的表达式为：

$\mathrm{\&mu;}=\left\{\begin{array}{cc}1,& S\&le;0.02,\\ 0.75,& 0.02<S\&le;0.08,\\ 0.5,& 0.08<S\&le;0.15,\\ 0,& S>0.15.\end{array}\right.$

式中的S为铜闪速熔炼过程综合工况指数；T_m、P_m、C_铁硅分别表示控制变量——铜锍温度、铜锍品位、渣中铁硅比的实测值；由此得到氧气量与热风量的最终优化结果；该优化结果输出到闪速熔炼控制系统，经过闪速熔炼过程以后，利用工况判断模型对铜锍温度、铜锍品位、渣中铁硅比三大参数的实测值进行判断：若当前综合工况为优，即S在0～0.02时，则将当前的工况参数与操作参数存入操作优化样本库；若当前工况非优，即S大于0.02时，则用铜锍温度、铜锍品位的实测值对机理模型进行反馈修正。

2.根据权利要求1所述的操作参数优化方法，其特征在于：所述的智能优化模型用模糊C均值聚类混沌伪并行遗传算法，首先采用模糊C均值聚类方法对操作优化样本进行聚类，将优化样本分为10大类，再计算现场数据样本与10个聚类类中心的相似系数，在相似系数最大的类中，将隶属度大于0.5的优化样本作为混沌伪并行遗传优化算法的初始群体，然后通过复制、交叉、变异、选择操作获得新一代种群，在进化过程中引入混沌优化，产生新的优良个体，具体步骤如下：

Step 1：建立样本库

建立闪速熔炼过程优化操作数据库，用于保存历史上典型工况下的优化操作数据，数据库中的个体样本主要由两部分构成：用于样本聚类的数据，包括反应塔热风量、反应塔富氧浓度、装入干矿总量、装入物含Cu率、装入物含Fe率、装入物含S率、装入物含SiO₂率、空气水分率；用于优化操作的数据，包括反应塔氧气和热风量设定值；

Step 2：模糊聚类

采用模糊C均值聚类方法对优化操作数据库中的样本进行聚类，将优化样本分为10大类，如果有新的优化操作样本加入则需要重新对样本进行聚类，聚类根据样本中反应塔热风量、反应塔富氧浓度、装入干矿总量、装入物含Cu率、装入物含Fe率、装入物含S率、装入物含SiO₂率、空气水分率进行；聚类后优化操作样本分为10大类，第i类的类中心为C_i，现场数据样本与类中心之间的相似性用相似系数表示：

${\cos \mathrm{\&theta;}}_{x_i,x_j}=\frac{\underset{a=1}{\overset{P}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ai}}{x}_{\mathrm{aj}}}{{(\underset{a=1}{\overset{P}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ai}}^2\&CenterDot;\underset{a=1}{\overset{P}{\mathrm{\&Sigma;}}}{x}_{\mathrm{aj}}^2)}^{1/2}}$

式中x_i、x_j为两个样本，P为样本中用于聚类的元素个数；

Step 3：产生初始群体

计算现场数据样本与10个聚类类中心的相似系数，选择相似系数最大的类，将该类中隶属度大于0.5的优化操作参数样本作为混沌伪并行遗传优化算法的初始群体；

Step 4：群体初始化

评估函数：

E＝1/S

编码：采用二进制矢量编码，染色体表示为：X(G_氧，G_风)

将初始群体划分为n个子群体，设定变量的取值范围[a_i，b_i]，各子群体规模G₁、G₂、...、G_i、...、G_n，进化的最大代数M，个体的目标适应度F，进化代数r初始化为1；

Step 5：种群的进化

1)对每一个子群体分别采用简单的遗传算法，通过复制、交叉、变异操作，获得新一代种群，根据评估函数求取个体的适应度值，采用和适应度成比例的概率方法来进行选择，保留健壮个体，剔除劣弱个体，保持群体规模的恒定，在进化过程中，为了保证优良个体不会丢失，每一代子种群中适应度最大的个体不参与复制、交叉、变异操作直接进入下一代，记为X^*(m^(k))；

2)将当前代各子种群中适应度值最高的5个个体按踏脚石群体模型进行交换；

3)求取当前代各子种群的最高适应度值E_i ^*(r)，取其中最大者为E^*(r)，并计算各子种群的平均适应度值E_i(r)；

如果E^*(r)≥F或者r＞M，或者||X^*(m^(k))-X^*(m^(k-1))||≤ε，则转入Step 7；

如果|E_i(r)-E_i(r-1)|＜σ，σ为[0.01-0.05]，则转入Step 6；

如果不满足上述条件，则转入Step 5进行新一轮的进化；

Step 6：混沌二次载波优化

把个体按适应度大小进行分类，在各类中随机抽取5个个体按下述混沌优化方法进行优化，产生新的优良个体，使种群跳出局部最优解，进入新的搜索空间；

考虑Logistic映射，即：

z_n+1＝ηz_n(1-z_n)

式中n＝1，2，...，z₀∈[0，1]，η是控制参量，当η＝1，2，z₀＝4时，Logistic映射为[0，1]区间的满映射，并且系统处于完全的混沌状态，z_n+1，z_n，表示混沌变量；利用混沌变量对初值的敏感性，赋给上式若干微小差异的初值就可以得到相应的混沌变量；混沌优化目标函数如下式所示：

f_C＝S

混沌优化的二次载波如下式所示：

$X_{i,n+1}^{*}=X_i^{*}+{\mathrm{\&alpha;}}_i{z}_{i,n+1}$

α_iz_i，n+1为遍历区间很小的混沌变量，α_i为调节变量，X_i ^*为当前需要进行混沌优化的个体，f_C ^*为对应X_i ^*的函数值；

令k′＝1，X_i(k′)＝X′_i，n+1，计算相应的

如果 $f_{C_i}\left(k^{\&prime;}\right)\&GreaterEqual;f_C^{*},$ 则放弃X_i(k′)，k′＝k′+1，继续进行混沌优化；

如果 $f_{C_i}\left(k^{\&prime;}\right)<f_C^{*},$ 则 $f_C^{*}=f_{\mathrm{Ci}}\left(k^{\&prime;}\right),$ $X_i^{*}=X_i\left(k^{\&prime;}\right),$ 退出循环；

或者达到循环次数同样退出循环转入Step 5进行新一轮种群的进化；

Step 7：对应当前代中适应度为E^*(k)的个体X^*即为模糊C均值混沌伪并行遗传算法获得的全局最优解；X^*具有工业有效性即x₁∈(0，16000)，x₂∈(x₁，58000)，则X^*为智能优化算法的优化结果。

Images