CN101353730A - 基于模式匹配与平衡计算的智能集成优化方法 - Google Patents

Abstract

基于模式匹配与平衡计算的智能集成优化方法，特别是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，分别建立了基于平衡计算的机理模型和基于模糊C均值聚类的模式匹配智能优化模型，并采用智能集成的方法对两个模型的优化结果进行协调。该方法可以得到铜闪速熔炼过程最优操作参数，即闪速炉反应塔热风与氧气的最优加入量，为操作参数的调节提供了理论依据和科学的优化指导，减少参数波动引起的工况不稳定。

Description

基于模式匹配与平衡计算的智能集成优化方法

技术领域

本发明涉及复杂工业过程工艺参数优化方法，尤其是铜闪速熔炼过程中工艺参数的优化方法。

背景技术

闪速熔炼是当今世界上最主要的铜熔炼方法。经过干燥后的铜精矿及后续工序返回的物料以高速度(60～70m/s)从反应塔顶部喷入高温(1450～1550℃)的反应塔内，在2～3s内完成硫化物的分解、氧化和熔化等过程，生成冰铜及炉渣。冰铜品位、冰铜温度及渣中铁硅比是闪速熔炼效果的三大重要的质量指标。因此如何控制闪速熔炼过程的工艺参数——反应塔风量和富氧量，使得三大质量指标符合预期目标具有十分重要的意义。

实际生产中，闪速熔炼过程的控制是先建立基于物料平衡及热平衡计算的静态模型，根据静态模型计算出在当前入炉物料的情况下，为保证三大质量指标达到预期目标的风量及氧量，进而根据实际熔炼效果来对风量及氧量进行调节，以获得最好的熔炼效果。然而，由于静态模型是建立在一定假设条件下的，实际生产中这些假设条件不一定满足；此外，静态模型中许多参数为常数或经验值，更难保证模型的精度。

因此，如何根据工艺机理及长期工业运行中积累的实际数据，实现对铜闪速熔炼过程的工艺参数进行优化控制，对稳定生产、提高冰铜品位及质量具有十分重要的意义。

发明内容

本发明提出了一种基于模式匹配与平衡计算的智能集成优化方法，以寻找铜闪速熔炼过程中的最优工艺参数——热风量与氧气量，实现铜闪速熔炼过程的优化控制。基于模式匹配与平衡计算的智能集成优化方法包括以下步骤：集成优化方法包括平衡计算、优化样本库、匹配算法、智能协调等单元组成。首先进行平衡计算，即根据当前入炉物料的情况，应用物料平衡及热平衡原理，计算所需的风量及氧量。然后将当前的入炉物料情况与优化样本库中的优良样本进行比较，找出与当前入炉物料最匹配的20个优良样本，将平均的风量与氧量作为优化结果输出。最后，智能协调单元在判断当前入炉物料与20个最匹配的优化样本之间的差别的基础上，对两种优化方法的结果进行协调，从而得出最终的优化结果。当差别较小时，说明当前入炉物料情况与优化样本库中的一些优良样本很接近，那么优化结果主要依赖于模式匹配方法的结果；当差别较大时，说明优化样本库中的所有样本都与当前入炉物料差异较大，则优化结果主要依赖平衡计算的结果。

根据本发明的优化方法，能得到理想的热风量与氧气量，实现铜闪速熔炼过程的优化控制，从而实现铜冶炼的节能降耗。

附图说明

图1为闪速熔炼过程工艺参数集成优化方法总体框图；

图2为智能优化算法加权系数选择图；

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。

具体实施方式

下面结合附图对本发明的具体实施方式进行详细说明。

首先给出闪速熔炼过程工艺参数集成优化方法总体框图，如图1所示。根据给出的总体框图说明集成优化方法如下：集成优化方法包括平衡计算、优化样本库、匹配算法、智能协调等单元组成。首先进行平衡计算，即根据当前入炉物料的情况，应用物料平衡及热平衡原理，计算所需的风量及氧量。然后将当前的入炉物料情况与优化样本库中的优良样本进行比较，找出与当前入炉物料最匹配的20个优良样本，将平均的风量与氧量作为优化结果输出。最后，智能协调单元在判断当前入炉物料与20个最匹配的优化样本之间的差别的基础上，对两种优化方法的结果进行协调，从而得出最终的优化结果。当差别较小时，说明当前入炉物料情况与优化样本库中的一些优良样本很接近，那么优化结果主要依赖于模式匹配方法的结果；当差别较大时，说明优化样本库中的所有样本都与当前入炉物料差异较大，则优化结果主要依赖平衡计算的结果。

具体实现工艺参数集成优化的步骤如下：

Step 1：建立优化操作样本库

建立铜闪速熔炼过程优化操作参数数据库，用于保存历史上典型工况下的优化操作参数，即相当于保存了历史上大量的优化操作专家经验。数据库中的每一条记录(操作样本)就是一个向量，它由两个部分组成，即X＝[X₁，X₂]^T，X₁＝[x₁₁，x₁₂，...，x₁₇]，X₂＝[x₂₁，x₂₂]。其中x₁₁，x₁₂，...，x₁₇分别表示入炉干矿总量、入炉物料含Cu率、入炉物料含Fe率、入炉物料含S率、入炉物料SiO2率、空气水分率及反应塔富氧浓度，这些参数反映了入炉物料及氧气的基本情况，为方便起见，这里称X₁为工况参数。x₂₁和x₂₂则分别表示反应塔热风量及氧气量，是可以控制的参数，这里称为操作参数。铜闪速熔炼过程优化控制的目的就是在工况参数X₁已知的情况下，优化控制操作参数X₂，使得冰铜品位、冰铜温度及渣中铁硅比能达到预期目标。

实际生产中，由于矿石种类、品位及杂质含量的变化，可能随时出现以前没有出现过的工况及操作参数，因此必须随时补充新的优良的优化操作样本。另一方面，随着工艺的不断改造，以前的优化操作样本的操作参数可能不再是最优的了，甚至可能导致很差的熔炼效果，因此必须不断删除一些差样本。也就是说，在实际应用中，应不断更新优化操作样本库。

Step 2：基于物料平衡及热平衡的操作参数计算

由于富氧技术的采用，闪速炉已实现自热熔炼，不需要加入重油作为燃料，仅利用硫化物精矿本身的氧化还原反应热即可完成熔炼过程。因此，闪速熔炼过程所必需的氧气量为装入物料中的S和Fe氧化所需的氧气量，精矿必需的氧气量A_ore计算式为：

A_ore＝(22.4δ_S/32.06+22.4δ_O/32)×10³/0.21×η_氧+ΔV    (1)

式中：d_S为排烟中的S量，d_O为化学反应需要的氧量，η_氧为反应塔氧效率(％)，ΔV为反应塔氧气修正项

ΔV＝α(W_C+W_S)²                     (2)

这里α为放大系数，W_C为装入干矿量设定值，W_S为装入烟灰量设定值。

根据热收入项之和等于热支出项之和的原理，建立闪速炉的热平衡模型：

Q_S燃烧热＝δ_S×Q_S氧化热

Q_Feo生成热＝δ_Fe×Q_Fe氧化热

Q_分解热＝-(Q₁+Q₂+Q₃+Q₄+Q₅+Q₆+Q₇+Q₈+Q₉+Q₁₀)

Q_{装入物带入热}＝[G₀×C₁+(G₁+G₂+G₃+G₄)×ω_装入]×(T₁-T)

Q_{反应塔重油燃烧热}＝G₆×[C₂×(T₂-T)+Q_{重油发热量}]

Q_{反应塔热风带入热}＝Q_{反应塔空气带入热}+Q_{反应塔一次风带入热}+Q_{氧气带入热}

＝(A_ore-G_氧′×θ_氧)/0.21×C_{空气单位热量}×10^-3+G_一次风/(1+ω_空气)×C_{一次风单位热量}×10^-3+G_氧′×C_{氧气单位热量}×10^-3

Q_{冰铜储存热}＝G_冰铜量×C_{冰铜单位热量}

Q_渣储存热＝G_渣量×C_{渣单位热量}

Q_{烟灰储存热}＝(G_{产出锅炉烟灰粉量}+G_{产出锅炉烟灰块量}+G_{产出电收尘烟灰量}+G_{排烟中其它量})×C_{烟灰单位热量}

Q_{水分蒸发热}＝(G₂+G₃+G₄+G₅)×ω_装入×(Q_水蒸发热+Q_{饱和水热焓}-Q_{装入水热焓})

Q_{反应塔散热}＝s

式中d_S表示排烟中的S量，Q_S氧化热表示S反应生成SO₂的反应热；d_Fe表示渣中FeO的Fe含量，Q_Fe氧化热表示Fe反应生成FeO的反应热；

分别为冰铜、渣、产出锅炉烟灰粉、产出锅炉烟灰块、产出电收尘烟灰中Fe₃O₄、FeSO₄、CuSO₄的Cu、Fe含量(^**代表Cu、Fe、Fe1)；Q₁为精矿分解热，Q₂为渣精矿分解热，Q₃为不定物料分解热，Q₄为硅酸矿分解热，Q₅为转炉烟灰分解热，Q₆为转炉锅炉烟灰分解热，Q₇为装入锅炉烟灰分解热，Q₈为装入电收尘烟灰分解热，Q₉为产出烟灰Cu₂S变成CuSO₄的分解热，Q₁₀为产出物FeS变成FeO、Fe₃O₄、FeSO₄的分解热；G₀为装入量合计，C₁为装入物比热，w_装入为装入物水分率，T₁为装入物温度，T为基准温度；G₆为反应塔重油量，C₂为重油比热，T₂为重油温度；w_空气为空气水分率，G_*为各气体的成分量，C_*表示气体的单位热量(^*代表SO₂、N₂、H₂O、一次风、空气、O₂)；s为常数。其中：

C_{冰铜单位热量}＝a×T_冰铜+b-(c+d×T_冰铜)×P_m目×100

C_{渣单位热量}＝e×T_冰铜+f

(4)

C_{烟灰单位热量}＝E×T_冰铜+F

其中P_m目为冰铜品位目标值0.58，T_冰铜为冰铜温度实测值，a、b、c、d、e、f、A、B、C、D、E、F为计算系数，由经验确定。

解平衡方程组后获得所需氧气量G_氧′的值，进而得所需热风量：

G_风′＝(A_ore-G_氧′)/0.21×(1+ω_空气)+G_氧′(5)

Step 3：基于模式匹配的操作参数优化

基于模式匹配的操作参数优化方法就是优化操作参数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结果输出。但由于样本库中的样本个数很大，直接比较每个样本与当前工况的情况非常费时，而且如果只是将最相似的某一个样本作为最优值，可能存在较大的随机误差。

为此，本发明首先采用模糊C均值聚类算法对操作库中的样本进行聚类，将将优化操作样本空间分为10个类。再计算当前工况与各个类的中心之间的相似度。然后从最相似的类中选取20个与当前工况最相似的样本，将平均操作参数作为优化结果输出。

基于模式匹配的操作参数优化算法的具体步骤如下：

(1)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。聚类根据样本中工况参数即入炉干矿总量、入炉物料含Cu率、入炉物料含Fe率、入炉物料含S率、入炉物料SiO2率、空气水分率及反应塔富氧浓度进行。聚类后，优化操作样本分为10类，其中心为Cⁱ＝[Cⁱ ₁，Cⁱ ₂]^T，i＝1，2，...，10，其中Cⁱ ₁＝[cⁱ _1，1，...，cⁱ _1，7]及Cⁱ ₂＝[cⁱ _2，1，cⁱ _2，2]分别表示工况及操作参数。

(2)判断当前工况所属类别

当获得现场数据之后，需从样本库中找出与之最相似的样本。首先判断当前工况属于哪一类，也就是判断当前工况组成的向量与哪个类的中心距离最近。这里定义如下的相似度指标：

其中Y＝[y₁，y₂，...，y₇]、Z＝[z₁，z₂，...，z₇]分别为两个维数为7的正向量。

表示向量Y与向量Z的相似度。

的范围是(0，1]，

越大，Y与Z越相似。当

时，Y与Z完全相同。

定义好相似度指标后，就可以判断当前工况的类别。设X₁＝[x_1，1，x_1，2，...，x_1，7]表示工况，Cⁱ ₁＝[cⁱ _1，1，cⁱ _1，2，...，cⁱ _1，7]表示第i个类中心。则首先按(1)式计算出

(i＝1，2，...，10)。则相似度指标最大就是X₁所属的类。

(3)从所属类中找出与当前工况最匹配的操作参数

判断好当前工况所属类别后，需从该类中找出与当前工况最匹配的样本。即计算当前组成的向量与该类中的每个样本之间的距离，并从中找出距离最小的20个样本，距离定义如下：

$D_k=D(X,X_k)=\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{(x_i-x_{k,i})}^2---\left(7\right)$

其中X＝[x₁，x₂，...，x₇]、X^k＝[x_k，1，x_k，2，...，x_k，7]分别表示当前工况和工况所属类中第k个样本，D_k则表示X与X^k之间的距离。

(4)智能优化模型优化结果输出

分别计算距离最小的20个样本的综合工况指数S，并求它们对应的操作参数的平均值，将其作为智能优化算法的优化结果。

Step 4：基于模式匹配与平衡计算的智能集成

首先，根据工况判断指标函数和当前工况条件计算得到当前综合工况指数S，判断出当前工况等级。

然后，根据得到的综合工况等级确定智能优化算法的加权系数为μ，其函数形式图2所示。

$\mathrm{\&mu;}=\left\{\begin{array}{c}0,S\&le;0.002,\\ \mathrm{0.7,0.002}<S\&le;0.01,\\ \mathrm{0.5,0.01}<S\&le;0.04,\\ 0,S>0.04.\end{array}\right.$

其中，S表示闪速熔炼过程综合工况指数，0.002、0.01、0.04表示表示划分综合工况等级的临界工况指数，随S的增大工况分优、良、中、差四个等级。引入铜硫温度、铜硫品位、渣中铁硅比三大参数的综合工况计算式为：

式中T_m、P_m、C_铁硅分别表示铜硫温度、铜硫品位、渣中铁硅比的实测值；1225、0.58、1.3分别为铜硫温度、铜硫品位、渣中铁硅比的目标值。

则智能集成模型的输出结果为：

G_氧＝G_氧″×μ+G_氧′×(1-μ)                  (9)

G_风＝G_风″×μ+G_风′×(1-μ)

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′为基于机理的决策模型计算得到的氧气量与热风量；G_氧″、G_风″为智能优化算法得到的氧气量与热风量。

通过对机理的决策模型和智能优化算法的集成，当生产条件正常、参数变化较小时，智能优化算法占有较大的权重，对保证生产稳定起主要作用；当工艺状况不稳定，操作优化样本数较少时，基于机理的决策模型能够起到补偿作用，提高模型的可靠性。

Claims (2)

1.基于模式匹配与平衡计算的智能集成优化方法，对铜闪速熔炼氧气量与热风量进行优化，其特征在于：优化方法包括平衡计算、优化样本库、匹配算法、智能协调单元组成，首先进行平衡计算，即根据当前入炉物料的情况，应用物料平衡及热平衡原理计算所需的风量及氧量，然后将当前的入炉物料情况与优化样本库中的优良样本进行比较，找出与当前入炉物料最匹配的20个优良样本，将平均的风量与氧量作为优化结果输出，最后，智能协调单元在判断当前入炉物料与20个最匹配的优化样本之间的差别的基础上，对两种优化方法的结果进行协调，从而得出最终的优化结果，当差别较小时，表明当前入炉物料情况与优化样本库中的一些优良样本接近，优化结果主要依赖于模式匹配方法的结果；当差别较大时，说明优化样本库中的所有样本都与当前入炉物料差异较大，则优化结果主要依赖平衡计算的结果，智能优化模型的加权系数μ为：

$\mathrm{\&mu;}=\left\{\begin{array}{cc}0,& S\&le;0.002,\\ 0.7,& 0.002<S\&le;0.01,\\ 0.5,& 0.01<S\&le;0.04,\\ 0,& S>0.04.\end{array}\right.$

其中，S为闪速熔炼过程综合工况指数，0.002、0.01、0.04表示表示划分综合工况等级的临界指数；随S的增大，工况分优、良、中、差四个等级，工况指数指标S定义为：

式中T_m、P_m、C_铁硅分别表示铜硫温度、铜硫品位、渣中铁硅比的实测值；0.3、0.4、0.3为权系数；1225、0.58、1.3分别为铜硫温度、铜硫品位、渣中铁硅比的目标值；

最后集成模型的输出结果为：

G_O＝G_O″×μ+G_O′×(1-μ)

G_A＝G_A″×μ+G_A′×(1-μ)

式中，G_O′、G_A′为机理决策模型计算得到的氧气量与热风量；G_O″、G_A″为模式匹配智能优化模型得到的氧气量与热风量；G_O、G_A则分别表示集成以后的优化结果；

闪速熔炼过程采用富氧技术熔炼，熔炼过程所需氧气量为装入物料中硫和铁氧化所需的氧气量，精矿必需的氧气量A_ore计算式为：

A_ore＝(22.4δ_S/32.06+22.4δ_O/32)×10³/0.21×η_氧+ΔV

式中：d_S为排烟中的S量，d_O为化学反应需要的氧量，η_氧为反应塔氧效率(％)，ΔV为反应塔氧气修正项，根据热收入项之和等于热支出项之和，建立闪速炉的热平衡模型：

Q_S燃烧热＝δ_S×Q_S氧化热

Q_Feo生成热＝δ_Fe×Q_Fe氧化热

Q_分解热＝-(Q₁+Q₂+Q₃+Q₄+Q₅+Q₆+Q₇+Q₈+Q₉+Q₁₀)

Q_{装入物带入热}＝[G₀×C₁+(G₁+G₂+G₃+G₄)×ω_装入]×(T₁-T)

Q_{反应塔重油燃烧热}＝G₆×[C₂×(T₂-T)+Q_{重油发热量}]

Q_{反应塔热风带入热}＝Q_{反应塔空气带入热}+Q_{反应塔一次风带入热}+Q_{氧气带入热}＝(A_ore-G_氧′×θ_氧)/0.21×C_{空气单位热量}×10^-3+G_一次风/(1+ω_空气)×C_{一次风单位热量}×10^-3+G_氧′×C_{氧气单位热量}×10^-3

Q_{冰铜储存热}＝G_冰铜量×C_{冰铜单位热量}

Q_渣储存热＝G_渣量×C_{渣单位热量}

Q_{烟灰储存热}＝(G_{产出锅炉烟灰粉量}+G_{产出锅炉烟灰块量}+G_{产出电收尘烟灰量}+G_{排烟中其它量})×C_{烟灰单位热量}

Q_{水分蒸发热}＝(G₂+G₃+G₄+G₅)×ω_装入×(Q_水蒸发热+Q_{饱和水热焓}-Q_{装入水热焓})

Q_{反应塔散热}＝s

式中d_S表示排烟中的S量，Q_S氧化热表示S反应生成SO₂的反应热；d_Fe表示渣中FeO的Fe含量，Q_Fe氧化热表示Fe反应生成FeO的反应热；d_**1、d_**2、d_**3、d_**4、d_**5分别为冰铜、渣、产出锅炉烟灰粉、产出锅炉烟灰块、产出电收尘烟灰中Fe₃O₄、FeSO₄、CuSO₄的Cu、Fe含量；Q₁为精矿分解热，Q₂为渣精矿分解热，Q₃为不定物料分解热，Q₄为硅酸矿分解热，Q₅为转炉烟灰分解热，Q₆为转炉锅炉烟灰分解热，Q₇为装入锅炉烟灰分解热，Q₈为装入电收尘烟灰分解热，Q₉为产出烟灰Cu₂S变成CuSO₄的分解热，Q₁₀为产出物FeS变成FeO、Fe₃O₄、FeSO₄的分解热；G₀为装入量合计，C₁为装入物比热，w_装入为装入物水分率，T₁为装入物温度，T为基准温度；G₆为反应塔重油量，C₂为重油比热，T₂为重油温度；w_空气为空气水分率，G_*为各气体的成分量，C_*表示气体的单位热量，*分别代表SO₂、N₂、H₂O、一次风、空气、O₂；s为常数；

解平衡方程组后获得所需氧气量G_氧′的值，进而可得所需热风量：

G_风′＝(A_ore-G_氧′)/0.21×(1+ω_空气)+G_氧′

2.根据权利要求1所述的基于模式匹配与平衡计算的智能集成优化方法，其特征在于：所述的优化样本库中的优良样本进行比较，是在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的操作优化样本库中，利用一种模糊C均值聚类的模式匹配方法，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模式输出；模糊C均值聚类是根据样本中反应塔富氧浓度、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，利用相似度指标来反映各类历史典型工况数据与当前工况相接近程度，对优化操作数据库中的样本进行聚类，相似度指标定义为：

其中Y＝[y₁，y₂，…，y₇]、Z＝[z₁，z₂，…，z₇]分别为两个维数为7的正向量，分别代表入炉干矿总量、入炉物料含Cu率、入炉物料含Fe率、入炉物料含S率、入炉物料SiO2率、空气水分率及反应塔富氧浓度，

表示向量Y与向量Z的相似度，

的范围是(0，1]，

越大，Y与Z越相似，当

时，Y与Z完全相同；模式匹配即在所属类中找出与当前工况最匹配的操作参数时，匹配距离定义为：

$D_k=D(X,X_k)=\underset{i=1}{\overset{7}{\mathrm{\&Sigma;}}}{(x_i-x_{k,i})}^2$

其中X＝[x₁，x₂，…，x₇]、X^k＝[x_k，1，x_k，2，…，x_k，7]分别表示当前工况和工况所属类中第k个样本，D_k则表示X与X^k之间的距离。

Images