CN102072657A - 一种基于多目标遗传算法的烧结布料过程优化控制方法 - Google Patents

Abstract

本发明公开了一种基于多目标遗传算法的烧结布料过程优化控制方法，其特征在于，包括以下步骤：步骤1：建立偏析布料优化模型：以大烟道负压、九辊布料器转速、料槽料位和料层厚度建立样本集并构建偏析布料综合满意度函数；步骤2：以偏析布料综合满意度最大化为目标，基于多目标遗传算法原理构建优化模型，优化料层厚度的设定值和九辊布料器转速的设定值。本发明针对烧结布料的实际情况来优化料层厚度和偏析程度的设定值，使得这两者的设定始终适应工况的变化，充分发挥了厚料层烧结的优势。

Description

一种基于多目标遗传算法的烧结布料过程优化控制方法

技术领域

本发明属于烧结生产过程控制技术领域，涉及一种基于多目标遗传算法的烧结布料过程优化控制方法。

技术背景

偏析布料是烧结生产的重要环节，实现布料过程中偏析程度的有效利用以及布料过程的稳定控制对保证烧结优质高产、实现烧结节能减排具有十分重要的意义。目前的针对烧结布料过程的控制大多为以料层厚度为反馈进行闭环控制，实际生产表明，实时工况的变化对料层厚度的要求不同，且台车速度的变化影响料层厚度的稳定，现有的控制方法没有针对烧结布料的实际情况来调整料层厚度的设定，也没有很好的跟踪及稳定料层厚度，且由于布料偏析过程的难以描述，对料层的偏析程度也难以控制。因此，如何在深入分析布料操作、实时工况和料层厚度之间的关联性基础上，利用先进控制与智能化方法，研究开发偏析布料优化设定模型，为料层偏析程度和料层厚度的控制提供有效优化方法，是保证厚料层烧结稳顺进行的有利途径。

发明内容

本发明的目的是提出一种基于多目标遗传算法的烧结布料过程优化控制方法，该基于多目标遗传算法的烧结布料过程优化控制方法能利用偏析布料工艺的优势，稳定厚料层烧结过程。

本发明的技术解决方案如下：

一种基于多目标遗传算法的烧结布料过程优化控制方法，包括以下步骤：

步骤1：建立偏析布料优化模型：以大烟道负压、九辊布料器转速、料槽料位和料层厚度构建偏析布料综合满意度函数；

步骤2：以偏析布料综合满意度最大化为目标，基于多目标遗传算法原理构建优化模型，优化料层厚度的设定值和九辊布料器转速的设定值。

步骤1的具体过程为：

首先，分别单独建立大烟道负压、九辊布料器转速、料槽料位和料层厚度的满意度函数。

其中，料层厚度满意度函数为：

式中，s₁为料层厚度满意度函数，h为料层厚度，h_max和h_min分别代表正常生产下，料层厚度能允许的最大值和最小值；

料槽料位的满意度函数为：

式中s₂为料槽料位满意度函数，m为料槽料位，单位为吨，m_max和m_min分别代表正常生产下，料槽料位能允许的最大值和最小值，且有

Δm＝m₁-m_min＝m_max-m₂；

式中Δm取10t；

大烟道负压的满意度函数为：

式中，s₃为大烟道负压满意度函数，p为大烟道负压，单位为kpa，p_max和p_min分别代表正常生产下，大烟道负压允许的最大值和最小值，且有

Δp＝p₁-p_min＝p_max-p₂；

式中Δp取1.5kpa；

九辊布料器转速的满意度函数为：

式中，s₄为九辊布料器转速满意度函数，v₉为九辊布料器转速，v_9max代表正常生产下九辊布料器转速允许的最大值；

其次，采用线性加权法，建立偏析布料的综合满意度函数如下：

$\mathrm{\φ}=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\α}}_i{s}_i;$

式中φ为偏析布料综合满意度函数，s_i分别为四个性能指标的满意度，即s₁、s₂、s₃、s₄，α_i为加权系数，满足：

$\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\α}}_i=1.$

步骤2的具体步骤为：

第一步，确定决策变量为料层厚度h和九辊布料器转速v₉，分别用十进制数x₁和x₂来表示，其中x₁表示料层厚度，x₂表示九辊布料器转速；

第二步，建立优化模型如下：

$\max \mathrm{\φ}=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\α}}_i{s}_i;$

第三步，确定编码方法：料层厚度控制精度为整数即可，且600mm＜h＜700mm，由此确定料层厚度染色体为7位，九辊布料器转速控制精度为小数点后一位，且0＜v₉＜21.1r/mim，由此确定九辊布料器转速染色体为8位，最终确定遗传算法的染色体为15位，即将两个决策变量转换成一个15位的二进制串；

第四步，确定解码方法：从2个二进制串返回一个实际值的计算公式为：

$x_i=a_i+\sec \mathrm{imal}\left({\mathrm{substring}}_i\right)\×\frac{b_i-a_i}{2^{m_i}-1}$ i＝1，2；

式中a_i和b_i为变量x_i的上下限值，且a₁＝600，b₁＝700，a₂＝0，b₂＝21.1，，decimal(substring_i)代表将变量substring_i对应的二进制数转换为十进制数后的值，m_i为该变量代表的染色体的位数，且m₁＝7，m₂＝8；substring₁为7位二进制串，substring₂为8位二进制串；

第五步，确定个体评价方法，即遗传算法的适应度函数就是综合满意度函数；

第六步，设计遗传算子和确定遗传算法运行参数；遗传算法的选择运算使用轮盘选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子。交叉概率为25％，变异概率为1％，种群规模为20，终止迭代数为1000。

本发明的基于多目标的遗传算法进行解的搜索的过程为：首先，利用偏析布料综合满意度函数将多目标问题转化为单目标问题；其次，遗传算法以偏析布料综合满意度最大化为目标，将偏析布料综合满意度函数作为遗传算法的适应度函数，求解优化模型得到料层厚度和九辊布料器转速的设定值。

有益效果：

本发明首先通过分析偏析布料过程的机理与特点，结合偏析布料过程的实际生产数据和操作经验，建立偏析布料优化模型，以大烟道负压、九辊布料器转速、料槽料位和料层厚度建立样本集并构建偏析布料综合满意度；其次，以偏析布料综合满意度最大化为目标，基于多目标遗传算法原理构建烧结布料优化模型，优化料层厚度的设定值和九辊布料器转速的设定值，为实现对烧结布料过程偏析程度的最大化和料层厚度的稳定化控制提供了一种有效的优化方法，从而有效的保证厚料层烧结稳顺进行，节约烧结能耗，提高烧结矿的质量和产量。

本发明针对烧结布料的实际情况来优化料层厚度和偏析程度的设定值，使得这两者的设定始终适应工况的变化，充分发挥了厚料层烧结的优势。本发明技术对烧结布料过程大干扰、非线性的特点能做出有效控制，是烧结行业应大力推广的先进技术。

实际生产表明，烧结料层厚度增加，烧结矿成品率相应提高，返矿率和FeO含量都降低，并可减少固体燃料的消耗，但料层厚度也不是越厚越好，过厚的料层会导致料层透气性变差，从而影响烧结质量。料层厚度需要根据实时的烧结状况(如料层透气性状况，料槽有无断料情况)来进行调整，而现有的烧结布料过程往往忽略了实时的烧结状况，按固定的料层厚度来进行烧结。

附图说明

图1本发明基于多目标遗传算法的烧结布料优化控制结构图；

图2本发明料层厚度满意度函数；

图3本发明料槽料位满意度函数；

图4本发明大烟道负压满意度函数；

图5本发明九辊布料器转速满意度函数。

具体实施方式

以下将结合附图和具体实施例对本发明做进一步详细说明：

实施例1：

参照图1，基于多目标遗传算法的烧结布料过程优化控制方法包括以下几个步骤：

步骤1：建立偏析布料优化模型。

烧结偏析布料要求料层沿台车宽度方向上粒度和化学成分均匀，沿台车高度方向上偏析合理，粒度逐渐变粗、含碳量逐渐减小，针对布料过程对偏析度的要求，提出了偏析布料综合满意度的概念，它是对整个偏析布料过程的综合评价。本发明选择偏析布料优化模型的控制参数为大烟道负压、九辊布料器转速、料槽料位和料层厚度，并以这四个性能指标建立样本集及构建偏析布料综合满意度函数。

首先，分别单独建立以上四个性能指标的满意度函数。

(1)建立料层厚度满意度函数

料层厚度增加，烧结矿成品率相应提高，返矿率和FeO含量都降低，并可充分利用料层的自动蓄热作用，减少固体燃料的消耗，因此料层厚度增加，满意度也就增加。但料层过厚会增加上下层烧结矿的不均匀性，且通过料层的气流阻力增大，造成产量下降，因此，料层厚度也不是越高越好。如图2所示，h_max和h_min分别代表正常生产下，料层厚度能允许的最大值和最小值，在这个区间内，满意度是线性上升的，用公式表示为：

式中，s为料层厚度满意度函数，h为料层厚度，h_max和h_min分别代表正常生产下，料层厚度能允许的最大值和最小值。

(2)建立料料槽料位满意度函数

在布料过程中，必须保证料槽既不断料也不溢出。料槽料位的满意度函数为梯形函数，如图3所示，m_max和m_min分别代表正常生产下，料槽料位能允许的最大值和最小值，单位为吨，且有Δm＝m₁-m_min＝m_max-m₂，这里Δm取10t。当料槽料位在[m₁m₂]范围内波动时，这时的料槽料位完全满足正常生产的需要，因此满意度为1，当超出这个范围，表明料槽料位上升或下降的太快，有溢出或断料的趋势，需要加快给料或减少给料，因此满意度都呈线性下降趋势。用公式表示为：

式中，s为料槽料位满意度函数，m为料槽料位(单位为吨)，m_max和m_min分别代表正常生产下，料槽料位能允许的最大值和最小值，且有

Δm＝m₁-m_min＝m_max-m₂                   (21)

式中Δm取10t。

(3)建立大烟道负压满意度函数

料层厚度的提高必须与料层厚度的透气性能提高同步进行，也就是说，料层的透气性在相当大的程度上影响着料层厚度的提高。在现场操作中，以抽风的现时负压表征料层的透气性是直观可行的方法。大烟道负压的满意度函数为梯形函数，如图4所示，p_max和p_min分别代表正常生产下，大烟道负压允许的最大值和最小值，当风箱负压在[p₁p₂]范围内波动时，表明料层的透气性良好，可以保证烧结生产的顺利进行，因此满意度为1，当负压超过p₂，垂直烧结速度加快，会导致烧结矿成品率下降和烧结矿强度的下降，因此满意度呈线性下降趋势；当负压低于p₁，表明料层的透气性不好，会影响烧结矿的质量和产量，因此满意度也呈线性下降趋势。用公式表示为：

式中，s为大烟道负压满意度函数，p为大烟道负压(单位为kpa)，p_max和p_min分别代表正常生产下，大烟道负压允许的最大值和最小值，且有

Δp＝p₁-p_min＝p_max-p₂                   (23)

式中Δp取1.5kpa。

(4)建立九辊布料器转速满意度函数

九辊布料器通过各辊与混合料各粒度摩擦力不同而将混合料粒度进行分离，随着辊子的转动，较大的颗粒优先落到台车的下部，较小的颗粒则落到台车上部，形成这样的粒度和成分的偏析，生产实践表明，九辊布料器转速越快，偏析程度越大，因此满意度也就越大，但九辊布料器转速增大到一定程度，偏析度增加的就不明显了。九辊布料器转速满意度函数如图5所示，v_9max代表正常生产下九辊布料器转速允许的最大值。用公式表示为：

式中，s为九辊布料器转速满意度函数，v₉为九辊布料器转速，v_9max代表正常生产下九辊布料器转速允许的最大值。

综合以上四个因素的满意度，采用线性加权的方式，建立偏析布料控制系综合满意度为：

$\mathrm{\φ}=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\α}}_i{s}_i---\left(25\right)$

式中φ为偏析布料综合满意度函数，s_i分别为四个性能指标的满意度，α_i为加权系数，满足：

$\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\α}}_i=1---\left(26\right)$

考虑到各性能指标的重要性不同，加权系数分别定为：

[α₁，α₂，α₃，α₄]＝[0.2，0.35，0.35，0.1]          (27)

综上所述，偏析布料满意优化问题可用下面的公式来描述：

$\max f(h,v_9)=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\α}}_i{s}_i$

$s.t.\left\{\begin{array}{c}{h}_{\min }<h<h_{\max }\\ m_{\min }<m<m_{\max }\\ 0<v_9<v_{9\max }\end{array}\right.---\left(28\right)$

式中f(h，v9)为偏析布料综合满意度函数，s_i分别为四个性能指标的满意度，α_i为加权系数，h为料层厚度，h_max和h_min为料层厚度的最大值和最小值，m为料槽料位，m_max和m_min为料槽料位的最大值和最小值，v₉为九辊布料器转速，v_9max为九辊布料器转速的最大值。

步骤2：以偏析布料综合满意度最大化为目标，基于多目标遗传算法原理构建优化模型，优化料层厚度的设定值和九辊布料器转速的设定值。

首先，利用偏析布料综合满意度函数将多目标问题转化为单目标问题；其次，遗传算法以偏析布料综合满意度最大化为目标，将偏析布料综合满意度函数作为遗传算法的适应度函数，在料槽料位约束条件下求解优化模型得到料层厚度和九辊布料器转速的设定值。求解解该优化问题的遗传算法构造过程如下：

第一步，确定决策变量为料层厚度h和九辊布料器转速v₉，分别用十进制数x₁和x₂来表示，其中x₁表示料层厚度，x₂表示九辊布料器转速。

第二步，建立优化模型，即：

$\max \mathrm{\&phi;}=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{s}_i---\left(29\right)$

式中φ为偏析布料综合满意度函数，s_i分别为四个性能指标的满意度，α_i为加权系数。

第三步，确定编码方法。料层厚度控制精度为整数即可，且600mm＜h＜700mm，料层厚度最大最小值相差100，且2⁶＜100＜2⁷-1，因此料层厚度编码所需染色体7位；九辊布料器转速控制精度为小数点后一位，且0＜v₉＜21.1r/mim，由于2⁷＜210＜2⁸-1，因此九辊布料器转速编码所需染色体为8为，因此确定遗传算法的染色体为15位，即将两个决策变量转换成一个15位的二进制串。

第四步，确定解码方法。从二进制串返回一个实际值的计算公式为：

$x_i=a_i+\mathrm{decimal}\left({\mathrm{substring}}_i\right)\&times;\frac{b_i-a_i}{2^{m_i}-1}$ i＝1，2         (30)

式中a_i和b_i为变量x_i的上下限值，且a₁＝600，b₁＝700，a₂＝0，b₂＝21.1，decimal(substring_i)代表变量x_i对应的二进制数转换为十进制数后的值，m_i为该变量代表的染色体的位数，且m₁＝7，m₂＝8。

第五步，确定个体评价方法，即遗传算法的适应度函数就是综合满意度函数。

第六步，设计遗传算子和确定遗传算法运行参数。遗传算法的选择运算使用轮盘选择算子，交叉运算使用单点交叉算子，交叉概率为25％，变异运算使用基本位变异算子，变异概率为1％，种群规模为20，终止迭代数为1000。

本发明的有益效果是：针对烧结布料的实际情况来优化料层厚度和偏析程度的设定值，使得这两者的设定始终适应工况的变化，充分发挥了厚料层烧结的优势。本发明技术对烧结布料过程大干扰、非线性的特点能做出有效控制，是烧结行业应大力推广的先进技术。

以某烧结厂的实施情况为例说明本发明的优越性，未对烧结布料过程优化前，料层厚度设定在640mm，针对该烧结厂烧结机的实际运行情况，偏析布料优化模型优化的料层厚度为655mm，九辊布料器转速为21.1r/min。采用具有两个控制回路的串级结构实现对料层厚度的稳定化以及精确跟踪控制。主控制回路为料层厚度控制器，其输入为料层厚度设定值与检测值之差，输出为圆辊转速设定值，料层厚度控制器根据台车速度变化以及料层厚度偏差值来调整圆辊转速，如公式31所示：

n＝kv(1+Δh/h)                                         (31)

式中n为圆辊转速设定值，h为料层厚度设定值，Δh为料层厚度检测值与设定值的偏差，v为台车速度，k为常数，与布料装置参数有关，这里取3.39。副控制回路为圆辊转速控制器，采用常规PID控制方式实现对圆辊转速的精确跟踪，从而实现对下料量的精确跟踪。

两个PID控制器参数经整定后均为：K_p＝0.2，K_i＝0.05，K_d＝0。

优化前后烧结矿的质量附表1，可以看出，烧结矿的质量和产量都得以提升。

附表1

	料层厚度值	产量(t/h)	利用系数(t/hm2)	转鼓	筛分
						优化前	641.39	11379.63	1.32	82.05	4.7
优化后	656.65	12264.99	1.42	82.27	5.88

Claims (3)

1.一种基于多目标遗传算法的烧结布料过程优化控制方法，其特征在于，包括以下步骤：

步骤1：建立偏析布料优化模型：以大烟道负压、九辊布料器转速、料槽料位和料层厚度构建偏析布料综合满意度函数；

步骤2：以偏析布料综合满意度最大化为目标，基于多目标遗传算法原理构建优化模型，优化料层厚度的设定值和九辊布料器转速的设定值。

2.根据权利要求1所述的基于多目标遗传算法的烧结布料过程优化控制方法，其特征在于，

步骤1的具体过程为：

首先，分别单独建立大烟道负压、九辊布料器转速、料槽料位和料层厚度的满意度函数。

其中，料层厚度满意度函数为：

式中，s₁为料层厚度满意度函数，h为料层厚度，h_max和h_min分别代表正常生产下，料层厚度能允许的最大值和最小值；

料槽料位的满意度函数为：

式中，s₂为料槽料位满意度函数，m为料槽料位，单位为吨，m_max和m_min分别代表正常生产下，料槽料位能允许的最大值和最小值，且有

Δm＝m₁-m_min＝m_max-m₂；

式中Δm取10t；

大烟道负压的满意度函数为：

式中，s₃为大烟道负压满意度函数，p为大烟道负压，单位为kpa，p_max和p_min分别代表正常生产下，大烟道负压允许的最大值和最小值，且有

Δp＝p₁-p_min＝p_max-p₂；

式中Δp取1.5kpa；

九辊布料器转速的满意度函数为：

式中，s₄为九辊布料器转速满意度函数，v₉为九辊布料器转速，v_9max代表正常生产下九辊布料器转速允许的最大值；

其次，采用线性加权法，建立偏析布料的综合满意度函数如下：

$\mathrm{\&phi;}=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{s}_i;$

式中φ为偏析布料综合满意度函数，s_i分别为四个性能指标的满意度，即s₁、s₂、s₃、s₄，α_i为加权系数，满足：

$\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i=1.$

3.根据权利要求2所述的基于多目标遗传算法的烧结布料过程优化控制方法，其特征在于，

步骤2的具体步骤为：

第一步，确定决策变量为料层厚度h和九辊布料器转速v₉，分别用十进制数x₁和x₂来表示，其中x₁表示料层厚度，x₂表示九辊布料器转速；

第二步，建立优化模型如下：

$\max \mathrm{\&phi;}=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{s}_i;$

第三步，确定编码方法：料层厚度控制精度为整数即可，且600mm＜h＜700mm，由此确定料层厚度染色体为7位，九辊布料器转速控制精度为小数点后一位，且0＜v₉＜21.1r/mim，由此确定九辊布料器转速染色体为8位，最终确定遗传算法的染色体为15位，即将两个决策变量转换成一个15位的二进制串；

第四步，确定解码方法：从2个二进制串返回一个实际值的计算公式为：

$x_i=a_i+\mathrm{decimal}\left({\mathrm{substring}}_i\right)\&times;\frac{b_i-a_i}{2^{m_i}-1}$ i＝1，2；

式中a_i和b_i为变量x_i的上下限值，且a₁＝600，b₁＝700，a₂＝0，b₂＝21.1，，decimal(substring_i)代表将变量substring_i对应的二进制数转换为十进制数后的值，m_i为该变量代表的染色体的位数，且m₁＝7，m₂＝8；substring₁为7位二进制串，substring₂为8位二进制串；

第五步，确定个体评价方法，即遗传算法的适应度函数就是综合满意度函数；

第六步，设计遗传算子和确定遗传算法运行参数；遗传算法的选择运算使用轮盘选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子。

Images