CN102354109A - 一种烧结热风温度和热风含氧量智能协调优化控制方法 - Google Patents

Abstract

本发明公开了一种烧结热风温度和热风含氧量智能协调优化控制方法。首先，基于烧结热风温度和热风含氧量与操作参数的关联性分析，建立烧结热风温度和热风含氧量机理模型。然后，确定最佳热风温度区间T_rbest和最佳含氧量区间O_rbest，并基于机理模型建立烧结热风温度和热风含氧量的评价函数。最后，采用遗传算法离线寻优求解，并将操作参数下发到烧结过程，实现烧结热风温度和热风含氧量的稳定控制。采用本发明所述控制技术，能够将热风温度稳定在最佳温度区间范围内，有效利用烧结循环烟气和废气热能，提高烧结过程热能利用率，降低生产成本。

Description

一种烧结热风温度和热风含氧量智能协调优化控制方法

技术领域

本发明属于铁矿石烧结过程控制领域，具体涉及一种烧结热风温度和热风含氧量智能协调优化控制方法。

技术背景

钢铁工业是我国国民经济的基础产业，而烧结过程是钢铁冶炼中一道不可缺少的工序，热风烧结和厚料层烧结是十分重要的烧结生产方式。

在厚料层烧结工艺中，热风烧结技术主要是将烧结过程中SO₂浓度低的烟气返回到密封的烧结机台车上。为了保持烧结料层的氧位，在循环烟道中引入环冷机中温段废气和新鲜空气。三种气体混合后形成热风，从而加热烧结料层，有效降低上、下部料层的温差，减少固体燃料消耗，同时有助于二氧化硫排放控制和提高热能利用率。

采用热风烧结技术而又不影响烧结质量产量的关键因素是将热风温度控制在一个合适的范围，热风温度过高或过低都难以达到热风烧结的效果。同时，为了保持烧结料层的氧位，热风的含氧量也必须控制在合适的范围内。

因此，需要根据最佳烧结热风温度和热风含氧量，对烧结热风温度和热风含氧量进行智能协调控制，将烧结热风温度和热风含氧量稳定在最佳区间范围内，有效利用循环烟气和废气热能，提高烧结过程热能利用率和钢铁生产节能减排水平。

发明内容

本发明的目的是提出一种烧结热风温度和热风含氧量智能协调优化控制方法，该方法用于将烧结热风温度和热风含氧量稳定在最佳区间范围内，有效利用循环烟气和废气热能，提高烧结过程热能利用率，降低生产成本。

为了实现上述技术目的，本发明的技术方案是，一种烧结热风温度和热风含氧量智能协调优化控制方法，包括以下步骤：

步骤1：以空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x、空气温度T_k、环冷机废气温度T_h、循环烟气温度T_x、空气含氧量O_k、环冷机废气含氧量O_h、循环烟气含氧量O_x为输入；以热风温度T_r和热风含氧量O_r为输出，建立烧结热风温度和热风含氧量机理模型；

步骤2：基于步骤1建立的烧结热风温度和热风含氧量机理模型，根据最佳热风温度区间T_rbest和最佳热风含氧量区间O_rbest建立评价函数，采用遗传算法离线寻优求解，求得空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x此三个量之间的比例。

上述的一种烧结热风温度和热风含氧量智能协调优化控制方法，步骤1中的烧结热风温度和热风含氧量机理模型由下式表征：

$T_r=\frac{F_k\×T_k}{F_k+F_h+F_x}+\frac{F_h\×T_h}{F_k+F_h+F_x}+\frac{F_x\×T_x}{F_k+F_h+F_x}$

$O_r=\frac{F_k\×O_k}{F_k+F_h+F_x}+\frac{F_h\×O_h}{F_k+F_h+F_x}+\frac{F_x\×O_x}{F_k+F_h+F_x}$

其中，T_r表示热风温度，F_k表示空气风量，F_h表示环冷机废气风量，F_x表示循环烟气抽风风量，T_k表示空气温度，T_h表示环冷机废气温度，T_x表示循环烟气温度，O_k表示空气含氧量，O_h表示环冷机废气含氧量，O_x表示循环烟气含氧量，O_r表示热风含氧量。这些量都可直接或间接可测的，各类风的温度是通过热电偶测得，各类风的流量则是通过流量计测得，而各个气体的含氧量则是通过采样计算取得的；其中，采样周期为5分钟。

上述的一种烧结热风温度和热风含氧量智能协调优化控制方法，步骤2中的评价函数由下式表征：

$f_t\left(x\right)=\left\{\begin{array}{cc}1-(a-T_r)/a& T_r<a\\ 1& a<T_r<b\\ 1-(T_r-b)/T_r& b<T_r\end{array}\right.$

$f_o\left(x\right)=\left\{\begin{array}{cc}1-(c-O_r)/c& O_r<c\\ 1& c<O_r<d\\ 1-(O_r-d)/O_r& d<O_r\end{array}\right.$

其中，f_t(x)表示热风温度评价函数，f_o(x)表示热风含氧量评价函数，T_r表示热风温度，O_r表示热风含氧量，T_rbest＝[a，b]，O_rbest＝[c，d]，a＝250，b＝300，c＝10，d＝12。

上述的一种烧结热风温度和热风含氧量智能协调优化控制方法，步骤2中所述的采用遗传算法离线寻优求解包括以下步骤：

步骤(1)：根据烧结热风温度和热风含氧量机理模型定义适应度函数为：

F＝1/(w_tf_t+w_of_o)

其中，F为适应度函数，w_t、w_o为f_t、f_o加权值；

步骤(2)：采用实数编码方式对空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x，三个量之间的比例P_k∶P_h∶P_x进行编码；

步骤(3)：采用精英保留策略和轮盘赌算法相结合的方法对群体中的个体进行选择，对群体中适应度函数值大于0.85的个体采用精英保留策略进行选择，而对群体中适应度函数值小于0.85的个体，采用轮盘赌算法进行选择。

步骤(4)：采用交叉概率p_c和变异概率p_m能够随适应度函数自动改变的改进遗传算法进行离线求解。

上述的一种烧结热风温度和热风含氧量智能协调优化控制方法，所述的步骤(4)中，交叉概率p_c的调整公式为：

$p_c=\left\{\begin{array}{cc}\frac{k_1(F_{\max }-F_c)}{F_{\max }-F_{\mathrm{avg}}},& F_c\&GreaterEqual;F_{\mathrm{avg}}\\ k_2,& F_c<F_{\mathrm{avg}}\end{array}\right.$

其中，0＜k₁，k₂＜1，并且k₂＞k₁，F_max是个体最大适应度，F_avg是个体的平均适应度，F_c是被选中要进行交叉的两个个体中较大的一个。进行交叉时，如果个体的适应度较小，小于平均适应度，则直接赋值，采用较大的交叉率；如果个体的适应度较大，大于平均适应度时，则进行计算得到交叉概率；交叉概率p_m的调整公式为：

$p_m=\left\{\begin{array}{cc}\frac{k_3(F_{\max }-F_m)}{F_{\max }-F_{\mathrm{avg}}},& F_m\&GreaterEqual;F_{\mathrm{avg}}\\ k_4,& F_m<F_{\mathrm{avg}}\end{array}\right.$

其中，0＜k₃，k₄＜1，并且k₄＞k₃，F_max是个体最大适应度，F_avg是个体的平均适应度，F_m是进行变异的个体的适应度。进行变异时，如果个体的适应度较小，小于平均适应度，则直接赋值，采用较大的变异概率；如果个体的适应度较大，大于平均适应度时，则进行计算得到变异概率。

上述的一种烧结热风温度和热风含氧量智能协调优化控制方法，所述的k₁的值为1.0，所述的k₃的值为0.5。

上述的有效利用循环烟气和废气热能的烧结热风温度和热风含氧量智能协调优化控制方法，求得空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x此三个量之间的比例后，根据当时已知的循环烟气风量F_x，即可推算出空气风量F_k和环冷机废气风量F_h，并下发到烧结过程，调节空气和环冷机废气的抽风阀门，实现热风温度的优化控制，达到有效利用循环烟气和废气热能的目的。

本发明所述的智能协调控制方法，基于对烧结热风温度和热风含氧量与操作参数的关联性分析，建立了烧结热风温度和热风含氧量机理模型。基于该机理模型，根据最佳热风温度区间T_rbest和最佳热风含氧量区间O_rbest建立烧结热风温度和热风含氧量评价函数。基于评价函数，采用遗传算法离线寻优求解，求得空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x的比例，下发到烧结过程，调节空气、环冷机废气和循环烟气的抽风风量。由此，可实现烧结热风温度和热风含氧量的智能协调控制，将烧结热风温度和热风含氧量稳定在最佳区间范围内。同时，本发明使热风温度的波动减少了2.7％，热风含氧量的波动减少了3.4％，更有效的利用了循环烟气和废气热能，减少了焦粉的消耗量，为提高烧结过程热能利用率和钢铁生产节能减排水平提供了有效途径。

下面结合附图对本发明作进一步说明。

附图说明

图1为本发明的控制流程图；

图2为本技术发明应用之前烧结热风温度和热风含氧量控制效果图；

图3为本技术发明应用之后烧结热风温度和热风含氧量控制效果图。

具体实施方式

本发明的技术构思为：

对烧结热风温度和热风含氧量与操作参数之间的关系进行灰色关联分析，在此基础上建立烧结热风温度和热风含氧量机理模型。

为将烧结热风温度和热风含氧量稳定在最佳区间范围内，基于机理模型，根据最佳热风温度区间T_rbest和最佳热风含氧量区间O_rbest建立评价函数。

采用遗传算法离线寻优求解，求得空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x的比例，根据当时的循环烟气风量F_x，推算出空气风量F_k和环冷机废气风量F_h，下发到烧结过程，调节空气和环冷机废气的抽风阀门，达到有效利用循环烟气和废气热能的目的。

参见图1，本发明具体包括以下步骤：

步骤S01：烧结热风温度和热风含氧量与操作参数之间的灰色关联度分析。

基于烧结机理以及实际经验，初步确定烧结热风温度和热风含氧量的影响因素包括：空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x、脱硫烟气抽风风量F_t和点火温度IGN_t。

第一步：初值化处理。

设有原始数列x⁰＝{x⁽⁰⁾(1)，x⁽⁰⁾(2)，...，x⁽⁰⁾(n)}，其中x⁰为某一过程参数的时间序列，对x⁰作初值化处理得y⁰，则

$y^0=\{y^{\left(0\right)}\left(1\right),y^{\left(0\right)}\left(2\right),...,y^{\left(0\right)}\left(n\right)\}=\{\frac{x^{\left(0\right)}\left(1\right)}{x^{\left(0\right)}\left(1\right)},\frac{x^{\left(0\right)}\left(2\right)}{x^{\left(0\right)}\left(1\right)},...,\frac{x^{\left(0\right)}\left(n\right)}{x^{\left(0\right)}\left(1\right)}\}$

第二步：均值化处理。

设有原始数列x⁰＝{x⁽⁰⁾(1)，x⁽⁰⁾(2)，...，x⁽⁰⁾(n)}，其中x⁰为某一过程参数的时间序列，令其均值为如下所示：

${\stackrel{\&OverBar;}{x}}^{\left(0\right)}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}^{\left(0\right)}\left(k\right)$

则对x⁰作均值化处理，得y⁰为：

$y^0=\{y^{\left(0\right)}\left(1\right),y^{\left(0\right)}\left(2\right),...,y^{\left(0\right)}\left(n\right)\}=\{\frac{x^{\left(0\right)}\left(1\right)}{{\stackrel{\&OverBar;}{x}}^{\left(0\right)}},\frac{x^{\left(0\right)}\left(2\right)}{{\stackrel{\&OverBar;}{x}}^{\left(0\right)}},...,\frac{x^{\left(0\right)}\left(n\right)}{{\stackrel{\&OverBar;}{x}}^{\left(0\right)}}\}$

第三步：归一化处理。

在非时间序列中，同一序列有许多不同的物理量，且数值大小相差过分悬殊，为避免造成非等权情况，对这些数列作归一化处理。

第四步：计算灰色关联系数。

若经数据处理后的母数列为x₀(t)，子数列为x_i(t)，在时刻t＝k时，x₀(k)与x_i(k)的灰关联系数为：

${\mathrm{\&xi;}}_{0i}\left(k\right)=\frac{{\mathrm{\&Delta;}}_{\min }+\mathrm{\&rho;}{\mathrm{\&Delta;}}_{\max }}{{\mathrm{\&Delta;}}_{0i}\left(k\right)+{\mathrm{\&rho;\&Delta;}}_{\max }}$

其中Δ_0i(k)为k时刻两个序列的绝对值，即Δ_0i(k)＝|x₀(k)-x_i(k)|，Δ_max，Δ_min分别为各个时刻的绝对差中的最大值与最小值。ρ为分辨系数，根据经验取0.5。

第五步：求灰色关联度与灰色关联矩阵。

其计算公式为：

$r_{0i}=\frac{1}{N}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_{0i}\left(k\right)$

其中r_0i为子序列i与母序列0的灰色关联度。N为序列的长度即数据个数。若有n个母序列，m个子序列，各子序列对母序列的关联度为r_ij，则可得灰色关联矩阵为：

$R=\left\{\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1m}\\ r_{21}& r_{22}& ...& r_{2m}\\ ...& ...& ...& ...\\ r_{n1}& r_{n2}& ...& r_{\mathrm{nm}}\end{array}\right\}$

第六步：关联度排序以及优势分析。

对r_0i进行从大到小排序，根据排序结果判断子因素与母因素的关联性强弱，排序越靠前，则说明此子因素与母因素的关联性越强，反之越弱。通过灰色关联计算可以得到热风温度的灰色关联矩阵为：

R＝[0.826 0.793 0.782 0.461 0.417]

从灰色关联矩阵可以看出，前3列的数据都大于0.5，说明空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x对热风温度的影响较大，而脱硫烟气抽风风量F_t和点火温度IGN_t对热风温度的影响较小。因此确定影响热风温度的主要因素为：空气风量F_k、环冷机废气风量F_h和循环烟气抽风风量F_x。

热风含氧量的灰色关联矩阵为：

R＝[0.861 0.825 0.789 0.436 0.427]

从灰色关联矩阵可以看出，前3列的数据都大于0.5，说明空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x对热风含氧量的影响较大，而脱硫烟气抽风风量F_t和点火温度IGN_t对热风含氧量的影响较小。因此确定影响热风温度的主要因素为：空气风量F_k、环冷机废气风量F_h和循环烟气抽风风量F_x。

步骤S02：建立烧结热风温度和热风含氧量机理模型。

该模型以空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x、空气温度T_k、环冷机废气温度T_h、循环烟气温度T_x、空气含氧量O_k、环冷机废气含氧量O_h、循环烟气含氧量O_x为输入；以热风温度T_r和热风含氧量O_r为输出，这些量都可直接或间接可测的，各类风的温度是通过热电偶测得，各类风的流量则是通过流量计测得，而各个气体的含氧量则是通过采样计算取得的；其中，采样周期为5分钟。烧结热风温度和热风含氧量机理模型由下式表征：

$T_r=\frac{F_k\&times;T_k}{F_k+F_h+F_x}+\frac{F_h\&times;T_h}{F_k+F_h+F_x}+\frac{F_x\&times;T_x}{F_k+F_h+F_x}$

$O_r=\frac{F_k\&times;O_k}{F_k+F_h+F_x}+\frac{F_h\&times;O_h}{F_k+F_h+F_x}+\frac{F_x\&times;O_x}{F_k+F_h+F_x}$

其中，空气的含氧量O_k为21％，温度T_k为20～30℃；环冷机二段废气的含氧量O_h为15％，温度T_h为200～300℃，循环烟气的含氧量O_x为6％，温度T_x为250～350℃。

步骤S03：确定最佳热风温度区间T_rbest和最佳含氧量区间O_rbest

热风温度与燃烧速度、燃料配比、烧结矿质量指标之间存在如下关系：热风温度在200～300℃时，垂直烧结速度降低不多，热风温度超过300℃，垂直烧结速度降低幅度比较大；焦粉量随热风温度的提高而降低，但热风的温度在250～300℃时最为经济；转鼓指数在100～250℃时变化不明显，在300℃时达到最高值；转鼓指数在300℃后下降；通入热风后成品率呈上升的趋势，但中间有些波动，在300℃以后成品率急剧下降。考虑到热风温度与燃烧速度、燃料配比与烧结矿质量指标的关系，将最佳热风温度区间T_rbest定为250～300℃。

烧结过程是使混合料自上而下进行熔融燃烧，由燃烧产生的热量使混合料经物理和化学变化，最终形成成分适宜、具有一定强度和间隙度的烧结矿的过程。为确保烧结过程中燃烧的充分进行，需要保证氧气的含量，以此为出发点考虑热风的含氧量。根据工业现场经验与实际数据，将最佳热风含氧量区间O_rbest确定为10～12％。

步骤S04：建立热风温度与热风含氧量评价函数。

基于烧结热风温度和热风含氧量机理模型，根据最佳热风温度区间T_rbest和最佳热风含氧量区间O_rbest建立评价函数，采用遗传算法离线寻优求解，求得空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x的比例，实现热风温度的优化控制，达到有效利用循环烟气和废气热能的目的。

评价函数由下式表征：

$f_t\left(x\right)=\left\{\begin{array}{cc}1-(a-T_r)/a& T_r<a\\ 1& a<T_r<b\\ 1-(T_r-b)/T_r& b<T_r\end{array}\right.$

$f_o\left(x\right)=\left\{\begin{array}{cc}1-(c-O_r)/c& O_r<c\\ 1& c<O_r<d\\ 1-(O_r-d)/O_r& d<O_r\end{array}\right.$

其中，f_t(x)表示热风温度评价函数，f_o(x)表示热风含氧量评价函数，T_r表示热风温度，O_r表示热风含氧量，T_rbest＝[a，b]，O_rbest＝[c，d]。根据机理分析和现场经验，取a＝250，b＝300，c＝10，d＝12。

步骤S05：遗传算法离线寻优求解。

第一步：适应度函数设计

根据热风温度机理模型得到热风温度与含氧量的两个评价函数，定义适应度函数为：

F＝1/(w_tf_t+w_of_o)

其中，F为适应度函数，w_t、w_o为f_t、f_o加权值，根据经验，取w_t＝0.7，w₀＝0.3。

第二步：编码

采用实数编码方式对空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x的比例P_k∶P_h∶P_x进行编码。这样，第i代，第n个染色体表示为 $P_n^i=[{p_k^n}_k,{p_k^n}_h,{p_k^n}_x],$ 对应于三个待优化的参数， $P_k={p_k^n}_k,$ $P_h={p_k^n}_h,$ $P_x={p_k^n}_x.$

第三步：选择

采用精英保留策略和轮盘赌算法相结合的方法。在规模为P_n的群体中，对适应度较高的个体即适应度函数值大于0.85的个体采用精英保留策略进行选择，如：设到第t代时，群体中a(t)为最优个体。又设A(t+1)为新一代群体，若A(t+1)中不存在a(t+1)，则把a(t)加入到A(t+1)中作为A(t+1)的第n+1个个体，这里n为群体的大小；而对群体中适应度不高的个体即适应度函数值小于0.85的个体，按照一定比率采用轮盘赌算法进行选择。具体如下，对于给定的规模为n的群体P_n＝{a₁，a₂，…a_n}，个体a_j∈P的适应值为f(a_j)，其选择概率为：

$p_s\left(a_j\right)=\frac{f\left(a_j\right)}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}f\left(a_j\right)},j=\mathrm{1,2},...n$

通过各个个体的选择概率，计算其累计概率。第k个个体的累计概率为然后产0到1之间的随机数e与p_x(a_k)进行比较来决定选择的个体。若a_k-1＜e＜a_k，则选择第k个个体。通过重复n轮来产生n个子代个体。

第四步：交叉与变异

为了避免在交叉和变异中种群的发散和陷入局部极小，要保持种群中“好”的个体，需要自适应地调整p_c和p_m，其中，p_c是交叉概率，p_m为变异概率，这可以通过对高适值的解降低p_c和p_m的值，对低适值的解提高p_c和p_m的值来实现，当高适值的解加快遗传算法收敛的同时，低适值的解防止遗传算法陷入局部极小。在一般的遗传算法中，交叉概率常随机地选取一个较大的值，而变异概率选取一个较小的值；通常交叉概率选为0.5～1.0，变异概率的取值范围是0.001～0.05。

因此，采用p_c和p_m能够随适应度函数自动改变的改进遗传算法，p_c和p_m的调整公式如下：

$p_c=\left\{\begin{array}{cc}\frac{k_1(F_{\max }-F_c)}{F_{\max }-F_{\mathrm{avg}}},& F_c\&GreaterEqual;F_{\mathrm{avg}}\\ k_2,& F_c<F_{\mathrm{avg}}\end{array}\right.$

其中，0＜k₁，k₂＜1，并且k₂＞k₁，F_max是个体最大适应度，F_avg是个体的平均适应度，F_c是被选中要进行交叉的两个个体中较大的一个。进行交叉时，如果个体的适应度较小，小于平均适应度，则直接赋值，采用较大的交叉率；如果个体的适应度较大，大于平均适应度时，则进行计算得到交叉概率。

$p_m=\left\{\begin{array}{cc}\frac{k_3(F_{\max }-F_m)}{F_{\max }-F_{\mathrm{avg}}},& F_m\&GreaterEqual;F_{\mathrm{avg}}\\ k_4,& F_m<F_{\mathrm{avg}}\end{array}\right.$

其中，0＜k₃，k₄＜1，并且k₄＞k₃，F_max是个体最大适应度，F_avg是个体的平均适应度，F_m是进行变异的个体的适应度。进行变异时，如果个体的适应度较小，小于平均适应度，则直接赋值，采用较大的变异概率；如果个体的适应度较大，大于平均适应度时，则进行计算得到变异概率。

改进的目的就是防止算法收敛于局部最优点，为了达到这个目的，使用适值低于平均值的解搜索包含最优解的解区域，这样的解需要完全被打破，由于具有适值F_avg的解也需要被完全打破，固选择k₃＝0.5，基于类似的原因将k₁的值设为1.0，这样保证了适值小于或等于F_avg的所有解都经历交叉操作，交叉概率随着适值趋向于F_max，而减小并且当适值等于F_max时交叉概率为零。

然后，通过遗传算法离线寻优，得到空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x的比例。

步骤S06：控制量下发。

在烧结生产中，一般不调节循环烟气风量F_x。因此，求得空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x的比例后，根据当时的循环烟气风量F_x，推算出空气风量F_k和环冷机废气风量F_h，下发到烧结过程，调节空气和环冷机废气抽风阀门，达到有效利用循环烟气和废气热能的目的。

前后效果对比

实现烧结热风温度和热风含氧量的稳定控制，最终目标就是实现热风温度和烧结终点温度的稳定控制，提高烧结过程热能利用率；在本方法应用之前，热风温度和明显随工况的进行波动较大，如图2所示，其中采样时间为5分钟。

而在应用本发明之后，热风温度基本稳定在200～300℃，烧结终点温度基本稳定在350～450℃。应用前后的热风温度和烧结终点温度的控制效果如图3所示，其中采样时间为5分钟。可见，本发明能够将热风温度稳定在最佳温度区间范围内，有效利用烧结循环烟气和废气热能，提高烧结过程热能利用率，降低生产成本。

Claims (7)

1.一种烧结热风温度和热风含氧量智能协调优化控制方法，其特征在于，包括以下步骤：

步骤1：以空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x、空气温度T_k、环冷机废气温度T_h、循环烟气温度T_x、空气含氧量O_k、环冷机废气含氧量O_h、循环烟气含氧量O_x为输入；以热风温度T_r和热风含氧量O_r为输出，建立烧结热风温度和热风含氧量机理模型；

步骤2：基于步骤1建立的烧结热风温度和热风含氧量机理模型，根据最佳热风温度区间T_rbest和最佳热风含氧量区间O_rbest建立评价函数，采用遗传算法离线寻优求解，求得空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x此三个量之间的比例。

2.根据权利要求1所述的一种烧结热风温度和热风含氧量智能协调优化控制方法，其特征在于，步骤1中的烧结热风温度和热风含氧量机理模型由下式表征：

$T_r=\frac{F_k\&times;T_k}{F_k+F_h+F_x}+\frac{F_h\&times;T_h}{F_k+F_h+F_x}+\frac{F_x\&times;T_x}{F_k+F_h+F_x}$

$O_r=\frac{F_k\&times;O_k}{F_k+F_h+F_x}+\frac{F_h\&times;O_h}{F_k+F_h+F_x}+\frac{F_x\&times;O_x}{F_k+F_h+F_x}$

其中，T_r表示热风温度，F_k表示空气风量，F_h表示环冷机废气风量，F_x表示循环烟气抽风风量，T_k表示空气温度，T_h表示环冷机废气温度，T_x表示循环烟气温度，O_k表示空气含氧量，O_h表示环冷机废气含氧量，O_x表示循环烟气含氧量，O_r表示热风含氧量。

3.根据权利要求1所述的一种烧结热风温度和热风含氧量智能协调优化控制方法，其特征在于，步骤2中的评价函数由下式表征：

$f_t\left(x\right)=\left\{\begin{array}{cc}1-(a-T_r)/a& T_r<a\\ 1& a<T_r<b\\ 1-(T_r-b)/T_r& b<T_r\end{array}\right.$

$f_o\left(x\right)=\left\{\begin{array}{cc}1-(c-O_r)/c& O_r<c\\ 1& c<O_r<d\\ 1-(O_r-d)/O_r& d<O_r\end{array}\right.$

其中，f_t(x)表示热风温度评价函数，f_o(x)表示热风含氧量评价函数，T_r表示热风温度，O_r表示热风含氧量，T_rbest＝[a，b]，O_rbest＝[c，d]，a＝250，b＝300，c＝10，d＝12。

4.根据权利要求1所述的一种烧结热风温度和热风含氧量智能协调优化控制方法，其特征在于，步骤2中所述的采用遗传算法离线寻优求解包括以下步骤：

步骤(1)：根据烧结热风温度和热风含氧量机理模型定义适应度函数为：

F＝1/(w_tf_t+w_of_o)

其中，F为适应度函数，w_t、w_o为f_t、f_o加权值；

步骤(2)：采用实数编码方式对空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x，三个量之间的比例P_k∶P_h∶P_x进行编码；

步骤(3)：采用精英保留策略和轮盘赌算法相结合的方法对群体中的个体进行选择，对群体中适应度函数值大于0.85的个体采用精英保留策略进行选择，而对群体中适应度函数值小于0.85的个体，采用轮盘赌算法进行选择；

步骤(4)：采用交叉概率p_c和变异概率p_m能够随适应度函数自动改变的改进遗传算法进行离线求解。

5.根据权利要求4所述的一种烧结热风温度和热风含氧量智能协调优化控制方法，其特征在于，所述的步骤(4)中，交叉概率p_c的调整公式为：

$p_c=\left\{\begin{array}{cc}\frac{k_1(F_{\max }-F_c)}{F_{\max }-F_{\mathrm{avg}}},& F_c\&GreaterEqual;F_{\mathrm{avg}}\\ k_2,& F_c<F_{\mathrm{avg}}\end{array}\right.$

其中，0＜k₁，k₂＜1，并且k₂＞k₁，F_max是个体最大适应度，F_avg是个体的平均适应度，F_c是被选中要进行交叉的两个个体中较大的一个。进行交叉时，如果个体的适应度较小，小于平均适应度，则直接赋值，采用较大的交叉率；如果个体的适应度较大，大于平均适应度时，则进行计算得到交叉概率；交叉概率p_m的调整公式为：

$p_m=\left\{\begin{array}{cc}\frac{k_3(F_{\max }-F_m)}{F_{\max }-F_{\mathrm{avg}}},& F_m\&GreaterEqual;F_{\mathrm{avg}}\\ k_4,& F_m<F_{\mathrm{avg}}\end{array}\right.$

其中，0＜k₃，k₄＜1，并且k₄＞k₃，F_max是个体最大适应度，F_avg是个体的平均适应度，F_m是进行变异的个体的适应度。进行变异时，如果个体的适应度较小，小于平均适应度，则直接赋值，采用较大的变异概率；如果个体的适应度较大，大于平均适应度时，则进行计算得到变异概率。

6.根据权利要求5所述的一种烧结热风温度和热风含氧量智能协调优化控制方法，其特征在于，所述的k₁的值为1.0，所述的k₃的值为0.5。

7.根据权利要求1-6任一项所述的有效利用循环烟气和废气热能的烧结热风温度和热风含氧量智能协调优化控制方法，其特征在于，求得空气风量F_k、环冷机废气风量F_h、循环烟气抽风风量F_x此三个量之间的比例后，根据当时已知的循环烟气风量F_x，即可推算出空气风量F_k和环冷机废气风量F_h，并下发到烧结过程，调节空气和环冷机废气的抽风阀门，实现热风温度的优化控制，达到有效利用循环烟气和废气热能的目的。

Images