CN103950930A - 一种用于电石生产配料的控制方法 - Google Patents

Abstract

本发明涉及一种用于电石生产配料的控制方法，属于电石生产技术领域。本发明根据原料的电阻率和透气性对冶炼的影响，以最大透气性和最大电阻率为优化目标，建立优化配料的数学模型，并通过优化配料计算，得出综合指标最优的入炉炉料，控制入炉原料的化学成分，使入炉原料的化学成分既能满足生产电石的质量要求又保持入炉原料化学成分的稳定，保证电石品质的基础上，对入炉原料的电阻率及透气性进行优化计算，并充分考虑其他约束条件的影响，使电石生产的炉况得到改善。

Description

一种用于电石生产配料的控制方法

技术领域

本发明涉及一种用于电石生产配料的控制方法，属于电石生产技术领域。

背景技术

电石的主要成分是CaC₂，是有机合成工业的重要原料，在化学工业中具有重要作用。电石的熔炼过程是一个高温物理化学变化过程，将焦炭和石灰按一定比例投入炉内，在高温下发生化学反应，产生碳化钙。电石冶炼通过三相电极向炉内导入电流，产生电弧电阻热，使原料在一定温度下发生化学还原反应生成电石。

电石作为的主要化工原料已经成为我国各地重要的支柱产业之一，尤其是西北地区电石行业近些年发展迅速，规模不断扩大，电石产业也不断壮大。生产电石的方法主要有电热法和氧热法，目前工业上生产电石的方法主要是电热法。电热法生产电石的主要设备是矿热电弧炉，大量消耗电热，被称为“电老虎”，电石行业普遍存在高能耗、低效率、操作水平低的问题，随着国家对电石行业能耗的控制，电石生产的节能改造势在必行。

配料是电石生产的重要工序，配料控制的优劣从本质上决定了电石产品的质量，对于冶炼的稳定、冶炼的能耗有着重要的影响。有炉料的电阻率和透气性是影响炉料质量的重要因素。炉料的比电阻高，电极插入深，热能主要用于电弧加热反应层，支路电流小，提高热效率。炉料结构正常，电炉易于操作；使用比电阻较大的原料，可以使得炉温提高，又不使电极上抬，相反，料面温度高，浪费热能；利于实现闭弧操作；提高炉料比电阻，提高操作电阻，从而提高功率因素和电效率。气孔率低，透气性差，产生的气体不易排出，减慢反应。同时炉内压降提高，炉料下落速度减慢；气孔率低，炉气压力大，发生喷料，塌料，结块。炉料落至熔池。造成炉料结构突变不正常。致使电极上升，产品质量下降；增加红料的产生.使得热能施加于料面，用于反应层的热能减少。炉温降低。控制炉料的电阻率和透气性对电石炉的冶炼具有重要的意义。

随着计算机技术在化电石生产行业中的广泛应用,电石的生产采用了自动控制配料系统后,解决了一些电石生产存在的一些问题,取得明显的生产效率和经济效益。但现有的电石生产配料系统存在系统不稳定、配比精度低、原料成分波动大，人工现场环境恶劣；且现有的配料系统仅考虑原料的化学成分对电石质量的影响，而没有考虑原料的电阻率以及透气性等物理性能对冶炼的影响。导致原料、能源的浪费，并且影响电石产品质量以及生产率。

发明内容

本发明的目的是提供一种用于电石生产配料的控制方法，以解决目前电石生产配料系统存在的配料配比精度低以及成分波动大的问题。

本发明为解决上述技术问题而提供一种用于电石生产配料的控制方法，该控制方法的步骤如下：

1）根据电石生产用混合料的电阻率、透气性与原料粒度和原料配比的关系，利用回归分析的方法得到混合料电阻率和透气性分别与原料粒度和原料配比间的关系；

2）根据得到混合料电阻率、透气性分别与原料粒度和原料配比间的关系建立最大透气性和最大电阻率优化目标函数，并以电石液发气量、电石液产量、原料的化学成分和原料的粒度作为约束条件,其中最大电阻率和最大透气性的目标函数为：

$\mathrm{Max}\left(\mathrm{resistivity}\right)=\frac{0.04w{\left[0\right]}^2-0.03\left[0\right]-0.438w{\left[2\right]}^4+w{\left[2\right]}^2-0.084\left[2\right]+0.031}{1.73\·{(\mathrm{Vr}-0.4)}^{1.06}}$

$\mathrm{Max}\left(\mathrm{permeability}\right)=0.57\left(\frac{{\mathrm{eier}}^2\mathrm{fai}\frac{1}{\frac{w\left[0\right]}{d\left[0\right]}+\frac{w\left[1\right]}{d\left[1\right]}+\frac{w\left[2\right]}{d\left[2\right]}}}{1-\mathrm{eier}}\right)$

其中eier代表材料的孔隙度，fai代表原料的形状因子，Vr代表碳材、石灰体积比，w[0],w[1],w[2]代表混合原料粒度的质量分数，d[0],d[1],d[2]代表配成料的粒度；

3）根据采集到的原料的化学成分和粒度组成参数通过非支配排序遗传算法求解由步骤2）确定的目标函数，得到最佳的原料配比；

4）根据得到的最佳原料配比控制电石炉进料口处各个原料的下落量。

所述的步骤2）的约束条件包括各种原料的配比约束、电石品质的约束、电石生产入炉原料化学成分的约束、入炉原料粉末的约束和非负约束。

所述步骤3）中采用的非支配排序遗传算法为带精英策略的非支配遗传算法。

所述在电石冶炼过程中其状态参数以及目标函数推导结果通过屏幕显示，以便于操作人员根据显示内容及时、准确的进行配料。

所述原料的化学成分、粒度组成参数和目标函数模型及推导结果可存储到数据库中，方便查询。

本发明的有益效果是：本发明根据原料的电阻率和透气性对冶炼的影响，以最大透气性和最大电阻率为优化目标，建立优化配料的数学模型，并通过优化配料计算，得出综合指标最优的入炉炉料，控制入炉原料的化学成分，使入炉原料的化学成分既能满足生产电石的质量要求又保持入炉原料化学成分的稳定，保证电石品味的基础上，对入炉原料的电阻率及透气性进行优化计算，并充分考虑其他约束条件的影响，使电石生产的炉况得到改善。

附图说明

图1是电石生产配送料系统的流程示意图；

图2是本发明采用非支配排序并填充新种群的过程示意图；

图3是本发明采用带经营策略的非支配排序遗传算法示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的说明。

本发明是针对电石生产配料工序流程（图1）对入炉原料进行物料平衡计算，控制入炉原料的化学成分，使入炉原料的化学成分既能满足生产电石的质量要求又保持入炉原料化学成分的稳定，以解决电石生产配料配比精度低以及成分波动大的问题。该方法的具体过程如下：

1.根据电石生产用混合料的电阻率、透气性与原料粒度和原料配比的关系，利用回归分析的方法得到混合料电阻率和透气性分别与原料粒度和原料配比间的关系。

首先通过实验测量得出原料的电阻值，根据欧姆定律可得原料的电阻率计算公式从而计算得到原料的电阻率值，电阻率的实验研究的目的是研究混合料的固定碳含量、粒度与电阻率的关系，通过回归分析得出函数方程，用于优化配料数学模型。

回归分析是研究一个随机变量Y对另一个(X)或一组(X1，X2，…，Xk)变量的相依关系的统计分析方法，回归分析的主要内容为：从一组数据出发确定某些变量之间的定量关系式，即建立数学模型并估计其中的未知参数。估计参数的常用方法是最小二乘法；对这些关系式的可信程度进行检验；在许多自变量共同影响着一个因变量的关系中，判断哪个（或哪些）自变量的影响是显著的，哪些自变量的影响是不显著的，将影响显著的自变量选入模型中，而剔除影响不显著的变量，通常用逐步回归、向前回归和向后回归等方法；利用所求的关系式对某一生产过程进行预测或控制。

2.以原料的配比为决策变量，以最大透气性、最大电阻率为优化目标，以电石液发气量、电石液产量、入炉原料的化学成分、入炉原料的粒度组成等为约束条件建立优化配料的数学模型，优化配料模型以原料的配比为决策变量，x[n],y[m]，其中x[n]代表每种碳素材料的配比（%），n代表碳素材料的种类；y[m]代表每种生石灰的配比（%），m代表石灰材料的种类，以原料的最大电阻率和最大透气性为目标函数，根据得到混合料电阻率和透气性分别与原料粒度和原料配比间的关系建立目标函数方程：

$\mathrm{Max}\left(\mathrm{resistivity}\right)=\frac{0.04w{\left[0\right]}^2-0.03\left[0\right]-0.438w{\left[2\right]}^4+{w\left[2\right]}^2-0.084\left[2\right]+0.031}{1.73\·{(\mathrm{Vr}-0.4)}^{1.06}}$

$\mathrm{Max}\left(\mathrm{permeability}\right)=0.57\left(\frac{{\mathrm{eier}}^2\mathrm{fai}\frac{1}{\frac{w\left[0\right]}{d\left[0\right]}+\frac{w\left[1\right]}{d\left[1\right]}+\frac{w\left[2\right]}{d\left[2\right]}}}{1-\mathrm{eier}}\right)$

其中eier代表材料的孔隙度，fai代表原料的形状因子，Vr代表碳材、石灰体积比，w[0],w[1],w[2]代表混合原料粒度的质量分数，d[0],d[1],d[2]代表配成料的粒度。

上述目标函数的约束条件分别为：

（1）因为配成料由生石灰和碳素材料组成，所以最终各种原料的配比的综合应等于100%；

Σx[n]+Σy[m]＝1

（2）电石生产的配料要满足电石品质的要求，而电石的品味由碳素材料与石灰材料的配比R决定，除此之外还要考虑碳素原料损失质量d、石灰原料损失质量e、电石中游离CaO质量为f的影响：

$C>=\frac{16\·a\·b[(e+f)\·R-d]}{M(9a-14\·b\·R)}$

（3）电石生产入炉原料化学成分的约束

MgO含量的约束，各种杂质中，氧化镁对电石生产的危害较大，氧化镁的还原作用会降低电效率和电石产量，并增加碳素消耗，同时氧化镁还原产物的燃烧，会妨碍炉子操作和运转，因此，MgO的含量越低越好。

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{P}_{\mathrm{MgO}\_i}\≤n_1$

挥发份含量约束：关于碳素原料中的挥发份形态，因没有适当的分析方法，所以不能明确肯定，从挥发份元素分析，推断是一些脂肪族饱和物，像甲烷、焦油类物质，挥发份增加1%，则生产1吨电石，需要多消耗2.3～2.5度电。此外挥发份靠近反应区时，会形成半融粘结状，使反应区的物料下落困难，易引起喷料现象，使热损失增加，因此挥发份的含量越低越好。

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{P}_{\mathrm{vm}\_i}\≤n_4$

水分约束，碳素原料的水分会使生石灰消化，导致炉料透气性变坏，同时炉内会发生水煤气等反应，而使电能和碳素原料的消耗增加。

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{P}_{H2O\_i}\≤n_5$

灰分含量约束，碳素原料中的杂质主要是灰分，全部由氧化物组成，对电石的生产是十分有害的，当炉料在电炉内反应生成碳化钙的同时，各种杂质也进行反应，不但消耗大量的电能，而且多消耗碳素。

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{P}_{\mathrm{SiO}2\_i}\≤n_6$

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{P}_{\mathrm{Fe}2O3\_i}\≤n_7$

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{P}_{\mathrm{Al}2O3\_i}\≤n_8$

S、P含量约束

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{P}_{S\_i}\≤n_2$

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{P}_{P\_i}\≤n_3$

（4）入炉原料粉末控制：碳素原料中的粉末对电石炉生产的稳定，有很大的害处，粉末多了以后，炉料透气性不好，电石生成过程中，产生的一氧化碳气体不能顺利引出，减慢了电石生成反应的速度。

$n_9\≤\frac{{\∑}_{i=1}^n{x}_i\mathrm{PSi}\_1}{{\∑}_{i=1}^n{x}_i}$

（5）非负约束

x[n]>=0

y[n]>=0

3.根据采集到的原料的化学成分和粒度组成参数求解由步骤2）确定的数学模型，得到最佳的原料配比。该求解过程采用带经营策略的非支配排序遗传算法，非支配排序遗传算法由印度科学家Deb等人于2000年提出了一种精英策略的非支配排序遗传算法(fast and Elitist Multi-Objective Genetic Algorithm,NSGA-2),在大多数方面，该算法与初始的NSGA(Non-dominated Sorting GeneticAlgorithm)没有太多的相似性，但是，创始者为了强调它的起源以及起源的地位而保持了NSGA这个名字。NSGA定义了拥挤距离(crowding distance)估计某个点周围的解密度，取代适应值共享。NSGA-2有效地克服了NSGA的3大缺陷:计算复杂性从O(MN³)降至O(MN²)，其中，M为目标函数个数,N为种群中个体的个数;具备最优保留机制及无需确定一个共享参数;进一步提高了计算效率和算法的鲁棒性。

本发明所采用遗传算法的算子设计如下：

(1)染色体编码

决策向量(X^C ₀,X^C ₁,……,X^C _m,X^S _m+1,X^S _m+2,……,X^S _m+n)即为染色体，本发明采用实数编码方式，避免了二进制编码在遗传操作时反复译码、解码以及二进制字符串有限的长度对进化算法性能和求解精度的影响。每个编码对应一种配料方案，编码长度等于决策变量的个数。

(2)种群初始化

初始群体的选取，可以随机选取或用其他的一些启发式算法选择一些比较好的染色体作为初始群体，前者的随机性可以达到所有状态的遍历，因而使最优解在进化中得以生存，然而加大了进化的代数和计算时间；后者虽然可以减少进化的代数和计算时间但对种子(初始染色体)的选取有一定的偏见和缺乏代表性，因此可能产生早熟而无法求出最优解。本发明按所设计的实数编码方式随机产生规模大小为popsize的初始种群P₀,每一个个体代表一种配料方案。

(3)非支配排序

进化种群中任意两个不同的个体p₁和p₂的pareto支配关系，若满足以下两个条件则称p₁支配p₂。

1)对每个子目标，p₁不比p₂差；

2)至少存在一个子目标，使p₁比p₂好。

此时,解p₁称为非支配解或非劣解,p₂称为支配解或劣解。

进行非支配排序的目的是为了给种群中的个体赋虚拟适应值i_rank,依据个体的pareto支配关系对种群分级。

非支配排序是一个循环分级过程。首先将当前种群中所有非支配解划分为同一等级，赋予虚拟适应值i_rank=1，将所有i_rank=1的个体定义为第一级非支配个体集F₁；然后从当前群体中去掉第一级非支配个体集中所有个体，在剩余个体中按照上述方法产生第二级非支配个体集。依此类推，对群体中所有个体进行赋值排序，直到种群中的所有个体全部被设定相应的等级为止。

(4)拥挤距离计算

为了能够在具有相同i_rank的个体内进行选择性排序,NSGA-Ⅱ提出了个体拥挤距离的概念，。种群中某个个体p_i的拥挤距离d_i是一个在个体周围不被种群中任何其它的个体所占有的搜索空间的度量。拥挤度的计算是保证种群多样性的一个重要环节。

计算拥挤度时,先对每个个体p_i的拥挤距离d_i初始化为0,对每一个目标根据目标函数值,对种群中的所有个体按升序进行排序。第一个和最后一个个体的拥挤距离设为无穷大，第i个个体的拥挤距离则设为第i+1和第i-1个体的所有目标函数值之差的和。本发明为两个目标函数，拥挤距离的计算公式为：

$d_i=\frac{1}{2}\left[\right|f_1^{i+1}-f_1^{i-1}|+|f_2^{i+1}-f_2^{i-1}|$

其中为第i个个体的目标函数值。

计算所得拥挤距离越小，则所得的解越密集，其多样性越小，反之说明所得解越稀疏，多样性越大。为了使计算结果在目标空间比较均匀地分布,以维持群体的多样性，优先选择拥挤距离较大的个体。

(5)轮赛制选择算子设计

选择算子的作用是为了避免有效基因的损失，使高性能的个体得以更大的概率生存，从而提高全局收敛性和计算效率。本发明采用轮赛制选择算子，取竞赛规模为2。对两个个体进行比较，如果两个个体的非支配排序不同（i_rank<j_rank）则取等级较高的个体。否则，如果两点在同一等级（i_rank=j_rank）上，而拥挤距离d_i>d_j，则取拥挤距离大的个体。这个过程重复进行直到完成个体的选择。

(6)精英策略

为了保证某些优良种群个体在进化过程中不会被丢弃，精英策略将父代种群P_t与其产生的子代种群Q_t组合，共同竞争产生新一代种群P_t+1。新一代种群产生成具体过程为:将规模都为N的父代种群和子代合并产生一个组合R_t＝P_t∪Q_t,种群规模为2N，然后，然后种群R_t根据非支配关系排序，将各个非支配前端中的个体并入新一代种群P_t+1中，直到中的个体数目超过N，对最后一个并入P_t+1的前端依据个体拥挤距离由大到小的顺序选择，直到种群规模达到N为止。

(7)交叉算子

交叉算子是遗传操作中最重要的操作，在交叉过程中优秀个体的基因模式得以迅速繁殖并在种群中扩散，使种群中其他个体能向最优解的方向行进。本发明采用模拟二进制交叉算子SBX(Simulated Binary Crossover)。

设p^t ₁和p^t ₂分别为第t代两个待交叉个体的决策变量，则交叉后两个体的相应的决策变量值为：

$\left\{\begin{array}{c}{p}_1^{t+1}=[(1+\mathrm{\&beta;})p_1^t+(1-\mathrm{\&beta;})p_2^t]/2\\ p_2^{t+1}=[(1-\mathrm{\&beta;})p_1^t+(1+\mathrm{\&beta;})p_2^t]/2\end{array}\right.$

其中β为随机变量，产生方法如下：

$\mathrm{\&beta;}=\left\{\begin{array}{cc}{\left(2\mathrm{\&mu;}\right)}^{\frac{1}{\mathrm{\&eta;}-1}},& \mathrm{\&mu;}\&le;0.5\\ {\left(2(1-\mathrm{\&mu;})\right)}^{\frac{1}{\mathrm{\&eta;}-1}},& \mathrm{\&mu;}>0.5\end{array}\right.$

其中η称为交叉分布指数,为常数。μ是均匀分布在[0,1]区间上的随机数。

(8)变异算子

变异操作采用多项式变异算子(polynomial mutation)。设p^t _i为第t代待变异个体的决策变量，多项式变异因子表达式：

$p_i^{t+1}=p_i^t+(p_i^t\left(U\right)-p_i^t\left(L\right)\&CenterDot;{\mathrm{\&delta;}}_i)$

其中，和分别表示的上界和下界，δ_i为扰动项，它的生成式为：

${\mathrm{\&delta;}}_k=\left\{\begin{array}{cc}{\left({2r}_k\right)}^{\frac{1}{{\mathrm{\&eta;}}_m+1}}-1,& r_k<0.5\\ \text{1-}{\left[2(1-r_k)\right]}^{\frac{1}{{\mathrm{\&eta;}}_m+1}},& r_k\&GreaterEqual;0.5\end{array}\right.$

其中r_k是分布在[0,1]区间的随机数，η_m称为变异分布指数。

该算法中对合并的亲代种群和子代种群进行非支配排序并填充新种群的过程如图2所示，该算法程序流程如图3所示。

4.根据得到的最佳原料配比控制电石炉进料口处各个原料的下落量，使操作人员按照最佳的原料配比进行电石生产。

同时可建立历史存储数据库，存储电石生产过程控制机（PLC）采集的电石炉生产参数，某些数据，如原料成分、产量等过程控制机不能采集的数据则由工长手工输入计算机中，通过对数据进行加工和处理，以形成数据库，并根据生产的需要及模型计算的需要确定数据的采集周期以及数据的保存期限，上述数据大部分从过程机采集后即刻存放在上位机的数据库内，而某些数据必须先对数据进行筛选、平滑以及检查信号是否在可信任范围内，除去不合理信号，而后再进行处理，进行求和、求最大值、最小值以及方差等。同时建立用户窗口，将电石冶炼过程中主要的的状态参数和优化配料模型推导结果显示到电脑屏幕上，以便于操作工人根据显示内容及时、准确的进行配料；建立历史查询功能及报表功能，以便于相关人员对历史数据进行检索和对冶炼效果进行分析。

本发明根据原料的电阻率和透气性对冶炼的影响，以最大透气性和最大电阻率为优化目标，建立优化配料的数学模型，并通过优化配料计算，得出综合指标最优的入炉炉料，控制入炉原料的化学成分，使入炉原料的化学成分既能满足生产电石的质量要求又保持入炉原料化学成分的稳定，保证电石品味的基础上，对入炉原料的电阻率及透气性进行优化计算，并充分考虑其他约束条件的影响，使电石生产的炉况得到改善。

本发明是具有良好的适应性，便于全面推广，本发明的优化配料模型在控制入炉原料的化学成分，保证电石品质的基础上，对入炉原料的电阻率及透气性进行优化计算，并充分考虑其他约束条件的影响，使电石生产的炉况得到改善。本发明采用非支配排序遗传算法求解优化配料的，有效地克服了NSGA的三大缺陷，计算复杂性降低了，具备最优保留机制及无需确定一个共享参数，进一步提高了计算效率和算法的鲁棒性。

Claims (5)

1.一种用于电石生产配料的控制方法，其特征在于，该控制方法的步骤如下：

1）根据电石生产用混合料的电阻率、透气性与原料粒度和原料配比的关系，利用回归分析的方法得到混合料电阻率和透气性分别与原料粒度和原料配比间的关系；

2）根据得到混合料电阻率、透气性分别与原料粒度和原料配比间的关系建立最大透气性和最大电阻率优化目标函数，并以电石液发气量、电石液产量、原料的化学成分和原料的粒度作为约束条件,其中最大电阻率和最大透气性的目标函数为：

$\mathrm{Max}\left(\mathrm{resistivity}\right)=\frac{0.04w{\left[0\right]}^2-0.03\left[0\right]-0.438w{\left[2\right]}^4+{w\left[2\right]}^2-0.084\left[2\right]+0.031}{1.73\&CenterDot;{(\mathrm{Vr}-0.4)}^{1.06}}$

$\mathrm{Max}\left(\mathrm{permeability}\right)=0.57\left(\frac{{\mathrm{eier}}^2\mathrm{fai}\frac{1}{\frac{w\left[0\right]}{d\left[0\right]}+\frac{w\left[1\right]}{d\left[1\right]}+\frac{w\left[2\right]}{d\left[2\right]}}}{1-\mathrm{eier}}\right)$

其中eier代表材料的孔隙度，fai代表原料的形状因子，Vr代表碳材、石灰体积比，w[0],w[1],w[2]代表混合原料粒度的质量分数，d[0],d[1],d[2]代表配成料的粒度；

3）根据采集到的原料的化学成分和粒度组成参数通过非支配排序遗传算法求解由步骤2）确定的目标函数，得到最佳的原料配比；

4）根据得到的最佳原料配比控制电石炉进料口处各个原料的下落量。

2.根据权利要求1所述的用于电石生产配料的控制方法，其特征在于，所述的步骤2）的约束条件包括各种原料的配比约束、电石品质的约束、电石生产入炉原料化学成分的约束、入炉原料粉末的约束和非负约束。

3.根据权利要求1所述的用于电石生产配料的控制方法，其特征在于，所述步骤3）中采用的非支配排序遗传算法为带精英策略的非支配遗传算法。

4.根据权利要求1所述的用于电石生产配料的控制方法，其特征在于，所述在电石冶炼过程中其状态参数以及目标函数推导结果通过屏幕显示，以便于操作人员根据显示内容及时、准确的进行配料。

5.根据权利要求3所述的用于电石生产配料的控制方法，其特征在于，所述原料的化学成分、粒度组成参数和目标函数模型及推导结果可存储到数据库中，方便查询。