CN105045104A - 基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法 - Google Patents

Abstract

本发明公开了基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法，它包括以下步骤：利用模糊C均值聚类遗传算法分别对焦粉、苏打、燃气加入量进行优化，将优化结果和卡尔多炉工况实测值进行比较并通过控制器进行调整，再将经过调整后的焦粉、苏打、燃气加入量利用工况判断模型对焦粉、苏打和燃气加入量的调整值进行判断：如果当前的综合工况指数落在“优”区间，则保持当前的操作参数；如果当前的综合工况指数落在“非优”区间，则调用操作参数优化模型，给出操作优化指导。本发明的有益效果是有效解决Kaldo炉工作过程中高温、反应复杂、因素多变而不确定、难以建立工业在线控制机理模型的问题。

Description

基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法

技术领域

本发明涉及集成智能控制系统领域，尤其涉及卡尔多炉参数寻优控制方法。

背景技术

卡尔多炉(Kaldo)是瑞典波立登(Boliden)公司于上世纪开发，采用富氧顶吹技术，广泛用于有色冶金行业中处理铅精矿、废杂铜和阳极泥等。铜阳极泥是金属铜电解精炼时落于电解槽底的泥状细粒物质，含有较多的Cu、S、Ag、Pb、Te及部分Au、Sb、Bi、As和脉石矿物。处理铜阳极泥，可以回收有价稀有金属，是现阶段贵金属资源综合利用回收的典型代表，符合国家产业政策。

由于卡尔多炉火法处理铜阳极泥工艺流程简洁，同一台炉体内完成熔炼（还原）和吹炼（精炼）作业，作业周期短、金属回收率高，处理金属品种多，我国于20世纪70年代以来引进卡尔多炉。但铜阳极泥成分多变，缺少在线检测金属成分仪器，化验室化验时间长（约1h），现场操控又比较复杂。其随设备配套的控制系统为传统的经典控制方法（单回路控制），没有涉及优化控制问题。

Kaldo炉处理铜阳极泥过程是一个典型的大滞后、时变、非线性、强耦合特性的多输入多输出复杂工业过程，用传统的经典控制方法无法解决其优化控制问题。卡尔多炉熔炼系统由炉体、加料系统、燃烧喷枪、吹炼喷枪、烟道、炉罩、循环水系统等组成。加料系统是将阳极泥在常压浸出、压力浸出工序处理后，经过滤，形成银硒混合物的滤饼和干燥剂，同溶剂进入Kaldo炉。燃烧喷枪通入氧气和天然气，用于加热和熔炼，温度大约1150℃，使炉内物料充分熔炼，熔炼产出银多尔合金和炉渣，熔炼完成后，加入一定量的焦炭屑进行渣还原，使渣中银含量低于0.4%，炉温控制在1000℃以上，否则形成泡沫渣，炉况难以控制。吹炼喷枪通入压缩空气，用于吹炼，吹炼主要用于除去余下的Pb、Te、Bi、Sb和Se，形成氧化铅渣，硒氧化挥发，当吹炼完成后，吹炼渣排出并返回下一个熔炼步骤。

Kaldo炉入炉物料主要包括以下三部分：银硒混合物滤饼、熔剂（焦粉、苏打等）和循环返料。其中，银硒混合物滤饼是入炉的主要原料，焦粉主要是用作还原剂而不是燃料，它能把阳极泥中的氧化铅还原成金属铅。焦粉的用量，以还原适量的金属铅为度，不宜过多，以防止其它杂质氧化物也被还原，降低贵铅质量，焦粉多，灰分也多，会影响炉渣性质，增大渣量；苏打(Na₂CO₃)是碱性熔剂，能与As、Sb等高价氧化物造渣，并能降低炉渣的熔点，改善炉渣的流动性，使炉渣易与贵铅分离，其配入量视阳极泥中酸性成分SiO₂的含量而定，以产出硅酸度为1-1.5的炉渣为宜，一般加入量为8%-14%。

熔剂的加入量对Kaldo炉炉况产生较大影响，恰当的加入量可以改善炉况熔炼指标，缩短作业周期，提高作业效率。因此，在满足炉内合适温度的情况下，寻找最优的焦粉、苏打加入量，可实现生产过程优化。

在熔炼期间，在先期预热在大约1000℃稳定的情况下，开始进料，此时是不允许炉内温度忽高忽低或波动过大，否则将对炉体造成伤害。进料的多少，对炉内熔体的温度影响较大，当炉体内部表面温度达到1100-1200°C时，加热必须限制以便保持在此温度。过快的温升，由于热惯性的存在，温度上限难于控制，过慢的温升，会造成物料熔炼（还原）不彻底，时间过长，影响作业效率，燃气流量的调整范围为200～1000Nm³/h，因此，实时对燃气流量的优化调整控制对炉体的安全及作业周期是具有重要意义。

中国发明专利公告号CN101139661公开了一种“铜闪速熔炼操作参数优化方法”，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。但该发明步骤较多，计算量大，且系统的控制精度和系统的执行速度不够理想。

发明内容

本发明要解决的技术问题是如何从现有的集成智能控制系统技术的算法中合理选择算法，根据卡尔多炉体的结构、生产特点、作业要求确定工况判断模型以及智能算法中参数的确定，为此提供一种基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法。

本发明的技术方案是：基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法，其特征是它包括以下步骤：利用模糊C均值聚类遗传算法分别对焦粉、苏打、燃气加入量进行优化，将优化结果和卡尔多炉工况实测值进行比较并通过控制器进行调整，再将经过调整后的焦粉、苏打和燃气加入量利用工况判断模型对焦粉、苏打、燃气加入量的调整值进行判断：

式中：S²是综合工况指数，W_A、W_B、W_C分别表示通过冶金学计算的需要的理论值，A、B、C分别表示焦粉、苏打、燃气寻优的目标值，分别为焦粉、苏打、燃气加入量对综合工况指数的影响因子，其大小由历史专家经验确定，约束条件为：

根据计算获得的值，可将综合工况指数分为优、良、中、差四个区间，四个区间的取值范围分别是0～a₁、a₁～a₂、a₂～a₃、＞a₃；如果当前的综合工况指数落在“优”区间，则保持当前的操作参数；如果当前的综合工况指数落在“非优”区间，则根据阳极泥批料冶金学计算工况计算出的焦粉、苏打、燃气加入量的理论值调用模糊C均值聚类遗传算法并利用现代控制理论中的操作空间设定控制焦粉、苏打和燃气期望指标，给出操作优化指导。

上述方案中所述模糊C均值聚类遗传算法包括

Step1：建立样本库

建立Kaldo炉作业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，包括阳极泥滤饼的加入量、各溶剂的加入量、富氧流量、空气流量、熔炼还原时间、熔体温度和各金属的质量分数等；用于优化操作的数据，包括添加溶剂和富氧流量的设定值，这些数据能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包含同样内容；

Step2：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，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；聚类后优化操作样本可分为10类，第i类的类中心为Ci，现场数据样本与类中心之间的相似性用相似系数表示：

式中：、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，越接近于1，表明二者越相似；当=1时，说明、完全相同；

Step3：判断当前工况所属类别

计算现场数据样本与10个聚类中心的相似系数，选择相似系数最大的类，作为当前工况所属类别；

Step4：遗传编码确定

编码长度取决于工艺参数的编码精度，由Kaldo炉作业数据可知，变化范围最大的工艺参数是燃气(变化量为1000-200=800)，采用二进制编码方式，当编码长度取10时（共2¹⁰=1024个），其精度为800/1024=0.78，满足生产要求，故编码长度取10；

Step5：群体个数

当群体小于某个数时，网络难于进化；但随群体的增大，相应的训练时间加长，群体大小选择相似系数较大的10个工况所属类别；

Step6：适应度函数

以综合工况指数S²为适应度评价函数，并计算适应度函数的值，判断当前炉况是否符合表一的优化准则，若符合，停止迭代计算，得到工艺参数的优化值，否则，转向Step7；

Step7：交叉和变异概率

交叉概率取0.75，变异概率取0.05；

Step8：

得到由交叉和变异操作产生新一代的种群，并返回Step6。

本发明的有益效果是采用聚类算法将优化样本空间范围缩小，再采用遗传算法进行搜索，有效地加快搜索速度，二者结合、扬长避短，相得益彰，既克服了模糊C均值聚类算法对初值敏感易陷入局部最小值的缺点，也避免了遗传算法因种群大而导致收敛速度慢、易早熟的遗憾，有效解决Kaldo炉工作过程中高温、反应复杂、因素多变而不确定、难以建立工业在线控制机理模型的问题。

附图说明

图1是为卡尔多炉参数优化模型结构图。

具体实施方式

下面结合附图对本发明做进一步说明。

如图1所示，本发明以Kaldo炉综合工况的稳定为控制目标，以影响Kaldo炉的主要因素为研究对象，为简化算法，采用优化控制方法寻找最优的焦粉、苏打、燃气的加入量。

利用模糊C均值聚类遗传算法分别对焦粉、苏打、燃气加入量进行优化，将优化结果和卡尔多炉工况实测值进行比较并通过控制器进行调整，再将经过调整后的焦粉、苏打、燃气加入量利用工况判断模型对焦粉、苏打和燃气加入量的调整值进行判断：

由于焦粉、苏打、燃气加入量能够直观地反映Kaldo炉作业过程的综合工况，在此引入综合工况指数，即待求解的均方差：

式中：W_A、W_B、W_C分别表示通过冶金学计算的需要的理论值，A、B、C分别表示焦粉、苏打、燃气寻优的目标值，分别为焦粉、苏打、燃气加入量对综合工况指数的影响因子，其大小由历史专家经验确定，由于阳极泥成分多变、并且含量不稳定，不能用一个具体的数值代替。约束条件为：

根据计算获得的值，结合表一可将综合工况指数分为优、良、中、差四个区间。如表1所示，如果当前的综合工况指数落在“优”区间，则保持当前的操作参数；如果当前的综合工况指数落在“非优”区间，则则根据阳极泥批料冶金学计算工况计算出的焦粉、苏打、燃气加入量的理论值调用模糊C均值聚类遗传算法并利用现代控制理论中的操作空间设定控制焦粉、苏打和燃气期望指标，利用智能优化算法即模糊C均值聚类遗传算法给出操作优化指导。

表一综合工况判断表

S2	0～a1	a1～a2	a2～a3	S>a3
					综合工况	优	良	中	差

其中,a₁、a₂、a₃均为常数，可根据历史数据专家经验确定。

在图1所示的操作优化样本库中保存有大量的各种不同溶剂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，因此先采用模糊C均值聚类算法将优化样本空间范围缩小，再采用遗传算法进行搜索，可以有效地加快搜索速度。

聚类分析是在无法预知样本的类别时，根据样本间的距离或一定的相似性准则来自动进行分类的一种方法。在众多模糊聚类算法中，模糊C-均值算法（fuzzyc-meansalgorithm简称FCM）应用最广泛且较成功，它通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。其算法基础是：假设样本集合为X={x1，x2，…，xn}，将其分成c个模糊组，并求每组的聚类中心cj（j=1，2，…，C），使目标函数达到最小。有关模糊C均值聚类算法，可在MATLAB模糊逻辑工具箱中实现，其函数为fcm()。

遗传算法（GeneticAlgorithm简称GA）是模拟自然界中的生命进化过程，有指导地而不是盲目地进行随机搜索，将优化计算中的迭代过程模拟成物种进化过程。通过种群的更新与迭代来搜索全局最优解，与其它优化算法相比，对于复杂的工程问题求解具有较强的鲁棒性，仅利用目标函数取值信息，无需诸如梯度及其它辅助信息，适合于大规模、高度非线性及无解析表达式的目标函数优化问题；群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)，通过迭代，直到输出满意解为止，有关遗传算法的求解，可在MATLAB遗传算法工具箱中实现和仿真。

由于模糊C均值聚类算法是一种局部搜索算法，采用迭代的爬山技术，对初值敏感易陷入局部最小值，而遗传算法是一种全局优化算法，能够克服模糊C均值聚类算法陷入局部最小值的问题，但遗传算法收敛速度慢，易早熟。因此，本控制方案采用集成的模糊C均值聚类遗传算法，充分利用各自算法的优点。

集成的模糊C均值聚类遗传算法具体步骤及参数确定如下:

Step1：建立样本库

建立Kaldo炉作业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，包括阳极泥滤饼的加入量、各溶剂的加入量、富氧流量、空气流量、熔炼还原时间、熔体温度、各金属的质量分数等（这些参数反映出历史上典型的工况）；用于优化操作的数据，包括主要的研究对象，如添加溶剂和富氧流量的设定值，这些数据能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包含同样内容。

Step2：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，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；聚类后优化操作样本可分为10类，第i类的类中心为Ci，现场数据样本与类中心之间的相似性用相似系数表示：

式中：、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，越接近于1，表明二者越相似；当=1时，说明、完全相同；

Step3：判断当前工况所属类别

计算现场数据样本与10个聚类中心的相似系数，选择相似系数最大的类，作为当前工况所属类别；

Step4：遗传编码确定

编码长度取决于工艺参数的编码精度，由Kaldo炉作业数据可知，变化范围最大的工艺参数是燃气(变化量为1000-200=800)，采用二进制编码方式，当编码长度取10时（共2¹⁰=1024个），其精度为800/1024=0.78，满足生产要求，故编码长度取10；

Step5：群体个数

当群体小于某个数时，网络难于进化；但随群体的增大，相应的训练时间加长，群体大小选择相似系数较大的10个工况所属类别；

Step6：适应度函数

以综合工况指数S²为适应度评价函数，并计算适应度函数的值，判断当前炉况是否符合表一的优化准则，若符合，停止迭代计算，得到工艺参数的优化值，否则，转向Step7；

Step7：交叉和变异概率

交叉概率决定随机配对的两个染色体是否进行基因链的交换，从而产生新的染色体，对遗传进化起到全局支配的作用。如交叉概率小，起不到全局搜索作用，如交叉概率大，则进化又慢，效果反而不好。根据工程经验和在MATLAB下经多次训练发现交叉概率取0.75时较好；当变异概率太大时，容易将种群中优良的染色体破坏，而太小时因得不到足够的变异而使进化停滞，经训练发现变异概率取0.05时较好。

Step8：

得到由交叉和变异操作产生新一代的种群，并返回Step6。

通过以上设置后，就可按上述模糊聚类和遗传控制优化流程在Matlab2014a版的FuzzyLogic和GA的工具箱中优化求解并仿真，通过对最高的染色体进行解码，即得到工艺参数的优化值。

本发明的创新点在于1、目前，集成智能控制系统技术的算法较多，如模糊控制技术、基于GA的BP神经网络控制、基于灰色RBF神经网络的集成控制等，如何从多种智能控制方法中合理选择算法，需要对控制对象存在问题的精细分析。

2、工况判断模型的建立

工况判断模型的建立是集成智能控制系统的目标，需要同炉体的结构、生产特点、作业要求等密切结合，需要长时间的探索。

3、智能算法中参数的确定

本专利中，模糊C均值聚类样本点和聚类中心的确定，决定系统的执行速度。

遗传算法中，遗传编码方式长度的确定、群体个数、交叉和变异概率等的选择，决定系统控制精度和系统的执行速度，如果超出本发明限定的编码长度、群体个数、交叉和变异概率范围，则起不到应有的效果，使系统控制精度下降，执行速度变慢。

4、仿真

目前，MATLAB工具箱中仅提供单一的算法仿真，集成智能控制系统需要编制大量的代码，需要反复修改参数，而本发明无需反复修改参数，降低工作强度。

Claims (2)

1.基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法，其特征是它包括以下步骤：利用模糊C均值聚类遗传算法分别对焦粉、苏打、燃气加入量进行优化，将优化结果和卡尔多炉工况实测值进行比较并通过控制器进行调整，再将经过调整后的焦粉、苏打、燃气加入量利用工况判断模型对焦粉、苏打和燃气加入量的调整值进行判断：

式中：S²是综合工况指数，W_A、W_B、W_C分别表示通过冶金学计算的需要的理论值，A、B、C分别表示焦粉、苏打、燃气寻优的目标值，分别为焦粉、苏打、燃气加入量对综合工况指数的影响因子，其大小由历史专家经验确定，约束条件为：

根据计算获得的值，可将综合工况指数分为优、良、中、差四个区间，四个区间的取值范围分别是0～a₁、a₁～a₂、a₂～a₃、＞a₃；如果当前的综合工况指数落在“优”区间，则保持当前的操作参数；如果当前的综合工况指数落在“非优”区间，则根据阳极泥批料冶金学计算工况计算出的焦粉、苏打、燃气加入量的理论值调用模糊C均值聚类遗传算法并利用现代控制理论中的操作空间设定控制焦粉、苏打和燃气期望指标，给出操作优化指导。

2.如权利要求1所述的基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法，其特征是所述模糊C均值聚类遗传算法包括

Step1：建立样本库

建立Kaldo炉作业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，包括阳极泥滤饼的加入量、各溶剂的加入量、富氧流量、空气流量、熔炼还原时间、熔体温度和各金属的质量分数等；用于优化操作的数据，包括添加溶剂和富氧流量的设定值，这些数据能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包含同样内容；

Step2：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，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；聚类后优化操作样本可分为10类，第i类的类中心为Ci，现场数据样本与类中心之间的相似性用相似系数表示：

式中：、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，越接近于1，表明二者越相似；当=1时，说明、完全相同；

Step3：判断当前工况所属类别

计算现场数据样本与10个聚类中心的相似系数，选择相似系数最大的类，作为当前工况所属类别；

Step4：遗传编码确定

编码长度取决于工艺参数的编码精度，由Kaldo炉作业数据可知，变化范围最大的工艺参数是燃气(变化量为1000-200=800)，采用二进制编码方式，当编码长度取10时（共2¹⁰=1024个），其精度为800/1024=0.78，满足生产要求，故编码长度取10；

Step5：群体个数

当群体小于某个数时，网络难于进化；但随群体的增大，相应的训练时间加长，群体大小选择相似系数较大的10个工况所属类别；

Step6：适应度函数

以综合工况指数S²为适应度评价函数，并计算适应度函数的值，判断当前炉况是否符合表一的优化准则，若符合，停止迭代计算，得到工艺参数的优化值，否则，转向Step7；

Step7：交叉和变异概率

交叉概率取0.75，变异概率取0.05；

Step8：

得到由交叉和变异操作产生新一代的种群，并返回Step6。