CN106022377B - 一种铁矿烧结料层透气性状态的在线预测方法 - Google Patents

Abstract

本发明公开了一种铁矿烧结料层透气性状态的在线预测方法，该方法采用模糊聚类算法，以台车速度、烧结终点及终点温度作为输入数据，将烧结料层透气性状态分为5类；采用支持向量机的方法对混合料粒度分布、混合料水分、固体燃料配比、料层厚度、混合料温度、点火炉负压以及1#风箱负压历史数据和对应的透气性状态数据，建立烧结料层透气性状态的预测模型；利用预测模型根据混合料粒度分布、混合料水分、固体燃料配比、料层厚度、混合料温度、点火炉负压以及1#风箱负压的在线检测数据，预测料层透气性状态。该方法科学合理，运用该方法获得预测结果准确，命中率达87.5％。

Description

一种铁矿烧结料层透气性状态的在线预测方法

技术领域

本发明技术属于铁矿烧结领域，提供了一种烧结料层透气性状态的在线预测方法。

背景技术

气体在铁矿烧结料层内的波动状态及变化规律，关系到烧结过程的传质、传热和物理化学反应的进程。料层透气性状态对烧结过程的顺行，以及烧结矿的产量、质量和能耗指标具有重要影响。因此，实现烧结料层透气性状态的综合评判和在线识别对指导实际生产具有重要意义。

烧结透气性分为原始料层透气性和烧结过程透气性。对于原始料层透气性比较典型的评价方法有：Ramsin公式、Carman公式、Ergun公式和Voice公式，其中Ramsin公式和Carman公式适合理论分析而不适合实际生产；Ergun公式由于参数复杂，难以在线测量；Voice公式优点是计算简单，但是经验性较强，且风量测量不准确。因此，这些评价方法在实际应用中均受到了较大限制。

由于缺乏切实可行的透气性在线检测方法，目前烧结生产过程大多是通过其它一些可以反映料层透气性好坏的参数来评判，主要包括：烧结终点、废气负压、废气温度等。上世纪80年代日本川崎钢铁公司开发的烧结过程操作指导系统中，透气性是通过最佳烧结过程的主抽风机废气流量、风箱处的最高温度和烧结终点，用三维矩阵进行综合评价。该方法主要是应用烧结结束时的参数来评判整个过程的透气性，时间滞后长。中南大学的姜波等人应用模糊数学的方法，采用原料参数、操作参数和状态参数对烧结过程透气性进行了综合评判，并对过程透气性的变化趋势进行了预测，该方法几乎考虑了所有与透气性有关的因素，但是现场应用时同样存在部分参数无法连续检测的问题，而且各参数权重的制定具有很强的经验性，限制了它的推广应用。印度塔塔研发与设计中心的Venkataramana等人提出了制粒小球粒度分布和原始料层透气性的组合模型，通过预测制粒后的混合料粒度分布和料层中的气流速度，获得原始料层的孔隙率和透气性，该方法只适用于预测冷态料层的透气性，对点火烧结后料层透气性并不适用。澳大利亚昆士兰先进技术中心的JasbirKhosa等人通过粒度分布和化学成分预测铁矿石制粒后的透气性，该方法仅能解释单矿的制粒性能，在混匀矿的透气性预测方面效果较差。因此，开发一种可准确实时评判烧结料层透气性状态的方法，对烧结生产的稳定和优化控制具有重要意义。

发明内容

本发明要解决的技术问题是提出一种准确性高、能在线评判或预测烧结料层透气性状态的方法。

根据烧结理论分析可知，影响料层透气性的可测参数主要包括：混合料性质(粒度分布和温度)和工艺参数(固体燃料配比、混合料水分、料层厚度)，可反映料层透气性好坏的可测参数包括：点火段参数(点火炉负压、1#风箱负压)、状态参数(烧结终点和终点温度)和操作参数(台车速度、主抽风机频率)，考虑到烧结终点较为滞后，操作参数是为了适应透气性的变化被动调整。

一种铁矿烧结料层透气性状态的在线预测方法，采用模糊聚类算法，以台车速度、烧结终点及终点温度作为输入数据，将烧结料层透气性状态分为5类；采用支持向量机的方法对混合料粒度分布、混合料水分、固体燃料配比、料层厚度、混合料温度、点火炉负压以及1#风箱负压历史数据和对应的透气性状态数据，建立烧结料层透气性状态的预测模型；利用预测模型根据混合料粒度分布、混合料水分、固体燃料配比、料层厚度、混合料温度、点火炉负压以及1#风箱负压的在线检测数据，预测料层透气性状态。

采用基于遗传算法的模糊聚类算法对烧结料层透气性状态进行分类，具体过程如下：

步骤1：初始化烧结料层透气性状态数据种群和遗传算法的迭代次数；

步骤2：计算每个种群中每个个体的隶属度和适应度值J_m(U,V)；

其中，以台车速度、烧结终点及终点温度作为一个个体；每个个体的隶属度是指每个个体对各个透气性状态聚类中心的隶属度；

V＝{v₁,v₂,…,v₅}表示5个烧结料层透气性状态聚类中心，模糊隶属度函数μ_ik∈(0,1)表示个体x_k对于烧结料层透气性状态聚类中心v_i的隶属度，n表示每个种群中的个体数量，5个聚类中心的特征函数值构成隶属矩阵U＝{μ_ik}，d_ik＝||x_k-v_i||表示个体x_k与烧结料层透气性状态聚类中心v_i的欧几里得距离；m，且m>1是加权指数，用来调节模糊类之间分得隶属度的程度；

步骤3：对个体进行选择、交叉和变异操作；

步骤4：获得新的烧结料层透气性状态数据种群；

步骤5：采用FCM算法对新获得的种群中的个体进行聚类，获得烧结料层透气性状态聚类中心；

步骤6：以步骤5获得的烧结料层透气性状态聚类中心计算适应度值，判断适应度值是否满足设定阈值要求或者是否达到遗传算法的迭代次数，若有任一条件满足，则退出迭代，以当前的烧结料层透气性状态聚类中心作为最终的烧结料层透气性状态聚类中心，否则，重新返回步骤2，直到满足任一条件为止。

所述遗传算法的迭代次数设置为100，种群大小为20，交叉概率为0.7，变异概率为0.05。

所述步骤5中采用的FCM算法中选用的加权指数m取值为3，最大迭代次数为20。

所述烧结料层透气性状态的预测模型如下：

其中，sgn为符号函数；l为支持向量的数目；a_j是训练过程引入的拉格朗日乘子；y_j是训练样本集中的输出变量，为聚类分析获得的料层透气性状态；K(x_j,x)是支持向量机的核函数，x_j是训练样本的输入变量，包括混合料粒度分布、混合料水分、固体燃料配比、料层厚度、混合料温度、点火炉负压以及1#风箱负压；b为依据训练结果获得的分类阈值；f(x)为模型预测值，即为料层透气性状态。

所述支持向量的数目，是对大量的训练样本进行训练后，从中选取可以用于作为支持向量的样本数目。

所述采用支持向量机的方法对混合料粒度分布、混合料水分、固体燃料配比、料层厚度、混合料温度、点火炉负压以及1#风箱负压历史数据和对应的透气性状态数据中的对应的透气性状态数据，建立烧结料层透气性状态的预测模型，是指首先构建预测模型样本数据表，然后采用支持向量机方法对预测模型样本数据表中样本输入数据和对应的状态输出数据进行训练，获得铁矿烧结料层透气性状态预测模型；

其中，所述预测模型样本数据表中包括七维样本输入数据和对应透气性状态输出数据；

所述七维样本输入数据为固体燃料配比、混合料水分、混合料粒度分布和温度、料层厚度、点火炉负压以及1#风箱负压；

所述透气性状态输出数据是指每组固体燃料配比、混合料水分、混合料粒度分布和温度、料层厚度、点火炉负压以及1#风箱负压对应的台车速度、烧结终点以及终点温度，依据聚类分析获得的料层透气性状态。

对5个烧结料层透气性状态聚类中心用模糊语言变量表示为：{太差、较差、正常、较好、很好}，并映射至[-2,2]的数值区间；

每个透气性状态聚类中心为三维特征向量，包括台车速度、烧结终点和终点温度数据。

当烧结机采用变频风机时，选用主轴风机频率替代台车速度。

有益效果

与现有技术相比，本发明具有如下优点：

(1)科学性

本发明将烧结料层透气性的影响因素与反映参数分开，以反映透气性状态的参数作为聚类分析的输入参数，综合评判透气性状态；建立影响因素与透气性状态的关系模型，通过混合料性质、工艺参数和点火段参数提前预测透气性状态，分类方法和建模思路更为科学、合理，对实际生产更有指导意义。

(2)准确性

将模糊聚类分析FCM与遗传算法GA相结合，避免了聚类过程限于局部极小点；采用支持向量机方法构建分类预测模型，具有良好的学习能力和泛化能力，烧结料层透气性状态的预测准确率达87.5％以上。

附图说明

图1为本发明的聚类分析与分类预测参数关系示意图；

图2为本发明的改进模糊聚类算法流程示意；

图3为烧结料层透气性状态聚类结果示意图，其中，(a)为主抽风机频率与终点位置，(b)为主抽风机频率与终点温度；

图4为烧结料层透气性状态分类预测结果。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

本发明所述的方法采用状态参数和操作参数作为输入，采用聚类分析的方法来评判料层透气性状态；再建立混合料性质、工艺参数、点火段参数与透气性状态的关系模型，以此预测烧结料层透气性的状态，各参数关系如图1所示。

一种铁矿烧结料层透气性状态的在线预测方法，具体步骤如下：

步骤1：将台车速度或主抽风机频率(采用变频风机的烧结机选用)、中后部风箱废气温度(拟合曲线计算烧结终点和终点温度)等生产数据建成料层透气性聚类分析数据表(见表1)，将固体燃料配比、混合料水分、混合料粒度分布和温度、料层厚度、点火炉负压以及1#风箱负压等生产数据建立烧结料层透气性预测模型数据表(见表2)。

表1料层透气性聚类分析数据表

表2料层透气性预测模型输入数据表

步骤2：应用烧结料层透气性聚类分析数据表中的数据样本，采用遗传算法改进的模糊聚类算法对样本进行聚类分析(流程见图2)，将料层透气性状态划分为5类，用模糊语言变量表示为：{太差、较差、正常、较好、很好}，并映射至[-2,2]的数值区间。

从烧结生产数据中提取的样本集X＝{x₁,x₂,…,x_n}，x_k(k＝1,2,…,n)为3维特征向量，分别代表烧结终点位置、终点温度、主抽风机频率，将数据集X划分为V＝{v₁,v₂,…,v₅}共5类，v_i(i＝1,2,…,5)表示前述数据的5个聚类中心，模糊隶属度函数μ_ik∈(0,1)表示样本x_k对于聚类中心v_i的隶属度，则5个聚类中心的特征函数值构成隶属矩阵U＝{μ_ik}。目标函数J_m的表达式如下：

其中，d_ik＝||x_k-v_i||表示样本x_k与聚类中心v_i的欧几里得距离；m(m>1)是加权指数，用来调节模糊类之间分得隶属度的程度。任意一个样本对于各个聚类的隶属度总和为1，即：

应用Lagrange乘法求解也上述约束条件下，使目标函数J_m最小的优化问题，可得：

通过迭代算法，由式(3)和式(4)确定最佳的模糊分类矩阵和聚类中心，从而完成模糊聚类划分。

采用经验加试凑的方法，确定该样本数据进行透气性状态聚类分析相应的参数为：FCM算法的加权指数m取3，最大迭代次数取20；GA算法的种群大小取20，最大进化代数取100，交叉概率取0.7，变异概率取0.05。

根据实际生产的烧结终点位置BTP、终点温度和主抽风机频率数据，采用遗传算法GA与模糊聚类FCM算法结合迭代运算(流程见图2)，获得如表3所示的5种透气性状态的聚类中心。数据集的聚类效果如图3所示。

表3料层透气性状态聚类中心

步骤3：应用聚类分析结果和预测模型数据表中的相对应数据样本，建立基于支持向量机的烧结料层透气性预测模型，根据固体燃料配比、混合料水分、混合料粒度分布和温度、料层厚度、点火炉负压以及1#风箱负压，对烧结料层的透气性状态进行提前预测。

样本集{(x_i,y_i),i＝1,2,…,N}，其中x_i为7维特征向量，是模型的输入参数，分别代表混合料粒度、混合料水分、焦粉配比、料层厚度、混合料温度、点火炉负压和1#风箱负压；y_i为输出参数，即料层透气性状态；N表示样本总数。

将样本集中每个样本对应的烧结料层透气性状态进行分类，将样本集与对应的烧结料层透气性状态作为构建预测模型的训练数据。

对于非线性可分情况，可通过非线性函数φ将原输入空间的样本映射到高维特征空间，使其线性可分，再在该特征空间建立优化超平面：

ω^T·φ(x)+b＝0 (5)

在线性不可分的情况下，考虑到有些样本不能被正确分开，引入松弛变量ξ_i≥0,i＝1,2L,N,，最终原样本空间的二元分类问题可以表示为：

y_i[ω^T·φ(x)+b]≥1-ξ_i,i＝1,2,…,N (6)

根据结构风险原则，分类问题的最小风险界可由下面的优化问题得到：

通过引入Largrange函数等一系列优化手段，将其转化成在0≤a_i≤c和的约束条件下，对Largrange乘子a_i求解下列函数的最大值：

上述优化问题是在不等式约束下的一个二次规划问题，为了减少计算量以及降低计算复杂度，引入核函数K(x_i,x_j)取代高维特征空间的点积，二次规划问题的形式可以表示如下：

设a＝(a₁,a₂,L,a_N)为式(5)的解，可以证明，解中只有小部分a_i不为零，与之对应的样本x_i即为支持向量。由此可得，最优分类函数为：

其中，sgn为符号函数，l为支持向量的数目，a_j是训练过程引入的拉格朗日乘子，b为分类阈值。

采用支持向量机建模方法，建立混合料性质、工艺参数、点火段参数与透气性状态之间的关系模型，获得l为366，a_j如表4所示，b如表5所示。对在线获得的七维输入数据输入预测模型获得的分类预测结果如图4所示，命中率为87.5％。

表4训练过程的拉格朗日乘子a_j

表5训练过程的分类阈值b

0.431

0.014

0.094

0.327

-0.400

-0.343

-0.069

0.190

0.356

0.348

本文虽然已经给出了本发明的一些实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (5)

1.一种铁矿烧结料层透气性状态的在线预测方法，其特征在于，采用模糊聚类算法，以台车速度、烧结终点及终点温度作为输入数据，将烧结料层透气性状态分为5类；采用支持向量机的方法对混合料粒度分布、混合料水分、固体燃料配比、料层厚度、混合料温度、点火炉负压以及1#风箱负压历史数据和对应的透气性状态数据，建立烧结料层透气性状态的预测模型；利用预测模型根据混合料粒度分布、混合料水分、固体燃料配比、料层厚度、混合料温度、点火炉负压以及1#风箱负压的在线检测数据，预测料层透气性状态；

采用基于遗传算法的模糊聚类算法对烧结料层透气性状态进行分类，具体过程如下：

步骤1：初始化烧结料层透气性状态数据种群和遗传算法的迭代次数；

步骤2：计算每个种群中每个个体的隶属度和适应度值J_m(U,V)；

其中，以台车速度、烧结终点及终点温度作为一个个体；每个个体的隶属度是指每个个体对各个透气性状态聚类中心的隶属度；

V＝{v₁,v₂,…,v₅}表示5个烧结料层透气性状态聚类中心，模糊隶属度函数μ_ik∈(0,1)表示个体x_k对于烧结料层透气性状态聚类中心v_i的隶属度，n表示每个种群中的个体数量，5个聚类中心的特征函数值构成隶属矩阵U＝{μ_ik}，d_ik＝||x_k-v_i||表示个体x_k与烧结料层透气性状态聚类中心v_i的欧几里得距离；m是加权指数，且m>1，用来调节模糊类之间分得隶属度的程度；

步骤3：对个体进行选择、交叉和变异操作；

步骤4：获得新的烧结料层透气性状态数据种群；

步骤5：采用FCM算法对新获得的种群中的个体进行聚类，获得烧结料层透气性状态聚类中心；

步骤6：以步骤5获得的烧结料层透气性状态聚类中心计算适应度值，判断适应度值是否满足设定阈值要求或者是否达到遗传算法的迭代次数，若有任一条件满足，则退出迭代，以当前的烧结料层透气性状态聚类中心作为最终的烧结料层透气性状态聚类中心，否则，重新返回步骤2，直到满足任一条件为止。

2.根据权利要求1所述的方法，其特征在于，所述烧结料层透气性状态的预测模型如下：

其中，sgn为符号函数；l为支持向量的数目；a_j是训练过程引入的拉格朗日乘子；y_j是训练样本集中的输出变量，为聚类分析获得的料层透气性状态；K(x_j,x)是支持向量机的核函数，x_j是训练样本的输入变量，包括混合料粒度分布、混合料水分、固体燃料配比、料层厚度、混合料温度、点火炉负压以及1#风箱负压；b为依据训练结果获得的分类阈值；f(x)为模型预测值，即为料层透气性状态。

3.根据权利要求2所述的方法，其特征在于，所述采用支持向量机的方法对混合料粒度分布、混合料水分、固体燃料配比、料层厚度、混合料温度、点火炉负压以及1#风箱负压历史数据和对应的透气性状态数据中的对应的透气性状态数据，建立烧结料层透气性状态的预测模型，是指首先构建预测模型样本数据表，然后采用支持向量机方法对预测模型样本数据表中样本输入数据和对应的状态输出数据进行训练，获得铁矿烧结料层透气性状态预测模型；

其中，所述预测模型样本数据表中包括七维样本输入数据和对应透气性状态输出数据；

所述七维样本输入数据为固体燃料配比、混合料水分、混合料粒度分布和温度、料层厚度、点火炉负压以及1#风箱负压；

所述透气性状态输出数据是指每组固体燃料配比、混合料水分、混合料粒度分布和温度、料层厚度、点火炉负压以及1#风箱负压对应的台车速度、烧结终点以及终点温度，依据聚类分析获得的料层透气性状态。

4.根据权利要求3所述的方法，其特征在于，对5个烧结料层透气性状态聚类中心用模糊语言变量表示为：{太差、较差、正常、较好、很好}，并映射至[-2,2]的数值区间；

每个透气性状态聚类中心为三维特征向量，包括台车速度、烧结终点和终点温度数据。

5.根据权利要求4所述的方法，其特征在于，当烧结机采用变频风机时，选用主轴风机频率替代台车速度。