CN106355272A - 一种烧结智能数据寻优方法 - Google Patents

Abstract

本发明涉及一种烧结智能数据寻优方法，在烧结厂现有一级、二级控制系统的基础上，对所采集的生产过程数据进行数据挖掘和分析；分别通过对影响烧结质量、燃料消耗、烧结终点控制三方面的过程因素进行数据挖掘和分析，实现对相关工艺过程的操作进行优化；优化过程的数据挖掘分析采用以遗传算法为主体，引入信息增益熵的概念，并辅以决策树算法的内部核心算法，计算过程包括Ⅰ.初始化；Ⅱ.将各个算子逐个带入适应度函数FUNC，计算其对应的适应值fun[X]；Ⅲ.通过遗传算法进行遗传、交叉、变异进一步的迭代搜索，直至寻找出满足条件的最优区间组合，使目标数据以最大概率落入目标区间。采用本发明可以达到提高烧结产品质量和产量的目的。

Description

一种烧结智能数据寻优方法

技术领域

本发明涉及烧结生产技术领域，尤其涉及一种烧结智能数据寻优方法。

背景技术

作为发展中国家，钢铁工业是我国重要的基础产业，产量一直处于领先地位，但目前我国的钢铁企业自动化水平相对发达国家还是较低，加入WTO后，钢铁工业一直面临国际市场的激烈竞争，要提高我国钢铁企业的市场竞争力，就必须尽快提高其自动化水平，使我国由钢铁大国变为钢铁强国。

随着我国钢铁产量的高速增长，高炉炼铁对入炉烧结矿的质量和用量要求日益提高，烧结设备向大型化发展，要求更高的生产率和更低的成本。质量优良的原料、燃料和先进可靠的设备是实现上述目标不可缺少的先决条件，而建立高性能的过程控制系统，对烧结生产过程实施有效控制，能够对上述目标的实现发挥重要作用。

我国现有烧结机约1200台，其中投产和在建的180m²-660m²烧结机有125台，其烧结面积达38590m²。近年来新建的近30台烧结机中有25台大于260m²，已投产的有27台大于360m²的烧结机，660m²烧结机是目前世界上屈指可数的巨型烧结机，工艺技术先进，达到国际一流水平。

但目前国内烧结车间主要是通过基础自动化系统(一级控制系统)对整个烧结工艺流程及设备的运行情况进行监控；通过检化验相关系统来查看并判断烧结矿的产量、质量情况；通过烧结二级系统对生产基础数据进行收集，实现对生产过程的监视、事件的提醒，报表的生成；通过一、二级系统对所收集的生产基础数据进行整理、加工，能够反应实际生产情况。这些系统的使用在一定程度上可以帮助烧结厂提高产量和质量的提高，但是还不能用于指导生产实现烧结产量质量最优化，更不能有效的节约人力成本、降低人工操作失误。

发明内容

本发明提供了一种烧结智能数据寻优方法，将现有大量实际烧结生产的历史数据进行深层次的挖掘与研究，得到所需生产指标的最优工艺参数区间，使得该指标参数以最大概率落入理想区间中；然后利用所得最优工艺参数区间来控制烧结生产，达到提高烧结产品质量和产量的目的。

为了达到上述目的，本发明采用以下技术方案实现：

一种烧结智能数据寻优方法，包括如下步骤：

1)在烧结厂现有一级控制系统及二级控制系统的基础上，对所采集的生产过程数据进行数据挖掘和分析；所述一级控制系统用于对烧结工艺流程及设备运行状态进行采集并实施监控，所述二级控制系统用于生产过程数据的收集、整理、分析、存储、事件提醒和报表生成；分别通过对影响烧结质量、燃料消耗、烧结终点控制三方面的过程因素进行数据挖掘和分析，实现对相关工艺过程的操作进行优化；

2)针对烧结质量方面的优化过程为：

通过对影响烧结成品矿质量的工艺参数，包括：层厚，透气性，燃料配比，返矿配比，生石灰配比，混合水分，点火温度，炉膛负压，垂直烧结速度，烧结机速度，FeO含量，孔隙初始半径Ro，烧结终点温度和烧结终点位置进行数据挖掘分析，得到衡量烧结矿质量的指标即：转鼓指数和筛分指数的最佳操作区间，用于指导相关工艺过程的操作；

3)针对燃料消耗方面的优化过程为：

通过对影响烧结燃料成本的主要工艺参数，包括：层厚，透气性，成品率，生石灰用量，烧结粉用量，混合料最终水分率，大烟道负压，点火炉温，点火强度和FeO含量进行数据挖掘分析，得出烧结成本指标参数即：固体燃耗，气体燃耗，水消耗为最小的最优操作参数，用于指导相关工艺过程的操作；

4)烧结终点控制方面的优化过程为：

通过对影响烧结成品矿质量的工艺参数，包括：烧结机速度、生石灰配比、返矿配比、混合料水分、层厚、透气性指数、燃料配比、炉膛负压、垂直烧结速度和点火炉温度进行数据挖掘分析，得到烧结终点温度及烧结终点位置的最佳操作区间，用于指导相关工艺过程的操作；

5)以上优化过程的数据挖掘分析采用以遗传算法为主体，引入信息增益熵的概念，并辅以决策树算法的内部核心算法，具体计算过程如下：

Ⅰ.初始化

Step1：读入待分析数据，分为分析数据及目标数据；

从数据库中，取出需要分析的数据，将需要分析的数据存入分析矩阵sj[N][M]，将分析目标存入目标矩阵aim[M]；

Step2：转换目标数据，进行标准化，使其服务于[0,1]区间；

将目标数据进行判断，满足目标要求为1，不满足则为0，并重新存入目标矩阵aim[M]；

Step3：计算各数据项对目标数据的信息熵H；

扫描目标数组，得到共有x个1，总数为y；计算目标信息熵H；

H＝entropy(count，M)；

如果x＝0，则H＝0；

如果y＝0，则H＝0；

如果x＝y，则H＝0；

其他则有：

$H=-\frac{x}{y}\×{\log }_2\frac{x}{y}-\frac{y-x}{y}\×{\log }_2\frac{y-x}{y}$

Step4：随机生成X组算子，利用变量循环逐个生成X组算子；

初始化结束；

Ⅱ.将各个算子逐个带入适应度函数FUNC，计算其对应的适应值fun[X]；

Step1：计算样本信息熵及信息熵增益；

对于某个算子来说有多个区间，计算其每项信息熵及信息熵增益；

Step2：整合各项信息熵，并使其按照从大到小的顺序排列；

Step3：将各个算子内部的多个区间按照排好的顺序，以逐一增加的方式计算目标数据落入目标区间的概率，若达成99％的要求则退出并返回，否则计算出实际概率后返回；并将返回的概率值定为适应值；

Step4：整理出各个算子的适应值，选择其中最大的为总群最优；

Ⅲ.通过遗传算法进行遗传、交叉、变异进一步的迭代搜索，直至寻找出满足条件的最优区间组合，使目标数据以最大概率落入目标区间。

与现有技术相比，本发明的有益效果是：

将现有大量实际烧结生产的历史数据进行深层次的挖掘与研究，得到所需生产指标的最优工艺参数区间，使得该指标参数以最大概率落入理想区间中；然后利用所得最优工艺参数区间来控制烧结生产，达到提高烧结产品质量和产量的目的。

附图说明

图1是本发明所述一种烧结智能数据寻优方法的内部核心算法流程图。

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说明：

本发明所述一种烧结智能数据寻优方法，包括如下步骤：

1)在烧结厂现有一级控制系统及二级控制系统的基础上，对所采集的生产过程数据进行数据挖掘和分析；所述一级控制系统用于对烧结工艺流程及设备运行状态进行采集并实施监控，所述二级控制系统用于生产过程数据的收集、整理、分析、存储、事件提醒和报表生成；分别通过对影响烧结质量、燃料消耗、烧结终点控制三方面的过程因素进行数据挖掘和分析，实现对相关工艺过程的操作进行优化；

2)针对烧结质量方面的优化过程为：

通过对影响烧结成品矿质量的工艺参数，包括：层厚，透气性，燃料配比，返矿配比，生石灰配比，混合水分，点火温度，炉膛负压，垂直烧结速度，烧结机速度，FeO含量，孔隙初始半径Ro，烧结终点温度和烧结终点位置进行数据挖掘分析，得到衡量烧结矿质量的指标即：转鼓指数和筛分指数的最佳操作区间，用于指导相关工艺过程的操作；

3)针对燃料消耗方面的优化过程为：

通过对影响烧结燃料成本的主要工艺参数，包括：层厚，透气性，成品率，生石灰用量，烧结粉用量，混合料最终水分率，大烟道负压，点火炉温，点火强度和FeO含量进行数据挖掘分析，得出烧结成本指标参数即：固体燃耗，气体燃耗，水消耗为最小的最优操作参数，用于指导相关工艺过程的操作；

4)烧结终点控制方面的优化过程为：

通过对影响烧结成品矿质量的工艺参数，包括：烧结机速度、生石灰配比、返矿配比、混合料水分、层厚、透气性指数、燃料配比、炉膛负压、垂直烧结速度和点火炉温度进行数据挖掘分析，得到烧结终点温度及烧结终点位置的最佳操作区间，用于指导相关工艺过程的操作；

5)以上优化过程的数据挖掘分析采用以遗传算法为主体，引入信息增益熵的概念，并辅以决策树算法的内部核心算法，具体计算过程如下：

Ⅰ.初始化

Step1：读入待分析数据，分为分析数据及目标数据；

从数据库中，取出需要分析的数据，将需要分析的数据存入分析矩阵sj[N][M]，将分析目标存入目标矩阵aim[M]；

Step2：转换目标数据，进行标准化，使其服务于[0,1]区间；

将目标数据进行判断，满足目标要求为1，不满足则为0，并重新存入目标矩阵aim[M]；

Step3：计算各数据项对目标数据的信息熵H；

扫描目标数组，得到共有x个1，总数为y；计算目标信息熵H；

H＝entropy(count，M)；

如果x＝0，则H＝0；

如果y＝0，则H＝0；

如果x＝y，则H＝0；

其他则有：

$H=-\frac{x}{y}\×{\log }_2\frac{x}{y}-\frac{y-x}{y}\×{\log }_2\frac{y-x}{y}$

Step4：随机生成X组算子，利用变量循环逐个生成X组算子；

初始化结束；

Ⅱ.将各个算子逐个带入适应度函数FUNC，计算其对应的适应值fun[X]；

Step1：计算样本信息熵及信息熵增益；

对于某个算子来说有多个区间(如：层厚、透气性等)，计算其每项信息熵及信息熵增益；

Step2：整合各项信息熵，并使其按照从大到小的顺序排列；

Step3：将各个算子内部的多个区间按照排好的顺序，以逐一增加的方式计算目标数据落入目标区间的概率，若达成99％的要求则退出并返回，否则计算出实际概率后返回；并将返回的概率值定为适应值；

Step4：整理出各个算子的适应值，选择其中最大的为总群最优；

Ⅲ.通过遗传算法进行遗传、交叉、变异进一步的迭代搜索，直至寻找出满足条件的最优区间组合，使目标数据以最大概率落入目标区间。

本发明所述一种烧结智能数据寻优方法的原理是，通过对整个烧结厂所有控制及实时数据进行数据挖掘，得出最优生产区间使之按照该最优生产区间进行烧结操作，能使烧结矿的某些目标数据(如转股指数、筛分指数、烧结终点(BTP)位置等)落入预想的范围之内。

本发明采用C/S(客户机和服务器)结构设计，应用SQL Server数据库、接口技术、框架式软件架构技术、三层系统设计理念、系统集成技术等计算机技术，可以与烧结厂现有的一级控制系统及二级控制系统无缝集成。作为智能计算机数据寻优方法，其内部对数据的挖掘算法，是以遗传算法为基础，引入信息熵及信息熵增益的概念进行修改。

实际应用时，本发明对烧结一级(基础自动化)控制系统中近百个用于烧结工艺的专项技术模块进行规划开发；对HMI监控软件实施软DCS(集散控制系统)组态技术，建立工艺控制数据库，数据传输可灵活运用。

本发明所述一种烧结智能数据寻优方法的数据采集覆盖从原料到成品厂区的生产工艺流程，涉及区域广，工艺设备多，IO控制点数约在4000～4500点范围。如某烧结厂的控制系统按工艺线划分，采用了高性能PLC(DCS)主机5台，子系统主机10台，三层网络长度5000米。所采集的各种控制及现场数据种类复杂，数量极其庞大。这些数据在目前常规应用的一级、二级甚至三级控制系统中，仅作为历史数据进行保存，造成了数据资源的严重浪费。

本发明可以发掘出被大量复杂数据掩埋的有效数据，并对其进行操作寻优，得到生产最优工艺区间。例如对转股指数进行操作寻优，可通过数据挖掘分析寻找出转股指数固定在某一数值范围内的寻优结果，只需要按照该寻优结果，将各生产工艺流程中的返矿配比、燃料配比、生石灰配比、料层厚度、BTP温度、一混水分率、透气性、炉膛负压、烧结机速度、点火温度、二混水分率、碱度、氧化亚铁含量、BTP位置、垂直烧结速度等控制在相应的对应区间，即可有极大可能达到相应的转股指数。

所谓信息熵，是一个数学上颇为抽象的概念，在本发明中不妨把信息熵理解成某种特定信息的出现概率。而信息熵和热力学熵是紧密相关的。根据Charles H.Bennett对Maxwell's Demon的重新解释，对信息的销毁是一个不可逆过程，所以销毁信息是符合热力学第二定律的。而产生信息则是为系统引入负(热力学)熵的过程。所以信息熵的符号与热力学熵应该是相反的。

一般而言，当一种信息出现概率更高的时候，表明它被传播得更广泛，或者说，被引用的程度更高。我们可以认为，从信息传播的角度来看，信息熵可以表示信息的价值。这样我们就有一个衡量信息价值高低的标准，可以分辨出不同种类的数据(如：层厚、透气性)对目标数据(如转股指数)的重要程度。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种烧结智能数据寻优方法，其特征在于，包括如下步骤：

1)在烧结厂现有一级控制系统及二级控制系统的基础上，对所采集的生产过程数据进行数据挖掘和分析；所述一级控制系统用于对烧结工艺流程及设备运行状态进行采集并实施监控，所述二级控制系统用于生产过程数据的收集、整理、分析、存储、事件提醒和报表生成；分别通过对影响烧结质量、燃料消耗、烧结终点控制三方面的过程因素进行数据挖掘和分析，实现对相关工艺过程的操作进行优化；

2)针对烧结质量方面的优化过程为：

通过对影响烧结成品矿质量的工艺参数，包括：层厚，透气性，燃料配比，返矿配比，生石灰配比，混合水分，点火温度，炉膛负压，垂直烧结速度，烧结机速度，FeO含量，孔隙初始半径Ro，烧结终点温度和烧结终点位置进行数据挖掘分析，得到衡量烧结矿质量的指标即：转鼓指数和筛分指数的最佳操作区间，用于指导相关工艺过程的操作；

3)针对燃料消耗方面的优化过程为：

通过对影响烧结燃料成本的主要工艺参数，包括：层厚，透气性，成品率，生石灰用量，烧结粉用量，混合料最终水分率，大烟道负压，点火炉温，点火强度和FeO含量进行数据挖掘分析，得出烧结成本指标参数即：固体燃耗，气体燃耗，水消耗为最小的最优操作参数，用于指导相关工艺过程的操作；

4)烧结终点控制方面的优化过程为：

通过对影响烧结成品矿质量的工艺参数，包括：烧结机速度、生石灰配比、返矿配比、混合料水分、层厚、透气性指数、燃料配比、炉膛负压、垂直烧结速度和点火炉温度进行数据挖掘分析，得到烧结终点温度及烧结终点位置的最佳操作区间，用于指导相关工艺过程的操作；

5)以上优化过程的数据挖掘分析采用以遗传算法为主体，引入信息增益熵的概念，并辅以决策树算法的内部核心算法，具体计算过程如下：

Ⅰ.初始化

Step1：读入待分析数据，分为分析数据及目标数据；

从数据库中，取出需要分析的数据，将需要分析的数据存入分析矩阵sj[N][M]，将分析目标存入目标矩阵aim[M]；

Step2：转换目标数据，进行标准化，使其服务于[0,1]区间；

将目标数据进行判断，满足目标要求为1，不满足则为0，并重新存入目标矩阵aim[M]；

Step3：计算各数据项对目标数据的信息熵H；

扫描目标数组，得到共有x个1，总数为y；计算目标信息熵H；

H＝entropy(count，M)；

如果x＝0，则H＝0；

如果y＝0，则H＝0；

如果x＝y，则H＝0；

其他则有：

$H=-\frac{x}{y}\×{\log }_2\frac{x}{y}-\frac{y-x}{y}\×{\log }_2\frac{y-x}{y}$

Step4：随机生成X组算子，利用变量循环逐个生成X组算子；

初始化结束；

Ⅱ.将各个算子逐个带入适应度函数FUNC，计算其对应的适应值fun[X]；

Step1：计算样本信息熵及信息熵增益；

对于某个算子来说有多个区间，计算其每项信息熵及信息熵增益；

Step2：整合各项信息熵，并使其按照从大到小的顺序排列；

Step3：将各个算子内部的多个区间按照排好的顺序，以逐一增加的方式计算目标数据落入目标区间的概率，若达成99％的要求则退出并返回，否则计算出实际概率后返回；并将返回的概率值定为适应值；

Step4：整理出各个算子的适应值，选择其中最大的为总群最优；

Ⅲ.通过遗传算法进行遗传、交叉、变异进一步的迭代搜索，直至寻找出满足条件的最优区间组合，使目标数据以最大概率落入目标区间。