CN109654897B - 一种提高碳效的烧结终点智能控制方法 - Google Patents

Abstract

本发明提供了一种提高碳效的烧结终点智能控制方法。本发明选择综合焦比作为碳效的衡量指标，烧结终点作为烧结过程稳顺的衡量指标，烧结机台车速度为控制量。首先，利用Spearman相关性分析方法确定烧结碳效预测模型输入参数，利用神经网络构建综合焦比预测模型，再采用粒子群优化算法优化烧结碳效，得到台车速度的优化设定值。然后，采用烧结终点专家‑模糊控制策略，得到台车速度控制量。最后，采用模糊满意度方法融合优化与控制得到的台车速度，得到最终台车速度控制量。作用于烧结过程后，实现在保证烧结生产稳顺的同时，提高烧结碳效。本发明所述的控制方法满足了铁矿石烧结过程中高焦炭利用率和稳顺生产的双重需求，具有工业应用价值。

Description

一种提高碳效的烧结终点智能控制方法

技术领域

本发明涉及钢铁烧结过程生产节能降耗领域，具体涉及一种提高碳效的烧结终点智能控制方法。

背景技术

铁矿石烧结是钢铁冶炼重要的原料制备工序，同时烧结矿是高炉炼铁的主要原料。烧结是一系列复杂的物理化学反应。烧结生产是钢铁行业中仅次于高炉炼铁的耗能环节。在烧结生产中能源消耗主要体现在焦炭、煤气和电能这三方面，其中焦粉约占80％。因此，降低烧结过程焦炭消耗，可以大幅度降低烧结能耗和碳排放，进而实现绿色制造。

传统的钢铁企业所采用的烧结生产设备是带式抽风烧结机，其生产过程主要是先把铁矿石原料、熔剂、燃料和返矿按照一定的比例混合得到混合料，然后将混合料平铺在移动的台车上，混合料在点火炉处点燃料层表面，此时台车下方的风箱开始进行负压抽风，料层将自上而下地进行燃烧，直到在烧结终点处烧穿料层，最终形成得到具有一定尺寸和机械强度的烧结矿。焦炭作为唯一燃料物质为烧结过程提供高温所需要的热源，直接影响烧结矿产量、质量和烧结能耗。如何在烧结过程稳顺运行时，保证焦炭的充分燃烧和最少使用是目前研究的热点。

烧结热状态是原料参数、设备参数、操作参数的综合反映，直接反映烧结过程燃烧情况。烧结终点是最重要的烧结热状态参数，烧结终点是混合料在台车上第一次烧透的位置。烧结终点超前，烧结机有效面积没有得到充分利用，利用系数降低；烧结终点滞后，则卸料时烧结料层未烧透，返矿量增加，成品率下降。因此，稳定烧结终点对于稳定整个烧结过程具有重要意义。

烧结生产过程中，焦粉作为烧结过程主要的能量来源，如何在保证烧结生产稳顺的前提下提高焦粉利用率，成为目前烧结过程生产的一个主要问题。为了满足了烧结过程中高焦炭利用率和稳顺生产的双重需求，需要将碳效优化与智能控制箱结合。

发明内容

本发明要解决的技术问题在于，针对上述目前烧结生产设备在烧结过程稳顺运行时，需要保证焦炭的充分燃烧和最少使用的技术问题，提供一种提高碳效的烧结终点智能控制方法解决上述技术缺陷。

一种提高碳效的烧结终点智能控制方法，包括：

步骤一：选择综合焦比作为碳效的衡量指标，选择烧结终点作为烧结过程稳顺的衡量指标，选择烧结机台车速度作为控制量；

步骤二：根据Spearman相关性分析方法确定烧结碳效预测模型输入参数，利用神经网络构建碳效预测模型，再采用粒子群优化算法优化烧结碳效，得到台车速度的优化设定值；

步骤三：根据烧结终点专家-模糊控制策略，得到台车速度控制量；

步骤四：采用模糊满意度方法融合优化与控制得到的台车速度，得到台车速度最终控制量。

进一步的，步骤一具体包括：

1-1、选择综合焦比作为烧结过程碳效衡量指标，其是生产单位烧结矿所消耗的焦炭的量，并给出综合焦比的计算式如下所示：

其中，η表示综合焦比，单位为kg/t，P_C表示焦炭配比，y表示成品率，r_b表示烧损率，成品率的计算式如下式所示：

其中，Q_L表示大成矿产量，Q_S表示小成矿产量，Q_R表示返矿产量，Q_G表示铺底矿用量，Q_LG表示大成矿的检测值，上述参数单位均为t/h；

1-2、选择烧结终点作为烧结过程稳顺的衡量指标，烧结终点是混合料在台车上第一次烧透的位置，烧结终点超前，烧结机有效面积没有得到充分利用，利用系数降低；烧结终点滞后，则卸料时烧结料层未烧透，返矿量增加，成品率下降。

进一步的，步骤二具体包括：

2-1、对烧结生产数据进行平滑滤波，将数据间的时间间隔设为1分钟，再利用Spearman相关性分析方法确定烧结碳效预测模型输入参数，对于两个原始变量A＝[a₁,a₂,…,a_n]和B＝[b₁,b₂,…,b_n]，它们的秩次分别为x＝[x₁,x₂,…,x_n]和y＝[y₁,y₂,…,y_n]，那么它们的Spearman等级相关系数ρ为，

确定影响综合焦比的因素有Spearman等级相关系数ρ最大的前三个废气风箱温度、风箱负压、终点温度、终点位置、料层厚度、机速检测值、烧结上升点；

2-2、利用神经网络构建碳效预测模型，反向传播神经网络算法作为建模方法，上述影响综合焦比的9个主要因素作为输入，下一时刻的综合焦比为输出，选取隐含层数为13，采用tansig()作为隐含单元激励函数，采用purelin()为输出单元激励函数，训练次数上限为200，学习为率0.1，目标为0.001；

2-3、采用粒子群优化算法优化烧结碳效，得到台车速度的优化设定值V_opt，碳效优化的目的是在当前生产条件的约束下寻找最小碳效时对应的台车速度，基于碳效预测模型，碳效优化的目标可表示为：

选用的适应度函数表示为：

Fit(η)＝η，

碳效优化的约束条件可表示为：

其中，

是当前生产的状态参数向量，P_S是待优化的状态参数向量，d是最大的操作参数调节步长，

是当前生产的操作参数向量，P_O是待优化的操作参数向量；

2-4、在碳效优化算法中，进化代数设置为100，种群大小为80，学习因子均为2，线性递减惯性权重w∈[0.3，0.9]，变异概率为0.6，经优化得到台车速度的优化设定值V_opt与当前台车速度

做差，得到台车速度的优化设定值：

进一步的，步骤三具体包括：

烧结终点专家-模糊控制策略的输入为当前烧结终点相对于目标位置的偏差e，以及偏差变化率ec，它的输出为台车速度的改变量Δv₂；

3-1、烧结终点专家-模糊控制策略包括烧结终点模糊控制器和烧结终点专家控制器，根据不同的生产情况选择不同的控制器；

3-2、当误差在±0.5风箱内时，采用烧结终点模糊控制器进行控制，在模糊控制中，烧结终点偏差的基本论域e∈[-0.5,0.5]，偏差变化率的基本论域ec∈[-0.2,0.2]，台车速度改变量的基本论域Δv₂∈[-0.05,0.05]；三个变量选择的模糊子集总数均为5个：{NB,NS,O,PS,PB}；烧结终点的偏差及其偏差变化率和台车速度控制量均采用三角形隶属度函数形式；

3-3、当BTP偏差值大于0.5个风箱或小于-0.5时，即采用专家控制器进行调节，专家知识库中的R1、R2、R3、R4四条规则如下，其中e为BTP偏差，Δv₂为台车速度的改变量：

R1：如果e＜-1.2，那么Δv₂＝0.08m/min；

R2：如果-1.0≤e＜-0.5，那么Δv₂＝0.06m/min；

R3：如果0.5＜e≤1.0，那么Δv₂＝-0.06m/min；

R4：如果e＞1.0，那么Δv₂＝-0.08m/min。

进一步的，步骤四采用模糊满意度方法融合优化与控制得到的台车速度控制量具体包括：

4-1、对于碳效优化，选取综合焦比作为决策变量；对于烧结终点专家-模糊控制，选取烧结终点为决策变量；碳效优化的满意度函数为：

烧结终点专家-模糊控制的满意度函数是：

集成满意度函数为：

其中，

是最优碳效，

是碳效的平均值，x₀是烧结终点期望值，x_d，x_min，x_max为烧结终点的安全阈值，安全下限和安全上限；

4-2、将Δv₁和Δv₂融合后得到台车速度最终控制量：

Δv＝αΔv₁+(1-α)Δv₂,α＝S₁(η,x)。

本发明的有益效果在于：

(1)本发明的一种提高碳效的烧结终点智能控制方法，选择综合焦比作为碳效的衡量指标，烧结终点作为烧结过程稳顺的衡量指标，烧结机台车速度为控制量。同时给出它们的定义和物理意义。

(2)本发明的一种提高碳效的烧结终点智能控制方法，利用Spearman相关性分析方法确定烧结碳效预测模型输入参数，这是一种数据驱动的分析方法，能有效对过程参数间的相关性进行全方面分析；

(3)本发明的一种提高碳效的烧结终点智能控制方法，利用神经网络构建综合焦比预测模型，再采用粒子群优化算法优化烧结碳效，得到台车速度的优化设定值。这个台车速度设定值将碳效的需求考虑到控制过程中。

(4)本发明的一种提高碳效的烧结终点智能控制方法，采用烧结终点专家-模糊控制策略，得到台车速度控制量。根据不同的生产状况，选择不同响应的控制器，使控制更加智能，更符合现场工作人员的操作思想。

(5)本发明的一种提高碳效的烧结终点智能控制方法，采用模糊满意度方法融合优化与控制得到的台车速度，得到最终台车速度控制量。模糊满意度方法综合了碳效优化和智能控制的控制量，实现了它们的有效结合。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明的一种提高碳效的烧结终点智能控制方法流程图；

图2为本发明的碳效预测模型结构；

图3为本发明的智能控制结构图；

图4为本发明的控制前后碳效对比图；

图5为本发明的控制前后烧结终点对比图；

图6为本发明的控制前后台车速度对比图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

一种提高碳效的烧结终点智能控制方法，如图1所示，包括：

步骤一：选择综合焦比作为碳效的衡量指标，烧结终点作为烧结过程稳顺的衡量指标，烧结机台车速度作为控制量。

1-1、选择综合焦比作为烧结过程碳效衡量指标，其是生产单位烧结矿所消耗的焦炭的量，并给出综合焦比的计算式如下所示：

其中，η表示综合焦比(kg/t)，P_C表示焦炭配比(％)，y表示成品率(％)，r_b表示烧损率(％)，成品率的计算式如下式所示：

其中，大成矿产量(Q_L，t/h)，小成矿产量(Q_S，t/h)，返矿产量(Q_R，t/h)，铺底矿用量(Q_G，t/h)，大成矿的检测值(Q_LG，t/h)。

1-2、选择烧结终点作为烧结过程稳顺的衡量指标。烧结终点是最重要的烧结热状态参数，烧结终点是混合料在台车上第一次烧透的位置。烧结终点超前，烧结机有效面积没有得到充分利用，利用系数降低；烧结终点滞后，则卸料时烧结料层未烧透，返矿量增加，成品率下降。

步骤二：根据Spearman相关性分析方法确定烧结碳效预测模型输入参数，利用神经网络构建碳效预测模型，再采用粒子群优化算法优化烧结碳效，得到台车速度的优化设定值。

2-1、对烧结生产数据进行平滑滤波，将数据间的时间间隔设为1分钟，再利用Spearman相关性分析方法确定烧结碳效预测模型输入参数。对于两个原始变量A＝[a₁,a₂,…,a_n]和B＝[b₁,b₂,…,b_n]，它们的秩次分别为x＝[x₁,x₂,…,x_n]和y＝[y₁,y₂,…,y_n]，那么它们的Spearman等级相关系数ρ为，

确定影响综合焦比的因素有9#废气风箱温度、11#废气风箱温度、21#废气风箱温度(Spearman等级相关系数ρ最大的前三个废气风箱温度)、风箱负压、终点温度、终点位置、料层厚度、机速检测值、烧结上升点。

2-2、利用神经网络构建碳效预测模型，反向传播神经网络算法作为建模方法，影响综合焦比的9个主要因素作为输入，下一时刻的综合焦比为输出。选取隐含层数为13，采用tansig()作为隐含单元激励函数，采用purelin()为输出单元激励函数，训练次数上限为200，学习为率0.1，目标为0.001。

2-3、采用粒子群优化算法优化烧结碳效，得到台车速度的优化设定值V_opt。碳效优化的目的是在当前生产条件的约束下寻找最小碳效时对应的台车速度。基于碳效预测模型，碳效优化的目标可表示为：

选用的适应度函数表示为：

Fit(η)＝η；

碳效优化出状态参数，但是实际生产并不能对它进行实时控制。所以在优化过程中，不对所有模型输入参数进行优化。同时，操作参数具有一定的调节步长，不能实现突然较大的调节。则碳效优化的约束条件可表示为：

其中，

是当前生产的状态参数向量；P_S是状态参数向量；d是最大的操作参数调节步长；

是当前生产的操作参数向量；P_O是操作参数向量。

2-4、碳效优化算法中，进化代数设置为100，种群大小为80，学习因子均为2。线性递减惯性权重w∈[0.3，0.9]，变异概率为0.6。经优化得到台车速度的优化设定值V_opt。与当前台车速度

做差，可得，

步骤三：根据烧结终点专家-模糊控制策略，得到台车速度控制量。

烧结终点专家-模糊控制策略的输入为当前烧结终点相对于目标位置的偏差e，以及偏差变化率ec，它的输出为台车速度的改变量Δv₂。

3-1、烧结终点专家-模糊控制策略包括烧结终点模糊控制器和烧结终点专家控制器。根据不同的生产情况选择不同的控制器。

3-2、当误差在±0.5风箱内时，采用烧结终点模糊控制器进行控制。在模糊控制中，烧结终点偏差的基本论域e∈[-0.5,0.5](风箱位置)，偏差变化率的基本论域ec∈[-0.2,0.2](风箱位置/min)，台车速度改变量的基本论域Δv₂∈[-0.05,0.05](m/min)。三个变量选择的模糊子集总数均为5个：{NB,NS,O,PS,PB}。烧结终点的偏差及其偏差变化率和台车速度控制量均采用三角形隶属度函数形式。烧结终点模糊控制规则表如表1所示。

表1模糊控制规则

3-3、当BTP偏差值大于0.5个风箱或小于-0.5时，即采用专家控制器进行调节。专家知识库中的主要规则如下，其中e为BTP偏差，Δv₂为台车速度的改变量。

R1:IF e＜-1.2,THEN Δv₂＝0.08m/min；

R2:IF-1.0≤e＜-0.5,THEN Δv₂＝0.06m/min；

R3:IF 0.5＜e≤1.0,THEN Δv₂＝-0.06m/min；

R4:IF e＞1.0,THEN Δv₂＝-0.08m/min。

步骤四：采用模糊满意度方法融合优化与控制得到的台车速度，得到台车速度最终控制量。

4-1、对于碳效优化，其目标是综合焦比最小，则选取综合焦比作为决策变量。对于烧结终点专家-模糊控制，其目标是烧结终点在目标位置，则选取烧结终点为决策变量。碳效优化的满意度函数为，

烧结终点专家-模糊控制的满意度函数是，

集成满意度函数为：

其中，

是最优碳效，

是碳效的平均值，x₀是烧结终点期望值，x_d，x_min，x_max为烧结终点的安全阈值，安全下限和安全上限。

4-2、融合后得到台车速度最终控制量表示为：

Δv＝αΔv₁+(1-α)Δv₂,α＝S₁(η,x)。

使用烧结过程生产数据进行实验验证，具体步骤如下：

(1)收集烧结生产历史数据获得原始样本数据

烧结生产历史数据以日报表的形式保存在操作室工控机的本地数据库中，根据日报表的数据，收集影响综合焦比的9#废气风箱温度、11#废气风箱温度、21#废气风箱温度、风箱负压、终点温度、终点位置、料层厚度、机速检测值、烧结上升点等一个月的历史数据，组成原始样本数据；

(2)数据处理

在收集原始样本数据的基础上，并以1min作为平均值滤波的采样周期，获得9#废气风箱温度、11#废气风箱温度、21#废气风箱温度、风箱负压、终点温度、终点位置、料层厚度、机速检测值、烧结上升点和焦粉配比的生产数据，以这些样本数据建立样本数据库，并根据综合焦比计算公式计算得到综合焦比数据；

(4)建立碳效预测模型

采用利用反向传播神经网络算法构建碳效预测模型，模型结构如图2，选取了1000组数据作训练，100组测试。影响综合焦比的9个主要因素作为输入，下一时刻的综合焦比为输出。选取隐含层数为13，采用tansig()作为隐含单元激励函数，采用purelin()为输出单元激励函数，训练次数上限为200，学习为率0.1，目标为0.001。

(5)建立碳效优化模型

用粒子群优化算法优化烧结碳效，进化代数设置为100，种群大小为80，学习因子均为2。线性递减惯性权重w∈[0.3，0.9]，变异概率为0.6。

(6)构建烧结终点专家-模糊控制器和智能集成控制器

按照设定的模糊规则和专家规则，设计烧结终点专家-模糊控制器。利用模糊满意度方法，求取碳效优化的满意度，烧结终点专家-模糊控制的满意度和集成满意度，进而得到台车速度最终控制量。

(7)实验设计

利用烧结终点的T-S模糊模型和碳效预测模型作为控制对象的对象模型。将建立好的碳效优化模型、烧结终点专家-模糊控制器和智能集成控制器进行整合，构成一个完整的控制策略，控制结构如图3。设置控制间隔为5min，构建了100个样本(500min)的实验，实验结果如图4-6所示。经计算碳效平均降低了0.61kg/t，其中烧结终点也在期望的区间波动，满足控制要求。

本实施例的结果表明本发明能在有效控制烧结终点的同时，提高碳效。满足了工业生产的节能降耗，降低生产成本，提高烧结矿产量、质量的多重需求。

本发明的目的是提出一种提高碳效的烧结终点智能控制方法，该方法结合碳效优化和智能控制，实现了对烧结终点的控制，对提高烧结过程碳效和稳定烧结生产具有重要意义。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (5)

1.一种提高碳效的烧结终点智能控制方法，其特征在于，包括：

步骤一：选择综合焦比作为碳效的衡量指标，选择烧结终点作为烧结过程稳顺的衡量指标，选择烧结机台车速度作为控制量；

步骤二：根据Spearman相关性分析方法确定烧结碳效预测模型输入参数，利用神经网络构建碳效预测模型，再采用粒子群优化算法优化烧结碳效，得到台车速度的优化设定值；

步骤三：根据烧结终点专家-模糊控制策略，得到台车速度控制量；

步骤四：采用模糊满意度方法融合优化与控制得到的台车速度，得到台车速度最终控制量。

2.根据权利要求1所述的一种提高碳效的烧结终点智能控制方法，其特征在于，步骤一具体包括：

1-1、选择综合焦比作为烧结过程碳效衡量指标，其是生产单位烧结矿所消耗的焦炭的量，并给出综合焦比的计算式如下所示：

其中，η表示综合焦比，P_C表示焦炭配比，y表示成品率，r_b表示烧损率，成品率的计算式如下式所示：

其中，Q_L表示大成矿产量，Q_S表示小成矿产量，Q_R表示返矿产量，Q_G表示铺底矿用量，Q_LG表示大成矿的检测值；

1-2、选择烧结终点作为烧结过程稳顺的衡量指标，烧结终点是混合料在台车上第一次烧透的位置，烧结终点超前，烧结机有效面积没有得到充分利用，利用系数降低；烧结终点滞后，则卸料时烧结料层未烧透，返矿量增加，成品率下降。

3.根据权利要求1所述的一种提高碳效的烧结终点智能控制方法，其特征在于，步骤二具体包括：

2-1、对烧结生产数据进行平滑滤波，将数据间的时间间隔设为1分钟，再利用Spearman相关性分析方法确定烧结碳效预测模型输入参数，对于两个原始变量A＝[a₁,a₂,…,a_n]和B＝[b₁,b₂,…,b_n]，它们的秩次分别为x＝[x₁,x₂,…,x_n]和y＝[y₁,y₂,…,y_n]，那么它们的Spearman等级相关系数ρ为，

确定影响综合焦比的因素有风箱负压、终点温度、终点位置、料层厚度、机速检测值、烧结上升点和Spearman等级相关系数ρ最大所对应的前三个废气风箱温度；

2-2、利用神经网络构建碳效预测模型，反向传播神经网络算法作为建模方法，上述影响综合焦比的9个主要因素作为输入，下一时刻的综合焦比为输出，选取隐含层数为13，采用tansig()作为隐含单元激励函数，采用purelin()为输出单元激励函数，训练次数上限为200，学习为率0.1，目标为0.001；

2-3、采用粒子群优化算法优化烧结碳效，得到台车速度的优化设定值V_opt，碳效优化的目的是在当前生产条件的约束下寻找最小碳效时对应的台车速度，基于碳效预测模型，碳效优化的目标可表示为：

选用的适应度函数表示为：

Fit(η)＝η，

碳效优化的约束条件可表示为：

其中，

是当前生产的状态参数向量，P_S是待优化的状态参数向量，d是最大的操作参数调节步长，

是当前生产的操作参数向量，P_O是待优化的操作参数向量；

2-4、在碳效优化算法中，进化代数设置为100，种群大小为80，学习因子均为2，线性递减惯性权重w∈[0.3，0.9]，变异概率为0.6，经优化得到台车速度的优化设定值V_opt与当前台车速度

做差，得到台车速度的优化设定值：

4.根据权利要求2所述的一种提高碳效的烧结终点智能控制方法，其特征在于，步骤三具体包括：

烧结终点专家-模糊控制策略的输入为当前烧结终点相对于目标位置的偏差e，以及偏差变化率ec，它的输出为台车速度的改变量Δv₂；

3-1、烧结终点专家-模糊控制策略包括烧结终点模糊控制器和烧结终点专家控制器，根据不同的生产情况选择不同的控制器；

3-2、当误差在±0.5风箱内时，采用烧结终点模糊控制器进行控制，在模糊控制中，烧结终点偏差的基本论域e∈[-0.5,0.5]，偏差变化率的基本论域ec∈[-0.2,0.2]，台车速度改变量的基本论域Δv₂∈[-0.05,0.05]；三个变量选择的模糊子集总数均为5个：{NB,NS,O,PS,PB}；烧结终点的偏差及其偏差变化率和台车速度控制量均采用三角形隶属度函数形式；

3-3、当BTP偏差值大于0.5个风箱或小于-0.5时，即采用专家控制器进行调节，专家知识库中的R1、R2、R3、R4四条规则如下，其中e为BTP偏差，Δv₂为台车速度的改变量：

R1：如果e<-1.2，那么Δv₂＝0.08m/min；

R2：如果-1.0≤e<-0.5，那么Δv₂＝0.06m/min；

R3：如果0.5<e≤1.0，那么Δv₂＝-0.06m/min；

R4：如果e>1.0，那么Δv₂＝-0.08m/min。

5.根据权利要求1所述的一种提高碳效的烧结终点智能控制方法，其特征在于，步骤四采用模糊满意度方法融合优化与控制得到的台车速度控制量具体包括：

4-1、对于碳效优化，选取综合焦比作为决策变量；对于烧结终点专家-模糊控制，选取烧结终点为决策变量；碳效优化的满意度函数为：

烧结终点专家-模糊控制的满意度函数是：

集成满意度函数为：

其中，

是最优碳效，

是碳效的平均值，x₀是烧结终点期望值，x_d，x_min，x_max为烧结终点的安全阈值，安全下限和安全上限；

4-2、将Δv₁和Δv₂融合后得到台车速度最终控制量：

Δv＝αΔv₁+(1-α)Δv₂,α＝S₁(η,x)。

Images