CN109918702A - 一种高炉配料与操作的协同多目标优化方法 - Google Patents

Abstract

本发明公开了一种多目标高炉配料与操作协同优化方法，由于难以从机理的角度描述决策变量与目标函数之间的函数关系，因此从数据驱动的角度使用人工神经网络方法对其进行建模并预测；同时根据质量守恒、热平衡原理及高炉冶炼机理建立高炉多目标优化模型的约束条件和目标函数，保证了所提方法的有效性。上述建模过程充分考虑了配料和高炉操作对炉况的影响，包括原本相对独立的高炉上部间歇式布料控制和下部连续式的喷煤鼓风等控制，因此可以有效地协调优化高炉上下部操作。

Description

一种高炉配料与操作的协同多目标优化方法

技术领域

本发明属于工业过程建模、控制领域，特别涉及基于机理和数据的高炉配料与操作的多目标优化方法。

背景技术

高炉炼铁过程具有典型的高能耗高排放特征，高炉上下部生产过程的规划协调是节能减排的必要手段。当前对炼铁高炉的下部调节主要为对煤粉喷吹、鼓风、富氧等操作参数进行调节，而上部调节主要为布料过程中，预先通过机理公式根据原料成分进行配料计算，仅当高炉炉况发生稳态偏差时才进行焦炭或者矿石比例的调整。上部配料参数和下部操作参数分开进行调节，二者间的联系不够紧密，难以避免地造成了额外的燃料损失和污染排放。

当高炉的配料发生改变时，将引起炉况的波动并影响铁水质量，模型也该随之发生改变。在对高炉配料的优化过程中，结合操作参数进行炉料对炉况波动的影响分析，有利于提高模型的精度。同样，结合炉料变化进行操作参数设定值的大致确定，有利于减少系统的震荡，并提高控制的响应速度。

限于高炉的多时空尺度、多耦合和大时滞特性，数据建模往往集中于局部过程，较难对高炉整体过程进行描述。机理建模能更宏观的描述高炉炼铁过程,但难以定量描述和实时跟踪。对高炉上部的配料和下部的煤粉喷出、鼓风控制的协调优化是亟待解决的问题。

公开号CN102722652A的专利申请公开了“一种高炉冶炼成本计算及优化方法”，应用元素守恒和经验公式，经过反推计算得到成本较低的铁矿石配比，用于指导生产，并在计算过程中涉及了对铁产量和焦比的回归预测。

公开号为CN106681146A的专利申请公开了“基于BP神经网络和遗传算法的高炉多目标优化控制算法”，通过神经网络对高炉整体过程建模，构造高炉主要参数与铁水硫含量、二氧化碳排放量和焦比这3个目标参数之间的关系，并用遗传算法进行求解。

上述专利以及其相关方法中，或在计算过程中以元素平衡和机理公式为主，通过回归模型进行了炉况波动的估算，仅涉及以成本为目标的配料优化；或对复杂的高炉炼铁过程，仅采用神经网络的方法建模，未结合机理分析和元素平衡。

发明内容

有鉴于现有技术的上述缺陷，本发明提出综合数据驱动建模与机理模型的集成优化框架，如图1所示。以高炉铁水的Si、P、S、Mn和C含量5个铁水质量指标作为反映高炉运行的基本情况的典型中间观测参数(即中间参数)，用神经网络模型进行预测。得到中间参数的预测后，便可以将高炉视为黑箱模型，以进入高炉的炉料、鼓风等为输入，以铁水、炉渣生成量和排出煤气量为输出，通过物质守恒、能量守恒对高炉的成本和排放目标进行计算。再结合炼铁全过程的配料、操作参数和中间参数之间的机理约束模型，特别把铁水质量指标作为有界约束，建立以燃料比、二氧化碳排放和吨铁成本为优化目标，以高炉配料及操作参数作为决策变量的多目标优化模型，实现高炉上下部操作变量的协同优化。

为实现上述目的，本发明提供的技术方案如下：

首先对于高炉主参数，通过主成分分析法(Principal Components Analysis,PCA)进行筛选，即对多维输入变量数据，借助正交变换的方法分解为若干个不相干的新变量，并根据累计贡献率筛选主成分。再对选取的每个主成分，选择对其影响较大的原变量，从而选择出对典型中间观测参数影响最大，且在高炉炼铁过程中可以主动调节的如冷风流量、热风温度、喷煤量等若干个高炉主参数变量。加上若干个原料变量，将这些在高炉生产过程中可以主动调节，且对炼铁过程有明显影响的高炉上下部参数共同作为优化模型的决策变量。

构建神经网络模型，将优化模型的决策变量作为神经网络的输入，以5个典型中间观测参数为输出，结合经验公式和数据测试，确定隐藏层节点个数。考虑静态优化的需求，采用高炉近期运行数据的日平均值，并进行数据剔除和预处理，对神经网络进行训练，最终确定与误差最小时的网络参数(权值和阈值)，构成三层BP神经网络预测模型，描述从决策变量到5个典型中间观测参数的映射关系。

通过典型中间观测参数预测模型，可以由优化模型的决策变量得到典型中间观测参数的预测值，进而根据元素守恒，可由炉渣中各成分的主要元素在原料和铁水中的含量之差，推算出炉渣中各成分的含量，对各成分求和即可得到炉渣生成量的估算值。再根据高炉输入输出的物料守恒，对排出煤气量进行估算。

通过决策变量、典型中间观测参数和炉渣、排出煤气量的估算值，对三个目标参数(即燃料比、吨铁二氧化碳排放和原料成本)进行计算，得到优化模型的三个目标函数。其中，燃料比即吨铁焦炭和煤粉的消耗量之和；吨铁二氧化碳排放按照因子法进行计算，吨铁二氧化碳排放＝输入直接排放+输入间接排放-输出排放抵扣；原料成本即为成本为吨铁所消耗原料的成本之和。

通过决策变量、典型中间观测参数和估算值，基于元素平衡、物料平衡及冶炼机理，确定优化模型的约束条件：

1.工艺约束包括：

(1)炉渣碱度约束，是指炉渣中的碱性氧化物与酸性氧化物含量的比值，主要影响炉渣熔点、粘度和生铁的脱硫效果。本发明中主要对二元碱度(炉渣中CaO与SiO₂的比例)进行约束；

(2)炉渣成分约束，主要是指对酸性氧化物(Al₂O₃)和碱性氧化物(MgO)含量的上下限约束，因为这两种成分主要影响炉渣的流动性和稳定性。Al₂O₃含量越高流动性越好，但脱硫效果差，MgO含量越高流动性不好但脱硫效果好。

2.铁水质量约束：

(1)对铁水中S元素的上限进行约束，S元素在铁水中属有害元素，不仅促进碳化铁的形成，而且能化合成熔点低的硫化铁，使生铁产生热脆性并使铁水的流动性变差，不利于铸造细件；

(2)对铁水中Si元素的上下限进行约束，Si元素能促使生铁中的碳分离为石墨状，适当Si含量能提高熔化生铁的流动性，降低铸件的收缩量，但含量过多会使生铁硬脆。

3.平衡约束：

(1)碳平衡约束：C元素平衡表示高炉的入炉焦炭和喷吹煤粉中的含碳量与碳消耗量的平衡。高炉炼铁过程中，碳消耗量包含直接还原消耗量、脱硫消耗量、鼓风燃烧消耗量、铁水含碳量及生成CH4消耗量。

(2)热平衡约束：热平衡即为热收入与热支出间的平衡，热收入包括：风口回旋区燃烧放热、鼓风带入热、CH4生成热、炉渣生成热；Q_out,j；热支出包括：铁氧化物还原耗热、硅还原耗热、锰还原耗热、磷还原耗热、脱硫耗热、水分解吸热、炉料游离水蒸发热、铁水和炉渣带走热、注入塑料分解热、炉顶煤气带走热、高炉热损失。

借助上述神经网络模型和平衡、机理约束，构造多目标优化模型的目标函数和约束条件。通过非支配排序多目标遗传算法Ⅱ(NSGA-Ⅱ算法)，求解得到优化的配料和操作参数的帕累托(Pareto)最优解集。

在求解过程中，将形如J(X)＝K(X)的等式约束转化为不等式约束g'(x)＝(|J(X)-K(X)|)/(J(X))-ε≤0，这样将约束条件统一为g(X)≤0的形式，并定义约束违反程度c＝Max{g(X),0}，将各个约束条件的约束违法程度进行归一化处理，求和获得总的约束违反程度。在非支配排序过程中，优先考虑约束违反程度在设定范围内的解。

按照上述方法，用Matlab编写了高炉多目标优化系统，包括参数设置，历史数据更新，神经网络训练，约束条件设定和多目标优化求解的功能。并对求解得到的帕累托最优解集，按三个目标值，通过三维坐标系进行展示，供高炉炉长自由选择最优方案。通过点击最佳方案坐标点，即可展示对应的决策变量，得到高炉配料配比，及相应的高炉下部操作参数的初始设定值，以指导高炉操作。

有益效果：

本发明综合现有技术方法的优点，在建模过程中，并不直接建立决策变量与目标函数间的关系模型，而将建模过程分为两步，先通过神经网络对中间参数进行预测，再采用机理公式的方法更准确的描述约束条件和目标函数，即将机理较难描述的部分采用神经网络，将机理较为清晰的部分继续采用严格的公式进行描述，兼顾了准确性和可行性。并且充分考虑了配料和高炉操作对炉况的影响，将原本独立开来的高炉上部间歇式布料控制和下部的连续式的喷煤鼓风等控制统一考虑，实现了高炉上下部协调优化调整。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1为本发明一个较佳实施例的多目标优化模块框架，

图2为高炉炼铁工艺流程示意图，

图3为本发明一个较佳实施例的PCA累计特征值图，

图4为本发明一个较佳实施例的帕累托最优解集，

图5为本发明一个较佳实施例的多目标优化系统软件界面。

具体实施方式

实施例1：

本实例是结合某钢厂2号高炉(如图2所示)的实际可测得或可计算得出的变量情况，通过如附图1所示的数据与机理结合的方法进行建模，并通过非支配排序多目标遗传算法Ⅱ(NSGA-Ⅱ算法)进行优化计算。

步骤一：根据工厂的具体要求和生产过程的实际情况确定矿石原料参数、原料单价、工艺约束上下限、铁水质量约束上下限。

步骤二：根据高炉历史运行数据，构造决策变量到典型中间观测变量间的映射关系：

选取近三年的实际数据，考虑静态优化的需求，选取得运行数据的日平均值，首先结合高炉操作日志，剔除高炉异常状态及休风过程的数据，再采用3σ准则进一步剔除数据异常值。最终得到985组数据。

根据高炉历史运行数据，如图3所示，通过PCA方法，选取对典型中间观测参数影响较大的6个主参数，加上5个原料变量，共同作为决策变量。

表1决策变量

将决策变量作为神经网络的输入，将典型中间关键参数作为模型的输出，通过多次实验，如表2所示，最终确定隐藏层节点数为10个，构成13×10×5的三层BP神经网络预测模型。，并选取101-200号数据为测试组，其余为训练组，对神经网络进行训练和测试。结果如表3所示，基本满足了优化模型的精度需求。

表2隐藏层节点数实验结果

表3 BP神经网络模型的RMSE及命中率

步骤三：确定目标函数和约束条件：

1.对炉渣生成量和排出煤气量进行估算：

2.确定目标函数：

(1)燃料比：

J₁＝x₅+x₆

(2)吨铁二氧化碳排放：

J₂＝η₁x₅+η₂x₆+η′₁x₅+η′₅x₁+η′₆x₂-η₃c-η₄x′₁₈

(3)吨铁原料成本：

表4因子表

3.确定约束条件：

(1)炉渣碱度(R)约束：

(2)炉渣中MgO和Al₂O₃含量约束：

(3)典型中间观测参数中铁水Si、S含量的约束：

Min_j≤x′_i≤Max_j i＝12,14；j＝Si,S

(4)C元素平衡约束：

C元素平衡表示高炉的入炉焦炭和喷吹煤粉中的含碳量与碳消耗量的平衡。高炉炼铁过程中，碳消耗量包含直接还原消耗量、脱硫消耗量、鼓风燃烧消耗量、铁水含碳量及生成CH4消耗量。

(5)热平衡约束式：

Q_in,j热收入包括：风口回旋区燃烧放热、鼓风带入热、CH4生成热、炉渣生成热；Q_out,j热支出包括：铁氧化物还原耗热、硅还原耗热、锰还原耗热、磷还原耗热、脱硫耗热、水分解吸热、炉料游离水蒸发热、铁水和炉渣带走热、注入塑料分解热、炉顶煤气带走热、高炉热损失。

步骤四：通过NSGA-II多目标优化算法进行求解，以目标函数作为优化算法的适应度函数，来确定各个可行解之间的支配关系。对于存在的等式约束，将形如J(X)＝K(X)的等式约束,转化为不等式约束g'(x)＝(|J(X)-K(X)|)/(J(X))-ε≤0，这样将约束条件统一为g(X)≤0的形式。并定义约束违反程度C＝Max{g(X),0}，将各个约束条件的约束违法程度进行归一化处理，求和获得总的约束违反程度。在非支配排序过程中，如果判定解i优于解j，则必须满足下列规则之一：

(1)i为可行解，j为不可行解；

(2)i和j均为不可行解，但是解i的约束违反程度较小；

(3)i和j均为可行解，但是解i支配解j。

步骤五：按照上述方法进行优化计算，得到帕累托最优解集和对应的决策变量。对得到的帕累托最优解集通过三维坐标轴进行展示，如图4所示，帮助高炉炉长选取最优方案。选取其中两组解，与实际值进行对比，结果如表5所示，各项指标均得到了提升。并可以根据炉长的侧重不同进行选择。

表5优化结果比较

根据上述方法，用Matlab编写了高炉多目标优化软件，如图5所示，对上述功能进行集成，可以在软件上进行初始值确定、历史数据导入、神经网络模型更新、优化求解、解集展示的功能，应用在高炉总控室现场，帮助高炉炉长进行相关决策。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种高炉配料与操作的协同多目标优化方法，其特征在于，包括以下步骤：

步骤1：以高炉铁水的Si含量、P含量、S含量、Mn含量和C含量这5个铁水质量指标作为反映高炉运行的基本情况的中间参数；

步骤2：根据高炉生产的实际情况确定多目标优化模型的优化目标和决策变量；

步骤3：以所述决策变量作为输入，所述中间参数为输出，构建神经网络模型；

步骤4：根据所述神经网络模型和元素平衡、物料平衡，对所述优化目标进行计算，得到所述优化目标的目标函数；

步骤5：根据元素平衡、物料平衡和冶炼机理，确定所述多目标优化模型的约束条件；

步骤6：利用NSGA-Ⅱ算法求解所述多目标优化模型，得到帕累托最优解集。

2.如权利要求1所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述优化目标分别为燃料比、吨铁CO₂排放和吨铁成本；所述决策变量包括配料参数和操作参数，配料参数分别为：烧结矿用量、球团矿用量、块矿用量、锰矿用量和焦炭用量，操作参数分别为：煤粉用量、鼓风量、吨铁氧耗、热风温度、压差和湿度。

3.如权利要求2所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述决策变量的确定方法如下：

根据高炉实际运行数据，通过主成分分析法对高炉操作参数进行筛选，对筛选出的高炉操作参数，选取其中对所述中间参数影响大且在高炉炼铁过程中可以主动调节的作为决策变量中的操作参数，并选取若干个对所述中间参数影响较大的原料作为决策变量中的配料参数。

4.如权利要求1所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述神经网络模型的构建方法如下：

以所述决策变量为作为神经网络模型的输入，以5个中间参数为输出，结合经验公式和数据测试，确定隐藏层节点个数，考虑静态优化的需求，采用高炉近期运行数据的日平均值，并进行数据剔除和预处理，对神经网络进行训练，最终确定与误差最小时的权值和阈值，构成三层BP神经网络模型，描述从所述决策变量到所述中间参数的映射关系。

5.权利要求1所述的高炉配料与操作的协同多目标优化方法，其特征在于，在进行目标函数和约束条件的计算前，先进行高炉中间参数和高炉产物的估算，其计算方法如下：

先通过所述神经网络对中间参数进行估计，进而根据元素平衡，由炉渣中各成分的主要元素在原料和铁水中的含量之差推算出炉渣中各成分的含量，对各成分求和即得到炉渣生成量，再根据高炉输入输出的物料平衡，得到排出煤气量。

6.如权利要求2所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述目标函数的计算方法如下：

所述燃料比即为吨铁焦炭和煤粉的消耗量之和，所述吨铁CO₂排放＝输入直接排放+输入间接排放-输出排放抵扣，所述吨铁成本为吨铁所消耗原料的成本之和。

7.如权利要求1所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述约束条件包括铁水质量约束、工艺约束、元素平衡约束、质量平衡约束和热平衡约束。

8.如权利要求1所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述步骤6中，以所述目标函数作为所述NSGA-II算法的适应度函数，来确定各个可行解之间的支配关系；将形如J(X)＝K(X)的等式约束转化为不等式约束g'(x)＝(|J(X)-K(X)|)/(J(X))-ε≤0，这样将约束条件统一为g(X)≤0的形式，并定义约束违反程度c＝Max{g(X),0}，将各个约束条件的约束违法程度进行归一化处理，求和获得总的约束违反程度；在非支配排序过程中，优先考虑约束违反程度在设定范围内的解。

9.一种应用如权利要求1-8中任一项所述的方法建立的高炉多目标优化系统，其特征在于，包括参数设置模块、历史数据更新模块、神经网络训练模块、约定条件设定模块和多目标优化求解模块。

10.如权利要求9所述的高炉多目标优化系统，其特征在于，所述系统在MATLAB中编辑。