CN111915080B - 一种基于铁水质量约束的原燃料成本最优配比方法 - Google Patents
一种基于铁水质量约束的原燃料成本最优配比方法 Download PDFInfo
- Publication number
- CN111915080B CN111915080B CN202010754571.XA CN202010754571A CN111915080B CN 111915080 B CN111915080 B CN 111915080B CN 202010754571 A CN202010754571 A CN 202010754571A CN 111915080 B CN111915080 B CN 111915080B
- Authority
- CN
- China
- Prior art keywords
- molten iron
- raw fuel
- blast furnace
- quality
- whale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 160
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000000446 fuel Substances 0.000 title claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 45
- 241000283153 Cetacea Species 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 38
- 239000002893 slag Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 239000007789 gas Substances 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 229910000831 Steel Inorganic materials 0.000 claims description 6
- 210000001015 abdomen Anatomy 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 6
- 239000000571 coke Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 239000008188 pellet Substances 0.000 claims description 6
- 239000010959 steel Substances 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000002904 solvent Substances 0.000 claims description 4
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 239000002737 fuel gas Substances 0.000 claims description 3
- 239000000295 fuel oil Substances 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- -1 lump ore Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004939 coking Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005453 pelletization Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 229910000805 Pig iron Inorganic materials 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacture And Refinement Of Metals (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明公开一种基于铁水质量约束的原燃料成本最优配比方法。包括下述步骤：步骤一：获取企业对铁水质量的控制指标以及质量数据的历史测量或化验记录；步骤二：获取高炉炼铁所用原燃料的种类，以及每种原燃料的理化特性、冶金特性；步骤三、获取对应到每吨铁水所需每一种原燃料的用量和每种原燃料的成本；步骤四：采集高炉炼铁过程中影响铁水质量指标的工艺变量；步骤五：建立高炉铁水质量的回归模型；步骤六、以满足工艺对铁水质量的要求为约束，以原燃料成本最小为目标，采用改进的鲸鱼优化算法(IWOA)进行计算，得到各种原燃料的最优配比(m1,m2,…,mK)。
Description
技术领域
本发明涉及一种基于铁水质量约束的高炉原燃料最小成本配比方法，属于炼铁技术领域。
背景技术
高炉是目前国内最主要的炼铁方式。高炉炼铁时，烧结矿、球团矿、块矿、焦炭、溶剂等从炉顶进入并因重力向下运动，下部鼓入的热风和喷吹的煤粉生成大量还原性气体向上运动，与向下的矿料发生剧烈反应，最后，生成铁水、炉渣和高炉煤气。
高炉炼铁是高温、高压、密闭、连续生产的巨型“黑箱”，所涉及的冶炼操作参数及技术经济指标繁多。铁水质量通常采用铁水温度(MIT)、硅(Si)含量、磷(P)含量和硫(S) 含量等指标来衡量：铁水温度能反应高炉内能量消耗和热状态；Si含量反映了铁水的化学热；P和S的含量如果过高会影响生铁品质。根据输出铁水的质量检测结果，对高炉生产工艺参数和原燃料的配比进行调节与优化，是保证高炉稳定、顺行的重要举措。
每吨铁水所消耗原燃料的成本显著影响到钢铁企业的经济效益。降低吨铁成本，特别是降低燃料比，既是钢铁企业的效益诉求，也是国家节能减排及可持续发展战略的要求。因此，在保证铁水质量的同时寻求最小化高炉原燃料的成本，具有积极的意义。
当前，高炉炼铁工序大部分配置了众多的传感器和检测装备，采集了海量的原燃料参数、铁水矿渣煤气等产物参数、高炉设计参数、高炉生产操作参数、炉体健康与长寿维护参数，节能环保参数，等等。神经网络、机器学习等技术的发展对高炉“黑箱”提供了基于数据驱动的建模思路。由于高炉参数众多且耦合关系复杂，从中选择适量的特征以适应模型的学习能力是神经网络建模的一项关键点，通常需要结合工艺知识和数学方法(比如主成分分析) 来降低特征维度，增加了复杂度，且当原燃料成份或高炉工艺发生变化时，用于模型的特征会需要重新选取。与神经网络模型不同，随机森林在学习过程中生成多棵没有关联的决策树，模型的最终输出由森林中的每一棵决策树共同决定，属于机器学习中的集成算法。随机森林算法处理回归问题时，通常以每棵决策树输出的均值作为最终结果。而且，随机森林算法能完成隐含特征的选择，并且提供一个很好的特征重要度的选择指标。高炉生产中另一个常见的问题是如何在同时满足多个约束条件(比如工艺约束、质量守恒、元素守恒、热平衡)的情况下进行目标优化。鲸鱼优化算法(WOA)是一种模拟座头鲸狩猎行为的启发式优化算法，和研究较多的遗传算法相比具有收敛快、使用方便的特点。
发明内容
本发明提出一种基于铁水质量约束的原燃料成本最优配比方法，其主要步骤如下：
步骤一：获取企业对铁水质量的控制指标，包括且不局限于铁水温度(MIT)、铁水Si含量、铁水S含量、铁水P含量、高炉炉渣碱度、高炉炉渣MgO含量、高炉炉渣Al2O3含量等指标的允许上限和下限。同时，获取上述质量数据的历史测量或化验记录。
步骤二：获取高炉炼铁所用原燃料的种类，以及每种原燃料的理化特性、冶金特性。高炉炼铁的原料有烧结矿、球团矿、矿石、废钢、溶剂等，燃料有焦炭，此外还有煤粉或重油、燃气等喷吹燃料。可选地，如果一种原燃料在不同供应商及批次之间的关键理化特性与冶金特性存在明显的差异，宜列为不同的种类。
步骤三、获取对应到每吨铁水所需每一种原燃料的用量。
步骤四：获取每种原燃料的成本。
对于直接采购的原燃料，其成本从ERP系统中读取，或者基于采购成本、物流成本、存货成本、管理成本等，采用移动加权平均法或标准成本法来进行成本计算。
对于企业通过烧结、球团、炼焦等前置工序生产的烧结矿、球团矿、焦炭，其成本从ERP 系统中读取，或者通过逐步结转法计算其成本。
步骤五：采集高炉炼铁过程中影响铁水质量指标的工艺变量，包括且不局限于下列数据中的若干种：冷风流量、送风比、热风压力、顶压、压差、顶压风量比、透气性、阻力系数、热风温度、富氧流量、富氧率、设定喷煤量、鼓风湿度、燃烧温度、标准风速、实际风速、鼓风动能、炉腹煤气量、炉腹煤气指数。
步骤六：建立高炉铁水质量的回归模型。模型输入向量为步骤三收集到的高炉原燃料用量(记为m1,m2,…,mK)和步骤五收集的高炉炼铁工艺变量组合(记为v1,v2,…,vK)的叠加，模型输出为步骤一的指标数值。具体地：
P1、根据生产过程中信息采集周期和数据记录周期，确定模型数据的时间粒度。按此时间粒度构建输入变量向量和输出变量向量的历史数据，且输入变量与输出变量在时间上一一对应。
优选地，当信息采集、数据记录周期与模型数据的时间粒度不等时，需要通过软测量方式按时间粒度计算变量值。优选地，对于时间粒度小于记录周期的变量，可采用内插值作为变量值；对于时间粒度大于采集周期的变量，可采用前后相邻采集周期变量的算术平均或滑动窗口平均作为变量值。
可选地，如果可以通过工艺知识、机理模型构建变量在信息采集、数据记录周期到时间粒度的解析函数，可据此函数计算变量值。
P2、剔除异常数据。首先，剔除高炉休风期间的数据。其次，剔除已知采集设备存在故障期间的数据。再次，对剩下总数量为I的数据计算标准差其中xi表示第i个数据，剔除偏差大于3σ的数据。
P3、对数据按进行归一化处理。
P4、把归一化后的数据向量作为模型输入，通过随机森林回归算法进行训练，得到铁水质量指标的模型。模型的训练过程包括：
P4-1从训练集中随机有放回地抽取一定数量的样本，作为回归树的训练样本；
P4-2执行回归树生成算法，为每棵回归树选择最佳切分特征和切分点，最终在非叶子节点保存当前节点的最佳切分特征和切分点，在叶子节点保存节点内所有样本标签的均值。
P4-3对回归树进行集成，把各棵决策树输出结果的均值作为测试样本的最终预测结果。
步骤七、以满足工艺对铁水质量的要求为约束，以原燃料成本最小为目标，采用改进的鲸鱼优化算法(IWOA)进行计算，得到各种原燃料的最优配比(m1,m2,…,mK)。
原燃料成本其中mk和pk分别为步骤三和步骤五得到的每吨铁水所用第k 种原燃料的重量和成本。最优化的目标，是当炼铁工艺变量组合/>的各个变量取值已控制在工艺允许范围内且满足炼铁机理公式约束的前提下，寻找最优的原燃料配比组合/>以使得/>最小且同时满足下列对铁水质量的要求：
其中fMIT(·)、fSi(·)、fS(·)、fP(·)、fBS(·)、fMgO(·)、分别表示步骤六所建模型输入向量到铁水温度、铁水Si含量、铁水S含量、铁水P含量、炉渣碱度、炉渣MgO含量、炉渣Al2O3含量等输出变量的映射关系。
我们设计一种改进鲸鱼优化算法(IWOA)解决上述最优化问题，IWOA方法要点包括：
(1)IWOA初始化，设置种群规模、空间维度、鲸鱼初始位置、最大迭代次数。
(2)分别用数学模型去模拟鲸群随机搜寻猎物、收缩包围猎物和气泡网攻击阶段的鲸鱼行进轨迹。当系数向量A的模小于1时，鲸鱼向处于最优位置的个体方向游动，并以[0， 1]之内的随机概率发起气泡网攻击；当A的模大于等于1时，鲸鱼在全局空间里随机搜寻猎物。
(3)将迭代过程中系数向量A的控制参数由线性递减改为非线性递减方式。
(4)随机搜寻猎物阶段，计算随机位置向量与当前最优位置向量的加权向量和，用它更新鲸鱼的位置。
本发明采集吨铁所耗各种原燃料的重量以及从高炉工艺变量中遴选出来的关键变量，共同组成随机森林模型的输入向量。采集高炉铁水的各质量指标作为输出向量。通过历史数据，训练随机森林回归模型，用于模拟高炉原燃料+工艺变量到铁水的黑箱。
结合钢铁企业生产经营中降低原燃料成本及节能减排(尤其是降低燃料比)的需求，把原燃料的总成本最小作为优化目标，同时满足工艺上的种种限制。具体来讲，原燃料的配比不同，以及高炉工艺控制的不同，会对应不同的铁水质量。当目标函数是原燃料的总成本(可以视为原燃料配比向量的加权和，权重是各原燃料在ERP系统中的成本)时，我们求解输入向量的最优解，即在空间中搜索输入向量(输入向量＝原燃料向量(M维)+工艺变量向量(V 维))的各种可能位置，同时需要满足工艺变量的取值约束、输出铁水各质量参数的取值约束，以及高炉反应机理对工艺变量的潜在约束限制。我们采用鲸鱼算法，并在参数的迭代和位置更新迭代上进行改进，得到改进鲸鱼算法(IWOA)，用其得到输入向量的最优化结果。从输入向量中截取前M维，即得到原燃料最优配比。
附图说明
图1为本发明方法的实施步骤示意图；
图2是随机森林回归算法的流程示意图；
图3是改进鲸鱼算法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示，本发明提供一种基于铁水质量约束的原燃料成本最优配比方法，其主要步骤如下：
步骤一：获取企业对铁水质量的控制指标，包括且不局限于铁水温度(MIT)、铁水Si含量、铁水S含量、铁水P含量、高炉炉渣碱度、高炉炉渣MgO含量、高炉炉渣Al2O3含量等指标的允许上限和下限。同时，获取上述质量数据的历史测量或化验记录。
步骤二：获取高炉炼铁所用原燃料的种类，以及每种原燃料的理化特性、冶金特性。高炉炼铁的原料有烧结矿、球团矿、矿石、废钢、溶剂等，燃料有焦炭，此外还有煤粉或重油、燃气等喷吹燃料。可选地，如果一种原燃料在不同供应商及批次之间的关键理化特性与冶金特性存在明显的差异，宜列为不同的种类。
步骤三、获取对应到每吨铁水所需每一种原燃料的用量。
步骤四：获取每种原燃料的成本。
对于直接采购的原燃料，其成本从ERP系统中读取，或者基于采购成本、物流成本、存货成本、管理成本等，采用移动加权平均法或标准成本法来进行成本计算。
对于企业通过烧结、球团、炼焦等前置工序生产的烧结矿、球团矿、焦炭，其成本从ERP 系统中读取，或者通过逐步结转法计算其成本。
步骤五：采集高炉炼铁过程中影响铁水质量指标的工艺变量，包括且不局限于下列数据中的若干种：冷风流量、送风比、热风压力、顶压、压差、顶压风量比、透气性、阻力系数、热风温度、富氧流量、富氧率、设定喷煤量、鼓风湿度、燃烧温度、标准风速、实际风速、鼓风动能、炉腹煤气量、炉腹煤气指数。
步骤六：建立高炉铁水质量的回归模型。模型输入向量为步骤三收集到的高炉原燃料用量(记为m1,m2,…,mK)和步骤五收集的高炉炼铁工艺变量组合(记为v1,v2,…,vK)的叠加，模型输出为步骤一的指标数值。具体地：
P1、根据生产过程中信息采集周期和数据记录周期，确定模型数据的时间粒度。按此时间粒度构建输入变量向量和输出变量向量的历史数据，且输入变量与输出变量在时间上一一对应。
优选地，当信息采集、数据记录周期与模型数据的时间粒度不等时，需要通过软测量方式按时间粒度计算变量值。优选地，对于时间粒度小于记录周期的变量，可采用内插值作为变量值；对于时间粒度大于采集周期的变量，可采用前后相邻采集周期变量的算术平均或滑动窗口平均作为变量值。
可选地，如果可以通过工艺知识、机理模型构建变量在信息采集、数据记录周期到时间粒度的解析函数，可据此函数计算变量值。
P2、剔除异常数据。首先，剔除高炉休风期间的数据。其次，剔除已知采集设备存在故障期间的数据。再次，对剩下总数量为I的数据计算标准差其中xi表示第 i个数据，剔除偏差大于3σ的数据。
P3、对数据按进行归一化处理。
P4、把归一化后的数据向量作为模型输入，通过随机森林回归算法进行训练，得到铁水质量指标的模型。模型的训练过程如图2所示，它包括：
P4-1对最多允许决策树的数目、决策树的深度、限制分枝时考虑的特征个数、内部节点再划分所需最小样本数、叶子节点最少样本数等学习参数进行设置；
P4-2从训练集中随机有放回地抽取一定数量的样本，作为回归树的训练样本；
P4-3执行回归树生成算法，为每棵回归树选择最佳切分特征和切分点，最终在非叶子节点保存当前节点的最佳切分特征和切分点，在叶子节点保存节点内所有样本标签的均值。
P4-4对回归树进行集成，把各棵决策树输出结果的均值作为测试样本的最终预测结果。
步骤七、以满足工艺对铁水质量的要求为约束，以原燃料成本最小为目标，采用改进的鲸鱼优化算法(IWOA)进行计算，得到各种原燃料的最优配比(m1,m2,…,mK)。
原燃料成本其中mk和pk分别为步骤三和步骤五得到的每吨铁水所用第k 种原燃料的重量和成本。最优化的目标，是当炼铁工艺变量组合/>的各个变量取值已控制在工艺允许范围内且满足炼铁机理公式约束的前提下，寻找最优的原燃料配比组合/>以使得/>最小且同时满足下列对铁水质量的要求：
其中fMIT(·)、fSi(·)、fS(·)、fP(·)、fBS(·)、fMgO(·)、分别表示步骤六所建模型输入向量到铁水温度、铁水Si含量、铁水S含量、铁水P含量、炉渣碱度、炉渣MgO含量、炉渣Al2O3含量等输出变量的映射关系。
我们设计一种改进鲸鱼优化算法(IWOA)解决上述最优化问题(如图3所示)，计算过程如下：
S1、对IWOA算法的参数初始化：鲸鱼种群规模为N，搜索空间为d维，第i头鲸鱼在第d维空间的位置为i＝1,2,…N。
S2、进入迭代过程。用t表示当前迭代时刻，是当前迭代时刻第i头鲸鱼的位置， t＝1,2,…,T，T为最大迭代次数。生成系数向量/>和/>计算方式为：
和/>是[0,1]上的随机向量，/>是迭代过程中的控制参数。本方法对经典WOA模型中/>的线性递减方式进行改造，计算方式为：
S3、随机搜寻猎物阶段：当时，鲸鱼在全局空间里随机搜寻猎物。不同于经典WOA 模型中的随机搜寻猎物算法，本方法让鲸鱼获知当前位置最优的鲸鱼，生成最优位置向量/>同时生成一个随机位置向量/>与/>按随机权值γ共同决定鲸鱼的位置更新向量/>γ∈[0,1]。本方法的计算过程如下：
S4、收缩包围猎物与气泡网攻击阶段：当时,鲸群已找到猎物，根据决策系数p ＝rand[0,1]进行收缩包围或气泡网攻击。
当p<0.5时，鲸鱼进行收缩包围，位置计算过程如下：
当p≥0.5时，鲸鱼发起螺旋气泡网攻击，位置计算过程如下：
其中b为定义对数螺旋形状的参数，θ＝rand[-1,1]。
S5、判断是否满足结束条件，若不满足则循环S2-S4的迭代过程。
显然，以上描述的实施例仅仅是本发明一部分实施例；本发明还可以通过其他不同的具体实施方式加以应用，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容所涵盖的范围内。
Claims (6)
1.一种基于铁水质量约束的原燃料成本最优配比方法，其特征在于，所述的方法包括下述步骤：
步骤一：获取企业对铁水质量的控制指标以及质量数据的历史测量或化验记录；
步骤二：获取高炉炼铁所用原燃料的种类，以及每种原燃料的理化特性、冶金特性；
步骤三、获取对应到每吨铁水所需每一种原燃料的用量和每种原燃料的成本；
步骤四：采集高炉炼铁过程中影响铁水质量指标的工艺变量；
步骤五：建立高炉铁水质量的回归模型；其中，模型输入向量为步骤三收集到的高炉原燃料用量和步骤四收集的高炉炼铁工艺变量，模型输出为步骤一的控制指标数值；
步骤六、以满足工艺对铁水质量的要求为约束，以原燃料成本最小为目标，采用改进的鲸鱼优化算法(IWOA)进行计算，得到各种原燃料的最优配比；
所述的步骤五：建立高炉铁水质量的回归模型的具体步骤为：
P1、根据生产过程中信息采集周期和数据记录周期，确定模型数据的时间粒度；
P2、剔除异常数据；
P3、对数据进行归一化处理；
P4、把归一化后的数据向量作为模型输入，通过随机森林回归算法进行训练，得到铁水质量指标的模型；
所述的模型的训练过程包括：
P41从训练集中随机有放回地抽取一定数量的样本，作为回归树的训练样本；
P42执行回归树生成算法，为每棵回归树选择最佳切分特征和切分点，最终在非叶子节点保存当前节点的最佳切分特征和切分点，在叶子节点保存节点内所有样本标签的均值；
P43对回归树进行集成，把各棵决策树输出结果的均值作为测试样本的最终预测结果；
所述的改进鲸鱼优化算法(IWOA)计算过程如下：
S1、对IWOA算法的参数初始化：鲸鱼种群规模为N，搜索空间为d维，第i头鲸鱼在第d维空间的位置为
S2、进入迭代过程；用t表示当前迭代时刻，是当前迭代时刻第i头鲸鱼的位置，t＝1,2,…,T，T为最大迭代次数；生成系数向量/>和/>计算方式为：
和/>是[0,1]上的随机向量，/>是迭代过程中的控制参数；本方法对经典WOA模型中的线性递减方式进行改造，计算方式为：
S3、随机搜寻猎物阶段：当时，鲸鱼在全局空间里随机搜寻猎物；生成最优位置向量/>同时生成一个随机位置向量/>与/>按随机权值γ共同决定鲸鱼的位置更新向量/>计算过程如下：
S4、收缩包围猎物与气泡网攻击阶段：当时,鲸群已找到猎物，根据决策系数p＝rand[0,1]进行收缩包围或气泡网攻击；
当p<0.5时，鲸鱼进行收缩包围，位置计算过程如下：
当p≥0.5时，鲸鱼发起螺旋气泡网攻击，位置计算过程如下：
其中b为定义对数螺旋形状的参数，θ＝rand[-1,1]；
S5、判断是否满足结束条件，若不满足则循环S2-S4的迭代过程。
2.如权利要求1所述的基于铁水质量约束的原燃料成本最优配比方法，其特征在于，所述的步骤一中的控制指标包括:铁水温度、铁水Si含量、铁水S含量、铁水P含量、高炉炉渣碱度、高炉炉渣MgO含量、高炉炉渣Al2O3含量指标的允许上限和下限。
3.如权利要求1所述的基于铁水质量约束的原燃料成本最优配比方法，其特征在于，所述的原燃料包括：烧结矿、球团矿、矿石、废钢、溶剂。
4.如权利要求1所述的基于铁水质量约束的原燃料成本最优配比方法，其特征在于，所述的工艺变量包括：冷风流量、送风比、热风压力、顶压、压差、顶压风量比、透气性、阻力系数、热风温度、富氧流量、富氧率、设定喷煤量、鼓风湿度、燃烧温度、标准风速、实际风速、鼓风动能、炉腹煤气量、炉腹煤气指数。
5.如权利要求1所述的基于铁水质量约束的原燃料成本最优配比方法，其特征在于，所述的原燃料中燃料包括焦炭、煤粉、重油、燃气。
6.如权利要求1所述的基于铁水质量约束的原燃料成本最优配比方法，其特征在于，所述的P2剔除异常数据具体为：
P21)剔除高炉休风期间的数据；
P22)剔除已知采集设备存在故障期间的数据；
P23)计算标准差σ，剔除偏差大于3σ的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010754571.XA CN111915080B (zh) | 2020-07-30 | 2020-07-30 | 一种基于铁水质量约束的原燃料成本最优配比方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010754571.XA CN111915080B (zh) | 2020-07-30 | 2020-07-30 | 一种基于铁水质量约束的原燃料成本最优配比方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111915080A CN111915080A (zh) | 2020-11-10 |
| CN111915080B true CN111915080B (zh) | 2024-05-14 |
Family
ID=73286469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010754571.XA Active CN111915080B (zh) | 2020-07-30 | 2020-07-30 | 一种基于铁水质量约束的原燃料成本最优配比方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111915080B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668234B (zh) * | 2020-12-07 | 2023-08-15 | 辽宁科技大学 | 一种转炉炼钢终点智能控制方法 |
| CN116819962B (zh) * | 2023-06-07 | 2024-07-19 | 淮阴工学院 | 一种农业废弃物发酵智能调控设备及系统 |
| CN117193178B (zh) * | 2023-07-06 | 2024-01-26 | 苏州市华研富士新材料有限公司 | 一种玻璃纤维复合板的生产工艺优化控制方法及系统 |
| CN117454987B (zh) * | 2023-12-25 | 2024-03-19 | 临沂大学 | 基于事件自动抽取的矿山事件知识图谱构建方法及装置 |
| CN117689275B (zh) * | 2024-02-02 | 2024-05-17 | 广东贝洛新材料科技有限公司 | 橡胶材料生产配料方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583118A (zh) * | 2018-12-10 | 2019-04-05 | 武钢集团昆明钢铁股份有限公司 | 一种烧结配比计算及烧结矿成本优化方法 |
| CN109918702A (zh) * | 2019-01-03 | 2019-06-21 | 上海交通大学 | 一种高炉配料与操作的协同多目标优化方法 |
-
2020
- 2020-07-30 CN CN202010754571.XA patent/CN111915080B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583118A (zh) * | 2018-12-10 | 2019-04-05 | 武钢集团昆明钢铁股份有限公司 | 一种烧结配比计算及烧结矿成本优化方法 |
| CN109918702A (zh) * | 2019-01-03 | 2019-06-21 | 上海交通大学 | 一种高炉配料与操作的协同多目标优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于燃料比最优的高炉喷煤设定值多目标优化;崔桂梅;吕明远;;科学技术与工程(10);第229-235页 * |
| 改进的鲸鱼优化算法及其在烧结配料中的应用;伍铁斌;朱红求;龙文;李勇刚;刘云连;;中南大学学报(自然科学版)(01);第109-117页 * |
| 高炉炼铁过程铁水质量的运行优化控制;陈建华;周平;;控制工程(07);第26-31页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111915080A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111915080B (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
| CN104651559B (zh) | 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 | |
| CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
| CN107299170B (zh) | 一种高炉铁水质量鲁棒软测量方法 | |
| CN106909705A (zh) | 一种高炉铁水质量预报方法及其系统 | |
| CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
| Li et al. | Dynamic time features expanding and extracting method for prediction model of sintering process quality index | |
| CN101211383A (zh) | 一种高炉铁水硅含量的特征分析预报方法 | |
| CN108388762A (zh) | 基于深度置信网络的烧结矿化学成分预测方法 | |
| CN110427715B (zh) | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 | |
| CN113761787A (zh) | 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统 | |
| CN106019940B (zh) | 基于ukf神经网络的转炉炼钢工艺成本控制方法及系统 | |
| CN113517037A (zh) | 一种数据与知识融合的烧结矿FeO预测方法及系统 | |
| CN109934421B (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
| Li et al. | A blast furnace coke ratio prediction model based on fuzzy cluster and grid search optimized support vector regression | |
| Li et al. | A novel multiple-input–multiple-output random vector functional-link networks for predicting molten iron quality indexes in blast furnace | |
| CN113657037A (zh) | 基于时间序列插值-注意力机制的铁水硅含量预测方法 | |
| Hu et al. | Dynamic modeling framework based on automatic identification of operating conditions for sintering carbon consumption prediction | |
| Yang et al. | A multi-objective optimization model based on long short-term memory and non-dominated sorting genetic algorithm II | |
| Ding et al. | Dynamic prediction of the silicon content in the blast furnace using lstm-rnn-based models | |
| Jiang et al. | Prediction of FeO content in sintering process based on heat transfer mechanism and data-driven model | |
| Lakshmanan et al. | A hybrid modelling approach based on deep learning for the prediction of the silicon content in the blast furnace | |
| Quan et al. | Prediction of air leakage rate of sintering furnace based on BP neural network optimized by PSO | |
| CN118039003B (zh) | 基于分布与图卷积的高炉数字孪生系统硅含量预测方法 | |
| CN113637819B (zh) | 一种基于深度强化学习的高炉布料方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240416 Address after: 243000 Fu Chang Industrial Park, 259 HSI Nan Road, Ma'anshan economic and Technological Development Zone, Anhui Applicant after: HUATIAN ENGINEERING & TECHNOLOGY CORPORATION, MCC Country or region after: China Applicant after: MCC HUATIAN NANJING ELECTRICAL ENGINEERING & TECHNOLOGY Co.,Ltd. Applicant after: HUATIAN NANJING ENGINEERING & TECHNOLOGY CORPORATION, MCC Address before: No.699, Hunan West Road, Ma'anshan City, Anhui Province Applicant before: HUATIAN ENGINEERING & TECHNOLOGY CORPORATION, MCC Country or region before: China Applicant before: MCC HUATIAN NANJING ELECTRICAL ENGINEERING & TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |