CN112861276B - 基于数据与知识双驱动的高炉料面优化方法 - Google Patents

Abstract

本发明涉及基于数据与机理双驱动的高炉料面优化方法，属于高炉冶炼自动控制技术领域。该方法包括如下步骤：步骤一：建立生产指标的数据驱动模型；步骤二：确定高炉料面多目标优化问题，并对该问题进行数学描述；步骤三：计算料面特征的初始值；步骤四：计算料面特征的反馈补偿值；步骤五：评估炉况状态并进行容错调整，得到料面特征的容错调整值；步骤六：依据料面特征的初始值、反馈补偿值以及容错调整值，计算并输出最终的料面。本发明以高炉生产指标优化为目标，融合生产过程数据和知识，能够及时根据生产情况的变化给出合理的料面，满足现场生产的需求，使高炉高效稳定优化运行。

Description

基于数据与知识双驱动的高炉料面优化方法

技术领域

本发明涉及基于数据与知识双驱动的高炉料面优化方法，属于高炉冶炼自动控制技术领域。

背景技术

高炉炼铁过程是钢铁流程中的重要环节，该过程的能耗和排放量占整个流程的60％～70％。随着能源的日益紧缺以及环境保护压力的不断增加，对高炉炼铁过程的节能减排工作越来越受到人们的高度重视。在高炉炼铁生产的四大操作制度中，上部调节制度(布料制度)是操控高炉最频繁和最有效的手段，它直接影响炉料在炉喉处的分布。合理的炉料分布能够形成合理的煤气流分布，使得炉内化学反映更加充分，降低燃料消耗，大大提高煤气的利用率，对高炉长期稳顺运行和节能减排具有重要作用。因此，建立料面优化决策模型以确定期望的料面形状，对实现生产过程中生产指标的优化具有重要意义。但由于炉内运行机理复杂且环境恶劣，是一个典型的“黑箱”系统，如何建立料面优化模型仍存在挑战。

目前料面优化主要是依靠操作人员的经验完成，具有一定的主观性，并且会容易忽略一些料面信息，不能得到精确的调控。另一方面，仅使用单一的给定的料面形状，不能适应炉况状态的变化，无法实现生产指标的优化。

发明内容

本发明的目的在于针对现有基于经验的料面调整不及时以及信息利用深度有限的技术缺陷，提出了基于数据与知识双驱动的高炉料面优化方法。

本发明的核心思想为：建立生产指标的数据驱动模型、确定高炉料面多目标优化问题及数学描述，计算料面特征的初始值、计算料面特征的反馈补偿值以及评估炉况状态并进行容错调整。

为了达到上述目的，本发明采用如下技术方案。

所述基于数据和知识双驱动的高炉料面优化方法，包括如下步骤：

步骤1：建立生产指标的数据驱动模型；

其中，数据驱动模型包括生产指标、关键炉况状态参数、料面特征以及动态关系；

其中，关键炉况状态参数以及料面特征为数据驱动模型的输入；生产指标为数据驱动模型的输出；

步骤1，具体包括如下子步骤：

步骤1.1：选取表征燃料利用率的煤气利用率、表征成本的焦比、表征高炉顺行的透气性指数和表征产品质量的铁水硅含量指标作为生产指标；

步骤1.2：选取表征炉况状态的参数，并进行影响因素分析；结合数据驱动的相关性分析方法，分析参数之间关联度的优劣，获得生产指标与炉况状态参数的定量关系，提取关键炉况状态参数；

其中，关键炉况状态参数为与生产指标关联性大的炉况状态参数；

步骤1.3：对料面区域进行划分、定义料面特征、选取料面区域的关键点进行特征提取，得到料面特征，具体为：

步骤1.3A：定义描述料面的坐标轴为以炉喉零料线位置为x轴，炉心为坐标原点，垂直向下方向为y轴；

步骤1.3B：根据料面分布特点，将料面区域进行划分，得到包括漏斗区、平台区和边缘区的料面区域分布；

其中，漏斗区由一段曲线和一段直线构成；

步骤1.3C：依照步骤1.3B得到的料面区域分布，选取五个关键点：漏斗区的最低点、漏斗区中曲线与直线的交界点、漏斗区和平台区的交界点、为平台区和边缘区的交界点以及炉料与炉墙的交界点；

其中，漏斗区的最低点，记为A；漏斗区中曲线与直线的交界点，记为B；漏斗区和平台区的交界点，记为C；平台区和边缘区的交界点，记为D；炉料与炉墙的交界点，记为E；

步骤1.3D：根据选取的五个关键点的坐标进行描述，得到料面特征；

其中，料面特征包括零料线位置到平台区的垂直距离、漏斗深度、漏斗宽度、平台宽度、漏斗的倾斜角度、漏斗圆心角和边缘的倾斜角；

步骤1.4：将步骤1.2中选择的关键炉况状态参数和步骤1.3中得到的料面特征连同对应的生产指标组成训练集，采用在线序贯超限学习机方法获得生产指标与料面特征和关键炉况状态参数的动态关系；

步骤2：确定高炉料面多目标优化问题，并对该问题进行数学描述；

其中，高炉料面多目标优化问题，包括优化目标、约束条件以及决策变量；

其中，优化目标为煤气利用率和焦比；约束条件为维持铁水硅含量和透气性指数在一定的范围内；决策变量为料面特征；

步骤3：计算料面特征的初始值，具体包括如下子步骤：

步骤3.1：随机产生的料面特征作为初始种群；

步骤3.2：采用NSGA-II方法求得满足步骤2中多目标优化问题的非支配解集；

其中，NSGA-II方法中优化目标的值即为生产指标值；生产指标值是根据步骤1建立的数据驱动模型计算得到的；

其中，“数据驱动模型的输入”中的关键炉况状态参数为当前炉况的关键炉况状态参数、料面特征为NSGA-II方法中生成的种群；“数据驱动模型的输出”中的生产指标，即为计算得到的当前炉况下该种群的每个优化目标的值；

步骤3.3：采用多属性决策方法对步骤3.2得到的非支配解集进行优先排序，得到排序结果，再根据排序结果选择得分第一的解作为料面特征的初始值；

步骤4：通过判断料面特征的初始值是否需要被修正、选择需要修正的料面特征、构建关联数据表、挖掘优化目标与料面特征的增量关系，计算得到料面特征的反馈补偿值，具体包括如下子步骤：

步骤4.1：根据优化目标的目标值和将初始值代入步骤1.4建立的动态关系计算得到预测值，再基于预测值和目标值之差ΔJ_k判断料面特征的初始值是否需要被修正，并依据判断结果进行对应操作，具体为：

若ΔJ_k小于设定的误差阈值，则认为料面特征的初始值不需要被修正，跳至步骤5；否则，若ΔJ_k大于等于设定的误差阈值，则认为料面特征的初始值需要被修正，跳至步骤4.2；

步骤4.2：计算每个料面特征对优化目标的影响程度，依据该影响程度选择需要修正的料面特征；判断该料面特征与优化目标的影响程度是否大于设定的影响度阈值，若是则为需要修正的料面特征，否则为不需要修正的料面特征；

其中，每个料面特征对优化目标的影响程度的计算，具体为：该料面特征与每个优化目标间互信息的和；

步骤4.3：构建关联数据表；

其中，关联数据表中的属性包括“条件属性”和“决策属性”，条件属性包括“优化目标”、“优化目标的目标值与预测值之差”和“需要修正的料面特征”，决策属性为“料面特征的反馈补偿值”；

步骤4.4：采用数据挖掘方法得到优化目标与料面特征的增量关系；具体包括如下子步骤：

步骤4.4A：设定数据挖掘方法中的最小支持度和最小置信度；

步骤4.4B：遍历整个关联数据表并计算每个属性的支持度，若支持度大于等于最小支持度，则属于频繁1项集；若支持度小于最小支持度则不属于频繁1项集；

步骤4.4C：若关联数据表中任意两个属性属于不同的属性标签，则将这两个属性加入候选2项集，然后从中选择支持度大于等于最小支持度的项集为频繁2项集，直到无法发现更高一级的频繁项集；

步骤4.4D：依据频繁项集得到条件属性为前件和决策属性为后件的关联表示，并提取关联表示中置信度大于等于最小置信度的关联表示为优化目标与料面特征的增量关系；

步骤4.5：根据得到的优化目标与料面特征的增量关系计算料面特征的反馈补偿值；

步骤5：获得炉况状态评估模型并依据该评估模型计算当前炉况下的料面特征对应的炉况状态，再根据该炉况状态检测结果判断是否进行容错调整，具体包括如下子步骤：

步骤5.1：将炉况评估因素连同对应的炉况状态组成训练集，采用加权超限学习机方法获得炉况状态评估模型；

其中，炉况评估因素包括步骤1.2和步骤1.3得到的关键炉况状态参数以及料面特征；

其中，炉况状态分为炉况异常和炉况非异常；

步骤5.2：计算当前炉况的料面特征，并根据步骤5.1得到的炉况状态评估模型计算当前炉况的料面特征对应的炉况状态；

其中，当前炉况的料面特征的计算，具体为：若料面特征的初始值不需要被修正，则料面特征为步骤3得到的料面特征的初始值；若料面特征的初始值需要被修正，则料面特征为步骤3得到的料面特征的初始值和步骤4得到的料面特征的反馈补偿值之和；

其中，炉况状态评估模型的炉况评估因素的关键炉况状态参数为当前炉况的关键炉况状态参数；

步骤5.3：根据炉况状态检测结果检测炉况是否异常，并依据检测结果进行容错调整，具体为：若检测出炉况异常，则采用案例推理方法进行容错调整，得到料面的容错调整值；否则，若检测出炉况非异常，则跳至步骤6；

其中，案例推理方法包括案例、建立初始案例库、案例推理以及案例重用；

其中，案例包括状态描述和解；状态描述包括关键炉况状态参数、炉况状态评估结果和料面特征，解为料面特征的容错调整值；初始案例库为按照案例表示的结构整理的生产历史数据；

其中，基于案例推理的容错调整的计算过程为：首先计算当前案例的状态描述与初始案例库中的状态描述的相似度；然后，选取相似度阈值，并从初始案例库中选择相似度大于相似度阈值的案例，将具有相似度值最大的案例的解作为当前案例的料面特征的容错调整值；若初始案例库中不存在大于相似度阈值的匹配案例，则需进行案例重用，具体为：在初始案例库中选取具有最大相似度的Num个案例，其对应的解分别为{s₁,s₂,...,s_Num}，相似度分别为{SIM₁,SIM₂,...,SIM_Num}且SIM₁≤SIM₂≤...≤SIM_Num≤1，则Num个案例的加权解为当前案例的料面特征的容错调整值；

其中，相似度阈值的选取具体为：若所有案例相似度的最大值大于等于人为设定的阈值时，则相似度阈值为人为设定的阈值；若所有案例相似度的最大值小于人为设定的阈值时，则相似度阈值为所有案例相似度的最大值；

其中，当前案例的状态描述为当前炉况下的关键炉况状态参数、炉况状态评估结果和料面特征；

步骤6：计算最终料面特征，再依据该最终料面特征的拟合料面计算得到最终的料面，具体包括如下子步骤：

步骤6.1：根据步骤3得到的料面特征的初始值、步骤4得到的料面特征的反馈补偿值和步骤5.3中在炉况异常下得到的料面特征的容错调整值计算最终料面特征；

其中，最终料面特征的计算，具体包括如下子步骤：

步骤6.1.A：若料面特征的初始值需要被修正，则修正后的料面特征为料面特征的初始值和料面特征的反馈补偿值之和；若料面特征不需要被修正，则修正后的料面特征仍为料面特征的初始值；

步骤6.1.B：若修正后的料面特征对应的炉况状态为炉况异常，则最终的料面特征为修正后的料面特征和料面特征的容错调整值之和；否则，若修正后的料面特征对应的炉况状态为炉况非异常，则最终的料面特征为修正后的料面特征；

步骤6.2：利用最终的料面特征拟合料面，获得最终的料面，具体为：首先确定关键点的坐标值与料面特征的关系；然后，采用“曲线-直线-直线-曲线”的方式求得料面的描述方程。

有益效果

本发明所述的基于数据和知识双驱动的高炉料面优化方法，与现有技术相比，具有如下有益效果：

1、所述方法针对高炉时变性的特点，能利用不同时刻采集的数据对生产指标模型进行更新，实现了生产指标的在线建模；

2、所述方法通过集成生产数据和领域知识，能够及时根据生产情况的变化给出合理的料面，满足现场生产的需求，使高炉高效稳定运行；

3、所述方法与依靠操作人员经验的操作优化相比，降低了人为操作的不确定性，使煤气利用率提高了0.3％，焦比降低了6t，提高了燃料利用率。

附图说明

图1为本发明所述基于数据与知识双驱动的料面优化方法及实施例中的流程示意图；

图2为本发明所述基于数据与知识双驱动的料面优化方法及实施例中料面特征的示意图；

图3为本发明所述基于数据与知识双驱动的料面优化方法及实施例中数据挖掘方法的流程图。

具体实施方式

下面结合附图和实施例对本发明基于数据与知识双驱动的料面优化方法做进一步说明和详细描述。

实施例1

高炉作为炼铁过程中生产铁水的重要冶炼设备。在生产过程中，从炉顶装入铁矿石、焦炭等原燃料，与此同时，从风口吹入辅助燃料和热风。由于原燃料的向下运动和热风的向上流动，炉内的不同区域在不同温度下会发生一系列复杂的化学反应和热交换现象，最后形成的液态铁水和炉渣以一定的时间间隔从炉底分别流出，以及高炉煤气从炉顶排出。在高炉生产中涉及到装料制度、送风制度、炉缸热制度和造渣制度,其中上部的装料制度是操控高炉最频繁、也是最有效的手段,它直接影响炉料在炉喉处的分布，即料面。合理的料面可以形成更加合理的煤气流分布，使得炉料反应更加充分，大大提高燃料的利用率。

图1是本发明具体实施方式中高炉料面优化方法的流程图，具体包括如下步骤：

步骤1：建立生产指标的数据驱动模型；以我国某钢铁厂2500m³的中型高炉的实际生产数据为例，实际生产数据包括生产指标数据、炉况状态数据和料面数据，首先进行生产指标模型的构建，具体包括如下子步骤：

步骤1.1：依照高效、低耗、优质和顺行的高炉生产宗旨,选取表征燃料利用率的煤气利用率、表征成本的焦比、表征顺行的透气性指数和表征产品质量的铁水硅含量作为生产指标，并作为数据驱动模型的输出；

步骤1.2：综合考虑高炉冶炼机理和仪器检测设备，选取表征炉况状态的参数，包括风温、风量、风压、顶温、顶压、全压差、静压差、十字测温、富氧率和实际风速；采用皮尔逊相关系数分析方法分析每个参数与生产指标的关联度的大小，选取关联度大于0.7的参数作为表征关键炉况状态的参数；

步骤1.3：对料面区域进行划分、定义料面特征、选取料面区域的关键点进行特征提取，得到料面特征的表示，具体为：

图2为料面特征的示意图；

步骤1.3A：定义描述料面的坐标轴为以炉喉零料线位置为x轴，炉心为坐标原点，垂直向下方向为y轴；

步骤1.3B：根据料面分布特点，将料面区域进行划分，得到包括漏斗区、平台区和边缘区的料面区域分布；

其中漏斗区由一段曲线和一段直线构成；

步骤1.3C：依照步骤1.3B得到的料面区域分布，选取五个关键点：漏斗区的最低点A、漏斗区中曲线与直线的交界点B、漏斗区和平台区的交界点C、平台区D和边缘区的交界点以及炉料与炉墙的交界点E；

步骤1.3D：对选取的五个关键点的坐标进行描述，得到料面特征；

五个关键点A,B,C,D,E的坐标分别为(x_A,y_A)，(x_B,y_B)，(x_C,y_C)，(x_D,y_D)，(x_E,y_E)，则料面特征的计算公式分别为：零料线位置到平台区的垂直距离h₁：h₁＝|y_C|；漏斗深度h₂：h₂＝|y_A-y_C|；漏斗宽度l₁：l₁＝|x_C-x_A|；平台宽度l₂：l₂＝|x_D-x_C|；漏斗的倾斜角度α：

漏斗圆心角β：

边缘的倾斜角γ：

其中，

步骤1.4：将步骤1.2中选择的关键炉况状态参数和步骤1.3中得到的料面特征连同对应的生产指标值组成训练集合，采用在线序贯超限学习机方法获得生产指标与料面特征和关键炉况状态参数的动态关系；该方法中的激活函数为Sigmoid函数，隐层节点数目为500个，初始训练数据个数为100，每一批学习的数据块的大小为20；

至此，经过步骤1.1到步骤1.4，提取了料面特征，并建立了生产指标的数据驱动模型；本发明所述方法一方面考虑了料面对生产指标的影响，另一方面针对高炉时变性的特点，能利用不同时刻采集的数据对模型进行更新，从而实现生产指标的在线建模；

步骤2：确定高炉料面多目标优化问题，并对该问题进行数学描述；

为了达到高效、低耗、优质和顺行的高炉生产宗旨，建立以燃料利用率、经济成本为优化目标，生产顺行与产品质量为约束条件，料面特征为决策变量的高炉料面多目标优化问题。根据该问题，料面多目标优化可以描述为：最大化煤气利用率、最小化焦比，同时维持透气性指数和铁水硅含量在一定范围内；

步骤3：计算料面的初始值，具体包括如下子步骤：

步骤3.1：随机产生的料面特征作为初始种群；初始化种群采用的方法是在[-1,1]范围内生产随机数；

步骤3.2：采用NSGA-II方法求得满足步骤2中多目标优化问题的非支配解集；在求解过程中，表征关键炉况状态的参数均取当前检测值，它们均不参与优化环节；煤气利用率、焦比、铁水硅含量和透气性指数的上下限约束分别为[47％,51％]，[370t,460t]，[0.5％,0.7％]和[30m³/min·kpa,34m³/min·kpa]；NSGA-II方法中相关参数设置为：种群大小为200，交叉概率为0.95，变异概率为0.1，最大迭代次数为200；应该注意任何能有效进行多目标优化的方法均适用于本发明；

步骤3.3：采用多属性决策方法对步骤3.2得到的非支配解集进行优先排序，得到排序结果，再根据排序结果选择得分第一的解作为料面特征的初始值；

步骤4：计算料面特征的反馈补偿值，具体包括如下子步骤：

步骤4.1：根据优化目标的目标值

和将初始值代入步骤1.4建立的动态关系计算得到的预测值

之差ΔJ_k判断料面特征的初始值是否需要被修正；若ΔJ_k小于设定的误差阈值ΔJ_k,min，则认为料面特征的初始值不需要被修正，跳至步骤5；否则，若ΔJ_k大于等于ΔJ_k,min，则认为料面特征的初始值需要被修正，继续执行步骤4.2；煤气利用率和焦比的目标值分别设为50％和420t；阈值ΔJ_k,min设定为0.01；

步骤4.2：计算每个料面特征对优化目标的影响程度，依据该影响程度选择需要修正的料面特征；每个料面特征对生产指标的影响程度的计算公式如(1)：

其中，b_i为第i个料面特征，J_k为第k个优化目标，I(b_i,J_k)为第i个料面特征与第k个优化目标之间的互信息；

若料面特征大于预设定的影响度阈值κ＝0.18，则为需要修正的料面特征，否则为不需要修正的料面特征；

步骤4.3：构建关联数据表；关联数据表中的条件属性包括优化目标、优化目标的目标值与预测值之差和需要修正的料面特征，决策属性为料面特征的反馈补偿值；由实际生产数据组成300组不同的数据值的组合构成关联数据表；

步骤4.4：采用数据挖掘方法得到优化目标与料面特征的增量关系；图3为数据挖掘方法的流程图，具体为：

步骤4.4A：设定数据挖掘方法中最小支持度min_sup＝0.5和最小置信度min_conf＝0.7；

步骤4.4B：遍历整个关联数据表并计算每个属性的支持度，若支持度大于等于min_sup，则属于频繁1项集L₁；若支持度小于min_sup则不属于频繁1项集L₁；

步骤4.4C：若关联数据表中任意两个属性属于不同的属性标签，则将这两个属性加入候选2项集，然后从中选择支持度大于等于min_sup的项集为频繁2项集L₂，直到无法发现更高一级的频繁项集；

步骤4.4D：依据频繁项集得到条件属性为前件和决策属性为后件的关联表示，并选择关联表示中置信度大于等于min_conf的关联表示为优化目标与料面特征的增量关系。

步骤4.5：根据得到的优化目标与料面特征的增量关系计算料面特征的反馈补偿值；

步骤5：获得炉况状态评估模型并依据该评估模型计算当前炉况下的料面特征对应的炉况状态，再根据该炉况状态检测结果进行容错调整，得到料面特征的容错调整值，具体包括如下子步骤：

步骤5.1：将炉况评估因素连同对应的炉况状态组成训练集，采用加权超限学习机方法获得炉况状态评估模型；其中，炉况评估因素包括步骤1.2和步骤1.3得到的关键炉况状态参数以及料面特征；炉况状态分为炉况异常和炉况非异常；训练集中包括1200组炉况非异常样本和400组炉况异常样本；该方法中激活函数选择Sigmoid函数，隐层节点数目为200个，对应炉况异常和炉况非异常的样本权重系数分别为1/1200和1/400.

步骤5.2：计算当前炉况的料面特征，并根据步骤5.1得到的炉况状态评估模型计算当前炉况的料面特征对应的炉况状态；其中，当前炉况的料面特征的计算，具体为：若料面特征的初始值不需要被修正，则料面特征为步骤3得到的料面特征的初始值；若料面特征的初始值需要被修正，则料面特征为步骤3得到的料面特征的初始值和步骤4得到的料面特征的反馈补偿值之和；炉况状态评估模型的炉况评估因素的关键炉况状态参数为当前炉况的关键炉况状态参数；

步骤5.3：根据炉况状态检测结果检测炉况是否异常，并依据检测结果进行容错调整，具体为：若检测出炉况异常，则采用案例推理方法进行容错调整，得到料面的容错调整值；否则，若检测出炉况非异常，则跳至步骤6；

在采用案例推理方法进行容错调整时，依照案例表示结构利用高炉2个月内的运行数据建立初始案例库。在进行案例推理和案例重用时，涉及到的相关阈值设定如下：相似度阈值计算时人为设定的阈值设为0.7，Num＝15。

步骤六：计算最终的料面，具体包括如下子步骤：

步骤6.1：计算料面特征，根据步骤3得到的料面特征的初始值、步骤4得到的料面特征的反馈补偿值和步骤5.3中在炉况异常下得到的料面特征的容错调整值计算最终的料面特征；其中，最终的料面特征的计算具体为：若料面特征的初始值需要被修正，则修正后的料面特征为料面特征的初始值和料面特征的反馈补偿值之和；若料面特征不需要被修正，则修正后的料面特征仍为料面特征的初始值；接下来，若修正后的料面特征对应的炉况状态为异常，则最终的料面特征为修正后的料面特征和料面特征的容错调整值之和；若修正后的料面特征对应的炉况状态为非异常，则最终的料面特征为修正后的料面特征；

步骤6.2：利用求得最终的料面特征拟合料面，首先确定关键点的坐标值与料面特征的关系为：

然后求得料面的描述方程如下：

其中，

为高炉的半径。

至此，就完成了基于数据和知识的高炉料面优化方法的全部过程；该方法能及时根据生产情况的变化给出合理的料面，使生产指标维持在其目标范围内，使高炉高效稳定运行；与依靠操作人员经验的操作优化相比，所述方法通过集成生产数据和领域知识，使得优化结果更加鲁棒，降低了人为操作的不确定性，使煤气利用率提高了0.3％，焦比降低了6t，成为一个具有实用价值的高炉料面优化方法。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于数据与知识双驱动的高炉料面优化方法，其特征在于：包括如下步骤：

步骤1：建立生产指标的数据驱动模型；

其中，数据驱动模型包括生产指标、关键炉况状态参数、料面特征以及动态关系；

步骤1，具体包括如下子步骤：

步骤1.1：选取表征燃料利用率的煤气利用率、表征成本的焦比、表征高炉顺行的透气性指数和表征产品质量的铁水硅含量指标作为生产指标；

步骤1.2：选取表征炉况状态的参数，并进行影响因素分析；结合数据驱动的相关性分析方法，分析参数之间关联度的优劣，获得生产指标与炉况状态参数的定量关系，提取关键炉况状态参数；

步骤1.3：对料面区域进行划分、定义料面特征、选取料面区域的关键点进行特征提取，得到料面特征，具体为：

步骤1.3A定义描述料面的坐标轴为以炉喉零料线位置为x轴，炉心为坐标原点，垂直向下方向为y轴；

步骤1.3B根据料面分布特点，将料面区域进行划分，得到包括漏斗区、平台区和边缘区的料面区域分布；

步骤1.3C依照步骤1.3B得到的料面区域分布，选取五个关键点：漏斗区的最低点、漏斗区中曲线与直线的交界点、漏斗区和平台区的交界点、为平台区和边缘区的交界点以及炉料与炉墙的交界点；

步骤1.3D根据选取的五个关键点的坐标进行描述，得到料面特征；

步骤1.4：将步骤1.2中选择的关键炉况状态参数和步骤1.3中得到的料面特征连同对应的生产指标组成训练集，采用在线序贯超限学习机方法获得生产指标与料面特征和关键炉况状态参数的动态关系；

步骤2：确定高炉料面多目标优化问题，并对该问题进行数学描述；

其中，高炉料面多目标优化问题，包括优化目标、约束条件以及决策变量；

其中，优化目标为煤气利用率和焦比；约束条件为维持铁水硅含量和透气性指数在一定的范围内；决策变量为料面特征；

步骤3：计算料面特征的初始值，具体包括如下子步骤：

步骤3.1：随机产生的料面特征作为初始种群；

步骤3.2：采用NSGA-II方法求得满足步骤2中多目标优化问题的非支配解集；

其中，NSGA-II方法中优化目标的值即为生产指标值；

其中，“数据驱动模型的输入”中的关键炉况状态参数为当前炉况的关键炉况状态参数、料面特征为NSGA-II方法中生成的种群；“数据驱动模型的输出”中的生产指标，即为计算得到的当前炉况下该种群的每个优化目标的值；

步骤3.3：采用多属性决策方法对步骤3.2得到的非支配解集进行优先排序，得到排序结果，再根据排序结果选择得分第一的解作为料面特征的初始值；

步骤4：通过判断料面特征的初始值是否需要被修正、选择需要修正的料面特征、构建关联数据表、挖掘优化目标与料面特征的增量关系，计算得到料面特征的反馈补偿值，具体包括如下子步骤：

步骤4.1：根据优化目标的目标值和将初始值代入步骤1.4建立的动态关系计算得到预测值，再基于预测值和目标值之差ΔJ_k判断料面特征的初始值是否需要被修正，并依据修正判断结果进行对应操作，具体为：

若ΔJ_k小于设定的误差阈值，则认为料面特征的初始值不需要被修正，跳至步骤5；否则，若ΔJ_k大于等于设定的误差阈值，则认为料面特征的初始值需要被修正，跳至步骤4.2；

步骤4.2计算每个料面特征对优化目标的影响程度，依据该影响程度选择需要修正的料面特征；判断该料面特征与优化目标的影响程度是否大于设定的影响度阈值，若是则为需要修正的料面特征，否则为不需要修正的料面特征；

步骤4.3：构建关联数据表；

步骤4.4：采用数据挖掘方法得到优化目标与料面特征的增量关系；具体包括如下子步骤：

步骤4.4A：设定数据挖掘方法中的最小支持度和最小置信度；

步骤4.4B：遍历整个关联数据表并计算每个属性的支持度，若支持度大于等于最小支持度，则属于频繁1项集；若支持度小于最小支持度则不属于频繁1项集；

步骤4.4C：若关联数据表中任意两个属性属于不同的属性标签，则将这两个属性加入候选2项集，然后从中选择支持度大于等于最小支持度的项集为频繁2项集，直到无法发现更高一级的频繁项集；

步骤4.4D：依据频繁项集得到条件属性为前件和决策属性为后件的关联表示，并提取关联表示中置信度大于等于最小置信度的关联表示为优化目标与料面特征的增量关系；

步骤4.5：根据得到的优化目标与料面特征的增量关系计算料面特征的反馈补偿值；

步骤5：获得炉况状态评估模型并依据该评估模型计算当前炉况下的料面特征对应的炉况状态，再根据该炉况状态检测结果判断是否进行容错调整，具体包括如下子步骤：

步骤5.1：将炉况评估因素连同对应的炉况状态组成训练集，采用加权超限学习机方法获得炉况状态评估模型；

其中，炉况评估因素包括步骤1.2和步骤1.3得到的关键炉况状态参数以及料面特征；

其中，炉况状态分为炉况异常和炉况非异常；

步骤5.2：计算当前炉况的料面特征，并根据步骤5.1得到的炉况状态评估模型计算当前炉况的料面特征对应的炉况状态；

其中，当前炉况的料面特征的计算，具体为：若料面特征的初始值不需要被修正，则料面特征为步骤3得到的料面特征的初始值；若料面特征的初始值需要被修正，则料面特征为步骤3得到的料面特征的初始值和步骤4得到的料面特征的反馈补偿值之和；

其中，炉况状态评估模型的炉况评估因素的关键炉况状态参数为当前炉况的关键炉况状态参数；

步骤5.3：根据炉况状态检测结果检测炉况是否异常，并依据检测结果进行容错调整，具体为：若检测出炉况异常，则采用案例推理方法进行容错调整，得到料面的容错调整值；否则，若检测出炉况非异常，则跳至步骤6；

其中，案例推理方法包括案例、建立初始案例库、案例推理以及案例重用；

其中，案例包括状态描述和解；状态描述包括关键炉况状态参数、炉况状态评估结果和料面特征，解为料面特征的容错调整值；初始案例库为按照案例表示的结构整理的生产历史数据；

其中，基于案例推理的容错调整的计算过程为：首先计算当前案例的状态描述与初始案例库中的状态描述的相似度；然后，选取相似度阈值，并从初始案例库中选择相似度大于相似度阈值的案例，将具有相似度值最大的案例的解作为当前案例的料面特征的容错调整值；若初始案例库中不存在大于相似度阈值的匹配案例，则需进行案例重用，具体为：在初始案例库中选取具有最大相似度的Num个案例，其对应的解分别为{s₁,s₂,...,s_Num}，相似度分别为{SIM₁,SIM₂,...,SIM_Num}且SIM₁≤SIM₂≤...≤SIM_Num≤1，则Num个案例的加权解为当前案例的料面特征的容错调整值；

其中，当前案例的状态描述为当前炉况下的关键炉况状态参数、炉况状态评估结果和料面特征；

步骤6：计算最终料面特征，再依据该最终料面特征的拟合料面计算得到最终的料面，具体包括如下子步骤：

步骤6.1：根据步骤3得到的料面特征的初始值、步骤4得到的料面特征的反馈补偿值和步骤5.3中在炉况异常下得到的料面特征的容错调整值计算最终料面特征；

其中，最终料面特征的计算，具体包括如下子步骤：

步骤6.1.A若料面特征的初始值需要被修正，则修正后的料面特征为料面特征的初始值和料面特征的反馈补偿值之和；若料面特征不需要被修正，则修正后的料面特征仍为料面特征的初始值；

步骤6.1.B若修正后的料面特征对应的炉况状态为炉况异常，则最终的料面特征为修正后的料面特征和料面特征的容错调整值之和；否则，若修正后的料面特征对应的炉况状态为炉况非异常，则最终的料面特征为修正后的料面特征；

步骤6.2：利用最终的料面特征拟合料面，获得最终的料面，具体为：首先确定关键点的坐标值与料面特征的关系；然后，采用“曲线-直线-直线-曲线”的方式求得料面的描述方程。

2.根据权利要求1所述的基于数据与知识双驱动的高炉料面优化方法，其特征在于：步骤1中，关键炉况状态参数以及料面特征为数据驱动模型的输入；生产指标为数据驱动模型的输出。

3.根据权利要求2所述的基于数据与知识双驱动的高炉料面优化方法，其特征在于：步骤1.2中，关键炉况状态参数为与生产指标关联性大的炉况状态参数。

4.根据权利要求3所述的基于数据与知识双驱动的高炉料面优化方法，其特征在于：步骤1.3B中，漏斗区由一段曲线和一段直线构成。

5.根据权利要求4所述的基于数据与知识双驱动的高炉料面优化方法，其特征在于：步骤1.C中，漏斗区的最低点，记为A；漏斗区中曲线与直线的交界点，记为B；漏斗区和平台区的交界点，记为C；平台区和边缘区的交界点，记为D；炉料与炉墙的交界点，记为E。

6.根据权利要求5所述的基于数据与知识双驱动的高炉料面优化方法，其特征在于：步骤1.3D中，料面特征包括零料线位置到平台区的垂直距离、漏斗深度、漏斗宽度、平台宽度、漏斗的倾斜角度、漏斗圆心角和边缘的倾斜角。

7.根据权利要求6所述的基于数据与知识双驱动的高炉料面优化方法，其特征在于：步骤3.2中生产指标值是根据步骤1建立的数据驱动模型计算得到的。

8.根据权利要求7所述的基于数据与知识双驱动的高炉料面优化方法，其特征在于：步骤4.2中，每个料面特征对优化目标的影响程度的计算，具体为：该料面特征与每个优化目标间互信息的和。

9.根据权利要求8所述的基于数据与知识双驱动的高炉料面优化方法，其特征在于：步骤4.3中，关联数据表中的属性包括“条件属性”和“决策属性”，条件属性包括“优化目标”、“优化目标的目标值与预测值之差”和“需要修正的料面特征”，决策属性为“料面特征的反馈补偿值”。

10.根据权利要求9所述的基于数据与知识双驱动的高炉料面优化方法，其特征在于：步骤5.3中，相似度阈值的选取具体为：若所有案例相似度的最大值大于等于人为设定的阈值时，则相似度阈值为人为设定的阈值；若所有案例相似度的最大值小于人为设定的阈值时，则相似度阈值为所有案例相似度的最大值。

Images