CN115408933A - 一种配料优化方法、系统、烧结系统、设备及介质 - Google Patents

一种配料优化方法、系统、烧结系统、设备及介质 Download PDF

Info

Publication number
CN115408933A
CN115408933A CN202210982720.7A CN202210982720A CN115408933A CN 115408933 A CN115408933 A CN 115408933A CN 202210982720 A CN202210982720 A CN 202210982720A CN 115408933 A CN115408933 A CN 115408933A
Authority
CN
China
Prior art keywords
sintering
parameters
raw material
historical data
batching
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.)
Pending
Application number
CN202210982720.7A
Other languages
English (en)
Inventor
孙小东
刘燊辉
谢皓
胡梅
王宇
徐灿
雷磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CISDI Chongqing Information Technology Co Ltd
Original Assignee
CISDI Chongqing Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202210982720.7A priority Critical patent/CN115408933A/zh
Publication of CN115408933A publication Critical patent/CN115408933A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本申请涉及一种配料优化方法、系统、烧结系统、设备及介质，该方法包括获取烧结原料参数历史数据、烧结过程参数历史数据、烧结矿质量指标参数历史数据及当前烧结过程参数，计算满足预设烧结原料成分含量指标区间、预设烧结原料配料含量指标区间及预设烧结矿成分含量指标区间的配料方案，得到初始配料方案集，根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，建立关联模型，将初始配料方案集中的初始配料方案及当前烧结过程参数输入关联模型中，得到对应的烧结矿冶金性能参数，当初始配料方案对应的烧结矿冶金性能参数在预设烧结矿冶金性能参数区间范围内时，得到优化配料方案，本申请能够保证冶金性能。

Description

一种配料优化方法、系统、烧结系统、设备及介质
技术领域
本申请属于烧结矿技术领域，特别涉及一种配料优化方法、系统、烧结系统、设备及介质。
背景技术
配料是将各种原料(含铁矿料、熔剂、燃料等物质)按照一定的比例，混合在一起的工艺过程。配料是烧结过程的首个工序，对烧结矿的化学成分和理化性能具有重要影响。国内烧结厂普遍采用二次配料工艺：首先将铁矿粉原料按照一定比例混合形成混匀矿，该过程称为“预配料”，然后将混匀矿、熔剂、燃料、返矿及含铁废料等按一定比例混合得到混合料，该过程称为“烧结配料”。混合料经烧结后最终形成烧结矿。
在烧结配料环节，普遍根据操作人员的经验调控原料配比。然而，采用这种方法比较盲目，难以掌握规律且有可能失控。也有采用传统的电子表格进行计算来调控原料配比的，然而该方法仍不能满足烧结矿精细化配料的要求。这两种方法均无法保证在满足烧结矿质量要求的同时，降低烧结成本。
为解决上述技术问题，相关技术中通过优化配料模型来提高配料计算结果的准确性和稳定性，以提高烧结矿质量，并降低烧结成本。如采用粒子群优化算法，对二次配料归一化模型进行求解，得到各原料在预配料和烧结配料过程中的配比。如采用遗传算法对配料目标函数进行寻优求解，得到成本最低的配料方案。如根据烧结试验及实际生产中的工业数据建立成分预测模型，利用线性规划和神经网络的建立烧结配料优化模型，采用从定性到定量综合集成方法，将这些模型综合集成，从而实现烧结配料的优化。然而，上述方法均无法保证烧结矿的冶金性能。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种配料优化方法、系统、烧结系统、设备及介质，以解决相关技术中无法保证烧结矿的冶金性能的技术问题。
本申请提供一种配料优化方法，包括：
获取烧结原料参数历史数据、烧结过程参数历史数据、烧结矿质量指标参数历史数据、当前烧结过程参数，所述烧结原料参数包括烧结原料成分含量和烧结原料配料含量，所述烧结矿质量指标参数包括烧结矿成分含量和烧结矿冶金性能参数；
采用遗传算法计算满足预设烧结原料成分含量指标区间、预设烧结原料配料含量指标区间及预设烧结矿成分含量指标区间的配料方案，得到初始配料方案集；
根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，建立关联模型；
将初始配料方案集中的初始配料方案及当前烧结过程参数输入关联模型中，得到初始配料方案对应的烧结矿冶金性能参数；当初始配料方案对应的烧结矿冶金性能参数在预设烧结矿冶金性能参数区间范围内时，得到优化配料方案。
在本申请的一示例性实施例中，根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，采用神经网络算法建立关联模型。
在本申请的一示例性实施例中，采用神经网络算法建立关联模型包括：
根据所述烧结原料参数历史数据、烧结过程参数历史数据和烧结矿质量指标参数历史数据，构建训练集和测试集；
根据所述训练集，采用神经网络算法通过迭代训练得到预测模型；
将测试集中的烧结原料参数历史数据和烧结过程参数历史数据输入预测模型中得到烧结矿冶金性能预测指标；
当烧结矿冶金性能预测指标与测试集中的烧结原料参数及烧结过程参数历史数据对应的烧结矿冶金性能指标之间的误差不大于预设误差阈值时，将所述预测模型作为输出结果，得到关联模型。
在本申请的一示例性实施例中，所述配料优化方法还包括：
获取不同优化配料方案中各烧结原料的市场价格；
根据所述各烧结原料的市场价格及优化配料方案中各烧结原料的烧结原料配料含量，确认不同优化配料方案的成本指数；
比较不同优化配料方案的成本指数，得到比较结果；
根据比较结果，确认成本指数最低所对应的优化配料方案，得到成本最低配料方案。
在本申请的一示例性实施例中，所述配料优化方法还包括：
获取不同优化配料方案中各烧结原料对应的烧结矿冶金性能参数；
比较不同优化配料方案中各烧结原料对应的烧结矿冶金性能参数，得到比较结果；
根据比较结果，确认烧结矿冶金性能参数最优所对应的优化配料方案，得到性能最优配料方案。
在本申请的一示例性实施例中，所述配料优化方法还包括：
获取不同优化配料方案中各烧结原料对应的烧结矿有害成分含量；
比较不同优化配料方案中各烧结原料对应的烧结矿有害成分含量，得到比较结果；
根据比较结果，确认烧结矿有害成分含量最低对应的配料方案，得到有害成分含量最低配料方案。
第二个方面，本申请提供一种配料优化系统，包括：
采集模块，用于获取烧结原料参数历史数据、烧结过程参数历史数据、烧结矿质量指标参数历史数据、当前烧结过程参数，所述烧结原料参数包括烧结原料成分含量和烧结原料配料含量，所述烧结矿质量指标参数包括烧结矿成分含量和烧结矿冶金性能参数；
计算模块，用于采用遗传算法计算满足预设烧结原料成分含量指标区间、预设烧结原料配料含量指标区间及预设烧结矿成分含量指标区间的配料方案，得到初始配料方案集；
关联模型构建模块，用于根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，建立关联模型；
配料方案优化模块，将初始配料方案集中的初始配料方案及当前烧结过程参数输入关联模型中，得到初始配料方案对应的烧结矿冶金性能参数；当初始配料方案对应的烧结矿冶金性能参数在预设烧结矿冶金性能参数区间范围内时，得到优化配料方案。
第三个方面，本申请提供一种烧结系统，所述烧结系统包括如上所述配料优化系统。
另一个方面，本申请提供一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上所述的配料优化方法。
再一个方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如上所述的配料优化方法。
如上所述，本申请的配料优化方法、系统、烧结系统、设备及介质，具有以下有益效果：
本申请通过遗传算法与关联模型相耦合进行配料方案的优化，在模型构建过程中及配料优化过程中，将烧结矿的冶金性能考虑进去，进而优化配料方案，基于此得到的优化配料方案能够保证烧结矿的冶金性能，并可预测配料方案中烧结矿的冶金性能。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请的一示例性实施例示出的配料优化方法的流程图；
图2为图1所示实施例中步骤S130采用神经网络算法建立关联模型在本申请的一示例性实施例示出的流程图；
图3为本申请的另一示例性实施例示出的配料优化方法的流程图；
图4为本申请的另一示例性实施例示出的配料优化方法的流程图；
图5为本申请的另一示例性实施例示出的配料优化方法的流程图；
图6为本申请的一具体实施例示出的配料优化方法的流程图；
图7为本申请的一示例性实施例的配料优化系统的框图；
图8为本申请的一示例性实施例示出的电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。
下面通过具体的例举实施例以详细说明本申请。同样应理解，以下实施例只用于对本申请进行具体的说明，不能理解为对本申请保护范围的限制，本领域的技术人员根据本申请的上述内容作出的一些非本质的改进和调整均属于本申请的保护范围。下述示例具体的工艺参数等也仅是合适范围中的一个示例，即本领域技术人员可以通过本文的说明做合适的范围内选择，而并非要限定于下文示例的具体数值。
请参考图1，图1为本申请的一示例性实施例的配料优化方法的流程图，该方法用于优化配料方案，以保证烧结矿的冶金性能。
如图1所示，在本申请的一示例性实施例中，配料优化方法的过程包括步骤S110、步骤S120、步骤S130和步骤S140，详细介绍如下：
步骤S110.获取烧结原料参数历史数据、烧结过程参数历史数据、烧结矿质量指标参数历史数据、当前烧结过程参数；
烧结原料参数包括烧结原料成分含量和烧结原料配料含量。
烧结原料包括但不限于：混匀矿、石灰石、白云石、生石灰、煤粉、焦粉、返矿、除尘灰、氧化铁皮等。
烧结原料成分含量包括但不限于：TFe含量、SiO2含量、Al2O3含量、CaO含量、MgO含量等。
TFe含量、SiO2含量、Al2O3含量、CaO含量及MgO含量可通过检测得到。
烧结原料配料含量是指各烧结原料占总的烧结原料的质量百分含量。
烧结原料配料含量可通过检测得到。
烧结过程参数包括但不限于：料层厚度、烧结机速、点火炉膛负压、二混后水分率、点火温度、大烟道负压、原燃料干配比等。
烧结矿质量指标参数包括烧结矿成分含量、烧结矿冶金性能参数和碱度等。
烧结矿成分含量包括但不限于：TFe含量、SiO2含量、Al2O3含量、CaO含量、MgO含量等。
烧结矿冶金性能参数包括但不限于：转鼓指数、筛分指数、还原度RI、低温还原粉化率RDI+3.15等。
转鼓指数、筛分指数、还原度、低温还原粉化率及碱度(即CaO质量含量与MgO质量含量之比)可通过检测得到。
步骤S120.根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，采用神经网络算法建立关联模型；
步骤S130.采用遗传算法计算满足预设烧结原料成分含量指标区间、预设烧结原料配料含量指标区间及预设烧结矿成分含量指标区间的配料方案，得到初始配料方案集；
步骤S140.将初始配料方案集中的初始配料方案及当前烧结过程参数输入关联模型中，得到初始配料方案对应的烧结矿冶金性能参数；当初始配料方案对应的烧结矿冶金性能参数在预设烧结矿冶金性能参数区间范围内时，得到优化配料方案。
预设烧结矿冶金性能参数区间范围可自行设定，此处不再赘述。
由于通过关联模型，将烧结原料参数(输入)、烧结过程参数(输入)与烧结矿质量指标参数(输出)进行了关联，故将初始配料方案集中的初始配料方案及当前烧结过程参数输入关联模型中，能够得到初始配料方案对应的烧结矿质量指标参数含烧结矿冶金性能参数)。
相关技术中，通过优化配料模型、遗传算法或根据烧结试验及实际生产中的工业数据建立成分预测模型，利用线性规划和神经网络的建立烧结配料优化模型，进行烧结配料的优化。发明人通过对上述方案进行分析后，发现相关技术不能保证烧结矿的冶金性能。故考虑到在模型构建过程中及配料优化过程中，将烧结矿的冶金性能考虑进去，进而优化配料方案，基于此得到的优化配料方案能够保证烧结矿的冶金性能。
请参阅图2，图2为图1所示实施例中步骤S130中采用神经网络算法建立关联模型的流程图。
如图2所示，在本申请的一示例性实施例中，图1所示实施例中步骤S130中采用神经网络算法建立关联模型的过程包括步骤S210、步骤S220、步骤S230和步骤S240，详细介绍如下；
步骤S210.根据烧结原料参数历史数据、烧结过程参数历史数据和烧结矿质量指标参数历史数据，构建训练集和测试集；
步骤S220.根据训练集，采用神经网络算法通过迭代训练得到预测模型；
步骤S230.将测试集中的烧结原料参数历史数据和烧结过程参数历史数据输入预测模型中得到烧结矿冶金性能预测指标；
步骤S240.当烧结矿冶金性能预测指标与测试集中的烧结原料参数及烧结过程参数历史数据对应的烧结矿冶金性能指标之间的误差不大于预设误差阈值时，将预测模型作为输出结果，得到关联模型。
需要说明的是，此处，需将测试集中的所有烧结矿冶金性能预测指标与测试集中的烧结原料参数及烧结过程参数历史数据对应的烧结矿冶金性能指标进行对比，且所有烧结矿冶金性能预测指标与测试集中的烧结原料参数及烧结过程参数历史数据对应的烧结矿冶金性能指标之间的误差均不大于预设误差阈值，方将预测模型作为输出结果，得到关联模型。
需要说明的是，烧结矿冶金性能预测指标与测试集中的烧结原料参数及烧结过程参数历史数据对应的烧结矿冶金性能指标之间的误差是指的二者的差值与测试集中相应的烧结原料参数及烧结过程参数历史数据对应的烧结矿冶金性能指标的比值。
预设误差阈值可自行设定，此处不再赘述。
请参阅图3，图3为本申请的另一示例性实施例示出的配料优化方法的流程图。
如图3所示，在本申请的另一示例性实施例中，配料优化方法还包括步骤S310、步骤S320、步骤S330和步骤S340，详细介绍如下：
步骤S310.获取不同优化配料方案中各烧结原料的市场价格；
步骤S320.根据各烧结原料的市场价格及优化配料方案中各烧结原料的烧结原料配料含量，确认不同优化配料方案的成本指数；
步骤S330.比较不同优化配料方案的成本指数，得到比较结果；
需要说明的是，本申请中，成本指数是指各烧结原料的市场价格与相应的配料含量的乘积之和。
步骤S340.根据比较结果，确认成本指数最低所对应的优化配料方案，得到成本最低配料方案。
请参阅图4，图4为本申请的另一示例性实施例示出的配料优化方法的流程图。
如图4所示，在本申请的另一示例性实施例中，配料优化方法还包括步骤S410、步骤S420和步骤S430，详细介绍如下：
步骤S410.获取不同优化配料方案中各烧结原料对应的烧结矿冶金性能参数；
步骤S420.比较不同优化配料方案中各烧结原料对应的烧结矿冶金性能参数，得到比较结果；
步骤S430.根据比较结果，确认烧结矿冶金性能参数最优所对应的优化配料方案，得到性能最优配料方案。
请参阅图5，图5为本申请的另一示例性实施例示出的配料优化方法的流程图。
如图5所示，在本申请的另一示例性实施例中，配料优化方法还包括步骤S510、步骤S520和步骤S530，详细介绍如下：
步骤S510.获取不同优化配料方案中各烧结原料对应的烧结矿有害成分含量；
有害成分包括但不限于：硫元素等。
步骤S520.比较不同优化配料方案中各烧结原料对应的烧结矿有害成分含量，得到比较结果；
步骤S530.根据比较结果，确认烧结矿有害成分含量最低对应的配料方案，得到有害成分含量最低配料方案。
请参阅图6，图6为本申请的一具体实施例示出的配料优化方法的流程图。
如图6所示，示例性地，在本申请的一具体实施例中，配料优化方法具体步骤如下：
(1)获取烧结原料参数历史数据、烧结过程参数历史数据、烧结矿质量指标参数历史数据及当前烧结过程参数；
表1烧结原料中成分及配比约束条件
Figure BDA0003800848830000101
表2烧结矿成分及烧结性能性能约束条件
Figure BDA0003800848830000102
Figure BDA0003800848830000111
基于遗传算法计算带求解满足表1和表2所示约束条件的初始配料方案。具体为：利用遗传算法对不等式进行求解，采用单目标差分进化，不同物料配比作为遗传算法的进化参数，利用实整数编码方式转为计算机可读格式，目标即为满足等式约束和不等式约束的价格。求解公式如下：
Figure BDA0003800848830000112
Figure BDA0003800848830000113
式(1)为成本最优约束公式，pi为第i种烧结原料的价格，ri为第i种烧结原料的配料含量；
式(2)为对烧结原料物料配料含量约束公式，其中，li、ui分别为第i种烧结原料配料含量上下限；
式(3)为对烧结矿成分含量及冶金性能指标约束公式，其中，lj、uj分别为烧结矿中第j种成分含量的上下限，eleij为第i种烧结原料中第j种成分含量；qk为烧结矿中第k种冶金性能的性能指标值，lk、uk分别为烧结矿中第k种冶金性能的性能指标上下限；
式(4)为对烧结原料配料含量的等式约束条件，即各烧结原料配比之和为1，同时对物料价格、上下限值以及成分含量进行了相应的不等式约束。
(2)将烧结原料参数历史数据及烧结过程参数历史数据作为输入参数，烧结矿质量指标参数历史数据作为输出参数，构建基于烧结原料参数、烧结过程参数历史基烧结矿质量指标参数的关联模型，具体步骤如下：
①对烧结原料参数历史数据及烧结过程参数历史数据进行归一化处理：
Figure BDA0003800848830000121
式(5)中，Q′为归一化处理后的数据，Q为输入的烧结原料参数历史数据和烧结过程参数，Qmax为输入数据中的最大值，Qmin输入数据中的最小值。
②对样本归一化处理后的数据打乱后按照数据大小重新排序，取前(即按照从大到小的顺序排名靠前的数据)三分之二的数据作为训练集，后三分之一的数据作为测试集。
③将训练集中各烧结原料参数历史数据及烧结过程参数历史数据作为输入数据，相应的烧结矿冶金性能数据作为输出数据，采用RBF神经网络进行函数关系拟合。
若输出的烧结矿冶金性能数据与测试集集中对应的实际烧结矿冶金性能数据之间的误差大于0.1％，则重新拟合，直至二者之间的误差小于或等于0.1％，此时拟合出的函数关系为关联模型；
拟合得到的烧结矿的冶金性能如式(6)所示：
q[f(x1x2，...，xi)，g(x1，x2，...，xi)，h(x1，x2，...，xi)k(x1，x2，...，xi)] (6)；
式(6)中，f(x1x2，...，xi)为烧结矿转鼓指数，g(x1，x2，...，xi)为烧结矿筛分指数，h(x1，x2，...，xi)为烧结矿RDI+3.15，k(x1，x2，...，xi)为烧结矿还原度。
(3)将初始配料方案集中的初始配料方案及当前烧结过程参数输入关联模型中，得到初始配料方案对应的烧结矿冶金性能参数；当初始配料方案对应的烧结矿冶金性能参数在预设烧结矿冶金性能参数上下限预设阈值形成的区间范围内(如表2所示)时，得到优化配料方案；
(4)分别从成本最低、性能最优及有害成分含量等维度对优化配料方案进行进一步的优化。
其中，成本优化步骤为：获取不同优化配料方案中各烧结原料的市场价格，根据各烧结原料的市场价格及优化配料方案中各烧结原料的烧结原料配料含量，确认不同优化配料方案的成本指数(如式(1)所示)，比较不同优化配料方案的成本指数，得到比较结果，根据比较结果，确认成本指数最低所对应的优化配料方案，得到成本最低配料方案(如表3所示)。
表3成本优化配料方案
Figure BDA0003800848830000131
性能优化步骤为：获取不同优化配料方案中各烧结原料对应的烧结矿冶金性能参数，比较不同优化配料方案中各烧结原料对应的烧结矿冶金性能参数，得到比较结果，根据比较结果，确认烧结矿冶金性能参数最优所对应的优化配料方案，得到性能最优配料方案(如表4所示)。
表4优化配料方案烧结矿理化性能
Figure BDA0003800848830000132
Figure BDA0003800848830000141
有害成分含量优化步骤为：获取不同优化配料方案中各烧结原料对应的烧结矿有害成分含量，比较不同优化配料方案中各烧结原料对应的烧结矿有害成分含量，得到比较结果，根据比较结果，确认烧结矿有害成分含量最低对应的配料方案，得到有害成分含量最低配料方案(如表5所示)。
表5优化配料方案烧结矿化学成分
Figure BDA0003800848830000142
需要理解的是，本申请中，烧结原料历史数据、烧结过程历史数据及烧结矿质量指标历史数据定时自动更新，烧结矿预测模型随之不断更新。
如图7所示，本申请还提供一种配料优化系统700，该配料优化系统700包括：
采集模块710，用于获取烧结原料参数历史数据、烧结过程参数历史数据、烧结矿质量指标参数历史数据及当前烧结过程参数；
计算模块720，用于采用遗传算法计算满足预设烧结原料成分含量指标区间、预设烧结原料配料含量指标区间及预设烧结矿成分含量指标区间的配料方案，得到初始配料方案集；
关联模型构建模块730，用于根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，建立关联模型；
配料方案优化模块740，将初始配料方案集中的初始配料方案及当前烧结过程参数输入关联模型中，得到初始配料方案对应的烧结矿冶金性能参数；当初始配料方案对应的烧结矿冶金性能参数在预设烧结矿冶金性能参数区间范围内时，得到优化配料方案。
需要说明的是，上述实施例所提供的配料优化系统与上述实施例所提供的配料优化方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的配料优化系统在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处不对此进行限制。
本申请还提供一种烧结系统，该烧结系统包括如上所述的配料优化系统。
请参考图8，本申请实施例还提供一种电子设备800。
请参考图8，本申请实施例的电子设备800包括处理器810和存储器820和通信总线830：
通信总线830用以连接处理器810和存储器820；
处理器810用于执行存储器820中存储的计算机程序，以实现上述实施例中的配料优化方法。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机可读指令，当计算机可读指令被计算机的处理器执行时，使计算机执行上述的配料优化方法。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请另一方面还提供一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的配料优化方法。该计算机可读介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵。

Claims (10)

1.一种配料优化方法，其特征在于，包括以下步骤：
获取烧结原料参数历史数据、烧结过程参数历史数据、烧结矿质量指标参数历史数据、当前烧结过程参数，所述烧结原料参数包括烧结原料成分含量和烧结原料配料含量，所述烧结矿质量指标参数包括烧结矿成分含量和烧结矿冶金性能参数；
采用遗传算法计算满足预设烧结原料成分含量指标区间、预设烧结原料配料含量指标区间及预设烧结矿成分含量指标区间的配料方案，得到初始配料方案集；
根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，建立关联模型；
将初始配料方案集中的初始配料方案及当前烧结过程参数输入关联模型中，得到初始配料方案对应的烧结矿冶金性能参数；当初始配料方案对应的烧结矿冶金性能参数在预设烧结矿冶金性能参数区间范围内时，得到优化配料方案。
2.根据权利要求1所述的配料优化方法，其特征在于，根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，采用神经网络算法建立关联模型。
3.根据权利要求2所述的配料优化方法，其特征在于，采用神经网络算法建立关联模型包括：
根据所述烧结原料参数历史数据、烧结过程参数历史数据和烧结矿质量指标参数历史数据，构建训练集和测试集；
根据所述训练集，采用神经网络算法通过迭代训练得到预测模型；
将测试集中的烧结原料参数历史数据和烧结过程参数历史数据输入预测模型中得到烧结矿冶金性能预测指标；
当烧结矿冶金性能预测指标与测试集中的烧结原料参数及烧结过程参数历史数据对应的烧结矿冶金性能指标之间的误差不大于预设误差阈值时，将所述预测模型作为输出结果，得到关联模型。
4.根据权利要求1所述的配料优化方法，其特征在于，还包括：
获取不同优化配料方案中各烧结原料的市场价格；
根据所述各烧结原料的市场价格及优化配料方案中各烧结原料的烧结原料配料含量，确认不同优化配料方案的成本指数；
比较不同优化配料方案的成本指数，得到比较结果；
根据比较结果，确认成本指数最低所对应的优化配料方案，得到成本最低配料方案。
5.根据权利要求1所述的配料优化方法，其特征在于，还包括：
获取不同优化配料方案中各烧结原料对应的烧结矿冶金性能参数；
比较不同优化配料方案中各烧结原料对应的烧结矿冶金性能参数，得到比较结果；
根据比较结果，确认烧结矿冶金性能参数最优所对应的优化配料方案，得到性能最优配料方案。
6.根据权利要求1所述的配料优化方法，其特征在于，还包括：
获取不同优化配料方案中各烧结原料对应的烧结矿有害成分含量；
比较不同优化配料方案中各烧结原料对应的烧结矿有害成分含量，得到比较结果；
根据比较结果，确认烧结矿有害成分含量最低对应的配料方案，得到有害成分含量最低配料方案。
7.一种配料优化系统，其特征在于，包括：
采集模块，用于获取烧结原料参数历史数据、烧结过程参数历史数据、烧结矿质量指标参数历史数据、当前烧结过程参数，所述烧结原料参数包括烧结原料成分含量和烧结原料配料含量，所述烧结矿质量指标参数包括烧结矿成分含量和烧结矿冶金性能参数；
计算模块，用于采用遗传算法计算满足预设烧结原料成分含量指标区间、预设烧结原料配料含量指标区间及预设烧结矿成分含量指标区间的配料方案，得到初始配料方案集；
关联模型构建模块，用于根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，建立关联模型；
配料方案优化模块，将初始配料方案集中的初始配料方案及当前烧结过程参数输入关联模型中，得到初始配料方案对应的烧结矿冶金性能参数；当初始配料方案对应的烧结矿冶金性能参数在预设烧结矿冶金性能参数区间范围内时，得到优化配料方案。
8.一种烧结系统，其特征在于，包括权利要求7所述配料优化系统。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1-6中任一项所述的配料优化方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如权利要求1-6中任一项所述的配料优化方法。
CN202210982720.7A 2022-08-16 2022-08-16 一种配料优化方法、系统、烧结系统、设备及介质 Pending CN115408933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210982720.7A CN115408933A (zh) 2022-08-16 2022-08-16 一种配料优化方法、系统、烧结系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210982720.7A CN115408933A (zh) 2022-08-16 2022-08-16 一种配料优化方法、系统、烧结系统、设备及介质

Publications (1)

Publication Number Publication Date
CN115408933A true CN115408933A (zh) 2022-11-29

Family

ID=84159017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210982720.7A Pending CN115408933A (zh) 2022-08-16 2022-08-16 一种配料优化方法、系统、烧结系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115408933A (zh)

Similar Documents

Publication Publication Date Title
CN109583118B (zh) 一种烧结配比计算及烧结矿成本优化方法
CN110484714B (zh) 一种改进烧结物料配比提升烧结矿质量的方法
CN113160899A (zh) 一种基于nsga-ii算法的烧结配料多目标优化方法
CN113626976A (zh) 一种基于nsga-ii算法的烧结配料多目标优化方法、装置及设备
CN104975118A (zh) 铁前原料配比优化方法
CN106406099B (zh) 基于模糊匹配和率值反馈的水泥配料系统及方法
CN115565618A (zh) 一种高炉配料多目标优化方法、终端设备及存储介质
CN110246547B (zh) 一种烧结过程配矿优化方法
CN114819409A (zh) 烧结配矿智能优化方法及系统
CN110867219B (zh) 基于isaa算法的烧结配料优化控制方法及控制装置
CN110564903B (zh) 高炉冶炼量化决策支持系统、设备及存储介质
CN117195163B (zh) 基于混凝土配方的坍落度预测方法、装置及可读介质
CN111308894A (zh) 一种烧结过程耦合配矿及控制过程的参数调节方法
CN114662763A (zh) 一种焦化配煤用单种煤性价比评价方法及系统
CN115408933A (zh) 一种配料优化方法、系统、烧结系统、设备及介质
CN110491454B (zh) 一种高炉冶炼成本管理方法、系统及计算机可存储介质
CN102054125B (zh) 一种稳定入炉烧结矿化学成分的方法
Akin et al. Prediction of the compressive strength of concrete admixed with metakaolin using gene expression programming
CN110490375B (zh) 一种炼锌配料优化方法和系统
CN115359851A (zh) 基于极端随机树-nsga-ⅱ的烧结配料多目标预测优化方法
CN115167155A (zh) 一种矿山采空区充填体智能混合制备方法
Zhang et al. The research of sintering ore blending based on profit maximization
Wang et al. Cost and energy consumption collaborative optimization for sintering burdening in iron and steel enterprise
Wang et al. Research and application of optimization method for iron and steel sintering ingredients
CN115329575A (zh) 混合料目标水分确定方法、系统、烧结系统、设备及介质

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