CN118332787A - 数理混合驱动的高炉冶炼系统建模与全局串行优化方法 - Google Patents
数理混合驱动的高炉冶炼系统建模与全局串行优化方法 Download PDFInfo
- Publication number
- CN118332787A CN118332787A CN202410427371.1A CN202410427371A CN118332787A CN 118332787 A CN118332787 A CN 118332787A CN 202410427371 A CN202410427371 A CN 202410427371A CN 118332787 A CN118332787 A CN 118332787A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- optimization
- molten iron
- modeling
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000005457 optimization Methods 0.000 title claims abstract description 89
- 238000003723 Smelting Methods 0.000 title claims abstract description 25
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 106
- 229910052742 iron Inorganic materials 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000005265 energy consumption Methods 0.000 claims abstract description 15
- 238000005245 sintering Methods 0.000 claims abstract description 14
- 239000000463 material Substances 0.000 claims abstract description 9
- 241000282461 Canis lupus Species 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 42
- 239000000571 coke Substances 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 17
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 16
- 229910052799 carbon Inorganic materials 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 229910000805 Pig iron Inorganic materials 0.000 claims description 9
- 238000002485 combustion reaction Methods 0.000 claims description 7
- 239000011573 trace mineral Substances 0.000 claims description 7
- 235000013619 trace mineral Nutrition 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000002844 melting Methods 0.000 claims description 3
- 230000008018 melting Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000003416 augmentation Effects 0.000 claims 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 239000002994 raw material Substances 0.000 description 12
- 239000003245 coal Substances 0.000 description 9
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 8
- 229910052739 hydrogen Inorganic materials 0.000 description 8
- 239000001257 hydrogen Substances 0.000 description 8
- 239000002893 slag Substances 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000002817 coal dust Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002542 deteriorative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- CSJDCSCTVDEHRN-UHFFFAOYSA-N methane;molecular oxygen Chemical compound C.O=O CSJDCSCTVDEHRN-UHFFFAOYSA-N 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008045 co-localization Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Manufacture Of Iron (AREA)
Abstract
高炉炼铁和烧结制料是高炉冶炼系统中最关键的环节，其中烧结矿质量对后续高炉炼铁具有重要影响。为此，本发明提出了一种数据与机理混合驱动的建模与全局串行优化策略。通过结合操作经验和质量/热量守恒关系，建立了铁水产量和高炉能耗的机理模型。为建模系统的动态和非线性特性，构建了宽度学习拟合子空间辨识方法（Broad learning approximate subspace identification method，BLASIM）。在该数据驱动模型中，本发明引入了相关性误差为基础的参数化建模策略，实现了非线性状态空间辨识。其次，在灰狼优化算法基础上，提出全局串行优化策略。最后，实际的高炉冶炼数据充分验证了所提出方法在建模准确性和优化效果方面的可行性和有效性。
Description
技术领域
本发明涉及一种数理混合驱动的高炉冶炼系统建模与全局串行优化方法。
背景技术
在钢铁全流程中，高炉冶炼系统是核心工序，也是能耗最大的环节，其主要包括烧结制料和高炉炼铁这两个重要流程。烧结制料其主要功能是将铁矿石等制备为烧结矿，作为后续高炉炼铁过程的原料。而高炉炼铁过程的目的则是将铁元素从烧结矿中还原出来，产生熔融铁水。整个系统的稳定性、优质性和效率都直接影响铁水质量和生产效率。近年来，随着钢铁行业数字化转型，大量的过程数据通过广泛应用的分布式控制系统(Distributed control system，DCS)以及各种智能化仪表、现场总线技术，得到采集并集中存储。这些数据共同反映着高炉冶炼系统的运行状态，通过分析与研究这些数据，其为高炉冶炼全流程优化奠定了基础。已有一些学者针对上述两种关键过程进行了建模与优化策略研究。
目前，高炉炼铁的建模与优化主要集中在基于数据驱动方法。一类研究着眼于单一质量指标的预测，例如铁水Si含量。Zeng等人采用基于典型相关分析的状态空间建模(Canonical variate analysis subspace identification method，CVASIM)技术实现了高炉动态建模与优化的初步尝试。后续，Kong等人将时间序列转化成监督图结构，并通过协同提取序列中的动态性和变量间耦合关系提升铁水中Si的建模精度。Zhou等人采用了GRU-RNN(Gated recurrent unit-recurrent neural network)模型与自适应群体遗传算法相互结合，进一步考虑了过程动态，实现了针对铁水中Si含量的智能精准预测。另一类研究为多目标的建模与预测。Rong等人面对与在建模过程中存在大量目标无关的信息通过正交分解策略，提出了IKOPLS(Improved kernel orthogonal projection to latentstructures)，实现了非线性场景下高精度建模与监测。面向多种铁水质量与温度性能指标，Zhou等人构建了I-N-SIM(Interpretable nonlinear subspace identificationmethod与OS-RVFLN(Online sequential random vector functional-link networks)，分别实现了非线性核表征和在线批处理能力。Li等人也提出了基于可控性保证建模方法，并结合灰狼优化算法消除了部分不可控变量对于优化性能的影响。然而对于高炉炼铁过程而言，除铁水质量外，铁水产量和高炉能耗都是现场操作人员关注的重点。现有建模与优化技术并没有全面地考虑上述指标的综合影响。与此同时，尽管由于高炼铁过程的复杂性仅利用数据驱动模型，然而长期的现场操作经验和内部物化反应/热量守恒的关系，也为准确掌握高炉运行状态提供了更多的视角，这也是现有研究所欠缺的。
而对于烧结制料过程而言，He等人通过对综合过程变量进行机理建模，通过以最小化能量损失为目标，通过将其转化为多维非线性规划实现了过程优化。Du等人在数据驱动方法的指引下以综合焦比为目标，建立了反向传播神经网络，并利用粒子群算法获得最佳操作条件。Singh等人在随机森林模型的帮助下，建立了以转鼓指数和还原退化指数为目标的，并通过非支配排序遗传算法实现了在线应用。Hu等人以及通过模糊C聚类、最小二乘支持向量机和T-S模糊完成工况识别、预测建模与多模型融合，以帮助提前评估烧结过程的碳捕获效果。然而，尽管上述工作一定程度上解决烧结质量的优化问题，但是，所有这些工作都忽略了一个重要事实:烧结制矿的最终目标是为后续高炉炼铁提供高质量生产原料。而高炉对矿石品质的要求存在时变性，难以仅从烧结本身出发进行优化。
发明内容
为了克服现有技术的不足，本发明的提供一种数理混合驱动的高炉冶炼系统建模与全局串行优化方法，其可由铁水产量与高炉能耗的机理模型、宽度学习拟合子空间辨识方法、全局串行优化策略。
本发明针对复杂高炉冶炼系统建模与全局优化策略难题，提出了一种数据与机理混合驱动策略。首先，建立准确的高炉炼铁/烧结制料是后续全局优化的基础。综合采用操作经验、质量与热量守恒关系构建铁水产量与高炉能耗机理模型。然后，为了更高效地建模高炉冶炼系统中广泛存在的动态性和非线性,建立了宽度学习拟合子空间辨识方法(Broadlearning approximate subspace identification method，BLASIM)。在该数据驱动模型中，通过仅利用堆砌的过程输入和输出数据，一种参数化的策略被提出以实现非线性状态空间辨识，并且基于相关性的误差被采用被作为衡量建模表现。理论推导也证明了相关性损失等价于建模误差，同时系统模型也可以被辨识。其次，在灰狼优化算法(Grey wolfoptimization，GWO)的基础上进一步结合实际工序属性,提出了多目标分级优化策略,通过将多目标全局优化问题转化为多个单目标串行的优化的组合，实现了更为可操作的工业现场应用。最后，基于实际高炉现场数据分析了所提出方法的可行性和有效性。
一种数理混合驱动的高炉冶炼系统建模与全局串行优化方法，其可由铁水产量与高炉能耗的机理模型、宽度学习拟合子空间辨识方法、全局串行优化策略。
所述的铁水产量与高炉能耗的机理模型包括如下步骤：
(1.1)针对高炉运行的经济效益受到铁水产量的影响，因此高炉操作人员可以通过调节工艺参数来增加产量，其中控制高炉顶压是常用的方法。利用合理的压力控制能够降低炉内压差，从而提高产量。在原压差操作下，风量变带来的铁水变化(P→P*)为：
式中，Pw代表风口处的绝对压力，单位kPa；Pt和P’t代表变化前后的高炉炉顶压力。同时，另一个重要参数是风量。当单位生铁风量不变时，诚风对产量产生影响P*可用下式计算：
式中，VB代表减风量，m3/min；VB代表全风操作时平均风量，m3/min，而T表示操作持续时间，min。
(1.2)焦比是指生产一吨铁水所需的焦炭用量。作为高炉运行效率的重要评价标准，焦比也直接影响产品成本。这里，我们是通过建立反映冶炼物理化学机理的数学模型来描述和预测焦比的变化规律。具体而言，焦比的计算可以表示为：
式中，K为焦比，伴随着焦炭含碳量Ck，风口前燃烧的耗量Cbk，生铁中直接还原的耗碳量微量元素还原的耗碳量Cda，生铁中直接熔解的量Cc。首先，分别考虑高炉的高温区和风口区存在着热量平衡关系。高温区耗热量H1包括：1.出铁时铁水耗热Hm与炉渣耗热Hs；2.微量元素还原耗热Hrm；以及3.铁还原耗热Hrf。风口区耗热量H2包括：1.风口煤粉燃烧以及带入炉渣耗热Hbs以及风口前燃烧时氢还原耗热Hh和2.喷吹煤粉分解与升温耗热Hc。高温区总热量H1＝Hm+Hs+Hrm+Hrf可以被表示为：
风口区总热量H2＝Hbs+Hh+Hc为：
式中，Psi、Pmn和Pp分别表示产物铁水中的微量元素Si、Mn和P含量，表示原料中氢含量，qmh和qsh分别为高温区中铁水与炉渣的焓值，A表示吨铁原料用量，kg,M为煤比，kg/t,UA表示原料渣量系数，UM为煤粉灰分含量，[Uk,Ck]分别为焦炭的灰分与含碳量，而表示风口前燃烧每千克碳的还原氢量。
然后，冶炼过程中的碳氧平衡关系也应当被充分考虑在内。设冶炼过程中每吨炼铁原料(烧结矿)的总氧量为及烧结矿中含氧量为Ms,kg。值得注意的是，上述和Ms都可由烧结矿用量与成分推算获得，而上述煤粉的反应在在高温区根据都近似可认为产物是CO/Co2＝1/3.237。进而参考1200K下的CO2份数，可得出
进而将式(3)-(5)进行整理，可以得到：
式中，UM为煤粉中的灰分含量，Vb分别为风口前每千克碳燃烧所需的风量，m3,[Cpb,Tb,Φ]为鼓风的平均热容、温度以及湿度，表示高温区氢的利用率，取0.45，以及qk每千克的焦炭自身耗热，kcal。随后，将这些参数带入式(5)，通过整合化简带入下式：
式中，OA2表示每吨原料的含氧量，kg/t，其可由烧结矿量以及成分计算获得。最终，带入式(1)中，可直接解得当前高炉操作参数情况下的焦比。
所述的宽度学习拟合子空间辨识方法包括如下步骤：
(2.1)这里，我们将提出一种基于宽度学习過近的最优非线性系统建模方法。在确定本次非线性动态研究对象的基础上，基于宽度学习理论构建非线性空间函数。然后通过相关性匹配，获得最优建模误差。首先，对动态线性系统，其离散状态空间模型可以表示为：
式中，k为采样时刻，分别为系统输入、输出和状态向量，A、B和C分别表示相应维度的常数系统矩阵，以及分别为状态与输出的随机噪声。为了进一步描述非线性系统，引入连续可导的非线性算子 其离散状态空间模型可以被描述为：
式中，为变换后的噪声项。如式(10)，非线性模型包含两个部分，其一为u(k)→g(u(k))的静态非线性映射；其二为g(u(k))→y(k)的动态非线性映射。为了方便估计，这里引入扩展的卡尔曼增益矩阵同时定义残差 式(10)可以用残差表示输出预测误差的关系：
由于扩展卡尔曼增益矩阵K使得Ak＝A-KC的特征值都位于单位圆内，那么：
式中，表示系统的动态阶数。由于当d足够大时，可以得到根据式(12)，系统状态可以直接由过去系统输入与输出表示：
进一步考虑用表示为的时序堆砌形式，其可以被写做：
其中，
将式(14)带入式(15)，以消去系统状态的影响，从而得到：
(2.2)宽度学习通近辅助的子空间辨识方法：基于式(15)，非线性系统可以进一步整理为：
其中，包含了典型的非线性映射。为了估计待辨识的未知参数，这里我们采用了基于BLS(Broad learning system)的非线性逼近策略，并与基于子空问辨识方法相结合。为此，所提出的BLASIM可以进行如下表示。学习到数据的非线性内在结构，给定特征映射与增广节点分别为和
式中，ζ1(·)和ζ2(·)为激活函数，和为映射权重，及和为偏置。这里，第一个特征映射层采用澈活函数实现了对输入的非线性转化，而增强表达则由第二层实现。随后通过特征级联，生成宽度非线性空间(Broad nonlinear space，BNS)：
随后，通过探索间的相关性关系，以实现系统辨识。给定yd(k)和并且E(·)为期望而Σ(·)为协方差矩阵，则可以得出
通过预定义投影矩阵JT和LT，通过最大化投影后的相关系数BLASIM目标函数被定义为
利用基于奇异值分解的求解策略，矩阵为：
式中，R＝[RcRr]＝[R(:,1:c)R(:,c+1:m)]和V＝[VcVr]＝[V(:,1:c)V(:,c+1:m)]分别为左右奇异矩阵，对角矩阵 (前c项相关性大于0)和Ξr(其余项为0)。基于此，投影矩阵J和L可以求解为：
最终，可以解得BLASIM模型在该映射特征空间下的预测残差项e(k)。所提出的BLASIM策略可以分为两步：第一步利用原始输入信号和输出信号采用堆叠结构，将其映射到BNS生成非线性特征表示第二步，通过BLASIM的最大化投影特征与输出之间的相关性，以计算用于投影矩阵J和L，实现系统辨识。
所述的全局串行优化策略包括如下步骤：
(3.1)多目标分级GWO(MH-GWO)算法：对于现有的高炉治炼流程，其全局协同伏化问题是一个典型的多目标优化问题，其可由上游(烧结制料)和下游(高炉炼铁)两个局部优化问题组成。这类问题对于传统多目标灰狼优化算法而言，其优化目标可以表述为：
式中，为上述多目标优化问题的可行域。然而，1)对于现有的高炉佁炼全局优化，现有的多目标优化算法简单地给出目标空间的帕雷托前沿解集，无法满足实际优化需求。工程师难于从中选择最优解，从而导致了最终的盲目和任意地选择。2)高炉冶炼系统是个典型的上下游耦合的问题，下游多目标解对上游优化有指导作用，而这也进一步限制帕累托前沿解集的应用。而此处，考虑炼铁系统的极度复杂性，采用分级优化思想，首先实施“高炉炼铁优化”，确定最优操作参数及烧结矿质量、用量等。然后，在给定烧结条件下实施本发明“烧结制料优化”。针对高炉炼铁工序，其优化目标分别为：1.(铁水质量)、2.(铁水产量)、3.(高炉能耗)；以及烧结制料工序的优化目标为：4.(烧结矿质量)。提出了统一的分级优化框架。首先，以工序耦合顺序为基础，将工序间的优化问题进行外部分级：随后，在每个工序内，根据目标重要性进行内部分级。这里，优化目标将以的顺序依次进行。为此，多目标优化问题将转变为分级的单目标问题。对于顶层的优化目标，其可表达为
式中，y1为铁水Si含量的预测值，而为设定目标值，以及和分别为铁水Si含量模型输入与输出的可行域。采用广泛采用的GWO算法，可以顺利得到的最优解集为了在分层优化过程中，能够始终保持前序优化目标的性能不衰退。这里将前项目标的最优解作为后续模型的约束条件，并添加μ松弛因子以实现多目标间的协调。后续第2个优化目标可表示为：
式中，y2为铁水产量的预测值，为其设定目标值，及和分别为模型输入与输出的可行域。如此反复，直至依次求解完成所有的优化目标。
本发明的有益效果：
首先，本发明通过整合与重组专家经验和运行原理，形成铁水产量和高炉能耗的机理模型.随后通过深度解析非线性状态空间方程，以相关性指数为目标形成了并结合宽度学习中拟合非线性的思想，构造了数据驱动的BLASIM建模方法，更出色地掌握了过程的动态性与非线性。并且从理论上,也证明了所提出的相关性损失等价于建模误差，并且系统模型也可以通过该方法得到辨识。同时基于灰狼优化算法，将全局的多目标优化问题分解为多个单目标串行的优化的组合，使其适应工程实际需求。实际的应用结果表明,本发明所提出的BLASIM算法在在建模准确性上具有显著优势,所采用的机理模型也符合使用条件。同时，全局优化的在线运行结果也表明，本发明的策略具备可信、高效、稳定的优化性能。
附图说明
图1为本发明的数据与机理混合驱动的建模与全局串行优化策略框架。
图2为所提出的BLASIM策略示意图。
图3为全局串行优化设计图；左部分为所提出的GWO算法；右部分为面向高炉冶炼系统的MH-GWO算法。
具体实施方式
以下结合附图和实施例对本发明做进一步的阐述。
如图1所示，为本发明的数据与机理混合驱动的建模与全局串行优化策略框架示意图，包括以下步骤：
(1)对于离线建模而言，需要将各个传感器(流量传感器、温度传感器、浓度传感器等)分别安装于高炉炼铁过程中的各个位置，并通过数据库存储相应数据。这里首先利用专家经验与激励模型建立铁水产量与能耗的机理模型。
(1.1)针对高炉运行的经济效益受到铁水产量的影响，因此高炉操作人员可以通过调节工艺参数来增加产量，其中控制高炉顶压是常用的方法。利用合理的压力控制能够降低炉内压差，从而提高产量。在原压差操作下，风量变带来的铁水变化(P→P*)为：
式中，Pw代表风口处的绝对压力，单位kPa；Pt和P’t代表变化前后的高炉炉顶压力，kPa。同时，另一个重要参数是风量。当单位生铁风量不变时，诚风对产量产生影响P*可用下式计算：
式中，VB代表减风量，m3/min；VB代表全风操作时平均风量，m3/min，而T表示操作持续时间，min。
(1.2)焦比是指生产一吨铁水所需的焦炭用量。作为高炉运行效率的重要评价标准，焦比也直接影响产品成本。这里，我们是通过建立反映冶炼物理化学机理的数学模型来描述和预测焦比的变化规律。具体而言，焦比的计算可以表示为：
式中，K为焦比，伴随着焦炭含碳量Ck，风口前燃烧的耗量Cbk，生铁中直接还原的耗碳量微量元素还原的耗碳量Cda，生铁中直接熔解的量Cc。首先，分别考虑高炉的高温区和风口区存在着热量平衡关系。高温区耗热量H1包括：1.出铁时铁水耗热Hm与炉渣耗热Hs；2.微量元素还原耗热Hrm；以及3.铁还原耗热Hrf。风口区耗热量H2包括：1.风口煤粉燃烧以及带入炉渣耗热Hbs以及风口前燃烧时氢还原耗热Hh和2.喷吹煤粉分解与升温耗热Hc。高温区总热量H1＝Hm+Hs+Hrm+Hrf可以被表示为：
风口区总热量H2＝Hbs+Hh+Hc为：
式中,Psi、Pmn和Pp分别表示产物铁水中的微量元素Si、Mn和P含量，表示原料中氢含量，qmh和qsh分别为高温区中铁水与炉渣的焓值，A表示吨铁原料用量，kg,M为煤比，kg/t,UA表示原料渣量系数，UM为煤粉灰分含量，[Uk,Ck]分别为焦炭的灰分与含碳量，而表示风口前燃烧每千克碳的还原氢量。
然后，冶炼过程中的碳氧平衡关系也应当被充分考虑在内。设冶炼过程中每吨炼铁原料(烧结矿)的总氧量为及烧结矿中含氧量为Ms,kg。值得注意的是，上述和Ms都可由烧结矿用量与成分推算获得，而上述煤粉的反应在在高温区根据都近似可认为产物是CO/Co2＝1/3.237。进而参考1200K下的CO2份数，可得出
进而将式(3)-(5)进行整理，可以得到：
式中，UM为煤粉中的灰分含量，Vb分别为风口前每千克碳燃烧所需的风量，m3,[Cpb,Tb,Φ]为鼓风的平均热容、温度以及湿度，ηH2表示高温区氢的利用率，取0.45，以及qk每千克的焦炭自身耗热，kcal。随后，将这些参数带入式(5)，通过整合化简带入下式：
式中，OA2表示每吨原料的含氧量，kg/t，其可由烧结矿量以及成分计算获得。最终，带入式(1)中，可直接解得当前高炉操作参数情况下的焦比。
(2)随后，如图2所示，为本发明的BLASIM策略。所述的方法包括以下步骤：
(2.1)这里，我们将提出一种基于宽度学习過近的最优非线性系统建模方法。在确定本次非线性动态研究对象的基础上，基于宽度学习理论构建非线性空间函数。然后通过相关性匹配，获得最优建模误差。首先，对动态线性系统，其离散状态空问模型可以表示为：
式中，k为采样时刻，分别为系统输入、输出和状态向量，A、B和C分别表示相应维度的常数系统矩阵，以及分别为状态与输出的随机噪声。为了进一步描述非线性系统引入连续可导的非线性算子 其离散状态空间模型可以被描述为：
式中，为变换后的噪声项。如式(10)，非线性模型包含两个部分，其一为u(k)→g(u(k))的静态非线性映射；其二为g(u(k))→y(k)的动态非线性映射。为了方便估计，这里引入扩展的卡尔曼增益矩阵同时定义残差 式(10)可以用残差表示输出预测误差的关系：
由于扩展卡尔曼增益矩阵K使得Ak＝A-KC的特征值都位于单位圆内，那么：
式中，表示系统的动态阶数。由于当d足够大时，可以得到根据式(12)，系统状态可以直接由过去系统输入与输出表示：
进一步考虑用表示为的时序堆砌形式，其可以被写做：
其中，
将式(14)带入式(15)，以消去系统状态的影响，从而得到：
(2.2)宽度学习通近辅助的子空间辨识方法：基于式(15)，非线性系统可以进一步整理为：
其中，包含了典型的非线性映射。为了估计待辨识的末知参数，这里我们采用了基于BLS(Broad learning system)的非线性逼近策略，并与基于子空问辨识方法相结合。为此，所提出的BLASIM可以进行如下表示。学习到数据的非线性内在结构，给定特征映射与增广节点分别为和：
式中，ζ1(·)和ζ2(·)为激活函数，和为映射权重，及和为偏置。这里，第一个特征映射层采用澈活函数实现了对输入的非线性转化，而增强表达则由第二层实现。随后通过特征级联，生成宽度非线性空间(Broad nonlinear space，BNS)：
随后，通过探索间的相关性关系，以实现系统辨识。给定yd(k)和并且E(·)为期望而Σ(·)为协方差矩阵，则可以得出
通过预定义投影矩阵JT和LT，通过最大化投影后的相关系数BLASIM目标函数被定义为
利用基于奇异值分解的求解策略，矩阵为：
式中，R＝[RcRr]＝[R(:,1:c)R(:,c+1:m)]和V＝[VcVr]＝[V(:,1:c)V(:,c+1:m)]分别为左右奇异矩阵，对角矩阵Ξ＝diag{Ξc,Ξr}＝diag{ρ1,ρ2,…,ρc,0,…,0},1≥ρ1≥ρ2…≥ρc>0,Ξc(前c项相关性大于0)和Ξr(其余项为0)。基于此，投影矩阵J和L可以求解为：
最终，可以解得BLASIM模型在该映射特征空间下的预测残差项e(k)。所提出的BLASIM策略可以分为两步。第一步利用原始输入信号和输出信号采用堆叠结构，将其映射到BNS生成非线性特征表示第二步，通过BLASIM的最大化投影特征与输出之间的相关性，以计算用于投影矩阵J和L，实现系统辨识。
(3)随后，如图3所示，为本发明的左部分图为所采用的GWO算法；右部分图为面向高炉冶炼系统的MH-GWO算法。所述的方法包括以下步骤：
(3.1)多目标分级GWO(MH-GWO)算法：对于现有的高炉冶炼流程，其全局协同伏化问题是一个典型的多目标优化问题，其可由上游(烧结制料)和下游(高炉炼铁)两个局部优化问题组成。这类问题对于传统多目标灰狼优化算法而言，其优化目标可以表述为：
式中，为上述多目标优化问题的可行域。然而，1)对于现有的高炉佁炼全局优化，现有的多目标优化算法简单地给出目标空间的帕雷托前沿解集，无法满足实际优化需求。工程师难于从中选择最优解，从而导致了最终的盲目和任意地选择。2)高炉冶炼系统是个典型的上下游耦合的问题，下游多目标解对上游优化有指导作用，而这也进一步限制帕累托前沿解集的应用；而此处，考虑炼铁系统的极度复杂性，采用分级优化思想，首先实施“高炉炼铁优化”，确定最优操作参数及烧结矿质量、用量等；然后，在给定烧结条件下实施“烧结制料优化”。针对高炉炼铁工序，其优化目标分别为：1.(铁水质量)、2.(铁水产量)、3.(高炉能耗)；以及烧结制料工序的优化目标为：4.(烧结矿质量)。本发明提出了统一的分级优化框架。首先，以工序耦合顺序为基础，将工序间的优化问题进行外部分级：随后，在每个工序内，根据目标重要性进行内部分级。这里，优化目标将以的顺序依次进行。为此，多目标优化问题将转变为分级的单目标问题。对于顶层的优化目标，其可表达为
式中，y1为铁水Si含量的预测值，而为设定目标值，以及和分别为铁水Si含量模型输入与输出的可行域。采用广泛采用的GWO算法，可以顺利得到01的最优解集为了在分层优化过程中，能够始终保持前序优化目标的性能不衰退。这里将前项目标的最优解作为后续模型的约束条件，并添加μ松弛因子以实现多目标间的协调。后续第2个优化目标02可表示为：
式中，y2为铁水产量的预测值，为其设定目标值，及和分别为模型输入与输出的可行域。如此反复，直至依次求解完成所有的优化目标。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。
Claims (4)
1.一种数理混合驱动的高炉冶炼系统建模与全局串行优化方法，其特征在于，步骤包括：铁水产量与高炉能耗的机理模型构建，宽度学习拟合子空间辨识方法、全局串行优化策略的提出；
首先，综合运用操作经验、质量热量守恒关系构建了铁水产量与高炉能耗的机理模型；接下来，针对建模高炉冶炼系统中广泛存在的动态性和非线性，提出了宽度学习拟合子空间辨识方法(Broad learning approximate subspace identification method，BLASIM)；其次，在灰狼优化算法(Grey wolf optimization，GWO)的基础上，结合实际工序属性，提出了全局串行优化策略。
2.根据权利要求1所述的方法，其特征在于，所述的铁水产量与高炉能耗的机理模型包括如下步骤：
(2.1)在原压差操作下，风量变化带来的铁水变化(P→P*)为：
式中，Pw代表风口处的绝对压力，单位kPa；Pt和P’t代表变化前后的高炉炉顶压力；同时，另一个参数是风量；当单位生铁风量不变时，减风对产量产生影响P*用下式计算：
式中，VB代表减风量，单位m3/min；VB代表全风操作时平均风量，m3/min，而T表示操作持续时间，min；
(2.2)焦比的计算表示为：
式中，K为焦比，伴随着焦炭含碳量Ck，风口前燃烧的耗量Cbk，生铁中直接还原的耗碳量微量元素还原的耗碳量Cda，生铁中直接熔解的量Cc。
3.根据权利要求1所述的方法，其特征在于，所述的宽度学习拟合子空间辨识方法包括如下步骤：
(3.1)首先，对动态线性系统，其离散状态空间模型表示为：
式中，k为采样时刻，分别为系统输入、输出和状态向量，A、B和C分别表示相应维度的常数系统矩阵，以及分别为状态与输出的随机噪声；为了进一步描述非线性系统引入连续可导的非线性算子 其离散状态空间模型被描述为：
式中，为变换后的噪声项；
(3.2)宽度学习通近辅助的子空间辨识方法：为学习到数据的非线性内在结构，给定特征映射与增广节点分别为和
式中，ζ1(·)和ζ2(·)为激活函数，和为映射权重，及和为偏置；通过特征级联，生成宽度非线性空间(Broad nonlinear space，BNS)：
随后，给定yd(k)和并且E(·)为期望而Σ(·)为协方差矩阵，则得出
通过预定义投影矩阵JT和LT，通过最大化投影后的相关系数利用基于奇异值分解的求解策略，矩阵为：
式中，R＝[RcRr]＝[R(:,1:c)R(:,c+1:m)]和V＝[VcVr]＝[V(:,1:c)V(:,c+1:m)]分别为左右奇异矩阵，对角矩阵Ξ＝diag{Ξc,Ξr}＝diag{ρ1,ρ2,…,ρc,0,…,0},1≥ρ1≥ρ2…≥ρc>0,Ξc(前c项相关性大于0)和Ξr(其余项为0)；基于此，投影矩阵J和L求解为：
从而，投影矩阵J和L可实现系统辨识。
4.根据权利要求1所述的方法，其特征在于，所述的全局串行优化策略包括如下步骤：
(4.1)多目标分级GWO(MH-GWO)算法：此处，针对高炉炼铁工序，其优化目标分别为：1.(铁水质量)、2.(铁水产量)、3.(高炉能耗)；以及烧结制料工序的优化目标为：4.(烧结矿质量)；对于顶层的优化目标，表达为
式中，y1为铁水Si含量的预测值，而为设定目标值，以及和分别为铁水Si含量模型输入与输出的可行域；采用GWO算法，可得到的最优解集将前项目标的最优解作为后续模型的约束条件，并添加μ松弛因子以实现多目标间的协调；后续第2个优化目标表示为：
式中，y2为铁水产量的预测值，为其设定目标值，及和分别为模型输入与输出的可行域；如此反复，直至依次求解完成所有的优化目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410427371.1A CN118332787A (zh) | 2024-04-10 | 2024-04-10 | 数理混合驱动的高炉冶炼系统建模与全局串行优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410427371.1A CN118332787A (zh) | 2024-04-10 | 2024-04-10 | 数理混合驱动的高炉冶炼系统建模与全局串行优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118332787A true CN118332787A (zh) | 2024-07-12 |
Family
ID=91765481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410427371.1A Pending CN118332787A (zh) | 2024-04-10 | 2024-04-10 | 数理混合驱动的高炉冶炼系统建模与全局串行优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118332787A (zh) |
-
2024
- 2024-04-10 CN CN202410427371.1A patent/CN118332787A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| An et al. | A multi-time-scale fusion prediction model for the gas utilization rate in a blast furnace | |
| CN103194553A (zh) | 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法 | |
| CN110867219B (zh) | 基于isaa算法的烧结配料优化控制方法及控制装置 | |
| Yin et al. | An integrated computational intelligence technique based operating parameters optimization scheme for quality improvement oriented process-manufacturing system | |
| Shi et al. | Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology | |
| CN114968997B (zh) | 一种基于时空特征提取的烧结终点预报方法 | |
| CN110849149A (zh) | 基于能源感知的烧结配料方案级联优化获取方法及装置 | |
| CN114036827B (zh) | 基于分解的高炉炼铁多目标碳减排方法 | |
| Hu et al. | Real-time dynamic prediction model of carbon efficiency with working condition identification in sintering process | |
| Liu et al. | Temporal hypergraph attention network for silicon content prediction in blast furnace | |
| Li et al. | A blast furnace coke ratio prediction model based on fuzzy cluster and grid search optimized support vector regression | |
| CN116127345B (zh) | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 | |
| CN111617876B (zh) | 一种磨煤机在线综合运行优化的方法 | |
| CN118332787A (zh) | 数理混合驱动的高炉冶炼系统建模与全局串行优化方法 | |
| CN110684547A (zh) | 一种生物质热解炭化窑优化控制方法 | |
| Zhou et al. | A novel performance assessment method of the carbon efficiency for iron ore sintering process | |
| CN115293453A (zh) | 一套钢铁厂热工系统能效根因分析优化方法 | |
| Zhang et al. | Improved Optimization Method for Blast Furnace Based on Robust Soft Sensor and Process Knowledge | |
| Qiang et al. | The combination prediction of BTP in sintering process based on Bayesian framework and LS-SVM | |
| Wang et al. | Energy-Aware Cascade optimization for Proportioning in the Sintering Process Using Improved Immune-Simulated Annealing Algorithm | |
| Yan et al. | Knowledge and Data Dual-Driven Graph Network for Tumbler Strength Prediction in Sintering Process | |
| An et al. | Applications of evolutionary computation and artificial intelligence in metallurgical industry | |
| 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 | |
| Qian et al. | Causality Analysis and Modeling of Fuel Ratio Influencing Factors in Blast Furnace Ironmaking Process | |
| Sha et al. | A Prediction Method for CO Utilization Rate Based on KPCA Contribution Plots and ELM Algorithm |
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 |