CN1746604A - 竖炉焙烧过程智能优化设定方法 - Google Patents

Abstract

一种竖炉焙烧过程智能优化设定的方法，包括边界条件的输入、磁选管回收率期望值的确定、竖炉焙烧系统实时过程数据的取得、基于案例推理的参数设定、基于磁选管回收率预报的前馈校正、基于磁选管回收率化验值的反馈校正、案例的存储与维护等步骤。该方法利用常规计算机控制系统和常规的检测仪表提供的在线过程数据结合人工采样数据，建立了基于案例分析的竖炉焙烧系统主要工艺参数智能优化设定模型，实现了面向生产指标的竖炉焙烧系统的优化控制，与人工操作相比，减少了操作人员的工作量，避免了依靠经验生产的主观性和随意性，使产品质量及其它生产指标得到了有效可靠的保证。该方法具有很强的自适应和自学习能力。适用面广，优化设定量更精确。

Description

竖炉焙烧过程智能优化设定方法

技术领域

本发明属于自动控制技术领域，特别涉及一种竖炉焙烧过程优化设定方法。

背景技术

在铁矿选矿生产过程中，将块状弱磁性矿物经过高温还原处理，变成强磁性矿物(Fe₃O₄)的过程，称为磁化焙烧。焙烧过程使用的设备为竖炉焙烧系统。衡量竖炉焙烧质量的工艺指标是磁选管回收率。影响竖炉运行和焙烧质量的三个主要工艺参数是燃烧室温度、还原煤气流量和搬出机搬出时间。目前，常规的竖炉焙烧系统的控制方法仅能实现燃烧室温度、还原煤气流量和搬出机搬出时间的基础回路控制，而无法根据工艺指标磁选管回收率的目标给出基础控制回路的优化设定值。在目前的焙烧过程中，对这三个基础控制回路的设定，主要是根据以往的生产经验人为进行。但是人为设定的参数很难或者根本不能使竖炉在最佳的状态下运行，焙烧质量很难保证，磁选管回收率很难达到一个较高的水平，造成原料的浪费和金属回收率的降低。

发明内容

为了解决以上对竖炉焙烧过程基础控制回路的优化设定问题，本发明提供了一种智能优化设定的方法，用于对竖炉的基础控制回路：燃烧室温度、还原煤气流量和搬出机搬出时间进行优化设定，从而提高竖炉焙烧质量，以利于进行后续选别，提高金属回收率和精矿品位。

本发明的智能优化设定方法技术方案是这样实现的：

本发明所提出的智能优化设定方法由硬件平台及软件组成，硬件平台核心由竖炉及其附属设备组成，同时配备了测量仪表，执行机构以及进行软件计算的计算机系统。其中硬件的核心部分是用于焙烧矿石的竖炉、将焙烧矿从竖炉中排出的排矿辊和将矿石搬出的搬出机，排矿辊和搬出机的运行停止时间同步(工艺过程如图1所示)。

获得竖炉焙烧过程的工艺数据，是通过安装在竖炉焙烧系统上的测量仪表来实现。在竖炉燃烧室的不同位置装有热电偶或红外测温仪，用来测量燃烧室两侧的温度T_s和T_n；在还原煤气管路、加热煤气管路和加热空气管路上分别安装流量计，分别用来测量还原煤气流量L_HY、加热煤气流量L_HY和加热空气流量L_KQ；在炉顶废气管上安装真空表，用来测量竖炉炉膛内负压P_LN；在加热煤气管上安装压力计，用于测量加热煤气的压力P_JR；在混合煤气总管上安装煤气热值仪，用来测量加热煤气的热值H_RZ。

其执行机构包括：

电动调节阀，用来调节加热煤气L_HY和还原煤气的流量L_HY，安装在加热煤气管和还原煤气管上；

变频器，用来调节鼓风机的频率F_GF，与鼓风机相接。

该竖炉焙烧系统同时配置了分布式计算机控制系统(DCS)，并按照如下对应关系组成基本控制回路：

还原煤气调节阀控制还原煤气的流量L_HY；

加热煤气调节阀控制加热煤气的流量L_HY，鼓风机频率F_GF控制加热空气的流量L_KQ，二者共同作用，可以控制燃烧室的温度T_RS。

本发明的软件既可以运行在计算机控制系统的监控计算机上，也可以运行于独立的计算机上，该软件通过分布式计算机控制系统(DCS)与控制回路进行通讯，获得实时的过程数据，然后根据输入的边界条件进行智能优化，从而得到燃烧室温度、还原煤气流量和搬出时间的优化设定值。

本发明方法包括以下步骤：

步骤一、边界条件的输入：

在焙烧过程中，边界条件的确定十分重要。边界条件主要有：矿石的种类，矿石焙烧难易程度，矿石的粒度等级，搬出机排矿量，竖炉老化程度。这些边界条件需要从现场中得到。

步骤二、磁选管回收率期望值的确定：

在进行优化设定之前，需要输入磁选管回收率的期望值，以便进行基于磁选管回收率预报的前馈校正。

步骤三、竖炉焙烧系统实时过程数据的取得：

选定边界条件之后，程序从监控机中取得竖炉的实时过程数据，包括：当前的燃烧室温度设定T_RSSP，燃烧室两侧的温度T_s和T_n以及平均温度T_RSAV，当前加热煤气流量的设定L_JRSP、实际流量L_JR、压力P_JR和阀开度V_JRKD，竖炉的负压P_LN，加热煤气的热值H_RZ，加热空气流量的设定值L_KQSP、实际流量L_KQ和鼓风机变频器频率F_GF，还原煤气流量的设定值L_HYSP、实际流量L_HY和阀开度V_HYKD。

步骤四、基于案例推理的工艺参数设定：

(一)案例表示：

由于竖炉的情况各不相同，所以每一台竖炉对应一个案例数据库，每一个数据库由若干条案例记录组成。案例数据库中的每条案例记录C_k，k＝1，2…由竖炉的边界条件、实时过程数据和对应的燃烧室温度设定值、还原煤气流量设定值和搬出机搬出时间设定值组成。其中竖炉边界条件和实时过程数据组成竖炉的状况描述X_k，燃烧室温度设定、还原煤气流量设定和搬出机搬出时间组成案例的解Y_k。另外，为了便于案例检索与匹配及其它案例操作的需要在案例数据库表中再增加两条属性：时间和相似度，其中时间为案例获得时间，相似度为当前工况描述与案例库中该条案例的相似度。案例的表示可见表1：

                               表1案例C_k的表示

时间	竖炉状况描述								案例的解
												矿石种类	焙烧难易程度	矿石粒度等级	1号搬出机排矿	2号搬出机排矿	炉体老化程度	燃烧室实际温度	还原煤气实际流量	燃烧室温度设定	还原煤气流量设定	搬出机搬出时间
	T	x1	x2	x3	x4	x5	x6	x7	x8	y1	y2												y3

案例数据库是由以上的案例组成，每条案例的结构都是由上述的八条竖炉状况描述和三条案例的解组成。

(二)案例相似度的计算：

设实际的竖炉状况为X_SF＝{B_i}，i＝1，…8。

对于案例C_k，k＝1，2…中每一个竖炉状况描述的记录x_i(i＝1，…8)与实际的竖炉边界条件和实时过程数据之间B_i(i＝1，…8)的相似度为：

$\mathrm{sim}\left(B_i{,x}_i\right)=1-\frac{\left|B_i{-x}_i\right|}{\mathrm{Max}\left(B_i{,x}_i\right)},i=1,...8---\left(1\right)$

对于竖炉的状况描述中的矿石种类、矿石焙烧难易程度、矿石粒度等级、搬出机排矿量和炉体老化程度，其数据记录的相似度只有0和1，所以容易计算，查询简单。对于竖炉状况描述中的燃烧室温度实际值和还原煤气实际值，其相似度取值范围则在0和1之间。

对于实际的竖炉状况描述X_SF和每一条案例C_k，其相似度为：

$\mathrm{SIM}\left(X_{\mathrm{SF}}{,C}_k\right)=\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{sim}\left(B_i{,x}_{i,k}\right),k=\mathrm{1,2}...---\left(2\right)$

其中，X_i,k表示案例C_k中的数据记录，ω_i表示竖炉状况描述的加权系数，ω_i满足：

$\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{\mathrm{\ω}}_i=1$

(三)阈值的确定：

设SIM_max为所有上述求得的相似度的最大值，即： ${\mathrm{SIM}}_{\max }=\underset{k=\mathrm{1,2}...}{\mathrm{Max}}\left(\mathrm{SIM}\left(X_{\mathrm{SF}}{,C}_k\right)\right),$ 那么

阈值SIM_v可通过下式确定：

${\mathrm{SIM}}_v=\left\{\begin{array}{c}V,{\mathrm{SIM}}_{\max }\&GreaterEqual;V\\ {\mathrm{SIM}}_{\max },{\mathrm{SIM}}_{\max }<V\end{array}\right.$

其中阈值V根据每台竖炉的情况由具体工艺或经验确定。

(四)案例的检索与匹配：

从案例数据库中检索出所有相似度SIM(X_SF，C_k)≥SIM_v的案例记录，并记录案例的解，以用于下一步的处理。

(五)案例重用：

一般情况下案例库中不存在与当前工况描述完全匹配的案例，因而检索出的匹配工况的解并不能直接作为当前工况的解，这就需要对检索得到的相似案例进行重用。具体方法如下：

从匹配案例中挑选出具有最大相似度SIM_max的案例并确定其个数Num。

若Num＝1，即具有最大相似度的案例只有一个，设这个案例为C_m，1≤m≤n，记匹配案例数据表中案例C_m的下一个案例为C_k，1≤k≤n，由于匹配案例检索出来的时候按“相似度”、“时间”(案例存储时间)属性值降序排序，所以C_k应具有第二大相似度并且是时间最新的一个。记案例C_m的解为J_m、相似度为SIM_m，案例C_k的解为J_k、相似度为SIM_k，那么当前工况描述M_GK的解J_GK为：

$J_{\mathrm{GK}}=\frac{{\mathrm{SIM}}_m\&times;J_m+{\mathrm{SIM}}_k\&times;J_k}{{\mathrm{SIM}}_m+{\mathrm{SIM}}_k}---\left(3\right)$

若Num＞1，即具有相同最大相似度的案例有多个，不妨设有l，(l＞1，l∈Z)个，假设这些案例C_i，i＝1…l按“时间”(案例存储时间)属性值降序排列为：C₁，C₂…C_l，J₁，J₂…J_l为其相应的解，那么当前工况描述的解J_GK为：

$J_{\mathrm{GK}}=\frac{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_i\&times;J_i}{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_i}---\left(4\right)$

其中θ_i为本次案例重用的时间加权系数，满足θ₁≥θ₂≥…≥θ_l，可根据具体情况或经验确定。

(六)案例的解的修正：

将所有检索得到的解进行求取平均值的计算，得到燃烧室温度、还原煤气流量和搬出时间的初步设定。然后再根据实时过程数据进一步修正，即由当前的燃烧室温度设定T_RSSP，燃烧室的平均温度T_RSAV和两侧的温度T_s和T_n，当前加热煤气流量的设定L_JRSP、实际流量L_JR、压力P_JR和阀开度V_JRKD，竖炉的负压P_LN，加热煤气的热值H_RZ，加热空气流量的设定值L_KQSP、实际流量L_KQ和鼓风机变频器频率F_GF，还原煤气流量的设定值L_HYSP、实际流量L_HY和阀开度V_HYKD进行案例评价与修正；

步骤五、前馈校正或反馈校正：

前馈校正与反馈校正模块的原理相同，都是利用模糊自适应PI控制，实现对案例解—燃烧室温度、还原煤气流量、搬出时间的校正，使竖炉焙烧的质量指标达到期望值。二者不同的是前馈校正的目标是使磁选管回收率的预报值接近期望值；而反馈校正的目标是是使磁选管回收率的化验值接近期望值。

以前馈校正为例，主要控制策略是应用如(3)式所示的PI控制。

      u(k)＝u(k-1)+k_p(k)·((e(k)-e(k-1))+k_i(k)·e(k)                     (5)

其中，u＝{N_T，N_F，T_B}为控制向量，N_T为燃烧室温度控制量，N_F为还原煤气流量控制量，T_B为还原搬出时间控制量，k_p为比例系数，k_i为积分系数，e为磁选管回收率的误差，k为迭代次数。

但是，竖炉的工况较复杂，参数调节方法很难统一。考虑控制效果，以及根据现场的经验，对燃烧室温度和还原煤气流量设计了PI参数的模糊自适应调节方法，对搬出时间采用单步调整方法。

表2和表3所示分别为k_p和k_i的模糊规则表。其中，e为误差，Δe为误差变化率，字母组合表示调整量。

                     表2k_P的控制规则表

                     表3k_i的控制规则表

这里进行磁选管回收率预报软件是基于专家系统结合神经网络开发的，其输入值是燃烧室温度、还原煤气流量和搬出机总搬出时间，输出值为磁选管回收率。

步骤六、案例的存储和维护：

经过前馈校正之后，得到最终的优化设定值。然后，记录此次的竖炉状况描述和燃烧室、还原煤气实际值，作为新的案例记录的竖炉状况描述，此次的优化设定值做为新案例的解，从而生成一条新的案例。

随着时间的推移，案例数量必然增加。需要对案例进行维护。根据案例记录的时间，定期删除一些很早的案例记录，以减少运算量。

本发明的优化设定方法是由智能优化软件的方式实现的，其流程图如图2。详细步骤如下：

(A)程序开始；

(B)选择将要进行优化的竖炉；每台竖炉都有其代号，选择其代号就意味着将要对该竖炉进行智能优化；

(C)输入竖炉的边界条件；包括矿石的种类，矿石焙烧难易程度，矿石的粒度等级，搬出机排矿量，以及竖炉的老化程度；

(D)输入期望的磁选管回收率；

(E)取得实时过程数据；即程序从监控机中取得竖炉的实时过程数据，包括：当前的燃烧室温度设定T_RSSP，燃烧室两侧的温度T_s和T_n以及平均温度T_RSAV，当前加热煤气流量的设定L_JRSP、实际流量L_JR、压力P_JR、阀开度V_JRKD，竖炉的负压P_LN、加热煤气的热值H_RZ，加热空气流量的设定值L_KQSP、实际流量L_KQ、鼓风机变频器频率F_GF，还原煤气流量的设定值L_HYSP、实际流量L_HY、阀开度V_HYKD；

(F)进行案例相似度的计算；即通过(1)式计算当前案例与案例库中的案例的相似程度，以及通过(2)式找出相似程度最大的案例；

(G)确定阈值；即确定一个案例库中的案例与当前案例匹配的程度的界限；

(H)案例检索与匹配；从案例数据库中检索出所有相似度大于阈值的案例记录，并记录案例的解，以用于下一步的处理；

(I)案例重用；将上一步的得到的多个案例解进行加权计算，构造成一个新的案例解；

(J)案例解的修正；根据竖炉的实际情况对案例的解进行调整；

(K)磁选管回收率化验值存在？是，进行L；否，转到M；

(L)反馈校正。根据磁选管回收率的化验值和期望值的差异，利用模糊PI方法对燃烧室温度、还原煤气流量和搬出时间进行调整；

(M)前馈校正。根据磁选管回收率的预报值和期望值的差异，利用模糊PI方法对燃烧室温度、还原煤气流量和搬出时间进行调整；

(N)将设定值数据下装；将处理好的案例的解通过DCS传递给竖炉的基础控制回路，对燃烧室温度、还原煤气流量和搬出机搬出时间进行优化设定，

(O)案例的存储与维护；将本次的案例解以及对应的竖炉工况描述最为一个新的案例，加入到案例库中；根据案例记录的时间，定期删除一些很早的案例记录，以减少运算量。

(P)继续优化？是，转到B；否，继续Q；

(Q)结束。

其中步骤M的流程图如图3。详细过程如下：

a)程序开始；

b)前馈或反馈校正？如果是前馈校正，则继续c，如果是反馈校正，则转向d；

c)预报磁选管回收率ε；利用磁选管回收率预报软件对当前情况下对应的磁选管回收率进行预报；

d)输入磁选管回收率ε；

e)|ε-ε₀|＜0.05？如果磁选管回收率的化验值或预报值与磁选管回收率期望值之差小于0.05，则转向j，反之则进行f；

f)计算K_Tp(k)、K_Ti(k)、K_Fp(k)、K_Fi(k)、ΔT_B(k)；

g)计算ΔN_T(k)＝K_Tp(k)Δe(k)+K_Ti(k)e(k)，ΔN_F(k)＝K_Fp(k)Δe(k)+K_Fi(k)e(k)；

h)计算N_T(k)＝N_T(k-1)+ΔN_T(k)，N_F(k)＝N_F(k-1)+ΔN_F(k)，T_B(k)＝T_B(k-1)+ΔT_B(k)；

i)k＜K₀？判断迭代次数是否小于给定值，如果是，则进行j，如果否，则转向c；

j)结束。

本发明的优点在于：利用计算机系统和常规的检测仪表提供的在线过程数据，基于案例推理的方法实现了复杂工业过程——竖炉焙烧系统的优化控制。实现了基础控制难以达到的用户对复杂工业生产过程的最终需求，如对产品质量的期望等。与常规控制相比，这种方法不过分依赖于生产过程的数学模型，容易适应复杂工况条件的变化。与人工操作相比，减少了操作人员的工作量，避免了依靠经验生产的主观性和随意性，使产品质量及其它生产指标得到了有效可靠的保证。由于案例库不断有代表最新工况的新的案例加入，不适应工况的旧案例又不断删减替换，所以本发明的智能优化设定方法具有很强的自适应和自学习能力。另外，由于本发明针对不同的边界条件用不同的案例来进行推理，所以适用面广，优化设定量也更精确。该方法能够实现竖炉焙烧系统的优化控制和优化运行。给生产带来巨大的经济效益与社会效益，并在复杂工业过程中具有推广应用价值。

附图说明

图1竖炉焙烧的流程、测量仪表及计算机配置图；

图2竖炉焙烧智能优化设定程序流程图；

图3前馈校正与反馈校正程序流程图；

图1中所用标记符号如下：

T_RS燃烧室温度，L_JR加热煤气流量，P_JR加热煤气压力，L_KQ加热空气流量，H_RZ煤气热值，L_HY还原煤气流量，P_LN炉内负压，t_BC搬出时间，KT热电偶，HT热值仪，PT压力计，NT真空计，AT、LT、QT流量计，LP鼓风机，JV、HV调节阀。

图3中所用标记符号如下：

k迭代次数，K_Tp燃烧室温度控制的比例系数，K_Ti燃烧室温度控制的积分系数，K_Fp还原煤气流量控制的比例系数，K_Fi还原煤气流量控制的积分系数，ΔT_B搬出时间的调整量，ΔN_T燃烧室温度控制增量，e(k)磁选管回收率的偏差，Δe(k)＝e(k)-e(k-1)磁选管回收率偏差的增量，N_T燃烧室温度控制的调整量，N_F还原煤气流量的调整量，T_B搬出时间的调整量，K₀给定的迭代次数。

具体实施方式

以某大型铁矿选矿厂的竖炉磁化焙烧工段为例，该选矿厂的主要铁矿石为黄铁矿、褐铁矿，脉石以重晶石、石英、碧玉及铁白云石为主，矿石实际含铁品位33％，竖炉焙烧的目的是将弱磁性的赤铁矿(Fe₂O₃)还原成强磁性的磁铁矿(Fe₃O₄)，使它能在选别强磁性矿物的低磁场强度的磁选机上进行选别，达到提高金属回收率。

按照本说明书的要求安装如下的测量仪表，包括：

四个镍铬硅—镍硅镁热电偶，用于在线测量燃烧室温度T_RS；

一个威力巴流量计，用于在线测量加热煤气流量L_JR；

一个威力巴流量计，用于在线测量加热空气流量L_KQ；

一个3051差压变送器，用于在线测量加热煤气压力P_JR；

一个威力巴流量计，用于在线测量还原煤气流量L_HY；

一个1151压力变送器，用于在线测量炉内负压P_LN；

一个煤气热值分析仪，用于在线测量煤气热值H_RZ。

以可编程控制器(PLC)实现基础控制回路和搬出时间t_BC的自动控制，并读取上述的过程数据。在监控计算机中以RSView32软件实现监控人机界面。该竖炉焙烧系统的正常工作范围为：

台时处理量——22～27吨/(台·小时)

燃烧室温度——1050～1200℃

还原矿石温度——550～600℃

废气温度——＜100℃

煤气热值——4600～5000KJ/m³

煤气压力——4800～5200Pa

优化设定程序用RSView32提供的VBA应用软件编制。优化设定软件在单独的优化计算机上运行，该计算机上装有RSLinx通讯程序负责与PLC和上位机进行数据通讯，RSLinx与优化设定程序之间通过DDE方式进行双向通讯。

按照本说明书所述的实现方法，首先选择要优化的竖炉，然后输入边界条件和期望的磁选管回收率，进而进行优化设定。

本发明方法的具体实现过程如下：

步骤一、边界条件的输入，输入矿石的种类＝1，矿石焙烧难易程度＝1，矿石的粒度等级＝0.5，1号搬出机排矿量＝0.5，2号搬出机排矿量＝0.5，竖炉老化程度＝0.5；

步骤二、磁选管回收率期望值＝83.0：

步骤三、竖炉焙烧系统实时过程数据的取得：

当前的燃烧室温度设定T_RSSP＝1095，燃烧室两侧的温度T_s＝1042，T_n＝1038，平均温度T_RSAV＝1040，当前加热煤气流量的设定L_JRSP＝4238，实际流量L_JR＝4156，压力P_JR＝5.8，阀开度V_JRKD＝0.75，竖炉的负压P_LN＝2.8，加热煤气的热值H_RZ＝5700，加热空气流量的设定值L_KQSP＝4200、实际流量L_KQ＝4213，鼓风机变频器频率F_GF＝40，还原煤气流量的设定值L_HYSP＝2300、实际流量L_HY＝2109和阀开度V_HYKD＝75。

步骤四、基于案例推理的工艺参数设定：

(一)案例表示：

                             表1案例C₇₈的表示

时间	竖炉状况描述								案例的解
												矿石种类	焙烧难易程度	矿石粒度等级	1号搬出机排矿	2号搬出机排矿	炉体老化程度	燃烧室实际温度	还原煤气实际流量	燃烧室温度设定	还原煤气流量设定	搬出机搬出时间
	2003-12-6	1	1	0.5	0.5	0.5	0.5	1040	2109	y1	y2												y3

(二)案例相似度的计算：

根据(1)(2)两式算得SIM(X_SF，C₇₈)＝0.9885；

其中，竖炉状况描述加权系数的取值为：

矿石种类加权系数——ω₁＝0.2；

矿石焙烧难易程度加权系数——ω₂＝0.2；

矿石粒度等级加权系数——ω₃＝0.2；

搬出机排矿量加权系数——ω₄，ω₅＝0.05；

炉体老化程度加权系数——ω₆＝0.05；

燃烧室温度实际值加权系数——ω₇＝0.15；

还原煤气流量实际值加权系数——ω₈＝0.1。

(三)阈值的确定：SIM_v＝0.98

(四)案例重用：根据(3)(4)两式计算出案例解J_GK＝{1159，2324，244}；

(五)案例的解的修正：根据实际现场的数据调整案例解，例如当前还原煤气的阀门开度已经接近最大，而其实际流量较设定值差距较大，因此，还原煤气流量的设定值调整为2290，即修正后的案例解为J_GK＝{1159，2290，244}；

步骤五、前馈校正：

根据(5)式算得前馈校正后的结果为J_GK＝{1160，2290，277}，此时的磁选管回收率预报值为82.96，比较接近期望值。

步骤六、案例的存储和维护：

经过前馈校正之后，得到最终的优化设定值。然后，记录此次的竖炉状况描述和燃烧室、还原煤气实际值，作为新的案例记录的竖炉状况描述，此次的优化设定值做为新案例的解，从而生成一条新的案例。

本软件在竖炉焙烧系统正常运行期间，对其主要工艺参数进行优化设定，使磁选管回收率的化验值能够达到或超过期望值，焙烧质量得到很大提高，成为一个低成本却有很高实用价值的竖炉焙烧主要参数设定方法。

Claims (9)

1、一种竖炉焙烧过程智能优化设定方法，其特征在于在竖炉焙烧系统安装检测仪表和执行机构，通过与控制计算机或数据采集器进行通讯，获得实时的过程数据，对竖炉焙烧系统工艺参数进行智能优化设定，其方法包括以下步骤：

(1)输入边界条件，

(2)确定磁选管回收率期望值，

(3)获取竖炉焙烧系统实时过程数据，

(4)基于案例推理的参数设定，

(5)基于磁选管回收率预报或化验值的前馈校正，

(6)案例的存储与维护。

2、根据权利要求1所述的竖炉焙烧过程智能优化设定方法，其特征在于步骤(4)所述基于案例推理的参数设定包括：案例表示，案例相似度计算，阈值的确定，案例的检索与匹配，案例重用，案例的解的修正。

3、权利要求2所述竖炉焙烧过程智能优化设定方法，其特征在于所述案例表示包括：案例获得时间、竖炉状况描述、案例的解，其中竖炉状况描述包括竖炉边界条件和实时过程数据，案例的解包括燃烧室温度设定，还原煤气流量设定和搬出机搬出时间。

4、权利要求2所述竖炉焙烧过程智能优化设定方法，其特征在于所述案例相似度计算依下式进行：

设实际的竖炉状况为X_SF＝{B_i}，i＝1，…8，

对于案例C_k，k＝1，2…中每一个竖炉状况描述的记录x_i(i＝1，…8)与实际的竖炉边界条件和实时过程数据之间B_i(i＝1，…8)的相似度为：

$\mathrm{sim}(B_i,x_i)=1-\frac{|B_i-x_i|}{\mathrm{Max}(B_i,x_i)},i=1,...8---\left(1\right)$

对于实际的竖炉状况描述X_SF和每一条案例C_k，其相似度为：

$\mathrm{SIM}(X_{\mathrm{SF}},C_k)=\underset{i=1}{\overset{8}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i\mathrm{sim}(B_i,x_{i,k}),k=\mathrm{1,2}...---\left(2\right)$

其中，x_i，k表示案例C_k中的数据记录，ω_i表示竖炉状况描述的加权系数，ω_i满足：

$\underset{i=1}{\overset{8}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i=1.$

5、权利要求2所述竖炉焙烧过程智能优化设定方法，其特征在于所述阈值的确定：

设SIM_max为所有上述求得的相似度的最大值，即： ${\mathrm{SIM}}_{\max }=\underset{k=\mathrm{1,2}\&CenterDot;\&CenterDot;\&CenterDot;}{\mathrm{Max}}\left(\mathrm{SIM}(X_{\mathrm{SF}},C_k)\right),$ 则阈值可通过下式确定：

${\mathrm{SIM}}_v=\left\{\begin{array}{c}V,{\mathrm{SIM}}_{\max }\&GreaterEqual;V\\ {\mathrm{SIM}}_{\max },{\mathrm{SIM}}_{\max }<V\end{array}\right.$

其中阈值V根据每台竖炉的情况由具体工艺或经验确定。

6、根据权利要求2所述竖炉焙烧过程智能优化设定方法，其特征在于所述案例重用是从匹配案例中挑选出具有最大相似度SIM_max的案例并确定其个数Num，

若Num＝1，即具有最大相似度的案例只有一个，设这个案例为C_m，1≤m≤n，记匹配案例数据表中案例C_m的下一个案例为C_k，1≤k≤n，由于匹配案例检索出来的时候按“相似度”、案例存储时间属性值降序排序，所以C_k应具有第二大相似度并且是时间最新的一个，即案例C_m的解为J_m、相似度为SIM_m，案例C_k的解为J_k、相似度为SIM_k，那么当前工况描述M_GK的解J_GK为：

$J_{\mathrm{GK}}=\frac{{\mathrm{SIM}}_m\&times;J_m+{\mathrm{SIM}}_k\&times;J_k}{{\mathrm{SIM}}_m+{\mathrm{SIM}}_k}---\left(3\right)$

若Num＞1，即具有相同最大相似度的案例有多个，不妨设有l，(l＞1，l∈Z)个，假设这些案例C_i，i＝1…l按案例存储时间属性值降序排列为：C₁，C₂…C_l，J₁，J₂…J_l为其相应的解，

那么当前工况描述的解J_GK为：

$J_{\mathrm{GK}}=\frac{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_i\&times;J_1}{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_i}---\left(4\right)$

其中θ_i为本次案例重用的时间加权系数，满足θ₁≥θ₂≥…≥θ_l。

7、根据权利要求2所述竖炉焙烧过程智能优化设定方法，其特征在于所述案例解的修正，是将所有检索得到的解进行求取平均值的计算，得到燃烧室温度、还原煤气流量和搬出时间的初步设定；然后再根据实时过程数据进一步修正，即由当前的燃烧室温度设定T_RSSP，燃烧室的平均温度T_RSAV和两侧的温度T_s和T_n，当前加热煤气流量的设定L_JRSP、实际流量L_JR、压力P_JR和阀开度V_JRKD，竖炉的负压P_LN，加热煤气的热值H_RZ，加热空气流量的设定值L_KQSP、实际流量L_KQ和鼓风机变频器频率F_GF，还原煤气流量的设定值L_HYSP、实际流量L_HY和阀开度V_HYKD进行案例评价与修正。

8、根据权利要求1所述的竖炉焙烧过程智能优化设定方法，其特征在于实施该方法按以下步骤执行：

(A)程序开始；

(B)选择将要进行优化的竖炉；每台竖炉都有其代号，选择其代号就意味着将要对该竖炉进行智能优化；

(C)输入竖炉的边界条件；包括矿石的种类，矿石焙烧难易程度，矿石的粒度等级，搬出机排矿量，以及竖炉的老化程度；

(D)输入期望的磁选管回收率；

(E)取得实时过程数据；即程序从监控机中取得竖炉的实时过程数据，包括：当前的燃烧室温度设定T_RSSP，燃烧室两侧的温度T_s和T_n以及平均温度T_RSAV，当前加热煤气流量的设定L_JRSP、实际流量L_JR、压力P_JR、阀开度V_JRKD，竖炉的负压P_LN、加热煤气的热值H_RZ，加热空气流量的设定值L_KQSP、实际流量L_KQ、鼓风机变频器频率F_GF，还原煤气流量的设定值L_HYSP、实际流量L_HY、阀开度V_HYKD；

(F)进行案例相似度的计算；即通过(1)式计算当前案例与案例库中的案例的相似程度，以及通过(2)式找出相似程度最大的案例；

(G)确定阈值；即确定一个案例库中的案例与当前案例匹配的程度的界限；

(H)案例检索与匹配；从案例数据库中检索出所有相似度大于阈值的案例记录，并记录案例的解，以用于下一步的处理；

(I)案例重用；将上一步的得到的多个案例解进行加权计算，构造成一个新的案例解；

(J)案例解的修正；根据竖炉的实际情况对案例的解进行调整；

(K)磁选管回收率化验值存在？是，进行L；否，转到M；

(L)反馈校正，根据磁选管回收率的化验值和期望值的差异，利用模糊PI方法对燃烧室温度、还原煤气流量和搬出时间进行调整；

(M)前馈校正，根据磁选管回收率的预报值和期望值的差异，利用模糊PI方法对燃烧室温度、还原煤气流量和搬出时间进行调整；

(N)将设定值数据下装；将处理好的案例的解通过DCS传递给竖炉的基础控制回路，对燃烧室温度、还原煤气流量和搬出机搬出时间进行优化设定，

(O)案例的存储与维护；将本次的案例解以及对应的竖炉工况描述最为一个新的案例，加入到案例库中；根据案例记录的时间，定期删除一些很早的案例记录，以减少运算量，

(P)继续优化？是，转到B；否，继续Q；

(Q)结束。

9、根据权利要求8所述的竖炉焙烧过程智能优化设定方法，其特征在于所述步骤(M)包括以下具体步骤：

a)程序开始；

b)前馈或反馈校正？如果是前馈校正，则继续c，如果是反馈校正，则转向d；

c)预报磁选管回收率ε；利用磁选管回收率预报软件对当前情况下对应的磁选管回收率进行预报；

d)输入磁选管回收率ε；

e)|ε-ε₀|＜0.05？如果磁选管回收率的化验值或预报值与磁选管回收率期望值之差小于0.05，则转向j，反之则进行f；

f)计算燃烧室温度控制的比例系数K_Tp(k)，燃烧室温度控制的积分系数K_Ti(k)，还原煤气流量控制的比例系数K_Fp(k)，还原煤气流量控制的积分系数K_Fi(k)以及搬出时间的调整量ΔT_B(k)；

g)计算ΔN_T(k)＝K_Tp(k)Δe(k)+K_Ti(k)e(k)，ΔN_F(k)＝K_Fp(k)Δe(k)+K_Fi(k)e(k)；

h)计算N_T(k)＝N_T(k-1)+ΔN_T(k)，N_F(k)＝N_F(k-1)+ΔN_F(k)，T_B(k)＝T_B(k-1)+ΔT_B(k)；

i)k＜K₀？判断迭代次数是否小于给定值，如果是，则进行j，如果否，则转向c；

j)结束。

Images