（控制科学与工程专业论文）基于预估校正法的大规模优化算法在烧结配料优化中的应用研究.pdf

摘要 烧结矿一直是国内外高炉炼铁的主要原料，烧结矿质量的优劣将 直接影响到炼铁生产的质量、产量及能源消耗。实际生产证明，烧结 配料水平的高低，会直接影响烧结矿的质量和产量，进而影响高炉炼 铁的顺利进行。因此，铁矿石烧结配料对我国的钢铁工业有重要意义。 目前，由于烧结生产过程所用原料数量大，品种多，来源广，粒 度及化学性质极不均一等造成配料过程复杂和配料效果难以评价，以 及现有烧结配料算法存在收敛速度太慢甚至难于收敛、无法保证收敛 到全局最优点等问题。因此，针对以上情况，本文设计烧结配料优化 方案，以及在以下三方面进行了主要研究。 ( 1 ) 采用b p 算法建立神经网络烧结矿质量预测模型预测烧结 矿的铁品位和碱度，同时从选取训练算法和合理的激励函数等方面改 进b p 神经网络，建立精度较高的预测模型，以及基于预测模型和配 料生产经验，采用专家规则确定配料优化模型的化学成分约束范围。 ( 2 ) 建立了烧结配料优化模型，并且采用基于预估校正法的大 规模优化算法作为烧结配料优化算法求解。根据算法需要将配料优化 问题转换为标准的线性规划问题后，详细设计预估校正法的算法思想 和框架，以及从线性规划问题的转换、初始点的设置、迭代停止原则 和主要迭代过程方面介绍了预估校正法的具体实现过程。 ( 3 ) 通过研究步长参数和中心参数，从理论上证明预估校正法 具有多项式时间复杂度和超线性收敛性，以及通过分别采取预估校正 法和其他配料优化算法求解一般工业标准下的一配优化模型和第二 章的优化配料模型的仿真结果表明，在满足烧结矿质量指标要求的条 件下，预估校正法获得的生产成本更低。 关键词：烧结配料过程；b p 神经网络；预估校正法；预测模型；优 化模型 a b s t r a c t t h e r ea r eb u r d e n ，i g n i t i o na n ds i n t e r i n gi nt h em a i np r o c e s so f s i n t e r i n gp r o d u c t i o n ，a n dt h ep r a c t i c a lp r o d u c t i o nh a sp r o v e dt h a tt h e l e v e ro fs i n t e r i n gb u r d e nw i l lm a k ed i r e c ti n f l u e n c eo nt h eq u a l i t ya n d p r o d u c t i o no fs i n t e ra n dt h es m o o t ho p e r a t i o ni ni r o n m a k i n go fb l a s t f u r n a c e t h e r e f o r e ，s i n t e r i n gb u r d e no fi r o no r e si sv e r yi m p o r t a n t i no u r c o u n t r y b e c a u s ec u r r e n t l yr a wm a t e r i a l su s e dd u r i n gs i n t e r i n gp r o d u c t i o n h a v eal o to fs o r t s ，al a r g eq u a n t i t y , a ne x t e n s i v es o u r c e ，d i f f e r e n tp a r t i c l e s i z e sa n dc h e m i c a lp r o p e r t i e s ，e t c ，t h es i n t e r i n gp r o d u c t i o ni sc o m p l i c a t e d a n di ti sh a r dt oe v a l u a t et h eb u r d e ne f f e c t ，a n dt h e r ea l s oe x i s t s p r o b l e m sf r o ms o m eb u r d e na l g o r i t h m st h a th a v ea s l o wc o n v e r g e n c er a t e o re v e nn oc o n v e r g e n c ea n dc a nn o tm a k es u r eo fc o n v e r g i n gt og l o b a l o p t i m a lp o i n te t c t h e r e f o r e ，a i m e da tt h es i t u a t i o na b o v e ，as i n t e r i n g b u r d e no p t i m a t i o ns c h e m eh a sb e e nm a d ei nt h ep a p e ra n di ti sd i s c u s s e d i nt h r e ea s p e c t sa sf o l l o w e d ( 1 ) an e u r a l n e t w o r kp r e d i c t i o nm o d e lh a sb e e nb u i l t b yb p a l g o r i t h mi nt h ep a p e rt op r e d i c tt h ei r o ng r a d ea n da l k a l i n i t yo fs i n t e r ， m e a n t i m e i no r d e rt ob u i l dah i g h e ra c c u r a t ep r e d i c t i o nm o d e l ，t h eb p n e t w o r kh a sb e e ni m p r o v e df r o mc h o o s i n gt r a i n i n ga l g o r i t h ma n dp r o p e r a c t i v a t i o nf u n c t i o n b a s e do nt h es i n t e rc o m p o s i t i o np r e d i c t i o nm o d e la n d e x p e r i e n c e i n s i n t e r i n g b u r d e np r o d u c t i o n ，e x p e r tr u l e sa r eu s e df o r d e t e r m i n i n gt h ec h e m i c a lc o m p o s i t i o nc o n s t r a i n tr a n g eo fo p t i m i z a t i o n m o d e l ( 2 ) ab u r d e no p t i m i z a t i o nm o d e lh a sb e e nb u i l t ，a n di th a sb e e n s o l v e db yt h ep r e d i c t c o r r e c ta l g o r i t h mw h i c hh a sb e e nc h o s e na st h e b u r d e no p t i m i z a t i o na l g o r i t h m i nt h ep a p e rt h eb u r d e no p t i m i z a t i o n p r o b l e mh a sb e e nt u m e di n t oas t a n d a r dl i n e a rp r o g r a m m i n gp r o b l e mt o s o l v et h eo p t i m i z a t i o np r o b l e m ，a n dt h ep r e d i c t c o r r e c ta l g o r i t h mi d e a a n df r a m eh a v eb e e nd e s c r i b e di nd e t a i l ，a n da c c o r d i n gt ot h ea l g o r i t h m i i i i d e a ，t h e r e a l i z a t i o n p r o c e s s o fp r e d i c t - c o r r e c t a l g o r i t h m i n t r o d u c e df r o mt h e a s p e c t s t h a ta r et h el i n e a r p r o g r a m h a sb e e n p r o b l e m c o n v e r s i o n ，i n i t i a lp o i n ts e t t i n g ，i t e r a t i v ec u t o f fp r i n c i p l ea n dm a i n i t e r a t i v ep r o c e s s ( 3 ) i ti sp r o v e dt h e o r e t i c a l l yt h a tt h ea l g o r i t h mh a sp o l y n o m i a lt i m e c o m p l e x i t ya n ds u p e r l i n e a rc o n v e r g e n c eb ym a k i n gr e s e a r c ho nt h es t e p p a r a m e t e ra n dc e n t e rp a r a m e t e r , a n di th a sb e e ns h o w ni nt h es i m u l a t i o n r e s u l t st h a tt h es i n t e r i n gb u r d e nc o s th a sb e e nl o w e ra n dt h es i n t e rq u a l i t y i n d e x e sh a v eb e e nf u l l f i l l e db yt h i sp r e d i c t c o r r e c ta l g o r i t h m w h i c hh a s b e e nm a d ef r o ms o l v i n gt h eb u r d e no p t i m i z a t i o np r o b l e mu n d e rg e n e r a l i n d u s t r ys t a n d a r di nt h ep r i m a r yb a t c h i n gs y s t e ma n db u r d e no p t i m i z a t i o n p r o b l e mf r o mb u r d e no p t i m i z a t i o ns c h e m eb yt h ep r e d i c t c o r r e c t a l g o r i t h ma n do t h e rb u r d e no p t i m i z a t i o na l g o r i t h m s k e yw o r d s ：s i n t e r i n gb u r d e n p r o c e s s ；b a c kp r o p a g a t i o nn e u r a l n e t w o r k ；p r e d i c t i o n - c o r r e c t i o nm e t h o d ；p r e d i c t i o nm o d e l ；o p t i m i z a t i o n m o d e l i v 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢 的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我 共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。 作者签名：逊日期：年月互日 学位论文版权使用授权书 本人了解中南大学有关保留、使用学位论文的规定，即：学校 有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文， 允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内 容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科 学技术信息研究所将本学位论文收录到中国学位论文全文数据库， 并通过网络向社会公众提供信息服务。 中南大学硕士学位论文 第一章绪论 第一章绪论弟一早珀v 匕 2 0 世纪7 0 年代以来，烧结矿一直是国内外高炉炼铁的主要原料。在我国， 烧结矿已占高炉炉料的9 0 以上，因此烧结矿质量的优劣将直接影响到炼铁生产 的质量、产量及能源消耗。配料是烧结的基础，配料效果的好坏直接影响到烧结 矿的化学成分及稳定性，是降低烧结矿的成本和提高烧结矿质量的关键，因此， 铁矿石烧结配料对我国的钢铁工业有重要意义。 本文针对某钢铁企业烧结配料问题，进行烧结配料优化设计与应用研究。本 章简要介绍了课题研究背景与国内外研究现状，并提出课题研究目标。 1 1 研究背景及意义 随着市场竞争的加剧，钢铁工业设备向大型化发展，对原料的要求日益提高。 在我国炼铁界，将高炉炉料的要求概括为“高、熟、净、匀、小、稳”六个字【lj ， 其含义是铁矿石入炉品味高，使用烧结矿等熟料，尽可能筛除小于5 m m 的粉矿， 粒度均匀，粒度小，化学成分稳定。可以说，高炉生产就其指标而论，操作占三 分，精料占七分，所谓的“精料占七分”就代表着“烧结占七分”，因此，高炉原料 性质的改善关键在于要保证有足够的高质量烧结矿。 烧结生产的主要过程有配料、点火与烧结，目前，国内外研究主要是独立地 考虑各个过程的控制问题，并且大多集中在烧结配料控制、点火燃烧控制和烧结 终点控制这三个方面。其中，配料目的为根据烧结过程的要求，将各种不同的含 铁原料、溶剂和燃料进行准确的配料，以获得生产出符合高炉冶炼要求而且成分 相对稳定的烧结。生产实践表明，燃料的波动会影响烧结矿的还原性和强度，烧 结矿含铁量和碱度的波动会引起高炉炉温和造渣制度波动，导致焦比升高，生铁 产量下降，所以配料水平的高低，会直接影响烧结矿的质量和产量，进而影响高 炉炼铁的顺利进行。因此，为了提高烧结矿的质量、产量和降低生产成本，必须 要求烧结配料的矿种配比准确和保证烧结矿化学成分稳定。 在生产中，配料控制主要是根据烧结矿的化学成分要求和各种烧结矿质量指 标来确定各种铁矿石与非铁原料的配比，并对配比进行稳定化跟踪控制，从而获 得符合要求的烧结混合料。然而，因为烧结配料中存在多种不确定性和复杂性， 如参与配料的物料种类繁多，同种物料的成分不稳定，配料数学模型的建立比较 中南大学硕士学位论文第一章绪论 复杂，配料工艺复杂，现场环境恶劣复杂等问题。近年来，随着国民经济的高速 发展，烧结生产技术虽然达到了一定水平，烧结矿产量不断增长，但是在质量、 效益、环保等方面同国家的要求存在很大差距。因此，对配料过程进行有效控制， 进而保证烧结生产全流程的优化运行，是提高钢铁工业的质量、产量和能源消耗 的重要途径之一。 1 2 国内外研究现状 本节首先介绍当前烧结配料系统的实施情况，然后着重介绍烧结配料监控级 的国内外研究情况，主要包括烧结矿化学成分预测和配比优化控制，最后介绍线 性规划算法的研究情况。 ( 1 ) 配料控制系统 配料控制系统方面，由于配料过程固有的特点，以往的配料系统多采用智能 仪表控制器进行简单的称量积算和p i d 调节，功能简单，控制准确度低，管理功 能弱，可靠性不高；大部分烧结厂的配料过程仍是手工配料，物料的调整也是依 靠生产经验来进行人工调整。但是，近年来随着烧结机自动化程度的不断提高， 很多钢铁厂都开始实施配料自动控制，并且取得了显著的效果。 代表我国烧结生产计算机控制最高水平的宝钢、武钢计算机控制系统，实现 了烧结过程局部环节的定值控制和过程监控：配料矿槽、返矿槽、混合料槽及铺 底料槽料位管理与控制，原料配比控制，以及混合料水分控制等【2 1 。 其他钢铁厂在配料控制系统的建设方面也同样出色。例如，莱钢新区烧结厂 的2 # 2 6 5 m 2 烧结机配料自动控制系统采用三电一体化( e i c ) 控制方式，选用施耐 德公司的m o d i c o nt s xq u a n t u m 系列控制系统，操作系统为w i n 2 0 0 0 ，编程软 件为c o n c e p t 2 6 ，监控软件为m p 7 2 ，对主要工艺生产线进行自动控制，为烧 结机的顺利投产、快速达产起了重要的作用。优化控制系统方面，在确立输入、 输出信号后建立控制模型，并确定其工艺控制关系，提高了矿槽存量、随时调 整熔剂( 石灰石、白云石、生石灰) 上料量等控制水平和控制精度【3 1 。 ( 2 ) 配料控制和配比优化 在烧结矿配料控制研究方面，目前国内外大部分烧结厂主要是通过控制原料 场和配料系统来实现对烧结矿化学成分的前馈控制【2 1 。国外比较成功地实现烧结 矿化学成份控制的是日本，例如日本住友金属公司针对烧结矿化学成分预测问 题，开发了烧结矿化学成分控制系统，根据物料平衡原理建立了烧结矿化学成分 2 中南大学硕士学位论文 第一章绪论 预报模型，根据预报成分和目标成分的偏差，计算混合料最佳配比，达到了稳定 成分的目的1 4 j 。 在国内，张军红等人【5 】采用b p 神经网络建立了烧结矿质量预测模型，预测烧 结矿氧化铁( f e o ) 含量和碱度( r ) 指标，并且采用遗传算法针对这两个输出变量， 对输入因素进行筛选，从1 0 多个参数中选择料层厚度、机速、废气温度、混合料 粒度和混合料温度等作为f e o 预测模型的输入值，选择料层厚度、机速、主管负 压、混合料二次水和混合料温度作为碱度预测模型的输入值，隐含层节点采用自 构造学习算法分别确定为8 个和9 个，并且经过生产数据测试表明，网络模型具有 较好的泛化能力，对未知样本具有较高的正确识别率。 针对钢铁企业烧结配料的实际情况，吴敏等人【6 】以混合料的铁品位、二氧化 硅( s i 0 2 ) 和氧化钙( c a o ) 作为输入，分别以烧结矿铁品位和碱度作为输出建立了两 个基于b p 神经网络的烧结矿成分预测模型。当预测结果不合理时，采用专家规 则修改混合料成分指标直到满足要求为止，然后采用合理的混合料成分指标来指 导配料操作。实际生产表明，该预测模型能够比较准确地描述烧结配料过程，构 筑的专家规则可以有效地调整配比。 结合钢铁冶金、计算机和人工智能等多学科知识，刘代飞等人【7 】研究了配料 方案与烧结矿产质量指标之间的关系，针对配料数据库中数据的特点，以烧结工 艺参数和配料方案作为输入，以产质量指标作为输出，从附加动量法、变学习速 率法、遗传混合训练和合理选择激励函数等方面改进了b p 丰申经网络，建立了配 料模拟模型，模型的预报命中率均达到了8 5 以上。 孙文东【8 】采用数据模型与知识模型相结合的方法，以原料参数作为输入，建 立基于时间序列和神经网络的烧结矿化学成分预报模型，并用区间命中率来评价 预报模型的准确度，其中时间序列模型采用遗忘因子算法，神经网络模型采用线 性再励自适应学习率方案和选择自构形学习算法确定网络结构。同时基于实时生 产数据，采用烧结碱度与铁品位双优化以及区间优化的控制策略，建立基于专家 系统的烧结矿化学成分控制系统，实现了烧结矿化学成分的闭环控制。 在配比优化研究方面，由于铁矿石烧结的原料来自国内外不同的产地，每一 种原料都有其不同的化学、物理特性和可变特点，如何有效地对这些原料进行混 合，并且使生产成本最低，从而提高生产效益是配料需要不断探索的问题之一。 针对以上问题，国内外大部分烧结厂从技术要求和经济效益两方面综合考虑烧结 配料的最佳经济性问题，建立线性规划模型，包括建立目标函数和确定化学成分 和库存等约束条件，然后采用不同的优化算法获得最佳配比。 中南大学硕士学位论文第一章绪论 吕学伟等人【9 】通过运用线性规划法、蒙特卡洛法和遗传算法对相同的烧结配 料问题进行优化，并对结果进行了分析，从最终结果、求解效率、易用性等方面 比较了3 种方法的优劣，仿真结果表明运用遗传算法得出的配料方案成本最低， 线性规划法次之，蒙特卡洛法最高，并且由于考虑到变量和约束条件有继续增加 的可能，线性规划法在处理大规模配料问题时将会遇到困难。 欧阳奇等人【lo 】指出烧结配料要满足低成本( 经济性) 、优良的烧结性能( 工艺性) 最终成品烧结矿具有优良的冶金性能( 指标) 三项要求，以及将不同品位的烧结矿 成本按某一品位折算为可比成本，以成本作为优化目标函数，以现有原料结构参 数作为输入参数，以必要的烧结工艺性能要求和烧结矿质量要求及原料资源量等 作为约束条件建立了线性规划模型，采用单纯形法得出在现有资源条件下的最优 配比。 王炜等人i l l 】首先根据线性规划法的思路，以烧结矿成本最低为目标，根据烧 结矿品位、碱度、硫和磷的含量等要求以及原料资源量等确定约束条件，然后利 用神经网络模型预测烧结矿的性能指标，依据其结果调整线性规划的约束条件， 再采用单纯形法对烧结所用铁矿粉进行优化配料，从而得到满足烧结矿质量要求 的最佳配矿比，最后采用v c 编程实现了上述优化模型和预测模型，为梅山钢铁 公司开发了烧结配料系统，实际生产证明，按照模型配料，每吨烧结矿可以节约 成本5 1 7 1 元。 李凯斌【i2 】将原料的成本作为目标函数，采用化学成分、烧结矿碱度、各原料 用量非负约束和所有原料总量约束作为约束条件，建立配料优化模型，以及采用 差分进化算法求解，通过仿真证明该算法相比于其他的优化算法寻优能力更强， 并且由于差分进化算法容易实现，控制参数少，是一种较实用的计算方法。 ( 3 ) 线性规划优化算法 根据配料的国内外研究现状表明，大多数钢铁厂采用线性规划模型作为配料 优化模型，以及一直在寻找更好的优化算法来得出最优配比，降低生产成本。因 此，本文从研究线性规划算法着手，寻找适合烧结配料的优化算法。 1 9 4 7 年，g e o r g e 1 3 】首次提出线性规划及其著名算法单纯形( s i m p l e x ) 法， 此算法虽然是求解线性规划问题的有效方法，但是k l e e 和m i n t y l l 4 j 构造的例子指 出单纯形法的时间复杂性有可能为指数型，即随着问题的规模越来越大、复杂性 越来越高，算法计算时间呈指数型增长。直到1 9 8 4 年，k a 姗a r k a r 【1 5 】提出了求解 线性规划问题的一种多项式算法，才使得线性规划问题在算法上实现了真正的突 破，并且开创了内点算法的研究阶段，尤其对大规模线性规划问题，当约束条件 4 中南大学硕i 二学位论文 第一章绪论 和变量数目增加时，内点算法的迭代次数变化较少，这些算法不仅从理论上比椭 球算法【1 6 j 拥有更好的算法复杂度，而且在实际计算方面也优于单纯形算法。 为了更好地解决大规模线性规划问题，19 8 7 年m o n t e r i r o 和a d l e r 结合原始一 对偶法( p r i m a l d u a li n t e r i o r - p o i n tm e t h o d ) ，对线性规划算法进行改进，提出了原 始一对偶内点法并证明该原始一对偶内点法具有多项式时间复杂性，迭代次数为 0 ( i 上) 阶为决策变量数，三代表最终结果的求解精度) 【1 7 彩】。原始一对偶内点法 大致上可分为可行内点法( f e a s i b l e i n t e r i o r - p o i n t ) 和不可行内点法( i n f e a s i b l e i n t e r i o r - p o i n t ) 两种，并且在实际应用中不可行内点法具有更高效率。其中，基于 预估校正( p r e d i c t o r - c o r r e c t o r ) 思想的不可行内点法大多都具有0 ( 万) 的时间复杂 | 生1 2 6 - 2 8 ，且大量的测试结果表明在实际应用中性能较其他内点法更优2 9 , 3 0 】。在学 术界引起较大反响的有m e h r o t r a 预估校正法( m e h r o t r a ，1 9 9 2 ) t 2 6 1 ，m i z u n o 预估校 正法( m i z u n o ，1 9 9 4 ) 2 8 】以及p o t r a 等提出的不可行预估校正内点法【2 7 j 等。经过十来 年的完善和发展，目前已知的最佳时间复杂度为o ( 石) ，女i j p e n g 等采用了一种自 调节近似函数( s p e c i f i cs e l f r e g u l a rp r o x i m i t yf u n c t i o n ) 来确定校正步长搜索方向 【3 1 】，其时间复杂度为o ( 石l o g ( ，z ) ) ；余谦等提出了一个具有o ( 石) 迭代复杂性的 预估校正法，它通过在预估步中尽量减少对偶间隙，而在校正步中将迭代点限制 在一个较窄的领域内的途径来实现 3 2 1 。随着原始一对偶内点法理论基础的逐渐完 善，其应用研究也不断发展，用来解决现实生活存在的多种大规模规划问题，如 过程系统( 石油、化工、钢铁等行业) 的最优化问题【3 3 4 3 1 。 1 3 研究目标与研究内容 研究现状表明，目前大多数烧结厂采用线性规划模型，采用单纯形法等求解 烧结原料配比，并且相继应用神经网络和专家系统等智能技术指导配料操作并取 得了一定的成效。但是由于烧结过程的高度复杂性，矿源繁多且成分波动频繁， 影响因素多且可测量信息有限，目前普遍采用的线性规划算法全局寻优的能力以 及烧结矿化学成分神经网络预测模型预测精度有待进一步提高。 因此，本文以某钢铁企业为研究背景，以实现烧结配料优化系统为研究目标， 采用现有的检测手段，综合运用多种建模方法，在保证烧结矿质量指标的前提下， 提高烧结矿产质量，降低生产成本。本文主要进行的研究工作包括以下几个部分： ( 1 ) 为了实现烧结配料优化系统，需要设计一个合理的系统方案，该方案 既需要满足烧结矿产质量指标，又必须保证配料成本最低。 ( 2 ) 为了满足烧结矿产质量指标，需要建立烧结矿质量预测模型，以及采 中南大学硕士学位论文 第一章绪论 用合理的建模方法提高预测模型的精度，并且根据配料生产情况以及预测模型， 采用专家规则不断地调整配料方案，直到满足指标要求为止。 ( 3 ) 为了实现在满足产质量指标和库存约束条件下，配料成本最低，需要 建立配料线性规划模型，并且采用优化算法获得配比。 ( 4 ) 为了保证烧结配料成本最低，需要将配料方案与其他优化算法求出的 结果进行比较，通过仿真证明选取的优化算法合理。 1 4 论文构成 本篇论文的后续章节安排如下： 第二章首先简要介绍烧结配料生产的工艺流程，分析目前某钢铁企业烧结配 料生产过程所存在的问题，并根据生产需求，提出根据质量指标来指导烧结配料 的总体方案。该方案采用神经网络以混合料化学成分为输入建立烧结矿铁品位和 碱度的预测模型，以及分别以生产成本最小为目标函数，烧结原料库存、中和矿 或者混合料化学成分为约束条件建立一配和二配优化模型。 第三章描述烧结矿质量预测模型的建立和专家规则调整过程，包括从选取训 练算法和合理的激励函数等方面改进b p 神经网络，建立精度较高的预测模型， 当预测输出不达标时，采用专家规则调整预测模型输入直到达标为止。然后根据 预测模型的输入，采用专家规则确定一配和二配优化模型的化学成分约束范围。 第四章叙述基于预估校正法的大规模优化算法的设计与实现以及仿真运行 结果。首先简要介绍选择该算法的原因，然后从问题的转换，算法主要框架、步 长参数和中心参数的选择以及步长计算过程等方面详细介绍了该算法设计内容， 以及通过研究步长参数和中心参数从理论上证明该算法具有多项式复杂性和超 线性收敛性，再从线性规划问题的转换、初始点的设置、迭代截止原则和主要迭 代过程等方面介绍了算法的实现过程，最后通过对烧结配料生产数据进行仿真表 明，预估校正法与其他优化算法相比能获得较低的生产成本。 第五章对全文进行总结，展望以后可以进行的研究工作。 中南火学硕士学位论文第二章配料优化方案 第二章配料优化方案 配料是烧结的重要工序之一，配料的好坏，直接影响到原料使用成本，以及 烧结矿的化学成分及稳定性，进而影响到钢铁生产的质量。为了配料合理，就必 须在了解原料在烧结过程中所发生的变化及其对烧结矿成品的定性和定量的影 响的前提下，根据配料的工序和配料的矿种设计一个很好的配料优化方案，使得 烧结矿的质量符合生产要求。因此，本章首先简要介绍烧结配料工艺及优化过程， 分析烧结配料优化需求，进而提出一种包含烧结矿质量预测模型和配料优化模型 的配料优化方案，最后简要介绍了该预测模型和优化模型。 2 1 烧结配料及优化过程分析 烧结就是将含铁粉状料或细粒料进行高温加热，在不完全熔化的条件下烧结 成块的过程。其中，配料是根据高炉对烧结矿的产品质量要求( 主要是碱度、含 铁量、f e o 含量和m g o 含量等) 及烧结原料的化学性质，将各种原料按一定比例 进行配加的工序。 由于配料过程复杂和配料效果难以评价，为了更好地指导配料操作，在低成 本下很好地达到烧结矿的产质量指标要求，下面详细介绍和分析烧结矿配料过程 及其常用的配料方法和下料方式。 2 1 1 烧结配料过程分析 如果配料发生偏差，烧结生产会产生波动，从而使得返矿量增加，烧结燃料 消耗上升、烧结矿成分波动等，因此，配料要求配比合理、料量稳定，即要求将 烧结矿的化学成分控制在允许的范围内，整个配料过程见如图2 1 所示。 在烧结生产中，首先根据需要将配料所需的铁矿石、石灰石、白云石等各种 原料在原料场中进行处理，如破碎、筛分以及化验获取原料的化学成分，存放在 专门的仓库中；然后为了获得合理的配料比例，必须经过配料计算，即根据各种 原料的化学组成及对烧结矿成分的要求来计算各种原料的配比，再按烧结机的处 理量来确定他们的给料量；最后通过下料设备以人工方式或者程序控制方式，将 他们按照给定的给料量形成不含返矿的混合料。由于经济和环保的考虑，将配好 的混合料加入返矿、灰尘和水进行混合，再通过布料和点火操作等工艺形成烧结 矿，完成了烧结配料的操作。 7 中南大学硕士学位论文第二章配料优化方案 精矿，富矿粉 石灰石，白云石碎焦，无烟煤 高炉灰，轧钢皮 排入大气上高炉矿槽 图2 1 烧结配料工艺流程图 2 1 2 配料优化过程分析 配料计算以物料平衡为原则，以降低生产成本和满足烧结矿成分的要求为目 的，根据两步配料法分为两个阶段计算各种原料的配比：为了在降低铁矿石成本 的同时获得符合指标要求的中和矿，在一次配料过程( 简称一配) 中，主要根据铁 品位计算获得各种不同产地、不同品位的铁矿的配比；为了在降低熔剂和燃料成 本的同时获得符合烧结矿碱度指标要求的混合料，在二次配料过程( 简称二配) 中，主要根据混合料中氧化钙与二氧化硅之l l ( 表示为c a o s i 0 2 ) ，计算获得中和 矿、烧结后的返矿、熔剂和固体燃料等的配比。 下料是指根据一二配的要求，首先将处理后的各种原料加入到各自的指定槽 中，再将所有原料按照一定的比例加入到混合配料槽，经过混匀后形成混合矿， 中南大学硕t ：学位论文第二章配料优化方案 再送入烧结机的过程。 常用的传统下料方式是靠人工通过丝杠调节下料仓门的开度大小或手动调 节圆盘给料电机的转速来控制下料量，下料量的多少依靠人工反复“跑盘”确定。 为了精确控制配料，新建的烧结厂采用质量配料法下料，即采用定量圆盘给料机 ( 带有电子皮带秤和转速可调的圆盘给料机) 或带电子秤的胶带给料机，先将电子 皮带秤给出称量皮带的瞬时送料量信号输入到调速圆盘自动调节系统中，该系统 的调节部分根据给定值和电子皮带秤测量值的偏差自动调节圆盘转速以达到给 定的料量，实现配料控制。该方法配料精度高，而且可以连接全厂的计算机实现 烧结生产的自动控制。 根据烧结配料的生产工艺和优化过程可知，正是由于烧结所用原料数量大， 品种多，来源广，粒度及化学性质极不均一等造成配料过程复杂和配料效果难以 评价，因此，必须在满足烧结矿质量指标要求下，针对配料原料的化学性质和生 产成本进行配料优化，以便获得较低的配料生产成本，为企业节约资金。 2 2 配料优化方案 为了满足烧结矿质量指标、烧结配料所需物质的供应量和保证烧结矿成本最 经济，本文根据钢铁厂具体的烧结原料设计配料优化方案。下面将该方案分为总 体框架、烧结矿质量预测模型和配料优化模型三个方面进行详细介绍。 2 2 1 总体框架 为了在达到烧结矿质量指标的原则下指导配料过程，该方案采用逆向思路求 解配料优化问题，即根据质量指标来指导烧结配料，最终确定配料原料的配比， 具体见图2 2 。 在图2 2 中，首先根据混合料和烧结矿的化学成分历史数据，建立较高精度 的烧结矿质量预测模型，分别在该预测模型中输入混合料化学成分的上下限，通 过模型获得当前烧结矿的化学成分预测值，以保证该预测值符合烧结矿质量指标 要求为指导原则，符合该原则便将模型的输入变量即混合料化学成分的上下限保 留，否则结合烧结生产知识和专家规则修改混合料化学成分的上下限，直到获得 符合要求的混合料化学成分的上下限为止；然后根据混合料化学成分的上下限， 采用专家经验确定中和矿化学成分约束；再以中和矿成本最小为目标，将确定的 中和矿化学成分和铁矿石的供应量作为约束条件，建立一配优化模型获得各种铁 矿石配比和中和矿生产成本，和以混合料成本最小为目标，将已确定的混合料化 9 中南大学硕士学位论文第二章配料优化方案 学成分、熔剂和燃料的供应量作为约束条件，建立二配优化模型获得中和矿、熔 剂和燃料比配比：最后，将各种铁矿石、中和矿、熔剂和燃料比的配比组成优化 配矿方案，以及根据各种配比计算实际混合料化学成分，代入烧结矿质量预测模 型，获得烧结矿的化学成分预测值，如果符合要求则将各种配比用于配料生产。 图2 2 烧结配料优化方案 l o 中南人学硕上学位论文第二章配料优化方案 2 2 2 烧结矿质量预测模型 由2 1 1 的分析可知，由于铁矿石在烧结过程中所表现出的行为和性能极其 复杂，因此不同的配料方案将导致不同的烧结性能。为了保证烧结矿质量，需要 找出配料方案与烧结矿质量指标之间的内在关系，建立烧结矿质量预测模型，通 过预测烧结矿质量选择合适的配料方案。 根据实践经验可知，由于影响烧结矿化学成分稳定的主要因素是原料，而从 原料下料到烧结成烧结矿，再经过冷却、整粒，到给出烧结矿化学成分的化验结 果，需要长达几个小时的时间响应，所以要稳定烧结矿化学成分，必须使用准确 的模型，对烧结矿化学成分进行提前预测，使得预测模型有实际生产指导意义。 一般说来，建立模型的方法可分为机理分析法和数据分析法。由于在烧结设 备和工艺参数一定的情况下，烧结矿的产质量指标主要是由铁矿石的基础特性如 物理特性、化学性质和微观结构等决定，同时生产实践表明，一种铁矿石的烧结 性能，是其各种基础特性综合作用的结果。因此，很难用机理模型来描述它们之 间的关系。因为烧结实验数据中蕴含着原料与产质量指标之间的关系，所以可以 将烧结配料过程看作一个灰箱系统，采用数据分析法，通过研究系统的输入、输 出数据，建立它们之间的关系来表征烧结配料生产过程。数据分析法分为回归分 析法、时间序列分析法以及神经网络建模法。 由于将人工神经网络用于预测烧结矿化学成分，可以避开复杂的数学建模过 程，实现预报系统输入参数与化学成分预报值的非线性映射，即不需要知道输入 输出之间存在着怎样的数学关系，只需要通过给定输入，就可以得到输出；并且 由于神经网络的自适应、自学习能力还可以跟踪系统的动态变化；所有定量或定 性的信息都等势分布存贮于网络内的各种神经元及其连接权中，故神经网络有很 强的鲁棒性和容错性；同时根据研究发现，采用传统的数据分析建模解决的各种 实际问题，几乎都可以用神经网络技术来解决，以及许多传统的数据分析建模不 能解决的问题也可以用神经网络技术来解决。因此，本文采用神经网络建立预测 模型。 烧结矿的性能评价包括机械性能、还原性、软化性、碎裂性能、入炉料性质、 粒度组成和化学成分等方面，由于烧结矿化学成分包括铁( t f e ) 、碱度( r ) 、二氧 化硅( s i 0 2 ) 、氧化钙( c a o ) 、氧化镁( m g o ) 、氧化铁( f e o ) 、三氧化二铝( a 1 2 0 3 ) 、 硫( s ) s u 磷( p ) 等，一般情况而言，烧结矿中的s 和p 一般不超标，a 1 2 0 3 未作为 日常检测项目，所以烧结矿化学成分主要考虑t f e 、r 、s i 0 2 、c a o 、m g o 和f e o 。 由于烧结矿含铁品位对机械强度和冶金性能均有影响，烧结矿的碱度对烧结 中南大学硕士学位论文 第二章配料优化方案 矿的机械性能、还原性、碎裂性能等有比较明显的影响，据国内外生产实践表明， 烧结矿含铁品位由士1 0 降n + o 5 ，高炉系数升高2 ，焦比降1 o ，碱度波 动由士1 0 降n + 0 0 5 ，高炉系数提高2 5 ，焦比降1 3 1 4 4 1 ，因此本文将烧结矿 含铁品位和碱度作为烧结矿的性能评价指标。此外，由于每种铁矿石的配比调整 不仅会影响几种成分的含量，而且会影响其它的原料配比，各原料配比的修改往 往会产生诸多矛盾的结果以至无法搜索出最理想的配比方案，因此在许多实际生 产过程中，计算各种原料的配比时，只考虑烧结矿铁品位和碱度两项指标【4 5 】。 根据以上原因，本文分别以烧结矿含铁品位和碱度作为输出建立两个神经网络模 型。 模型输入参数的选择主要考虑影响烧结矿各成分的因素以及其数据能否被 检测和采集。研究实践证明，烧结矿化学成分各指标的稳定主要受原料参数的影 响，很多文献采用原料参数来反映烧结矿化学成分变化。由于受检测设备的限制， 原料参数主要有各种原料的配比、下料量和化学成分，综合表现为混合料的化学 成分。由于t f e 、s i 0 2 、c a o 和m g o 在烧结过程不变，所以烧结矿成分的主要 影响因素是混合料中相应的成分，因此采用混合料中的t f e 、s i 0 2 、c a o 和m g o 作为输入参数，表示为t f e b 、s i 0 2 b 、c a o b 和m g o b 。 如图2 3 所示，在模型输入端，采用混合料的成分化验值u ，烧结过程的输 出端采用烧结矿的成分化验值y ，神经网络的输出为烧结矿的成分预测值。以烧 结过程作为指导，向神经网络提供期望输出，两者的误差作为训练信号。待神经 网络训练达到一定的精度时，以此精度的神经网络来替代烧结过程，直接提供烧 结矿成分预测值用于生产指导。具体内容将在第三章进行详细描述。 图2 - 3系统体系结构图 当预测结果与烧结矿质量指标相差较大时，为了稳定烧结矿化学成分和避免 配料比出现大的波动，本文根据预报成分和目标成分的偏差，采用专家规则修正 混合料成分指标，直到获得满足烧结矿质量指标要求的混合料成分指标的最大值 和最小值为止，具体内容见第三章。 中南人学硕士学位论文 第二章配料优化方案 2 2 3 配料优化模型和优化算法 为了在满足烧结矿质量指标和配料原料供应量的约束条件下，得到成本最低 的优化配矿方案，需要建立配料优化模型和采用全局寻优算法进行求解。下面分 为优化模型和优化算法两部分描述配料优化过程。 ( 1 ) 优化模型 通常某些钢铁厂将一配和二配看成一个过程，即采用一个优化模型来解决问 题。毫无疑问，这使得模型建立简单和操作方便，但是由于一配主要是为了保证 铁元素含量合理，二配主要是为了保证碱度达标，一个为物理过程，另一个为化 学过程，将两者混合，就意味着在一个优化模型中，既要保证铁元素合理，又要 保证碱度达标，这将很可能使得该优化问题由于约束条件过于严格而导致最终无 解，即使有解也很难保证是一个最优解。因此，为了更加深刻地了解一配和二配 之间的关系，为了增大优化模型有解的可能性，为了方便当优化模型无解时采用 专家修正规则分别修正一配和二配的约束条件直至模型有解为止，本文按照两步 配料法分别建立一配和二配优化模型。 具体而言，由于烧结所用的矿石品类繁多、各种矿石所含化学成分和使用成 本差异较大，因此对于给定的中和矿和混合料成分指标，存在着多种不同的配料 方式。本文为了降低成本和节约能源，以经济成本最小为优化目标，以每种矿的 用量为决策变量，以满足一般工业标准对配料的要求为约束条件，建立线性规划 优化模型。其中，一配优化模型以铁矿石成本最小为优化目标，以铁矿石库存和 中和矿的铁含量、氧化钙和二氧化硅等为约束条件，具体描述见式( 2 1 ) ( 2 6 ) ； 二配优化模型以混合料成本最小为优化目标，以除铁矿石以外的其他配料原料的 库存和混合料的碱度和铁含量等为约束条件，具体描述见式( 2 2 ) 。 1 ) 一配优化模型目标函数 f ( x 1 ，x 1 9 ) = 3 1 4 x l + 2 9 6 x 2 + 2 9 0 x 3 - i - 2 9 2 x 4 + 2 9 0 x 5 + 2 7 8 x 6 + 3 5 5 x 7 + 2 5 8 x 8 + 2 5 0 x 9 + 2 5 7 x l o + 2 2 8 x l l + 2 7 7 x 1 2 + 2 4 7 x 1 3 +( 2 1 ) 3 2 2 x 1 4 + 3 2 3 x 1 5 + 3 7 0 x 1 6 + 116 5 x 1 7 + 8 9 7 4 x l s + 3 0 5 x 1