铜闪速熔炼优化算法预测模型建立与研究.docVIP

铜闪速熔炼优化算法预测模型建立与研究 　　摘 要：本研究以数据驱动的操作模式优化方法为基础，对当前铜闪速熔炼过程中存在的一些主要问题进行了研究，分析和讨论了机理模型建立过程中出现的相关问题，并相应地给出了数据驱动下的操作模式优化控制框架。建立基于模糊神经网络的模型，将模糊C均值聚类与混沌伪并行遗传算法相结合的匹配算法应用在建模上，实现熔炼过程的优化控制。 　　关键词：铜闪速熔炼；数据驱动；机理模型；遗传算法 　　中图分类号：TF81 文献标识码：A 　　1 基于数据驱动的控制模型 　　（1）数据预处理 　　数据预处理主要包括将实际工业数据中存在的噪声信号和一些人为主观因素引起的不完备信号去除，选取适合生产过程中需要优化控制的数据信息，并对这些处理过的数据，按照相应要求进行归一化等分类和处理。 　　（2）基于数据的指标预测 　　在铜闪速熔炼过程中，很多数据很难得到实时监测，其滞后性会大大影响系统的工作运行。因此，根据其预处理后的数据，应用机理工作模式，建立复杂工业过程中工艺指标的预测模型，之后利用现场数据对模型进行系数数据修正及优化，提高软测量模型的精度和现场适用性。 　　（3）优化操作模式库的形成 　　在不同的生产工作模式下，操作系数也会发生相应的变化，因此建立模型的过程中，要根据不同工作模式下，使用不同的软测量模型，最终形成优化操作数据库。 　　（4）基于操作模式的优化 　　在模型工作过程中，为了保障工艺指标，仅仅设置不同模式下的工艺参数指标还是不能够完全满足实际应用，最优办法是能够对各个参数进行实时调整。因此需要对各个输入影响因子目标及其之间的联系进行分析，做到协调统一，保证整个系统的综合指标最优化。 　　2 基于机理分析的软测量 　　铜闪速熔炼的机理模型是通过对它本身的生产过程进行研究和分析，根据物质和能量的转化，通过一定的数学算法，得到一个由输入和输出组成的数学表达式，即铜闪速熔炼机理模型。在机理模型中，每个系数均具有实际物理意义，但在实际中，由于一些模型结构非常复杂，所以完全精确的机理模型几乎无法得到。因此，系数的获得，就需要做一些相应的数学近似变换，或找出一种有效的拟合方法。 　　建立铜闪速熔炼机理模型主要包括两个步骤，模型的选择和参数的优化。 　　（1）机理模型的选择。在现阶段，使用最多的是建立质量平衡方程和热平衡方程，可是如果实际工作过程中有多种且大量的副产品时，没有准确的监测系统来进行实时监测各项数据，很难建立单个精确的铜闪速熔炼模型。在建立机理模型时，由于各种机理情况的不同，所采用的方程在形式和复杂程度上差异很大。 　　（2）模型参数的辨识与优化。闪速熔炼过程中，入炉物料主要包括：精矿、渣精矿、不定物料、硅酸矿、转炉烟灰、转炉锅炉烟灰、干燥烟灰、锅炉烟灰以及电除尘烟灰等9种含铜物料以及富氧；产物包括：冰铜、炉渣、烟气与烟尘。实际生产中，物料量及热量总是在一定条件下保持平衡的。根据这些参数来建立机理模型需要基于一定的情形假设，因此会导致或大或小的偏差；另外，机理模型中的参数大多取为常数，完全适用于各种环境下较为困难，所以难以保证机理模型的精确性。 　　3 模糊神经网络建模 　　铜闪速熔炼运行过程中包含了反映输入条件及操作参数与三大工艺指标之间关系的信息。由于模糊神经网络的建立是以经验模型为主，所以其具有较强的容错能力，在特定环境导致数学模型不够精确地情况下也可以使用模糊神经网络模型建模。因此，该类模型在非线性和不确定性的复杂工作系统中具有很大的发展潜力。 　　但是，模糊神经网络模型同样也有着它自身的局限性，在针对大时滞、参数分布性和时变性等复杂的机理工业过程中，尤其当训练样本数量不多或很难取到各种工况下的数据量时，仅依赖于模糊神经网络模型难以满足生产需求，所以基于模糊C均值聚类方法的神经网络建模在铜闪速熔炼方面有了可发展空间。 　　4 基于模糊C均值聚类方法的神经网络建模 　　由于建立的模糊神经网络模型，优化操作模式很大，直接搜索较为困难。因此，先采用模糊C均值聚类方法对优化操作模式进行聚类。聚类后的优化操作模式库被分为10个大类，各个类的中心是10个优化操作模式，设为 C1、C2、…、C10，计算各个类的中心Ci与当前输入条件的相似度。当第j个类中心与当前输入条件最相似，则从第j个类中选取与当前输入条件相似度最大的优化操作模式。在实际生产应用过程中，可以使用相似度最大的这种模式应用于铜闪速熔炼控制过程中。本文先任意选取一种模式为初始种群，采用混沌伪并行遗传算法，之后进一步优化操作参数。 　　如图1所示，优化过程中以当前输入条件及操作变量下所获得的综合工况指标S最小为优化目标，对操作变量进行优化，具体步骤如下： 　　（1）选取合适的操作模式中的操作参数为遗传算