基于数据建模的烧结矿成分预测

2012年03月19日11:31:00 本网站我要评论(2)字号：T | T | T

关键字：

商秀芹，卢建刚
中科院自动化所复杂系统智能控制与管理国家重点实验室（筹），北京

浙江大学工业过程控制国家重点实验室，浙江杭州

摘　　　要：为减少烧结矿化学成分和质量波动，采用改进的遗传规划算法ＨＧＰ，建立了２种关键的烧结矿化学成分的预测模型。ＨＧＰ算法利用在初始种群中加入部分机理经验的方式，融合机理和数据分析进行综合建模；采用反馈校正的思想，对模型多次修正，提高模型的精度。实验表明建立的烧结矿化学成分预测模型的有效性。

关　键　词：烧结矿化学成分；预测模型；遗传规划算法

１　引　言
随着我国工业的不断发展，钢铁的需求量越来越大。由于我国是一个贫铁矿国家，国内的钢铁生产企业原料主要依赖进口铁矿石。１９８５年，国内进口铁矿石１０００万吨，之后的铁矿石进口量以每年１４９％的速度增长。２００９年，进口量增为６３亿吨，同比增长４１６％，对外依存度从２００２年的４４％提高到６９％。然而，随着铁矿石价格日渐攀升，国内钢铁企业面临着生产成本提高的压力。面对这一压力，国内大多数钢铁企业采用进口矿和国内铁矿石等多种混合铁矿石为原料的方法。但是，这种方法却加大了铁厂的进料化学成分的波动，不利于稳定生产和节能降耗。烧结过程便是在含铁原料进入高炉之前对其进行预处理，减小高炉进料成分波动，达到改善和稳定进料的目的。实践表明，烧结矿成分稳定对高炉炼铁有重要影响：烧结矿中全铁波动增加０１％，引起高炉减产０３３％－０４０％；烧结矿碱度波动增加００１，高炉减产０２０％－０４０％。为了减少烧结矿化学成分波动，对烧结矿化学成分预测成为亟待解决的问题。烧结过程机理复杂，存在较大滞后，难以精确机理建模。现有的烧结矿成分预测方法主要有神经网络、专检系统、模糊算法、多元回归等方法。文献［１］中采用模糊神经网络（ｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋ，ＦＮＮ）和遗传算法的混合算法，建立了全铁，二氧化硅，氧化钙的预测模型。文献［２］中采用ＢＰ网络建立了烧结过程多目标优化综合模型。由于这类模型多为灰箱模型，其不足为不能反映模型的动态特性。此外，另一些专家学者采用多元回归的方法建立烧结矿成分预测自回归滑动平均模型［３］。由于实际烧结矿成分波动较大，多元回归方法精度不高。为了建立一定精度下的解析模型，本文采用遗传规划算法，并结合部分机理，建立数据与机理结合的混合模型。

登录网站后可下载文件

基于数据建模的烧结矿成分预测

相关阅读: