煉焦過程綜合生產目標的智能預測與協(xié)調優(yōu)化研究.pdf

1、作為冶金、機械、化工等行業(yè)的主要原料和燃料，焦炭已廣泛應用于高爐煉鐵、電石、氣化、鑄造和有色金屬冶煉等方面。煉焦生產各個局部過程的穩(wěn)順運行和協(xié)調優(yōu)化直接影響焦炭質量、產量和焦爐能耗等煉焦生產指標。針對煉焦生產過程的非線性、不確定性特點，本文以高產優(yōu)質低耗為優(yōu)化目標，圍繞煉焦過程綜合生產目標的智能預測與協(xié)調優(yōu)化開展研究，取得的研究成果主要包括下述三個方面：
　　 (1)生產指標與過程參數(shù)的關聯(lián)性分析與協(xié)調優(yōu)化結構煉焦生產工況直接影

2、響焦炭的質量、產量以及焦爐能耗，反映煉焦生產工況的過程參數(shù)較多，對煉焦生產指標的影響程度也不相同。本文在剖析煉焦生產工藝機理的基礎上，根據煉焦企業(yè)的生產需要和煉焦生產各個局部過程的控制要求，確定了煉焦過程的質量、產量、能耗等生產指標與過程狀態(tài)參數(shù)，對生產指標、過程狀態(tài)參數(shù)和過程操作參數(shù)之間的關系進行深入的定性分析和基于灰色關聯(lián)分析的定量分析。
　　 基于分層優(yōu)化、分而治之的思想，提出一種基于分層遞階結構的煉焦過程綜合生產目標智能

3、建模與協(xié)調優(yōu)化策略，建立包括協(xié)調優(yōu)化級、優(yōu)化控制級和基礎自動化控制級的三層系統(tǒng)結構，對各層次間的關系及其具備的功能進行了分析和設計，為煉焦生產過程的智能建模與協(xié)調優(yōu)化提供了一種新思路。
　　 (2)煉焦生產指標的智能混合預測模型為實現(xiàn)煉焦生產過程的協(xié)調優(yōu)化，需要對焦炭質量、產量和焦爐能耗等生產指標進行在線準確預測。針對煉焦生產過程的非線性、不確定性特點，基于生產指標與過程參數(shù)的關聯(lián)性分析，建立焦炭質量、產量和焦爐能耗的BP神經網

4、絡預測模型。針對傳統(tǒng)BP神經網絡訓練算法學習效率低、收斂速度慢，易于陷入局部極小的缺點，提出一種基于密度聚類的小生境差分進化算法進行BP神經網絡的訓練。
　　 考慮到煉焦生產工況的波動，以及生產過程的時變和模型不完整性等因素，從提高模型預測性能和自適應能力的角度出發(fā)，提出一種基于滑動時間窗口的BP模型預測性能評估策略，以及有效融合生產指標偏差校正、基于即時學習技術的短時補償校正和BP神經網絡模型參數(shù)校正等三種校正策略的分段校正方

5、法，并深入研究基于即時學習策略的改進加權LSSVM局部建模方法以及動態(tài)加權混合預測方法。通過對BP模型預測性能的有效評估以及基于性能評估的分段校正，使混合預測模型能在生產工況波動時獲得更好的預測性能，實現(xiàn)對煉焦生產指標實時有效的預測。
　　 (3)面向綜合生產目標的協(xié)調優(yōu)化策略為達到高產、優(yōu)質、低耗的協(xié)調優(yōu)化目標，建立以焦炭產量最大、焦爐能耗最小為優(yōu)化目標，焦炭質量為約束條件，各個局部過程的狀態(tài)參數(shù)為決策變量的多目標優(yōu)化模型。在

6、乘子罰函數(shù)法的基礎上，對原目標函數(shù)和乘子罰函數(shù)進行歸一化和論域擴展，并引入擴展的可行域以充分利用好的不可行解信息，提出融合核模糊C均值聚類和多種群差分進化算法的協(xié)調優(yōu)化策略，獲得各個局部過程狀態(tài)參數(shù)的優(yōu)化設定值，將協(xié)調優(yōu)化控制問題轉化為各個過程的局部優(yōu)化控制問題。
　　 由于焦炭質量數(shù)據的非正態(tài)特性，采用非正態(tài)數(shù)據下的多元過程能力分析方法，獲得焦炭質量多元過程能力指數(shù)，并將該指數(shù)與綜合生產指標的經濟性指標和生產率指標作為評價因子

7、，采用可變權重的模糊綜合評價方法對煉焦生產工況進行綜合評價，當評估結果不滿足給定的等級要求時，采用協(xié)調優(yōu)化算法在線調整過程狀態(tài)參數(shù)設定值，從而實現(xiàn)煉焦生產過程運行性能的實時優(yōu)化。
　　 闡述了協(xié)調優(yōu)化策略的實施步驟，并對加熱燃燒過程火道溫度時滯補償模型和煙道吸力優(yōu)化設定模型進行了設計。利用煉焦生產過程實際數(shù)據，對協(xié)調優(yōu)化策略進行仿真研究。仿真結果表明，該協(xié)調優(yōu)化策略能在保證煉焦生產過程穩(wěn)順運行的前提下，實現(xiàn)煉焦生產過程的優(yōu)化運行