针铁矿法沉铁过程亚铁离子浓度预测

针对针铁矿法沉铁过程出口亚铁离子浓度离线化验获得,存在很大滞后性,难以实现沉铁过程实时控制的问题,研究反应器出口亚铁离子浓度在线预测方法.本文在分析沉铁过程化学反应机理的基础上,考虑铜离子对反应过程的影响,结合连续搅拌反应器（Continuous stirred tank reactor,CSTR）特性,建立了针铁矿法沉铁过程的机理模型,并提出了基于信息交换的双粒子群搜索算法（Double particle swarm optimization,DPSO）优化选择机理模型的参数,构建基于最小二乘支持向量机（Least squares support vector machine,LS-SVM）的机理模型输出误差的补偿模型,采用并联补集成方式建立了亚铁离子浓度的集成预测模型.工业现场数据验证了所建模型能有效地反映亚铁离子浓度的变化趋势,为针铁矿法沉铁过程的优化控制奠定了基础.     

针铁矿法沉铁过程Fe2+浓度预测建模

针铁矿法沉铁过程中反应器出口的二价铁离子浓度无法在线检测,影响到生产过程的实时优化控制.为此需要建立二价铁离子浓度预测模型,以系统入口参数和控制参数等输入条件为依据,实现预测反应器出口二价铁离子的浓度值.基于化学反应动力学理论与实验研究确立预测模型的结构;对于模型中难以确定的参数,采用蕴含大量工况信息的实际生产数据辨识得到.通过参数输出灵敏度矩阵分析参数模型的敏感度,并将灵敏度信息引入模型参数辨识的目标函数,以提高模型参数的辨识精度.仿真结果表明:预测模型具有较为明确的物理意义,预测结果能很好地跟踪现场生产数据的波动,模型的精度可以满足生产需要.     

湿法炼锌沉铁过程氧化速率优化控制

湿法炼锌沉铁过程针铁矿沉淀形成的条件要求苛刻, 亚铁离子的氧化速率必须控制在合理的范围内才能保证溶液中的铁离子以针铁矿形式除去. 本文在沉铁过程动态模型的基础上, 根据针铁矿沉淀形成的条件和结合流程工艺要求, 优化设定每个反应器出口的亚铁离子浓度, 进而建立针铁矿法沉铁过程氧化速率优化控制模型. 采用控制参数化方法将最优控制求解问题转化为非线性规划, 通过状态转移优化算法求取最优的氧气和氧化锌控制率, 以合理控制沉铁过程亚铁离子的氧化速率. 仿真结果表明, 优化控制模型计算所得的控制量不仅可以保证反应过程的氧化速率符合生成针铁矿沉淀的条件, 而且可以稳定生产流程.     

针铁矿法沉铁过程双层结构优化控制

针铁矿沉铁过程是锌冶炼过程中一个非常重要的环节,其中最重要的是控制氧气添加量,因此本文提出一种针铁矿沉铁过程双层结构优化控制方法.上层定义氧气利用率衡量理论消耗量与实际添加量的差别,以过程氧气利用率最高为目标优化设定级联反应器出口二价铁离子浓度下降梯度,下层以过程氧气消耗最少和出口离子浓度与上层设定值误差最小为优化目标,过程动态模型和工艺条件为约束,求解构造的非线性优化控制问题得到各反应器最优氧气添加速率.为减少不确定性干扰对系统的影响,采用一种模型参数自适应校正的方法对模型参数进行校正保证优化控制器的性能.最后根据过程离子浓度采样值计算过程实际氧气利用率作为上层优化参数重更新反应器出口二价铁离子浓度最优设定值.由于下层优化问题约束多且约束多呈非线性,采用Legendre伪谱法求解下层优化问题.仿真结果表明,所提出的双层结构优化控制方法能实现过程准确控制,减少过程氧气消耗.     

铅锌烧结过程综合透气性的集成预测模型

针对铅锌烧结过程透气性的预测具有模型不确定性和输入变量不确定性等特点,建立了综合透气性智能集成预测模型.首先建立了基于满意聚类的T-S综合透气性预测模型,针对聚类后各子模型结论参数的辨识工作计算复杂、容易陷入局部极值的问题,将混合粒子群优化算法用于这些结论参数的辨识;然后利用灰色理论建立了时间序列综合透气性预测模型;最后利用信息熵技术将2个预测模型进行集成,以获得集成预测模型.选取实际生产过程中100组合格的数据,分别用以上3种预测模型来预测相应的综合透气性,其相对误差的平均值分别为2.1%.3.2%,1.8%.实验结果表明,本文提出的集成预测方法能够有效地克服不确定性带来的影响、提高综合透气性的预测精度.     

一种双种群协同进化算法在湿法炼锌过程中的应用

为了求解针铁矿法沉铁过程的多目标协调优化模型,从提高全局寻优能力和解的精度出发,提出一种基于改进全局搜索量子进化算法和局部搜索差分进化算法的双种群协同进化算法.数值仿真验证了该进化算法具有较好的收敛性和求解精度;典型工况的仿真优化结果表明了该多目标协调优化模型指导实际生产的可行性,以及所提出算法的有效性.     

基于PNN和IGS的铅锌烧结块成分智能集成预测模型

针对复杂的烧结块成分预测问题, 提出一种基于过程神经网络和改进灰色系统的铅锌烧结块成分智能集成预测模型. 首先利用过程神经网络可充分表达时间序列中时间累积效应、灰色系统可弱化数据序列波动性的特点, 分别对烧结块成分进行预测, 然后从信息论的观点出发, 提出一种确定各预测模型加权系数的熵值递推算法, 通过对两个预测模型的预测结果进行加权集成, 获得更加准确的铅锌烧结块成分预测结果. 结果表明, 智能集成模型 的预测精度高于单一预测模型, 能有效地对烧结块成分进行预测, 满足了配料计算对预测精度和数据完备性的     

基于智能融合策略的钴离子浓度预测模型

针对湿法炼锌净化过程中钴离子浓度难以准确检测的问题,提出一种基于智能融合策略的钴离子浓度组合预测模型.首先从提高模型预测精度的角度出发,考虑不同核函数对预测性能的影响,分别建立两个在线支持向量回归子模型,并采用改进粒子群优化算法进行子模型参数寻优;然后通过熵值法智能融合策略建立组合预测模型.仿真实验表明,组合模型具有良好的预测性能,预测效果能满足硫酸锌溶液净化过程中对钴离子浓度值的误差要求.     

基于组合赋权幂指数灰色模型的穿煤层隧道瓦斯预测

为了解决传统煤矿及隧道瓦斯浓度灰色预测模型难以作出动态预测的问题,提出了一种改进的灰色预测模型并提高预测精度。在传统灰色预测模型的灰色作用量为常量的基础上,推导出灰色作用量为幂指数型的改进灰色瓦斯浓度预测模型;提出了加权不同灰色作用量的幂指数型灰色瓦斯浓度预测模型;以都四轨道交通映秀一号隧道瓦斯监控数据为实例,利用该算法预测瓦斯浓度,该算法预测得到的均方根误差最大降低2.829%,平均绝对误最大降低1.207%,并与传统灰色隧道瓦斯预测模型进行对比,实验揭示,该算法可提高瓦斯浓度预测精度,具有较好的预测效果,对矿山瓦斯预警具有一定借鉴意义。     

基于变步长灰色预测的配浆浓度模糊控制研究

在配浆浓度控制过程中,由于其过程参数在生产过程中变化很大,采用常规控制方法不能始终保持最优运行;针对配浆浓度控制过程具有滞后和大干扰等特点,提出一种基于变步长灰色预测的配浆浓度模糊控制算法;该算法根据新陈代谢原理,建立等维新信息预测模型,将预测概念扩展为前向和后向预测,并与模糊控制相结合,以实现配浆浓度的精确控制;实际运行结果表明采用变步长灰色预测算法,能够减少浓度滞后的影响,使得浓度的控制精度和运行速度都得到了较大提高,消除了系统的振荡,完全能满足配浆过程浓度的工艺要求。     

Multi-model ensemble prediction model for carbon efficiency with application to iron ore sintering process

Iron ore sintering is one of the most energy-consuming process in steel industry. Accurate prediction of carbon efficiency for this process is beneficial to energy savings and consumption reduction. Considering the sintering process exhibits strong nonlinearities, multiple parameters, multiple operating conditions, etc., a multi-model ensemble prediction model based on the actual run data is developed to achieve the high-precision prediction of carbon efficiency. It takes the comprehensive coke ratio (CCR) as a metric (index) of carbon efficiency in the sintering process. First, an affinity propagation clustering algorithm is used to realize the automatic identification of multiple operating conditions. Then, different models are established under different operating conditions by using the proposed least squares support vector machine (LS-SVM) with hybrid kernel modeling method. Finally, a partial least-squares regression method is employed as an ensemble strategy to combine the different models to form the multi-model ensemble prediction model for the CCR. The simulation results involving the actual run data demonstrate that the proposed model can predict the CCR accurately when compared with other prediction methods. The results of actual runs show that the coefficient of determination for the proposed model is 0.877. The proposed model satisfies the requirements of actual sintering process and enables the real-time prediction.     

An intelligent integrated optimization system for the proportioning of iron ore in a sintering process

The proportioning of iron ore is the first step of the sintering process. It mixes different kinds of iron ores with coke, limestone, dolomite, and returned sinter to produce a raw mix for the production of qualified sinter. The chemical components and proportions of the raw materials determine the chemical and physical characteristics of the resulting sinter, and thus the quality of the sinter and the amount of SO₂ emissions. The prices of the raw materials and their proportions determine the price of the sinter. In this study, an intelligent integrated optimization system (IIOS) was developed for the proportioning step, which contains two phases: the first and second proportionings. First, the sintering process was analyzed, and the requirements of the proportioning step were specified. Next, an IIOS with two levels (intelligent integrated optimization, basic automation) was built. In the intelligent integrated optimization level, an intelligent integrated optimizer (IIO) produces an optimal dosing scheme. The IIO has three parts: a cascade integrated quality-prediction model, the optimization of the first proportioning, and the optimization of the second proportioning. Computational intelligence methods predict the quality of sinter. Then, the predicted quality indices are fed back to the optimizations of the first and second proportionings to find feasible optimal dosing schemes. The IIOS was implemented in an iron and steel plant. Actual runs show that the system reduced production costs by 43.014 CNY/t and SO₂ emissions by 0.001% on average.     

基于动态聚类的瓦斯浓度高斯预测模型

为了实现准确可靠的瓦斯浓度预测,利用总歪指标取最大值来确定动态聚类的最佳聚类,以此减少不确定、随机因素干扰所引起的预测误差。由于高斯过程回归参数少、易实现,能输出具有较高置信度的置信区间,故利用高斯过程回归进行瓦斯浓度区间预测,并利用微分进化算法来确定高斯过程超参数。将动态聚类算法和高斯回归模型结合,实现了瓦斯浓度的区间预测模型。通过实验对比分析,结果表明该方法能够有效地预测出瓦斯浓度变化趋势,较高斯过程预测模型提高了瓦斯浓度的预测精度。     

Dynamic modeling and optimal control of goethite process based on the rate-controlling step

The iron removal process is an important technology in zinc hydrometallurgy. Due to its complicated reaction mechanism, it is difficult to highly control the performance of process solely relying on manual experience. Therefore, this paper focuses on the dynamic modeling for the goethite process and its optimal control method. In different reactors, different operating conditions will influence the rate-controlling step of process reactions, as well as the kinetic model. We determine the rate-controlling step of reactions in each reactor according to the reaction conditions, and subsequently the dynamic model has been developed based on the rate-controlling step. Then an optimal control method for the goethite process has been proposed, which satisfies the technical requirements with minimal process consumption. The proposed optimal control includes pre-setting of descent gradient of outlet ferrous ion concentration and optimal control of oxygen and zinc oxide. The simulation results demonstrate that the proposed dynamic model exhibits greater performance comparing with the process model without considering rate-controlling step, and the proposed control strategy has a higher satisfactory than the nonlinear model predictive control. Then, the proposed optimal control is validated by the industrial experiment, which the average oxygen and zinc oxide consumptions decreased by 568 m³/day (6.22%) and 3.09 t/day (5.16%) and the qualified rate of outlet ferrous ion concentrations increased by 5.5%, compared with the manual control.     

数据挖掘技术用于间歇蒸馏过程转馏分点的在线预报

对于间歇蒸馏过程,提前准确判断从低馏分到主馏分的转馏分点是影响最终产品质量和产量的关键环节,设计基于数据挖掘技术的转馏分点在线预报软测量系统是一项重要的过程质量控制手段,为提高生产的综合自动化水平创造了重要条件。根据混沌理论,温度能较高程度的反映体系内反应及分离情况,因此选取间歇蒸馏上升气温度为考察变量。针对数据非线性、动态、数据长度短、不同批次数据不等长等特点,提出了将不同批次数据按照随机的顺序首尾相接组成长数据集的数据重构策略;采用自回归求和滑动平均方法和最小二乘支持向量机方法建立了组合时间序列预测模型;通过对理论转馏分温度与实际转馏分温度的差值和预测曲线近似斜率的统计分析,建立了转馏分点在线预报系统,经过在实际生产中的验证,实现了对转馏分点提前1min的准确预报。     

一体化钢铁生产计划系统的研究现状与展望

以钢铁企业生产的背景,叙述了一体化管理在企业管理中的地位,进而综述了钢铁生产工序管理和生产计划理论方法发展趋势,特别指出了生产计划是MES的核心功能,战略管理一体化,多工序一体化和生产计划综合集成方法是今后发展的主要趋势。一体化生产计划应用效果显著,但必须兼顾“目标,管理、技术”三方面问题,研究开发才有成效。