竖炉焙烧过程的多变量智能优化控制

合集下载

提高选矿焙烧竖炉台时产量的方法

提高选矿焙烧竖炉台时产量的方法
李博超;田开慧
【期刊名称】《甘肃冶金》
【年(卷),期】2012(034)001
【摘要】竖炉焙烧生产过程是选矿生产过程的一个重要生产环节,在保证了焙烧矿质量的前提下提高竖炉台时处理能力具有更大的意义.本文指出了提高焙烧竖炉台时产量的一些方法.
【总页数】2页(P108-109)
【作者】李博超;田开慧
【作者单位】酒泉钢铁集团公司企业发展处,甘肃嘉峪关735100;酒泉钢铁集团公司选烧厂,甘肃嘉峪关735100
【正文语种】中文
【中图分类】TF046.2
【相关文献】
1.不断改进的酒钢选矿厂竖炉焙烧工艺 [J], 姜华
2.酒钢选矿厂竖炉焙烧自动控制系统的应用 [J], 王旭伟;王素玲;赵大勇
3.酒钢镜铁山竖炉焙烧矿选矿工艺优化研究 [J], 崔进兵;陈铁军;周仙霖;罗艳红;刘伟;陆启财
4.镜铁山铁矿石还原焙烧竖炉燃烧控制分析研究 [J], 李广文;刘长东
5.100m^3还原焙烧竖炉入炉矿石粒度组成应用研究 [J], 刘长东
因版权原因，仅展示原文概要，查看原文内容请购买。

竖炉配料自动化控制系统改造

竖炉配料自动化控制系统改造
卢秀红
【期刊名称】《山东冶金》
【年(卷),期】2014(000)001
【摘要】针对山钢股份莱芜分公司炼铁厂8 m2竖炉配料设备自动化程度低、配料精度差等问题，通过实施技术改造，更新配料秤、变频器、振打电机、现场操作箱、控制电缆等设备，并对新设备和配料自动控制系统进行安装调试，实现了自动精确配料，提升了竖炉配料自动化水平，提高了球团矿的产量和质量，矿石成本由1025元/t降为1012元/t。

【总页数】3页(P58-60)
【作者】卢秀红
【作者单位】山钢股份莱芜分公司炼铁厂，山东莱芜271104
【正文语种】中文
【中图分类】TP325
【相关文献】
1.应用DCS系统实现球团竖炉自动配料控制 [J], 张健
2.基于DSP的竖炉球团配料烧结控制系统浅析 [J], 王季
3.莱钢8m2球团竖炉配料自动控制系统 [J], 房振发;张义兵
4.减量秤在宣钢炼铁厂四号竖炉配料系统中的应用 [J], 龚雅琴;王莉
5.电子皮带秤在竖炉配料控制系统中的应用 [J], 王政; 王震淮
因版权原因，仅展示原文概要，查看原文内容请购买。

竖炉焙烧的特点

竖炉焙烧的特点PLC控制系统在竖炉焙烧中的应用1概述焙烧系统是将造球系统通过生球筛分后的合格10~16mm的球形生料，通过竖炉内部干燥、预热、培烧、冷却过程，生成具有良好冶金性能的含铁球团，供高炉冶炼使用。

自动化软件配合硬件系统，完成整个系统的在线监视、控制、安全保障等工作。

软件编制遵循安全、可靠、先进的原则，以期在生产中最大限度的保障设备及人员的安全，设备动作联锁可靠，人员干预及时，以及先进的控制思想的引入运用。

2系统控制说明现场设备有三种控制方式：本地操作、远程手动、远程自动。

本地和远程操作通过现场操作箱上的“本地/远程”转换开关控制。

远程手动、自动操作通过主控室OS（操作员站）操作界面模拟开关控制，远程操作方式必须在现场操作箱上的选择开关位于“远程”位置时才能有效。

远程手动分解锁手动和联锁手动两种方式。

该操作除了与设备本身电气回路硬联锁和软件中的启、停超时保护有关外，还与上下游设备运行状态联锁。

启动时，流程内下游相邻设备必须是“运行”状态；停止时，流程内上游相邻设备必须是“停止”状态。

远程自动是正常生产时采用的操作方式，流程内设备按照程序自动顺序启、停，设备之间联锁保护，最大限度的保证安全生产，防止误操作发生。

3控制流程设置（1）流程启动。

满足启动条件后，按下OS操作界面上焙烧流程“流程启动”按钮，主流程设备动作时序如下：警告铃响（延时30）――电振热矿给料机（延时5）――齿轮卸料机启动。

（2）流程停止。

满足停止条件后，按下OS操作界面上焙烧流程“流程停止”按钮，设备停车时序如下：齿轮卸料机停止（延时时间根据电振热矿给料机排空时间确定）――电振热矿给料机停止。

4仪表控制竖炉焙烧系统包含大量仪表，操作人员通过监视仪表数据判断设备工况。

4.1仪表监视按照仪表类别有下列主要仪表提供给操作人员监视：竖炉炉膛内温度、外燃室温度、煤气温度、电机定子温度、风机轴承温度、振动、冷却水流量、压力、助燃风、冷却风、煤气流量、压力、润滑油压力等。

阳极焙烧温度的建模与多变量解耦控制

ｄｃｉｅｉｔｖｍｏｄｌ．ｎｅｅｓＡｗｐｒｄｉｔｖｅｆｅｃｉｕｎｃｉｎｄｃｐｌｎｇｏｒａｇｏｉｈｍｆｒｈＭＩＯｓｔｍｓｓｒｐｏｅＩｈｂｅｎｐ— ｔｏｅｏｕｉｃｎｔｏｌｌｒｔｏｔｅＭｙｓｅｉｐｏｓｄ．ｔａｓｅａｐｌｅｉｄｔｔｅｏｈｍｕｌｉｒａｅｒｄｃｉｅｕｎｃｉｎａｄｃｐｌｎｇｏｎｒｆｒｈｅｎｏｂａｎｔｍｐｅａｒＴｈｅｉｕｌｔｏｔｖａｉｂｌｐｅｉｔｖｆｔｏｌｅｏｕｉｃｔｏｌｏｔａｄｅｋｉｇｅｒｔｅ．ｓｍａｉｎａｐｒｃｕｎｄａ—
ＣｏｕｅｇｎｅｉｇａｄＡｐｌａｉｎ，００４（６：４ — ４．ｍｐｔｒＥｎｉｅｒｎｎｐｉｔｓ２１，６２）２１２４ｃｏ
Ａｂｓｒｃｔａｔ：ＡｎｏｄｂａｎｇｅｐｒｔｅｙｓｅｉａｅｋｉｔｍｅａｕｒｓｔｍｓｎＭＩＯｃｎｔｏｌｙｓｅＭｏｒｓｔｍｗｈｉｈｃｈａｃｏｓ —ｏｕｉｓｒｓｃｐｌｎｇ，ｉｅｄｌｙｎｄｔｍ — ｅａａｎｏｉｅｒｔｎｌｎａｉｙ．Ｉｎｏｒｅｔｃｏｔｏｌｄｒｏｎｒｂａｎｇｈｅｅｐｅａｕｒａｕｒｔｌｔｅｅｏｏｄｅｐｌｔｍｅｋｉｔｔｍｒｔｅｃｃａｅｙ，ｈｓｃｎｄｒｒｕｓｉｄｅａｌｙｃｎｔｏｌｏｌｆｈｅｎｏｂａｉｇｏｒｍｄｅｏｔａｄｅｋｎ

竖炉焙烧过程的智能设定模型

竖炉焙烧过程的智能设定模型严爱军;黄晓倩【摘要】为了改善多目标评价案例推理设定模型在竖炉焙烧过程控制中的性能,运用注水原理分配过程变量的权重和群决策修正方法对多目标评价案例推理设定方法进行改进,得到一种新的智能设定模型.首先引入注水原理构造Lagrange函数对过程变量的权重进行优化分配,再通过案例检索和案例重用得到设定值的建议解,并根据多目标评价模型预测建议解对生产指标的影响效果,最后,对不合理的设定值进行群决策修正.将得到的设定模型应用于竖炉焙烧过程控制中,通过实验测试和对比应用说明了本文方法优于其他方法,能够有效提高多目标评价案例推理设定模型的控制性能.【期刊名称】《控制理论与应用》【年(卷),期】2015(032)005【总页数】7页(P709-715)【关键词】竖炉;智能设定;多目标评价;案例推理;群决策【作者】严爱军;黄晓倩【作者单位】北京工业大学电子信息与控制工程学院,北京100124;北京工业大学数字社区教育部工程研究中心,北京100124;北京工业大学计算智能与智能系统北京市重点实验室,北京100124;北京工业大学电子信息与控制工程学院,北京100124;北京工业大学数字社区教育部工程研究中心,北京100124;北京工业大学城市轨道交通北京实验室,北京100124【正文语种】中文【中图分类】TP273竖炉焙烧是选矿过程的一个重要子过程,焙烧过程所使用的原料比较常见的有球团矿和赤铁矿两种,其中,赤铁矿竖炉焙烧是为了改善对弱磁性赤铁矿矿石的分选效果,采用竖炉预先对矿石进行高温还原磁化焙烧,使弱磁性矿物变成强磁性矿物的一个过程[1].对于该过程的优化控制来说,已经证明,单纯的回路稳定控制难以实现产品质量、产量、能耗等生产指标的优化控制,还须对影响生产指标的关键被控变量进行合理的设定[2].由于竖炉焙烧过程的机理复杂,呈现出多变量、非线性和强耦合特征,建立精确的机理设定模型比较困难[3].于是,关于该过程设定建模的研究就显得尤为重要[4].对涉及到影响生产指标的关键被控变量的设定问题,实质上就是针对输入(当前的工况信息及过程数据)和输出(被控变量的期望值)建立设定模型的问题.从设定方法及建模的研究现状来看,一般需从实际对象的特点出发,考虑诸多内因及外因,然后采用合适的建模方法.不论采用何种方法,最核心的问题还是如何保证设定值的合理性,即所谓的优化问题.由于优化设定技术的重要性,许多专家学者在设定方法及应用方面进行了大量的研究工作[5–9].其中,基于机理模型的设定方法取得了不同程度的应用成效,但对难以获得精确数学模型的过程建模来说,还须寻求其他方法.借助于人工智能技术来实现优化设定任务是该领域的一个研究热点[10].例如,将机理模型和专家模型结合,并辅之以动态校正等手段保证设定值的优化[11].然而,典型的智能技术比如人工神经网络或专家规则存在训练样本或专家规则难以获取的问题,这限制了其进一步的应用.由于案例推理(case-based reasoning,CBR)方法可以避免这些缺陷[12],利用发生过的经验案例进行推理得到设定值的过程相对容易,并显示出应用潜力,因而得到了广泛关注[2–4].针对竖炉焙烧过程关键被控变量的优化设定问题,由于其机理模型难以建立,为了实现变量的自动设定并改进传统CBR设定模型的准确率,本文将注水原理(water-filling theory,WFT)和群决策(group decisionmaking,GDM)思想引入到案例推理过程,在对过程变量的权重进行注水法分配(water-filling based weight allocation,WFA)和设定值的合理性进行多目标评价(multi-objective evaluation,MOE)的基础上,实现设定值的GDM修正(group decision-marking revision, GDMR).通过竖炉焙烧过程的工业应用例子,检验了本文得到的权重WFA 分配法和修正设定值的GDMR方法的有效性,与竖炉焙烧过程现有设定方法的对比结果说明了该方法具有应用优势.赤铁矿竖炉焙烧过程的主要目的是将进入竖炉的弱磁性铁矿石加热至1100◦C左右,然后在一定温度下(570◦C左右)与CO或H2发生还原反应,从而变成强磁性铁矿物.该过程一般可划分为4个子过程,即给矿、燃烧加热、还原反应和冷却搬出,如图1所示.通过竖炉焙烧工艺过程的机理分析,关键被控变量主要有燃烧室温度、还原煤气流量和搬出时间,实现它们的稳定控制对焙烧矿的质量、产量、能耗等生产指标的优化控制有着重要意义.但是单纯的回路稳定控制并不能满足生产需求,还须对燃烧室温度、还原煤气流量和搬出时间进行合理的设定.由于各回路的设定值与众多输入变量的关系是一个结构参数未知的多变量非线性过程,难以建立准确的机理模型,可用下面的时变函数描述[2]:其中:输出变量y1–y3分别表示燃烧室温度、还原煤气流量和搬出时间的设定值;输入变量x1–x7分别表示还原带温度、加热煤气量、加热空气量、加热煤气压力、炉膛负压、还原煤气压力和加热煤气热值.从式(1)可以看出输出变量互相耦合,合理的设定值很难通过机理计算的方法得到,所以,必须寻求先进的优化设定方法来实现. 由于CBR方法基于人的认知心理,无需建立对象准确的机理模型,通过输入输出变量的特征值就可以推理得到关键被控变量的设定值,这些优点使得它在具有综合复杂性的竖炉焙烧过程的设定建模中已取得应用成效.图1虚框部分给出了求取设定值Y的MOE&CBR设定模型[2]的结构原理,其中的案例检索环节通过计算待求解的目标案例X与案例库中源案例的相似度,从中寻找最相似案例,重用设定解并经过MOE模型的评价,如果生产指标的控制效果不理想则通过基于规则的案例修正(rulebased case revision,RBR)来对设定值进行调整,经过调整后的设定值送入竖炉焙烧过程控制系统参与控制,同时作为新的案例存储于案例库中,供下次的设定求解.该模型存在的主要问题有:一是推理模型中过程变量的权重由领域专家给出,带有一定的主观性;二是RBR方法的规则难以获取.这些问题的存在,使求解精度达不到要求,因此,限制了CBR方法在设定建模中的进一步使用,必须对现有的设定模型进行改进,以提高其推理性能.本节首先给出了智能设定模型的结构与功能,然后对设定模型的算法实现进行了描述,包括案例检索、WFA模型、MOE模型和GDMR模型的具体实现方法.3.1 结构与功能(Structure and functions)在图1所示MOE评价模型的框架下,采用WFT方法分配过程变量的权重,得到分配权重的WFA模型,并将GDM思想用于案例解的修正过程,从而得到一种新的智能设定模型,如图2所示.由WFA模型、案例检索、MOE模型和GDMR模型等部分组成.这种新的设定策略沿用了文献[2]设定模型中的MOE评价功能,可以对生产指标的控制效果进行事前预测,以评价设定值的合理性,改进之处在于:采用客观计算的WFA方法替换了以前依靠领域专家主观确定权重的方法,而且在修正环节中嵌入GDM思想,可以避免RBR方法难以获取修正规则的缺陷.具体的设定功能如下所述. 案例库中存储的是过去设定的实例,即源案例,当式(1)中的过程变量x1–x7组成的目标案例X输入至模型后,需要给出式(1)中设定值Y=(y1,y2,y3).通过案例检索和重用得到设定值的建议解,利用MOE模型对设定值的使用效果进行预测与评价后,一般有两种结果出现:一是效果理想则直接使用;更为常见的是效果并不理想,此时不宜直接使用,需对建议解适当调整和修改,即经过GDMR模型修正后进入过程控制系统使用,最后,将当前状态X下的设定值Y存储于案例库中,用于下一次的设定求解. 3.2 算法实现(Implementation of the algorithm)根据图2所示的模型结构及功能,下面给出案例检索、WFA模型、MOE模型、GDMR模型等关键环节的实现算法.3.2.1 案例检索(Case retrieval)从CBR的求解过程来看,首先要将案例库中的源案例用适当的方法进行表示,即所谓的案例表示,它是推理求解的基础.从竖炉焙烧过程采集到的过程变量x1–x7均为连续变化的实参数,采用特征值描述法表达该过程的设定案例.将每条源案例Ck(k=1,2,…,p)表示为如下的二元组形式:其中:p是案例总数;Xk和Yk分别是源案例的问题描述(这里称过程变量集)和源案例的解答(这里称被控变量的设定值),可分别表示为根据“相似问题具有相似解”的认知假设,检索阶段模仿了人类的回忆和类比推理思想:将新的过程参量集,即目标案例X与源案例的问题描述Xk进行对比,找到相同或相似度高的问题描述,相应于Xk的结果Yk就是检索出的建议解.下式为计算目标案例X与每一条源案例Xk的相似度:其中ωi是第i个输入变量的权重,表示各变量在设定过程中对设定结果的贡献度大小.从式(5)可见,X与Xk的相似度计算结果受两方面因素的影响,一是X与Xk中各属性值的距离,值越接近,说明X与Xk越相似,这一点为定值计算,无需调整;二是各变量的权重分配情况会影响X与Xk的相似性.权重的不同组合对相似结果会产生不同影响.下文将详细讨论权重的分配问题.3.2.2 WFA模型(WFA model)采用WFT原理[13],将信道功率的优化分配机制应用于案例属性权重的分配中,提出一种基于WFT的权重分配方法(WFA).权重分配是否合理由下式决定:式中:R为权重分配的合理性指标(对应于WFT中信道功率分配的容量最大化指标);αi表示第i个变量的重要程度(对应于WFT中信噪比的高低),即案例库中第i个变量与被设定变量的相关程度,可通过计算其相关系数来确定.权重的约束条件为为了合理分配权重,按WFT的求解思路构造Lagrange函数[13].将式(6)和式(7)结合起来,得到如下的Lagrange函数:其中λ是Lagrange算子.式(8)表示满足式(7)的约束条件时,求得的权重满足式(6)的合理性指标R.对第i个输入变量的权重求偏导后得到可解得各变量所分配到的权重,考虑到式(7)中的约束条件,权重计算公式为其中:[Z]+表示0和Z的最大值;ε为门限值,根据式(7)中的约束条件,用下式确定其大小:式(10)表明,权重的分配受变量的重要程度影响,它对应的大,分配到的权重就大.由此,得到了满足式(6)和式(7)的权重分配合理化的算法.3.2.3 MOE模型(MOE model)根据图2所示新的设定模型的结构,引入MOE模型[2],实现焙烧矿质量、产量及能耗等生产指标的预测.若这些指标满足生产的要求,则说明设定值是合理的,由此建立一种设定值合理性的事前评价机制.由于反映煤气消耗量的能耗指标与加热煤气、还原煤气的消耗量直接相关,同时会受到燃烧室温度和还原煤气流量设定值的影响;焙烧矿质量则受燃烧室温度、还原煤气流量和搬出时间设定值的影响;产量预测模型相对简单,主要受搬出时间的影响.由此列写出下面的关系表达式:其中:I1–I3分别表示煤气消耗、产品质量以及产量的预测值;其他符号的意义参见式(1)说明.具体算法可参见文献[2]的介绍.通过式(12),可以掌握未来生产指标的实现情况,若指标值比较理想,说明设定值是合理的,反之,则需要修正这些设定值.3.2.4 GDMR模型(GDMR model)从认知科学的角度看,修正环节体现出人类所具备的逻辑思维与创造性思维.由于案例修正是CBR系统中较难实现的一个步骤,已经成为案例推理系统设计中的一个研究热点和难点问题[14].对建议解进行修正的方法目前一般是根据相关的领域知识和用户的具体要求来进行修正,还没有通用性的案例修正方法.本文从问题求解的客观性出发,引入GDM理论[15]对案例修正环节进行设计.在案例检索环节,按式(5)计算出p个相似度后,通用的做法是设定一个相似度的阈值simv∈(0,1],假设p个相似度中大于simv的案例个数为m,重新标记这些案例的相似度分别为s1–sm,相应的设定结果共m组,分别为Y1–Ym,可表示为借鉴GDM思想,将上述的m组设定结果视为m个决策专家,期望设定结果为组设定结果的总误差是由此计算每一组设定结果的可信度,定义可信度为λj越大,表示第j组结果的误差越小,可信度就高.从GDM角度来说,表示该决策专家的权威性越大.利用群基数效用函数的构造思想,可以通过每一组设定结果的可信度对目标案例的设定建议解进行GDM修正:基于上述,即可实现关键被控变量设定值建议解的修正.为了验证本文方法的有效性和实用性.将根据上述算法编制的设定程序在某选矿厂竖炉焙烧过程进行了实验测试和对比应用研究.竖炉焙烧过程控制系统的软硬件平台仍然为文献[2]中介绍的系统.为了让设定程序投入运行,需要事先完成过程参量的初始化、案例库的构成、过程变量的权重确定、相似度的阈值选择等.首先对过程变量集中的各变量进行初始化,即归一化处理,将每个变量的特征值都被映射到[0, 1]区间;其次构建设定案例库,按照式(2)所示的案例表达方式组成案例库.根据长期的生产实践,总结了用于设定的一些源案例,共180条记录,将其存储于案例库中.案例库中的第1条源案例是这样构成的:式(3)所示的问题描述是(0.2345,0.3258,…, 0.1950),式(4)所示相应的设定解是(1089,567,6.5),其他源案例的建立过程与此类似;最后根据式(8)–(11)中各变量的权重依次定为(0.27,0.16,0.11, 0.08,0.07,0.06,0.25),并设相似度的阈值simv= 0.9.4.1 有效性测试(Efficiency test)着重考察新的设定模型能否根据过程变量的状态变化自动计算控制回路的设定值.观察过程变量在60s内的变化情况(采样周期为1s),还原带温度x1、加热煤气量x2和加热煤气热值x7的实时变化情况如图3所示(其他过程参量处于动态稳定之中,为观察清晰,省略其曲线).图中:还原带温度x1呈缓慢下降趋势;加热煤气量x2和煤气热值x7均呈增加态势.按焙烧工艺要求,需对控制参数进行调整,否则会影响焙烧矿的质量.设定程序运行后,可得到燃烧室温度y1、还原煤气流量y2和搬出时间y3的新设定值,如图4所示(纵坐标零刻度分别对应y1,y2和y3的初值).可以看出,燃烧室温度y1的设定值维持不变,还原煤气流量y2的设定值增加约2.5%,搬出时间y3的设定值减少近10%.做出这种调整符合焙烧工艺机理的要求:当还原带温度x1下降时,一般要求搬出时间y3的设定值减少,并增加还原煤气流量y2的设定值,这样可以保证焙烧矿的充分还原,使得质量指标保持稳定.燃烧室温度y1的设定值维持不变的原因是,当还原带的检测温度x1下降时,设定程序已将还原煤气流量y2的设定值增加,在这种情况下,即使不对燃烧室温度y1的设定值更新也不会影响焙烧矿的质量.从上述可以看出,图2所示的设定模型能够对过程变量的变化作出响应,实现设定值的自动调整,并且符合焙烧工艺的机理要求,说明了模型的有效性.4.2 对比效果分析(Comparative analysis)设定模型采用传统的均权重CBR设定法记为MA,基于规则的权重分配(RBA)及规则修正(RBR)设定法记为RBA&RBR,遗传算法分配权重(GAA)和RBR修正设定法记为GA&RBR,本文WFA分配权重及GDMR修正设定法记为WFA&GDMR.对焙烧矿的单位时间产量(t/h)、质量(%)及每吨焙烧矿所消耗的能源(GJ/t)等指标的控制效果参看8天内的统计值变化情况,如图5–7所示.图5是单位时间产量的统计值对比,可以看出,本文的WFA&GDMR法虽然第6天的产量与RBA &RBR相比不占优势,第3天和第5天比GAA& RBR方法要低,但8天的产量平均值最高.图6是焙烧矿质量指标的统计值对比,可以看出,本文提供的WFA&GDMR法虽然在第4天时的质量与RBA&RBR相比不占优势,在第3天比GAA& RBR方法要低,但在8天内的平均水平最高.图7是能耗指标的统计值对比,可以看出,本文提供的WFA&GDMR法虽然在第2天和第7天时的能耗比RBA&RBR要高,在第3天和第6天比GAA &RBR方法要高,但在8天内的能耗平均值最低.根据8天内的统计数据,表1给出了这段时间内各指标的平均值对比结果.WFA&GDMR法的应用相比MA法、RBA&RBR法和GAA&RBR法来说,焙烧矿的单位时间产量分别提高了1.92t/h, 0.79t/h和0.32t/h,焙烧矿的质量指标分别提高了0.81%,0.26%和0.09%,每吨产品的能耗指标分别下降了0.11GJ/t,0.03GJ/t和0.02GJ/t.对比实验说明MA设定法在没有修正环节的参与时,指标情况最差,采用RBA或GAA分配权重和RBR修正后,指标有了改善,而本文的WFA分配权重与GDMR修正法的配合使用比前者的性能又有所改进.本文对竖炉焙烧过程的CBR多变量设定模型进行了改进,在设定值合理性的多目标评价基础上,改进了变量权重的分配方法,设计了群决策修正模型对设定值进行调整,通过应用对比,注水法分配权重及群决策修正方法的参与,避免了专家定权及修正的缺陷,说明本文的智能设定方法能够有效提高多目标评价设定模型的性能.然而,从实际运行效果来看,还不能达到每天的生产指标均有良好的控制效果,说明本文的方法还有改进的空间.后续的研究重点则是变量权重的动态更新及群决策修正的自适应问题,以增强设定模型的准确性,适应性和鲁棒性.这也说明,将CBR技术用于生产过程的控制时,不仅要对过程机理进行深入分析,掌握其特征,而且要对CBR的学习机理进一步探索,促使其学习能力不断提高.严爱军(1970–),男,博士，副教授,目前研究方向为过程建模与控制、人工智能及应用,E-mail:*****************.cn;【相关文献】[1]严爱军,柴天佑,王普.基于参量预报的磁选管回收率智能优化控制[J].控制理论与应用,2008,25(5):908–912.(YAN Aijun,CHAI Tianyou,WANG Pu.Intelligently optimizing control of magnetic-tube-recovery-rate(MTRR)based on variable prediction[J].ControlTheory&Applications,2008,25(5):908–912.)[2]YAN A,CHAI T,YU W,et al.Multi-objective evaluation-based hybrid intelligent control optimization for shaft furnace roasting process[J].Control EngineeringPractice,2012,20(9):857–868.[3]CHAI T,WU F,DING J,et al.Intelligent work-situation fault diagnosis and fault-tolerant system for the shaft-furnace roasting process[J]. Proceedings of the Institution of Mechanical Engineers,Part I:Journal of Systems and Control Engineering,2007,221(6):843–855.[4]CHAI T,DING J,WU F.Hybrid intelligent control for optimal operation of shaft furnace roasting process[J].Control Engineering Practice,2011,19(3):264–275.[5]CHAI T,ZHAO L,QIU J,et al.Integrated network-based model predictive control for setpoints compensation in industrial processes[J]. IEEE Transactions on Industrial Informatics,2013,9(1):417–426.[6]DIRKSZ D A,SCHERPEN J M A.Power-based setpoint control:experimental results on a planar manipulator[J].IEEE Transactions on Control Systems Technology,2012,20(5):1384–1391.[7]HERNANDEZ-DEL-OLMO F,GAUDIOSO E,NEVADO A.Autonomous adaptive and active tuning up of the dissolved oxygen setpoint in a wastewater treatment plant using reinforcement learning[J].IEEE Transactions on Systems,Man and Cybernetics Part C: Applications and Reviews,2012,42(5):768–774.[8]GUERREROJ,GUISASOLAA,VILANOVAR,etal.Improvingthe performance of a WWTP control system by model-based setpoint optimization[J].Environmental Modelling and Software,2011,26(4): 492–497.[9]罗小川.钢水到达时间扰动下连铸机二冷过程设定值的优化方法[J].控制理论与应用,2012,28(11):1291–1300.(LUO Xiaochuan.Optimization for set-point values in secondary cooling process with disturbance on job arriving time[J].Control Theory&Applications,2012,28(11):1291–1300.)[10]乔景慧,周晓杰,柴天佑.水泥生料预分解过程智能优化设定控制[J].控制理论与应用,2011,28(11):1534–1540.(QIAO Jinghui,ZHOU Xiaojie,CHAI Tianyou.Intelligent optimalsetting control for cement raw meal pre-calcining process[J].Control Theory&Applications,2011,28(11):1534–1540.)[11]WANG W,LI H X,ZHANG J T.A hybrid approach for supervisory control of furnace temperature[J].Control Engineering Practice,2003,11(11):1325–1334.[12]AMODT A,PLAZA E.Case-based reasoning:foundational issues, methodological variations,and system approaches[J].AI Communications,1994,7(1):39–59.[13]LUO B,CUI Q,WANG H,et al.Optimal joint water-filling for coordinated transmission over frequency-selective fading channels[J]. IEEE Communications Letters,2011,15(2):190–192.[14]HENRIET J,LENI P E,LAURENT R,et al.Case-based reasoning adaptation of numerical representations of human organs by interpolation[J].Expert Systems with Applications,2014,41(2):260–266.[15]YUE Z.Approach to group decision making based on determining the weights of experts by using projection method[J].Applied Mathematical Modelling,2012,36(7):2900–2910.。

磁化焙烧竖炉[实用新型专利]

专利名称：磁化焙烧竖炉专利类型：实用新型专利发明人：刘启贤
申请号：CN87210786申请日：19871125
公开号：CN87210786U 公开日：
19880817
专利内容由知识产权出版社提供
摘要：目前普遍采用的磁化焙烧竖炉，虽然经过不断改进，技术经济指标有所改善，但仍有不足之处。

为此对这种竖炉进一步改进。

在还原剂喷出塔下部增加增磁段，矿石流经此段时，使过还原的FeO变成FeO。

并能产生氢气。

结果可提高产品合格率约5％。

金属回收率提高约5％。

精矿产量增加约25kg/t。

能耗降低约0.04GJ/t。

焙烧矿成本降低约20％。

申请人：冶金部鞍山黑色冶金矿山设计研究院
地址：辽宁省鞍山市胜利路119号
国籍：CN
代理机构：辽宁专利事务所
代理人：陈福昌
更多信息请下载全文后查看。

竖炉焙烧过程生产质量监控系统

竖炉焙烧过程生产质量监控系统
吴峰华;岳恒;柴天佑
【期刊名称】《东北大学学报（自然科学版）》
【年(卷),期】2007(028)007
【摘要】针对竖炉焙烧过程的质量指标磁选管回收率难以实时在线测量问题,基于RBF神经网络与专家系统提出了由磁选管回收率预报模型和生产质量诊断模型构成的竖炉焙烧质量监控系统.经过现场检验,该系统能够准确实时地预报磁选管回收率,并能够对生产质量进行诊断,提出合理的参数调整方法以避免不合格产品的出现.磁选管回收率提高2%,产品合格率提高了50%,有效地保证了竖炉焙烧过程的生产质量.
【总页数】4页(P913-916)
【作者】吴峰华;岳恒;柴天佑
【作者单位】东北大学,流程工业综合自动化教育部重点实验室,辽宁,沈阳,110004;东北大学,流程工业综合自动化教育部重点实验室,辽宁,沈阳,110004;东北大学,流程工业综合自动化教育部重点实验室,辽宁,沈阳,110004;东北大学,自动化研究中心,辽宁,沈阳,110004
【正文语种】中文
【中图分类】TP206.3
【相关文献】
1.竖炉焙烧过程的智能设定模型 [J], 严爱军;黄晓倩
2.竖炉焙烧过程运行优化控制系统的开发及实验研究 [J], 周平;代伟;柴天佑
3.基于精简并发潜结构映射的竖炉焙烧过程综合故障诊断 [J], 刘强;秦泗钊
4.竖炉焙烧过程METSIM动态模拟 [J], 卢绍文;丁进良;刘琳琳
5.钒钛磁铁矿焙烧竖炉操作参数对传热过程的影响 [J], 骆旭峰;张晟;孙用军;董辉因版权原因，仅展示原文概要，查看原文内容请购买。

53生产全流程多目标动态优化决策与控制一体化理论及应用

引文［4］引用了代表性论文［2］。新加坡国家RFID中心主任
(National RFID Centre) Lee Eng Wah教授提出该项目组“提出了一种改进的差分进化算法，采用嵌入增量机制和实时事件出现时前一差分进化求解过程的最终种群生成新的初始种群”。原文："They proposed an improved differential evolution(DE) algorithm by embedding an incremental mechanism to generate a new initial population for the DE whenever a real-time event arises, based on the final population in the last DE solution process代表性论文［2］入选了ESI高被引论文。
（2）第三方对科学发现2的评价［代表性论文1,2,3］
引文［3］引用了代表性论文［3］。澳大利亚New South Wales大学Ruhul Sarker教授指出该项目组提出的智能优化算法“对28个无约朿问题算例进行了测试，结果表明它的性能优于最先进的算法”。原文:“Th亡algorithm was tested on 28 unconstrained problems, with the results demonstrated that it was superior to state-of-the-art algorithms"o代表性论文［3］入选了ESI高被引论文。
2019
项目名称
生产全流程多目标动态优化决策与控制一体化理论及应用提源自单位教育部提名意见
（不超过600字）

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

在线对控制回路的设定值进行自动调整而实现优化控制．将提出的方法应用于国内某大型选
矿厂竖炉焙烧过程，实现了综合生产指标的优化控制，取得显著应用效果．
优化关键词竖炉焙烧，综合生产指标，多变量，智能控制，中图分类号Ｔ２Ｐ９
ＭｕｔａｉｂｅｔｌｇｎＯｔｚｎＣｎｒｌｐｏｃｆｒａｔｌｖｒｌＩｅｌｅｔｉｉｇｔｏＡｐｒａｈＳｆｉａｎｉｐｍｉｏｏｈＦｒａｅａｔｇｏｅｓｕｎｃＲｏｓｉＰｃｓｎｒ
ＳｐｒｂｈＮｉａＦｎａｅｔｌｅｒｒｇａｏ．ｈｎ（０２Ｂ１２１，ｉａＮｔｒｌｏｔｄｔｅｔｎｌｄｍｎａＲｓａｃＰｏｒｍＰＲＣｉａ０Ｃ３２０）Ｎｔｎｌｕａｕｐｅｙａｏｕｅｈｆ．２ａｏａＳｉｅＦｎａｉｏ．ｈｎ（５４１）ｔｅｄｆｒａｉＲｅｒｈｕｓ．ｈｎｃＫｙｕｄｔｎＰＲＣｉａ０３００，ＦｎｓＣｅｔｅｓａｃＧｏｐｏＰＲＣｉａｃｎｅｅｏｏｆ．６ｈｕｏｒｖｅｒｆ．（０１０）ａｄＰｇａｆＣｎｊｎＳｏｒａｄｏａｉＲｅｒｅｍｎｖｓｙ０２）２０３，ｔｅｏｒｍｒａｇｉｇｈｌｓＩｎｖｔｅｓａｃＴａａＵｉｒｔ（Ｔ４１６５ｎｈｒｏｈａｃａｎｎｖｅｈｔｅｉＩＲ
ｉＭＴＲｈｕ＇ｙｌａｄｎｕｅｇ．ｅｐｉｓｃｎｒｌｐｏｔｅｃｓｎｇＲ，ｒｉｄｃｓｍｄＴｓｏｔｏｏｔｌｓｈｐｏｅｏｓｅｎｏｓａｈｅｎｆｏｏｔｏｆｒｓ
ａｅｊｓｄｌｅｔｍａｉｌａｃｒｉｇｔｅｇｔｄｔｇａｅｐｏｕｔｎｉｓｒａｕｔｏｉａｏｔａｙｏｄｎｔｈｔｒｅｅｉｅｒｔｄｄｃｉｉｄｃｄｅｎｎｕｃｌｃｏａｎｒｏｎｅａｄｉｉｓｏｎａｙｄｉｓｓｔｅｉｚｇｔｌｃｉｅ．ｅｐｓｎｖｒｔｎｏｂｕｄｒｃｎｉｏ，ｈｏｔｉｃｎｒｉａｈｖｄＴｐｏｏｅａａｏｆｏｔｎｏｐｍｉｎｏｏｓｅｈｒｄ
ｃｎｒｌｏｔｚｔｎｏｔ，ｉａｉｏｐｍｉｏ１国家重点基础研究规划项目（０Ｃ３２０）国家自）２２Ｂ１１０２，然科学基金重点项目（５４１）国家创新研究群体科学６３００，０基金项目（５１０）长江学者和创新团队发展计划（Ｔ４１资助６２０３０，Ｉ０２）Ｒ
２竖炉焙烧系统简介
图１显示了竖炉的剖面结构图．其流程为：原矿经过给矿＊预热、加热＊还原＊冷却＊搬出等几个步骤被处理为磁化焙烧矿，供磨矿和选矿之用．综合生产指标优化的含义是：在提高磁选
管回收率的基础之上尽最大可能地提高台时产
量以及降低煤气的消耗．通过对焙烧过程的机理分析，影响综合生产指标的最基本因素是燃烧室温度、还原煤气流量及搬出制度，同时，还受到其他因素的影响．综合生产指标与影响它的各变量之间的关系可以用下面的非线性向量函数表示：
６７３
１引言
矿石焙烧竖炉是选矿过程用于将弱磁性铁矿物转变成强磁性铁矿物的大型热工设备，
其工艺过程俗称！长来，焙烧‘ 期以竖炉焙烧过程质量、， ‘ 产品产量、耗等综合生产指标的能
优化实现一直是困扰企业的主要间题，原因是竖炉焙烧过程中干扰众多、边界条件易变、过程表现出多变量强藕合、强非线性、大滞后等特性，难以建立精确的数学模型，不易采
ｏｔｉｅ．ｂａｎｄ
Ｋｅｗｒｓｈｆｆｎｃｒａｔｇｉｅｒｔｐｏｕｔｎｅ，ｔａｉｌｉｅｉｎｙｄＳａｕａｅｓｉ，ｇａｅｒｄｃｉｉｘｍｌｖｒｂ，ｌｅｔｏｔｒｏｎｎｔｄｏｎｄｕｉａｅｎｌｔｇ
ＹＮ－ｕ＇ＡＴａ－ｏ＇ＨＩｎＹｕ，ＵＨｎ２ＡＡＪｎｉＣｉ２ＥｅｇＹ
＇ｅＬｂａｒｏＰｏｓｎｕｔＡｏｔｎＭｎｔｆｃｔ二ｙｏｔｙｒｅＩｄｓｙｔａｏ，ｉｒｏＥｕａ。，（ＫａｒｏｆｃｓｒｕｍｉｉｓｙｄｉＮｒｅｔｎｉｒｔＳｅｙｎ１０４００）ｏｔａｅＵｖｓｙｈｎａｇ１ｈｓｒｎｅｉ，＇ｅａｈｎｅｏＡｔａｏ，ｔａｔｎｉｒｔＳｅｙｎ１０４（ｓｒＣｔｆｏｔｎＮｒｅｅＵｖｓｙｈｎａｇ００）Ｒｅｃｅｒｕｍｉｏｈｓｒｎｅｉ，１（ｍｉａ２０＠２．ｍＥａ：０４１ｃ）－ｌｊｙ６ｏＡｂｔａｔｈｆｆｎｃｒａｔｇｉｎｎｒｌｃｓｎｉａｔｅｉｃｍｌｐｏｅｓｓｒｃＳａｕａｅｉｉｒｍｅｐｏｅｉｓｎｈｔｏｐｘｃｓ，ｔｒｏｎｎｓｏｉａｒｓｇｓｙｃｅｒ
ｗｏｐｏｕｔｌｙｅ，ｍｇｅｃｅｖｒｒｅＴＲ，ａｔｍａｒｈｓｒｄｃｑａｔｉｘｉ．ｎｔｔｂｒｏｅａ（Ｒ）ｉｈｒｏｓｅｅｕｉｎｄ．ａｉｕｅｙＭｅｃｔｓｄｅｕ
ｏｌｅａｄｅｔｚｇｎｒｌｓｃｐｏｅｓｖｒｄｆｃｌＢｓｏａａｓｏｎｉ，ｔｏｉｉｃｔｏｕｈｃｓｉｅｙｉｔａｅｎｌｉｆｎｎｈｐｍｉｎｏｏｆｒｓｉｕ．ｄｎｙｓｉｄｎｍｉｃａａｔｒｔａｄｎａｏｅａｉｍｏｅａｌｖｒｂｉｅｉｎｏｔｚｔｙａｃｒｃｅｉｉｎｍａｕｌｒｔｎｄ，ｕｔａｉｌｎｌｇｔｉ－ｓｈｓｃｐｏｍｉａｅｌｅｐｍｉｔｉｃｎｒｌｒａｈｄｖｌｅ，ｂｎｇｅｉｎｍｔｏ，ａｄｆｄｎｒｌｎｏｔａｐｏｃｉｅｅｐｄｃｍｉｎｉｌｅｔｈｄｆｗｒ－ｅｃｔａｄｇｏｐｓｏｏｉｎｌｔｇｅｏｒｅｏｏｎｆｄａｋｎｒｌＴｅｇｔｔｅｔｚｔｎｉｅｒｔｐｏｕｔｎｉｓｌ－ｅｂｃｃｔ．ｔｒｅｉｈｏｉａｉｏｎｇａｄｄｃｏｉｃｉｕｅｏｏｈａｓｐｍｉｏｆｔｅｒｉｎｅｎｄｄｃ
收稿日０５－期２０－１收修改稿日２０－２３５期０６－１０
Ｒｃｖｄｒｈ２０；ｅｉｆｍａｕｒ２２０ｉｅＭａｃ１，５ｉｒｖｓｄｒＪｎａｙ，６ｅｅ５０ｎｅｏ００
４期
严爱军等：竖炉焙烧过程的多变量智能优化控制
（－ａ：２０Ｑ２选矿中的竖炉焙烧过程具有综合复杂性和产品质量指标一磁选管回收率难以在线测量因而不易实现优化控制的难题，通过对焙烧过程动态特性和人工操作模式的分析，将智能方法与前馈、反馈控制相结合，提出一种基于磁选管回收率、台时产量、煤气消耗等综合生产指标的多变量智能优化控制方法．根据综合生产指标的目标值和边界条件的变化
ａｐｏｃｈｅａｐｉｔａｓｉｐｏｅｏａｎｒｌｃｓｎｆｔｒｏＣｉ，ｐｒａｈｂｎｌｄｒａｔｇｃｓｆｉａｐｏｅｉａｏｙｈａｓａｅｐｅｏｏｎｒｓｍｅｒｓｇｃｆｎ
ａｄｔｚｔｎｔｅｅｒｔｄｏｕｔｎｉｓｅｌｅａｄｒａｌｂｎｆｓｎｏｉａｉｏｈｉｔｇａｅｐｄｃｉｉｄｃｉｒａｚｄｒｍａｋｂｅｅｔａｅｐｍｉｏｆｎｒｏｎｅｓｉｎｅｅｉｒ
燃烧室
（，）（ｉ２，ＢＩＦＣＥＹ＝ｆ，，ＴＴ乃，，）（，１）
冷却搬出
其中，，ＣＥＹ分别表示磁选管回收率、，能耗、台时产量，ｉ２３，Ｆ分别表示生产过程Ｔ，，和Ｔ，ＩＴＢ中的燃烧室温度、还原煤气流量、搬出制度、边界条件、生产线信息和过程故障．（是式１）一个结构参数未知的非线性过程．系统的复杂
杂．
传统的竖炉焙烧过程控制由操作人员根据磁选管回收率、台时产量、煤气的消耗指标等综合生产指标的目标值范围凭经验对变化的信息进行判断和决策，继而人工给出燃烧室温度、还原煤气流量、搬出制度控制回路的设定值，根据设定值对上述控制回路进行人工控制．由于工况变化频繁、煤气热值经常变化，操作者很难给出正确的设定值和进行精确控制，因而造成焙烧矿的质量下降、台时产量降低、煤气消耗较大．
第３卷第４期２２０年７０６月
自动化学报
ＡＣＴＡＡＵＴＯＭＡＴＩＣＡＩＣＡＳＮＩ
Ｖｌ２Ｎ．ｏ．ｏ４３，Ｊｌ２０，６ｕｙ０
竖炉焙烧过程的多变量智能优化控制‘ ，
严爱军‘ 柴天佑１岳 ‘“ ，２巨
１（东北大学教育部暨辽宁省流程工业综合自动化重点实验室沈阳２（东北大学自动化研究中心沈阳１０）１００４１０４１０）０