一种高炉炉料轨迹模型构建方法与流程

1.本发明涉及高炉炼铁技术领域，具体涉及一种高炉炉料轨迹模型构建方法。


背景技术：

2.在高炉生产过程中，炉料从高炉顶部的料仓处进入，经由料流阀、叉形管、喉管、溜槽最后落至炉喉部位，然后随着炉料的消耗，炉喉部位的炉料渐渐下落至炉身部位完成转化过程。料面的形状对高炉的正常运行至关重要，良好的料面可以使煤气流分布更加合理，有效填充不同部位炉料的消耗。
3.传统的人工方法是通过探尺进行几个部位的深度测量，然后结合煤气成分、炉顶温度等进行料面的粗略估计，需要操作人员拥有丰富的布料经验，且难以准确描述料面的连续分布。随着测量设备的发展，可以通过雷达等技术手段直接测量得到炉喉的料面分布，但在实际应用中，雷达的使用寿命有限，更换及维修都不方便，且多数雷达一次只能测量一个点，完成整个料面的扫描需要测量数十上百次，如果要在布料前后都进行扫描要耗费较长时间。


技术实现要素：

4.为解决上述现有建模方法过程繁琐耗时较长的问题，本发明提供一种高炉炉料轨迹模型构建方法，包括以下步骤，
5.s1，对高炉炉料下降过程进行建模，得到初始炉料轨迹模型公式，所述初始炉料轨迹模型公式如下：
[0006][0007]
h＝vtcosα 0.5gt2；
[0008]
r＝vtsinα；
[0009]
其中，v为炉料滑出溜槽时的速度，α为溜槽的倾斜角度，r为料流阀的水力学半径，h为溜槽出口到料面的距离，t为炉料在空中运动的时间，r为炉料落点距溜槽出口的横向距离，a、b、c、d、e为模型参数；
[0010]
s2，获取料面数据集，并将所述料面数据集输入至所述初始炉料轨迹模型公式计算得到炉料在炉喉部位落点位置的集合，根据所述料面数据集以及所述炉料在炉喉部位落点位置的集合得到模拟料面形状数据；
[0011]
s3，获取真实料面形状数据，根据所述真实料面形状数据以及所述模拟料面形状数据通过遗传算法对所述初始炉料轨迹模型公式中的模型参数进行寻优操作，对所述初始炉料轨迹模型公式中的模型参数进行迭代更新，得到炉料轨迹模型。
[0012]
在上述方案的基础上本发明还可以做如下改进，
[0013]
进一步，所述s3中获取所述真实料面形状数据具体为，通过雷达扫描检测出炉顶料面的真实料面形状数据，所述真实料面形状数据为固定长度的离散点向量s。
[0014]
进一步，所述s3中根据所述真实料面形状数据以及所述模拟料面形状数据通过遗传算法对所述初始炉料轨迹模型公式中的模型参数进行寻优操作，对所述初始炉料轨迹模型公式中的模型参数进行迭代更新具体为：
[0015]
s301、设定所述模型参数的解空间下限以及解空间上限，通过染色体编码方法构建初始种群，将所述初始种群中的种群个体输入至所述初始炉料轨迹模型公式中得到种群个体的模拟料面形状数据，其中所述模拟料面形状数据为固定长度的离散点向量c；
[0016]
s302、对所述离散点向量s进行插值或剔除处理，使所述真实料面形状数据的离散点向量s长度与所述模拟料面形状数据的离散点向量c长度相同，将所述离散点向量s、c输入至适用度函数得到该种群个体的适用度，所述适用度函数为离散点向量的二范数的相反数，所述适用度函数f具体为：
[0017][0018]
s303、将种群个体的适用度按照降序后，保留前n个所述种群个体；
[0019]
s304、对保留的所述种群个体进行交叉变异操作，得到下一代种群，将当前种群中的种群个体输入至所述初始炉料轨迹模型公式中得到种群个体的模拟料面形状数据后，重复进行上述s303、s304操作，直至迭代次数等于预设迭代次数进入步骤s305；
[0020]
s305、选取适用度最大的种群个体对所述初始炉料轨迹模型公式中的模型参数进行迭代更新，得到炉料轨迹模型。
[0021]
进一步，所述s301中通过染色体编码方法构建初始种群具体为：染色体编码方法采用浮点数编码，所述初始种群的种群个体包括有模型参数a、b、c、d、e。
[0022]
进一步，所述s304中对保留的所述种群个体进行交叉变异操作，得到下一代种群操作具体为：对保留的所述种群个体通过交叉算子进行基因交叉处理，对两个相互配对的种群个体通过单点交叉的方式相互交换基因，得到下一代种群个体；对保留的所述种群个体通过变异算子进行基因变异处理，确定种群个体中的基因变异位置后，通过基本位变异的方式进行变异运算，依照预设概率的将所述基因变异位置的原有基因取反。
[0023]
本发明另一个目的在于提供一种计算机系统，所述计算机系统被配制为执行以下步骤：首先对高炉炉料下降过程进行建模，得到初始炉料轨迹模型公式；然后获取料面数据集，并将所述料面数据集输入至所述初始炉料轨迹模型公式计算得到炉料在炉喉部位落点位置的集合，根据所述料面数据集以及所述炉料在炉喉部位落点位置的集合得到模拟料面形状数据；最后获取真实料面形状数据，根据所述真实料面形状数据以及所述模拟料面形状数据通过遗传算法对所述初始炉料轨迹模型公式中的模型参数进行寻优操作，对所述初始炉料轨迹模型公式中的模型参数进行迭代更新，得到炉料轨迹模型。
[0024]
本发明再一个目的在于提供一种计算机可读存储介质，包括存储器，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时，实现上述的高炉炉料轨迹模型构建方法。
[0025]
本发明的有益效果是：根据雷达扫描的料面数据，不断调整优化炉料轨迹模型的多个参数，最终得到最合适当前高炉的炉料轨迹模型，从而在不需要雷达的情况下，通过布料矩阵直接计算得到布料后的料面形状，通过模拟自然界的遗传演变，可以在解空间中高
效寻找炉料轨迹模型最优模型参数，不仅建模过程简洁且提高了模型的准确率。
附图说明
[0026]
图1为本发明一种高炉炉料轨迹模型构建方法方法流程框图；
[0027]
图2为本发明高炉炉喉处的结构示意图；
[0028]
图3为本发明高炉炉料轨迹模型的模型参数寻优方法流程图。
具体实施方式
[0029]
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0030]
如图1所示本发明提供一种高炉炉料轨迹模型构建方法，包括以下步骤，
[0031]
s1，对高炉炉料下降过程进行建模，得到初始炉料轨迹模型公式，
[0032]
s2，获取料面数据集，并将所述料面数据集输入至所述初始炉料轨迹模型公式计算得到炉料在炉喉部位落点位置的集合，根据所述料面数据集以及所述炉料在炉喉部位落点位置的集合得到模拟料面形状数据；
[0033]
s3，获取真实料面形状数据，根据所述真实料面形状数据以及所述模拟料面形状数据通过遗传算法对所述初始炉料轨迹模型公式中的模型参数进行寻优操作，对所述初始炉料轨迹模型公式中的模型参数进行迭代更新，得到炉料轨迹模型。
[0034]
本发明根据雷达扫描的料面数据，不断调整优化炉料轨迹模型的多个参数，最终得到最合适当前高炉的炉料轨迹模型，从而在不需要雷达的情况下，通过布料矩阵直接计算得到布料后的料面形状，通过模拟自然界的遗传演变，可以在解空间中高效寻找炉料轨迹模型最优模型参数，不仅建模过程简洁且提高了模型的准确率。
[0035]
在本实施例中具体地，利用经典力学公式对炉料下降过程进行建模，得到炉料轨迹模型公式。高炉炉喉处的结构如图2所示，对高炉炉料下降过程进行建模，得到初始炉料轨迹模型公式，所述初始炉料轨迹模型公式如下：
[0036][0037]
h＝vtcosα 0.5gt2；
[0038]
r＝vtsinα；
[0039]
其中，v为炉料滑出溜槽时的速度，α为溜槽的倾斜角度，r为料流阀的水力学半径，h为溜槽出口到料面的距离，t为炉料在空中运动的时间，r为炉料落点距溜槽出口的横向距离，a、b、c、d、e为模型参数。
[0040]
在本实施例中通过初始炉料轨迹模型公式，如图3所示在获取料面数据集后，可以计算出炉料在炉喉部位的落点位置。其中料面数据集包括料流阀水力学半径、溜槽角度和下落高度、料批的总重量、密度、布料矩阵，通过料批的总重量、密度、布料矩阵可以计算出高炉每个档位的布料体积。基于轨迹模型计算出的落点位置，和布料体积可以模拟出该档位料面形状。重复上述方法可以计算出当前布料每个档位的形状，就得到了当前料批布完后料面的模拟料面形状数据。
[0041]
在本实施例中具体地，通过雷达扫描检测出炉顶料面的真实料面形状数据，所述
真实料面形状数据为固定长度的离散点向量s。设置进化代数计数器(预设迭代次数)t＝0，设置最大进化代数t，随机生成m个个体作为初始种群。若当前已完成的迭代次数t＝t时,则选取整个进化过程(所有迭代)中所得到的具有最大适应度个体作为最优解输出，终止遗传计算的计算。当最优个体的适应度达到给定的阈值，或者最优个体的适应度和种群适应度不再上升时，或者迭代次数达到预设的代数时，算法终止。预设的代数一般设置为100-500代。
[0042]
在本实施例中具体地，染色体编码方法采用浮点数编码，所述初始种群的种群个体包括有模型参数a、b、c、d、e。设定所述模型参数的解空间下限以及解空间上限，设定五个参数的解空间下限为{-50,-50,-50,-50,-50}，参数的解空间上限为{50,50,50,50,50},根据染色体编码方式生成初代种群{{a1,b1,c1,d1,e1},{a2,b2,c2,d2,e2},...}，种群规模为100。通过染色体编码方法构建初始种群，将所述初始种群中的种群个体输入至所述初始炉料轨迹模型公式中得到种群个体的模拟料面形状数据，其中所述模拟料面形状数据为固定长度的离散点向量c。对所述离散点向量s进行插值或剔除处理，根据适用度函数得到所述模拟料面形状数据的适用度，使所述真实料面形状数据的离散点向量s长度与所述模拟料面形状数据的离散点向量c长度相同，所述适用度函数为离散点向量的二范数的相反数，则所述适用度函数f具体为：
[0043][0044]
在本实施例中具体地，根据种群个体的所述模拟料面形状数据的适用度按照降序后，保留前n个所述种群个体；对保留的所述种群个体进行交叉变异操作，得到下一代种群，将当前种群中的种群个体输入至所述初始炉料轨迹模型公式中得到种群个体的模拟料面形状数据后，对保留的所述种群个体通过交叉算子进行基因交叉处理，对两个相互配对的种群个体通过单点交叉的方式相互交换基因，从而形成下一代种群个体；对保留的所述种群个体通过变异算子进行基因变异处理，确定种群个体中的基因变异位置后，通过基本位变异的方式进行变异运算，依照预设概率的将所述基因变异位置的原有基因取反。
[0045]
种群通过选择运算的适应度比例方法来选择适用度较高的个体予以保留，通过选择算子选择将种群中优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。然后运用单点交叉的交叉算子，通过选取两条染色体，在随机选择的位置点上进行分割并交换右侧的部分，从而得到两个不同的子染色体。单点交叉可以造成较小的破坏的情况下，在选取的个体基础上进行变异、交叉操作产生下一代种群，通过交叉运算对两个相互配对的染色体按某种方式相互交换基因，从而形成新的个体。交叉运算在遗传算法中起着关键作用，对种群中的个体串的某些基因座上的基因值作变动是产生新个体的主要方法。变异运算是对某一个基因座上的基因值按一较小概率进行改变,它也是产生新个体的一种操作方法。本发明采用基本位变异的方法来进行变异运算,其具体操作过程是:首先确定出各个个体的基因变异位置，然后依照某一概率将变异点的原有基因取反。种群p(t)经过选择、交叉、变异运算之后得到下一代种群p(t 1)。遗传算法具有局部的随机搜索能力。当遗传算法通过交叉算子已接近炉料轨迹模型公式中的参数邻域时，利用变异算子的这种局部随机搜索能力可以加速向最优炉料轨迹模型公式中的参数收敛，还可以使遗传算法可
维持种群多样性，以防止出现未成熟收敛现象。选取适用度最大的种群个体对所述初始炉料轨迹模型公式中的模型参数进行迭代更新，得到炉料轨迹模型。
[0046]
本发明另一个目的在于提供一种计算机系统，所述计算机系统被配制为执行以下步骤：首先对高炉炉料下降过程进行建模，得到初始炉料轨迹模型公式；然后获取料面数据集，并将所述料面数据集输入至所述初始炉料轨迹模型公式计算得到炉料在炉喉部位落点位置的集合，根据所述料面数据集以及所述炉料在炉喉部位落点位置的集合得到模拟料面形状数据；最后获取真实料面形状数据，根据所述真实料面形状数据以及所述模拟料面形状数据通过遗传算法对所述初始炉料轨迹模型公式中的模型参数进行寻优操作，对所述初始炉料轨迹模型公式中的模型参数进行迭代更新，得到炉料轨迹模型。
[0047]
本发明再一个目的在于提供一种计算机可读存储介质，包括存储器，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时，实现上述的高炉炉料轨迹模型构建方法。该计算机装置主要包括处理器、存储器302和总线，所述存储器存储有至少一段程序，所述程序由所述处理器执行以实现如上述所述的计算机的配置。处理器包括一个或一个以上处理核心，处理器通过总线与存储器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述方法实施例提供的高炉炉料轨迹模型构建方法。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom),可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0048]
本发明提出一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述至少一段程序运行时执行以实现如上述的计算机系统的配置和/或执行上述高炉炉料轨迹模型构建方法。
[0049]
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0050]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
[0051]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。