一种用于铜闪速熔炼过程的多目标优化方法

1.本发明涉及熔炼技术领域，具体涉及一种用于铜闪速熔炼过程的多目标优化方法。


背景技术：

2.熔炼是火法炼铜的一个关键过程，而闪速熔炼由于具有环保性好、生产效率高等优点，已成为当前铜熔炼的主流工艺。在铜闪速熔炼过程中，铜精矿粉末高速喷闪速炉反应塔，与空气(或氧气)混合并发生剧烈化学反应，从而产出铜锍与炉渣。评价该过程运行效果的指标通常可分为工艺指标和能效指标两类：工艺指标是反映过程主要产物特征的指标，包括铜锍品位、铜锍温度、渣中铁硅比等；而能效指标是反映过程能耗状况的指标，包括单位产品(铜锍)综合能耗等。与其它熔炼工艺(如熔池熔炼)相比，闪速熔炼的操作变量更多，这使得闪速熔炼较之其它工艺更具“柔性”和适应性，也使得闪速熔炼过程操作变量的优化工作更显重要。
3.闪速熔炼过程的优化途径可以分为机理驱动型和数据驱动型两类，前者重在对过程运行机理进行分析，而后者主要是对在积累的过程数据进行分析。机理驱动型优化方法具有因果关系清晰的优势，但对于闪速熔炼等运行机制极为复杂的工业过程，机理分析往往不得不忽略诸多“次要”因素，这种忽略将会影响模型的优化效果；数据驱动型优化方法能够从数据中获取被机理模型忽略的“次要”因素的影响，因此相较于前者能探索出效果更好优化方案。
4.目前，已有不少学者将数据驱动方法应用于闪速熔炼等复杂工业过程的操作变量优化。桂卫华等在《基于数据驱动的铜闪速熔炼过程操作模式优化及应用》一文中提出了基于数据驱动的铜闪速熔炼过程操作模式优化控制框架，探讨了基于数据的冰铜温度、冰铜品位、渣中铁硅比的工艺指标预测与优化方法；彭晓波等在《基于混沌遗传算法的铜闪速熔炼过程操作模式智能优化系统》一文中提出采用动态t-s递归模糊神经网络预测闪速熔炼过程的工艺指标，并采用混沌遗传算法寻求改善这些工艺指标的操作模式优化方案；汪金良等在《基于遗传算法的铜闪速熔炼过程控制优化》一文中提出以能耗费用最低为优化目标，运用神经网络和遗传算法探索了铜闪速熔炼过程关键操作参数的优化控制方法；张琦等在《高炉炼铁过程多目标优化模型的研究及应用》一文中提出以降低能耗、成本及co2排放为目标，研究了高炉炼铁过程的多目标优化方法。学者们的研究工作切实提高了闪速熔炼过程操控水平，并且证实了数据驱动方法应用于闪速熔炼过程多目标优化的可行性和效果。然而闪速熔炼过程的优化是个多目标优化问题，怎样设计方案处理多个目标以及确定多个优化目标的权值系数，并无定论，这给方法的实施效果带来了不确定性。
5.综上所述，急需一种优化结果可靠的、用于铜闪速熔炼过程的多目标优化方法。


技术实现要素：

6.本发明目的在于提供一种具有优化过程简单、优化结果可靠的、用于铜闪速熔炼
过程的多目标优化方法，具体技术方案如下：
7.一种用于铜闪速熔炼过程的多目标优化方法，包括如下步骤：
8.s1：搜集历史数据，所述历史数据包括条件变量、操作变量以及指标变量的数据，得到用于构建估算模型的数据集合d；运用建模方法以及数据集合d中的数据构建指标变量的预测模型；
9.s2：根据步骤s1中的历史数据，确定待优化的操作变量yi的寻优区间[y
imin
,y
imax
]；其中，i的取值大于等于1小于等于ny，ny表示输入数据集合d中操作变量yi的个数；y
imin
和y
imax
分别为寻优区间的下限值和上限值；
[0010]
s3：根据指标变量的数值与其表征的优化程度之间的关系，将指标变量分为单调型指标变量zk和非单调型指标变量z
l
，并在预测模型的基础上构建与单调型指标变量zk和非单调型指标变量z
l
分别对应的规格化优化目标函数oj；
[0011]
s4：将步骤s3构建的多个规格化优化目标函数加权求和，从而在预测模型的基础上构建综合优化目标函数；
[0012]
s5：运用遗传算法在步骤s2所述的操作变量yi的寻优区间[y
imin
,y
imax
]内搜寻使综合优化目标函数的函数值最小的操作变量值；
[0013]
s6：判断步骤s5中所述操作变量值是否使得综合优化函数中各规格化优化目标函数项的值均小于等于1，若满足，则转步骤s7；否则，进一步判断条件一和条件二；
[0014]
条件一：权值反馈修正次数nc超出权值反馈修正次数的上限值nc
mac
，nc为权值反馈修正次数，其初始值为零，nc
mac
为权值反馈修正次数的上限值；
[0015]
条件二：存在比1小δ1的规格化优化目标函数值，δ1为范围值，其取值大于0且小于1；
[0016]
如果两个条件不同时成立，则转步骤s7；
[0017]
如果两个条件同时成立，则增大oj＞1的规格化优化目标函数oj对应的权值系数λj，同时减小oj≤1-δ1的规格化优化目标函数值对应的权值系数λj，权值系数λj修正时满足nz表示指标变量个数；然后，将权值反馈修正次数nc增加1，即nc＝nc 1；然后，转步骤s5；
[0018]
s7：结束优化过程，将各操作参数的当前的寻优计算结果作为优化建议值输出，并输出与其对应的综合优化目标函数值及各规格化优化目标函数值。
[0019]
优选的，所述步骤s3中单调型指标变量zk对应的规格化优化目标函数表达式为式1)：
[0020][0021]
其中，z
kmin
是单调型指标变量的实际最优值，即实际最小值；z
komax
是期望优化上限值；
[0022]
所述非单调型指标变量z
l
对应的规格化优化目标函数表达式为式2)：
[0023][0024]
其中，z
lo
、z
lomax
和z
lomin
分别是非单调型指标变量z
l
的期望优化值、期望优化上限值和期望优化下限值。
[0025]
优选的，所述步骤s3中的数据集合d表达式为式3)：
[0026][0027]
其中i为数据编号，x、y和z分别表示条件变量、操作变量和指标变量的时段平均值，表示前一个时段平均值；nx、ny和nz分别表示条件变量个数、操作变量个数和指标变量个数；nd为数据集合d中的数据总数；
[0028]
针对待预测的指标变量，从备选输入变量集合v＝(z
p1
,z
p2
,
…
,z
pnz
,x1,x2,
…
,x
nx
,y1,y2,
…
,y
ny
,z1,z2,
…
,z
nz
)；集合v由与集合d中元素一一对应的备选输入变量φk组成；按照选取条件选取备选输入变量φk作为预测模型的输入变量，运用建模方法以及数据集合d中的数据构建指标变量的预测模型，记为式4)：
[0029][0030]
其中f为运用建模方法构建的预测模型；为预测模型的输出变量，ni为输入变量的个数；φj为预测模型的输入变量，j大于等于1小于等于ni。
[0031]
优选的，所述选取条件为：保持其它输入变量不变，比较备选输入变量φk加入前后，预测模型对数据集合d中数据的预测误差；若加入后误差水平显著降低，说明满足前述条件，即该变量应选做输入变量，否则，说明不满足前述条件，即该变量不应该选做输入变量。
[0032]
优选的，所述步骤s2中y
imin
和y
imax
的计算方法表达式如下：
[0033][0034][0035]
min(yi)和max(yi)分别为历史数据集合d中操作变量yi的最小值和最大值；δ为扩展系数，其取值大于等于0.05小于等于0.15。
[0036]
优选的，所述综合优化目标函数表达式为：所述权值系数λj满足：
[0037]
优选的，所述综合优化目标函数表达式为：其中，所述权值系数
λj满足：
[0038]
优选的，所述条件一的表达式为式a：nc＜nc
max 9)；条件二的表达式为式b：所述nc
mac
大于等于5且小于等于20；δ1大于0且小于1。
[0039]
优选的，所述步骤s6中的δ1大于0.2小于0.5。
[0040]
优选的，一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述多目标优化方法的步骤。
[0041]
应用本发明的技术方案，具有以下有益效果：
[0042]
本发明通过历史数据建立估算模型，再通过指标变量的实时数据构建多个规格化优化函数，然后根据多个规格化优化目标函数加权求和得到综合优化目标函数的技术方案，优化了现有闪速熔炼过程中的操作参数，得到的寻优计算结果可靠，且将多个目标的优化过程简化为单目标优化问题处理。其机理在于：基于历史数据(包括条件变量数据、操作变量数据以及指标变量数据)构件反映指标变量与其关键影响因素(条件变量和操作变量)的数学估算模型，再确定操作变量的寻优区间作为后续运用遗传算法求解综合优化目标函数的操作变量取值范围；然后建立优化问题，对满足条件的操作变量直接输出，对不满足条件的操作变量进行修正直至满足条件后输出。确保输出的寻优计算结果可靠。
[0043]
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
[0044]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0045]
图1是本发明优选实施例1的流程示意图。
具体实施方式
[0046]
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
[0047]
实施例1：
[0048]
实施对象是国内某炼铜企业的闪速熔炼炉，参见图1，一种用于铜闪速熔炼过程的多目标优化方法，包括如下步骤：
[0049]
s1：搜集历史数据,得到5564组包括条件变量、操作变量以及指标变量的历史数据，组成建模数据集，记为：
[0050][0051]
式中，上标i为数据编号，与某小时跨度的统计周期(例如某天12:00～13:00)对应；各变量意义如下表1所示。
[0052]
表1建模数据集变量说明
[0053][0054]
注：表1中当前统计周期指的是编号i对应的统计周期，前一统计周期指该统计周期之前的那个统计周期。例如，当编号i对应于某日12:00～13:00，当前周期指的是该日12:00～13:00，而前一统计周期指的是该日11:00～12:00。
[0055]
s2：对步骤s1构建的数据集d中的操作变量数据进行统计分析，获得其平均值、最小值和最大值，而后根据公式5)和6)计算得到各操作变量寻优区间的下限值和上限值。本实施案例中，扩展系数δ取值为0.1，相关统计及计算结果如表2所示。
[0056]
表2熔炼过程操作变量关键特征
[0057][0058]
s3：本实施案例运用ε不敏感支持向量机(ε-svm)以及数据集合d中的数据对4个指标变量分别构建了预测模型，为各模型选择输入变量时采用了权力要求3中的方法。各指标预测模型的输入变量和输出变量如表3，各模型支持向量机元参数设置及建模效果如表4。
[0059]
表3指标预测模型的输入/输出变量表
[0060][0061]
表4工艺/能效指标预估模型的元参数设置及建模效果
[0062][0063]
基于预测模型对各指标变量的预测，根据各指标变量的物理意义及数值分布特征，构建相应的规格化优化目标函数，具体方法如下：
[0064]
根据指标变量的数值与其表征的优化程度之间的关系，将铜闪速熔炼过程的指标变量(包括工艺指标、能效指标)可分为单调型指标和非单调型指标两类。单调型指标的数值与其表征的优化程度是单调关系，即这些指标的数值越小，过程优化效果越好(或越差)，主要包括单位产品综合能耗z4等；非单调型指标的数值与其表征的优化程度之间不是单调关系，主要包括铜锍品位z1、铜锍温度z2、渣中铁硅比z3等，构建各指标变量的规格化优化目标函数。其中，对于非单调型指标变量z1、z2和z3，采用式2)构建；对于单调型指标变量z4，采用式1)构建。式1)和2)中涉及的参数如表5。
[0065]
表5指标变量的期望值及实际特征值
[0066][0067]
s4：将步骤s3构建的多个规格化优化目标函数加权求和，从而构建综合优化目标函数。本实施案例中，根据实际工程需求，权值系数的初始值分别设置为函数。本实施案例中，根据实际工程需求，权值系数的初始值分别设置为当然在其他一些具体的实施例中，若使用者也可以基于等作用原则将权值系数设置为λ1＝λ2＝λ3＝λ4且λ1 λ2 λ3 λ4＝1。
[0068]
s5：运用遗传算法在步骤s2所述的操作变量yi的寻优区间[y
imin
,y
imax
]内搜寻使综合优化目标函数的函数值最小的操作变量值。本优化案例中，对遗传算法的关键设置如表6。
[0069]
表6遗传算法的关键设置
[0070][0071][0072]
s6：判断步骤s5中所述操作变量值是否使得综合优化函数中各规格化优化目标的函数项的值是否均小于等于1，若满足，则转步骤s7；否则，进一步判断条件一和条件二；
[0073]
条件一：权值反馈修正次数nc超出权值反馈修正次数的上限值nc
mac
，nc为权值反馈修正次数，其初始值为零，nc
mac
为权值反馈修正次数的上限值(本实施案例中取20)；
[0074]
条件二：存在比1小δ1的规格化优化目标函数值，δ1为范围值，其取值大于0且小于1，本实施案例中取δ1＝0.2；
[0075]
如果两个条件不同时成立，则转步骤s7；
[0076]
如果两个条件同时成立，则增大oj＞1的综合优化目标函数oj对应的权值系数λj，同时减小oj≤1-δ1的规格化优化目标函数值对应的权值系数λj，权值系数λj修正时满足然后，将权值反馈修正次数nc增加1，即nc＝nc 1；然后，转步骤s5；
[0077]
s7：结束优化过程，将各操作参数的当前的寻优计算结果作为优化建议值输出，并输出与其对应的综合优化目标函数值及各规格化优化目标函数值。
[0078]
案例实施之前的一个月与之后的一个月内的熔炼过程指标变量的相关统计量如表7。表7数据说明，本专利方法能够显著改善各指标变量(均值更接近期望优化值且标准偏差更小)。
[0079]
表7案例实施前后的指标对比
[0080][0081]
在本实施例中还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述多目标优化方法的步骤。
[0082]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技
术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。