[发明专利]一种基于工况判断的智能集成建模方法

权利要求书

1.一种冰铜品位预测模型建模方法，其特征在于包括以下步骤：先采用时间序列的方法利用前24小时的化学分析结果获得当前的入炉物料的化学成分，即：

u_i(k)＝a_1iu_i(k-1)+…+a_jiu_i(k-j)+…+a_niu_i(k-n)

其中u_i(k)是当前成分，而u_i(k-j)是前4*j小时前的成分值，a_1i，…，a_ni为利用最小二乘法辨识获得的相关系数，n＝6；

基于物料平衡建立冰铜品位与入炉物料成分及风量、氧量之间的机理模型，并利用当前检测到的工艺参数，得到机理模型的预测值；

Σi=19Gi+X11=X1+X3+X6+X7+X8+X9+X10]]>

G_Cu装入＝X₂+X₃θ_Cu渣+(X₆+X₇)θ_Cu锅炉+X₈θ_Cu电收尘

G_S装入＝X₁(P₁₁+X₂/X₁P₁₂)+X₃θ_S渣+(X₆+X₇)θ_S锅炉+X₈θ_S电收尘+X₉

G_Fe装入＝X₁(P₁₃+X₂/X₁P₁₄)+X₄+(X₆+X₇)θ_Fe锅炉+X₇θ_Fe电收尘

X₆＝(G₁+G₂+G₃+G₄)P₁P₂P₃

X₇＝(G₁+G₂+G₃+G₄)P₁P₂(1-P₃)

X₈＝(G₁+G₂+G₃+G₄)P₁(1-P₂)

X₉＝0.0014η_氧[0.21(G_风-G_氧)/(1+ω_空气)+G_氧θ_氧+0.21(G_自由空气+G_一次空气/(1+ω_空气))-X₁₁

式中，G₁～G₉分别为精矿、渣精矿、不定物料、硅酸矿、转炉烟灰、转炉锅炉烟灰、干燥烟灰、锅炉烟灰及电收尘烟灰的量；G_风、G_氧、G_自由空气、G_一次空气分别为反应塔热风、氧气、自由空气及一次空气的量；G_Cu装入、G_S装入、G_Fe装入、G_SiO2装入、G_Other装入分别为装入物中的Cu、S、Fe、SiO₂及其它物料的量；θ_Cu渣、θ_Cu锅炉、θ_Cu电收尘分别为渣、锅炉烟灰块及电收尘烟灰的Cu品位；θ_S渣、θ_S锅炉、θ_S电收尘分别为渣、锅炉烟灰块及电收尘烟灰的S品位；θ_Fe锅炉、θ_Fe电收尘分别为锅炉烟灰块与电收尘烟灰的S品位；θ_SiO2锅炉、θ_{SiO2电收尘}分别为锅炉烟灰块与电收尘烟灰的SiO2品位；δ_O2精渣、δ_O2不定、δ_O2转炉、δ_{O2转炉锅炉}分别为渣精矿、不定物料、转炉烟灰及转炉锅炉烟灰O₂量；α_硅酸、α_锅炉、α_电收尘、α_渣、α_渣中Fe分别为硅酸矿、锅炉烟灰、电收尘烟灰、渣及渣中Fe的O₂系数；P₁₁、P₁₂分别为冰铜中S品位计算系数，P₁₃、P₁₄分别为冰铜中Fe品位计算系数，由经验确定；P₁、P₂、P₃、P₄分别为烟灰发生率、锅炉烟灰率、锅炉烟灰返回率及其它物质计算系数，由经验确定；P₂₀为FeS的Fe与S的比率；ω_空气、θ_氧、η_氧分别为空气水分率、氧气浓度及经验确定的反应塔氧效率；

解平衡方程组(2)后获得x₁～x₁₁的值，由式(3)计算冰铜品位：

P’_m＝x₂/x₁    (3)

再利用模糊神经网络实时预测冰铜品位，建立冰铜品位与各种影响因素之间不确定的非线性关系；在此基础上，通过对工况稳定情况的判断，采用智能协调策略，对机理模型的输出及模糊神经网络的输出进行集成，从而获得最终的冰铜品位预测值；

所述的智能协调策略是：假设P′是冰铜品位的机理模型预测值，P″是冰铜品位的模糊神经网络预测值，则

P＝P″×μ(x)+P′×(1-μ(x))

为对两个预测值进行智能协调后的预测结果，其中μ为模糊神经网络的权重系数，它由下式计算：

μ(x)=Σi=18μiβi/Σi=18βi]]>

其中β_i表示8个输入变量对冰铜品位的影响因子，由经验确定；μ_i，i＝1，2，…，r，分别是8个输入变量对于模糊神经网络模型的权系数，它是通过判断工况的稳定情况来确定的，计算式为：

其中x表示输入变量的值，α_1min、α_1max、α_2min、α_2max分别表示工况稳定性较好及稳定性一般时输入变量的最小值和最大值。

2.根据权利要求1所述的冰铜品位预测方法，其特征在于：所述的模糊神经网络共分5层，输入神经元个数为8，分别表示反应塔热风量、反应塔富氧浓度、装入干矿总量、装入物含Cu率、装入物含Fe率、装入物含S率、装入物含SiO₂率及空气水分率；第2层为模糊化层，设每个输入变量均有5个模糊集合，分别为PB、PS、ZE、NS、NB；第3层为推理层，该层的神经元个数n采用如下的经验公式确定：

n=p+q+a]]>

其中p为输入神经元个数，q为输出神经元个数，a为常数，取1～10，根据该经验公式，推理层神经元个数取10；

第4层为解模糊层，该层的作用是实现归一化计算，避免在学习过程中由于各修正量过大而产生振荡；第5层为输出层，只有一个神经元，表示预测的冰铜品位。