[发明专利]一种用于铜闪速熔炼过程的多目标优化方法

说明书

本发明提供了一种用于铜闪速熔炼过程的多目标优化方法，包括以下步骤：运用建模方法构建估算模型；基于历史数据分析，确定各操作变量的寻优区间；基于各指标变量特征，构建相应的规格化的优化目标函数；将构建的多个规格化目标函数加权求和从而构建综合优化目标函数；运用遗传算法，在各操作变量的取值范围内搜寻优化值，即使综合优化目标函数值最小的操作变量取值；判断优化效果是否满足期望以及优化过程是否满足结束条件，满足则输出操作参数优化结果并结束，否则进入权值反馈调节。本方法易于计算机实现，可以在不改变铜闪速熔炼当前装备及工艺的条件下优化铜闪速熔炼的工艺指标和能效指标。

技术领域

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

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。

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。

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。

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。

发明内容

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：

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：

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；

S2：根据步骤S1中的历史数据，确定待优化的操作变量y_i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y_i的个数；y_imin和y_imax分别为寻优区间的下限值和上限值；