烧结配矿优化模型及烧结矿质量预测研究

发布时间：2021-03-30 01:25

　　烧结是钢铁冶炼过程中的重要环节,烧结矿质量的好坏直接影响高炉炼铁等后续生产。影响烧结矿质量的因素主要有两类,一是原材料配比,二是烧结工艺。由于烧结工艺是一个复杂的理化过程,且控制参数较多,很难做到精确建模和控制。目前烧结炉一般工艺参数固定,工人凭经验设定原材料配矿方案进行生产。该方法烧结矿质量严重依赖于工长经验,产品质量不稳定、成本不容易控制。本文通过对合作企业河北普阳钢厂多年积累的配矿方案及烧结矿理化分析结果进行数据分析,完成三方面工作:一是成本最优烧结配矿算法设计,二是考虑环保和成本指标的多目标配矿优化算法设计,三是建立以配矿方案为输入,烧结矿理化指标为输出的烧结矿质量预测模型,通过模型可以预测给定方案的烧结结果,以辅助企业优化配矿方案,从而稳定产品质量、降低生产成本。前两项工作主要解决在烧结矿质量指标、环保指标约束下获取最优配矿方案问题,第三项工作解决对给定配矿方案预测烧结矿理化指标,在一定程度上替代烧结杯实验。本文具体研究工作如下:（1）提出了一种基于粒子间隔D-PSO烧结配矿算法,建立了以成本最优为目标的配矿模型。在标准PSO算法的粒子速度更新基础上,将粒子与当前最优解的距离... 

【文章来源】：河北经贸大学河北省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

PSO算法迭代结果

河北经贸大学硕士学位论文16图3-1PSO算法迭代结果3.3.2基于粒子间隔的PSO算法有研究表明，寻优过程中，较优的粒子有更大概率接近最优值。也就是说，距离全局最优值越近的粒子越有可能接近最优值。从图3-1中可以看出，PSO算法与D-PSO粒子在迭代初期分布均较为分散，距离当前最优解的粒子相对较少；随着迭代次数的不断增加，从图3-2中可以看出，粒子的分布产生了变化，D-PSO算法中的粒子与当前最优解的距离近的粒子较迭代初期增多，从图中也可看出D-PSO算法中的粒子在迭代中期较PSO算法能够快速趋于收敛，初期距离最优解较近的粒子在中期较其他粒子来说，能够找到较优的解。但从图3-3中可以看出标准的PSO算法在后期粒子的变化逐渐减小，寻找更优解的能力减弱；而D-PSO算法中的粒子在迭代后期仍保持了粒子的多样性与粒子的寻优能力。在算法初期，种群中的粒子与当前全局最优值距离较大，因此算法初期，较优的粒子较少。随着迭代次数的增加，与当前全局最优值距离孝较优的粒子会逐渐增多。图3-2迭代初期粒子分布图

烧结配矿优化模型及烧结矿质量预测研究17图3-3迭代中期粒子分布图图3-4迭代后期粒子分布图本文根据粒子的适应度与粒子寻优过程中的全局最优值之间的距离，经过计算速度与实验结果的综合考虑，随着粒子分类的数量的增多，其计算时间会随着分类数量的不断增多，计算时间会逐渐增多，将粒子分为三类能够较为快速更好地找到最优解。对每一类粒子按照不同的学习方式更新，在增加了种群多样性的同时，也提高了粒子寻优的速度。（1）当前值与全局最优值距离小的粒子。与最优解距离较小粒子，在其邻域内存在较优值的概率大，因此，对其采用局部学习方式，增强局部的搜索能力。将当前值与全局最优值之间的距离设为d，将d（d1）作为粒子速度更新的参数，如公式(3-9)所示，通过距离d减小此类粒子的更新速度，提高其在局部搜索的能力。)(221tijtijtijtijxgrcvwdv(3-9)（2）距离全局最优值较远的粒子相对较差，距离d相对较大（d5），此时需提


本文编号：3108576