本发明涉及数据处理、聚类算法、组合优化等技术领域，尤其涉及一种铁矿混匀过程的预配料方法。
背景技术：
目前，我国钢铁生产行业在钢铁生产数量和质量的需求量上都在不断提升，到2014止，我国的钢铁产量份额已占据了全球的45％。但由于起步较晚，我国在钢铁生产方面的技术仍然与发达国家之间存在较大差距。而原料场混匀过程，作为钢铁生产的第一道工序，其根据每月的堆料任务要求，通过有限的混匀设施，将多种来源不同且成分差异较大的含铁矿物按不同配比进行均匀混合，使得整个月到厂各种铁矿原料得以用完且保证整月任何班混匀料的化学成分均匀稳定，即每班混匀料在企业和国家指标要求的波动范围内，且班与班之间混匀料的化学成分方差波动尽可能小，满足后续烧结和炼铁使用的生产工艺要求，进而得到最终的配料方案。原料场混匀过程的关键在于确定混匀过程中共槽配料的物料组合以及它们的下料次序。而每月待混匀的含铁矿物的种类繁多，矿物成分差异较大，且配料槽数量有限，要保证整月内每班混匀料的化学成分均匀稳定非常困难，至今仍缺少满足实时性要求的混匀配料计算方法。混匀过程配比计算能否及时准确直接关系到混匀料中硅、铁等化学成分是否满足后续生产要求，进而影响到整个钢铁企业的生产效率和产品质量，因此亟需一种针对铁矿混匀过程的实时性计算方法，目前该领域的计算方法主要分为基于人工经验计算的混匀配料方法和基于模糊理论建模计算的混匀配料方法。
技术实现要素：
(一)要解决的技术问题
本发明要解决的技术问题是解决由于铁矿原料含铁矿物的种类繁多、矿物成分差异较大、成分波动大且配料槽数量有限，不能保证整月内每班混匀料的化学成分均匀的问题。
(二)技术方案
为了解决上述技术问题，本发明提供了一种铁矿混匀过程的预配料方法，其包括下述步骤：
步骤一：根据当月到厂的各种铁矿原料成分数据，进行预处理操作，排除硅、铁元素成分差异较大或其物理化学特性无法共槽的特殊原料，得到待聚类原料集；
步骤二：对步骤一得到的待聚类原料集采用Canopy-Kmeans聚类算法进行一次聚类操作。依据首要元素含量进行大类的划分，使其自动分为合理的N个大类，达到首要元素的平衡；
步骤三：对通过步骤二得到的一次聚类原料集合采用K-Means算法进行二次聚类操作。即依据每个大类中所含原料成分中次要元素含量进行再次聚类实现小类划分，在满足首要元素基本平衡的前提下，达到各小类中次要元素的成分基本近似；
步骤四：对步骤三中得到的每个小类运用合并和分解的思想进行处理。考虑实际生产中配料槽数、混匀料各元素指标、排班数和总干料量等约束条件，对所得聚类结果和特殊原料进行合并与分解等自动操作，确定最终聚类方案，保证各类中原料种类、数量满足实际生产要求，即确保最终聚类个数等于可用配料槽数，每类原料种类不超过可共槽的原料总数上限，同时满足其他生产约束要求。由此，每类原料在一个配料槽中参与配料，对共槽的多种原料随机确定槽内下料先后次序，进而生成初始的配料方案；
步骤五：运用组合优化方法对步骤四中得到的初始配料方案进行共槽原料下料次序的优化，确定最终配料方案。考虑原料种类繁多、成分波动较大和约束条件多等因素的影响，对于共槽中的各原料运用组合优化中的穷举法确定每个类共槽配料的先后排列次序，使得整个月任何班次的混匀料成分在计划成分指标的最小波动范围内波动，得到最终的配料方案。
步骤一中原料成分数据预处理的过程为：
对于硅、铁元素成分含量差异较大或计划配比较大的原料，因无法与其他物料共槽，需要进行排除，阻止其加入到聚类样本中；对于原料本身物理化学特性如粘稠性、含水量等导致无法共槽的，根据实际生产经验和原料化验结果将该种物料予以区分并排除，阻止其加入到聚类样本中。
步骤二中对待聚类原料集合采用Canopy-Kmeans聚类算法进行一次聚类的过程为：
依据原料成分中首要元素含量差异，采用Canopy-Kmeans聚类技术将待聚类原料集自动地划分为合理的N个大类，达到首要元素含量的平衡，避免了人为指定聚类数量而降低方法的鲁棒性；例如不同炼铁厂所使用的原料性质和下料要求是不同的，需根据其原料成分数据的特征对聚类的数量和初始点进行智能选取，采用Canopy-Kmeans聚类技术克服了传统K-Means方法在聚类数量和初始点选取时陷入局部最优的缺点。具体步骤如下：
将预处理后的各入厂铁矿物料首要元素含量存入数据集中，选择两个阈值T1和T2，其中T1>T2。再任意抽取一点P，计算P点与Canopy的距离，如果P点在某个Canopy的距离T1以内，则将P点加入这个Canopy；如果该P点曾在某个Canopy的距离T2以内，则把P从数据集中删除，重复上述两步直到数据集为空，最终统计Canopy类的个数N，即通过Canopy聚类方法将原有数据分为N个大类。
步骤三中对一次聚类原料集采用K-Means算法进行二次聚类操作的过程为：
由一次聚类得出的N大类物料内，在每个大类中对次要元素进行类内的K-Means聚类，将大类内的物料分为两个小类，使首要元素近似的物料中次要元素成分差距变小，将所分好的两个小类数据暂时分配到共槽存储空间内，以达到各类中次要元素基本近似的目的；
步骤四，对步骤三中得到的每个小类运用合并和分解的思想进行处理。考虑实际生产中配料槽数、混匀料各元素指标、排班数和总干料量等约束条件，对所得聚类结果和特殊原料进行合并与分解等自动操作，确定最终聚类方案，保证各类中原料种类、数量满足实际生产要求，即确保最终聚类个数等于可用配料槽数，每类原料种类不超过可共槽的原料总数上限，同时满足其他生产约束要求。由此，每类原料在一个配料槽中参与配料，对共槽的多种原料随机确定槽内下料先后次序，进而生成初始的配料方案。记共槽的数量上限为k个：
1.当小类中物料个数为1时，说明其首要元素和次要元素与其他物料差异大，无法聚类，则将其放入单槽中，但如果该物料的下料量低于Mmin，则不能单独进行配料，必须找到与其合适的物料进行共槽处理，或者当该物料购买量较小时，利用其本身配比小的特性添加到某单槽中配比较大的物料的最后一班，使其对总体化学元素指标的影响力最小化；
2.当大类的物料个数介于k+1～2k时，根据次要元素聚类后分成两个小类有很多种组合可能性，例如：若k为3时，可能的组合有2\3,2\2,1\3,3\3，对于这些可能组合，由于每类物料数目不多，可以考虑直接共槽；其他的情况，例如1\4，4超过了共槽的个数上限k＝3，则需要针对那4个物料再进行一次聚类分到2个共槽中去；
3.当大类的物料个数大于2k种时，则将该类的前k种物料移动至其他共槽中，再判断大类剩余物料个数，如果仍大于2k种那么继续执行以上步骤；如果小于2k种，则跳转至上述1和2步骤进行处理。
经过配料槽物料数目的初步优化，使每个配料槽中可共槽物料数目满足实际生产要求，此外，考虑实际生产中可用于配料的槽数量约束，分别进行处理：
①如果经上述初步优化后配料槽的使用数量与企业实际配料槽数量恰好相同，则不进行当前步骤处理；
②如果经上述初步优化后配料槽的使用数量小于企业实际配料槽数量，则进行共槽的拆分；针对这种情况的处理办法为：选取k共槽，将槽内k种物料中配比最大的物料移出，放至单槽中，使原始的k共槽转变为一个k-1共槽和一个单槽，使配料槽使用数量增加1个，依次类推，在增加配料槽的同时保证了原始配料方案的最小代价地修正；
③如果经上述初步优化后配料槽的使用数量大于企业实际配料槽数量，则对配料槽之间进行组合，主要有以下两种调换组合方法：
对初步形成的配料方案中单槽进行分析，不考虑必须进行单槽处理的物料，并统计可重新分配物料的个数，将可重新分配的物料按配比进行排序，选择两种配比最小的物料共槽，使配料槽使用数量减少1个；
如上述所述，统计可重新分配物料的个数，如果可重新分配物料中只有1个可以进行共槽，则将其与其他2共槽组合，作3共槽处理，使配料槽使用数量减少1个；同理也可以将单槽中的物料放入3共槽中，构成4共槽，只需满足不超过共槽上限k即可。
步骤五，运用组合优化方法对步骤四中得到的初始配料方案进行共槽原料下料次序的优化：
根据步骤四随机产生的排列次序，统计目前分配结果的指标情况，判断是否符合当前企业的生产要求，并且对指标的波动情况进行分析，在保证原有共槽中物料信息不变的前提下，对当前所有共槽物料按其可能的下料先后顺序进行全排列分析，将每次排列后的物料组合进行指标验证，并对该指标做出评估，最后选取指标评估的最优组合方式，使当前指标达到全局最优，得到配料槽内物料下料次序的最优解，使得整个月到厂各种铁矿原料得以用完且保证整月任何班混匀料的化学成分均匀稳定，即每班混匀料在企业和国家指标要求的波动范围内，且班与班之间混匀料的化学成分方差波动尽可能小，进而得到最终的配料方案。
本专利通过结合聚类算法与组合优化方法，快速智能地生成混匀配料方案。在计算耗时方面，本专利全程1～2秒即可得到最终配料方案，而我国大多数工厂人工计算耗时2～4小时不等，甚至5小时都无法求得满意解；在精度方面，本发明可使每班指标均在企业生产要求的波动范围内，同时保证班与班之间混匀料化学成分的方差波动尽可能小，而人工计算很难同时满足所有指标，甚至出现化学成分波动较大的情况。本专利利用聚类算法大幅缩减了求解空间，并且在考虑实际生产中多种的约束前提下，结合组合优化的思想使聚类后的结果达到全局最优，进而有效地指导实际生产过程。本发明解决了我国现在大多数工厂预配料环节仍然采用人工计算配比的现状，对工业生产大规模的自动化产生推动作用，有效地提高了预配料的速度和精度，为企业后续生产环节打下良好基础。
(三)有益效果
本发明的上述技术方案具有如下优点：本发明提供的铁矿混匀过程的预配料方法，节省计算耗时，保证每班混匀料化学成分误差尽可能小，且班与班之间混匀料化学成分的方差波动范围小，精度较高。
附图说明
图1是本发明实施例铁矿混匀过程的预配料方法的步骤示意图；
图2是本发明实施例铁矿混匀过程的预配料方法智能聚类和组合优化算法流程图；
图3是本发明实施例铁矿混匀过程的预配料方法Canopy算法原理图；
图4是本发明实施例铁矿混匀过程的预配料方法Canopy-Kmeans聚类算法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1～图4所示，本发明中提出的一种铁矿混匀过程的预配料方法，
步骤一：根据当月到厂的各种铁矿原料成分数据，进行预处理操作，排除硅、铁元素成分差异较大或其物理化学特性无法共槽的特殊原料，得到待聚类原料集；
步骤二：对步骤一得到的待聚类原料集采用Canopy-Kmeans聚类算法进行一次聚类操作。依据首要元素含量进行大类的划分，使其自动分为合理的N个大类，达到首要元素的平衡；
步骤三：对通过步骤二得到的一次聚类原料集合采用K-Means算法进行二次聚类操作。即依据每个大类中所含原料成分中次要元素含量进行再次聚类实现小类划分，在满足首要元素基本平衡的前提下，达到各小类中次要元素的成分基本近似；
步骤四：对步骤三中得到的每个小类运用合并和分解的思想进行处理。考虑实际生产中配料槽数、混匀料各元素指标、排班数和总干料量等约束条件，对所得聚类结果和特殊原料进行合并与分解等自动操作，确定最终聚类方案，保证各类中原料种类、数量满足实际生产要求，即确保最终聚类个数等于可用配料槽数，每类原料种类不超过可共槽的原料总数上限，同时满足其他生产约束要求。由此，每类原料在一个配料槽中参与配料，对共槽的多种原料随机确定槽内下料先后次序，进而生成初始的配料方案；
步骤五：运用组合优化方法对步骤四中得到的初始配料方案进行共槽原料下料次序的优化，确定最终配料方案。考虑原料种类繁多、成分波动较大和约束条件多等因素的影响，对于共槽中的各原料运用组合优化中的穷举法确定每个类共槽配料的先后排列次序，使得整个月任何班次的混匀料成分在计划成分指标的最小波动范围内波动，得到最终的配料方案。
设置已知参数和要求指标波动范围；
预计总量92130吨、平均每班下料4500吨、设定可用于配料的槽数为11个，以及圆盘下料速度上限和下限；
各项含量成分波动范围：首要元素在±0.2％以内，次要元素在±0.62％以内以及其他成分要求，班与班之间化学元素波动尽可能小。
表1某月到厂的各种铁矿原料数据1
排除无法与其他物料共槽的特殊物料之后，得到待聚类的原料集合，再对其进行Canopy-Kmeans聚类分析，将当前计划单中物料粗分成大类，再对每个大类利用K-Means聚类算法进行细分后，得出经过二次聚类的结果，如表2所示。
表1.1物料聚类结果
对二次聚类后的结果进行合并和分解处理，即第3类和第4类只有一种物料，其中11号物料配比量大于Mmin可以进行单槽处理，然而20号物料则不能单槽处理，只能选择与其共槽的物料，因此对原始配比单进行分析，保证在成分尽可能相近以及不违反实际约束的原则下，选择合适的共槽物料，即物料4；
对初步优化后配料槽的使用数量进行统计分析，统计实际使用配料槽数目为9个，低于设定值11个，因此需要对2共槽或3共槽中物料进行分解处理，选择1号共槽和3号共槽剔除其中配比最大者放入单槽中，生成初始的配料方案。
运用组合优化思想优化下料次序，在尽可能满足混匀料化学成分波动最小且满足各项约束条件的前提下，得出最后优化的配比下料表，如表3所示(其中虚线为槽与槽的分界线)。
表1.2某月到厂铁矿最终配料方案
实施例2
设置已知参数和要求指标波动范围；
预计总量92130吨、平均每班下料4500吨、设定可用于配料的槽数为11个，以及圆盘下料速度上限和下限；
各项含量成分波动范围：首要元素在±0.2％以内，次要元素在±0.62％以内以及其他成分要求，班与班之间化学元素波动尽可能小。
表2某月到厂铁矿原料清单2
表2.1某月到厂铁矿最终配料方案
实施例3
设置已知参数和要求指标波动范围；
预计总量98000吨、平均每班下料5300吨、设定可用于配料的槽数为11个，以及圆盘下料速度上限和下限；
各项含量成分波动范围：首要元素在±0.2％以内，次要元素在±0.62％以内以及其他成分要求，班与班之间化学元素波动尽可能小。
表3某月到厂铁矿原料清单3
表3.1某月到厂铁矿最终配料方案
实施例4
设置已知参数和要求指标波动范围；
预计总量92130吨、平均每班下料4500吨、设定可用于配料的槽数为11个，以及圆盘下料速度上限和下限；
各项含量成分波动范围：首要元素在±0.2％以内，次要元素在±0.62％以内以及其他成分要求，班与班之间化学元素波动尽可能小。
表4某月到厂铁矿原料清单4
表4.1某月到厂铁矿最终配料方案
实施例5
设置已知参数和要求指标波动范围；
预计总量98000吨、平均每班下料4635吨、设定可用于配料的槽数为11个，以及圆盘下料速度上限和下限；
各项含量成分波动范围：首要元素在±0.2％以内，次要元素在±0.62％以内以及其他成分要求，班与班之间化学元素波动尽可能小。
表5某月到厂铁矿原料清单5
表5.1某月到厂铁矿最终配料方案
实施例6
设置已知参数和要求指标波动范围；
预计总量98000吨、平均每班下料5600吨、设定可用于配料的槽数为11个，以及圆盘下料速度上限和下限；
各项含量成分波动范围：首要元素在±0.2％以内，次要元素在±0.62％以内以及其他成分要求，班与班之间化学元素波动尽可能小。
表6某月到厂铁矿原料清单6
表6.1某月到厂铁矿最终配料方案
实施例7
设置已知参数和要求指标波动范围；
预计总量92130吨、平均每班下料4500吨、设定可用于配料的槽数为11个，以及圆盘下料速度上限和下限；
各项含量成分波动范围：首要元素在±0.2％以内，次要元素在±0.62％以内以及其他成分要求，班与班之间化学元素波动尽可能小。
表7某月到厂铁矿原料清单7
表7.1某月到厂铁矿最终配料方案
经过验证，每班首要元素和次要元素的指标均在企业实际要求范围之内，其他元素存在个别超标现象，但已完全符合实际下料的需求。该结果与人工计算结果相比，不仅具有快速性，还具有精确性和操作人员普遍性。
综上所述，本发明提出了一种基于聚类算法和组合优化的铁矿混匀过程预配料方法，其步骤包括：原料成分数据预处理操作；依据原料成分中硅元素含量差异完成一次聚类操作，即利用Canopy-Kmeans聚类方法将其分成N大类；在此基础上，依据铁元素含量差异利用K-means算法进行二次聚类；考虑化学元素指标等约束条件，利用合并和分解的方法对分类结果进行处理；随后，运用组合优化思想确定最优下料次序，得到最终的配料方案，本发明提供的铁矿混匀过程的预配料方法，节省计算耗时，保证每班混匀料化学成分误差尽可能小，且班与班之间混匀料化学成分的方差波动范围小，精度较高。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。