一种基于风箱废气温度的烧结矿成品率预测方法与流程

技术特征：

1.一种基于风箱废气温度的烧结矿成品率预测方法，其特征在于：包括以下步骤：

(1)根据烧结矿的烧结过程确定影响烧结矿的成品率的热状态参数；

(2)对影响烧结过程的烧结参数的历史生产数据进行零相位滤波和时序配准处理，并对所述历史生产数据进行采样处理，建立历史生产数据样本数据库；

(3)利用所述历史生产数据样本数据库计算已烧结矿的成品率；

(4)采用多项式拟合法对所述历史生产数据样本数据库中的风箱废气温度数据进行曲线拟合得到一个拟合函数，通过对所述拟合函数进行微分求极值，得到热状态参数的数值；

(5)以步骤(4)得到的热状态参数的数值作为输入变量，以步骤(3)得到的已烧结矿的成品率作为输出变量进行重复计算和验证，建立烧结矿成品率预测模型；

(6)采用多项式拟合法对待预测矿的风箱废气温度数据进行曲线拟合并通过微分求极值法得到待预测矿的热状态参数的数值；

(7)将步骤(6)得到的待预测矿的热状态参数的数值作为输入变量输入烧结矿成品率预测模型，所述烧结矿成品率预测模型的输出变量即为待预测矿的成品率。

2.如权利要求1所述的基于风箱废气温度的烧结矿成品率预测方法，其特征在于，所述步骤(1)中，热状态参数通过分析烧结过程的机理得到，分析确定影响烧结矿的成品率的热状态参数包括风箱高温温度、高温保持时间、烧结终点温度和烧结终点位置。

3.如权利要求1所述的基于风箱废气温度的烧结矿成品率预测方法，其特征在于，所述烧结参数包括风箱废气温度、台车速度、小成矿、返矿和大成矿。

4.如权利要求1所述的基于风箱废气温度的烧结矿成品率预测方法，其特征在于，所述步骤(2)中，选定采样周期对历史生产数据进行采样处理,所述采样周期为大成矿的波动周期，所述大成矿的波动周期为45min。

5.如权利要求1所述的基于风箱废气温度的烧结矿成品率预测方法，其特征在于，烧结矿的成品率是指烧结过程结束后，成品烧结矿占烧结饼的比重，所述烧结矿的成品率的计算公式如下：

$\mathrm{\ρ}=\frac{Q_D+Q_X}{Q_D+Q_X+Q_F};$

式中：ρ表示烧结矿的成品率(％)，Q_D表示烧结的大成矿产量(Kg/h)，Q_X表示烧结的小成矿产量(Kg/h)，Q_F表示烧结的返矿量(Kg/h)；所述大成矿产量、小成矿产量和返矿量的数据从历史生产数据样本数据库中获得。

6.如权利要求2所述的一种基于风箱废气温度的烧结矿成品率预测方法，其特征在于，所述得到热状态参数的数值包括以下步骤：

(4.1)从所述历史生产数据样本数据库中选取风箱废气温度数据样本，设风箱数目为M，用(X_i,T(X_i))表示一个样本数据，i＝1,2…M，X_i表示第i个风箱离点火处的距离，T(X_i)表示离点火处距离为X_i的风箱废气温度值；

(4.2)采用多项式拟合法，对风箱废气温度数据样本中的一组样本数据(X_i,T(X_i))进行多项式拟合，得到拟合函数为T(X_i)＝a₈X_i⁸+a₇X_i⁷+a₆X_i⁶+a₅X_i⁵+a₄X_i⁴+a₃X_i³+a₂X_i²+a₁X_i¹+a₀，

a₈、a₇、a₆、a₅、a₄、a₃、a₂、a₁和a₀分别为拟合得到的系数；

(4.3)将步骤(4.2)中的拟合函数进行一次求导得到拟合函数的一次导数多项式，并求解出X_i的值，将求解出的X_i值代入拟合函数中即可求出拟合函数的最大值T_max，T_max为风箱废气温度曲线的最高值，即为烧结终点温度，X_i为烧结终点位置；

如果拟合曲线的烧结终点温度大于300℃，且取得的烧结终点温度对应的烧结终点位置位于倒数第二个风箱和倒数第三个风箱之间，则拟合函数合理，从而确定拟合函数具有合理性；

(4.4)将步骤(4.3)中拟合函数的一次导数多项式进行求导，得到拟合函数的二次导数多项式，并求解出X_i值；将求解出的X_i值代入拟合函数中即可求出风箱高温温度值T_p，将T(X)＝T_p代入拟合函数中求出X₁和X₂，其中X₂>X₁；

(4.5)根据烧结机理，利用步骤(4.4)中求解出的X₁和X₂的值，采用公式△X＝X₂-X₁，得到其差值△X，利用△X可以得到高温保持时间，所述高温保持时间的计算公式如下：

$t=\frac{\mathrm{\Δ}X}{\stackrel{\‾}{v}};$

式中：t表示高温保持时间，表示烧结台车平均速度，所述烧结台车平均速度为已知值。

7.如权利要求1所述的基于风箱废气温度的烧结矿成品率预测方法，其特征在于，所述步骤(5)中，根据支持向量回归算法建立烧结矿成品率预测模型。

8.如权利要求7所述的基于风箱废气温度的烧结矿成品率预测方法，其特征在于，所述支持向量回归算法建立烧结矿成品率预测模型包括以下步骤：

(5.1)设热状态参数和烧结矿的成品率组成的样本数据集为{(x_i,y_i),i＝1,2…n},x_i为输入参数，y_i为对应的目标输出，即烧结矿的成品率；

(5.2)利用非线性映射将输入参数映射到高维空间，在高维空间对输入参数进行线性回归，并求解线性回归问题的最优化问题：

$\left\{\begin{array}{c}\min \{-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j)K(x_i\·x_j)+\mathrm{\ϵ}\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)-\underset{i=1}{\overset{n}{\Σ}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)\}\\ \begin{array}{cccc}s.t.& \underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)=0,& 0\≤{\mathrm{\α}}_i^{*},{\mathrm{\α}}_i\≤C,& i=1,2,\mathrm{...},n\end{array}\end{array}\right.$

式中，ε是损失函数参数，C是惩罚因子，K(x_i·x_j)是高斯核函数，α_i是权系数；

(5.3)对(5.2)中的最优化问题进行求解，得到烧结矿成品率预测模型为：

$y=\underset{i=1}{\overset{n}{\Σ}}({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_i)K(x_i,x)+b$

式中：K(x_i,x)＝exp(-||x_i-x||²/2σ²),σ是核函数宽度，b是偏置量，b值的计算公式为：

$b=\left\{\begin{array}{cc}{y}_i-\underset{j=1}{\overset{n}{\Σ}}({{\mathrm{\α}}_j}^{*}-{\mathrm{\α}}_j)K(x_i,x_j)+\mathrm{\ϵ},& {\mathrm{\α}}_j\∈(0,C)\\ y_i-\underset{j=1}{\overset{n}{\Σ}}({{\mathrm{\α}}_j}^{*}-{\mathrm{\α}}_j)K(x_i,x_j)-\mathrm{\ϵ},& {{\mathrm{\α}}_j}^{*}\∈(0,C)\end{array}\right.$

9.如权利要求7所述的基于风箱废气温度的烧结矿成品率预测方法，其特征在于，所述建立烧结矿成品率预测模型的具体过程为：随机选取多组已烧结矿的成品率数据和热状态参数数据，将多组成品率数据和热状态参数数据中的一部分成品率数据和热状态参数数据作为训练数据，以所述一部分热状态参数数据为输入变量，以所述一部分成品率数据为输出变量进行重复计算，建立烧结矿成品率预测模型；将多组成品率数据和热状态参数数据中的剩余部分成品率数据和热状态参数数据作为测试数据，以所述剩余部分热状态参数数据为输入变量，输入烧结矿成品率预测模型，所述烧结矿成品率预测模型的输出变量为成品率的预测值，将所述剩余部分成品率数据与成品率的预测值进行验证。