本发明属于铁矿烧结技术领域，具体涉及一种基于提高利润的烧结过程配矿优化方法。
背景技术：
为了保证钢铁冶炼的质量，通常需要在冶炼前将选出的精矿进行烧结。烧结是将铁矿粉、熔剂、燃料等按一定比例配成混合料，再经高温烧结成烧结矿。合理的配矿方案应该不仅考虑烧出矿石的质量，同时应该考虑原料成本，尽可能使配矿方案适应市场矿石、燃料的波动，使烧结矿的利润最大化。目前，配矿工作主要依赖人工进行，主要考虑的是烧结矿的性质达到冶炼要求，通过试凑的方法人工计算得到配矿结果，并没有从经济指标的角度考虑如何提高烧结矿的利润。
技术实现要素：
本发明的目的是为了解决现有技术中配矿工作主要依赖人工进行并没有考虑经济指标的问题，提供一种基于提高利润的烧结过程配矿优化方法。本发明通过建立烧结配矿历史方案数据库拟合出经济混合模型，根据不同种类矿石原料、燃料及辅料的性质及价格，综合考虑成本及成品的利润，通过优化计算，给出烧结过程配矿方案的操作指导，可以在保证产品质量指标的基础上提高烧结生产过程的实时性、可靠性和经济性，减少了配矿计算时间，提高烧结利润。
一种基于提高利润的烧结过程配矿优化方法，包括如下步骤：
步骤1：收集配矿混合料化验指标的历史数据，包括混合料的sio2含量、cao含量、mgo含量、tfe(铁含量)及ro(碱度)；所述历史数据为任意组；
步骤2：收集所述配矿混合料所对应的烧结矿化验指标的历史数据，包括烧结矿tfe、ro、cao、sio2和mgo含量及其对应的一级品率、合格品率；
步骤3：采用机理建模的方法构建出所述混合料采用的各原料(包括铁矿、辅料和燃料)理化指标与所述混合料化验指标之间关系的机理预测模型；并根据已收集到的所述混合料化验指标和所述的烧结矿化验指标的历史数据，采用支持向量机的方法构建出烧结料化验指标与烧结矿化验指标之间关系的数据驱动预测模型；
步骤4：根据所述混合料采用的各原料的价格和用量构建烧结矿成本的机理模型；并根据现场操作经验，构建烧结矿价格的预测机理模型；
所述烧结矿成本c的机理模型计如下：
其中，pi：每种原料的单价；xi：每种原料的用量；
所述烧结矿价格的预测机理模型如下：
其中，
进而，烧结矿利润r为：
步骤5：以提高利润为目标，建立优化模型，通过带精英策略的非劣排序遗传算法(nsga-ⅱ)计算出相似准数群的非劣解集，并根据烧结矿成本和利润选出最优配矿方案，即选取的各原料和燃料的种类和用量。
进一步的，所述步骤5选出最优配矿方案的方法，具体步骤如下：
步骤5.1：以提高利润为目标，即以烧结矿利润最大为第一优化目标，以烧结矿成本最低为第二优化目标，建立优化模型；
所述优化模型为：
max(r,1/c)；
步骤5.2：将烧结矿化验指标(包括烧结矿tfe、cao、sio2和mgo含量、ro)和现场原料最高与最低使用量设为约束条件，以各原料的价格为基准；
步骤5.3：根据步骤3所述数据驱动预测模型和机理预测模型，将各原料和燃料参数带入步骤5.2所述约束条件和所述优化模型中；
步骤5.4：通过带精英策略的非劣排序遗传算法(nsga-ⅱ)计算，确定遗传代数，确保最后一代的每一组数据都符合约束条件；
步骤5.5：在遗传的最后一代相似准数群的非劣解集的所有组数据中，根据烧结矿成本及利润，选取最优的一组解为最优配矿方案。
进一步的，所述步骤5.5中，选取最优的一组解的方法为采用topsis算法根据欧式距离选取。
与现有技术相比，本发明的优势在于：
本发明的方法根据不同种类原料、燃料的化验指标及价格，综合考虑成本及成品的利润，通过优化计算，给出烧结过程配矿方案的操作指导，可以在保证产品质量指标的基础上提高烧结生产过程的实时性、可靠性和经济性，降低了调节时间，提高烧结利润。同时现场数据自动保存，不需要人工记录，降低数据丢失、记录错误几率。
附图说明
图1是本发明实施例1中方法的流程图。
具体实施方式
下面结合附图，以某选矿厂实际情况为例，对本发明的具体实施做详细说明。
本实施方式的基于提高利润的烧结过程配矿优化方法，如图1所示，包括如下步骤：
步骤1：收集配矿混合料化验指标的历史数据，包括混合料的sio2、cao、mgo及tfe(铁含量)及其对应的ro(碱度)；
表1配矿混合料结果历史数据表
步骤2：收集每次配矿混合料所对应的烧结矿化验指标的历史数据，包括烧结矿tfe、cao、sio和mgo含量、ro及其对应的一级品率、合格品率；
表2选矿结果数据表
步骤3：采用机理建模的方法构建出所述混合料采用的各原料与所述混合料化验指标之间关系的机理预测模型；并根据已收集到的所述混合料化验指标历史数据以及所述的烧结矿化验指标，采用支持向量机的方法构建出烧结料化验指标与烧结矿化验指标之间关系的数据驱动预测模型；
各原料与所述混合料化验指标之间关系的机理预测模型如下所示：
其中，xi：参与配矿的每种原料用量；n：参与配矿原料总数；tfei：各原料全铁品位；caoi：各原料氧化钙质量分数；
采用支持向量机的数据驱动方法，通过历史数据，拟合出混合料化验指标【包括混合料的sio2、cao、mgo及tfe(铁含量)及其对应的ro(碱度)】与烧结矿化验指标(包括全铁含量、碱度、cao含量、mgo含量、一级品率、合格品率)之间的关系；
模型输入为混合料的性质，包括混合料tfe，ro，mgo，sio2，cao；
模型输出为烧结矿的性质，包括烧结矿
其中，
步骤4：根据所述混合料采用的各原料和燃料的价格和用量建出烧结矿成本的机理模型；根据现场操作经验，构建烧结矿价格的预测机理模型；
烧结矿预估成本c的计算模型如下：
其中，pi：每种原料和燃料单价；xi：每种原料和燃料用量。
烧结矿价格预估模型如下：
其中，
则烧结矿的利润r即为：
步骤5：将烧结矿利润最大设为第一优化目标，将烧结矿成本最低设为第二优化目标，通过带精英策略的非劣排序遗传算法(nsga-ⅱ)计算出相似准数群的非劣解集，并根据所述烧结矿成本和利润选出最优配矿方案，即选取的各原料和燃料的种类和用量；
步骤5.1：以烧结矿利润最大设为第一优化目标，以烧结矿成本最低设为第二优化目标，建立优化模型；
所述优化模型为：
max(r,/c)；
步骤5.2：将待生产的烧结矿化验指标(包括烧结矿tfe、cao、sio2和mgo含量、ro)和现场原料最高与最低使用量设为约束条件，以各原料价格为基准；
约束条件如表3和表4所示：
表3、约束条件表1
表4、约束条件表2
各原料的理化性质和价格基准如表5所示：
表5、各原料的理化性质和价格表
步骤5.3：根据步骤3所述数据驱动预测模型和机理预测模型，将各原料和燃料参数带入所述约束条件和所述优化模型中；
步骤5.4：通过带精英策略的非劣排序遗传算法(nsga-ⅱ)计算，确定遗传代数，确保最后一代的每一组数据都符合约束条件；
步骤5.5：在遗传的最后一代相似准数群的非劣解集的所有组数据中，根据烧结矿成本及利润，采用topsis算法根据欧式距离选取最优的一组解为最优配矿方案，即选取的各原料(包括矿石，活性灰，石灰石，镁石，无烟煤)的种类和用量。
优化得到的结果如下表所示：
表6、优化方案表
优化方案对应的烧结矿的化验指标为：
表7、烧结矿化学性质数据表
预计成本为591.81元/吨，预计售价为649.2元/吨，利润为58.81元/吨。
现有人工配比方案如下所示：
表8、人工配矿方案表
人工方案对应的烧结矿的化验指标为：
表9、烧结矿化学性质数据表
成本为605.5元/吨，预计售价为651.5元/吨，利润为46元/吨。
优化方案与人工方案对比，成本减少14.41元/吨，利润提高了12.81元/吨，并且一级品率和合格率也有所提高。
本发明一种基于烧结矿石利润最大化的烧结过程优化配矿方法与现在人工配矿方法相比较具有以下的优点：考虑烧结过程中的化学变化，在保证烧结矿质量的情况下使烧结利润成本降低，使烧结利润最大化。优化算法与专家经验相结合，提高了配矿过程的实时性与准确性。减少人工干预，预防不必要的错误。