[發明專利]氧氣底吹爐銅熔煉過程參數在線預測方法

在審

• 申請號: 202010280593.7
• 申請日: 2020-04-10
• 公開（公告）號: CN111554353A
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 張哲鎧;黎敏;李兵;吳金財
• 申請（專利權）人: 中國恩菲工程技術有限公司
• 主分類號: G16C10/00
• 分類號: G16C10/00;G16C20/30;C22B15/00;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 宋合成

1.一種氧氣底吹爐銅熔煉過程參數在線預測方法，其特征在于，包括：

根據原料輸入條件并基于物料平衡模型、能量平衡模型及多相平衡模型，建立關于銅锍品位預測值、硅鐵比預測值和渣溫度預測值的底吹熔煉爐機理模型；

根據實際生產數據并基于目標參數和輸入參數之間的銅锍品位神經網絡模型、硅鐵比神經網絡模型及渣溫度神經網絡模型，建立關于銅锍品位預測值、硅鐵比預測值和渣溫度預測值的底吹熔煉爐數據驅動模型；

利用智能協調器對所述機理模型和所述數據驅動模型進行集成，得到關于銅锍品位預測值、硅鐵比預測值和渣溫度預測值的底吹熔煉爐混合模型，利用所述混合模型輸出銅底吹熔煉過程中銅锍品位、硅鐵比和渣溫度的最終預測值，

其中，所述智能協調器適于基于所述機理模型和所述數據驅動模型各自輸出的銅锍品位預測值、硅鐵比預測值、渣溫度預測值與銅锍品位、硅鐵比和渣溫度的實際測量值之間的偏差，計算所述機理模型和所述數據驅動模型在所述混合模型中的加權系數，并根據所述加權系數、所述機理模型預測值和所述數據驅動模型預測值，輸出銅锍品位、硅鐵比和渣溫度的最終預測值。

2.根據權利要求1所述的在線預測方法，其特征在于，所述物料平衡模型是基于物料平衡方程建立的，所述能量平衡模型是基于能量平衡方程建立的，所述多相平衡模型是基于多相平衡方程建立的，采用METCAL軟件或METSIM軟件對所述物料平衡方程、所述能量平衡方程和所述多相平衡方程進行聯立求解并結合銅底吹熔煉過程的工藝特征建立所述機理模型。

3.根據權利要求1所述的在線預測方法，其特征在于，所述銅锍品位神經網絡、所述硅鐵比神經網絡和所述渣溫度神經網絡分別獨立地包括多個人工神經元，所述人工神經元包括但不限于銅底吹熔煉過程中的富氧率、配煤率、氧料比、熔劑率、入爐Cu量、入爐Fe量、入爐S量、入爐CaO量和入爐SiO₂量。

4.根據權利要求1所述的在線預測方法，其特征在于，利用BP神經網絡的建模機理并結合銅底吹熔煉過程的工業生產大數據和銅锍品位神經網絡、硅鐵比神經網絡及渣溫度神經網絡建立所述數據驅動模型。

5.根據權利要求1所述的在線預測方法，其特征在于，基于實際生產結果定期或實時對所述混合模型進行校正。

6.根據權利要求1所述的在線預測方法，其特征在于，對所述混合模型進行校正包括：將所述混合模型輸出的銅锍品位、硅鐵比和渣溫度的最終預測值與實際測量值進行對比：

若誤差在預期范圍內，保持所述混合模型中所述加權系數不變；

若誤差在預期范圍外，將所述最終預測值返回至所述智能協調器并對所述加權系數進行調整，重復上述操作，直至誤差降低至預期范圍內。

7.根據權利要求1～6中任一項所述的在線預測方法，其特征在于，所述智能協調器采用模糊劃分輸入的變量區域并綜合的方法計算所述機理模型和所述數據驅動模型預測方法的加權系數。

8.根據權利要求7所述的在線預測方法，其特征在于，利用f₁表示所述機理模型輸出的預測結果，利用f₂表示所述數據驅動模型輸出的預測結果，利用μ(x)表示所述數據驅動模型在所述混合模型中的加權系數，利用(1-μ(x))表示所述機理模型在所述混合模型中的加權系數，所述智能協調器的輸出的預測結果為：

y＝f₂×μ(x)+f₁×(1-μ(x))，

其中，y代表預測結果，所述預測結果包括銅锍品位預測值、硅鐵比預測值和渣溫度預測值，所述數據驅動模型在所述混合模型中的加權系數μ(x)為：

x代表輸入變量，所述輸入變量的選擇范圍包括但不限于富氧率、配煤率、氧料比、熔劑率、入爐Cu量、入爐Fe量、入爐S量、入爐CaO量和入爐SiO₂量；a、b、c、d為根據實際工業生產的技術數據得到的與所述輸入變量對應的特征參數，所述特征參數決定所述輸入變量的隸屬函數。

9.根據權利要求8所述的在線預測方法，其特征在于，所述數據驅動模型在所述混合模型中的加權系數μ(x)為：

其中，μ_i為輸入變量i及其對應的特征參數a、b、c、d計算得到的隸屬函數，λ_i為輸入變量i在j個輸入變量中所占的權重系數，λ_i由經驗值確定。