高炉是钢铁工业中最为重要的工业对象之一,也是我国钢铁工业高能耗,高排放的主要来源。面对钢铁工业节能降耗的严峻形势,高炉炼铁向高效、低耗、自动化方向发展势在必行。高炉喷煤技术是现代高炉炼铁生产广泛采用的技术,已成为高炉下部调节所不可缺少的重要手段之一,以价格低廉的煤粉部分替代价格昂贵且日趋匮乏的焦炭,既降低了高炉炼铁的焦比,节约成本,也降低了炼焦生产的能耗与污染。因此,提高喷煤量替代部分焦炭是高炉生产降低能耗、节约成本的有效措施。目前,高炉冶炼喷煤操作仍采用人工模式,即操作人员根据工艺指标及冶炼知识,凭借积累的经验决策出喷煤设定值,并根据炉温、炉况对喷煤量进行增减操作。但由于高炉冶炼过程存在复杂性、滞后性和状态多变性,喷煤设定值由炉长人为给定,存在盲目性,粗糙性等问题,无法准确地决策出当前炉况下的最佳喷煤设定值。同时,在高炉冶炼过程中,各单元都是孤立运行的,缺乏协同优化,严重影响了大型高炉运行的效率,安全性和可靠性,导致难实现低耗、高产、优质的优化控制目标。因此,利用高炉冶炼过程的专家知识和过程数据建立运行优化控制模型,是冶金与控制领域研究的热点问题,也是亟待解决的难点问题。针对以上问题,本文主要进行的是基于能量平衡的高炉燃料比协同优化决策研究,主要工作如下:(1)高炉冶炼问题描述及研究方案。通过阅读、学习大量文献及理论知识,对高炉冶炼工艺及喷煤技术对高炉冶炼的影响进行了综述。描述了高炉冶炼过程的控制模式,并针对控制模式的特点,利用分层优化方法将高炉运行优化控制问题进行解耦描述。通过分析高炉运行优化过程中的能量平衡及协同优化问题,提出基于能量平衡的高炉燃料比协同优化决策研究方案。(2)高炉冶炼过程数据分析处理。由于现场采集的高炉生产数据具有数据量大、采样周期不同、受外界因素影响大等特点,因此,进行数据处理是必不可少的。应该以高炉生产过程数据为研究对象,从变量选取、数据预处理、数据降维三个方面进行高炉冶炼过程数据分析处理。其中,变量选取根据生产现状及专家经验进行确定;数据预处理包括异常值检测、缺失值修补及数据归一化,重点讲解了数据预处理的过程中使用的方法;数据降维主要采用相关性分析的方法,并对数据预处理之后的高炉过程数据进行了相关性分析。(3)喷煤量设定值优化模型建立。利用某钢铁厂采集的高炉生产数据,采用基于K-均值聚类的径向基神经网络建立优化目标关联模型(燃料比,煤比预测模型),通过该模型将喷煤量及其他生产过程参数与优化目标(燃料比、煤比)相关联。采用基于时间序列的径向基神经网络建立炉温预测模型(铁水温度、硅含量预测模型),通过该模型得到炉温预测指标。(4)基于燃料比最优的高炉喷煤量设定值优化。以燃料比最优(燃料比最小,煤比最大)为优化目标,以优化目标关联模型为目标函数、炉温预测指标为约束条件、喷煤量为决策变量,分别建立单目标和多目标优化模型,并采用NSGA-Ⅱ算法进行优化求解。之后,将单目标和多目标优化的优化效果进行对比,比较后得出:多目标优化更适合用作基于燃料比最优的高炉喷煤量设定值优化。(5)基于DE和NSGA-Ⅱ混合进化算法的多目标优化。将差分进化策略引入到NSGA-Ⅱ算法中,形成DE和NSGA-Ⅱ混合进化算法(DE-NSGA-Ⅱ算法)。采用已经建立好的多目标优化模型,通过DE-NSGA-Ⅱ算法,进行基于燃料比最优(燃料比最小,煤比最大)的多目标优化。然后,将DE-NSGA-Ⅱ算法和NSGA-Ⅱ算法的优化效果进行了对比,比较得出:采用DE-NSGA-Ⅱ算法进行基于燃料比最优的高炉喷煤量设定值优化得到的优化效果更好。因此,应该采用基于DE-NSGA-Ⅱ算法的多目标优化方法来进行喷煤量设定值优化,根据优化目标决策出当前炉况下的最佳喷煤设定值。本课题以某钢铁厂的大型高炉为研究对象,提出基于能量平衡的高炉燃料比协同优化决策研究方案,以燃料比最优(燃料比最小,煤比最大)为优化目标,进行高炉喷煤量设定值优化,决策出当前炉况下的最佳喷煤设定值,达到了降低能耗,节约成本的目的,在高炉冶炼过程的运行优化控制研究领域具有重要的科学意义和广阔的应用前景。