[发明专利]基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法

权利要求书

1.基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法，其特征是它包括以下步骤：利用模糊C均值聚类遗传算法分别对焦粉、苏打、燃气加入量进行优化，将优化结果和卡尔多炉工况实测值进行比较并通过控制器进行调整，再将经过调整后的焦粉、苏打、燃气加入量利用工况判断模型对焦粉、苏打和燃气加入量的调整值进行判断：

式中：S²是综合工况指数，W_A、W_B、W_C分别表示通过冶金学计算的需要的理论值，A、B、C分别表示焦粉、苏打、燃气寻优的目标值，分别为焦粉、苏打、燃气加入量对综合工况指数的影响因子，其大小由历史专家经验确定，约束条件为：

根据计算获得的值，可将综合工况指数分为优、良、中、差四个区间，四个区间的取值范围分别是0～a₁、a₁～a₂、a₂～a₃、＞a₃；如果当前的综合工况指数落在“优”区间，则保持当前的操作参数；如果当前的综合工况指数落在“非优”区间，则根据阳极泥批料冶金学计算工况计算出的焦粉、苏打、燃气加入量的理论值调用模糊C均值聚类遗传算法并利用现代控制理论中的操作空间设定控制焦粉、苏打和燃气期望指标，给出操作优化指导。

2.如权利要求1所述的基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法，其特征是所述模糊C均值聚类遗传算法包括

Step1：建立样本库

建立Kaldo炉作业过程优化操作数据库，用于保存历史上典型工况下的优化操作数据；数据库中的个体样本主要由两部分构成：用于样本聚类的数据，包括阳极泥滤饼的加入量、各溶剂的加入量、富氧流量、空气流量、熔炼还原时间、熔体温度和各金属的质量分数等；用于优化操作的数据，包括添加溶剂和富氧流量的设定值，这些数据能反映出在与当前类似工况的条件下专家操作经验，当前采集获得的现场数据样本包含同样内容；

Step2：模糊聚类

采用模糊C均值聚类方法对优化操作数据库中的样本进行聚类，如果有新的优化操作样本加入则需要重新对样本进行聚类；聚类后优化操作样本可分为10类，第i类的类中心为Ci，现场数据样本与类中心之间的相似性用相似系数表示：

式中：、为两个样本，P为样本中用于聚类的元素个数，如果样本中所有元素取正数，则，越接近于1，表明二者越相似；当=1时，说明、完全相同；

Step3：判断当前工况所属类别

计算现场数据样本与10个聚类中心的相似系数，选择相似系数最大的类，作为当前工况所属类别；

Step4：遗传编码确定

编码长度取决于工艺参数的编码精度，由Kaldo炉作业数据可知，变化范围最大的工艺参数是燃气(变化量为1000-200=800)，采用二进制编码方式，当编码长度取10时（共2¹⁰=1024个），其精度为800/1024=0.78，满足生产要求，故编码长度取10；

Step5：群体个数

当群体小于某个数时，网络难于进化；但随群体的增大，相应的训练时间加长，群体大小选择相似系数较大的10个工况所属类别；

Step6：适应度函数

以综合工况指数S²为适应度评价函数，并计算适应度函数的值，判断当前炉况是否符合表一的优化准则，若符合，停止迭代计算，得到工艺参数的优化值，否则，转向Step7；

Step7：交叉和变异概率

交叉概率取0.75，变异概率取0.05；

Step8：

得到由交叉和变异操作产生新一代的种群，并返回Step6。