[发明专利]一种配料优化方法、系统、烧结系统、设备及介质

说明书

本申请涉及一种配料优化方法、系统、烧结系统、设备及介质，该方法包括获取烧结原料参数历史数据、烧结过程参数历史数据、烧结矿质量指标参数历史数据及当前烧结过程参数，计算满足预设烧结原料成分含量指标区间、预设烧结原料配料含量指标区间及预设烧结矿成分含量指标区间的配料方案，得到初始配料方案集，根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，建立关联模型，将初始配料方案集中的初始配料方案及当前烧结过程参数输入关联模型中，得到对应的烧结矿冶金性能参数，当初始配料方案对应的烧结矿冶金性能参数在预设烧结矿冶金性能参数区间范围内时，得到优化配料方案，本申请能够保证冶金性能。

技术领域

本申请属于烧结矿技术领域，特别涉及一种配料优化方法、系统、烧结系统、设备及介质。

背景技术

配料是将各种原料(含铁矿料、熔剂、燃料等物质)按照一定的比例，混合在一起的工艺过程。配料是烧结过程的首个工序，对烧结矿的化学成分和理化性能具有重要影响。国内烧结厂普遍采用二次配料工艺：首先将铁矿粉原料按照一定比例混合形成混匀矿，该过程称为“预配料”，然后将混匀矿、熔剂、燃料、返矿及含铁废料等按一定比例混合得到混合料，该过程称为“烧结配料”。混合料经烧结后最终形成烧结矿。

在烧结配料环节，普遍根据操作人员的经验调控原料配比。然而，采用这种方法比较盲目，难以掌握规律且有可能失控。也有采用传统的电子表格进行计算来调控原料配比的，然而该方法仍不能满足烧结矿精细化配料的要求。这两种方法均无法保证在满足烧结矿质量要求的同时，降低烧结成本。

为解决上述技术问题，相关技术中通过优化配料模型来提高配料计算结果的准确性和稳定性，以提高烧结矿质量，并降低烧结成本。如采用粒子群优化算法，对二次配料归一化模型进行求解，得到各原料在预配料和烧结配料过程中的配比。如采用遗传算法对配料目标函数进行寻优求解，得到成本最低的配料方案。如根据烧结试验及实际生产中的工业数据建立成分预测模型，利用线性规划和神经网络的建立烧结配料优化模型，采用从定性到定量综合集成方法，将这些模型综合集成，从而实现烧结配料的优化。然而，上述方法均无法保证烧结矿的冶金性能。

发明内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供一种配料优化方法、系统、烧结系统、设备及介质，以解决相关技术中无法保证烧结矿的冶金性能的技术问题。

本申请提供一种配料优化方法，包括：

获取烧结原料参数历史数据、烧结过程参数历史数据、烧结矿质量指标参数历史数据、当前烧结过程参数，所述烧结原料参数包括烧结原料成分含量和烧结原料配料含量，所述烧结矿质量指标参数包括烧结矿成分含量和烧结矿冶金性能参数；

采用遗传算法计算满足预设烧结原料成分含量指标区间、预设烧结原料配料含量指标区间及预设烧结矿成分含量指标区间的配料方案，得到初始配料方案集；

根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，建立关联模型；

将初始配料方案集中的初始配料方案及当前烧结过程参数输入关联模型中，得到初始配料方案对应的烧结矿冶金性能参数；当初始配料方案对应的烧结矿冶金性能参数在预设烧结矿冶金性能参数区间范围内时，得到优化配料方案。

在本申请的一示例性实施例中，根据烧结原料参数历史数据、烧结过程参数历史数据及烧结矿质量指标参数历史数据，采用神经网络算法建立关联模型。

在本申请的一示例性实施例中，采用神经网络算法建立关联模型包括：

根据所述烧结原料参数历史数据、烧结过程参数历史数据和烧结矿质量指标参数历史数据，构建训练集和测试集；

根据所述训练集，采用神经网络算法通过迭代训练得到预测模型；

将测试集中的烧结原料参数历史数据和烧结过程参数历史数据输入预测模型中得到烧结矿冶金性能预测指标；