第五章 高爐煉鐵多目標優化控制模型研究

高爐冶煉過程是一個物理和化學反應高度復雜的過程，它的運行機制往往具有非線性、大時滯、分布參數等眾多特點。同時，高爐本身是一個集傳熱與化學反應耦合的開放體[44]。其中，高爐入爐焦比、高爐鐵水溫度以及鐵水產量不僅是高爐煉鐵過程中的關鍵參數也是高爐冶煉過程中的重要評價指標。針對單目標優化往往是以局部為出發點，不能從全局考慮，從而限制了最大節約能源的能力。

所以通過建立以高爐入爐焦比、鐵水產量為多目標，以高爐鐵水溫度和其他條件為約束條件的綜合優化控制模型來指導高爐的節能降耗工作。本章利用高爐煉鐵過程中的數據，結合第三章和第四章建立的高爐入爐焦比模型和鐵水溫度以及產量模型，建立以高爐入爐焦比和高爐鐵水產量為目標函數，以高爐鐵水溫度為主要約束條件的高爐煉鐵多目標優化控制模型，同時，應用改進多目標粒子群算法對高爐煉鐵多目標優化控制模型進行最優解的尋找，最終完成了對爐煉鐵多目標優化控制模型的設計并且在理論上驗證了優化模型的可行性。從而為鋼鐵企業節能減排打下堅實基礎。

5.1 高爐煉鐵多目標優化控制原理

在日常生活中，有很多問題是由多個目標共同組成，而且多個目標之間有是相互作用和相互影響的。為了使多個目標盡可能在在給定區域內實現最優化, 相關學者和專家做了大量的研究課題，這也就是多目標優化問題(Multi Objective Optimization, MOP ) [45]。同樣，在鋼鐵生產中，多目標優化問題也廣泛存在，例如：在高爐煉鐵工序中，為了滿足多個目標的需求，(在冶煉過程中，我們想讓高爐入爐焦比最小以及高爐鐵水產量最大)也會存在多目標優化問題。一般情況下,在多目標優化問題中，各個子目標之間可能是相互矛盾或相互制約的,一個因素可能影響一個或多個子目標，一個子目標的性能改善可能會引起一個或多個子目標的性能降低, 也就是說，想要使眾多子目標一起達到最優值是不可能的，最好的方法是在各個目標之間折中和協調處理，盡可能的使眾多子目標達到性能最優。多目標優化問題與單目標優化問題最明顯的區別是：多目標優化問題的解不唯一，可能存在多組解，這樣的解稱之為 Pareto[46]最優解或非劣最優解。

........

總結

高爐煉鐵過程中物理化學反應復雜多變，通過對高爐冶煉過程深入研究和分析，結合前人的理論以及相關領域的研究成果，綜合應用數理統計、神經網絡、系統分析和統計學的相關知識，就高爐煉鐵入爐焦比、鐵水溫度和產量的建模預測和高爐煉鐵多目標優化控制問題展開系統的研究。建立高爐入爐焦比模型、高爐鐵水溫度模型、鐵水產量模型以及完成高爐煉鐵多目標優化控制的設計。最終實現鋼鐵企業節能降耗的目的。本論文取得的研究成果如下:

1.通過對高爐煉鐵工藝流程，主要原料，燃料和溶劑的了解，主要分析了高爐煉鐵工藝系統組成以及每個系統的重要作用，并著重對高爐煉鐵機理進行全面分析，探索高爐煉鐵過程中各種化學反應，借助化學反應式闡明高爐內的冶煉過程。

2.建立高爐煉鐵入爐焦比預測模型，通過定性分析和定量分析確定了影響高爐煉鐵入爐焦比的關鍵因素，以最小二乘支持向量機構建預測模型主體，通過粒子群算法對預測模型進行參數尋優，選擇最優參數代入預測模型中，最終，完成了高爐煉鐵入爐焦比預測模型的構建。

3.建立高爐鐵水溫度預測模型以及高爐鐵水產量預測模型，通過對預測目標特點分析，選擇廣義回歸神經網絡算法進行預測模型的構建，最后通過測試樣本對預測模型進行驗證，證明了該預測模型的可靠性。

4.設計高爐煉鐵多目標優化控制模型，根據本文第三章和第四章建立的高爐預測模型，設計了優化模型中的目標函數、決策變量和約束條件，應用改進多目標粒子群算法完成了對高爐煉鐵多目標優化控制模型的求解。

.........