商秀芹，盧建剛
中科院自動化所復雜系統智能控制與管理國家重點實驗室（籌），北京

浙江大學工業過程控制國家重點實驗室，浙江杭州

摘　　　要：為減少燒結礦化學成分和質量波動，采用改進的遺傳規劃算法ＨＧＰ，建立了２種關鍵的燒結礦化學成分的預測模型。ＨＧＰ算法利用在初始種群中加入部分機理經驗的方式，融合機理和數據分析進行綜合建模；采用反饋校正的思想，對模型多次修正，提高模型的精度。實驗表明建立的燒結礦化學成分預測模型的有效性。

關　鍵　詞：燒結礦化學成分；預測模型；遺傳規劃算法

１　引　言
隨著我國工業的不斷發展，鋼鐵的需求量越來越大。由于我國是一個貧鐵礦國家，國內的鋼鐵生產企業原料主要依賴進口鐵礦石。１９８５年，國內進口鐵礦石１０００萬噸，之后的鐵礦石進口量以每年１４�保梗サ乃俣仍鲩L。２００９年，進口量增為６�保硟|噸，同比增長４１�保叮�，對外依存度從２００２年的４４％提高到６９％。然而，隨著鐵礦石價格日漸攀升，國內鋼鐵企業面臨著生產成本提高的壓力。面對這一壓力，國內大多數鋼鐵企業采用進口礦和國內鐵礦石等多種混合鐵礦石為原料的方法。但是，這種方法卻加大了鐵廠的進料化學成分的波動，不利于穩定生產和節能降耗。燒結過程便是在含鐵原料進入高爐之前對其進行預處理，減小高爐進料成分波動，達到改善和穩定進料的目的。實踐表明，燒結礦成分穩定對高爐煉鐵有重要影響：燒結礦中全鐵波動增加０�保保�，引起高爐減產０�保常常� －０�保矗埃ィ粺�結礦堿度波動增加０�保埃�，高爐減產０�保玻埃� －０�保矗埃�。為了減少燒結礦化學成分波動，對燒結礦化學成分預測成為亟待解決的問題。燒結過程機理復雜，存在較大滯后，難以精確機理建模�，F有的燒結礦成分預測方法主要有神經網絡、專檢系統、模糊算法、多元回歸等方法。文獻［１］中采用模糊神經網絡（ｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋ，ＦＮＮ）和遺傳算法的混合算法，建立了全鐵，二氧化硅，氧化鈣的預測模型。文獻［２］中采用ＢＰ網絡建立了燒結過程多目標優化綜合模型。由于這類模型多為灰箱模型，其不足為不能反映模型的動態特性。此外，另一些專家學者采用多元回歸的方法建立燒結礦成分預測自回歸滑動平均模型［３］。由于實際燒結礦成分波動較大，多元回歸方法精度不高。為了建立一定精度下的解析模型，本文采用遺傳規劃算法，并結合部分機理，建立數據與機理結合的混合模型。

登錄網站后可下載文件