一种基于数字孪生的烧结过程智能配矿方法

技术领域

本发明属于烧结过程中的原料配比智能优化方法，具体涉及一种基于数字孪生的烧结过程智能配矿方法。

背景技术

烧结生产过程流程长、环节多，从控制观点看，烧结过程具有复杂性、非线性、时变性和不确定性，属于典型的复杂被控制对象。混匀矿配料和烧结矿配料的优劣直接影响着冶金生产的产量与质量，与企业的经济利益息息相关。钢铁企业如何合理的选择和有效的利用铁矿石资源，确保各个环节产品质量的同时降低钢铁生产成本，从而增强企业竞争力，已经成为一个亟需解决的课题。长期以来，烧结配料在很大程度上是由操作工凭经验来人工控制的。随着对烧结原料性质认识的不断深入、烧结装备水平的提高、相关工艺技术的采用以及自动控制思想的引入和实现，智能优化配矿系统的应用已成为追求烧结生产“优质、高产、低耗”的重要手段，并成为国内外烧结厂提高技术水平的主攻方向。

在钢铁冶炼生产工艺流程中，第一道工序就是烧结配料，包括混匀矿配料、和烧结矿配料。烧结矿配料是将混匀矿、熔剂和固体燃料按照一定比例混合，之后通过充分搅拌、混匀得到的原料。烧结矿配料影响着烧结矿的铁品位、碱度、二氧化硅含量、氧化钙含量、杂志硫含量等。这些成分控制不合理，会进而影响烧结矿的强度、转鼓强度、碱度和还原性等；在混匀矿配料中，根据烧结矿的入料质量要求，对混匀矿原料进行控制；混匀矿是烧结矿配料的原料，是将各种矿石原料进行充分混合后的产品，影响烧结矿的成分，尤其是铁品位和二氧化硅含量。钢铁企业合理的选择和有效的利用铁矿石资源，保证各个环节产品质量的同时降低钢铁生产成本，从而增强企业竞争力具有重要意义。

国内各大钢铁厂在冶炼生产过程中存在一些难点，配料原料种类繁多，物理特性和化学成分含量差别较大，在严格按照工艺生产要求的前提下，配料方案显得格外重要。由于企业内部是由很多职能部门组成，物料配方优化涉及到采购部门、技术部门和生产部门，各个部门内部的考核指标存在差异，各自的配料优化目标不同，导致多部门协同物料配方优化困难。为设计铁前最优配料优化方案，钢铁企业需要将采购、配矿、产出评价三个环节紧密的结合起来，利用大数据、专家系统与实验数据结合的方法进行物料配方优化。然而，单纯通过人工经验进行配比混料，存在一系列问题，包括进行实时物料信息获取困难、多级配料间能质流耦合复杂和精细智能优化配料困难的问题。这些问题导致不能有效打破环节之间的壁垒，进而造成配比失效。

发明内容

为了克服现有技术的不足，本发明提出了一种基于数字孪生的烧结过程智能配矿方法。本发明从烧结生产的实际业务、工艺机理出发，采用先进传感、数据挖掘与处理、数据建模、调控优化等技术手段，基于工业互联网平台建设烧结生产线的数字孪生系统，构建烧结过程智能配矿方法，实现原料的合理采购，铁前物料的实时配比决策，产出的有效评价，降低生产成本、减少有害元素排放，提高烧结过程的质量和产量。

本发明采用以下技术方案实现：

一种基于数字孪生的烧结过程智能配矿方法，包括如下步骤：

1) 分析烧结流程、设备数字孪生体需求，研究烧结流程、设备几何属性数字化复刻和运行机理多时空尺度建模，利用数字孪生技术建立烧结生产全流程数字孪生模型并将真实物理模型的运行数据，包括工艺数据和产品数据，输入到数字孪生模型中，实现物理模型和孪生模型的虚实交互；在此基础上，开展基于数字孪生的物料配方优化模块的搭建；

2）采用先进传感、数据挖掘与处理、数据建模、调控优化，在烧结生产全流程数字孪生模型基础上建立烧结物料配方优化模块，形成可视化虚拟烧结生产系统，实现与现场物理生产线平行运行，为烧结生产安全高效运行提供模拟仿真、监测诊断、预测优化、测试验证的孪生系统平台；

3）通过数字孪生技术产生虚实数据，扩充数据库；同时利用数据挖掘和数据库管理技术，实现数据清洗、数据降维、数据关联；构建烧结过程知识库；

4）利用XGBoost模型和改进灰狼优化算法构建烧结过程配料优化模块，并提出了一种改进的灰狼优化算法用于求解模型，所述的改进包括两个方面：基于sigmoid函数的收敛因子调整和基于差分变异策略的个体更新

5）将搭建的配料优化模块上传至数字孪生系统，对烧结过程的原料配比进行实时优化，并通过前端进行展示。

所述的步骤1）中，

首先，依据烧结流程、设备数字孪生体需求分析，结合现有的测量方法，完成烧结流程、设备实体对象的几何结构，空间运动，几何关联属性获取，基于烧结流程、设备实体对象的空间几何结构，结合烧结流程、设备实体对象的空间运动规律，利用3D重建工具，实现烧结流程、设备空间几何模型的重建；

然后，利用数字孪生模型融合技术建立具有烧结流程/设备几何属性和运行机理的数字孪生模型，在此基础上利用烧结流程、设备孪生模型与实体间信息交互技术，将实体对象的运行状态信息与各类操作信息赋予孪生模型，使得数字孪生模型能够全生命周期映射实际对象，同时数字孪生模型还能根据实体传输的数据不断进行迭代优化，提高对实体的映射精度；通过数字孪生模型对各类运行状态和物料变化情况进行预测，根据预测信息指导实际烧结生产过程，从而构成真正数字化的烧结流程、设备数字孪生体。

所述的步骤1）中所述建立烧结生产全流程数字孪生模型，包括：（1）数据高效传输：为保证系统实时性，提高数字孪生系统的实时跟随性能，需要高效的传输技术，以缩短系统传输数据的时间，降低系统延时；（2）多源异构数据的多时空尺度建模。

所述的步骤4）中包括：首先，利用铁矿石知识库，确定与烧结矿物理性能指标相关的原料参数；然后，利用XGBoost构建原料参数与物理性能指标的映射函数，并将其作为优化的目标函数；接着根据烧结的化学成分和工艺参数设定一系列的约束条件，建立多目标优化模型；最后，提出了一种改进的灰狼优化算法对优化模型进行求解。

所述的步骤4）中，基于数字孪生平台，工作人员可以计算自己设定的物料配方，通过后端配料优化模块，计算出当前配方比例的性能结果，对自己的方案进行结果验证。物料配方计算结果展示在前端数字模型界面中。

本发明的有益效果在于：

1、数字孪生技术与现有配料方法结合，通过物料配方优化与工艺参数设计仿真，实现原料的合理采购、铁前物料的实时配比决策、产出的有效评价，从而提高烧结生产效率，降低生产成本、减少有害元素排放、提高产品质量。

2、提出了一种改进的灰狼优化算法，用于对模型进行求解，可以提高模型求解的收敛性和速度，满足工业现场实时稳定的需求。

附图说明

图1为基于数字孪生的烧结过程智能配矿方法的流程示意图。

图2异构要素感知和传输过程示意图。

图3铁矿石知识数据库的预处理流程图。

图4烧结智能配矿技术路线示意图。

图5烧结配料与成品矿化验指标之间的映射关系图。

图6基于智能优化算法的烧结配料优化模块。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述。

图1提供了基于数字孪生的烧结过程智能配矿方法的一个流程示意图，本发明的过程可以概述如下：首先，根据真实世界物理实体模型，利用计算机模拟技术将烧结生产过程数字化、可视化和具象化，搭建超过烧结过程数字孪生模型，并建立相应的数字孪生验证平台；然后，通关烧结过程的机理知识构建铁矿石知识库，并利用机器学习模型和智能优化算法建立烧结配料优化模型；随后，基于数字孪生平台和配料优化模型，工作人员可以计算自己设定的物料配方，通过后端配料优化模型，计算出当前配方比例的性能结果，对自己的方案进行结果验证；最后，物料配方计算结果展示在前端数字模型界面中，对模型结果进行调试，并在实际工业现场检验。

下面提供该基于数字孪生的烧结过程智能配矿方法的具体步骤，包括如下步骤：

1. 烧结过程数字孪生模型的构建。依据烧结流程/设备数字孪生体需求分析，结合现有的测量方法，完成烧结流程/设备实体对象的几何结构，空间运动，几何关联等几何属性获取。基于烧结流程/设备实体对象的空间几何结构，结合烧结流程/设备实体对象的空间运动规律，利用3D重建工具，实现烧结流程/设备空间几何模型的重建，能够在秒、分、小时等时间尺度和设备、工序、产线等空间尺度上全方位地精确描述出实际烧结过程中关键工序和主要设备的运行状态与物料流通的变化情况，全面刻画出实际烧结过程中输出量与输入量之间的准确关系。同时，针对烧结流程/设备实体模型重建过程中存在计算资源有限的问题，进行烧结流程/设备空间几何模型的渲染优化，考虑到烧结流程各阶段设备相互关联，对烧结流程中各设备空间几何模型进行匹配连接，从而实现烧结流程/设备几何属性数字化精准复刻。主要包括：

1.1 烧结流程/设备几何属性数字化复刻技术。针对烧结流程/设备实体对象的空间几何属性错综复杂的问题，采用基于CAD技术的制图测绘方法，根据烧结流程/设备各阶段实体对象的真实几何属性，通过特定的度量手段，将现实三维空间的设备实体对象的几何属性映射至二维空间；为了真实复刻烧结流程/设备的外观设计，采用CCD成像技术，获取烧结流程设备的图像信息，为烧结流程/设备的实体空间几何模型提供素材。烧结流程/设备实体对象的空间几何属性信息种类繁多、数据结构复杂，而3D重建工具与渲染优化工具的功能侧重不同。目前常用的3D重建工具有：Maya，Solidworks，3Dsmax等。Maya一般用于影视动画的3D重建，Solidworks注重于结构设计与参数设计，功能单一，而3Dsmax除了可以对具体对象进行结构设计与参数设计，还可以进行场景建模，模拟物体的运动状态，适合数字孪生体空间几何属性的3D重建。

1.2 烧结流程/设备运行机理多时空尺度建模技术。烧结工艺是烧结系统中生产人造富铁矿的造块技术之一，通过将精矿粉在高温下熔结成矿块，作为高炉烧结的原料使用。烧结的配料过程是将准备好的各种原料（精矿、矿粉、燃料、熔剂、返矿及含铁生产废料等）按一定比例经过配料、混合与制粒，得到符合要求的烧结料。由于配料的方式直接影响烧结矿的品质，通过对烧结配料过程进行建模，使烧结数字孪生模型能够映射烧结配料全过程的运行情况，获得不同配料方式在烧结之前的物理属性，为揭示最终烧结料质量与配料方式间的关系奠定基础。

1.3 烧结流程/设备孪生模型与实体间信息交互技术。利用数据库技术将烧结过程中的配比参数、点火温度、抽风功率、FeO含量、转鼓强度等关键信息动态地传输至烧结数字孪生模型，对于烧结断面视频等大容量数据，利用工业以太网进行传输。针对烧结过程的复杂物理化学反应，基于烧结多相热力学模型，精准刻画烧结原料变为烧结矿的实时生成机制及产生机理。基于烧结过程中产生的大量信息，利用多维特征提取方法，挖掘反应烧结质量的深度特征，对烧结数字孪生模型进行全生命周期更新，使数字孪生模型与真实烧结过程保持同步，具有多层次多尺度的映射和演化能力。实现烧结数字孪生模型与烧结系统的实时交互。

2孪生验证平台的构建。孪生验证平台对传感器数据、自动化系统数据以及企业业务系统数据进行采集，并结合边缘计算、协议解析等技术将数据集成后在数据平台云端进行储存、备份与管理。在烧结生产线数字孪生系统模型架构中，孪生数据平台位于物理空间和虚拟空间关联关系映射层，起着连接数字孪生应用层、物理空间实体模型层和虚拟空间多维模型层的作用。主要步骤如下：

2.1数据平台从物理车间、信息系统、虚拟模型、服务系统等数据源采集异构数据，以各种通讯载体（如：光纤、4G、5G无线网络等）将经过通讯协议（如：Modbus TCP/IP、ModbusRTU等）封装的信息数据上传至多源并发数据感知控制智能前端，实现烧结生产线数字孪生系统异构要素感知；

2.2构建自组织感知实时网络，实现多源并发数据的实时、高速、高可靠传输。数据平台支持与现场自动化集成，支持10种以上的开放工控协议，同时可以通过4G、以太网的方式将传感器传入工业互联网，并与部分品牌工控系统实现数据互通。由于炼铁生产线数字孪生系统的数据采集量庞大，物理车间海量传感器数据、虚拟模型数据、仿真数据、服务系统数据等覆盖全要素、全流程、全业务的相关数据需要高效率、低时延的传输，以保证数字孪生系统的实时跟随性能。针对以上需求，采用一种自组织感知实时网络——移动自组织网络使得物理车间异构要素、信息系统、虚拟模型数据和服务平台数据，能够通过多种工业总线或无线网络，实现互联互通，整体架构和实现过程如图2所示。

2.3构建分布式全局数据库，实现系统数据与外设数据的全局一致与接口统一，实现数据高效率实时存储、检索和并行计算；其中针对实时性要求较高的数据采用分布式流处理，实现高吞吐量、低延迟的流式数据操作。

3．铁矿石烧结性能知识库的构建。该过程主要包括铁矿石知识库和化学成分知识库。例如，铁矿粉的自身特性是影响铁酸钙生成能力的重要因素。铁矿粉的种类、粒度、致密性、碱度、化学成分（包括CaO、MgO、SiO

4. 烧结过程配料优化模块的搭建。对配料生产现场进行调研、对生产现场数据进行处理、构建单一工序物料配方优化模型、构建多工序物料配方优化模型。通过结合生产实际的需要，对配料全过程进行建模，构建配方优化模型，实现优化配料方案的设计，具体流程如图4所示。该物料优化模型构建步骤如下：

4.1 目标函数的确定。以烧结的原料配比、烧结过程操作参数、烧结过程状态参数为模型输入，以烧结矿的化验指标为模型输出构建软测量模型，用来作为优化的目标函数，如图5所示。

4.2 约束条件：烧结矿成本是根据各种原料实时市场波动，计算出每吨烧结矿的成本。铁品位（TFe）影响着焦比和铁水产量；碱度对液体凝固后的矿物组织有着重要影响，高碱度有利于生成铁酸钙和硅酸二钙，低碱度倾向于生成玻璃质渣相；SiO2含量较多烧结矿的粘结相生成就多，但是过多的SiO2含量会生成大量的硅酸盐，降低烧结矿的强度。所以，需要对烧结的化学成分进行约束。

5．改进灰狼优化算法的设计

烧结配矿的约束条件较多，除了自身配比的约束，需要考虑更多的成分约束。目标函数和约束函数都为非线性关系，可以采用非线性优化方法。群智能优化具有较好的稳健性，可以较好地实现线性优化求解。烧结矿约束条件包括成分约束条件和配比约束条件。对于每一种烧结矿原料，需要设置烧结矿配比大小范围，这个数值往往由操作工人做出预判。根据差分进化算法，不断进行换基运算和进基列选择，使得目标函数值不断减小，当满足最优解判别准则时，迭代结束，得到最优解，具体的优化方案如图6所示。改进灰狼优化算法如下：

基本灰狼算法是借鉴大自然中狼群捕食行为和社会领导阶层分工的思想而提出的一种新型智能优化算法。在一个小型灰狼群体中，有三个最优的个体，分别为α狼、β狼和δ狼，他们处于金字塔的上层，其它狼听从这些狼的指挥。

这些灰狼在追逐和包围猎物过程可以抽象为一个数学模型，如以下公式所示：

其中，

然后，其他灰狼个体根据 α、β 和 δ 的位置分别更新各自的位置。

5.1基于sigmoid函数的收敛因子调整

根据前面灰狼算法的机理分析可知，A值的大小代表灰狼包围猎物时的范围，A越大说明包围圈越大，反之包围圈越小，即代表了灰狼的全局勘探和局部精细搜索的能力。而A的取值是随收敛因子

5.2 基于差分变异策略的个体更新

在基本的GWO算法中，由式（6）可以看出，群体中其他灰狼个体的更新是由α、β 和δ这三种狼的位置决定的。如果这三种狼陷入了局部最优解的周围，会导致其他狼的个体的多样性减少，从而使得算法出现早熟现象，无法跳出局部最优的包围圈，求解效果会变得较差。于是，为了解决这一问题，可以引入变异操作算子，使得算法避免这种陷入局部最优的状况。常见的变异算子有高斯变异、柯西变异等。

受到差分进化算法的启发，本发明采用差分变异算子来对其他狼的位置进行调整。即利用当前灰狼个体、最优灰狼个体和随机选择的灰狼个体进行随机差分选择进行位置更新，其表达式如下：

。/>

6. 基于数字孪生智能配矿方法平台，工作人员可以计算自己设定的物料配方，通过后端配料优化模型，计算出当前配方比例的性能结果，对自己的想法进行结果验证。物料配方计算结果展示在前端数字模型界面中。

下面以某钢企某月度配料烧结为例，验证智能配矿方法的有效性。烧结配料原料的化学成分上下限要求可见表1。此外，出于配料库存因素影响，也需要尽可能地均衡使用各个矿种以降低仓储成本，预配料各个原料配比要求可见表2，原料成本可见表3。

/>

。

从表4优化的结果可以看出，利用智能配矿方法优化后的结果满足实际工厂需求，使每吨烧结矿所需的成本从557.50降到了546.25，为企业带来较大的经济效益。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。