烧结配矿专家系统的研究
|
摘要
配矿是目前烧结研究的重点，配矿专家系统是烧结配矿研究的一个新领域，本论文结合湘钢烧结配矿试验，对配矿烧结专家系统进行了研究。
配矿专家系统由三部分组成：配矿方案的产生模块、配矿调整指导系统和产、质量指标预测模型。配矿方案的产生模块主要是产生满足化学成分要求的配矿方案；产、质量指标预测模型预测中和矿的烧结性能；配矿调整指导系统通过预测指标和配矿方案的状态判断对配矿方案进行调整。
1．配矿方案的产生模块
配矿方案采用用户输入的方式产生。当参加配矿的各种矿石用量之和是为100％时，系统对配矿方案进行了化学成分检验。主要检验中和矿的SiO_2、TFe、CaO、MgO和Al_2O_3的含量是否在各自适宜的范围。
2．产、质量指标预测模型
烧结产、质量指标预测模型采用BP神经网建立。模型的输入参数为参加配矿的精矿的SiO_2、FeO、CaO、MgO、Al_2O_3和+0.25mm粒级的含量，粉矿的SiO_2、FeO、CaO、MgO、Al_2O_3和-0.25mm粒级及1～3mm的含量；模型的输出为烧结速度和烧结矿的转鼓强度。
BP网采用单隐层，隐单元的个数为27个；采用固定应学习率，初始值为0.9，动量项初始值为0.7，初始权值为0.5，初始阈值为0.2；激励函数分别为：f(x)=1／(1+exp(-x))和f(x)=-(1／2)+1／(1+exp(-x))
3．配矿调整指导系统
配矿调整指导系统的知识来自烧结试验的一般性结论，调整的知识为启发性知识，知识采用产生式规则的表示方式。调整的策略是：以SiO_2的含量为调整的目的，根据矿石的用量确定调整对象，再根据预测结果和调整对象的状态，采用相应的调整措施。
Nowadays iron ore matching has been a focus in sintering study, and matching expert system (MES) has been a new field in study on iron ore matching. In this paper, study of MES bases on the sintering test of sinterplant, Xiangtan I&S co.
MES is consists of three parts: producing part of Matching scheme, forecast model of sinter quality and output, and the redressal system. The aim of producing part is to produce a matching scheme in which the chemical composition is in a proper range. The forecast model forecasts the sinter property of matching scheme in a certain condition and the redressal system adjusts the matching scheme through the state judgement of the forecast and matching scheme.
1. Producing part of matching scheme
Matching scheme is produced by user's input. The system examine chemical composition of the scheme when the sum of all of the ores which are participate in the matching is 100%, chemical composition examine is mainly examine the proper range of SiO2,TFe,CaO,MgO and A12O3 in the mixed ores.
2. Forecast model of sinter quality and output
The forecast model is based on the BP Neural Networks. The input parameter of model is consist of SiO2, TFe, CaO, MgO, A12O3 and +0.25mm size ores of participated concentrates and SiO2, TFe, CaO, MgO, A12O3, -0.25mm size ores and 1 ~ 3mm size ores of powder ores, the output parameter is the sintering speed and strength of sinter.
The number of latent layer in BP Neural Networks is only one, and which member is 27, the velocity of study is aptotic and which initialization is 0.9, initialization of right and threshold is 0.5 and 0.2, power function is
3. The redressal system
The knowledge of the redressal system comes from the general conclusion of sintering test, and the adjusting knowledge is the heuristic knowledge that expressed by produced rule. The aim of adjusting is the content of SiO2 in the mixed ores, based on the ore's content to determine the adjusting target;
adjusting step is confirmed based on the forecast and the state of the adjusting
target.
配矿专家系统由三部分组成：配矿方案的产生模块、配矿调整指导系统和产、质量指标预测模型。配矿方案的产生模块主要是产生满足化学成分要求的配矿方案；产、质量指标预测模型预测中和矿的烧结性能；配矿调整指导系统通过预测指标和配矿方案的状态判断对配矿方案进行调整。
1．配矿方案的产生模块
配矿方案采用用户输入的方式产生。当参加配矿的各种矿石用量之和是为100％时，系统对配矿方案进行了化学成分检验。主要检验中和矿的SiO_2、TFe、CaO、MgO和Al_2O_3的含量是否在各自适宜的范围。
2．产、质量指标预测模型
烧结产、质量指标预测模型采用BP神经网建立。模型的输入参数为参加配矿的精矿的SiO_2、FeO、CaO、MgO、Al_2O_3和+0.25mm粒级的含量，粉矿的SiO_2、FeO、CaO、MgO、Al_2O_3和-0.25mm粒级及1～3mm的含量；模型的输出为烧结速度和烧结矿的转鼓强度。
BP网采用单隐层，隐单元的个数为27个；采用固定应学习率，初始值为0.9，动量项初始值为0.7，初始权值为0.5，初始阈值为0.2；激励函数分别为：f(x)=1／(1+exp(-x))和f(x)=-(1／2)+1／(1+exp(-x))
3．配矿调整指导系统
配矿调整指导系统的知识来自烧结试验的一般性结论，调整的知识为启发性知识，知识采用产生式规则的表示方式。调整的策略是：以SiO_2的含量为调整的目的，根据矿石的用量确定调整对象，再根据预测结果和调整对象的状态，采用相应的调整措施。
Nowadays iron ore matching has been a focus in sintering study, and matching expert system (MES) has been a new field in study on iron ore matching. In this paper, study of MES bases on the sintering test of sinterplant, Xiangtan I&S co.
MES is consists of three parts: producing part of Matching scheme, forecast model of sinter quality and output, and the redressal system. The aim of producing part is to produce a matching scheme in which the chemical composition is in a proper range. The forecast model forecasts the sinter property of matching scheme in a certain condition and the redressal system adjusts the matching scheme through the state judgement of the forecast and matching scheme.
1. Producing part of matching scheme
Matching scheme is produced by user's input. The system examine chemical composition of the scheme when the sum of all of the ores which are participate in the matching is 100%, chemical composition examine is mainly examine the proper range of SiO2,TFe,CaO,MgO and A12O3 in the mixed ores.
2. Forecast model of sinter quality and output
The forecast model is based on the BP Neural Networks. The input parameter of model is consist of SiO2, TFe, CaO, MgO, A12O3 and +0.25mm size ores of participated concentrates and SiO2, TFe, CaO, MgO, A12O3, -0.25mm size ores and 1 ~ 3mm size ores of powder ores, the output parameter is the sintering speed and strength of sinter.
The number of latent layer in BP Neural Networks is only one, and which member is 27, the velocity of study is aptotic and which initialization is 0.9, initialization of right and threshold is 0.5 and 0.2, power function is
3. The redressal system
The knowledge of the redressal system comes from the general conclusion of sintering test, and the adjusting knowledge is the heuristic knowledge that expressed by produced rule. The aim of adjusting is the content of SiO2 in the mixed ores, based on the ore's content to determine the adjusting target;
adjusting step is confirmed based on the forecast and the state of the adjusting
target.
引文
[1] 唐贤容．烧结理论与工艺．长沙：中南工业大学出版社，1992：22～25
[2] 傅菊英，姜涛，朱德庆．烧结球团学．长沙：中南工业大学出版社，1995：205～206
[3] 傅菊英，姜涛，朱德庆．烧结球团学．长沙：中南工业大学出版社，1995：15～17
[4] 唐贤容．烧结理论与工艺．长沙：中南工业大学出版社，1992：219～227
[5] 郭兴敏．烧结过程铁酸钙生成及其矿物学．北京：冶金工业出版社，1999：121～126
[6] 任有夫．钢铁冶金岩相矿物学．北京：冶金工业出版社，1982：143～145
[7] 郭兴敏，杜鹤桂．铁酸钙生成过程中影响因素的研究．北京科技大学学报，1998，19(5)：18～24
[8] V．埃里戈．测定细粒物料制粒的新方法．第三届国际造块会议论文选．长沙：《烧结球团》编辑部，1983：46～58
[9] K．H．彼得．烧结混合料组分特别是焦粉粒度的制粒特性极其对铁矿石烧结过程的影响．第五届国际造块会议论文选．北京：冶金工业出版社，1990：66～89
[10] 景广军．选矿专家系统开发理论及方法的研究：[博士学位论文]．中南大学，2000
[11] Roller, P.W. BHP Techn. Bull, 1981.25 (1): 79
[12] B．皮卢吉．控制烧结混合料的化学及物理性质以改善烧结矿的产质量．第六届国际造块会议论文选．北京：中国金属学会，1998：55～68
[13] S．C．帕尼格拉．微球化对高配比镜铁矿制成的烧结矿的结构和性能的影响．第五届国际造块会议论文选．北京：冶金工业出版社，1990：93～96
[14] 庄剑鸣．烧结原料基础性能及配矿试验研究：[实验报告]．中南大学，2001
[15] 吴胜利．铁矿石的烧结基础特性之新概念．北京科技大学学报，2002．24(6)：254～257
[16] 吴胜利．铁矿粉与CaO同化能力的试验研究．北京科技大学学报，2002．6(24)：258～261
[17] 高丙演．用Excel作烧结配料计算．烧结球团，2001．26(1)：32～33
[18] 梁中渝．优化烧结配料分析．四川冶金，2000．4：45～46
[19] 杨东进．烧结配料优化分析．烧结球团，2000．25(1)：15～16
[20] 李振国，陶文．进口矿唐钢烧结性能的影响．烧结球团，2002．26(1)：25～
27
[21] 周云花．进口矿的性能与生产应用研究．烧结球团，2000．16(9)：16～18
[22] 成富全．印度富矿粉在首钢烧结生产中的应用．烧结球团，2001．26(9)：48～50
[23] 白国华，姜波．澳矿烧结实验研究．烧结球团，2000．25(7)：19～21
[24] 刘竹林．印度矿烧结性能指标的实验研究．烧结球团，2001．26(9)：26～28
[25] 冯建生．一个基于神经网络的配矿专家系统．冶金自动化，1994．4：7～10
[26] G. Buchanan, etal. DENDRAL and Meta-DENDRAL:their applications demension. Artificial Intelligence, 1978(11):5～24
[27] 刘有才．模糊专家系统原理与设计．北京：北京航空航天大学出版社，1995：8～9
[28] 印鉴，刘星成，汤庸(译)．专家系统原理与编程．北京：机械工业出版社，2000：1～41
[29] 印鉴，刘星成，汤庸(译)．专家系统原理与编程．北京：机械工业出版社，2000：3～5
[30] 范晓慧，王海东．烧结过程数学模型与人工智能．长沙：中南大学出版社，2002，58～60
[31] 景广军．选矿专家系统开发理论及方法的研究：[博士学位论文]．中南大学，2000
[32] 唐少先，黄天正．烧结中应用人工智能的探讨．烧结球团，1992．17(6)：5～7
[33] H. Unaki, et al..New Centrol System of Sinter Plants at Chiba works In:IFAC Automation in mining, Mineral and Metal Processing. Tokyo, Japan, 1986:209～216
[34] 范晓慧，王海东．烧结过程数学模型与人工智能．长沙：中南大学出版社，2002：56～57
[35] 须仲新．新日铁在宝钢介绍计算机的应用．烧结球团，1989．14(5)：72～73
[36] 范晓慧．烧结过程控制专家指导系统的研究：[博士学位论文]，中南大学，1996
[37] 李桃．烧结过程智能实时操作指导系统的研究：[博士学位论文]，中南大学，2000
[38] 吴为民．烧结混合料水分检测及智能控制专家系统．烧结球团，1997．23(4)．7～10
[39] 范晓慧，王海东．烧结过程数学模型与人工智能．长沙：中南大学出版社，2002：34～35
[40] 张提，陈士贤，张中秋．化工过程半经验模型的求取及回归方法和ANN方法的联合应用．石油化工自动化，1999．5：26～29
[41] 邵学广，陈宗海，赵贵文．逐步回归分析与人工神经网络用于多组分稀土元素的HPLC同时测定．稀土，1998．19(6)：51～54
[42] 乐有喜，王永钢，张军华．储层参数平面分布预测方法评价．地质与勘探，2001．37(5)：56～61
[43] 赖英旭等．BP网络技术在液滴粒度分布中的应用研究．北京化工大学学报，1999．26(2)：66～68
[44] 郁时炼，高辉．基于神经网络的水泥强度预测．合肥工业大学学报，2002．25(2)：316～320
[45] 米申科．降低烧结矿中粉末含量、提高评价烧结矿强度和粒度组成的可靠性的基本方法．国外烧结球团，1989．42(2)：16～18
[46] R．Dasgupta．矿石和烧结矿强度指标之间的关系．烧结球团，1992．17(2)：46～49
[47] 杨天钧，徐金梧．高炉冶炼过程控制模型．北京：科学出版社，1995
[48] 虞和济，陈长征，张省，周建男．基与神经网络的智能诊断．北京：冶金工业出版社，2000：109～111
[49] 杨大力．多层前向神经网络中BP算法的误差分析及改进的方法，1995．23(1)：117～120
[50] 邓志东等．利用线形再励的自适应变步长加速BP算法．模式识别与人工智能，1993．6：319～323
[51] 周祥．一种用于BP神经网络训练的改进遗传算法．化工学报，2001．52(10)：925～927
[52] 印鉴，刘星成，汤庸(译)．专家系统原理与编程．北京：机械工业出版社，2000：40～63
[53] 施圣荣，刘建辉．人工智能·专家系统·程序设计．沈阳：辽宁大学出版社，1992：57～93
[54] 曹立明，陈石麟，周强．知识工程原理．江苏：中国矿业大学出版社，1995：80～95
[55] 黄可鸣．专家系统导论．南京：东南大学出版社，1992：5～21
[56] 唐任仲．工程应用软件开发技术．北京：化学工业出版社，1999：119～132
[57] 蔡自兴，徐光佑．人工智能及其应用．北京：清华大学出版社，1996：141～144
[2] 傅菊英，姜涛，朱德庆．烧结球团学．长沙：中南工业大学出版社，1995：205～206
[3] 傅菊英，姜涛，朱德庆．烧结球团学．长沙：中南工业大学出版社，1995：15～17
[4] 唐贤容．烧结理论与工艺．长沙：中南工业大学出版社，1992：219～227
[5] 郭兴敏．烧结过程铁酸钙生成及其矿物学．北京：冶金工业出版社，1999：121～126
[6] 任有夫．钢铁冶金岩相矿物学．北京：冶金工业出版社，1982：143～145
[7] 郭兴敏，杜鹤桂．铁酸钙生成过程中影响因素的研究．北京科技大学学报，1998，19(5)：18～24
[8] V．埃里戈．测定细粒物料制粒的新方法．第三届国际造块会议论文选．长沙：《烧结球团》编辑部，1983：46～58
[9] K．H．彼得．烧结混合料组分特别是焦粉粒度的制粒特性极其对铁矿石烧结过程的影响．第五届国际造块会议论文选．北京：冶金工业出版社，1990：66～89
[10] 景广军．选矿专家系统开发理论及方法的研究：[博士学位论文]．中南大学，2000
[11] Roller, P.W. BHP Techn. Bull, 1981.25 (1): 79
[12] B．皮卢吉．控制烧结混合料的化学及物理性质以改善烧结矿的产质量．第六届国际造块会议论文选．北京：中国金属学会，1998：55～68
[13] S．C．帕尼格拉．微球化对高配比镜铁矿制成的烧结矿的结构和性能的影响．第五届国际造块会议论文选．北京：冶金工业出版社，1990：93～96
[14] 庄剑鸣．烧结原料基础性能及配矿试验研究：[实验报告]．中南大学，2001
[15] 吴胜利．铁矿石的烧结基础特性之新概念．北京科技大学学报，2002．24(6)：254～257
[16] 吴胜利．铁矿粉与CaO同化能力的试验研究．北京科技大学学报，2002．6(24)：258～261
[17] 高丙演．用Excel作烧结配料计算．烧结球团，2001．26(1)：32～33
[18] 梁中渝．优化烧结配料分析．四川冶金，2000．4：45～46
[19] 杨东进．烧结配料优化分析．烧结球团，2000．25(1)：15～16
[20] 李振国，陶文．进口矿唐钢烧结性能的影响．烧结球团，2002．26(1)：25～
27
[21] 周云花．进口矿的性能与生产应用研究．烧结球团，2000．16(9)：16～18
[22] 成富全．印度富矿粉在首钢烧结生产中的应用．烧结球团，2001．26(9)：48～50
[23] 白国华，姜波．澳矿烧结实验研究．烧结球团，2000．25(7)：19～21
[24] 刘竹林．印度矿烧结性能指标的实验研究．烧结球团，2001．26(9)：26～28
[25] 冯建生．一个基于神经网络的配矿专家系统．冶金自动化，1994．4：7～10
[26] G. Buchanan, etal. DENDRAL and Meta-DENDRAL:their applications demension. Artificial Intelligence, 1978(11):5～24
[27] 刘有才．模糊专家系统原理与设计．北京：北京航空航天大学出版社，1995：8～9
[28] 印鉴，刘星成，汤庸(译)．专家系统原理与编程．北京：机械工业出版社，2000：1～41
[29] 印鉴，刘星成，汤庸(译)．专家系统原理与编程．北京：机械工业出版社，2000：3～5
[30] 范晓慧，王海东．烧结过程数学模型与人工智能．长沙：中南大学出版社，2002，58～60
[31] 景广军．选矿专家系统开发理论及方法的研究：[博士学位论文]．中南大学，2000
[32] 唐少先，黄天正．烧结中应用人工智能的探讨．烧结球团，1992．17(6)：5～7
[33] H. Unaki, et al..New Centrol System of Sinter Plants at Chiba works In:IFAC Automation in mining, Mineral and Metal Processing. Tokyo, Japan, 1986:209～216
[34] 范晓慧，王海东．烧结过程数学模型与人工智能．长沙：中南大学出版社，2002：56～57
[35] 须仲新．新日铁在宝钢介绍计算机的应用．烧结球团，1989．14(5)：72～73
[36] 范晓慧．烧结过程控制专家指导系统的研究：[博士学位论文]，中南大学，1996
[37] 李桃．烧结过程智能实时操作指导系统的研究：[博士学位论文]，中南大学，2000
[38] 吴为民．烧结混合料水分检测及智能控制专家系统．烧结球团，1997．23(4)．7～10
[39] 范晓慧，王海东．烧结过程数学模型与人工智能．长沙：中南大学出版社，2002：34～35
[40] 张提，陈士贤，张中秋．化工过程半经验模型的求取及回归方法和ANN方法的联合应用．石油化工自动化，1999．5：26～29
[41] 邵学广，陈宗海，赵贵文．逐步回归分析与人工神经网络用于多组分稀土元素的HPLC同时测定．稀土，1998．19(6)：51～54
[42] 乐有喜，王永钢，张军华．储层参数平面分布预测方法评价．地质与勘探，2001．37(5)：56～61
[43] 赖英旭等．BP网络技术在液滴粒度分布中的应用研究．北京化工大学学报，1999．26(2)：66～68
[44] 郁时炼，高辉．基于神经网络的水泥强度预测．合肥工业大学学报，2002．25(2)：316～320
[45] 米申科．降低烧结矿中粉末含量、提高评价烧结矿强度和粒度组成的可靠性的基本方法．国外烧结球团，1989．42(2)：16～18
[46] R．Dasgupta．矿石和烧结矿强度指标之间的关系．烧结球团，1992．17(2)：46～49
[47] 杨天钧，徐金梧．高炉冶炼过程控制模型．北京：科学出版社，1995
[48] 虞和济，陈长征，张省，周建男．基与神经网络的智能诊断．北京：冶金工业出版社，2000：109～111
[49] 杨大力．多层前向神经网络中BP算法的误差分析及改进的方法，1995．23(1)：117～120
[50] 邓志东等．利用线形再励的自适应变步长加速BP算法．模式识别与人工智能，1993．6：319～323
[51] 周祥．一种用于BP神经网络训练的改进遗传算法．化工学报，2001．52(10)：925～927
[52] 印鉴，刘星成，汤庸(译)．专家系统原理与编程．北京：机械工业出版社，2000：40～63
[53] 施圣荣，刘建辉．人工智能·专家系统·程序设计．沈阳：辽宁大学出版社，1992：57～93
[54] 曹立明，陈石麟，周强．知识工程原理．江苏：中国矿业大学出版社，1995：80～95
[55] 黄可鸣．专家系统导论．南京：东南大学出版社，1992：5～21
[56] 唐任仲．工程应用软件开发技术．北京：化学工业出版社，1999：119～132
[57] 蔡自兴，徐光佑．人工智能及其应用．北京：清华大学出版社，1996：141～144