高爐煉鐵中爐料結構的智能優化研究

王宏偉

（山鋼集團萊蕪分公司煉鐵廠， 山東 濟南 271104）

目前，應用高爐煉鐵工藝生產的生鐵產量在世界生鐵總產量當中的占比在95%以上。近年來，鋼鐵生產企業在追求經濟效益的同時，也將關注焦點逐步向“節能減排、能源節約”方向轉移，在這一理念的促動下，鋼鐵企業不斷對現有的爐料結構進行優化研究，對系統性能不斷地進行改進，旨在獲取更好的經濟效益，實現節能減排的目標。而在諸多優化方案當中，利用遺傳算法與神經網絡相結合的方法，其收效較為明顯。

1 數學模型構建思路

在對爐料結構進行優化設計之前，設計人員基于物料平衡原理，利用遺傳算法對最低的噸鐵成本進行模擬，同時，將高爐煉鐵過程中的鐵水成分、爐渣成分、有害元素負荷等參數指標作為約束條件來建立一個適應度函數。該優化方法所使用的軟件平臺為MATLAB 軟件平臺，程序編制流程均在這一平臺完成，然后借助于遺傳算法設計出最具有經濟性的優化方案。

1.1 遺傳算法與懲罰函數相結合的思想

遺傳算法最初起源于計算機模擬研究，其算法的本質特征類似于生物界中自然選擇與擇優生存機制的隨機搜索算法。利用該算法來求解函數極小值問題時，可以用適應度函數來替代目標函數。比如目標函數為f（X），約束條件為g（X）≤0，Rn為n 維空間，而對于n 維矢量X 都可利用X=X1X2…Xn的符號串來表示。因此，X 便可以看作由n 個遺傳基因Xi組成的染色體，而每一個Xi都屬于一個遺傳基因，而Xi的所有的可能取值稱為等位基因，等位基因最為直觀與簡單的表達形式為0 和1，而與之相對應的染色體則完全可以利用一個二進制字符串來表示。這種算法最大的優點在于求解領域廣、計算能力強、計算精度高，在應用該算法時，設計人員能夠節省大量的計算與運算時間。

首先，在編制執行程序時，設計人員將遺傳算法與懲罰函數結合在一起，并利用分級懲罰函數法，對不同約束條件偏離程度與重要程度進行不同懲罰，然后將這一種群予以分級和分類，進而使一些優秀的個體能夠有更多的機會來展現自己，這樣便可以尋找到一條快捷的解決問題的路徑。

當確定這一設計思想后，將目標函數設定為噸鐵成本P，數學計算式為：

式中：Xi代表入爐第i 種原燃料配入量，Pi代表入爐第i 種原燃料價格，而決策變量則為各種入爐原燃料與其相應的配加比例[1]。

1.2 約束條件

在對爐料結構進行優化時，涉及的約束條件包括鐵水成分要求、爐渣成分及堿度條件、入爐爐料比例限制等。其中，渣鐵當中含有的元素主要有硫、磷、鈦、錳、鎳、鉻、銅、釩、砷、鈮，其分配比如表1 所示。

表1 高爐煉鐵生產中各元素的分配比 %

爐渣約束主要包括二元堿度約束、三元堿度約束、Al2O3約束與MgO 約束。而含鐵原料約束條件是：在高爐煉鐵過程中，一般情況下所使用含鐵原料中高堿度燒結礦的含量介于70%～80%之間，酸性球團礦的含量介于10%～20%之間，塊礦的含量介于5%～10%之間。在這三種結構主料的基礎上，也會在高爐內添加一些廢鋼等含鐵輔料，不同的主料與輔料價格以及性能指標，也會給添加比例造成直接影響。以球團礦的比例約束為例：

式中：P1和Ph分別為含鐵原料中球團礦的添加比例的最大值、最小值百分比；mp為球團礦的添加量；M為原料總量。

除了上述約束條件外，燃料比也會對高爐煉鐵過程爐料結構性能產生一定的影響。在煉鐵生產中，所需的燃料主要包括焦炭與煤粉，而影響這兩種燃料比例的因素主要與高爐生產狀況以及順行條件有關。而設計人員在對爐料結構性能進行優化時，只需考慮正常生產條件下高爐燃料需求與配入比例。隨著高爐生產條件的變化，燃料比也會隨之變化。因此，在計算燃料比時，首先需要設定煤粉的噴吹量，然后再根據預算入爐品位來判斷所添加焦炭量的多少。與此同時，生產單位不同，焦比與煤比的計算方式也有所不同，在計算過程中，設計人員可以預先設定焦炭負荷（含鐵原料用量與焦炭用量之比）以及燃料負荷（含鐵原料用量與焦炭、煤粉用量之比），然后再利用總焦比的數學計算式反推出焦比與煤比。

總焦比計算式為：

式中：Mi為第i 種煤粉配入量，MB為高爐煤比設定值。

1.3 計算高爐配料

在計算高爐各原料的配加比例時，設計人員通常將燃料的化學成分作為計算條件，當準確計算出燒結礦、球團礦、塊礦、焦炭、煤粉以及熔劑等原料與燃料的配比之后，可以根據計算結果得到生鐵量、爐渣量、燃料用量、鐵水以及爐渣成分等數據。通過對這些數據進行分析，設計人員最終能夠確定鐵水與爐渣的主要成分數據，這就為爐料系統優化提供了真實確鑿的數據支持。

2 爐料結構智能優化系統的實現

優化后的爐料結構系統界面包括高爐原料數據庫模塊、高爐爐料優化模塊、高爐配料計算模塊、煉鐵過程優化模塊這幾大模塊。設計人員可以直接點擊主界面任何一個功能模塊，此時顯示器的該模塊下方將出現下拉菜單，根據用戶需求，可以選擇相對應的菜單內容予以操作。同時，該系統還可以實現模塊之間的合理調用。

基于遺傳算法的爐料結構優化系統的工作流程如下：系統的功能模塊包括高爐原料數據庫、高爐爐料優化模塊、配料計算模塊、成本核算模塊，其中，配料計算模塊分解為優化高爐配料計算與用戶高爐配料計算兩個子模塊，成本核算模塊則分解為優化用戶成本核算與用戶成本核算兩個子模塊。近年來，隨著大數據技術的迅猛發展，在對高爐煉鐵過程爐料結構進行優化時，設計人員通過對大數據技術的有效應用，為高爐煉鐵過程形成的數據信息提供了海量的存儲空間，設計人員可以隨時在數據庫中調取與高爐原料相關的數據，這就為爐料結構的進一步優化提供了更加確鑿的參考數據[2]。

3 優化后的爐料系統的實際應用效果

在對爐料結構進行智能優化過程中，設計人員主要采用了遺傳算法與神經網絡相結合的方法，并通過構建數學模型，對各項性能指標進行計算，其中，目標函數為高爐鐵水的最低成本，而約束條件則包括鐵水化學成分、爐渣成分、有害元素負荷、原燃料加入量與加入比例，在這些約束條件下，計算出鐵水產量與質量，進而得到最為優化的高爐配料方案。優化后爐料系統的各項指標與原指標相比，其目標值均有所提升。比如噸鐵成本由原來的2 050.9 元降到2 031.5元，入爐品位（鐵礦質量分數）由原來的55.5%提升至56.0%。而經過優化后的爐料結構出渣量減少了27 kg，這不僅節省了大量能源，而且也減少了對自然生態環境的污染。

4 結語

節能減排與能源節約是鋼鐵生產企業始終遵循的經營理念，基于這一理念，對爐料結構進行智能優化，既能夠積極響應國家節能降耗的號召，同時也是提高企業經濟效益的一條有效路徑。因此，鋼鐵生產企業應當不斷對高爐煉鐵過程的爐料結構性能進行優化和改進，在降低鐵水成本的同時，以期能夠為企業創造更多的經濟效益、社會效益與生態效益。