復(fù)雜工業(yè)過(guò)程操作參數(shù)優(yōu)化研究進(jìn)展

Research Progress of Optimization of Operating Parameters for Complex Industrial Process

伍鐵斌1，3　龍　文2　朱紅求3

(湖南人文科技學(xué)院能源與機(jī)電工程系1，湖南婁底　417000;貴州財(cái)經(jīng)大學(xué)貴州省經(jīng)濟(jì)系統(tǒng)仿真重點(diǎn)實(shí)驗(yàn)室2，貴州貴陽(yáng)　550004;中南大學(xué)信息科學(xué)與工程學(xué)院3，湖南長(zhǎng)沙　410083)

?

復(fù)雜工業(yè)過(guò)程操作參數(shù)優(yōu)化研究進(jìn)展

國(guó)家自然科學(xué)基金資助項(xiàng)目(編號(hào): 61463009、61174133、61273159、61463009);

湖南省教育廳青年基金資助項(xiàng)目(編號(hào):14B097);

婁底市科技計(jì)劃基金資助項(xiàng)目。

修改稿收到日期:2015－07－09。

第一作者伍鐵斌(1981－)，男，2014年畢業(yè)于中南大學(xué)控制科學(xué)與工程專業(yè)，獲博士學(xué)位，副教授;主要從事復(fù)雜系統(tǒng)建模、優(yōu)化與智能控制方面的研究。

0　引言

復(fù)雜工業(yè)過(guò)程存在反應(yīng)機(jī)理復(fù)雜、原料成分波動(dòng)大、時(shí)滯大、耦合性強(qiáng)和環(huán)境惡劣等問(wèn)題，造成過(guò)程操作參數(shù)的優(yōu)化異常困難。針對(duì)復(fù)雜工業(yè)過(guò)程的難點(diǎn)問(wèn)題，大量學(xué)者進(jìn)行了深入的研究，力求在現(xiàn)有設(shè)備、原料和工藝流程不變的情況下，通過(guò)對(duì)過(guò)程操作參數(shù)的優(yōu)化，提高產(chǎn)品的合格率、降低過(guò)程的資源消耗。復(fù)雜工業(yè)過(guò)程操作參數(shù)優(yōu)化方法可分為基于機(jī)理模型(精確數(shù)學(xué)模型)和基于非機(jī)理模型兩大類(lèi)。

1　基于機(jī)理模型的操作參數(shù)優(yōu)化

基于機(jī)理模型的操作參數(shù)優(yōu)化可簡(jiǎn)單描述為:在滿足過(guò)程機(jī)理模型和工藝參數(shù)約束的基礎(chǔ)上，求解一組操作參數(shù)，使得產(chǎn)品質(zhì)量好、產(chǎn)量高且資源消耗少。

轉(zhuǎn)爐吹煉是火法煉銅的重要工序，文獻(xiàn)［1］在Brinkly－Newto－Raphson方法的基礎(chǔ)上提出了后藤模型，計(jì)算轉(zhuǎn)爐熔煉過(guò)程的锍、氣和渣的化學(xué)平衡，并應(yīng)用于佐賀關(guān)冶煉廠的轉(zhuǎn)爐熔锍吹煉過(guò)程。文獻(xiàn)［2］在后藤模型的基礎(chǔ)上，建立了動(dòng)態(tài)計(jì)算模型模擬閃速爐造锍過(guò)程，實(shí)現(xiàn)了該過(guò)程的操作參數(shù)優(yōu)化。文獻(xiàn)［3］針對(duì)氧化鋁蒸發(fā)過(guò)程中生蒸汽、能源消耗過(guò)高的問(wèn)題，首先建立了基于物料平衡、熱平衡蒸發(fā)過(guò)程的數(shù)學(xué)模型，并將其轉(zhuǎn)化一個(gè)約束優(yōu)化問(wèn)題;考慮到蒸發(fā)過(guò)程包含大量的等式約束和不等式約束，提出了一種基于魯棒函數(shù)和谷跳躍修正法的約束處理方法;然后采用渦旋粒子群算法求解蒸發(fā)過(guò)程的操作參數(shù)，得到最優(yōu)化的流量、生蒸汽量等操作參數(shù)。生產(chǎn)應(yīng)用結(jié)果證明所采用的方法可以有效降低生蒸汽的消耗。針對(duì)鋅電解過(guò)程電能消耗大的問(wèn)題，文獻(xiàn)［4］研究了電解過(guò)程中酸鋅比、溫度等參數(shù)對(duì)電解的影響，建立了電解過(guò)程的能耗機(jī)理模型;在此基礎(chǔ)上構(gòu)建了以電耗及電費(fèi)最低為目標(biāo)的多目標(biāo)、非線性和多約束的綜合優(yōu)化模型，并采用神經(jīng)網(wǎng)絡(luò)智能優(yōu)化方法求解最優(yōu)操作參數(shù)。工業(yè)運(yùn)行結(jié)果表明，文獻(xiàn)［4］的綜合優(yōu)化模型將電解直流電耗降到3 011.6 kWh/t，應(yīng)用效果顯著。文獻(xiàn)［5］的碳酸化分解過(guò)程是燒結(jié)法氧化鋁生產(chǎn)過(guò)程中的重要工序，具有多變量、大滯后和非線性等特點(diǎn)，在對(duì)碳酸化分解過(guò)程進(jìn)行深入研究的基礎(chǔ)上，建立了該過(guò)程的關(guān)聯(lián)CSTR模型，并進(jìn)一步推導(dǎo)出該過(guò)程的多重關(guān)聯(lián)時(shí)滯非線性狀態(tài)空間模型;然后在此基礎(chǔ)上提出了基于T－S模糊模型魯棒H∞狀態(tài)反饋跟蹤優(yōu)化控制方法，并仿真驗(yàn)證了該方法的有效性。文獻(xiàn)［6］深入研究了鋁電解生產(chǎn)機(jī)理，分析了各工藝參數(shù)和操作參數(shù)對(duì)其產(chǎn)生的影響，建立了基于鋁電解機(jī)理的以單位能耗最小的多目標(biāo)優(yōu)化模型，并采用改進(jìn)的差分進(jìn)化算法求解最優(yōu)操作參數(shù)。仿真表明，電耗降低了1.75%。電熔鎂砂生產(chǎn)過(guò)程具有強(qiáng)非線性、反應(yīng)機(jī)理復(fù)雜等特點(diǎn)，文獻(xiàn)［7］深入研究了該過(guò)程熱傳導(dǎo)和反應(yīng)機(jī)理的特點(diǎn)，建立了電熔鎂爐與熔煉電流相關(guān)的三維非穩(wěn)態(tài)溫度場(chǎng)，并在分析電熔鎂砂品位與熔煉溫度關(guān)系的基礎(chǔ)上，研究得到了基于電熔鎂爐溫度場(chǎng)的單位能耗函數(shù);然后采用粒子群優(yōu)化算法優(yōu)化電熔鎂爐熔煉電流。通過(guò)仿真證明，所提出的方法能降低電能的消耗、保證生產(chǎn)穩(wěn)定。文獻(xiàn)［8］建立了銻鹽除鈷過(guò)程的非線性時(shí)滯關(guān)聯(lián)動(dòng)態(tài)反應(yīng)模型，研究了基于多特征時(shí)間點(diǎn)的時(shí)滯優(yōu)化參數(shù)選擇方法求解模型中的未知參數(shù)，并在此基礎(chǔ)上提出了連續(xù)狀態(tài)不等式約束的時(shí)滯優(yōu)化控制方法，求解出了最優(yōu)的鋅粉控制量。仿真表明，該方法非常有效。文獻(xiàn)［9］建立了砷鹽凈化除鈷過(guò)程的串聯(lián)CSTR模型，并以鋅粉消耗量最小為目標(biāo)，建立了除鈷過(guò)程最優(yōu)控制的描述;應(yīng)用控制參數(shù)化方法，將最優(yōu)控制問(wèn)題轉(zhuǎn)化為最優(yōu)參數(shù)選擇問(wèn)題，求解出最優(yōu)的鋅粉添加量。生產(chǎn)數(shù)據(jù)仿真結(jié)果驗(yàn)證了該方法的可行性。

基于機(jī)理模型的操作參數(shù)優(yōu)化方法需要建立較為準(zhǔn)確的數(shù)學(xué)模型，利用智能算法等［10－11］優(yōu)化得到操作參數(shù)，其優(yōu)化結(jié)果一般具有可靠、易于理解等優(yōu)點(diǎn)。機(jī)理模型反映了過(guò)程變量間的復(fù)雜關(guān)系，能在大范圍內(nèi)反映過(guò)程變量變化的結(jié)果;但是，復(fù)雜工業(yè)過(guò)程建立機(jī)理模型一般比較困難，且機(jī)理模型一般需要對(duì)過(guò)程作許多假設(shè)，對(duì)物料平衡、能量平衡等計(jì)算模型作大量簡(jiǎn)化。因此，基于機(jī)理模型的優(yōu)化效果在很多復(fù)雜情況下難以保證。

2　基于非機(jī)理模型的操作參數(shù)優(yōu)化

基于數(shù)據(jù)黑箱模型、專家經(jīng)驗(yàn)和智能集成模型等非機(jī)理模型的操作參數(shù)優(yōu)化方法，克服了機(jī)理模型在實(shí)際應(yīng)用中遇到的困難，在冶金、化工等領(lǐng)域得到了廣泛應(yīng)用［12－14］。

2.1基于數(shù)據(jù)黑箱模型的操作參數(shù)優(yōu)化

文獻(xiàn)［15］針對(duì)銅閃速爐物理化學(xué)反應(yīng)迅速、相關(guān)影響因素復(fù)雜多變的問(wèn)題，首先建立了銅閃速熔煉過(guò)程的神經(jīng)網(wǎng)絡(luò)模型，然后采用遺傳算法優(yōu)化銅閃速熔煉過(guò)程的操作參數(shù)，得到能耗最低、工藝指標(biāo)合理的操作參數(shù)。仿真結(jié)果表明，熔煉的能耗費(fèi)用可降低4.6%。文獻(xiàn)［16］針對(duì)鎳閃速熔煉過(guò)程化學(xué)反應(yīng)極為復(fù)雜，具有強(qiáng)耦合、時(shí)變和不確定性等特點(diǎn)和難以建立機(jī)理模型的問(wèn)題，建立了融合模糊建模和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)技術(shù)的過(guò)程優(yōu)化方法。實(shí)際運(yùn)行結(jié)果表明，該方法取得了較好的應(yīng)用效果。硅熱法煉鎂過(guò)程耗能高，自動(dòng)化程度較低，優(yōu)化設(shè)定關(guān)鍵操作參數(shù)是降低高耗能的重要途徑。由于該過(guò)程中相互干擾因素多，難以建立準(zhǔn)確的機(jī)理模型，因此，文獻(xiàn)［17］采用BP神經(jīng)網(wǎng)絡(luò)建立了過(guò)程的操作參數(shù)與生產(chǎn)指標(biāo)之間的關(guān)系模型，并以此為基礎(chǔ)優(yōu)化過(guò)程的煅燒時(shí)間、煅燒溫度和配料工藝中配硅比等關(guān)鍵工藝參數(shù)。實(shí)際生產(chǎn)跟蹤實(shí)驗(yàn)證明了所提出方法的有效性。文獻(xiàn)［18］針對(duì)帶鋼熱連軋中板形和板厚控制困難，以及多變量、多輸出、強(qiáng)耦合和強(qiáng)非線性等特點(diǎn)，建立了多個(gè)子模型的多支持向量機(jī)模型，并采用PCA方法實(shí)現(xiàn)模型的綜合輸出，實(shí)現(xiàn)了板形、板厚的綜合控制。仿真表明，所提出的方法能有效減小板形與板厚的偏差。文獻(xiàn)［19］針對(duì)電弧爐工況不穩(wěn)定造成電能消耗增加和產(chǎn)品品質(zhì)降低的問(wèn)題，建立了基于SVM的多變量時(shí)延逆系統(tǒng);將參數(shù)自整定的PID控制器與SVM逆控制相結(jié)合，實(shí)現(xiàn)過(guò)程操作參數(shù)的優(yōu)化控制，能有效應(yīng)對(duì)外界干擾，具有良好的動(dòng)態(tài)響應(yīng)性能。

2.2基于領(lǐng)域?qū)＜医?jīng)驗(yàn)的操作參數(shù)優(yōu)化

領(lǐng)域?qū)＜乙话銘{豐富的經(jīng)驗(yàn)對(duì)系統(tǒng)進(jìn)行優(yōu)化控制，故基于專家知識(shí)和經(jīng)驗(yàn)的智能優(yōu)化方法也可以保證生產(chǎn)的穩(wěn)定和優(yōu)化運(yùn)行［20－21］。由美國(guó)Roger Schank教授提出的案例推理智能優(yōu)化技術(shù)，根據(jù)過(guò)去的操作經(jīng)驗(yàn)求解當(dāng)前問(wèn)題，在冶金工業(yè)中得到了廣泛的應(yīng)用［22］。文獻(xiàn)［23］采用粗糙集理論從電渣重熔歷史數(shù)據(jù)中獲取知識(shí)和操作經(jīng)驗(yàn)，并總結(jié)了電渣重熔生產(chǎn)過(guò)程的操作經(jīng)驗(yàn)，將典型的工況及操作經(jīng)驗(yàn)提煉成案例，并在此基礎(chǔ)上提出了基于案例推理的操作參數(shù)優(yōu)化設(shè)定方法，取得了較好的工業(yè)應(yīng)用效果。電熔鎂砂冶煉過(guò)程具有隨機(jī)干擾嚴(yán)重、強(qiáng)非線性等特點(diǎn)，傳統(tǒng)的優(yōu)化方法難以滿足生產(chǎn)要求，文獻(xiàn)［24］是基于規(guī)則的電流設(shè)定方法，也是基于案例推理的冶煉電流補(bǔ)償方法，被應(yīng)用于某企業(yè)的電熔鎂爐。生產(chǎn)結(jié)果表明，該方法改善了產(chǎn)品質(zhì)量，降低了電能消耗。

圖1　砷鹽除鈷過(guò)程操作參數(shù)協(xié)同優(yōu)化框圖Fig.1　Collaborative optimization framework for operating parameters of Cobalt removal process of arsenic salt

2.3基于智能集成優(yōu)化模型的操作參數(shù)優(yōu)化

采用單一的優(yōu)化方法對(duì)復(fù)雜工業(yè)過(guò)程進(jìn)行優(yōu)化，有時(shí)難以取得理想效果［25］。因此，許多文獻(xiàn)將案例推理、專家系統(tǒng)或?qū)＜乙?guī)則、操作模式優(yōu)化、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等方法集成起來(lái)，實(shí)現(xiàn)系統(tǒng)的優(yōu)化運(yùn)行［26］。文獻(xiàn)［27］針對(duì)加熱爐的復(fù)雜特性導(dǎo)致溫度控制困難的問(wèn)題，提出了基于專家規(guī)則的預(yù)設(shè)定模型、基于熱力學(xué)機(jī)理的預(yù)測(cè)模型、動(dòng)態(tài)修正模型和在線自學(xué)習(xí)模型組成的混合優(yōu)化控制模型。當(dāng)鋼坯加熱過(guò)程邊界條件發(fā)生變化時(shí)，該模型能自動(dòng)更新鋼坯加熱中不同加熱區(qū)間的最優(yōu)溫度設(shè)定值，仿真與工業(yè)實(shí)驗(yàn)證明了該模型的有效性，在熱工過(guò)程具有廣闊的應(yīng)用前景。文獻(xiàn)［28］針對(duì)豎爐焙燒中關(guān)鍵工藝指標(biāo)磁選管回收率(magnetic tube recovery rate，MTRR)不能在線測(cè)量，且MTRR與燃燒室的溫度、還原煤氣的流量和礦石搬出時(shí)間等具有強(qiáng)非線性、強(qiáng)耦合關(guān)系，并受操作條件影響的復(fù)雜特點(diǎn)，研究建立了混合智能控制器。該控制器由基于案例推理的預(yù)設(shè)定模型、MTRR預(yù)測(cè)模型、前饋與反饋補(bǔ)償模型、基于專家規(guī)則的故障工況診斷模型和基于案例推理的容錯(cuò)控制模型組成。工業(yè)應(yīng)用結(jié)果表明，基于混合智能控制器的豎爐焙燒系統(tǒng)運(yùn)行穩(wěn)定，MTRR能準(zhǔn)確地控制在期望范圍，取得了顯著的應(yīng)用效果。文獻(xiàn)［29］針對(duì)鋁土礦磨礦過(guò)程的強(qiáng)非線性、強(qiáng)耦合和時(shí)變性等問(wèn)題，建立了融合基于案例推理的預(yù)設(shè)定模型、基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型和模糊調(diào)整模型的最優(yōu)控制模型。這三個(gè)子模型的有效融合，提高了優(yōu)化控制模型的性能。工業(yè)應(yīng)用效果表明，融合后的系統(tǒng)降低了磨礦過(guò)程的電能消耗，提高了磨礦系統(tǒng)的運(yùn)行效率。文獻(xiàn)［30］針對(duì)鉛鋅冶煉密閉鼓風(fēng)爐熔煉過(guò)程的強(qiáng)非線性、強(qiáng)耦合和反應(yīng)機(jī)理復(fù)雜所導(dǎo)致優(yōu)化困難的問(wèn)題，在深入研究生產(chǎn)過(guò)程中存在問(wèn)題的基礎(chǔ)上，先建立了基于數(shù)據(jù)方法的鋅產(chǎn)量預(yù)測(cè)模型，然后根據(jù)專家規(guī)則判斷爐況特點(diǎn)，再結(jié)合模糊聚類(lèi)技術(shù)建立了密閉鼓風(fēng)爐過(guò)程操作參數(shù)優(yōu)化模型;通過(guò)工業(yè)生產(chǎn)驗(yàn)證了所提出的混合優(yōu)化方法的有效性。文獻(xiàn)［31］針對(duì)銅閃速熔煉過(guò)程氣、固、液共存，反應(yīng)復(fù)雜且迅速，工藝指標(biāo)不能在線檢測(cè)的問(wèn)題，研究提出了基于歷史工業(yè)數(shù)據(jù)和專家經(jīng)驗(yàn)的操作模式與模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合的優(yōu)化方法。工業(yè)運(yùn)行結(jié)果表明，冰銅品位提高了0.5%，冰銅溫度波動(dòng)范圍縮小了50 K，爐渣含銅量下降0.1%，取得了顯著的應(yīng)用效果。鋁電解槽底層控制回路的設(shè)定值如果不合理，將導(dǎo)致電流效率的降低、電能消耗增加，而設(shè)定值與電流效率、電能消耗之間耦合性強(qiáng)，難以精確建模，導(dǎo)致常規(guī)的方法難以實(shí)現(xiàn)系統(tǒng)優(yōu)化運(yùn)行。文獻(xiàn)［32］建立了基于案例推理、規(guī)則推理、神經(jīng)網(wǎng)絡(luò)的混合優(yōu)化控制方法，并應(yīng)用于中鋁某電解鋁廠。工業(yè)運(yùn)行結(jié)果表明，槽控系統(tǒng)運(yùn)行平穩(wěn)，電流效率提升了4%。文獻(xiàn)［33］建立了如圖1所示的融合模糊操作模式、基于灰色模糊LSSVM的工藝指標(biāo)預(yù)測(cè)模型和專家規(guī)則的操作參數(shù)協(xié)同優(yōu)化方法，并應(yīng)用于砷鹽凈化除鈷過(guò)程操作參數(shù)的優(yōu)化。驗(yàn)證結(jié)果表明，所提出的操作協(xié)同優(yōu)化方法提高了產(chǎn)品的合格率并降低了資源消耗，凈化后的硫酸鋅溶液合格率提高了6.7%，主要資源消耗節(jié)約了8.2%，取得了明顯的效果。

3　結(jié)束語(yǔ)

雖然復(fù)雜工業(yè)過(guò)程優(yōu)化取得了大量研究成果，但是并沒(méi)有形成普遍適用的優(yōu)化方法［34］，對(duì)于不同的工業(yè)過(guò)程，需要采用針對(duì)性的優(yōu)化方法。智能集成優(yōu)化方法具有很強(qiáng)的自適應(yīng)性和良好的應(yīng)用效果，將在復(fù)雜工業(yè)過(guò)程優(yōu)化中發(fā)揮重要作用。復(fù)雜工業(yè)過(guò)程朝著高度集成化、大型化發(fā)展，將導(dǎo)致約束條件增加、目標(biāo)函數(shù)難以顯式表示和工況變化頻繁等問(wèn)題。為實(shí)現(xiàn)原材料和能量的高效利用，復(fù)雜約束條件下隱式目標(biāo)函數(shù)和工況遷移的操作參數(shù)優(yōu)化將成為將來(lái)研究的熱點(diǎn)。

參考文獻(xiàn)

［1］Goto S.The application of thermodynamic calculations to converter practice［J］.Coer and Nickel Converters，1979，23(6):33－55.

［2］Tan P F，Zhang C F.Computer model of coer smelting process and distribution behaviors of accessory elements［J］.Journal of Central South University of Technology，1997，4(1):36－41.

［3］Zhu H Q，Chai Q Q，Yang C H，et al.Vortex motion－based particle swarm optimization for energy consumption of alumina evaporation［J］.The Canadian Journal of Chemical Engineering，2012，90(6): 1418－1425.

［4］Yang C H，Deconinck G，Gui W H，et al.An optimal powerdispatching system using neural networks for the electrochemical process of zinc depending on varying prices of electricity［J］.IEEE Transactions on Neural Networks，2002，13(1): 229－236.

［5］鄧燕妮.氧化鋁碳分過(guò)程多重時(shí)滯非線性分散魯棒控制方法與應(yīng)用研究［D］.長(zhǎng)沙:中南大學(xué)，2009.

［6］郭俊，桂衛(wèi)華，陽(yáng)春華.改進(jìn)差分進(jìn)化算法在鋁電解多目標(biāo)優(yōu)化中的應(yīng)用［J］.中南大學(xué)學(xué)報(bào):自然科學(xué)版，2012，43(1): 185－188.

［7］杜文友.基于溫度場(chǎng)建模的電熔鎂爐設(shè)定值優(yōu)化［D］.沈陽(yáng):東北大學(xué)，2011.

［8］Wang L Y，Gui W H，Kok Lay Teo，et al.Time delayed optimal control problems withmultiple characteristic time points: computation and industrial alications［J］.Journal of Industrial and Management Optimization，2009，5(4): 705－718.

［9］Li Y G，Gui W H，Teo K L，et al.Optimal control for zinc solution purification based on interacting CSTR models［J］.Journal of Process Control，2012，22(10):1878–1889.

［10］Yang C H，Gui W H，Kong L S，et al.A genetic algorithm based optimal scheduling system for full－filled tanks in the processing of starting materials for alumina production［J］.The Canadian Journal of Chemical Engineering，2008，86(4): 804－812.

［11］Chai Q Q，Yang C H，Kok Lay Teo，et al.Optimal control of and industrial－scale evaporation process: sodium aluminate solution［J］.Control Engineering Practice，2012，20(6): 618－628.

［12］Smith L N，German R M，Smith M L.A neural network aroach for solution of the inverse problem for selection of powder metallurgy materials［J］.Journal of Materials Processing Technology，2002，120(1): 419－425.

［13］Yu W，Morales A.Neural networks for the optimization of crude oil blending［J］.International Journal of Neural Systems，2005，15(5): 377－389.

［14］Hiert H S，Pedreira C E，Souza R C.Neural networks for shortterm load forecasting: A review and evaluation［J］.IEEE Transactions on Power Systems，2001，16(1): 44－55.

［15］汪金良，盧宏，曾青云，等.基于遺傳算法的銅閃速熔煉過(guò)程控制優(yōu)化［J］.中國(guó)有色金屬學(xué)報(bào)，2007，17(1):156－160.

［16］萬(wàn)維漢，萬(wàn)百五，史維祥，等.鎳閃速熔煉過(guò)程的模糊動(dòng)態(tài)質(zhì)量模型與控制［J］.西安交通大學(xué)學(xué)報(bào)，2000，34(3): 54－59.

［17］劉金平.基于BP神經(jīng)網(wǎng)絡(luò)硅熱法煉鎂工藝參數(shù)的優(yōu)化研究［D］.南昌:南昌大學(xué)，2006.

［18］陳治明，曹建忠.基于多支持向量機(jī)模型和優(yōu)化控制器的板形、板厚控制［J］.控制與決策，2012，27(4):525－528

［19］張紹德，毛雪菲，毛雪芹.基于最近鄰聚類(lèi)支持向量機(jī)辨識(shí)的電弧爐電極逆控制［J］.控制理論與應(yīng)用，2010，27 (7): 909－912.

［20］Moghaddamnia A，Ghafari Gousheh M，Piri J，et al.Evaporation estimation using artificial neural networks and adaptive neuro－fuzzy inference system techniques［J］.Advances in Water Resources，2009，32(1): 88－97.

［21］Vinther K，Lyhne C H，Sorensen E B，et al.Evaporator superheat control with one temperature sensor using qualitative system knowledge［C］/ /American Control Conference，2012: 374－379.

［22］袁平，王福利，毛志忠.基于案例推理的電弧爐終點(diǎn)預(yù)報(bào)［J］.東北大學(xué)學(xué)報(bào):自然科學(xué)版，2011，32(12): 1673－1676.

［23］曹方，王偉，王介生.基于知識(shí)挖掘和案例推理的電渣重熔過(guò)程智能優(yōu)化設(shè)定控制［J］.信息與控制，2010，39 (1 ): 115－117.

［24］吳永建，張莉，岳恒，等.基于案例推理的電熔鎂爐智能優(yōu)化控制［J］.化工學(xué)報(bào)，2008，59(7): 1686－1690.

［25］桂衛(wèi)華，陽(yáng)春華.復(fù)雜有色冶金生產(chǎn)過(guò)程智能建模、控制與優(yōu)化［M］.北京:科學(xué)出版社，2010.

［26］柴天佑.復(fù)雜工業(yè)過(guò)程運(yùn)行優(yōu)化與反饋控制［J］.自動(dòng)化學(xué)報(bào)，2013，39(11): 1744－1757.

［27］Wang W，Li H X，Zhang J.A hybrid approach for supervisory control of furnace temperature［J］.Control Engineering Practice，2003，11(11): 1325－1334.

［28］Chai T Y，Ding J L，Wu F H.Hybrid intelligent control for optimal operation of shaft furnace roasting process［J］.Control Engineering Practice，2011，19(3): 264－275.

［29］Zhou P，Chai T Y，Wang H.Intelligent optimal－setting control for grinding circuits of mineral processing process［J］.IEEE Transactions on Automation Science and Engineering，2009，6(4): 730－743.

［30］李瑞娟.基于鋅產(chǎn)量預(yù)測(cè)模型的密閉鼓風(fēng)爐爐況優(yōu)化研究［D］.長(zhǎng)沙:中南大學(xué)，2005.

［31］桂衛(wèi)華，陽(yáng)春華，李勇剛，等.基于數(shù)據(jù)驅(qū)動(dòng)的銅閃速熔煉過(guò)程操作模式優(yōu)化及應(yīng)用［J］.自動(dòng)化學(xué)報(bào)，2009，35(6): 717－724.

［32］陸志堅(jiān).混合智能優(yōu)化控制方法的研究及其在鋁電解中的應(yīng)用［D］.重慶:重慶大學(xué)，2010.

［33］伍鐵斌，陽(yáng)春華，李勇剛，等.基于模糊操作模式的砷鹽除鈷過(guò)程操作參數(shù)協(xié)同優(yōu)化［J］.自動(dòng)化學(xué)報(bào)，2014，40(8): 1690－1698.

［34］柴天佑.生產(chǎn)制造全流程優(yōu)化控制對(duì)控制與優(yōu)化理論方法的挑戰(zhàn)［J］.自動(dòng)化學(xué)報(bào)，2009，35(6): 641－649.

Research Progress of Optimization of Operating Parameters for Complex Industrial Process

伍鐵斌1，3龍文2朱紅求3

(湖南人文科技學(xué)院能源與機(jī)電工程系1，湖南婁底417000;
貴州財(cái)經(jīng)大學(xué)貴州省經(jīng)濟(jì)系統(tǒng)仿真重點(diǎn)實(shí)驗(yàn)室2，貴州貴陽(yáng)550004;中南大學(xué)信息科學(xué)與工程學(xué)院3，湖南長(zhǎng)沙410083)

摘要:針對(duì)復(fù)雜工業(yè)過(guò)程操作參數(shù)優(yōu)化困難所導(dǎo)致的資源消耗高和產(chǎn)品合格率低等問(wèn)題，介紹了基于機(jī)理模型的操作參數(shù)優(yōu)化方法，以及基于數(shù)據(jù)黑箱模型、領(lǐng)域?qū)＜医?jīng)驗(yàn)和智能集成優(yōu)化模型等非機(jī)理模型的操作參數(shù)優(yōu)化方法研究現(xiàn)狀。探討了未來(lái)復(fù)雜工業(yè)過(guò)程操作參數(shù)優(yōu)化研究的方向。該研究對(duì)復(fù)雜工業(yè)過(guò)程的操作參數(shù)優(yōu)化具有一定借鑒意義。

關(guān)鍵詞:復(fù)雜工業(yè)過(guò)程參數(shù)優(yōu)化節(jié)能降耗智能控制機(jī)理模型黑箱模型神經(jīng)網(wǎng)絡(luò)粒子群算法

Abstract:In view of the problems of high resource consumption and low rate of qualified products caused by the difficulty of optimization of operation parameters optimization for complex industrial process，the operation parameters optimization method based on mechanism model，and the research status of operating parameter optimization method based on the non－mechanistic models，e.g.，data black box model，field experts' experience and intelligent integrated optimization model，etc.，are reported.The research direction in future for complex industrial process parameter optimization is investigated.The study provides certain reference significance for optimizing the operation parameters of complex industrial process.

Keywords:Complex industrial process Parameters optimization Energy saving Intelligent control Mechanism model Black box model Neural network Particle swarm algorithm

中圖分類(lèi)號(hào):TH－3; TP273 +.1

文獻(xiàn)標(biāo)志碼:A

DOI:10.16086/j.cnki.issn1000－0380.201603001