本发明属于冶金生产流程的数字孪生领域，特别是提供了一种烧结生产过程智能决策方法。
背景技术：
1、冶金工业属于长流程工业，具有产线长、工序多、“黑箱”多、控制难度大等特点，烧结生产过程同样也是一个不可见的生产过程，因为不可见造成了控制精度比较低，烧结矿质量不高，生产成本较高的情况。
2、目前烧结工序的生产控制大体上还是依靠机理模型，机理模型是把工业过程涉及的工艺知识、反应过程知识、设备状态信息、最佳实践及技术诀窍封装而成的数字化模型。工业机理模型是工业过程描述、分析、控制和优化的基础，也是基于工业互联网平台实现生产过程虚拟制造、数字化流程仿真、数字化工艺设计、制造辅助以及过程诊断决策的核心。
3、在冶金行业，单纯基于工业机理模型，不能破解长流程中的“黑箱”，只有在机理模型的基础上结合历史数据、实时数据构建高精度的数字孪生模型才可以定量表达各工序物质流、能量流变化过程和相互作用，支撑生产过程实时动态管理和精准控制。
技术实现思路
1、针对现有工业机理模型中不可见因素造成的问题，本发明提出一种烧结生产过程智能决策方法。
2、所述烧结生产过程智能决策方法，具体步骤为：
3、步骤一，基于工业机理模型构建数字孪生模型，将该数字孪生模型加载到智能应用中；
4、数字孪生模型包括优化配矿模型、工艺参数预测模型、产量质量指标预测模型和技术经济综合评价模型。
5、步骤二，通过历史数据对加载到智能应用中的数字孪生模型进行训练；
6、训练过程为：
7、(1)优化配矿模型；
8、优化配矿模型的输入数据包括原料供应条件和成本、原料物化性能以及烧结矿化学成分要求，其中原料供应条件和成本以及原料物化性能为已知的原料自身性质，烧结矿化学成分要求通过构造烧结矿化学成分预测模型进行预测得到；
9、烧结矿化学成分预测模型的构造过程为：
10、根据灰色理论，在研究烧结矿碱度及相关因素数据的基础上建立烧结矿碱度的gm(1,1)模型，得到原始序列之间的关联。将gm(1,1)模型灰色预测的优点和bp神经网络所特有的非线性适应性信息处理能力相结合，得到烧结矿化学成分预测模型。
11、在训练样本少的生产初期或者料种更换期采用灰色gm(1,1)模型进行烧结矿化学成分预测，在正常生产期则采用bp神经网络模型进行预测。
12、采用bp神经网络模型进行预测的过程为：
13、首先，根据原料下料量、原料成分和原料水分经过软测量技术得到混合料成分的计算值；
14、然后，将混合料成分计算值，点火温度，混合料温度，料层厚度，台车速度，烧结负压，煤气流量，混匀矿中的feo、mgo、cao含量，生石灰、煤粉配比，混合料粒度的瞬时值共同作为bp神经网络的输入参数，输出数据是烧结矿化学成分feo、mgo、cao的化验值。
15、(2)工艺参数预测模型；
16、工艺参数预测模型为多源线性回归模型，工艺参数包括燃料配比、混合料性能、烧结过程状态、烧结矿转鼓强度以及污染物排放。
17、工艺参数预测模型的输出y为：
18、y＝β0+β1x1+β2x2+β3x3+β4x4+β5x5+ε
19、其中，β0是截距项，β1、β2、β3、β4和β5是回归系数，ε是误差项。x1为燃料配比，包括燃料(煤、喷吹煤、焦粉等)类型、燃料比例等变量；x2为混合料性能，包括混合料的化学成分、物理性质等变量；x3为烧结过程状态，包括烧结温度、料层厚度、料层偏析度等；x4为烧结矿转鼓强度，包括转鼓强度测试结果等变量；x5为污染物排放，包括排放的污染物种类和数量等变量。
20、上述工艺参数中，燃料配比和烧结矿转鼓强度的获取过程分别为：
21、①燃料配比的获取过程为：
22、在烧结过程中分别进行熔融区化学成分计算、烟气成分分析和机尾断面图像分析，其中熔融区化学成分计算得到混合料成矿性能，烟气成分分析得到燃料燃烧效率，机尾断面图像分析得到红层厚度和烧结矿feo含量；
23、综合上述混合料成矿性能、燃料燃烧效率以及红层厚度和烧结矿feo含量进行燃料配比优化，得到适宜的燃料配比，反馈给烧结过程。
24、②烧结矿转鼓强度的预测过程为：
25、采用支持向量机技术，建立烧结矿转鼓强度预测模型，支持向量机模型包括三层，分别为输入层、中间层及输出层，输入层输入待计算参数或指标的参数x，x为多维向量，位数为输入样本的个数，本模型输入样本有混合料成分、混合料水分、焦粉配比、料层厚度、点火强度、主抽负压和烧结终点状态，共7个；中间层采用核函数，其中xi表示训练样本中的某一个x向量，输出层为待预测的参数或指标f(x)：
26、
27、(3)产量质量指标预测模型；
28、在烧结过程中，进行烧结料层透气性预测、热状态特征点软测量和机尾断面图像分析，分别得到透气性指数pe，废气温度上升点(trp)、废气温度拐点(brp)和烧结终点(btp)，红层均匀性指数；结合上述参数得到烧结矿产质量指标预测模型，进行烧结矿产质量指标优化，得到最终的优化操作参数，并反馈给烧结过程。
29、其中，烧结料层透气性预测的过程为：
30、采样支持向量机技术，建立烧结料层透气性预测模型，原理同上，此时的输入样本包括粒度分布、制粒水分、焦粉配比、料层厚度、混合料温度、点火炉负压和1#风箱负压，共7个，该模型输出层的输出为预测烧结料层透气性状态f'(x)为：
31、
32、步骤三，利用训练好的数字孪生模型进行烧结生产过程智能决策；
33、具体为：
34、首先，将原料供应条件和成本、烧结矿化学成分要求、原料物化性能输入优化配矿模型中，得到初始配矿方案组；
35、然后，将初始配矿方案组同时输入工艺参数预测模型和产量质量指标预测模型中，分别得到工艺参数和产量质量指标预测值；
36、最后，将上述工艺参数和产量质量指标预测值结合产量质量指标要求，共同输入技术经济综合评价模型，根据技术经济综合评价结果对配矿方案进行排序，得到符合当前质量产量指标要求前提下的优化配矿方案。
37、优化配矿方案包括最优原料配比、燃料配比和操作参数。
38、本发明的优点在于：
39、1、本发明烧结生产过程智能决策方法，可实现冶金设备运行状态监视和故障预测诊断，提高设备运行效率；
40、2、本发明可实现冶金过程虚拟制造、数字化流程仿真、企业运营的集成精益管控，实现高效绿色生产。
1.一种烧结生产过程智能决策方法，其特征在于，具体步骤为：
2.根据权利要求1所述的一种烧结生产过程智能决策方法，其特征在于，所述烧结矿化学成分预测模型采用bp神经网络模型进行预测的过程为：
3.根据权利要求1所述的一种烧结生产过程智能决策方法，其特征在于，所述燃料配比的获取过程为：
4.根据权利要求1所述的一种烧结生产过程智能决策方法，其特征在于，所述烧结矿转鼓强度的预测过程为：
5.根据权利要求1所述的一种烧结生产过程智能决策方法，其特征在于，所述烧结料层透气性预测的过程为：
6.根据权利要求1所述的一种烧结生产过程智能决策方法，其特征在于，最终得到的优化配矿方案包括最优原料配比、燃料配比和操作参数。
