1.1 课题的研究背景与意义
进入 21 世纪以来，特别是在世界大环境和全球金融危机的影响下，我国钢铁行业也发生了巨大的变化。2015 年，我国粗钢产量为 8.04 亿吨，改革开放以来首次出现负增长，比 2014 年下降 2.3 个百分点。其中，我国北方地区的粗钢产量都有所下降，山东、河南等地区粗钢产量缓慢增长。进入 2016 年，随着结构性改革加快，国民经济增长缓慢，钢铁消费需求预计将会持续收缩[1]。在这种情况下，钢铁企业作为耗能大户，实行优化生产、节能降耗已经到了刻不容缓的地步。我国政府在“十三五规划”中也明确提出：节能减排既是本阶段工业发展的中心任务，也是可持续发展的必然要求。钢铁行业作为整个国民经济中能源消耗较大的产业,节能减排的潜力较大,尤其是高炉炼铁过程作为钢铁工业最主要的能源消耗工序,更是承担了节能减排的重大任务[2]。在钢铁企业中，整个铁前系统能耗约占钢铁企业能耗总量的 70% ，而高炉炼铁在铁前系统中的能耗占炼铁工序能耗的 60%左右。由此可知，高炉炼铁在钢铁企业能耗中所占比例非常之大，因此，钢铁企业的节能降耗工作重点从高炉入手最为有效。针对高炉炼铁参数预测和优化控制模型的研究,首先对高炉炼铁过程中的入炉焦比、铁水温度和铁水产量等关键参数进行合理预测，其次是在关键参数的预测模型的基础上来建立高炉炼铁多目标优化控制模型，合理进行能源管理和优化调度，最终实现钢铁企业节能减排的目的。
.........
1.2 国内外研究现状及存在问题
针对高炉炼铁焦比预测问题，近年来，相关学者开展了各种分析和研究。从机理模型构建到人工智能算法应用，都体现对高炉炼铁入炉焦比预测的重视。郝晓静[4]提出了一种确定影响焦比关键因素的方法。该方法首先利用通径分析,对某钢铁厂实际生产数据进行处理,在给定的高炉系统的诸多变量中,利用最小剩余通径系数确定影响目标函数的主要变量因素。然后将诸因素关系处理为直接通径和间接通径,并对其进行了排序,最后，找出了影响指定目标函数:焦比的主要直接通径和间接通径。胡蒙均[5]以某钢铁企业数据为基础,运用三种不同的方法对入炉焦比进行了预测。分别为：ARMA 模型预测方法，灰色系统分析及预测以和 BP 神经网络。通过三种方法的比较，BP 神经网络模型预测的结果相对准确。范志刚[6]首先对 BP 神经网络算法进行改进研究，主要是添加了惯性项和动态调整步长，然后利用改进后的 BP 神经网络建立高炉炼铁焦比预测模型，实验结果证明,经过训练的 BP 神经网络对高炉焦比有良好的预测效果,其预测误差小于 2%。并根据生产实际探讨了将神经网络和专家系统相结合,实现在线预报的可能性。周洋[7]基于聚类分析和神经网络结合的焦比预测模型。首先，通过聚类分析将高炉数据集聚划分为几类,分类训练相应的神经网络模型,实现高炉焦比的预测。结果表明,加入聚类分析的神经网络模型在平均绝对误差和平均相对误差都低于普通神经网络。王艳红[8]基于辅料资源运行原理对高炉综合焦比进行分析，提出了一种网络结构为16-20-1 的改进 BP 神经网络高炉预测模型。仿真表明，该模型在对高炉生产数据进行学习后，其预测误差率相对较低，具有一定的准确性和有效性。
.......
第二章 高炉炼铁基础
2.1 高炉炼铁工艺流程介绍
将铁从含铁矿石中还原出来的过程就是炼铁的过程。在进行生产时，将溶剂、焦炭、以及铁矿石（主要成分就是铁与氧的化合物）从炉顶装入，同时将天然气、油等燃料和热风从高炉下部吹进。在高温状态下，将会使焦炭等含有碳物质的燃料产生 CO，进而还原得到铁矿石中的铁，最终得到铁水。加入炉中的溶剂（比如石灰石等）、喷吹物的灰分以及铁矿石的焦炭和脉石等以炉渣的形式排除。同时还会从炉顶排出煤气和其他气体，并经过除尘操作之后进行利用。直到目前为止，现代化高炉还可对炉顶高压进行合理利用，通过导出的煤气进行发电。图 2-1 所示的是高炉冶炼过程。通常情况下，自然界中的铁元素都是以化合物形式存在的，其中数量最大的就是氧化铁。以下将简单说明较为重要的铁矿石。其一、磁铁矿属于氧化铁矿石，具有磁性，其颜色为黑灰色，Fe O、2 3Fe O 以及3 4Fe O是最主要的成分，比重为 5.15，其中含氧元素大约为 27.6%，含铁元素大约为 72.4%。可通过磁选法进行选矿，非常便捷。但因为结构非常细密，因此具有非常差的被还原性。在长时间风化之后将成为赤铁矿。其二、菱铁矿属于包含碳酸铁的矿石，其颜色为青灰色，3Fe CO 是最主要的成分，比重为 3.8。一般情况下，这种矿石包含有镁盐、钙盐等，在处于高温条件下，碳酸根将会受热分解为 CO2，因此通常都会先焙烧这类矿石，然后再加入鼓风炉之中。
.........
2.2 高炉炼铁机理分析
高炉炼铁的任务是用还原剂(焦炭、煤粉)在高温下将铁矿石或含铁原料还原为液态生铁[26]。首先通过筛分装置对炉料进行筛选，然后经称重系统之后借助给料机按一定比例进行配料，再经传输机皮带运送到高炉顶部，最终按一定要求通过下料装置下料。由于焦炭具有最大的密度，因此具有最快的下降速度，当下降至炉缸时，鼓进的氧气将会与焦炭在高温下发生反应，进而产生 CO2，同时将会放出热能，在此过程中，如果拥有过量的焦炭，那么将会生成 CO，进而与水蒸气发生反应生成还原性气体，比如氢气等，这些生成的气体将会克服炉料的阻力不断上升，而且还原性气体将会与铁的氧化物发生反应，进而被还原成金属 Fe，最终从炉底排除，同时溶剂和脉石都会形成炉渣，通过排渣口排出，含有结晶水的铁矿石在高温状态下将会发生水分的蒸发，此过程将会消耗一定的热量，因此将会一定的影响到炉内温度，如果使用的铁矿石含有结晶水，首先应该会发结晶水，可在炉外进行焙烧，这样能够使铁矿石的含铁量大大提高。
第三章 高炉入炉焦比预测模型的建立.....14
3.1 高炉入炉焦比预测原理.......14
3.2 输入变量的选择.....15
3.3 模型建立..........17
3.4 模型参数寻优.........19
3.5 基于最小二乘支持向量机入炉焦比预测.......20
3.6 本章小结..........23
第四章 高炉铁水温度及产量预测模型的建立...... 24
4.1 高炉铁水温度预测特点.......24
4.2 高炉铁水温度预测原理.......26
4.3 广义回归神经网络........27
4.4 改进 PSO 算法寻优.......29
4.5 基于广义回归神经网络的铁水温度预测.......31
4.6 基于广义回归神经网络的高炉铁水产量预测......35
4.7 本章小结..........36
第五章 高炉炼铁多目标优化控制模型研究.......... 37
5.1 高炉炼铁多目标优化控制原理.........37
5.2 高炉炼铁多目标优化控制理论基础........39
5.3 高炉炼铁多目标优化控制算法.........41
5.4 高炉炼铁多目标优化控制模型的设计....43
5.5 本章小结..........45
第五章 高炉炼铁多目标优化控制模型研究
高炉冶炼过程是一个物理和化学反应高度复杂的过程，它的运行机制往往具有非线性、大时滞、分布参数等众多特点。同时，高炉本身是一个集传热与化学反应耦合的开放体[44]。其中，高炉入炉焦比、高炉铁水温度以及铁水产量不仅是高炉炼铁过程中的关键参数也是高炉冶炼过程中的重要评价指标。针对单目标优化往往是以局部为出发点，不能从全局考虑，从而限制了最大节约能源的能力。所以通过建立以高炉入炉焦比、铁水产量为多目标，以高炉铁水温度和其他条件为约束条件的综合优化控制模型来指导高炉的节能降耗工作。本章利用高炉炼铁过程中的数据，结合第三章和第四章建立的高炉入炉焦比模型和铁水温度以及产量模型，建立以高炉入炉焦比和高炉铁水产量为目标函数，以高炉铁水温度为主要约束条件的高炉炼铁多目标优化控制模型，同时，应用改进多目标粒子群算法对高炉炼铁多目标优化控制模型进行最优解的寻找，最终完成了对炉炼铁多目标优化控制模型的设计并且在理论上验证了优化模型的可行性。从而为钢铁企业节能减排打下坚实基础。
5.1 高炉炼铁多目标优化控制原理
在日常生活中，有很多问题是由多个目标共同组成，而且多个目标之间有是相互作用和相互影响的。为了使多个目标尽可能在在给定区域内实现最优化, 相关学者和专家做了大量的研究课题，这也就是多目标优化问题(Multi Objective Optimization, MOP ) [45]。同样，在钢铁生产中，多目标优化问题也广泛存在，例如：在高炉炼铁工序中，为了满足多个目标的需求，(在冶炼过程中，我们想让高炉入炉焦比最小以及高炉铁水产量最大)也会存在多目标优化问题。一般情况下,在多目标优化问题中，各个子目标之间可能是相互矛盾或相互制约的,一个因素可能影响一个或多个子目标，一个子目标的性能改善可能会引起一个或多个子目标的性能降低, 也就是说，想要使众多子目标一起达到最优值是不可能的，最好的方法是在各个目标之间折中和协调处理，尽可能的使众多子目标达到性能最优。多目标优化问题与单目标优化问题最明显的区别是：多目标优化问题的解不唯一，可能存在多组解，这样的解称之为 Pareto[46]最优解或非劣最优解。
........
总结
高炉炼铁过程中物理化学反应复杂多变，通过对高炉冶炼过程深入研究和分析，结合前人的理论以及相关领域的研究成果，综合应用数理统计、神经网络、系统分析和统计学的相关知识，就高炉炼铁入炉焦比、铁水温度和产量的建模预测和高炉炼铁多目标优化控制问题展开系统的研究。建立高炉入炉焦比模型、高炉铁水温度模型、铁水产量
