一种氧气底吹铜熔炼过程智能控制方法

摘要

本发明涉及一种氧气底吹铜熔炼过程智能控制方法。本发明包括以下步骤：操作变量选取：选取氧气流量、石英石流量和冷料流量作为操作变量；以炉渣温度、炉渣铁硅比和铜锍品位的目标范围作为目标，依据混合铜精矿、石英石和冷料的成分，计算出操作变量的预设定值；依据炉渣温度、炉渣铁硅比和铜锍品位的目标范围与测量值之差，采用基于专家规则方法的反馈补偿策略，计算出操作变量的反馈补偿值；将操作变量的预设定值与反馈补偿值相加得到操作变量的设定值。本发明无需分析氧气底吹铜熔炼过程的复杂机理，能够根据原料和产品的信息及时地自动给出操作变量的设定值，从而实现炉渣温度、炉渣铁硅比和铜锍品位三个关键参数的稳定控制，减轻了操作人员的劳动强度。

说明书

技术领域

本发明涉及铜冶炼过程的控制技术领域，尤其是一种氧气底吹铜熔炼过程智能控制方法。

背景技术

氧气底吹铜熔炼过程是铜冶炼过程中的一个重要环节，它将含铜量较低的铜精矿等原料中的铁和硫进行氧化脱除，得到含铜量较高的熔融铜锍，从而为转炉吹炼过程提供原料。氧气底吹铜熔炼炉(简称底吹炉)是该过程的核心装备。

氧气底吹铜熔炼过程如图1所示。底吹炉沿长度方向分为反应区和沉淀区。来自1#～3#三个精矿仓的混合铜精矿与来自石英石仓的石英石在皮带上进行混合，得到的物料进入底吹炉上方的1#～3#三个混合仓。混合仓中的物料和用皮带输送的冷料从炉顶的三个加料口进入底吹炉内的反应区中，氧气和空气的混合气体从炉底的九支氧枪进入底吹炉的反应区中，使炉内的高温熔体维持一种强烈的搅动状态。入炉的铜精矿、石英石和冷料中的低价硫与铁元素与氧气在炉内反应区发生强烈的氧化反应并放出大量的热量，最终形成烟气及互不相溶的铜锍和炉渣，铜锍和炉渣流到沉淀区澄清分离。烟气经由底吹炉上方的上升烟道排出后经过余热锅炉和电收尘器后送往制酸车间生产硫酸；铜锍间歇性地(间隔大约在55-65min)从放铜锍口排出进入铜锍包，之后倒入转炉中进行吹炼；炉渣间歇性地(间隔大约在10-15min)从放渣口排出进入渣包，之后送到缓冷场冷却，再经过破碎和浮选工序以回收其中的铜。

氧气底吹铜熔炼过程需要控制的关键参数有熔体温度(由于生产环境极为恶劣，熔体温度无法在线检测。考虑操作上的便利性，生产中往往采用炉渣温度作为熔体温度的间接表征，在每一包炉渣开始排放时和即将放完时分别用红外测温仪对炉渣温度进行一次检测，因此以下均以炉渣温度代替)、炉渣铁硅比和铜锍品位。炉渣铁硅比是指炉渣当中铁元素和二氧化硅的质量之比，铜锍品位是指铜锍当中铜元素的质量分数，它们的检测均采用首先在排放每一包炉渣及铜锍的过程中取样，然后用荧光分析仪对样品成分进行化验的方法。

氧气底吹铜熔炼过程是一个非常复杂的时变非线性过程，其环境十分恶劣，生产过程中原料成分也有变化。在实际生产中，三个关键参数的控制均由操作人员凭经验进行，而操作人员在操作中的主观性和随意性往往较强，不够规范和及时，造成关键参数波动较大，能耗过高。因此，如何根据实际生产状况及时地自动确定合适的操作变量设定值，使得关键参数更加平稳，降低能耗，就成为一个迫切需要解决的问题。

发明内容

针对氧气底吹铜熔炼过程原料成分有波动、工况复杂，操作不够规范和及时，关键参数不够稳定，能耗过高的问题，本发明要解决的技术问题是提供一种能够克服原料成分变化、根据实际生产情况自动确定操作变量设定值的氧气底吹铜熔炼过程的智能控制方法。

本发明为实现上述目的所采用的技术方案是：一种氧气底吹铜熔炼过程智能控制方法，包括以下步骤：

操作变量选取：选取氧气流量、石英石流量和冷料流量作为操作变量；

以炉渣温度、炉渣铁硅比和铜锍品位的目标范围作为目标，依据混合铜精矿、石英石和冷料的成分，采用BaggingPLS方法计算出操作变量的预设定值；

依据炉渣温度、炉渣铁硅比和铜锍品位的目标范围与测量值之差，采用基于专家规则方法的反馈补偿策略，计算出操作变量的反馈补偿值；

将操作变量的预设定值与反馈补偿值相加得到操作变量的设定值。

所述操作变量的预设定值通过以下方法设定：

A.构造原始输入、输出样本集，并分别存入输入、输出建模数据矩阵X和Y中；

B.对所述输入、输出建模数据矩阵进行标准化变换；

C.基于标准化变换后得到的标准化输入、输出建模数据矩阵X'和Y'，创建基于Bagging方法的样本子集；

D.针对每个样本子集建立部分最小二乘法子模型；

E.对得到的部分最小二乘法子模型进行加权合成，得到操作变量的预设定值；

F.如果得到的炉渣温度、炉渣铁硅比和铜锍品位满足生产要求，则保持得到的结果不变；如果得到的炉渣温度、炉渣铁硅比和铜锍品位不满足生产要求，则需要对得到的预设定值进行修正，直至得到的炉渣温度、炉渣铁硅比和铜锍品位都满足要求；

G.计算X_new和X_j的相似度S(X_new,X_j)，如果其最大值S_max低于设定的相似度阈值，则将新问题的输入输出数据分别存入矩阵X和Y中，并返回步骤B；否则从矩阵X和Y中删除与新问题具有最大相似度的那条历史输入输出数据，再将新问题的输入输出数据分别存入矩阵X和Y中，并返回步骤B；所述所述新问题是指在由一组输入数据X_new＝[x_new1,x_new2,...,x_new16]表示的新的生产工况下确定出操作变量的预设定值。

所述输入样本集中的输入变量包括炉渣温度、炉渣铁硅比、铜锍品位的目标值、铜精矿含铜率、含铁率、含硫率、含二氧化硅率和含水率，石英石含二氧化硅率，冷料含铜率、含铁率、含硫率、含二氧化硅率、含水率、铜精矿的流量和总入炉物料流量，所述输出样本集中的输出变量包括氧气流量、石英石流量和冷料流量的预设定值。

所述对所述输入、输出建模数据矩阵进行标准化变换的方法为：

a.对输入建模数据矩阵X进行标准化变换：

${x_{\mathrm{ji}}}^{\prime }=\frac{x_{\mathrm{ji}}-{\bar{x}}_i}{{\sigma }_i}---\left(1\right)$

${\sigma }_i=\sqrt{\frac{\underset{j=1}{\overset{U}{\Sigma }}{(x_{\mathrm{ji}}-{\bar{x}}_i)}^2}{U-1}}---\left(2\right)$

${\bar{x}}_i=\frac{1}{U}\underset{j=1}{\overset{U}{\Sigma }}{x}_{\mathrm{ji}}---\left(3\right)$

式中，x_ji表示第i个输入变量的第j个样本值，为第i个输入变量的样本均值，σ_i为第i个输入变量的样本标准差，x_ji′为x_ji标准化后的数值，i＝1,2,…,16，j＝1,2,…,U，U为样本数量；

b.对输出建模数据矩阵Y进行标准化变换：

${y_{\mathrm{ji}}}^{\prime }=\frac{y_{\mathrm{ji}}-{\bar{y}}_i}{{\lambda }_i}---\left(4\right)$

${\lambda }_i=\sqrt{\frac{\underset{j=1}{\overset{U}{\Sigma }}{(y_{\mathrm{ji}}-{\bar{y}}_i)}^2}{U-1}}---\left(5\right)$

${\bar{y}}_i=\frac{1}{U}\underset{j=1}{\overset{U}{\Sigma }}{y}_{\mathrm{ji}}---\left(6\right)$

式中，y_ji表示第i个输出变量的第j个样本值，为第i个输出变量的样本均值，λ_i为第i个输出变量的样本标准差，y_ji′为y_ji标准化后的数值，i＝1,2,3，j＝1,2,…,U，U为样本数量。

所述基于Bagging方法的样本子集的创建方法为：

为[1,U]中每个正整数分配相等的采样概率以该概率从[1,U]中随机产生N个正整数k_i∈[1,U](i＝1,2,...,N)，设其中，为标准化后的第k_i个建模样本的输入数据，为标准化后的第k_i个建模样本的输出数据，则第1个预设定样本子集就是{C₁,V₁}；

按照上述步骤反复进行Z次，这样就得到Z个预设定样本子集：{C₁,V₁}，{C₂,V₂}，…，{C_Z,V_Z}。

所述针对每个样本子集建立部分最小二乘法子模型，具体为：首先对于第i(i＝1,2,...,Z)个样本子集{C_i,V_i}，令E₀＝C_i，F₀＝V_i，h＝1，再执行以下步骤：

Step1：求取矩阵的特征值，再求出的最大特征值所对应的特征向量w_h，转Step2；

Step2：对E_h-1和F_h-1进行如下分解：

$E_{h-1}=t_h{p}_h^T+E_h---\left(7\right)$

$F_{h-1}=t_h{r}_h^T+F_h---\left(8\right)$

其中，$p_h=\frac{E_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2},r_h=\frac{F_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2},$t_h＝E_h-1w_h，转Step3；

Step3：计算残差矩阵：

$E_h=E_{h-1}-t_h{p}_h^T---\left(9\right)$

$F_h=F_{h-1}-t_h{r}_h^T---\left(10\right)$

判断是否满足||F_h||＜ε₁或者||||F_h||-||F_h-1||||＜ε₂，其中ε₁和ε₂为预先指定的阈值，取值范围在[0.0001,0.1]，如果满足，则转Step4；如果不满足，令h＝h+1，转Step1；

Step4：设$\mathrm{ST}=X_{\mathrm{new}}^{\prime }\underset{j=1}{\overset{h}{\Sigma }}{w}_j^{*}{r}_j^T=[{\mathrm{st}}_1,{\mathrm{st}}_2,{\mathrm{st}}_3],$其中，

$X_{\mathrm{new}}^{\prime }=[\frac{x_{1\mathrm{new}}-{\bar{x}}_1}{{\sigma }_1},\frac{x_{2\mathrm{new}}-{\bar{x}}_2}{{\sigma }_2},...,\frac{x_{16\mathrm{new}}-{\bar{x}}_{16}}{{\sigma }_{16}}]=[x_{\mathrm{new}1}^{\prime },x_{\mathrm{new}2}^{\prime },...,x_{\mathrm{new}16}^{\prime }]$为新问题的标准化输入数据，X_new＝[x_new1,x_new2,...,x_new16]为新问题的原始输入数据，h为提取出的成分数量，

$w_j^{*}=\left(\begin{array}{cc}\underset{q=1}{\overset{j-1}{\Pi }}(I-w_q{p}_q^T)w_j& (j=\mathrm{2,3},...h)\\ w_j& (j=1)\end{array}\right)$

则得到的第i个预设定部分最小二乘法子模型：

$V_i=[y_1,y_2,y_3]=[{\bar{y}}_1+{\lambda }_1{\mathrm{st}}_1,{\bar{y}}_2+{\lambda }_2{\mathrm{st}}_2,{\bar{y}}_3+{\lambda }_3{\mathrm{st}}_3]---\left(11\right)$

其中，V_i表示第i个子模型的输出结果，i＝1,2,...,Z。

所述对得到的部分最小二乘法子模型进行加权合成，得到操作变量的预设定值：

$Y_{\mathrm{new}}=\frac{\underset{i=1}{\overset{Z}{\Sigma }}{V}_i}{Z}---\left(12\right)$

其中，V_i表示第i个子模型的输出结果，i＝1,2,...,Z。

所述通过下式计算X_new和X_j的相似度：

$S(X_{\mathrm{new}},X_j)=\delta \sqrt{e^{-D^2}}+(1-\delta )\cos \theta ---\left(13\right)$

其中，$D(X_{\mathrm{new}},X_j)=\left|\right|X_{\mathrm{new}}^{\prime },X_j^{\prime }\left|\right|=\sqrt{\underset{i=1}{\overset{16}{\Sigma }}{(x_{\mathrm{newi}}^{\prime }-x_{\mathrm{ji}}^{\prime })}^2},\cos \theta =\frac{X_{\mathrm{new}}^{\prime }{X^{\prime }}_j^T}{\left|\right|X_{\mathrm{new}}^{\prime }\left|\right|\left|\right|X_j^{\prime }\left|\right|},$X'_j为标准化输入建模数据矩阵中的第j行数据，x'_ji为X'_j的第i个分量，δ取值范围在[0.7,0.9]之间。

本发明具有以下优点及有益效果：无需分析氧气底吹铜熔炼过程的复杂机理，充分利用了现场的专家操作经验和历史数据，能够根据原料和产品的信息及时地自动给出操作变量的设定值，从而实现炉渣温度、炉渣铁硅比和铜锍品位三个关键参数的稳定控制，同时规范了熔炼过程的操作，减轻了操作人员的劳动强度。

附图说明

图1为氧气底吹铜熔炼过程原理图；

图2为操作变量的计算流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

1.操作变量的选取：

对氧气底吹铜熔炼过程的工艺及操作情况进行分析，发现在正常生产时，对炉渣温度影响最大的是氧气流量，对炉渣铁硅比影响最大的是石英石流量，对铜锍品位影响最大的是冷料流量，因此选取氧气流量、石英石流量和冷料流量作为操作变量。

2.操作变量设定值的计算：

(一)、操作变量预设定

综合考虑入炉原料信息(包括铜精矿、石英石和冷料的成分，以及铜精矿加入量等)，同时为了增强预测能力，采用Bagging与部分最小二乘(PLS)相结合的方法，给出当前情况下氧气流量、石英石流量和冷料流量的预设定值。

(1)、构造原始输入输出样本集

对氧气底吹铜熔炼过程及操作人员的操作情况进行分析，发现操作人员依据炉渣温度、炉渣铁硅比和铜锍品位的目标值，铜精矿含铜率、含铁率、含硫率、含二氧化硅率和含水率，石英石含二氧化硅率，冷料含铜率、含铁率、含硫率、含二氧化硅率和含水率，铜精矿的流量和总入炉物料流量的信息，来决定氧气流量、石英石流量和冷料流量的预设定值。因此在预设定算法中，选择输入变量为：炉渣温度、炉渣铁硅比和铜锍品位的目标值，铜精矿含铜率、含铁率、含硫率、含二氧化硅率和含水率，石英石含二氧化硅率，冷料含铜率、含铁率、含硫率、含二氧化硅率和含水率，铜精矿的流量和总入炉物料流量；输出变量为氧气流量、石英石流量和冷料流量的预设定值。

选取历史上控制效果比较好的输入输出变量数据组成输入输出建模样本集，将输入变量数据存入输入建模数据矩阵中，将输出变量数据存入输出建模数据矩阵中。设总共找到U组输入输出数据，将它们中的输入数据存储在输入建模数据矩阵(符号T表示矩阵转置，以下同)中，输出数据存储在输入建模数据矩阵中，X_i＝[x_i1,x_i2,...,x_i16](i＝1,2,...,U)表示第i个样本数据的输入变量，x_i1～x_i16分别表示炉渣温度、炉渣铁硅比和铜锍品位的目标值，铜精矿含铜率、含铁率、含硫率、含二氧化硅率和含水率，石英石含二氧化硅率，冷料含铜率、含铁率、含硫率、含二氧化硅率和含水率，铜精矿的流量和总入炉物料流量；Y_i＝[y_i1,y_i2,y_i3](i＝1,2,...,U)表示第i个样本数据的输出变量，y_i1～y_i3分别表示氧气流量、石英石流量和冷料流量的预设定值。

(2)、输入输出建模数据矩阵标准化

利用以下三式对输入建模数据矩阵X进行标准化变换：

${x_{\mathrm{ji}}}^{\prime }=\frac{x_{\mathrm{ji}}-{\bar{x}}_i}{{\sigma }_i}---\left(14\right)$

${\sigma }_i=\sqrt{\frac{\underset{j=1}{\overset{U}{\Sigma }}{(x_{\mathrm{ji}}-{\bar{x}}_i)}^2}{U-1}}---\left(15\right)$

${\bar{x}}_i=\frac{1}{U}\underset{j=1}{\overset{U}{\Sigma }}{x}_{\mathrm{ji}}---\left(16\right)$

式中，x_ji表示第i个输入变量的第j个样本值，为第i个输入变量的样本均值，σ_i为第i个输入变量的样本标准差，x_ji′为x_ji标准化后的数值，i＝1,2,…,16，j＝1,2,…,U。

利用以下三式对输出建模数据矩阵Y进行标准化变换：

${y_{\mathrm{ji}}}^{\prime }=\frac{y_{\mathrm{ji}}-{\bar{y}}_i}{{\lambda }_i}---\left(17\right)$

${\lambda }_i=\sqrt{\frac{\underset{j=1}{\overset{U}{\Sigma }}{(y_{\mathrm{ji}}-{\bar{y}}_i)}^2}{U-1}}---\left(18\right)$

${\bar{y}}_i=\frac{1}{U}\underset{j=1}{\overset{U}{\Sigma }}{y}_{\mathrm{ji}}---\left(19\right)$

式中，y_ji表示第i个输出变量的第j个样本值，为第i个输出变量的样本均值，λ_i为第i个输出变量的样本标准差，y_ji′为y_ji标准化后的数值，i＝1,2,3，j＝1,2,…,U。设经过标准化后得到的标准化输入建模数据矩阵为X'∈R^U×16，标准化输出建模数据矩阵为Y'∈R^U×3。

(3)、创建基于Bagging方法的样本子集

为[1,U]中每个正整数分配相等的采样概率以该概率从[1,U]中随机产生N个正整数k_i∈[1,U](i＝1,2,...,N)，本例中取N＝U，设则第1个预设定样本子集就是{C₁,V₁}。按照上述方法反复进行Z次，Z的取值范围为[80，100]，本例中取为90，这样就得到Z个预设定样本子集：{C₁,V₁}，{C₂,V₂}，…，{C_Z,V_Z}。

(4)、PLS子模型建立

对于第i(i＝1,2,...,Z)个预设定样本子集{C_i,V_i}，令E₀＝C_i，F₀＝V_i，h＝1。利用部分最小二乘(PLS)方法计算操作变量的预设定值，算法按照以下步骤进行：

Step1：首先求取矩阵的特征值，再求出的最大特征值所对应的特征向量w_h，转Step2；

Step2：对E_h-1和F_h-1进行如下分解：

$E_{h-1}=t_h{p}_h^T+E_h---\left(20\right)$

$F_{h-1}=t_h{r}_h^T+F_h---\left(21\right)$

其中，$p_h=\frac{E_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2},r_h=\frac{F_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2},$t_h＝E_h-1w_h，转Step3；

Step3：计算残差矩阵：

$E_h=E_{h-1}-t_h{p}_h^T---\left(22\right)$

$F_h=F_{h-1}-t_h{r}_h^T---\left(23\right)$

判断是否满足||F_h||＜ε₁或者||||F_h||-||F_h-1||||＜ε₂，其中ε₁和ε₂为预先指定的阈值，取值范围在[0.0001,0.1]。如果满足，则转Step4。如果不满足，令h＝h+1，转Step1；

Step4：设$\mathrm{ST}=X_{\mathrm{new}}^{\prime }\underset{j=1}{\overset{h}{\Sigma }}{w}_j^{*}{r}_j^T=[{\mathrm{st}}_1,{\mathrm{st}}_2,{\mathrm{st}}_3],$其中$X_{\mathrm{new}}^{\prime }=[\frac{x_{1\mathrm{new}}-{\bar{x}}_1}{{\sigma }_1},\frac{x_{2\mathrm{new}}-{\bar{x}}_2}{{\sigma }_2},...,\frac{x_{16\mathrm{new}}-{\bar{x}}_{16}}{{\sigma }_{16}}]=[x_{\mathrm{new}1}^{\prime },x_{\mathrm{new}2}^{\prime },...,x_{\mathrm{new}16}^{\prime }]$为新问题的标准化输入数据，X_new＝[x_new1,x_new2,...,x_new16]为新问题的原始输入数据，h为提取出的成分数量，$w_j^{*}=\left(\begin{array}{cc}\underset{q=1}{\overset{j-1}{\Pi }}(I-w_q{p}_q^T)w_j& (j=\mathrm{2,3},...h)\\ w_j& (j=1)\end{array}\right),$则得到的第i(i＝1,2,...,Z)个预设定PLS子模型就是：

$V_i=[y_1,y_2,y_3]=[{\bar{y}}_1+{\lambda }_1{\mathrm{st}}_1,{\bar{y}}_2+{\lambda }_2{\mathrm{st}}_2,{\bar{y}}_3+{\lambda }_3{\mathrm{st}}_3]---\left(24\right)$

其中，V_i表示第i(i＝1,2,...,N)个子模型的输出结果。

(5)、子模型加权合成

采用平均值法对得到的Z个PLS子模型的结果进行合成，则操作变量的预设定值就是：

$Y_{\mathrm{new}}=\frac{\underset{i=1}{\overset{Z}{\Sigma }}{V}_i}{Z}---\left(25\right)$

(6)、预设定值修正

将操作变量的预设定值Y_new送给氧气流量、石英石流量和冷料流量的控制回路执行，并对得到的结果进行评价。如果得到的炉渣温度、炉渣铁硅比和铜锍品位满足生产要求，则保持得到的结果不变。如果得到的炉渣温度、炉渣铁硅比和铜锍品位不满足要求，则需要对得到的预设定值进行修正，修正采用领域专家提供修正方案的办法(人为修正)，直至得到的炉渣温度、炉渣铁硅比和铜锍品位都满足要求为止。

(7)、预设定结果存储

利用式(26)计算相似度：

$S(X_{\mathrm{new}},X_j)=\delta \sqrt{e^{-D^2}}+(1-\delta )\cos \theta ---\left(26\right)$

其中，$D(X_{\mathrm{new}},X_j)=\left|\right|X_{\mathrm{new}}^{\prime },X_j^{\prime }\left|\right|=\sqrt{\underset{i=1}{\overset{16}{\Sigma }}{(x_{\mathrm{newi}}^{\prime }-x_{\mathrm{ji}}^{\prime })}^2},\cos \theta =\frac{X_{\mathrm{new}}^{\prime }{X^{\prime }}_j^T}{\left|\right|X_{\mathrm{new}}^{\prime }\left|\right|\left|\right|X_j^{\prime }\left|\right|},$X'_j为标准化输入建模数据矩阵中的第j行数据，x'_ji为X'_j的第i个分量，δ取为0.75。如果S_max低于SIM_max，SIM_max为相似度阈值，取为0.85，则将新问题的输入输出数据分别存入矩阵X和Y中，并返回步骤(2)，重新建立基于Bagging方法的PLS子模型；否则从矩阵X和Y中删除与新问题具有最大相似度的那条历史输入输出数据，再将新问题的输入输出数据分别存入矩阵X和Y中，并返回步骤(2)，重新建立基于Bagging方法的PLS子模型。

(二)、反馈补偿

反馈补偿能够对氧气流量、石英石流量和冷料流量的预设定值进行校正，以补偿未知干扰的影响，从而更好地适应工况的变化。

反馈补偿采用专家规则方法来实现，其形式如表1-表3所示。

(1)炉渣温度的反馈补偿

表1炉渣温度反馈补偿的专家规则

注：表1中的炉渣温度和炉渣温度变化范围端点的量纲均为℃。

其中，TE(t)表示炉渣温度的当前值，ΔTE(t)＝TE(t)-TE(t-1)，表示炉渣温度的变化量，TE_max表示炉渣温度上限，TE_min表示炉渣温度下限，Δy₁(t)表示氧气流量的反馈补偿值，ai(i＝0,1,2,3,4,5)表示氧气流量的反馈补偿量，其取值范围为：a0在[700Nm³/h,860Nm³/h]范围内，a1在[580Nm³/h,720Nm³/h]范围内，a2在[470Nm³/h,590Nm³/h]范围内，a3在[350Nm³/h,430Nm³/h]范围内，a4在[230Nm³/h,290Nm³/h]范围内，a5在[110Nm³/h,150Nm³/h]范围内，它们的具体取值由专家经验确定。炉渣温度的检测在每包炉渣开始放出时和即将放完时各进行一次，氧气流量的调节在每新产生一个炉渣温度测量值时进行一次。

(2)、炉渣铁硅比的反馈补偿

表2炉渣铁硅比反馈补偿的专家规则

其中，SlFS(t)、SlFS(t-1)和SlFS(t-2)分别表示当前包、前一包和前二包炉渣的铁硅比化验值，TIM表示石英石流量调节时刻，用来存储最近一次的石英石流量的调节时刻，timenow表示执行该条规则并按照该条规则给出相应的石英石流量反馈补偿值的时刻，SlFS_min表示炉渣铁硅比的最小值，SlFS_max表示炉渣铁硅比的最大值，TIM(t-2)表示前二包炉渣的放出时刻，T_min表示最小间隔时间，取值在[58min,63min]范围内，Δy₂(t)表示石英石流量的反馈补偿值，bi(i＝1,2,3,4)表示石英石流量的反馈补偿量，取值范围为：b1在[0.8t/h,1.1t/h]范围内，b2在[0.2t/h,0.5t/h]范围内，b3在[-0.5t/h,-0.2t/h]范围内，b4在[-1.1t/h,-0.9t/h]范围内，它们的具体取值由专家经验确定。石英石流量的调节在每出一包炉渣的铁硅比化验值时进行一次。

(3)、铜锍品位的反馈补偿

表3铜锍品位反馈补偿的专家规则

其中，MaGr(t)表示当前包铜锍的铜锍品位化验值，MaGr_max表示铜锍品位的上限，MaGr_min表示铜锍品位的下限，MaGr(t-3)表示前三包铜锍的铜锍品位化验值，Num表示铜锍品位调节标志，其初始值取为0，Δy₃(t)表示冷料流量的反馈补偿值，mi(i＝1,2,3,4,5,6)表示冷料流量的反馈补偿量，其取值范围为：m1、m2和m3在[-3t/h,-2t/h]范围内，m4、m5和m6在[2t/h,3t/h]范围内，它们的具体取值由专家经验确定。冷料流量的调节在每出一包铜锍的铜锍品位化验值时进行一次。

因此，最终的操作变量设定值就是Y^*＝Y_new+ΔY(t)，其中ΔY(t)＝[Δy₁(t),Δy₂(t),Δy₃(t)]。