烧结是钢铁冶炼过程中的重要环节,烧结矿质量的好坏直接影响高炉炼铁等后续生产。影响烧结矿质量的因素主要有两类,一是原材料配比,二是烧结工艺。由于烧结工艺是一个复杂的理化过程,且控制参数较多,很难做到精确建模和控制。目前烧结炉一般工艺参数固定,工人凭经验设定原材料配矿方案进行生产。该方法烧结矿质量严重依赖于工长经验,产品质量不稳定、成本不容易控制。本文通过对合作企业河北普阳钢厂多年积累的配矿方案及烧结矿理化分析结果进行数据分析,完成三方面工作:一是成本最优烧结配矿算法设计,二是考虑环保和成本指标的多目标配矿优化算法设计,三是建立以配矿方案为输入,烧结矿理化指标为输出的烧结矿质量预测模型,通过模型可以预测给定方案的烧结结果,以辅助企业优化配矿方案,从而稳定产品质量、降低生产成本。前两项工作主要解决在烧结矿质量指标、环保指标约束下获取最优配矿方案问题,第三项工作解决对给定配矿方案预测烧结矿理化指标,在一定程度上替代烧结杯实验。本文具体研究工作如下:(1)提出了一种基于粒子间隔D-PSO烧结配矿算法,建立了以成本最优为目标的配矿模型。在标准PSO算法的粒子速度更新基础上,将粒子与当前最优解的距离融入到粒子速度更新中,使粒子具有依据距离自主判断的能力,从而较为有效的解决标准PSO易陷入局部最优的问题。以烧结生产过程中配矿方案及对应的理化分析结果数据对算法效果进行验证,与人工配比方案、和文献中采用的标准PSO算法、遗传算法、蚁群算法计算所得方案进行了对比分析,实验结果表明,D-PSO算法在符合烧结配矿生产要求的前提下,降低了企业的生产成本,同时提高了烧结矿中铁含量。(2)提出了一种基于MOEA/D的多目标粒子群烧结配矿优化算法(MOEA/D-DPSO),建立了以硫含量和成本指标最低的多目标配矿模型。该算法将提升了全局收敛能力的D-PSO算法与MOEA/D结合,并引入反向学习策略,平衡了收敛性和分布性,从而平衡了算法在进化过程中的全局收敛能力和局部搜索能力。在符合烧结配矿生产要求的前提下,实验结果表明,该算法相比于人工配矿方案有效降低了硫含量和成本。此外,相比于MOEA/D与多策略机制改进的MOEA/D算法、ANSGA-II算法,MOEA/D-DPSO有效提升了算法全局收敛能力,较为有效的防止其陷入局部最优。(3)构建了一种基于注意力机制-LSTM的烧结矿质量预测模型。在LSTM网络的基础上,利用注意力机制思想,通过权重的再分配,关注更多的缺失数据之外的数据,而抑制数据中对训练无更大贡献的冗余数据。提出了加权均方误差损失计算方式,将每轮输入数据中缺失值占总体的比重考虑进去,减少损失函数在训练过程中的震荡,使模型预测更为准确。实验结果表明,增加注意力机制的LSTM预测方法的预测准确率可达92.7%以上,相比于原始LSTM,预测准确率提升了1.9%。