基于數(shù)據(jù)驅(qū)動(dòng)的高爐冶煉過程噴煤優(yōu)化.pdf

1、高爐冶煉過程是一個(gè)典型的復(fù)雜的工業(yè)控制過程，其冶煉過程中的變量之間存在強(qiáng)耦合性，非線性和時(shí)間滯后等特點(diǎn)。高爐控制過程復(fù)雜，受諸多因素影響，這種控制具有隨機(jī)性，不是簡(jiǎn)單的線性系統(tǒng)或非線性系統(tǒng)的反饋控制，很難使用機(jī)理分析建立傳統(tǒng)的數(shù)學(xué)模型來優(yōu)化和控制高爐冶煉過程。高爐冶煉過程的操作決策上主要依靠爐長(zhǎng)日常的經(jīng)驗(yàn)，由于缺乏經(jīng)驗(yàn)、以及對(duì)高爐冶煉過程的復(fù)雜情況缺乏理解，使得高爐冶煉過程中爐況波動(dòng)、焦炭消耗大，生產(chǎn)成本較高。
　　高爐煉鐵過程離

2、不開焦炭，為解決焦炭的短缺及其價(jià)格昂貴問題，作為高爐煉鐵生產(chǎn)中不可缺少的重要爐況調(diào)節(jié)技術(shù)，噴煤代替部分冶金焦炭策略應(yīng)運(yùn)而生，降低了焦炭使用量、增強(qiáng)了冶金用煤資源的合理性、提高企業(yè)經(jīng)濟(jì)效益等方面起到重要作用。本課題以包鋼高爐冶煉的特點(diǎn)為研究背景，應(yīng)用數(shù)據(jù)挖掘技術(shù)與遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)方法相結(jié)合建立優(yōu)化預(yù)測(cè)噴煤模型，具體研究?jī)?nèi)容分為三部分。
　　1.針對(duì)高爐現(xiàn)場(chǎng)采集的大量歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理分析和優(yōu)良數(shù)據(jù)篩選。其主要包括異常值剔除、

3、數(shù)據(jù)缺失值補(bǔ)足、歸一化處理、時(shí)滯性分析和相關(guān)性分析。首先對(duì)數(shù)據(jù)的異常值采用先剔除再用時(shí)間序列線性插值法補(bǔ)足，為了避免各變量的量綱不同而造成誤差，所以又采取了數(shù)據(jù)歸一化。其次又因?yàn)楦郀t本身是一個(gè)大滯后系統(tǒng)，影響爐溫和噴煤量的大部分參數(shù)都存在時(shí)間滯后性，為了使建立的模型更精確，必須考慮變量的時(shí)滯性。最后根據(jù)相關(guān)分析選取與噴煤量和爐溫相關(guān)系性較強(qiáng)的變量，為下文所建模型確定其輸入變量和輸出變量。
　　2.本文綜合煉鐵工藝?yán)碚摵透郀t專家經(jīng)驗(yàn)

4、，針對(duì)白云鄂博礦石冶煉的特殊性，分別建立了基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的高爐噴煤量?jī)?yōu)化預(yù)測(cè)模型以及工藝指標(biāo)(鐵水[Si]含量及入爐焦比)預(yù)測(cè)模型采用篩選出的優(yōu)化數(shù)據(jù)。篩選出優(yōu)良數(shù)據(jù)并利用遺傳算法所固有的全局搜索性能優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值，建立上述兩個(gè)模型。通過篩選出優(yōu)化的數(shù)據(jù)建立噴煤預(yù)測(cè)模型可以根據(jù)高爐當(dāng)前爐況預(yù)測(cè)出噴煤量的最佳優(yōu)化設(shè)定值，并預(yù)測(cè)出相對(duì)應(yīng)的工藝指標(biāo)發(fā)展趨勢(shì)。
　　3.本文針對(duì)在研究?jī)?nèi)容2中其預(yù)測(cè)噴煤量的命

5、中率不高和預(yù)測(cè)值的跟隨性不好等問題，采用支持向量機(jī)數(shù)據(jù)分類方法，建立基于支持向量機(jī)爐溫向涼向熱分類模型，再對(duì)各類采用遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方法建模分別預(yù)測(cè)噴煤量?jī)?yōu)化設(shè)定值。數(shù)據(jù)分類依據(jù)高爐爐溫分為向涼、正常、向熱的趨勢(shì)即給數(shù)據(jù)分為三類，與未分類作對(duì)其模型的整體性能得到很大的提高。
　　本文建立了基于數(shù)據(jù)驅(qū)動(dòng)的噴煤量預(yù)測(cè)模型，分別在篩選出優(yōu)良數(shù)據(jù)和數(shù)據(jù)分類基礎(chǔ)上建立基于遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的噴煤量預(yù)測(cè)模型，在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上優(yōu)化模