數(shù)據(jù)驅(qū)動(dòng)的包鋼4＃高爐冶煉過程噴煤量?jī)?yōu)化研究.pdf

1、高爐煉鐵是鋼鐵生產(chǎn)中的重要一環(huán)，但其冶煉過程極其復(fù)雜，存在著諸多物質(zhì)與能量間變換傳送過程，同時(shí)礦源復(fù)雜，工況多變，建立精確的數(shù)學(xué)模型十分困難。其次高爐冶煉過程中工藝參數(shù)和生產(chǎn)目標(biāo)之間具有高度非線性、強(qiáng)耦合的特點(diǎn)，導(dǎo)致冶煉過程難以描述，優(yōu)化控制極其困難。目前，大部分鋼鐵企業(yè)的高爐冶煉過程控制常依靠爐長(zhǎng)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。為此，本文利用數(shù)據(jù)挖掘技術(shù)，

2、從生產(chǎn)過程積累的海量數(shù)據(jù)中挖掘出高爐冶煉過程的規(guī)律，快速有效地確定與當(dāng)前工況條件相適應(yīng)的最佳工藝參數(shù)，進(jìn)而指導(dǎo)實(shí)際生產(chǎn)。
　　論文的研究工作主要包括以下兩個(gè)方面：
　　(1)建立高爐煉鐵過程中噴煤量的預(yù)報(bào)模型。首先，對(duì)常用的數(shù)據(jù)挖掘方法 BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)、ELM（Extreme Learning Machine）網(wǎng)絡(luò)進(jìn)行理論研究。利用極限學(xué)習(xí)機(jī)作為機(jī)器學(xué)習(xí)方法，對(duì)模型結(jié)構(gòu)、基本原理、優(yōu)點(diǎn)進(jìn)行詳

3、細(xì)研究；接著，利用UCI標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中Airfoil Self-Noise(翼型自噪聲)數(shù)據(jù)和Energy efficiency(能源效率)數(shù)據(jù)對(duì)兩種數(shù)據(jù)挖掘方法進(jìn)行驗(yàn)證；最后，在實(shí)際生產(chǎn)數(shù)據(jù)預(yù)處理的基礎(chǔ)上結(jié)合實(shí)際現(xiàn)場(chǎng)冶煉經(jīng)驗(yàn)，選取對(duì)噴煤量影響重大的5個(gè)輸入變量，建立起基于ELM的高爐冶煉過程噴煤量預(yù)報(bào)模型，并與BP神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型進(jìn)行對(duì)比。
　　(2)噴煤量?jī)?yōu)化。在ELM預(yù)報(bào)模型的基礎(chǔ)上，采用PSO算法在經(jīng)驗(yàn)范圍內(nèi)對(duì)影響噴煤量的工