數(shù)據(jù)驅(qū)動的包鋼4＃高爐冶煉過程噴煤量優(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、強耦合的特點，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經(jīng)驗，由于缺乏經(jīng)驗、以及對高爐冶煉過程的復(fù)雜情況缺乏理解，使得高爐冶煉過程中爐況波動、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)，進而指導(dǎo)實際生產(chǎn)。
　　論文的研究工作主要包括以下兩個方面：
　　(1)建立高爐煉鐵過程中噴煤量的預(yù)報模型。首先，對常用的數(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)進行理論研究。利用極限學(xué)習(xí)機作為機器學(xué)習(xí)方法，對模型結(jié)構(gòu)、基本原理、優(yōu)點進行詳

3、細研究；接著，利用UCI標(biāo)準數(shù)據(jù)庫中Airfoil Self-Noise(翼型自噪聲)數(shù)據(jù)和Energy efficiency(能源效率)數(shù)據(jù)對兩種數(shù)據(jù)挖掘方法進行驗證；最后，在實際生產(chǎn)數(shù)據(jù)預(yù)處理的基礎(chǔ)上結(jié)合實際現(xiàn)場冶煉經(jīng)驗，選取對噴煤量影響重大的5個輸入變量，建立起基于ELM的高爐冶煉過程噴煤量預(yù)報模型，并與BP神經(jīng)網(wǎng)絡(luò)預(yù)報模型進行對比。
　　(2)噴煤量優(yōu)化。在ELM預(yù)報模型的基礎(chǔ)上，采用PSO算法在經(jīng)驗范圍內(nèi)對影響噴煤量的工