煉鐵高爐爐溫預(yù)測與故障診斷研究.pdf

1、鋼鐵工業(yè)是國民經(jīng)濟的重要支柱產(chǎn)業(yè),也是大量消耗能源的產(chǎn)業(yè)。而作為鋼鐵生產(chǎn)體系中能耗最大的環(huán)節(jié),高爐煉鐵在節(jié)能降耗方面的每一個技術(shù)進步都將帶來巨大的經(jīng)濟和社會效益。
　　 高爐的根本目的是生產(chǎn)合格的鐵水,因此只有在保證鐵水質(zhì)量和產(chǎn)量的前提下,高爐節(jié)能降耗的研究才有意義。這也就意味著,高爐的節(jié)能降耗包括兩部分內(nèi)容,保證鐵水質(zhì)量和降低高爐能耗。一方面,鐵水質(zhì)量與高爐爐溫密切相關(guān),只有將高爐爐溫穩(wěn)定在一定的范圍內(nèi)才能保證高爐長期有效的運

2、行。另一方面,要降低能源消耗必須保證高爐穩(wěn)定運行,減少因為故障停產(chǎn)等造成的損失。為了保證高爐長期穩(wěn)定地運行,本文以高爐現(xiàn)場采集的冶煉過程數(shù)據(jù)為基礎(chǔ),針對高爐的實際運行情況,對高爐冶煉過程進行爐溫預(yù)測和故障診斷,從而保證生產(chǎn)的安全有效運行,最終提高生產(chǎn)效率、減少能源消耗,為高爐冶煉過程的節(jié)能優(yōu)化奠定基礎(chǔ)。
　　 本文主要以核主成分(KPCA)、最小二乘支持向量機(LSSVM)和隨機森林(RF)等模式識別工具為基礎(chǔ),建立了煉鐵高爐鐵

3、水硅含量的LSSVM智能復(fù)合預(yù)測模型以及高爐的RF故障診斷模型,對高爐生產(chǎn)過程中的鐵水硅含量進行預(yù)測以及對高爐故障進行診斷。具體模型建立過程如下:
　　 (1)針對常用的主成分分析法(PCA)具有強噪聲敏感性和受限于處理線性問題的缺點,提出采用基于徑向基核函數(shù)的KPCA進行高爐鐵水硅含量的特征提取方法。分析高爐運行中的不同工況,利用LSSVM對每個工況建立鐵水硅含量的預(yù)測模型,然后根據(jù)現(xiàn)場數(shù)據(jù)與模型的匹配度生成每個工況模型的權(quán)重

4、系數(shù),從而形成鐵水硅含量的復(fù)合預(yù)測模型。最后,通過高爐現(xiàn)場采集的數(shù)據(jù)驗證了KPCA與LSSVM相結(jié)合的高爐故障診斷模型的有效性,結(jié)果表明,KPCA能夠有效提取煉鐵高爐的故障特征,與傳統(tǒng)的單模型和多模型相比,LSSVM多工況智能復(fù)合預(yù)測模型具有更高的預(yù)測準確率。
　　 (2)基于RF對維數(shù)多樣本少的案例有更好的處理效果,本文提出了采用RF高爐故障診斷模型對高爐常見故障進行診斷。由于RF的重采樣方法存在一定的缺陷,因此對其做了一定的

5、改進。用改進后的RF對現(xiàn)場采集到的數(shù)據(jù)進行重復(fù)采樣,用每次重采樣得到的數(shù)據(jù)訓(xùn)練一個故障分類樹,直到整個模型的診斷結(jié)果達到預(yù)定的精度為止。通過實際采集到的數(shù)據(jù)驗證了RF故障診斷模型的準確率。為了進一步說明RF模型判斷高爐故障的高效性,本文還設(shè)計了BP神經(jīng)網(wǎng)絡(luò)模型和LSSVM模型與RF模型進行比較,結(jié)果表明,RF診斷模型不僅有較高的準確率,還有較好的泛化能力。
　　 最后,在總結(jié)全文的基礎(chǔ)上,提出了有待進一步研究的課題和今后工作的重