基于數(shù)據(jù)挖掘的高爐異常爐況分析.pdf

1、高爐煉鐵必須為其后的煉鋼工序及時提供足夠數(shù)量的優(yōu)質(zhì)鐵水，煉鐵過程所用的能耗占整個鋼鐵企業(yè)的60％，且高爐也是事故頻發(fā)的重大設(shè)備。目前國內(nèi)高爐異常情況主要靠人工監(jiān)控，少數(shù)靠從國外引進的專家系統(tǒng)，技術(shù)引進費用高，且移植性差。作者在參加國內(nèi)某大型鋼鐵企業(yè)“高爐異常爐況預(yù)報研究及應(yīng)用”項目過程中完成這篇論文，主要的成果如下：
　　 ①針對高爐的實際運行情況，分析高爐運行參數(shù)的作用和意義，針對專家系統(tǒng)知識獲取的瓶頸問題，提出將數(shù)據(jù)挖掘引入

2、專家系統(tǒng)以輔助其更有效的工作。通過現(xiàn)場調(diào)查以及對高爐運行歷史數(shù)據(jù)的統(tǒng)計分析，提取參數(shù)變化的特征值，作為高爐專家系統(tǒng)知識信息庫的數(shù)據(jù)來源。
　　 ②十字測溫反映了料面煤氣溫度的變化，本文通過分析高爐運行對十字測溫的影響，從中提取特征值作為高爐管道發(fā)生的信息，仿真十字測溫曲線的形狀變化以說明所給出算法的有效性。
　　 ③采用K-Means算法對高爐狀態(tài)參數(shù)進行聚類分析，通過實際數(shù)據(jù)的分析比較，確定該算法對高爐參數(shù)分析的最優(yōu)聚

3、類數(shù)和迭代次數(shù)，最后得出各參數(shù)的運行理想值。通過統(tǒng)計分析、反復(fù)試驗及現(xiàn)場考核確定高爐參數(shù)的最優(yōu)閾值，并分析所判斷的爐況和實際情況的差別。
　　 ④本文引入擴展卡爾曼濾波奇異值分解法，以調(diào)整BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，有效地克服了BP神經(jīng)網(wǎng)絡(luò)收斂慢、易陷入局部極小值的缺點，提高了計算的速度、濾波的數(shù)值穩(wěn)定性和神經(jīng)網(wǎng)絡(luò)的輸出精度。仿真試驗說明了改進算法有較好的收斂速度和精度。
　　 ⑤在高爐熱狀態(tài)預(yù)報中，建立向涼、向熱分類模型，利用