高爐冶煉復(fù)雜性分析及支持向量機擴展建模預(yù)測研究.pdf

1、鋼鐵工業(yè)是國家的支柱產(chǎn)業(yè)。在鋼鐵工業(yè)中，高爐煉鐵是鋼鐵生產(chǎn)體系中能耗最大的環(huán)節(jié)，它的每項技術(shù)進步都將為國家?guī)砭薮蟮慕?jīng)濟效益和社會效益。本文以“高爐煉鐵專家系統(tǒng)”生產(chǎn)現(xiàn)場在線采集的數(shù)據(jù)為基礎(chǔ)，針對高爐實際情況及煉鐵生產(chǎn)中人們長期關(guān)注的實際問題，對高爐冶煉過程的復(fù)雜性和爐溫預(yù)測等問題進行研究，從而為高爐冶煉過程實現(xiàn)閉環(huán)控制提供重要的研究思路和技術(shù)基礎(chǔ)，具有一定的理論意義和應(yīng)用價值。
　　 高爐冶煉過程實現(xiàn)閉環(huán)控制的核心難題是對高爐

2、爐溫的準確預(yù)測，從而實現(xiàn)有效的控制。其復(fù)雜性既表現(xiàn)為冶煉機理的復(fù)雜性，也體現(xiàn)在冶煉過程動力學(xué)的復(fù)雜性。一個準確、實用的預(yù)測模型對實際生產(chǎn)有重要指導(dǎo)價值。論文第二章首先從工藝復(fù)雜性、化學(xué)反應(yīng)和流體運動復(fù)雜性、目標和操作復(fù)雜性三個方面討論了高爐冶煉過程復(fù)雜性機理；接著在已有的非線性、非平穩(wěn)性等定性研究的基礎(chǔ)上，本文提出運用Shannon熵、近似熵、Lempel-Ziv復(fù)雜度和分形維數(shù)等復(fù)雜性測度方法，以包鋼6＃高爐、萊鋼1＃高爐、臨鋼6＃高

3、爐、邯鋼7＃高爐在線采集數(shù)據(jù)為研究對象，進行復(fù)雜性測度分析，揭示高爐冶煉過程的復(fù)雜性特征，為建立爐溫預(yù)測模型奠定了重要的基礎(chǔ)。論文第三章針對高爐鐵水硅序列的非線性特性，提出基于相空間重構(gòu)的支持向量機混沌預(yù)測模型，并和基于相空間重構(gòu)的徑向基網(wǎng)絡(luò)預(yù)測、加權(quán)一階局部預(yù)測、Volterra自適應(yīng)濾波器預(yù)測等模型比較，預(yù)測精度得到顯著提升。對不同高爐以及同一座高爐不同生產(chǎn)階段進行的仿真結(jié)果表明：模型預(yù)測的精度和高爐本身的復(fù)雜性具有一定的關(guān)聯(lián)性，在

4、高復(fù)雜性的高爐上，模型難以獲得高精度的預(yù)測結(jié)果。
　　 論文第四章綜合考慮高爐冶煉過程中其他變量的影響，以包鋼6＃高爐在線采集數(shù)據(jù)為研究對象，運用模型輸入變量升階法，獲取可能影響高爐當前爐溫的所有變量，并得出當前爐溫主要受到前2爐冶煉狀態(tài)影響的重要結(jié)論?？紤]到過多輸入變量包含大量的冗余信息和噪聲，模型精度受到了影響，也難以在實際中獲得應(yīng)用，本文接著提出利用特征提取和特征選擇的方法獲取最優(yōu)輸入特征集，降低輸入特征維數(shù)。在特征提取方

5、面，對比研究了基于核技術(shù)的特征提取方法和基于流形學(xué)習(xí)的特征提取方法，仿真結(jié)果表明基于KPCA的特征提取在高爐建模中更有實用價值，既有效降低了輸入維數(shù)，同時也取得了較好的預(yù)測精度。在特征選擇方面，應(yīng)用支持向量機回歸特征消去模型(SVM-RFE)對48個初始特征進行最優(yōu)特征集的獲取和嵌套特征集的生成。基于最優(yōu)特征集的支持向量機趨勢預(yù)測的命中率達85％。接著提出利用互信息法進行特征排序和選擇，并將得到的最優(yōu)特征集應(yīng)用于數(shù)值預(yù)測，模型同樣取得了

6、較好的預(yù)測效果。為進一步提高預(yù)測精度和模型的實用性，論文第五章基于高爐生產(chǎn)階段的多工況特性，提出多模型預(yù)測建模的思想，建立基于模糊C均值聚類的多支持向量機模型，模型預(yù)測精度得到進一步改善。針對常規(guī)聚類方法中聚類參數(shù)的不確定性，提出一種改進的仿射傳播聚類方法。仿射傳播聚類不需要事先確定聚類的數(shù)目，本文利用互信息加權(quán)法改進了原方法中的歐氏距離測度。基于改進的仿射傳播聚類，建立多支持向量機模型對包鋼6＃高爐鐵水硅質(zhì)量分數(shù)進行預(yù)測，在非平穩(wěn)爐況

7、的時間段，數(shù)值預(yù)測的命中率達到83%，而在爐況相對平穩(wěn)的時間段，數(shù)值預(yù)測的命中率達到89%。
　　 考慮到支持向量機是基于數(shù)據(jù)驅(qū)動的“黑箱”建模，模型的結(jié)果與高爐工長的生產(chǎn)操作之間缺乏實際應(yīng)用的可理解性，論文第六章進一步研究了支持向量機預(yù)測模型的規(guī)則提取問題。結(jié)合決策樹算法的推理規(guī)則可理解性和支持向量機優(yōu)越的非線性學(xué)習(xí)和泛化能力，構(gòu)建了基于支持向量機和決策樹學(xué)習(xí)的高爐爐溫預(yù)測的人工智能模型。仿真結(jié)果表明，模型得到較好的預(yù)測精度，