發(fā)布時(shí)間：2018-04-21 09:41

  本文選題：高爐爐況判別 + 主成分分析�。� 參考：《浙江大學(xué)》2017年碩士論文

【摘要】：鋼鐵冶煉在我國(guó)國(guó)民經(jīng)濟(jì)中占有十分重要的地位,自2014年起,我國(guó)的鋼鐵產(chǎn)量占世界的比重已經(jīng)高達(dá)40%。高爐煉鐵是現(xiàn)代煉鐵工藝的主要方法,高爐形體龐大、內(nèi)部反應(yīng)復(fù)雜、生產(chǎn)能耗極高。保證高爐在生產(chǎn)過程中的平穩(wěn)運(yùn)行是保持高產(chǎn)率、高能量利用率的基本條件,具有十分重要的意義。本文針對(duì)高爐爐況平穩(wěn)性判別展開研究。目前,對(duì)高爐異常爐況的診斷已經(jīng)有較多工作。先后出現(xiàn)了專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等研究方法。但是,這些工作的關(guān)注點(diǎn)主要針對(duì)異常爐況發(fā)展的后期,是在異常爐況已經(jīng)較為嚴(yán)重時(shí)對(duì)異常的原因進(jìn)行診斷。而早期的爐況平穩(wěn)性監(jiān)測(cè)在實(shí)際生產(chǎn)中依然依賴工程師的個(gè)人經(jīng)驗(yàn)。并且,這些模型的訓(xùn)練方法多為有監(jiān)督訓(xùn)練,而實(shí)際生產(chǎn)中爐況的異常標(biāo)簽很難獲得。針對(duì)這些問題,本文提出了一套基于混合高斯-樸素貝葉斯的無(wú)監(jiān)督分類模型,著眼于早期的爐況平穩(wěn)性監(jiān)測(cè),并且解決了數(shù)據(jù)無(wú)標(biāo)簽或者標(biāo)簽不可信的問題。同時(shí),基于本文提出的爐況判別模型,設(shè)計(jì)并實(shí)現(xiàn)了一套高爐爐況智能判別系統(tǒng),利用該系統(tǒng)可以針對(duì)高爐爐況數(shù)據(jù)進(jìn)行可視分析、模型訓(xùn)練和實(shí)時(shí)監(jiān)測(cè)。首先,本文對(duì)所用數(shù)據(jù)集進(jìn)行了介紹與分析,對(duì)數(shù)據(jù)集中的異常值和缺失值進(jìn)行了剔除、插補(bǔ)等處理。通過相關(guān)性分析發(fā)現(xiàn)了爐況參數(shù)數(shù)據(jù)的第一主成分與爐況的平穩(wěn)性密切相關(guān),據(jù)此選定了第一主成分的均值、標(biāo)準(zhǔn)差和最大值三個(gè)表示爐況平穩(wěn)性的特征。然后,本文構(gòu)建了一套基于混合高斯-樸素貝葉斯算法的、用于判別爐況平穩(wěn)性的無(wú)監(jiān)督分類模型,該算法可以在無(wú)監(jiān)督的情況下進(jìn)行訓(xùn)練,解決了傳統(tǒng)模型面臨的無(wú)標(biāo)簽或標(biāo)簽不可信的問題。本文將模型的性能與決策樹、邏輯回歸和支持向量機(jī)進(jìn)行對(duì)比。本文模型在綜合錯(cuò)誤率、第一類錯(cuò)誤率和第二類錯(cuò)誤率等指標(biāo)上均優(yōu)于對(duì)比模型。最后,本文基于提出的模型,設(shè)計(jì)并實(shí)現(xiàn)了一套高爐爐況智能判別系統(tǒng),可以用于高爐歷史數(shù)據(jù)可視分析、模型訓(xùn)練和現(xiàn)場(chǎng)數(shù)據(jù)的實(shí)時(shí)監(jiān)測(cè)。
[Abstract]:Iron and steel smelting plays a very important role in the national economy of our country. Since 2014, the proportion of iron and steel production in the world has reached as high as 40%. Blast furnace ironmaking is the main method of modern ironmaking process. It is of great significance to ensure the smooth operation of blast furnace in the process of production, which is the basic condition for maintaining high yield and high energy utilization ratio. In this paper, a study on the stability of blast furnace condition is carried out. At present, more work has been done in the diagnosis of abnormal blast furnace conditions. Several research methods such as expert system, artificial neural network and support vector machine have emerged. However, the focus of these works is mainly on the late stage of abnormal furnace condition development, which is to diagnose the cause of abnormal furnace condition when the abnormal furnace condition is already serious. The early smooth monitoring of furnace conditions still relies on the personal experience of engineers in actual production. Moreover, most of the training methods of these models are supervised training, but the abnormal labels of furnace conditions in actual production are difficult to obtain. In order to solve these problems, an unsupervised classification model based on mixed Gao Si and naive Bayes is proposed in this paper, which focuses on the early stationary monitoring of furnace conditions, and solves the problem of data without labels or labels being unreliable. At the same time, based on the furnace condition discriminant model proposed in this paper, a set of blast furnace condition intelligent discriminant system is designed and implemented. The system can be used for visual analysis, model training and real-time monitoring of blast furnace condition data. First of all, this paper introduces and analyzes the data sets used. The outliers and missing values of the data sets are eliminated and interpolated. Through the correlation analysis, it is found that the first principal component of the furnace condition parameter data is closely related to the steadiness of the furnace condition. Based on this, the mean value, standard deviation and maximum value of the first principal component are selected to represent the stationary characteristics of the furnace condition. Then, an unsupervised classification model based on mixed Gao Si and naive Bayes algorithm is constructed for judging the stability of furnace conditions. The algorithm can be trained without supervision. It solves the problem that the traditional model has no label or label is not trusted. In this paper, the performance of the model is compared with decision tree, logical regression and support vector machine. The model is superior to the contrast model in the index of synthetic error rate, first type error rate and second type error rate. Finally, based on the proposed model, an intelligent judgement system for blast furnace condition is designed and implemented, which can be used for visual analysis of blast furnace historical data, model training and real-time monitoring of field data.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TF325.6;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫占國(guó);“循環(huán)加礦”料制在安鋼3號(hào)高爐應(yīng)用實(shí)踐[J];煉鐵;2004年03期

2 齊富華;邯鋼5號(hào)高爐爐況長(zhǎng)期不順的原因分析及處理[J];煉鐵;2004年06期

3 張賀順;馬洪斌;任健;;首鋼高爐爐況定量化管理的探討[J];煉鐵技術(shù)通訊;2010年06期

4 聶長(zhǎng)果;姚本洪;;馬鋼2號(hào)高爐爐況處理實(shí)踐[J];安徽冶金;2011年02期

5 賈振棟;趙彥婷;張紅利;;對(duì)高爐探尺“軟”故障的分析[J];中國(guó)設(shè)備工程;2011年09期

6 安波;;衡鋼高爐爐況嚴(yán)重失常的處理[J];中國(guó)冶金;2012年08期

7 張學(xué)飛;胡賓生;貴永亮;;高爐爐況預(yù)測(cè)模型的研究現(xiàn)狀及展望[J];河北聯(lián)合大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年04期

8 古勇合;桂小娟;;新鋼10號(hào)高爐爐況異常快速恢復(fù)[J];新疆鋼鐵;2012年04期

9 曾昭經(jīng);;小高爐爐況訊號(hào)裝置[J];鋼鐵;1960年10期

10 鄧炳煬;;風(fēng)口布局對(duì)高爐爐況的影響[J];鞍鋼技術(shù);1980年04期

相關(guān)會(huì)議論文 前10條

1 王建民;魏建全;賈軍民;;遷鋼—高爐爐況治理實(shí)踐[A];2010年全國(guó)煉鐵生產(chǎn)技術(shù)會(huì)議暨煉鐵學(xué)術(shù)年會(huì)文集（上）[C];2009年

2 梁棟;白晨光;邱貴寶;夏峰;;高爐爐況智能化判斷方法的探討[A];2006年全國(guó)煉鐵生產(chǎn)技術(shù)會(huì)議暨煉鐵年會(huì)文集[C];2006年

3 谷永勝;劉立勇;;高爐爐況長(zhǎng)期失常的原因及處理[A];2009年河北省冶金學(xué)會(huì)煉鐵技術(shù)暨學(xué)術(shù)年會(huì)論文集[C];2009年

4 馬保良;劉健翔;劉玉江;李剛;;邢鋼1~#高爐長(zhǎng)期不順的處理過程[A];2006年全國(guó)煉鐵生產(chǎn)技術(shù)會(huì)議暨煉鐵年會(huì)文集[C];2006年

5 付曙光;熊佐恒;;新鋼1~#高爐爐況長(zhǎng)期不順的原因分析及處理[A];2008年全國(guó)煉鐵生產(chǎn)技術(shù)會(huì)議暨煉鐵年會(huì)文集（下冊(cè)）[C];2008年

6 楊建林;馬玉友;邱海東;;唐鋼400m~3模塊高爐基本操作制度的探索與實(shí)踐[A];2006年全國(guó)煉鐵生產(chǎn)技術(shù)會(huì)議暨煉鐵年會(huì)文集[C];2006年

7 劉玉江;馬保良;;邢鋼1~#高爐長(zhǎng)期不順的處理過程[A];河北冶金學(xué)會(huì)煉鐵技術(shù)暨學(xué)術(shù)年會(huì)論文集[C];2006年

8 王立星;陳志剛;;軋一鋼鐵公司3#高爐爐況處理[A];2008年全國(guó)煉鐵生產(chǎn)技術(shù)會(huì)議暨煉鐵年會(huì)文集（下冊(cè)）[C];2008年

9 李翔時(shí);謝勇;鄒曉雄;;加強(qiáng)技術(shù)研究、提高綜合管理、強(qiáng)化高爐生產(chǎn)[A];2010年全國(guó)煉鐵新技術(shù)應(yīng)用及節(jié)能減排研討會(huì)會(huì)議論文集[C];2010年

10 楊佳;許強(qiáng);余成波;雷紹蘭;;基于ICA-QNN的高爐故障診斷研究[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 蔣智敏;2000天未向高爐灌渣[N];中國(guó)冶金報(bào);2008年

2 賀齊平　嚴(yán)小斌;自動(dòng)撥風(fēng)系統(tǒng)保證新鋼高爐安穩(wěn)生產(chǎn)[N];中國(guó)冶金報(bào);2010年

3 任立軍;首鋼京唐提高高爐爐況穩(wěn)定性的實(shí)踐[N];世界金屬導(dǎo)報(bào);2013年

4 向波;攀鋼新3號(hào)高爐指標(biāo)創(chuàng)新高[N];中國(guó)冶金報(bào);2007年

5 寧武生;太鋼高爐爐況預(yù)警機(jī)制效能凸現(xiàn)[N];中國(guó)冶金報(bào);2003年

6 記者 劉和平　通訊員 呂曉飛;杭鋼高爐探尺改造成效顯著[N];中國(guó)冶金報(bào);2010年

7 張俊 郭利峰;宣鋼高爐在“弱勢(shì)”中打造“優(yōu)勢(shì)”[N];中國(guó)冶金報(bào);2004年

8 本報(bào)記者 金榮生;“百煉成鋼”金國(guó)一[N];遼寧日?qǐng)?bào);2007年

9 賈軍民 趙滿祥 趙鐵良 潘銘明;高爐入爐有害元素的來(lái)源及危害控制[N];世界金屬導(dǎo)報(bào);2012年

10 于留春　葛青鋒 申健;梅鋼開發(fā)出高爐物料中鉀鈉鋅檢測(cè)新方法[N];世界金屬導(dǎo)報(bào);2011年

相關(guān)碩士學(xué)位論文 前8條

1 趙X;基于SVM-RBF的高爐爐況診斷方法研究[D];東北大學(xué);2013年

2 李志鵬;基于混合高斯—樸素貝葉斯的高爐爐況判別系統(tǒng)[D];浙江大學(xué);2017年

3 侯健;高爐爐況判斷及異常診斷[D];河北理工大學(xué);2009年

4 曲飛;高爐爐況智能診斷與預(yù)報(bào)方法研究[D];中南大學(xué);2007年

5 梁棟;高爐爐況智能化判斷方法的研究[D];重慶大學(xué);2005年

6 汪波;基于D-S證據(jù)融合的高爐爐況診斷方法研究[D];中南大學(xué);2011年

7 周麗;基于煤氣流分布信息的高爐爐況監(jiān)測(cè)系統(tǒng)關(guān)鍵技術(shù)研究[D];天津職業(yè)技術(shù)師范大學(xué);2014年

8 明菲;關(guān)聯(lián)規(guī)則挖掘在高爐爐況預(yù)測(cè)中的應(yīng)用研究[D];重慶大學(xué);2009年

，

本文編號(hào)：1781894