【摘要】：高爐煉鐵是鋼鐵生產(chǎn)中的上游產(chǎn)業(yè)，它在鋼鐵工業(yè)降低成本與節(jié)能降耗中起著舉足輕重的作用。而向高爐風(fēng)口噴吹煤粉不僅可以降低生鐵成本，減少能源消耗和降低二氧化碳排放量，還可以改善爐缸工作狀態(tài)，使高爐穩(wěn)定順行。因此，建立能夠指導(dǎo)高爐操作人員對噴煤量控制決策的預(yù)測模型，有一定的理論意義和應(yīng)用價值。 本文以內(nèi)蒙古包鋼6#（2500m3）高爐在線采集的生產(chǎn)數(shù)據(jù)為基礎(chǔ)，針對高爐煉鐵過程存在忽視燃料比以及由人工進(jìn)行噴煤量決策等問題，采用數(shù)據(jù)驅(qū)動建模技術(shù)，從爐溫趨勢變化和高爐噴煤量預(yù)測兩個方面進(jìn)行深入研究，建立基于爐溫趨勢的高爐噴煤量控預(yù)測模型，從而達(dá)到節(jié)省能源消耗，降低成本，，提高資源的利用率和指導(dǎo)高爐生產(chǎn)的目的。論文的具體研究內(nèi)容如下： 1通過閱讀大量的中外文獻(xiàn)，對高爐噴吹煤粉和爐溫趨勢變化作了重點介紹，同時對支持向量機(jī)的基本理論知識和發(fā)展現(xiàn)狀進(jìn)行了綜述。 2對高爐現(xiàn)場采集到的大量數(shù)據(jù)進(jìn)行預(yù)處理，主要包括優(yōu)良數(shù)據(jù)的提取，數(shù)據(jù)標(biāo)準(zhǔn)化，對缺失值和異常值采取平滑處理，并對參數(shù)間的相關(guān)性做了分析。 3建立基于概率神經(jīng)網(wǎng)絡(luò)的爐溫趨勢分類模型與選用一對一方法建立基于支持向量機(jī)的爐溫趨勢分類模型，兩種方法相比，支持向量機(jī)多分類模型分類效果更好。 4采用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分別建立高爐噴煤量預(yù)測模型，兩模型做比較，結(jié)果表明支持向量機(jī)建立高爐噴煤量預(yù)測模型的命中率更高一些。為進(jìn)一步提高預(yù)測精度和模型的實用性，考慮到實際操作中不同爐溫趨勢下噴煤量控制策略的不同，提出多模型預(yù)測建模的思想：采用支持向量機(jī)算法分別建立基于爐溫向涼、爐溫平穩(wěn)、爐溫向熱時的噴煤量預(yù)測模型，即建立基于爐溫趨勢的多支持向量機(jī)噴煤量預(yù)測模型。在預(yù)測時，首先使用爐溫趨勢分類模型將測試樣本分到某一個類中，再使用與該類對應(yīng)的支持向量機(jī)噴煤量預(yù)測模型進(jìn)行預(yù)測。通過這種多級預(yù)測的算法，模型命中率得到進(jìn)一步提高，解決了單一模型的預(yù)測精度低、泛化能力差的問題。 論文的最后對本文所做的工作進(jìn)行分析和總結(jié)，并對未來進(jìn)一步的研究工作進(jìn)行展望。
【圖文】：

Si 預(yù)報模型，根據(jù)給定時刻的鐵水 Si 含量以及推算下一時刻的鐵水 Si 含量。在爐況較平穩(wěn)的可達(dá)到 80%以上，在實際中獲得良好的應(yīng)用。外，爐頂布料模型、爐底侵蝕模型、軟融帶模較多的數(shù)學(xué)模型。統(tǒng)復(fù)雜性，許多現(xiàn)象（如爐況異常）靠一個或幾的，通常較為多變復(fù)雜現(xiàn)象的控制調(diào)節(jié)，都是智能化判斷與決策。而高爐專家系統(tǒng)是在主要基礎(chǔ)上，將煉鐵操作專家的經(jīng)驗編寫成規(guī)則，并提出相應(yīng)的操作建議。一個典型的高爐專家經(jīng)驗規(guī)則的知識庫、推理機(jī)、人機(jī)接口以及向子系統(tǒng)構(gòu)成，其基本機(jī)構(gòu)如圖 1.1 所示。

圖 1.2 全文結(jié)構(gòu)框圖第 5 章概述了爐溫變化的類型及其表現(xiàn)形式和調(diào)劑策略，采用概率神經(jīng)支持向量機(jī)一對一算法建立爐溫趨勢分類模型，選取特征參數(shù)當(dāng)前爐與差值作為模型的輸入，仿真驗證表明，基于支持向量機(jī)的爐溫趨勢分類準(zhǔn)確更高，取得了良好的分類效果。第 6 章以風(fēng)溫、風(fēng)量、壓差、上一爐噴煤量、透氣性、富氧率為模型的，當(dāng)前爐的噴煤量作為模型的輸出。建立了基于 BP 神經(jīng)網(wǎng)絡(luò)噴煤量預(yù)測于支持向量機(jī)的噴煤量預(yù)測模型，兩模型做比較，仿真結(jié)果表明基于支建立的高爐噴煤量預(yù)測模型命中率更高一些。為進(jìn)一步提高預(yù)測精度，向量機(jī)算法分別建立基于爐溫向涼、爐溫平穩(wěn)、爐溫向熱時的噴煤量預(yù)即建立基于爐溫趨勢的多支持向量機(jī)噴煤量預(yù)測模型。在預(yù)測時，首先趨勢分類模型將待測試樣本分到某一個類中，再使用該類相關(guān)的支持向量預(yù)測模型進(jìn)行預(yù)測。
【學(xué)位授予單位】：內(nèi)蒙古科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TF53

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 吳敏;許永華;曹衛(wèi)華;;無料鐘高爐布料模型設(shè)計與應(yīng)用[J];系統(tǒng)仿真學(xué)報;2007年21期

2 漸令,劉祥官;支持向量機(jī)在鐵水硅含量預(yù)報中的應(yīng)用[J];冶金自動化;2005年03期

3 龔淑華,劉祥官;模糊貝葉斯網(wǎng)絡(luò)應(yīng)用于預(yù)測高爐鐵水含硅量變化趨勢[J];冶金自動化;2005年05期

4 安劍奇;吳敏;何勇;曹衛(wèi)華;;基于料面溫度場特征的高爐爐況診斷方法[J];浙江大學(xué)學(xué)報(工學(xué)版);2010年07期

本文編號：2636537