论文部分内容阅读
高炉炼铁是钢铁生产中的重要一环，但其冶炼过程极其复杂，存在着诸多物质与能量间变换传送过程，同时矿源复杂，工况多变，建立精确的数学模型十分困难。其次高炉冶炼过程中工艺参数和生产目标之间具有高度非线性、强耦合的特点，导致冶炼过程难以描述，优化控制极其困难。目前，大部分钢铁企业的高炉冶炼过程控制常依靠炉长经验，由于缺乏经验、以及对高炉冶炼过程的复杂情况缺乏理解，使得高炉冶炼过程中炉况波动、焦炭消耗大，生产成本较高。为此，本文利用数据挖掘技术，从生产过程积累的海量数据中挖掘出高炉冶炼过程的规律，快速有效地确定与当前工况条件相适应的最佳工艺参数，进而指导实际生产。 论文的研究工作主要包括以下两个方面： (1)建立高炉炼铁过程中喷煤量的预报模型。首先，对常用的数据挖掘方法 BP（Back Propagation）神经网络、ELM（Extreme Learning Machine）网络进行理论研究。利用极限学习机作为机器学习方法，对模型结构、基本原理、优点进行详细研究；接着，利用UCI标准数据库中Airfoil Self-Noise(翼型自噪声)数据和Energy efficiency(能源效率)数据对两种数据挖掘方法进行验证；最后，在实际生产数据预处理的基础上结合实际现场冶炼经验，选取对喷煤量影响重大的5个输入变量，建立起基于ELM的高炉冶炼过程喷煤量预报模型，并与BP神经网络预报模型进行对比。 (2)喷煤量优化。在ELM预报模型的基础上，采用PSO算法在经验范围内对影响喷煤量的工艺参数料速、风量、风温、富氧率、透气性指数进行优化。 本文基于数据驱动技术，以包钢集团（公司）炼钢厂转炉炼钢生产为背景，研究高炉冶金生产过程中的工艺参数与喷煤量间的相互关系，利用实际生产中记录的数据建立喷煤量预报模型并在此基础上对工艺参数进行优化，为企业的工艺改进及生产管理提供必要的数据分析手段，从而为进一步提升企业的核心竞争力提供技术支撑。