论文部分内容阅读
钢铁工业作为我国经济发展和国防建设的重要支柱产业,同时也是衡量我国经济实力的一项重要指标。工业上,高炉炼铁是生铁出产的主要方式之一,保量增产、稳固出铁质量已经成为新工业时代的重要课题。在炼铁工艺中常常通过炉温波动来监测高炉运行状况,鉴于高炉系统的时变性、滞后性、混沌性、非线性等特点,难以满足人工在线闭环控制的需要,使得炉温的实时预报和稳定调控成为久攻不破的难题。而铁水硅含量能够间接反馈炉内热反应信息,可以用来衡量炉温波动水平。因此,硅含量的准确预测对炉温监控和高炉的稳定顺行都有着重要的指导意义。炉温波动时常受到许多不确定因素影响,包括内在因素与外在因素。据大量实验记载,影响硅含量变化的工艺参数之间存在着较强的非线性特征,硅含量的动态预报往往都有迹可循,而炉况的非平稳性往往给炉温预报带来较大的困扰,炉况波动剧烈时避免不了偏态数据的产生,偏态数据的有效分类对模型预测性能的改进至关重要。考虑到Elman神经网络具有较强的容错性、自适应性、能够并行处理信息等优点,本文采用该方法,用于研究工艺参数变化与硅含量变化之间的关系,并在研究方法上做了一些改进。本文在前人的研究基础上,对包钢集团的在线生产数据进行实证分析,从深度学习的新角度出发构建了两类炉温预报模型。在研究思路上,首先考虑了各参数之间的一期滞后性影响,对数据进行差分处理;其次,结合数据的偏态截尾特征,引用偏态投影深度智能算法把数据有效分为稳定类和离群类,分别对两类样本建立Elman网络硅含量预测模型与Logistic炉温波动预报模型。分类后的样本数据依然秉承了时间序列的特性,能够实现硅含量序列的实时预报。在内容上,本文讨论了新方法上的创新与不足,并与基于传统时间序列分析的Elman网络模型的预测结果进行比较分析,总结了偏态深度智能算法与深度分类后网络性能的优越性。通过实证得出,基于偏态深度截尾数据的Elman网络在均方误差和命中率两项指标上都比传统时间序列Elman模型表现更优。其中,在156炉次的测试样本上,传统时间序列Elman模型预测精度达到80.1%,其网络均方误差达到0.386,而截尾后的Elman网络模型预测精度高达85.3%,网络均方误差仅仅为0.375。此外,本文讨论了炉况离群值对炉温波动的影响,对离群类样本建立Logistic炉温波动预测模型,用于炉温波动方向预报,Logistic回归模型整体命中率高达82.6%,在下降方向上,模型召回率为66.7%,在上升方向上,模型召回率达到100%。最后,依据截尾数据的炉温不同波动方向分别计算了炉温上行与下行的样本深度最大点,为离群值的炉温调控提供最佳指导方向,基于机器学习的角度有一定的参考价值。