數(shù)據驅動的包鋼4＃高爐冶煉過程噴煤量優(yōu)化研究.pdf

1、高爐煉鐵是鋼鐵生產中的重要一環(huán)，但其冶煉過程極其復雜，存在著諸多物質與能量間變換傳送過程，同時礦源復雜，工況多變，建立精確的數(shù)學模型十分困難。其次高爐冶煉過程中工藝參數(shù)和生產目標之間具有高度非線性、強耦合的特點，導致冶煉過程難以描述，優(yōu)化控制極其困難。目前，大部分鋼鐵企業(yè)的高爐冶煉過程控制常依靠爐長經驗，由于缺乏經驗、以及對高爐冶煉過程的復雜情況缺乏理解，使得高爐冶煉過程中爐況波動、焦炭消耗大，生產成本較高。為此，本文利用數(shù)據挖掘技術，

2、從生產過程積累的海量數(shù)據中挖掘出高爐冶煉過程的規(guī)律，快速有效地確定與當前工況條件相適應的最佳工藝參數(shù)，進而指導實際生產。
　　論文的研究工作主要包括以下兩個方面：
　　(1)建立高爐煉鐵過程中噴煤量的預報模型。首先，對常用的數(shù)據挖掘方法 BP（Back Propagation）神經網絡、ELM（Extreme Learning Machine）網絡進行理論研究。利用極限學習機作為機器學習方法，對模型結構、基本原理、優(yōu)點進行詳

3、細研究；接著，利用UCI標準數(shù)據庫中Airfoil Self-Noise(翼型自噪聲)數(shù)據和Energy efficiency(能源效率)數(shù)據對兩種數(shù)據挖掘方法進行驗證；最后，在實際生產數(shù)據預處理的基礎上結合實際現(xiàn)場冶煉經驗，選取對噴煤量影響重大的5個輸入變量，建立起基于ELM的高爐冶煉過程噴煤量預報模型，并與BP神經網絡預報模型進行對比。
　　(2)噴煤量優(yōu)化。在ELM預報模型的基礎上，采用PSO算法在經驗范圍內對影響噴煤量的工