基于数据预处理与智能优化的高炉铁水温度预测

发布时间：2020-07-04 18:34

【摘要】：炉温是否稳定对高炉顺行有着直接的影响，因此炉温是衡量高炉最为重要的一个指标，同时炉温也可以间接体现出高炉冶炼的成本。通常，我们习惯将铁水温度称为炉温，而铁水包含硅的含量在很大程度上可以反映铁水温度。很多专家和学者经过研究发现：铁水温度与硅含量二者之间有着非常密切的关系，但是又不属于严格意义上线性关系，仅仅依靠硅含量来衡量铁水温度显然是不科学的，必须要找到一个更为科学合理的办法。如今科学技术处于高速发展的时期，测量铁水的温度的方式有很多，因此准确测量铁水温度并不是一件难事。这样就可以通过测量铁水温度来建立一个相应的数据库，通过这些数据来选择一个最为合适的预测模型。当前在学术界有很多智能理论，而且数量还在不断增加，这些可以用理论的高度来指导智能优化的高炉铁水温度预测模型，使得模型的构建更加合理。构建一个合理的铁水温度预测模型就需要预处理高炉数据，这是一个基本的前提条件，这就需要总结与分析数据所具有的特征，然后确立对应的数学关系。目前冶金行业基本都是采用这种方法，未来预测铁水温度依然会选择这种方式。高炉炉温预测模型构建是一个比较复杂的过程，涉及非常多的因素，每个预测模型都是针对一种特定的环境与条件，在这种特定环境下，受到的制约因素是一定的，因此这种模型只是针对这些约束条件，其他高炉炉温的预测模型是继续不能使用这个模型的，这里我们只针对包钢6#高炉铁水温度数据进行统计学建模及寻优。首先预处理分析了高炉铁水温度预测模型所涉及的数据，比如异常值检验以及数据的相关性分析等等。然后在高炉稳定预报模型中加入了粒子群蚁群算法和极限学习机（ELM）以及回声状态网络（ESN）。最后，使用所采集的变量数据对高炉铁水温度预测模型进行仿真验证，进而对各种模型的性能进行比较与分析，然后针对性的找出一种模型，用该模型来指导高炉的现场生产。本文构建了一个高炉铁水温度预测体系，对相关模型的建立以及优化理论进行了分析。选择一个最为合理的高炉铁水温度预测模型，来达到核算与降低高炉冶炼过程的成本的目标，还可以协助高炉工长加强对高炉冶炼过程的控制。该模型的探索与优化还有利于高炉冶金行业减少能源消耗，提高铁矿石的利用率，这样在一定程度来可以解决我国对于进口铁矿石过于依赖的现状。
【学位授予单位】：内蒙古科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TF53
【图文】：

流程图,高炉,信息传递,工序

内蒙古科技大学硕士学位论文-2-图1.1高炉与各子工序信息传递流程图1.1.2 高炉炼铁的工艺参数炉温是指高炉内部的热状态，其表征方法分为物理温度和化学温度表示两个方面。铁水的物理温度由于高温作业和复杂的炉内环境，根本无法用实际测量的技术获得；化学温度则以硅含量来描述[1]。在高炉冶炼过程中，影响炉温变化的原因有很多，不同的高炉型号、不同的冶炼环境、以及不同的炉料输入库条件都会产生不同的冶炼参数的变化，这将会给所建立的预测模型带来许许多多的问题[2]。影响高炉冶炼参数主要包括这么几个方面：1.透气性指数透气性对高炉炉温有比较大的关系，但是这种关系不是简单的线性关系，而是呈现出非线性，一般来说不同型号的高炉的透气性范围是不同的。2.料速高炉炼钢的时候，炉料不断下移会引起炉温降低。当前高炉在炼钢过程中，炉料在炉内大概停留七八个小时左右，中小型高炉的炉料停留时间会相对短一些。3.风量风量的多少直接反映出炉温的高低，风量越大，炉温越高，反之则小。4.风温

基本结构,递归神经网络

内蒙古科技大学硕士学位论文元之间的连接具有稀疏性；神经元互相间的连接关系是随机生成的；数目相对较多的神经元（与经典神经网络相比）结构如图 2.4 所示，输入层的输入信号 u(n)通过2]。和以往的递归神经网络比较起来，ESN 大大得到有效的改进。传统递归神经网络存在结构不象，此外还存在记忆渐消等的现象，ESN 在很。网络模型初始化的时候对于储备池中神经元的机选择，以后的训练过程中值都保持不变。

【参考文献】