基于数据驱动的高炉冶炼过程喷煤决策模型研究

发布时间：2020-07-21 19:19

【摘要】：高炉煤粉喷吹技术是实现高炉节能减排的重要手段之一。从经济角度来讲,喷煤实现了冶炼过程中对价格昂贵的焦炭的替代,同时煤粉喷吹技术也是高炉冶炼过程中从高炉底部调控炉温的手段之一。目前高炉冶炼的现场煤粉喷吹量的决策是依靠具有经验的高炉炉长观察高炉运行过程中的各检测指标的参数来决定当前时刻的喷煤量的大小。因此,高炉喷煤量的决策具有主观性。本课题是以高炉冶炼过程中的实时喷煤决策量作为研究对象,以柳州钢铁2#高炉为研究背景,基于机理分析高炉煤粉喷吹对高炉各部分冶炼的影响及决策高炉喷煤量的影响因素,基于数据分析筛选不同变量做为模型的输入特征,针对高炉的冶炼特点对模型进行改进,使其更适用高炉冶炼的数据场景。具体的研究工作如下:(1)结合高炉冶炼过程中的工艺机理和现场传感器采集数据,针对高炉在冶炼过程中由于恶略环境产生的异常值数据,本文使用了箱线图法对其进行了剔除,利用最大信息系数进行相关性分析,确定不同时延下的特征序列对喷煤决策量的影响。根据不同相关性系数阈值,筛选相应的变量作为后续数据建模的输入特征。(2)考虑了不同的相关系数阈值所筛选的特征变量对建模数据的影响,将不同阈值下筛选的变量作为支持向量回归模型中,以验证最佳的相关性系数阈值的建模效果。同时考虑到数据建模模型对数据特征分布敏感的特性,本文引入稀疏降噪自编码神经网络对支持向量回归模型进行改进,使特征数据在进行回归建模之前对特征空间进行重构,保证对数据噪声的平滑处理,使回归模型对于大量存在噪声的高炉数据具有鲁棒性。并在第四章仿真实验中验证基于自编码改进的支持向量回归模型其模型精度由于经典支持向量回归模型。(3)使用聚类算法对高炉数据进行分簇预处理来应对高炉冶炼过程中存在的多冶炼炉况的问题。聚类算法将相似冶炼状态所生成的数据样本归为一簇,进而利用每个数据子集对冶炼过程中的喷煤量进行子模型建立,这样建立多个子模型的方法能够很好的抓住高炉冶炼过程多炉况的特征。最后的数据仿真验证了此方法的有效性和模型的高精度。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TF538.6
【图文】：

流程图,高炉冶炼,流程图,还原气体

-9-图 2-1 高炉冶炼流程图炼过程实际上是还原气体还原铁矿石的过程，按照矿石在高炉的态以及反应的程度，根据其特征人为的划分成五个区域，自上至软熔带、滴落带、风口回旋区以及炉缸区。其中各区域高炉内主状带间接还原，炉料和煤气进行热交换。熔带矿石等炉料软化，在上半区融化，下半区熔融滴落，主要进。落带熔化的铁水以及还原气体及固体碳之间进行多种物料的接触

示意图,高炉炉况,分簇,建模分析

图 5-4 高炉炉况分簇建模分析示意图表 5-1 柳钢 2#高炉部分参数合理运行指标表项目好注意坏压差 P (kPa)大于 160 且小于等于 175大于 150 且小于等于 160或大于 175 且小于等于182大于 182 或小于等于150透气性指数(万)大于 16.90 且小于等于17.40小于等于16.40 或大于17.90热风压力(MPa)大于 0.385 且小于等于0.400大于 0.380 且小于等于0.385或大于0.400且小于等于 0.410小于等于0.375 或大于0.415软水温差 T (℃)大于 4 且小于等于 5.5大于 3 且小于等于 4 或大于 5.5 且小于等于 6.5小于等于 3或大于 6.5铁水温度差(℃)大于 0 且小于等于 10大于 10 且小于等于 20 大于 20探尺深度偏差(m) 小于等于 0.2 大于 0.2 且小于等于 0.5 大于 0.5大于 400 且小于等于 450

流程图,高炉冶炼,喷煤,多模型

预设的高炉运行过程中的参数范围，这就为现场决策带来困难。基于聚类算法的对数据分簇有利于，将数据分成更小的子集浙江意味着降低了每个数据集的数据量，特别对于聚类使用的 SVR 算法能够提高其运算速度，同时聚类算法是对高炉运行过程中数据在高维空间中分布相似的数据建模，其建模精度更加优于单模型建模。综上所述，这种建模办法在提高精度的同时将目标数据集的分成多个数据集建模降低的训练模型的时间，下面介绍该方法的具体步骤。

【相似文献】