基于数据挖掘的高炉异常炉况分析

摘要

高炉炼铁必须为其后的炼钢工序及时提供足够数量的优质铁水，炼铁过程所用的能耗占整个钢铁企业的60％，且高炉也是事故频发的重大设备。目前国内高炉异常情况主要靠人工监控，少数靠从国外引进的专家系统，技术引进费用高，且移植性差。作者在参加国内某大型钢铁企业“高炉异常炉况预报研究及应用”项目过程中完成这篇论文，主要的成果如下：
　　 ①针对高炉的实际运行情况，分析高炉运行参数的作用和意义，针对专家系统知识获取的瓶颈问题，提出将数据挖掘引入专家系统以辅助其更有效的工作。通过现场调查以及对高炉运行历史数据的统计分析，提取参数变化的特征值，作为高炉专家系统知识信息库的数据来源。
　　 ②十字测温反映了料面煤气温度的变化，本文通过分析高炉运行对十字测温的影响，从中提取特征值作为高炉管道发生的信息，仿真十字测温曲线的形状变化以说明所给出算法的有效性。
　　 ③采用K-Means算法对高炉状态参数进行聚类分析，通过实际数据的分析比较，确定该算法对高炉参数分析的最优聚类数和迭代次数，最后得出各参数的运行理想值。通过统计分析、反复试验及现场考核确定高炉参数的最优阈值，并分析所判断的炉况和实际情况的差别。
　　 ④本文引入扩展卡尔曼滤波奇异值分解法，以调整BP神经网络的权值，有效地克服了BP神经网络收敛慢、易陷入局部极小值的缺点，提高了计算的速度、滤波的数值稳定性和神经网络的输出精度。仿真试验说明了改进算法有较好的收敛速度和精度。
　　 ⑤在高炉热状态预报中，建立向凉、向热分类模型，利用基于扩展卡尔曼滤波算法的BP神经网络对高炉向凉向热进行分类，辅助高炉专家系统运行。分析高炉十字测温曲线的规律变化，利用基于扩展卡尔曼滤波算法的BP神经网络对十字测温环的8个温度点进行预测，以预测高炉管道的发生。对分类和预测给出相应仿真试验结果，实验结果表明使用本文算法进行的向凉、向热分类和管道预测准确度较高，与实际高炉运行状况相符合。

目录

文摘

英文文摘

声明

1 绪论

1.1研究背景

1.1.1 高炉系统

1.1.2 数据挖掘现状

1.1.3 专家系统到数据挖掘

1.2研究的意义

1.3本文研究的内容

1.4本章小结

2 高炉工艺

2.1高炉炼铁过程

2.2高炉运行主要参数

2.2.1 参数分类

2.2.2 参数介绍

2.3高炉十字测温

2.4本章小结

3 高炉参数理想值聚类分析

3.1聚类方法

3.2聚类参数确定

3.2.1 聚类簇数确定

3.2.2 聚类收敛比较

3.3高炉参数的理想值

3.4本章小结

4 高炉异常炉况分析

4.1高炉参数相关分析

4.1.1 相关分析

4.1.2 参数相关系数

4.2异常炉况分析

4.2.1 状态分析

4.2.2 热制度失常

4.2.3 管道

4.3本章小结

5 基于卡尔曼滤波的改进BP神经网络

5.1 BP神经网络

5.1.1 BP神经网络模型及学习算法

5.1.2 BP学习算法的改进

5.2卡尔曼滤波

5.2.1 卡尔曼最优滤波

5.2.2 扩展卡尔曼滤波

5.2.3 扩展卡尔曼的奇异值分解方法

5.3扩展卡尔曼滤波的前向人工神经网络学习算法

5.3.1 扩展卡尔曼滤波的BP神经网络学习算法

5.3.2 仿真结果与分析

5.4本章小结

6 基于人工神经网络的高炉异常炉况分类和预测

6.1向凉向热识别模型的建立

6.1.1 数据预处理

6.1.2 模型建立

6.1.3 仿真结果分析

6.2管道异常预测模型

6.2.1 数据预处理

6.2.2 模型建立

6.2.3 仿真结果分析

6.3本章小结

7 结论与展望

致 谢

参考文献

附 录