基于数据挖掘技术的宝钢铁水脱硫数学模型的建立与应用

摘要

为了降低钢材中有害杂质硫的含量，在炼钢之前要将铁水中硫预先脱去。
　　论文在结合宝钢实际使用经验，对比分析现有脱硫的代数学模型和神经网络模型的基础上，根据宝钢二炼钢脱硫工艺，提出一种基于数据挖掘技术的铁水脱硫数学模型。论文的主要工作如下:
　　在数据预处理阶段，提出如何从现有的生产系统数据库中抽取数据用于建模分析的方法，包括制定过滤规则，在抽取前采取ETL方式降低数据集中的噪声，在抽取后采用了基于密度的离群点检测技术清除样本集中异常数据，同时为了降低建模数据维数，对样本集进行了数据分层，并运用假设检验工具对分层标准进行显著性检验。
　　在脱硫数学模型方面，源自分类思想，提出一种基于k-最近邻分类器基本原理建立脱硫剂加入量计算方法。k-最近邻分类器的基本原理在历史生产实绩中搜寻与当前生产状况最相似的批次，并用历史投料量预测当前投料量。由于样本集内部结构可能对分类结果造成影响，与传统的寻找k最近邻算法不同的是，采用了两种考虑内部分类结构的算法作为补充。此外，针对计算对象之间距离时涉及到的属性权重，还提出一种基于参数试验的最佳权重确定方法。
　　论文最后详细论述在宝钢现有生产控制系统中新增一套脱硫模型运行管理子系统的过程方法，主要包括系统分析和系统设计两个阶段，并且进行了在线功能考核。结果表明论文所提出的基于数据挖掘技术的铁水脱硫数学模型命中率达到87％，具备现场使用条件。

目录

摘要

第一章 绪论

1．1 本文研究背景

1．1．1 铁水脱硫工艺

1．1．2 宝钢铁水脱硫现状

1．1．3 宝钢铁水脱硫生产过程控制系统

1．2 本文研究目的与意义

1．3 本文主要研究内容

1．4 本文章节安排

第二章 国内外现有模型分析

2．1 模型评价准则

2．2 代数学模型

2．2．1 模型公式

2．2．2 参数拟合

2．2．3 应用状况

2．3 神经网络模型

2．3．1 网络结构

2．3．2 权重训练

2．3．3 多网并联

2．3．4 使用局限

2．4 模型对比分析

第三章 前期数据准备

3．1 数据收集

3．1．1 抽取

3．1．2 转换

3．1．3 装载

3．2 离群点检测

3．2．1 产生原因分析

3．2．2 基本概念

3．2．3 检测方法

3．2．4 人工确认

3．3 数据分层

3．3．1 假设基本原理

3．3．2 工位对加入量的影响

3．3．3 生产时间对加入量的影响

3．3．4 前除渣对加入量的影响

3．3．5 数据分层结论汇总

第四章 基于数据挖掘技术的脱硫模型研究

4．1 数据挖掘技术简介

4．2 k-最近邻分类器

4．2．1 基本原理

4．2．2 不平衡类问题

4．3 基于k-最近邻分类器的脱硫剂加入量计算方法

4．3．1 加入量预测算法

4．3．2 寻找k-最近邻算法

4．3．3 算法组合

4．4 基于参数试验的属性权重最优值确定方法

4．4．1 数学抽象

4．4．2 确定试验点

4．4．3 试验结果分析

第五章 模型的系统实现与应用效果

5．1 系统分析

5．1．1 用户需求

5．1．2 开发环境

5．2 系统设计

5．2．1 进程设计

5．2．2 界面设计

5．2．3 数据表设计

5．3 现场实施效果

5．3．1 命中率考核

5．3．2 模型控制投料

第六章 总结与展望

参考文献

致谢

声明