高炉数据驱动的多尺度建模研究

摘要

钢铁工业是国民经济的重要支柱产业，也是大量消耗能源的产业。在当今低碳经济时代和信息化时代，钢铁企业的节能减排和信息化建设倍受关注。高炉炼铁作为钢铁生产流程中上游工序，也是主要耗能工序，其工艺流程长，影响参数错综复杂，运行机制具有非线性、大时滞、高噪声、分布参数等特性，涉及到化学反应动力学、三相流体动力学等动力学过程。本文以莱钢1＃750 m3高炉冶炼专家系统在线采集的生产数据为基础，对高炉冶炼过程的重要指标炉温[Si]序列进行分析、建模、预测。这一研究为探索高炉冶炼过程的完全闭环控制提供了一种新的思路和途径，具有一定的创新价值和应用价值。
　　高炉冶炼过程自动控制的核心难题是炉温的预测，这也是本文研究的核心问题所在。论文选取了高炉专家系统在线采集的生产数据为样本空间，容量为5167炉数据，采样间隔为2h左右。考虑到样本中噪声对训练、拟合参数所得到的模型造成的影响，首先利用小波去噪方法对样本数据进行去噪处理。进而利用非均匀相空间重构技术对炉温[Si]序列进行重构，建立了Taylor模型，在模型参数训练过程中，采用顺序交叉验证与网格寻优相结合的方法，在一定程度上避免了过拟合现象，使得模型具有较好的泛化能力。与均匀相空间重构技术相比，仿真结果显示，模型在命中率方面有了大幅度提高，其他指标如相关系数、RMSE和R方等也有明显地改进。
　　为更好地预测炉温[Si]序列，本文引入了非线性逼近能力与记忆功能较好的Volterra级数模型，将其与相空间重构相结合，提出了多种低阶单输入、双输入高炉Volterra模型。仿真结果显示，三种单输入Volterra模型的预测效果都很好，命中率均达到91％以上。尤其是二阶单输入模型，整体预测效果比一阶模型和三阶模型好。换句话说，随着阶数的增加，模型预测效果先变好后变差。一个可能的原因是，增加了模型的阶数，模型自由度增加，也意味着模型复杂度增加，训练过程提高拟合精度的同时，可能过多地拟合了噪声，拟合效果变好，但是模型泛化能力变差，因而模型预测效果反而会变差。另外，双输入模型预测效果在单输入模型的基础上有所提高，达到较为理想的预测水平。双输入模型的各项指标都达到较好的效果，命中率提高到93.41％，相关系数达到0.7155，显示预测值和实际值具有较高的相关度，同时0.0563的RMSE和0.5117的R方也说明预测值和实际值误差较小。
　　论文最后对全文的研究内容以及创新点做了归纳，并对预期的后续研究做了展望。

目录

声明

摘要

第一章 绪论

1．1 高炉冶炼工艺流程简介

1．2 国内外研究现状

1．3 本文研究意义及主要内容

第二章 相关理论与方法

2．1 Volterra级数

2．2 混沌与相空间重构技术

2．3 小波去噪

2．4 网格寻优与顺序交叉验证

第三章 高炉炉温[Si]序列的非均匀嵌入预测模型

3．1 样本数据集及其预处理

3．2 炉温[Si]序列的非均匀嵌入模型

3．3 结果分析与讨论

3．3．1 四种评价标准

3．3．2 实验结果分析

3．4 本章小结

第四章 基于Volterra级数的高炉炉温[Si]序列预测模型

4．1 炉温[Si]序列的Volterra级数模型

4．2 结果分析与讨论

4．3 本章小结

第五章 结论与展望

5．1 本文主要结论

5．2 后续研究展望

参考文献

致谢