基于遗传算法优化BP神经网络的高炉喷煤优化

高炉炼铁是一个复杂的多变量系统,而现行的操作制度是基于炉长经验的参数设置模式,导致能源尤其是煤粉的消耗常常处于“盲目”状态;文章综合炼铁工艺理论和高炉专家经验,针对白云鄂博矿石冶炼的特殊性,采用筛选出的优化数据,利用遗传算法所固有的全局搜索性能优化BP神经网络模型的权值和阈值,分别建立了基于遗传算法优化BP神经网络的高炉喷煤量优化预测模型以及工艺指标(铁水[Si]含量及入炉焦比)预测模型;优化数据的利用使得上述模型可以根据高炉当前炉况输出喷煤量的最佳优化设定值,并预测出相对应的工艺指标变化趋势;实际应用表明,本方法能够给现场操作人员提供操作指导,实现高炉稳定顺行、提高经济效益的目的.     

基于多传感器的高炉炼铁操作参数优化

高炉(BF)炼铁是一个复杂的多变量系统,其上遍布各种传感器,而现行的操作制度是基于炉长经验的操作参数设置模式,它忽略了过程工况指标与各操作参数之间的影响关系,使得资源消耗常常处于“盲目”的状态.为了实现资源的合理配置,保证高炉的稳定顺行,需要对操作参数进行优化.在利用相似模式匹配实现高炉炼铁过程多操作参数优化的过程中,针对优良操作模式库庞大而引起的模式匹配速度慢且精度不高的问题,提出了基于马氏距离的多级匹配方法应用到高炉炼铁过程中,从大量工业运行数据中挖掘出适合当前工况条件的最优操作模式,从而实现高炉炼铁节能降耗、提高效率及增加效益的目的.     

基于多传感器的高炉炼铁操作参数优化

高炉﹙BF﹚炼铁是一个复杂的多变量系统,其上遍布各种传感器,而现行的操作制度是基于炉长经验的操作参数设置模式,它忽略了过程工况指标与各操作参数之间的影响关系,使得资源消耗常常处于"盲目"的状态。为了实现资源的合理配置,保证高炉的稳定顺行,需要对操作参数进行优化。在利用相似模式匹配实现高炉炼铁过程多操作参数优化的过程中,针对优良操作模式库庞大而引起的模式匹配速度慢且精度不高的问题,提出了基于马氏距离的多级匹配方法应用到高炉炼铁过程中,从大量工业运行数据中挖掘出适合当前工况条件的最优操作模式,从而实现高炉炼铁节能降耗、提高效率及增加效益的目的。     

基于多参数灵敏度分析与遗传优化的铁水质量无模型自适应控制

铁水硅含量(化学热)和铁水温度(物理热)是高炉炼铁过程最重要的铁水质量指标, 其建模与控制对于整个高炉炼铁过程的运行优化意义重大. 针对高炉炼铁过程极复杂动态特性以及铁水质量难以进行常规机理建模与控制的难题, 基于直接数据驱动控制思想, 提出一种基于多参数灵敏度分析与大规模变异遗传参数优化的高炉铁水质量无模型自适应控制方法. 首先, 基于紧格式动态线性化(Compact form dynamic linearization, CFDL)无模型自适应控制(Model free adaptive control, MFAC)技术确定铁水质量的多变量数据驱动控制器结构; 然后, 针对CFDL-MFAC众多可调参数对控制器性能影响大, 同时对众多参数整体优化非常耗时且效果不理想的问题, 基于多参数灵敏度分析(Multi-parameter sensitivity analysis, MPSA)技术, 提出基于大规模变异与精英局部搜索遗传优化的CFDL-MFAC控制器参数整定方法; 最后, 将参数整定后的CFDL-MFAC控制器应用到高炉炼铁过程多元铁水质量控制, 并与基于递推子空间辨识的数据驱动预测控制进行比较研究, 验证所提控制方法的有效性和先进性.     

高炉布料设定值优化控制

高炉炼铁是钢铁生产中的重要能耗因素.为了实现生产的节能降耗,布料策略显得极为重要.本文针对某钢铁厂高炉的无料钟布料系统,基于现场采集的数据,建立了以铁水质量和经济效益为变量的指标效益评价函数,给出了最优设定料面的推理机制.针对不同运行环境,建立不同的料面优化设定值,构成多模型集合.当工况环境发生大的变化时,采用切换机制,对比多模型集合,选择最优料面设定值,并在此基础上对布料进行自适应控制,计算布料矩阵,提高布料过程的快速性和准确性.最后对整个高炉动态优化控制系统做了总体分析,基于现场数据,对高炉布料模型进行了仿真和验证.     

高炉炼铁过程多元铁水质量非线性子空间建模及应用

高炉炼铁是一个物理化学反应复杂、多相多场耦合的大滞后、非线性动态系统,其关键工艺指标——铁水质量参数的检测、建模和控制一直是冶金工程和自动控制领域的难题.本文提出一种面向控制的数据驱动高炉炼铁多元铁水质量非线性子空间建模方法.首先,为了提高建模效率和降低计算复杂度,采用数据驱动典型相关性分析与相关性分析相结合的方法提取与铁水质量相关性最强的关键可控变量作为建模的输入变量;同时,为了更好地反映高炉非线性动态特性,将相关输入输出变量的时序和时滞关系在建模过程进行考虑;最后,采用基于最小二乘支持向量机（Least square support vector machine,LS-SVM）的非线性Hammerstein系统子空间辨识方法建立数据驱动的多元铁水质量非线性状态空间模型.同时,将核函数表示的模型非线性特性用多项式函数拟合,在仅损失很小模型精度的前提下大大降低模型的计算复杂度.基于实际数据的工业试验验证了所提建模方法的准确性、有效性和先进性.     

复杂高炉炼铁过程的数据驱动建模及预测算法

高炉炼铁过程的控制意味着控制高炉铁水温度及成份在指定的范围. 本文以高炉炉内热状态的重要指示剂---高炉铁水硅含量为研究对象, 针对机理建模难以准确预测、控制高炉铁水硅含量的发展变化, 利用数据驱动建模的思想, 建立了基于多元时间序列的高炉铁水硅含量数据驱动预测模型. 实例分析表明, 建立的数据驱动预测模型能够很好地预测高炉铁水硅含量, 连续预测167炉高炉铁水硅含量, 命中率高达83.23%, 预测均方根误差为0.07260. 这些指标均优于基于单一硅时间序列所建立的数据驱动模型, 对实际生产具有很好的指导作用.     

高炉炼铁过程炉温的非线性混合控制

从流体动力学机理和化学反应动力学机理的交叉角度研究高炉炼铁过程炉温控制的复杂性规律,揭示了不同动力学状态下炉内化学反应链及能耗的非线性.基于模糊模式划分、自适应学习确定模型参数等非线性方法,建立了炉温混合控制的偏微分方程及其控制模式,对莱钢1号高炉《智能控制专家系统》在线采集的生产数据的仿真计算结果证明了控制方程对炉温预测控制的适用性,命中率达到90%以上.非线性混合控制方程为实现炼铁过程炉温预测控制的自动化奠定了模型基础.     

高炉炉底侵蚀模型的建立及实现

结合炼铁企业生产实际情况,文章设计了高炉炉底侵蚀模型,以传热为基础推导出了高炉炉底侵蚀模型的计算依据,给出了该模型实现的软硬件环境。该模型使用热电偶作为一次检测元件采集各测点温度,利用计算机处理数据,在CRT上实时显示高炉炉底侵蚀情况,为操作者及时掌握高炉的生产状况提供了一种有效的手段。     

复杂生产过程实时故障诊断专家系统

本文以高炉炼铁过程为例介绍了复杂生产过程故障检测实时专家系统（ＢＦＤＥＳ）。该系统综合运用了面向对象方法，知识编译，产生式及框架方法。提高高炉传感器的数据，ＢＦＤＥＳ系统可对高炉炉况作出实时判断，并可预测高炉运动的故障，该专家系统以实际在线运行表明，其性能良好并已取得显著的经济与社会效益。     

基于最优工况迁移的高炉铁水硅含量预测方法

高炉铁水硅含量是铁水品质与炉况的重要表征,冶炼过程关键参数频繁波动及大时滞特性给高炉铁水硅含量预测带来了巨大挑战.提出一种基于最优工况迁移的高炉铁水硅含量预测方法.首先,针对过程变量频繁波动问题,提出基于邦费罗尼指数的自适应密度峰值聚类算法,实现对高炉冶炼过程变量的工况划分,并建立不同工况硅含量预测子模型.其次,针对冶...     

Improvement of identification of blast furnace ironmaking process by outlier detection and missing value imputation

The control of blast furnace ironmaking process requires model of process dynamics accurate enough to facilitate the control strategies. However, data sets collected from blast furnace contain considerable number of missing values and outliers. These values can significantly affect subsequent statistical analysis and thus the identification of the whole process, so it becomes much important to deal with these values. This paper considers a data processing procedure including missing value imputation and outlier detection, and examines the impact of processing to the identification of blast furnace ironmaking process. Missing values are imputed based on the decision tree algorithm and outliers are identified and discarded through a set of multivariate outlier detection methods. The data sets before and after processing are then used for identification. Two classic identification methods, N4SID (numerical algorithms for state space subspace system identification) and PEM (prediction error method) are considered and a comparative study is presented.     

高炉炉喉煤气流形态三维模型重建

高炉炉喉煤气流分布是表征高炉生产状况的重要因素且无法直接检测;本文提出一种基于炉顶摄像检测的高炉炉喉煤气流形态三维模型重建方法.首先建立检测系统的硬件结构,其次对煤气流形态图像预处理后,采用边缘检测算法提取图像特征,并提出基于方向链码的边缘跟踪算法,计算煤气流形态的图像坐标;最后结合摄像机内部参数并利用坐标系三维变化关系以及坐标映射关系,计算煤气流形态在三维空间的坐标,从而重建煤气流形态的三维模型.通过仿真对比高炉布料后煤气流形态发展的4个阶段的三维模型变化,估计气流形态的变化,从而估计高炉内部的煤气流分布状况,对指导高炉布料操作以及高炉稳顺运行奠定了基础.     

基于Stacking的高炉铁水质量区间预测

高炉炼铁多元铁水质量的实时准确预报是高炉内部状态进行实时监测和有效控制的重要手段,但预报结果存在准确度不高和缺乏可信度表征的问题,特别是在炉况不稳定和高炉数据波动大的情况下,多元铁水质量的预报结果存在较大偏差和较低可信度,不能为高炉日常操作和调节提供指导.针对这一工程难题,提出一种基于Stacking的高炉铁水质量区间预测建模算法,用于建立铁水质量区间预报模型.首先,为了提高建模的准确度,建立基于Stacking的铁水质量模型;然后,为了表征预测结果的可信度,引入区间预测的方法,用于多元铁水质量值和预测区间的同时预报;最后,通过工业实验表明,所提出算法能够实现对高炉多元铁水质量的准确预报,并且预测区间拥有较高的可信度,对实际生产操作具有较好的指导意义.     

PCA和PSO-ELM在高炉铁水硅含量中的预测仿真

炉温的实时预测技术对高炉运转具有重要意义。在高炉炼铁过程中,通常以铁水硅含量来表征高炉热状态。针对硅含量预测效率和精度不足的问题,提出主成分分析和粒子群改进的极限学习机相结合的方法对高炉铁水硅含量进行预测。由于影响铁水硅含量的因素众多,且各因素之间相互影响,通过主成分分析对影响硅含量的输入变量进行降维处理。利用粒子群算法来优化极限学习机的权值和阈值,并以均方根误差作为适应度函数建立预测模型。将提取出的主成分作为模型输入,铁水硅含量作为模型输出。最后比较了极限学习机算法和粒子群改进的极限学习机,实验结果表明改进后的预测模型提高了硅含量预测的准确度,上述方法可为高炉的生产操作提供参考。     

基于数据驱动的高炉料面优化决策模型研究

高炉炼铁是一个典型的高能耗、高排放、高污染的工业环节.合理的炉料分布能够形成更加合理的煤气流分布,使得炉内的化学反应更加充分,对高炉长期稳顺运行和节能减排具有重要作用.本文针对基于经验的料面形状决策不能根据炉况变化做出准确和及时的调控的缺陷,提出了基于数据驱动的高炉料面形状优化决策模型.首先,基于现场采集的数据,在考虑高炉生产实际情况约束和变量上下限约束的情况下,建立了以煤气利用率为评价函数的料面优化模型.然后,为了提高模型的精度和决策性能,提出了一种误差补偿超限学习机(extreme learning machine,ELM)方法用于建立料面优化过程模型,以减少模型与实际生产过程之间的误差.在此基础上,采用带有约束条件的自适应粒子群算法对模型进行求解.最后,通过仿真实验验证了所建模型和优化方法的有效性,实验结果表明所构建的高炉料面优化决策模型能够及时根据生产情况的变化给出合理的料面形状,满足现场生产的需求,使高炉高效稳定运行.     

A blast furnace coke ratio prediction model based on fuzzy cluster and grid search optimized support vector regression

In the study of blast furnace coke ratio, existing methods can only predict coke ratio of daily. At the same time, the data under abnormal furnace conditions are excluded, and the model’s robustness needs to be improved. In order to improve the prediction accuracy and time precision of the blast furnace mathematical simulation model, a blast furnace coke ratio prediction model based on fuzzy C-means (FCM) clustering and grid search optimization support vector regression (SVR) is proposed to achieve accurate prediction of coke ratio. First, preprocess the blast furnace sensor data and steel plant production data. Then, the FCM algorithm is used to cluster the data under different furnace conditions. Finally, the SVR model optimized by grid search is used to predict the coke ratio under different blast furnace conditions. The average absolute error of the improved model is 1.7721 kg/t, the hit rate within 0.5% error is 81.19%, the coefficient of determination R² is 0.9474, and the prediction performance is better than ridge regression and decision tree regression. Experiments show that the model can predict the coke ratio of molten iron in each batch when the blast furnace conditions are going forward and fluctuating, and it has high time accuracy and stability. It objectively describes the changing trend of blast furnace conditions, and provides new research ideas for the practical application of blast furnace mathematical models.