论文部分内容阅读
实现高炉生产的优质、高产、长寿和低耗需要不断优化生产,实现生产的自动控制.由于中国的高炉受原料成分波动、自身检测装配水平的限制,以及各高炉冶炼条件的相异性,使得直接引用国外的数学模型和专家系统并不能很好的去解释和控制每一座高炉.这就需要根据各高炉自身冶炼特点,对反映高炉冶炼特点的现场生产数据进行处理,以寻求高炉操作参数之间的相互关系,根据其相互关系实现对所需目标函数有较大影响参数的选择;由所选择的操作参数建立模型实现数据反馈、目标函数的预测.该文从高炉现场生产数据本身出发,利用统计的方法对现场数据进行处理,计算特征参数,由五数总括图、趋势图等了解各参数的分布情况,得到了各操作参数的端点推荐值.利用通径分析,对高炉现场数据进行处理,将高炉操作参数之间的相互关系处理为直接通径和间接通径,并对其进行了排序.利用最小剩余通径系数确定影响目标函数的主要变量因素,实现了变量因素的优化选择.根据模糊因果聚类分析的方法,运用模糊数学、数理统计及数值计算的知识采用截集分类法和定类分类法分别实现了样本数据的分类,以期进一步了解在已知故障出现的情况下高炉各操作参数以及操作参数之间的变化规律.在变量优化选择的基础上,结合偏最小二乘回归能较好地解决自变量之间的多重相关性问题和神经网络可以克服模型必须是现场数据的线性和非线性组合的局限的特点,该文建立了偏最小二乘回归神经网络预测模型.自变量经偏最小二乘回归处理,提取对因变量解释性最强的成分,一方面可以解决变量之间的相关性问题,另一方面降低了神经网络输入层节点的数目,简化了网络的结构,提高了训练速度.模型经训练后采用末尾添加式偏最小二乘回归神经网络模型对预报集的样本数据进行焦比预报,预报精度在80%以上的命中率为87%,预报精度在85%以上的命中率为84%,预报精度在90%以上的命中率为51%.预报效果较好.考虑到样本分类对于炉况控制的重要性,从现场数据之间的内在联系出发,在变量优化选择的基础上,建立了模糊聚类预测模型.克服了高炉预测因子的随机性和不确定性因素带来的困难,解决了高炉预测因子到预测对象之间建立对应关系并求解其结构较为困难的问题.采用"末尾添加式"模糊聚类预报模式对新的样本进行焦比预报,焦比预报精度在90%以上的达80%,焦比预报精度在85%以上的达93%,焦比预报精度在80%以上的达96%.比较两预测模型的预测原理,分析了影响模型预报精度的因素,指出了训练集样本数据库选择的重要性.