论文部分内容阅读
高炉炼铁是钢铁工业的上游主体工序,作为国民经济支柱产业的重要组成部分,它对钢铁工业的发展与节能降耗都有重要的地位。高炉冶炼过程是一个高度复杂的过程,其运行机制往往具有非线性、时变、高维、大噪声、分布参数等特性,其自动化是20世纪下半叶以来冶金自动化领域一直没有攻下的自动化学科难题。高炉炉温预测模型是炼铁过程自动控制的核心数学模型,而提高炉温预测命中率是模型开发的关键难题。 本文在高炉炉温预测中引入了小波分析与时间序列的方法作为主要的研究工具,使用“高炉智能控制专家系统”在线采集的山东莱钢1号高炉生产数据作为原始数据,进行大量的数据计算、分析、验证工作,建立了基于小波分析方法的高炉铁水硅含量预测模型。 小波变换是20世纪80年代后期发展起来的应用数学分支,在理论上已经构成了比较系统的框架。小波分析方法的最大优点是能将原始时间序列按照不同尺度分解成不同的层次,各个层次上的信号比原始信号更加稳定,这样问题就变得易于分析和预测;而且小波分析方法在时域和频域同时具有良好的局部化性质,可以对信号的任意细节加以提取、分析,因此对数据具有一定的自适应能力。 本文首先概述了高炉冶炼的基本原理、高炉专家系统以及高炉铁水硅含量预测模型,然后介绍了小波分析的基本理论和时间序列模型,最后将小波分析方法与时间序列相结合,建立了基于小波分析方法的高炉炉温预测模型。 本文小波分析方法建模样本的容量为在线采集的1000炉数据,采样数据的时间间隔约为2h。首先通过小波变换将铁水硅含量的原始时间序列依三重尺度分解成不同的层次;然后对不同层次上的序列分别运用合适的自回归模型进行预测,得到分层的预测值;最后通过分层序列的重构得到原始时间序列的预测结果。 本文选取了相对平稳的和波动比较剧烈的两组数据,分别应用时间序列AR模型和小波分析方法进行预测,并对预测结果进行了比较。结果表明:基于小波分析的预测模型,比较于原始时间序列的AR预测模型,明显提高了预测命中率,预测效果更好,从而证明了小波理论在研究高炉炉温预测中的实际应用价值。