高炉炉温是衡量高炉运行状态的重要参数,常指高炉内铁水及渣铁的温度,其高低直接影响高炉冶炼过程是否稳定顺行及生产铁水是否优质。由于高炉生产过程中处于封闭状态,其炉内的温度不能直接检测,而出铁过程中,铁水温度下降,测量的铁水温度无法充分表征高炉内部炉缸的热状态。相反,铁水中硅含量不存在信息丢失问题,并且硅含量也是铁水质量的重要指标,因此,研究学者则通常把硅含量作为炉内的化学温度以及监测高炉炉温状态的指标。本课题以铁水硅含量为研究对象,以柳州钢铁2号高炉为背景,基于机理分析铁水硅含量的来源及影响因素,基于数据挑选硅含量影响因素并建立硅含量预测模型,并对高炉运行的特性做了详细分析,使该模型更符合高炉生产实际运行状况。具体研究工作如下:(1)融合机理分析、数据相关性分析选择铁水硅含量模型的输入变量。通过高炉铁水中硅的来源以及高炉内部含硅物质的物理化学反应等机理分析,确定影响铁水中硅含量的因素,作为模型的备选输入。再经过数学分析,从备选输入中挑选相关性较大的作为输入变量,并确定各输入变量对硅含量影响的滞后时间。(2)考虑高炉铁水硅含量检测时间的不确定性,提出改进不等时距灰色模型(IUGM(1,1))拟合整点时刻硅含量值。该算法将不等时距灰色模型加入扰动因子,并利用拟合时刻的前后数据计算该点硅含量值,进而完成了输入输出时间配准,为后续硅含量建模准备了可用的输出数据。(3)考虑高炉炉况生产运行时存在的波动特性,提出应用聚类算法对样本作分簇处理。聚类算法将炉况相似的样本聚为一类,进而利用每个子集中的样本进行硅含量建模。在引入模糊C均值的同时,首次提出通过设置模糊隶属度的阈值,剔除小于隶属度阈值的样本。该方法使得每个簇中,样本之间更加紧凑,即炉况更加类似。通过聚类以及样本剔除,提高了建模速度以及建模精度。(4)利用处理的输入输出数据,基于支持向量回归(SVR)算法建立铁水硅含量预测模型。支持向量回归可以有效地避免过拟合,比其他智能算法更适用于工业复杂系统建模。最后,采用MATLAB编写代码,仿真结果验证了模型的有效性