高爐冶煉復(fù)雜性分析及支持向量機(jī)擴(kuò)展建模預(yù)測(cè)研究.pdf

1、鋼鐵工業(yè)是國(guó)家的支柱產(chǎn)業(yè)。在鋼鐵工業(yè)中，高爐煉鐵是鋼鐵生產(chǎn)體系中能耗最大的環(huán)節(jié)，它的每項(xiàng)技術(shù)進(jìn)步都將為國(guó)家?guī)?lái)巨大的經(jīng)濟(jì)效益和社會(huì)效益。本文以“高爐煉鐵專家系統(tǒng)”生產(chǎn)現(xiàn)場(chǎng)在線采集的數(shù)據(jù)為基礎(chǔ)，針對(duì)高爐實(shí)際情況及煉鐵生產(chǎn)中人們長(zhǎng)期關(guān)注的實(shí)際問(wèn)題，對(duì)高爐冶煉過(guò)程的復(fù)雜性和爐溫預(yù)測(cè)等問(wèn)題進(jìn)行研究，從而為高爐冶煉過(guò)程實(shí)現(xiàn)閉環(huán)控制提供重要的研究思路和技術(shù)基礎(chǔ)，具有一定的理論意義和應(yīng)用價(jià)值。
　　 高爐冶煉過(guò)程實(shí)現(xiàn)閉環(huán)控制的核心難題是對(duì)高爐

2、爐溫的準(zhǔn)確預(yù)測(cè)，從而實(shí)現(xiàn)有效的控制。其復(fù)雜性既表現(xiàn)為冶煉機(jī)理的復(fù)雜性，也體現(xiàn)在冶煉過(guò)程動(dòng)力學(xué)的復(fù)雜性。一個(gè)準(zhǔn)確、實(shí)用的預(yù)測(cè)模型對(duì)實(shí)際生產(chǎn)有重要指導(dǎo)價(jià)值。論文第二章首先從工藝復(fù)雜性、化學(xué)反應(yīng)和流體運(yùn)動(dòng)復(fù)雜性、目標(biāo)和操作復(fù)雜性三個(gè)方面討論了高爐冶煉過(guò)程復(fù)雜性機(jī)理；接著在已有的非線性、非平穩(wěn)性等定性研究的基礎(chǔ)上，本文提出運(yùn)用Shannon熵、近似熵、Lempel-Ziv復(fù)雜度和分形維數(shù)等復(fù)雜性測(cè)度方法，以包鋼6＃高爐、萊鋼1＃高爐、臨鋼6＃高

3、爐、邯鋼7＃高爐在線采集數(shù)據(jù)為研究對(duì)象，進(jìn)行復(fù)雜性測(cè)度分析，揭示高爐冶煉過(guò)程的復(fù)雜性特征，為建立爐溫預(yù)測(cè)模型奠定了重要的基礎(chǔ)。論文第三章針對(duì)高爐鐵水硅序列的非線性特性，提出基于相空間重構(gòu)的支持向量機(jī)混沌預(yù)測(cè)模型，并和基于相空間重構(gòu)的徑向基網(wǎng)絡(luò)預(yù)測(cè)、加權(quán)一階局部預(yù)測(cè)、Volterra自適應(yīng)濾波器預(yù)測(cè)等模型比較，預(yù)測(cè)精度得到顯著提升。對(duì)不同高爐以及同一座高爐不同生產(chǎn)階段進(jìn)行的仿真結(jié)果表明：模型預(yù)測(cè)的精度和高爐本身的復(fù)雜性具有一定的關(guān)聯(lián)性，在

4、高復(fù)雜性的高爐上，模型難以獲得高精度的預(yù)測(cè)結(jié)果。
　　 論文第四章綜合考慮高爐冶煉過(guò)程中其他變量的影響，以包鋼6＃高爐在線采集數(shù)據(jù)為研究對(duì)象，運(yùn)用模型輸入變量升階法，獲取可能影響高爐當(dāng)前爐溫的所有變量，并得出當(dāng)前爐溫主要受到前2爐冶煉狀態(tài)影響的重要結(jié)論?？紤]到過(guò)多輸入變量包含大量的冗余信息和噪聲，模型精度受到了影響，也難以在實(shí)際中獲得應(yīng)用，本文接著提出利用特征提取和特征選擇的方法獲取最優(yōu)輸入特征集，降低輸入特征維數(shù)。在特征提取方

5、面，對(duì)比研究了基于核技術(shù)的特征提取方法和基于流形學(xué)習(xí)的特征提取方法，仿真結(jié)果表明基于KPCA的特征提取在高爐建模中更有實(shí)用價(jià)值，既有效降低了輸入維數(shù)，同時(shí)也取得了較好的預(yù)測(cè)精度。在特征選擇方面，應(yīng)用支持向量機(jī)回歸特征消去模型(SVM-RFE)對(duì)48個(gè)初始特征進(jìn)行最優(yōu)特征集的獲取和嵌套特征集的生成?；谧顑?yōu)特征集的支持向量機(jī)趨勢(shì)預(yù)測(cè)的命中率達(dá)85％。接著提出利用互信息法進(jìn)行特征排序和選擇，并將得到的最優(yōu)特征集應(yīng)用于數(shù)值預(yù)測(cè)，模型同樣取得了

6、較好的預(yù)測(cè)效果。為進(jìn)一步提高預(yù)測(cè)精度和模型的實(shí)用性，論文第五章基于高爐生產(chǎn)階段的多工況特性，提出多模型預(yù)測(cè)建模的思想，建立基于模糊C均值聚類的多支持向量機(jī)模型，模型預(yù)測(cè)精度得到進(jìn)一步改善。針對(duì)常規(guī)聚類方法中聚類參數(shù)的不確定性，提出一種改進(jìn)的仿射傳播聚類方法。仿射傳播聚類不需要事先確定聚類的數(shù)目，本文利用互信息加權(quán)法改進(jìn)了原方法中的歐氏距離測(cè)度?；诟倪M(jìn)的仿射傳播聚類，建立多支持向量機(jī)模型對(duì)包鋼6＃高爐鐵水硅質(zhì)量分?jǐn)?shù)進(jìn)行預(yù)測(cè)，在非平穩(wěn)爐況

7、的時(shí)間段，數(shù)值預(yù)測(cè)的命中率達(dá)到83%，而在爐況相對(duì)平穩(wěn)的時(shí)間段，數(shù)值預(yù)測(cè)的命中率達(dá)到89%。
　　 考慮到支持向量機(jī)是基于數(shù)據(jù)驅(qū)動(dòng)的“黑箱”建模，模型的結(jié)果與高爐工長(zhǎng)的生產(chǎn)操作之間缺乏實(shí)際應(yīng)用的可理解性，論文第六章進(jìn)一步研究了支持向量機(jī)預(yù)測(cè)模型的規(guī)則提取問(wèn)題。結(jié)合決策樹算法的推理規(guī)則可理解性和支持向量機(jī)優(yōu)越的非線性學(xué)習(xí)和泛化能力，構(gòu)建了基于支持向量機(jī)和決策樹學(xué)習(xí)的高爐爐溫預(yù)測(cè)的人工智能模型。仿真結(jié)果表明，模型得到較好的預(yù)測(cè)精度，