当前位置: 首页 » 技术文献 » 炼铁文献 » 高炉优化 » 正文

基于大数据挖掘的高炉参数优化调控模型研究

放大字体  缩小字体 发布日期:2023-05-29  作者:田 毅,王 刚,苏家庆,白 皓  浏览次数:2510
 
核心提示:摘要: 我国高炉炼铁工序能耗占钢铁联合企业能源消耗的 47% 左右,如何实现高炉的节能降耗是钢铁行业重要的课题。因此,在传统节能手段的基础上,钢铁行业探索新型节能技术实现高炉深度节能的目标具有重要意义。为实现此目标,本文提出了基于大数据挖掘的高炉参数优化调控模型,该模型包括 3 个子模型,即参数寻优模型、操作参数误差追溯模型和操作参数预测模型。首先,对高炉进行参数寻优,以找到在最优核心经济指标下的最优参数集; 然后,以高炉最优参数集为标准,寻找引起操作及经济指标波动的关键参数,并形成关键影响参数动态调控的
 基于大数据挖掘的高炉参数优化调控模型研究

田 毅,王 刚,苏家庆,白 皓

( 北京科技大学冶金与生态工程学院,北京 100083)

摘要: 我国高炉炼铁工序能耗占钢铁联合企业能源消耗的 47% 左右,如何实现高炉的节能降耗是钢铁行业重要的课题。因此,在传统节能手段的基础上,钢铁行业探索新型节能技术实现高炉深度节能的目标具有重要意义。为实现此目标,本文提出了基于大数据挖掘的高炉参数优化调控模型,该模型包括 3 个子模型,即参数寻优模型、操作参数误差追溯模型和操作参数预测模型。首先,对高炉进行参数寻优,以找到在最优核心经济指标下的最优参数集; 然后,以高炉最优参数集为标准,寻找引起操作及经济指标波动的关键参数,并形成关键影响参数动态调控的优化策略; 最后,根据优化策略,利用神经网络模型,对优化调控结果进行预测,为炉参数优化调控实际操作提供参考。通过使用某钢铁企业历史生产数据对高炉参数优化调控模型进行实例论证。结果表明,在研究时间范围内,经过模型优化调控后的燃料比可稳定在 518 kg /t,并为企业降低 169万元的焦炭成本。高炉参数优化调控模型可帮助钢铁行业实现节约能源、降低能耗的低碳生产目标。

关键词: 大数据挖掘; 神经网络; 高炉参数寻优; 误差追溯; 动态调控

0 引言

钢铁工业是资源、能源密集型行业,生产能耗高是其典型的特点,其中高炉炼铁工序是能耗大户,能耗约占钢铁企业生产总能耗的 47% 左右,如今能源短缺是一个世界性问题,直接关系到炼铁成本,而能源消耗又是生产总成本可控制的关键部分[1]。因此,实现高炉节能降耗是企业降低生产成本并提高竞争力的关键所在。针对此情况,中国很多钢厂通过优化焦化配煤结构、高炉喷吹焦炉煤气及热风炉余热回收装置等方法初步实现了高炉的节能生产[2-5]。但高炉本身是高耗能系统,且随着高炉原料、燃料价格的升高,这些节能手段渐渐无法满足钢铁行业的需求。因此,钢铁行业需要通过更科学、更有效的节能新技术武装自己,以实现高炉深度节能的目标。高炉作为一个极端复杂的生产过程,想要实现深度节能,需要挖掘钢铁企业积累的高炉数据,对高炉炼铁的技术参数进行研究,建立高炉参数优化模型[6]。另外,高炉时常发生波动 现象,从而导致在最佳参数下无法达到相应最优生产状态。因此,有必要对高炉进行动态调控,但调控高炉原料需要较长时间,无法满足快速、精准的调控目标。基于此,本文提出了一种基于大数据挖掘的高炉参数优化调控模型,该模型可对波动原因进行误差追溯并形成关键影响参数动态调控的优化策略,并通过神经网络对优化调控结果进行预测,帮助生产人员根据波动原因制定新的生产计划,以实现高炉深度节能并确保高炉在生产过程中的稳定、高效生产。

1 高炉参数优化调控模型的建立

本文通过对某钢铁企业多年积累的高炉数据提出了一种基于大数据挖掘的高炉参数优化调控模型,该模型分为 3 个子模型,即参数寻优模型、操作参数误差追溯模型和操作参数预测模型。参数寻优模型作为高炉参数优化调控模型的子模型,主要通过主成分分析法与灰色关联分析法建立,主成分分析法可对超高维度的高炉参数进行降维,大大降低高炉数据分析难度[7-8]; 灰色关联分析法可确定基于经济指标的关键影响参数,进而确定关键影响参数的最优集。操作参数误差追溯模型作为第 2 个子模型,主要通过主成分分析法与综合评价法建立,其中,综合评价法可根据各参数在误差中的权重找到引起操作及核心经济指标波动的关键参数,生产人员可使用参数最优集合进行误差调控。操作参数预测模型作为最后一个子模型,主要通过径向基函数( radial basis function,RBF) 神经网络建立,具有训练速度、逼近方式快和预测准确等特点,可提前预测波动时刻与优化调控结果,以解决误差追溯模型只能在波动后调控的滞后性问题,并为高炉参数优化调控实际操作提供参考[9-14]

模型建立包括以下 3 个步骤: ( 1) 首先使用SPSS 软件对数据进行预处理并通过灰色关联法以利用系数与燃料比为决策指标,找到影响决策指标的关键参数及最佳范围; ( 2) 然后以高炉在最优参数下仍会发生参数及经济指标波动为出发点,运用数学语言对操作参数的误差量进行合理描述,再使用主成分分析中的综合评价法,以核心经济指标为决策目标,对参数的误差量进行追溯,找到影响其波动的原因,从而建立高炉操作误差追溯模型,并通过参数最优值进行优化调控; ( 3) 最后为实现对优化调控结果的精准预测,利用 RBF 神经网络建立了操作参数预测模型。

1.1参数寻优模型

参数寻优模型旨在从钢铁企业积累的大量生产数据中挖掘出经济指标与影响参数之间的内在关系,以找到影响经济指标的关键参数范围,并根据此参数范围找到参数最佳标准集。该模型主要采用主成分分析和灰色关联分析相结合的算法来筛选经济指标的关键影响参数,主成分分析法可将高炉数据转化为能够保留原始信息且线性无关的无噪声新样本,以提高对高炉数据的分析质量。基于高炉数据的灰色关联分析的实质是根据生产过程的原料、操作参数与核心经济指标之间的关联程度大小,找到影响核心经济指标的关键参数。关于主成分分析降维步骤如下。

1.1.1 数据预处理

在高炉生产过程中,高炉参数的实时数据是通过安装在现场的监测系统获取的,然后储存到数据库中,这就使得收集到的数据会因为监测系统的精度、设备的故障或各种其他外在因素的影响从而导致某个数值的缺失或偏离正常波动范围。因此,为了提高数据分析的准确性,有必要对其进行数据预处理。本文对高炉历史生产数据的预处理主要通过 SPSS 完成,SPSS 可根据各参数之间的微妙联系,判断原料、操作参数是否在合理波动范围内,本文数据预处理由异常值去除、缺失值填补、数据分类及数据归一化等步骤 组成。首先通过 SPSS 软件标识异常个案,找到异常值,对其进行直接去除处理,然后对缺失值进行填补,目前缺失值补充方式主要有 3 种,分别为人工填写、最可能值填写、平均值和中位数填写,本文主要使用平均值填写。为了更全面地了解高炉参数在实际生产中的作用,本文在补充完缺失值后对高炉数据进行了大致分类,即分为原料参数和操作参数。对高炉参数的种类划分也保证了后续误差追溯的快速调控。为消除数据之间的不同量纲关系,利用 SPSS 软件进行零均值归一化。

1.1.2 数据降维

主成分分析降维原理如图 1 所示。图 1( a) 中的球状物即参数寻优方法得到的影响核心经济指标的主要影响参数,包含高炉原料质量参数与操作参数,当使用三维坐标系表示这些参数时,需使用 x、y、z 三个轴表示,但事实上,通过旋转三维坐标,将其转换为图 1( b) 的二维坐标系,此时这 些 数 据 使 用 PC1、PC2 两个维度表示即可,此时 PC1、PC2 表示原有数据的特征,称之为第一主成分与第二主成分,这就是 PCA 的降维原理。其降维过程如下。

图片1 

(1) 计算相关系数矩阵 R 。相关系数矩阵表达了各变量之间的相关性,可通过相关系数找到各变量之间的相关程度,再根据各相关矩阵特征值及特征向量,组成新的线性无关的主成分,计算过程见式( 1) 和式( 2) 。

图片2 

式中: rij 为 第 i 个指标与第 j 个指标的相关系数; g 为进行主成分分析的指标变量个数; q 为评价对象个数。

( 2) 计算特征值与特征向量。计算相关系数矩阵 R 的特征值 λ1 ≥ λ2 ≥ … ≥ λg ≥ 0 及对应的特征向量 u1,u2,…,ug,其中 uj = ( u1j ,u