文档介绍：1 烧结矿化学成分智能预测和控制的关键技术研究与应用用户手册安阳师范学院 2009 年9 月 2 项目简介: 钢铁企业生产过程中的烧结过程就是在粉末状铁物料(矿粉)中配入适当数量的熔剂和燃料,在结烧机上点火燃烧,借助燃料燃烧的高温作用产生一定数量的液相,把其它未熔化的颗粒粘接起来,冷却后成为具有一定强度的多孔块状矿石,作为高炉冶炼的原料。烧结矿一直是国内外高炉的主要原料,尤其在我国, 烧结矿已占高炉炉料的 90% 以上,烧结矿的质量和产量直接影响到炼铁及炼钢的产量和质量指标。因此,烧结生产在我国钢铁企业中占据着重要地位。同时随着中国加入 WTO 组织,我国钢铁工业已经加入了国际竞争的行列,这就要求必须进行钢铁工业的结构调节和技术改造,借鉴国外的先进经验,烧结、炼铁等原料工业加快向大型化集约化发展已经成为不可逆转的趋势,而这就迫切要求国内钢铁企业进一步向国际先进钢铁企业看齐,尽快把现有烧结过程的控制水平提高到国际先进水平。从控制角度来讲,烧结过程是典型的具有多变量、非线性、大时滞、强耦合特征的复杂被控对象,它涉及到温度、压力、速度、流量等大量物理参数, 又包括物理变化、化学变化等复杂过程,以及气体在固体料层中的分布、温度场分布等多方面的问题。传统的人工控制手段已经无法满足大型烧结机的控制要求,迫切需要寻求更加精确、稳定的控制方法来保证烧结生产的正常运行。因此烧结过程是一个复杂的物理、化学过程,该过程具有机理复杂、高度非线性、强耦合、纯滞后大和难以建立数学模型等特性。但是配矿过程的决策依据是烧结矿的各种性能指标,而且由于检测手段的限制,化验烧结矿碱度一般需要 40分钟, 该过程和烧结过程的时间相加超过一小时,这种大滞后的状况满足不了实际生产的需要,因此必须对烧结矿碱度检测并建立预测模型。烧结矿质量的稳定性已越来越成为整个铁前系统能否保持良好运行的关键。有些对烧结矿的检验以现有的检验方式和装备已无法满足生产工艺的需要,造成检验周期长、检验结果严重滞后。尤其是产品质量异常时,既不能及时调整烧结生产又无法及时指导高炉生产,而且经调研发现,国内多数企业均存在类似问题。这种状况已经严重干扰了烧结生产,对炼铁生产也造成了不可小视的损失,因此在部分烧结厂,开发出烧结矿化学成分的预测模型和预测系统已是当务之急。因此,迫切需要开发功能优良的烧结过程烧结矿化学成分预测系统,使安钢的烧结过程控制水平进入一个新的阶段。尽快接近或达到同行业国际先进水平,这样才能带来巨大的经济效益。本项目充分利用多种智能预测技术如灰关联熵技术、最小二乘支持向量机技术和粗糙集属性约简等理论来对烧结矿化学成分进行预测和数学模型的深入研究, 确定烧结矿各化学成分的数学模型后应用到烧结矿化学成分的实时控制中, Matlab 仿真试验结果表明,应用多种智能预测算法对烧结矿的化学成分进行预测,可以大大提高预测精度,而且模型具有较好的鲁棒性和泛化能力。实验证明, 应用该技术提前预报烧结矿的化学成分,从而对配料做出及时调整,是实现烧结 3 矿化学成分稳定的有效措施。本项目应用灰关联熵技术对烧结矿各化学成分 TF e、R、FeO 、CaO 、MgO 、SiO 2 等进行了多输入多输出变量综合分析和综合评判, 分析归纳出各影响因素与各目标变量间的相互关系, 为不同时期烧结矿生产提供操作指导和决策依据, 为非线性系统建立多目标模型探索出了一条新途径,而且可以确定影响因素的重要程度和影响权值,这样不仅可以简化预测网络,大大提高网络的收敛速度。本项目运用当今的研究热点支持向量机技术对烧结矿化学成分预测进行深入研究,支持向量机是 Vapnik 根据统计学****理论提出的一种针对小样本情况下机器学****规律的理论。该理论针对小样本统计问题建立了一套新的理论体系—支持向量机( Support Vector Machine 或 SVM )。 SVM 根据有限的样本信息在模型的复杂性和学****能力之间寻求最佳折衷,以获得最好的泛化能力。与传统的神经网络相比, SVM 算法最终将转化成为一个二次型寻优问题。从理论上说,得到的是全局最优点,解决了在神经网络中无法避免的局部最小值问题。 SVM 的拓扑结构由支持向量决定,避免了传统神经网络结构需要经验试凑。 LS-SVM 算法是 SVM 算法的一种扩展,其采用最小二乘线性系统作为损失函数,将SVM 算法中的不等式约束转化为了等式约束,使求解过程变成了解一组等式方程,求解速度相对加快,并应用到模式识别和非线性函数估计中,取得了较好的预测效果。本项目运用粗糙集理论进行智能决策和指导。粗糙集理论是一种新的处理模糊和不确定性知识的数学工具。主要思想是在保持分类能力不变的前提下,通过知识约简,导出问题的决策或分类规则。目前粗糙集理论已经成功地应用于机器学****决策分析,过程控制,模式识别,