基于数据驱动的高炉料面优化决策模型研究

摘要：

高炉炼铁是一个典型的高能耗、高排放、高污染的工业环节.合理的炉料分布能够形成更加合理的煤气流分布,使得炉内的化学反应更加充分,对高炉长期稳顺运行和节能减排具有重要作用.本文针对基于经验的料面形状决策不能根据炉况变化做出准确和及时的调控的缺陷,提出了基于数据驱动的高炉料面形状优化决策模型.首先,基于现场采集的数据,在考虑高炉生产实际情况约束和变量上下限约束的情况下,建立了以煤气利用率为评价函数的料面优化模型.然后,为了提高模型的精度和决策性能,提出了一种误差补偿超限学习机(extreme learning machine,ELM)方法用于建立料面优化过程模型,以减少模型与实际生产过程之间的误差.在此基础上,采用带有约束条件的自适应粒子群算法对模型进行求解.最后,通过仿真实验验证了所建模型和优化方法的有效性,实验结果表明所构建的高炉料面优化决策模型能够及时根据生产情况的变化给出合理的料面形状,满足现场生产的需求,使高炉高效稳定运行.

关键词：高炉布料、料面优化、煤气利用率、约束条件、超限学习机、自适应粒子群算法

所属期刊栏目：35

分类号：TP273(自动化技术及设备)

资助基金：国家自然科学基金重点项目61333002;国家自然科学基金项目61673056资助.Supported by the Key Project of the National Natural Science Foundation of China61333002;the National Natural Science Foundation of Chi-na61673056

在线出版日期：2018-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：324-334