联合大数据和神经网络的高炉透气性预报模型_王帅.pdf

第5 8卷 第7期 2 0 2 3年7月钢 铁I r o na n dS t e e lV o l.5 8,N o.7,p 4 6-5 3 J u l y2 0 2 3 D O I:1 0.1 3 2 2 8/j.b o y u a n.i s s n 0 4 4 9-7 4 9 x.2 0 2 2 0 7 9 0联合大数据和神经网络的高炉透气性预报模型王 帅,李 强(东北大学冶金学院,辽宁 沈阳1 1 0 8 1 9)摘 要:高炉的透气性对炉况的顺行至关重要,尤其是对受透气性约束(焦比大幅降低)的低碳高炉,但相关的研究十分有限。在生产实践中,高炉的透气性往往由后验获得,当高炉生产不稳定或炉况异常时,后验方法使得透气性的提高变难,此外,在低碳高炉的设计阶段是不可能通过后验方法获得其透气性的。因此,需建立先验的透气性指数预测模型以解决上述问题。基于现场收集的大数据,通过P e a r s o n系数和灰色关联度分析(G R A)系数的相关性热力图方法对影响高炉透气性指数的变量集进行分析,明确了4 4个影响高炉透气性指数的特征参数。然后,对这些参数进行了数据清洗和归一化处理,以避免因存在数据值缺失、异常、特征变量间存在数量级差异等而引起的问题,构建了预测透气性指数的数据集。进而基于这些过滤后的大数据,建立并训练了一个用于预测高炉透气性指数的神经网络模型(P I-N e t),该模型由输入层、3层隐藏层和输出层构成。研究结果表明,在测试集上P I-N e t的均方误差为9.61 0-5、均方根误差为9.7 81 0-3、平均绝对误差为7.61 0-3、线性回归决定系数为0.9 7 92,表明了建立的模型具有合理的准确性、鲁棒性和泛化能力。最后,应用P I-N e t评估了几个典型低碳高炉设计方案的透气性指数特性,并探讨了受透气性约束的低碳高炉设计方案可行性。关键词:高炉透气性;大数据;神经网络模型;低碳高炉;预报模型文献标志码:A 文章编号:0 4 4 9-7 4 9 X(2 0 2 3)0 7-0 0 4 6-0 8P r e d i c t i o nm o d e l o fb l a s t f u r n a c ep e r m e a b i l i t yb yc o m b i n i n gb i gd a t aw i t hn e u r a l n e t w o r kWANGS h u a i,L IQ i a n g(S c h o o l o fM e t a l l u r g y,N o r t h e a s t e r nU n i v e r s i t y,S h e n y a n g1 1 0 8 1 9,L i a o n i n g,C h i n a)A b s t r a c t:B l a s t f u r n a c e(B F)p e r m e a b i l i t y i sv i t a l t os m o o t ho p e r a t i o n,b u t r e l a t e ds t u d i e s a r e l i m i t e d,e s p e c i a l l y f o rB F s t o w a r d l o w-c a r b o no p e r a t i o n s.I n t h eB Fp r o d u c t i o np r a c t i c e,t h ep e r m e a b i l i t y i n d e x(P I)i so f t e no b t a i n e db yap o s t e r i o re s t i m a t e,r e s u l t i n g i nac h a l l e n g et om a k er e a s o n a b l ea d j u s t m e n t sf o rt h eB F ss t a b l ep r o d u c t i o na n dr e-s p o n s e t oa b n o r m a l e v e n t s i nt i m e.I na d d i t i o n,i t i sn o tp o s s i b l e t oe f f e c t i v e l yo b t a i nt h ep e r m e a b i l i t yu n d e r t h ed e-s i g ns t a g eo f l o w-c a r b o nB F s.T h u s,ap r i o r iP Ip r e d i c t i o nm o d e l i se s t a b l i s h e dt oc i r c u m v e n t t h e s ep r o b l e m s.S p e-c i f i c a l l y,c o m b i n i n gb i gd a t a f r o mt h ep r a c t i c a l p r o c e s s,a l l v a r i a b l e s a f f e c t i n gB FP Iw e r e a n a l y z e db a s e do nb o t ha p-p r o a c h e so fP e a r s o nc o r r e l a t i o na n dh e a tm a po fG R A(G r e yR e l a t i o nA n a l y s i s)c o e f f i c i e n t s,a n d4 4v a r i a b l e sw e r ei d e n t i f i e da s t h ep r i m a r yp a r a m e t e r s f o rp r e d i c t i n gP I.T h e n,b i gd a t a c o n s i s t i n go f t h e s ep a r a m e t e r sw e r e c l e a n e d t oa v o i dt h ep r o b l e m sr a i s e dd u et ot h ee x i s t e n c eo f i n c o m p l e t e,a b n o r m a l,o r d e r-o f-m a g n i t u d ed i f f e r e n c ev a l u e s,a n df u r t h e rw e r en o r m a l i z e d.T h u s,t h er e s u l t a n td a t as e t f o rp r e d i c t i n gt h eP Iw a s f o u n d.F u r t h e r m o r e,an e u r a ln e t-w o r km o d e l f o rP Ip r e d i c t i o no fB F s(P I-N e t),w h i c hc o n s i s t so f a n i n p u t l a y e r,a3-l a y e rh i d d e n l a y e r a n da no u t-p u t l a y e r,w a se s t a b l i s h e da n dt r a i n e db a s e do nt h o s eb i gd a t a.T h er e s u l t ss h o wt h a t t h em e a ns q u a r ee r r o ro fP I-N e t i s9.61 0-5,t h er o o tm e a ns q u a r ee r r o r i s9.7 81 0-3,t h em e a na b s o l u t ee r r o r i s7.61 0-3,a n dt h e l i n e a r r e g r e s s i o nc o e f f i c i e n t o f d e t e r m i n a t i o n i s0.9 7 92,i n d i c a t i n gt h a t t h ee s t a b l i s h e dm o d e l h a s r e a s o n a b l ea c c u r a c y,r o b u s t n e s sa n dg e n e r a l i z a t i o na b i l i t y.F i n a l l y,P I-N e tw a sa p p l i e dt oe v a l u a t e t h eP Io f s e v e r a l t y p i c a lB Fd e s i g n e dt o w a r d l o wc a r b o no p e r a t i o n sa n de x p l o r e t h e f e a s i b i l i t yo f t h e s ep r o p o s a l sd u e t ob e i n gr e s t r i c t e db yP I.K e yw o r d s:b l a s t f u r n a c ep e r m e a b i l i t y;b i gd a t a;n e u r a l n e t w o r km o d e l;l o w-c a r b o nb l a s t f u r n a c e;p r e d i c t i o nm o d e l基金项目:国家自然科学基金面上资助项目(5 2 0 7 4 0 7 9,5 2 2 7 4 3 2 8);中央高校基本科研业务费交叉融合发展资助项目(N 2 1 2 5 0 1 8)作者简介:王 帅(1 9 9 7),男,硕士生;E-m a i l:2 5 4 9 3 3 3 9 0q q.c o m;收稿日期:2 0 2 2-1 2-2 0通信作者:李 强(1 9 7 8),男,博士,副教授;E-m a i l:l i q s mm.n e u.e d u.c n第7期王 帅,等:联合大数据和神经网络的高炉透气性预报模型 炼铁高炉是一个涉及许多传输现象和化学反应的多相高温反应器,而且它被公认为是化学和冶金领域最复杂的反应器之一1-5。高炉的块状带本质上是由焦炭颗粒与矿石颗粒交替填充构成的移动床,它的透气性主宰着煤气流分布、压降、传热及还原反应的进行6-7,进而影响着高炉生产效率、炉况稳定性和可行性。特别是在低碳高炉操作时,由于作为料柱骨架的焦炭减少,焦比大幅降低,料柱内的透气性会急剧恶化8-1 2。考虑到透气性对高炉生产的重要影响,准确有效地预测透气性不仅对当前用于生产的传统高炉有提高效率、避免炉况波动的现实意义,更重要的是可以为低碳高炉的设计与实现,尤其是在受料柱透气性约束方面提供基础依据。在高炉生产中,透气性指数一般通过入炉冷风流量与热风入口压力和炉顶压力之差的商计算得到,因此在实际生产过程中,透气性指数往往后验获得。若能基于生产数据先验预报,对高炉稳定生产和对异常的炉况及时做出相应调整,将起到非常关键的作用1 3-1 5。此外,针对低碳高炉焦比大幅降低的要求,其透气性必然需要额外关注,但在设计阶段无法有效获得设计低碳高炉工艺条件下的透气性指数情况及规律,从而不能推断在此条件约束下其设计参数的可行性。因此,若能有方法对设计的低碳高炉进行透气性指数和相关关键参数关联,从而进行预报,对高炉面向低碳操作工艺的跃升将具有重要价值1 6-1 7。神经网络模型,尤其是近年发展起来的深度神经网络模型对解决复杂高维的函数和探究隐式规律有着很大的优势,虽在冶金领域的研究和应用极为有限,但也表现出广阔的应用前景1 8-2 9。如崔桂梅等2 5通过改进T a k a g i-S u g e n o模糊回归神经网络,建立了高炉铁水温度的预测模型,其研究表明该模型有较好的预测性能。Z HOUP等2 6通过借助主成分分析(P C A),提出了一种基于改进极限学习机(E LM)模型,用于铁水硅含量的预测,研究表明,该模型有更好的模型精度、更快的学习速度。WANGYT等2 7提出了一种煤粉喷射(P C I)堵塞和焦炭粒度分布的智能检测方法,结果表明,该方法能够检测P C I堵塞和焦炭粒径分布。然而,基于深度学习或机器学习在高炉透气性方面的研究极其有限,还处于起步探索阶段。因此,本文首先对影响高炉透气性的关键性参数进行分析。其次,将分析所得的参数进行数据处治、清洗和归一化处理以满足神经网络的需要。然后,通过这些特征参数,实现了透气性指数的预测,并使用评估参数对模型的准确性进行了校核。最后,对典型低碳高炉的透气性进行了分析研究。1 数据准备1.1 数据收集本研究选取了5 6个影响高炉生产的关键性参数(关键性参数指对高炉的正常运行会产生影响的参数),选择这些参数的主要原因是基于与操作工人、炼铁专家交流,并基于大量文献调研3 0-3 2基础上选取。此外也考虑了现场数据的可采集和可获得性。但需阐明,这些变量的选择具有一定主观性且有进一步提高空间。在选取的5 6个参数中透气性指数为预测的目标值,其余的参数为特征变量。选取的5 6个参数见表1。表1 选取5 6个影响高炉生产的关键参数T a b l e1 C h o o s i n g5 6m a i nv a r i a b l e sw h i c ha f f e c tp r o d u c t i o np r o c e s so fb l a s t f u r n a c e序号输入变量序号输入变量序号输入变量1风机风量2 0理论燃烧温度3 9S Z D 32炉腹煤气量2 1火焰温度4 0S Z D 43高炉风量2 2炉顶温度14 1S Z D 54热风压力2 3炉顶温度24 2S Z D 65风温2 4炉顶温度34 3S Z D 76顶压2 5炉顶温度44 4S Z 87压差2 6炉喉温度14 5S Z X 78抗阻指数2 7炉喉温度24 6S Z X 49透气性指数2 8炉喉温度34 7S Z X 31 0实际风速2 9炉喉温度44 8S Z X 21 1鼓风动能3 0炉喉温度54 9S Z X 11 2喷煤量3 1炉喉温度65 0软水流量1 3富氧量3 2W值5 1压力1 4综合负荷3 3Z值5 2T进1 5燃料比3 4C O2体积分数5 3T出1 6大气温度3 5C O体积分数5 4水温差1 7湿度3 6H2体积分数5 5高压水流量1 8C C T3 7C O利用率5 6高压水压力1 9料线3 8S Z D 1 注:C C T为十字中心测温温度;W值为中心气流温度和净煤气管道温度的比值;Z值为边缘四点气流温度的平均值和净煤气管道温度的比值;S Z D 1、S Z D 3、S Z D 4、S Z D 5、S Z D 6、S Z D 7分别为十字测温东部1、3、4、5、6、7号位置的温度;S Z 8为十字测温的中心温度;S Z X 1、S Z X 2、S Z X 3、S Z X 4、S Z X 7分别为十字测温西部1、2、3、4、7号位置的温度;T进、T出分别为高炉水管的进水温度和出水温度。对 现 场 采 集 的 数 据 分 析 发 现,S Z 8、S Z D 3、S Z D 4、S Z D 6、S Z D 7、S Z X 7、S Z X 4、S Z X 3、S Z X 2和S Z X 1可能存在许多不合理的值,必须结合相应的方法对其进行清洗剔除。本研究使用箱线图法对异常数据进行了初步处理。箱线图可以展示一组数据74钢 铁第5 8卷的一些关键特征,包括最大值、最小值、中位数以及上下2个4分位数,箱子的高度在一定程度上反映了数据的波动程度,箱子外部会有一些点,可以理解为数据中的异常值。针对典型的数据,图1中所示为一个箱线图处理顶压(D Y)异常数据的实例。在顶压箱线图中,黑色长方体为顶压的正常值范围,箱体两端的误差棒为1.5倍误差范围内的顶压数值,虚线为顶压的平均值,实线为顶压的中位数,空心圆点为顶压的异常值。从图1中不难看出,顶压的数据中存在许多异常值,在创建大数据集时这些异常数据将被剔除。图1 顶压数据分布的箱线F i g.1 B o x-p l o t o f t o pp r e s s u r ed a t ad i s t r i b u t i o n同理,使用箱线图法对上述表中变量分别进行了识别,发现收集数据中的异常值并删除。经过上述方法进行数据处理后,将初始选择的5 6个变量的异常数据进行了初步的清洗和剔除,形成构建透气性指数的初步数据集。1.2 数据处理由于高炉每个参数之间存在着十分复杂的关联,为了全面地了解各个参数之间隐藏的关系,本研究通过P e a r s o n相关系数3 3对透气性指数数据集进行相关性分析,其结果如图2所示。P e a r s o n相关系数的计算公式为rX Y=C o v(X,Y)ni=1(Xi-X)2n-1ni=1(Yi-Y)2n-1(1)式中:rX Y为样本特征变量X和Y的P e a r s o n相关系数;X、Y分别为样本特征变量X和Y的均值;C o v(X,Y)为样本特征变量的协方差;Yi为用于参考的特征参数数列;Xi为用于比较的特征参数数列;n为某个特征参数的数据数量;i为此特征参数的循环变量。本研究中P e a r s o n相关系数的数值越接近1,2个所选高炉参数之间的相关性越强。在图2中,有一部分相关性系数大于0.5,也有一部分相关性系数小于0.5。这是因为P e a r s o n相关性系数是用来度量服从正态分布的2个特征变量之间的线性相关性关系,而不能表明特征变量之间的非线性关系,因此将对特征参数之间的非线性关系作进一步分析。图2 不同参数的P e a r s o n系数相关性热力图F i g.2 H e a tm a po fP e a r s o nc o e f f i c i e n t c o r r e l a t i o nb e t w e e nd i f f e r e n tp a r a m e t e r s于是,本研究进一步使用灰色关联分析(G R A)方法3 4对透气性指数数据集不同特征之间的非线性关系进行分析。在使用灰色关联分析方法时,首先要对收集的原始数据进行无量纲处理,其次确定主序列y和子序列xi,然后由式(2)和式(3)计算其灰色关联系数和关联度。从图3可以看出,所有特征参数(特征参数是经过关联性分析预处理后,对透气性指数有独立且较为重要影响的参数,具体指神经网络模型输入的关键性参数)之间的灰色相关系数都大于0.7 5,具有较高的相关性。因此,将这些特征参数制作为数据集并用于后续研究。i(k)=im i nkm i ny(k)-xi(k)+im a xkm a xy(k)-xi(k)y(k)-xi(k)+im a xkm a xy(k)-xi(k)(2)图3 大数据集中不同特征之间的G R A系数热力图F i g.3 H e a tm a po fG R Ac o e f f i c i e n t sb e t w e e nd i f f e r e n t f e a t u r e s i nb i gd a t a-s e t84第7期王 帅,等:联合大数据和神经网络的高炉透气性预报模型ri=1Nnk=1i(k)(3)式中:i(k)为y(k)和xi(k)在第k点时的关联系数;ri为y(k)和xi(k)的关联度;为灰色分辨系数,取值区间为(0,1);N为特征变量的数据数量;im i nkm i ny(k)-xi(k)为两级最小差;im a xkm a xy(k)-xi(k)为两级最大差;y(k)为用于参考的特征参数数 列;xi(k)为 用 于 比 较 的 特 征 参 数数列。通过上述方法确定了用于预测透气性指数的特征参数,主要变量由原来的5 6个减少为4 5个,其中包括4 4个影响透气性指数的特征参数(神经网络的输入变量)以及模型的输出值(透气性指数)。透气性指数在模型训练时作为神经网络误差反传的监督值;在模型应用时,其为待预测的变量。另外需要注意的是,在收集的原始数据的透气性指数中存在一些偏离正常值范围的数据,因此本文给出了典型数据清洗实例,如图4所示,其中图4(a)为原始数据。从图4(a)中不难发现存在的异常数据,因此本研究根据式(4)和式(5)对数据进行了筛选,从而剔除异常数据。(a)原始数据;(b)清洗后数据图4 典型数据清洗实例F i g.4 At y p i c a l e x a m p l e f o rd a t ac l e a n i n g=xi-xixi(4)xi=(i+2 5l=i-2 5yl)5 0(5)式中:为第i个透气性指数与真实数据(这里的真实数据为第i个值相邻5 0个数的平均值)的绝对误差,如果i2 5或iN-2 5,那么就以第2 5个或第N-2 5个的平均数计算绝对误差;xi为透气性指数原始数值;xi为透气性指数原始数值的平均值;yl为在透气性指数原始数据中连续截取的部分数值。本研究剔除了绝对误差大于2 0%的数据,并建立数据集,剔除异常后的数据可视化如图4(b)所示。在高炉生产的数据中,由于各个特征变量或参数之间存在数量级的差异,这种差异会影响模型的收敛和模型预测的准确性、真实性,因此通常采用标准化和归一化使得同一特征内数据分布不变,而不同参数之间的影响趋于相同,从而使模型可以快速收敛,找到最优解。本研究采用最小最大归一化,其计算公式为Xn o r mi=Xi-Xm i nXm a x-Xm i n(6)式中:Xn o r mi为归一化后的特征参数;Xi为原始特征参数;Xm a x、Xm i n分别为原始特征参数的最大值和最小值。1.3 数据集的建立从生产现场收集的原始数据经过上述的数据处理和特征参数筛选,最终本研究共收集了53 8 04 5组数据,并建立了透气性指数数据集。透气性指数数据集被随机分为3组:8 0%数据(43 0 44 5组数据)被用来训练神经网络,这组数据用于用反向传播方法寻找权重和偏置值;1 0%数据(5 3 84 5组数据)用于验证模型预测值与真实值的差距,如果验证数据集的网络性能未能改善,可以根据该结果确定停止点,以防止网络过度拟合训练数据集;由于验证数据集间接影响了神经网络的权重和偏差,剩下的1 0%的数据(5 3 84 5组数据)被用来做测试,因为这个数据集在训练阶段没有使用过,被用来进一步检查网络的鲁棒性和泛化能力。94钢 铁第5 8卷2 模型建立在本研究中,输入特征为4 4个特征参数,包括高炉风量、热风压力、风温、顶压、压差等。输出特征为透气性指数。本研究建立了透气性指数预测模型(P I-N e t),该模型由输入层、3层隐藏层和输出层构成,每层神经元的个数以及神经网络的连接方式如图5所示。图5 P I-N e t模型网络结构示意F i g.5 I l l u s t r a t i o no fn e u r a l n e t w o r ks t r u c t u r eo f e s t a b l i s h e dP I-N e tm o d e l该模型中,激活函数采用修正线性激活(R e L u)函数,其表达式为fR e l u(x)=m a x(0,x)(7)式中:x为输入的拟合权值;fR e l u(x)为经过激活函数的输出值。在网络中,使用批标准化将数据集划分为小批次数据,并对每一小批数据分别做标准化处理将偏离0均值的数据重新归置到0附近,使得小批次数据符合标准正态分布。此外,为防止网络过拟合,在网络的隐藏层中随机舍弃3 0%的神经元。由于本研究的目标是预测透气性指数,需要建立回归模型,因此使用均方误差(SME)函数来计算网络输出误差,其公式为SME=1mmi=1(yi-ti)2(8)式中:yi、ti分别为网络的输出值和目标值;m为每批输入网络数据的个数。均方误差会根据网络的权值和偏差计算网络输出值与目标值的差距,不断地迭代计算,直到下降到预设值以下或达到其他预设条件才会终止3 5-3 6。3 模型性能与适用性将透气性指数的训练集、验证集分别加载到上述的网络中,得到图6所示的模型训练结果。从图6中可以看出,经过5 0轮的迭代计算,虽然模型的训练集误差损失仍在不断下降,但是验证集的误差损失已经基本不再变化。在训练第3 3轮时,验证集的误差损失最小,将此模型保存用于后续模型性能测试。图6 网络训练集和验证集的误差损失对比F i g.6 C o m p a r i s o no fn e t w o r ke r r o r l o s sb e t w e e nt r a i n i n ga n dv a l i d a t i o nd a t a-s e t s根据验证集的最小误差损失,找到最优的透气性指数模型并加载,将模型未见过的测试集数据导入最优模型用于透气性指数的预测,预测结果如图7所示。图7 P I-N e t模型的预测结果F i g.7 P r e d i c t i o nr e s u l t so fP I-N e tm o d e l在图7中,实心圆点为归一化后现场采集的透气性指数(即真实值),空心圆圈为透气性指数模型的预测值。从图7中可以看出,预测值与真实值相近,预测模型对于未见过的数据也能进行较准确的预测,因此该模型具有较好的泛化性。模型预测结果的评估指标数据见表2。从表2可以进一步看出该模型的优越性。该模型不仅有较小的误差、较高的模型相似系数,还有较少的训练时间和预测时间。05第7期王 帅,等:联合大数据和神经网络的高炉透气性预报模型表2 评价模型预测结果的指标T a b l e2 M e t r i c s f o r e v a l u a t i n gp r e d i c t i o nr e s u l t so fm o d e l模型名称均方误差均方根误差平均绝对误差线性回归决定系数R2总时间/m i nP I-N e t9.61 0-59.7 81 0-37.61 0-30.9 7 92约2 0 进一步将本模型应用到几例典型低碳高炉的设计并进行透气性预报,以期探索低碳高炉设计的可行性,具体工艺参数来源于文献3 7,数据见表3。文献设想的低碳高炉仅改变工艺参数而不改变高炉炉型参数,其研究表明加入煤粉和天然气对降低碳排放有积极作用,但是并未给出在加入煤粉和天然气尤其是焦比降低后对高炉透气性的影响。本研究从透气性角度(其决定了低碳高炉是 否 可 行)应 用P I-N e t对 高 炉 透 气 性 进 行 了预报。表3 文献中设计的低碳高炉工艺参数T a b l e3 P r o c e s sp a r a m e t e r so f l o w-c a r b o nb l a s t f u r n a c e s f r o mr e f e r e n c e参数名称实例1实例2参数名称实例1实例2风机风量/(m3m i n-1)68 0 068 0 0火焰温度/22 9 522 9 5风温/12 4 012 4 0炉顶温度1/1 7 71 7 7喷煤量/(k gt-1)1 8 01 4 0炉顶温度2/1 6 41 6 4富氧量/(m3h-1)2 75 6 7.53 35 3 4.0炉顶温度3/1 6 71 6 7燃料比/(k gt-1)4 9 3.2 44 7 6.4 4炉顶温度4/1 6 91 6 9大气温度/2 52 5炉喉温度1/5 05 0湿度/(gm-3)2 02 0炉喉温度2/5 05 0理论燃烧温度/21 4 021 8 9炉喉温度3/5 15 1C O2体积分数0.2 4 410.2 4 36炉喉温度4/4 94 9C O体积分数0.2 4 180.2 4 59炉喉温度5/5 15 1H2体积分数0.0 3 560.0 4 50炉喉温度6/4 74 7C O利用率0.5 0 190.4 9 72W值0.5 30.5 3炉腹煤气量/(m3m i n-1)87 1 387 1 3Z值5.3 35.3 3高炉风量/(m3m i n-1)61 7 861 7 8十字测温东1/8 68 6热风压力/k P a4 0 44 0 4十字测温东5/1 2 21 2 2压差/k P a1 7 71 7 7软水流量/(m3h-1)71 1 271 1 2抗阻指数2.7 32.7 3软水压力/k P a0.9 40.9 4实际风速/(ms-1)2 7 92 7 9T进/3 7.6 13 7.6 1鼓风动能/(k gms-1)1 53 6 51 53 6 5T出/4 0.1 54 0.1 5综合负荷3.2 33.2 3水温差/2.5 42.5 4C C T/3 6 43 6 4高压水流量/(m3h-1)16 7 316 7 3料线/m1.51.5高压水压力/MP a1.4 51.4 5 本研究2组工艺参数的假设值相同,第1组数据中的焦比为3 1 3.2 4k g/t,第2组数据中的焦比为3 3 6.4 4k g/t,通过模型预测得到第1组数据的透气性指 数 为0.5 1 0,第2组 数 据 的 透 气 性 指 数 为0.3 2 9。为了与实际生产相统一,本研究通过反归一化方法得到第1组数据的透气性指数为3 8.2,第2组数据的透气性指数为3 5.1,因此,第2组数据建立的低碳高炉的透气性要优于第1组的,并且符合预想。由此可知,该模型应用于低碳高炉的设计是可行的。4 结论本文通过对高炉生产过程产生的大数据进行特征选择和数据处理、模型性能评估以及假设事例验15钢 铁第5 8卷证的研究分析,建立了基于现场生产大数据和神经网络机器学习方法的透气性指数预报模型,并得出以下结论:1)本研究通过P e a r s o n相关系数和灰色关联系数分析了影响高炉透气性的现场关键性参数,从而确定了4 4个影响高炉透气性指数的参数,包括高炉风量、热风压力、风温、顶压等。2)根据现场收集数据的具体情况,给出了数据清洗方法,包括数据值缺失、数据值异常等处理方法,并采用最大最小归一化方法解决了各个特征之间存在数量级差异的问题。结果表明,以上数据处理方法有利于提高模型收敛速度。3)建立了基于现场真实数据的透气性指数预测模型(P I-N e t),并通过均方误差、均方根误差、平均绝对误差和R2对其性能进行了综合评估。结果表明,该模 型 有 较 高 的 准 确 性(均 方 误 差 为9.61 0-5,R2为0.9 7 92)。4)针对文献中设计的低碳高炉工艺参数的实例,采用建立的P I-N e t模型预测了典型工况下低碳高炉的透气性指数,表明了P I-N e t模型在低碳高炉设计方面应用的可行性。参考文献:1 C A S T R OJ,N O GAM IH,YA G I J I.T h r e e-d i m e n s i o n a lm u l-t i p h a s em a t h e m a t i c a lm o d e l i n go ft h eb l a s tf u r n a c eb a s e do nt h em u l t i f l u i dm o d e lJ.I S I J I n t e r n a t i o n a l,2 0 0 2,4 2(1):4 4.2 D ONGXF,YU AB,C HEW SJ,e ta l.M o d e l i n go fb l a s tf u r n a c ew i t h l a y e r e dc o h e s i v e z o n eJ.M e t a l l u r g i c a l a n dM a-t e r i a l sT r a n s a c t i o n sB,2 0 1 0,4 1(2):3 3 0.3 KUAN GSB,L IZY,YUAB.R e v i e wo nm o d e l i n ga n ds i m-u l a t i o n o fb l a s tf u r n a c eJ.S t e e lR e s e a r c hI n t e r n a t i o n a l,2 0 1 8,8 9(1):1 7 0 0 0 7 1.4 H S U K W,K O YC.A n a l y s i so fo p e r a t i o np e r f o r m a n c eo fb l a s t f u r n a c ew i t h m a c h i n el e a r n i n g m e t h o d sM/U t i l i z i n gB i gD a t aP a r a d i g m sf o rB u s i n e s sI n t e l l i g e n c e.I G I G l o b a l,2 0 1 9:2 4 2.5 P A R KTJ,M I NSK,K I M H,e t a l.O b s e r v a t i o no f t h e e f f e c to fv a r i o u so p e r a t i n gf a c t o r so nc o h e s i v ez o n eu s i n gt h eb l a s tf u r n a c e i r r e g u l a r i t ys i m u l a t o rJ.S t e e lR e s e a r c h I n t e r n a t i o n-a l,2 0 2 1,9 2(2):2 0 0 0 3 1 5.6 L IQ,T AN GR,WAN GS,e ta l.Ac o u p l e dL E S-L BM-I MB-D EM m o d e l i n gf o re v a l u a t i n gp r e s s u r ed r o po fah e t e r o g e n e-o u sa l t e r n a t i n g-l a y e rp a c k e db e dJ.C h e m i c a lE n g i n e e r i n gJ o u r n a l,2 0 2 2,4 3 3(2):1 3 3 5 2 9.7 L IQ,GUOS,WAN GS,e ta l.C F D-D EMi n v e s t i g a t i o no np r e s s u r ed r o p s o f h e t e r o g e n e o u s a l t e r n a t i v e-l a y e r p a r t i c l eb e d sf o rl o w-c a r b o n o p e r a t i n g b l a s tf u r n a c e sJ.M e t a l s,2 0 2 2,1 2(9):1 5 0 7.8 张军,严铁军,席玮城.焦炭质量提升对高炉冶炼的影响分析J.冶金能源,2 0 2 2,4 1(4):1 5.(Z HANGJ,YANTJ,X IWC.I n f l u e n c ea n a l y s i so fc o k eq u a l i t yi m p r o v e m e n to nb l a s tf u r n a c e s m e l t i n gJ.E n e r g y f o r M