基于SPC的高炉炉况异常检测研究

针对高炉冶炼过程复杂多变,影响高炉炉况的因素众多且运行过程复杂,为保证高炉炉况稳定顺行,开发了一种基于主元分析(PCA)和统计过程控制(SPC)的高炉炉况异常检测模型。由于高炉运行参数具有高耦合和非高斯的特点,该模型首先采用主元分析算法对高炉实际生产的历史离线数据进行聚类分析,然后应用基于T²统计量的多元控制图和单值控制图对聚类后的新变量和相关参数进行监测,从而达到监测高炉出现异常炉况的目的。该模型可以实时监测高炉炉况的异常波动,其中PCA算法将高炉本身的高维数据降到低维,大幅去除数据中的噪声和不重要特征,在实际生产和应用中,节省了大量的成本和时间。选取马钢某高炉炼铁过程为应用场景,结合数据特点调整和改进算法,通过历史数据模拟和实时在线运行验证模型的可靠性和算法的有效性,同时也对指导高炉实际操作技术做出了一定的贡献。     

高炉异常炉况判断专家系统的设计与实现

探讨了高炉异常炉况判断专家系统的结构,讨论了从传感器数据中抽取高炉况特征的方法,时态黑板结构与时间知识表示,对于炉况特征的模糊量化和专家知识中的参数设定,系统采用机器学习方法自动调整,对于高炉异常炉况的操作方法,系统采用规划－动作－反应方法向用出动国作建议,并对所动作动作建议实现实时的重构解释。     

高炉炉况预测模型的研究现状及展望

高炉炉况对高炉冶炼过程具有至关重要的影响,炉况的好坏直接影响生铁成本.高炉炉况预测模型分为基于知识和基于数据两大类,基于知识的预测模型难以应用于在线系统,但加深了人们对高炉冶炼过程的理解;基于数据的预测模型大多可在线应用,但缺少对高炉知识的应用.高炉炉况预测模型的发展方向是建立基于知识与基数据相结合的高炉炉况预测模型.     

高炉炉况的动态辨识

用ＧＰ算法以及修正ＧＰ算法对高炉风量、料柱压差、鼓风压力等高炉过程变量时间序列的相关维数进行了移动估算和预报能力分析。结果表明：在研究范围内不能发现高炉炉况吸引子存在；而预报能力的变化与高炉炉况变化前兆之间存在明显对应关系，可用于炉况辨识。     

基于自回归分布滞后模型的高炉铁水硅含量的预报

高炉冶炼过程中,铁水硅含量是评定高炉炉况稳定性和生铁质量的重要指标,其预测和控制对高炉的稳定顺行有重要意义.基于包钢6号高炉的生产数据,建立差分时间序列的自回归分布滞后模型对高炉铁水硅含量进行预测.结果表明:在炉况波动较小的情况下,该模型的预测命中率能达到87.5%,对实际的生产操作过程有一定的指导意义.     

多元时间序列模式异常研究

为了提高多元时间序列模式异常检测算法的有效性和合理性,在k-近邻局部异常检测算法的基础上,结合基于主元分析的多元时间序列的降维方法,对多元时间序列模式异常进行检测.实验结果验证了该算法对多元时间序列模式异常检测的准确性和有效性.     

高炉异常炉况判断专家系统及神经网络的实现

提出高炉异常炉况判断专家系统原理及实现方法。针对一般专家系统知识获取“瓶颈”现象，引入神经网络实现高炉异常炉况判断。仿真结果表明，这种方法实用可行，为高炉异常炉况判断采用神经网络实现提供了１个很好的实例。     

基于分类回归树的高炉铁水硅含量预测模型

针对高炉铁水硅含量的预测问题,作者探索出基于分类回归树算法的建模策略,为高炉炉温控制提供了新的可选思路.针对某高炉的在线生产数据,分别建立了分类回归树预测模型和支持向量机预测模型,并从命中率、均方根误差对模型的性能进行了分析.结果表明:分类回归树模型的预测精度整体优于支持向量机模型,尤其在炉况波动较大时预测效果较好.     

高炉布料过程仿真与决策系统

针对高炉布料过程中人工决策无法得到稳定、满意的径向矿焦比值及炉况发生变化时不能及时做出准确的布料调整,提出了基于操作优化的高炉布料仿真和决策系统.以高炉多层布料料面对应的径向矿焦比值与满意值的偏差最小为目标函数,建立高炉布料操作优化模型,用差分进化算法对该模型求解.本系统在某高炉实际运行后提高了炉况的稳定性,满足了工业现场科学稳定地控制径向矿焦比等技术指标的要求,同时在炉况变化时及时给出了布料调整方案.在工业实际运行中验证了该系统的有效性.     

一种基于PCA的时间序列异常检测方法

在 k-近邻局部异常检测算法的基础上,采用基于主成分分析的多元时间序列的降维方法,依据累积贡献率选择主成分序列,给出了一种效率较高的多元时间序列异常检测算法.实验结果表明:该算法可以较好地提高多元时间序列异常检测的效率