高炉炼铁是钢铁行业的上游主体工序,作为国民经济的支柱产业的重要组成部分,它对钢铁工业的发展和节能降耗都起到了重要的作用。高炉冶炼过程是一个非常复杂的过程,它的运行机制往往具有时滞性、非线性等特性。高炉炼铁过程的炉温预测模型研究,一直都是炼铁自动化中的难题。能对炉温变化趋势的做出准确判断,将有助于提高工长的操作水平,从而达到提高高炉利用系数和降低焦比的目的。支持向量机是源于统计学理论,发展起来的机器学习的一种算法,它能很好地解决高维数、小样本、非线性、局部极小点等实际问题。目前,它已被广泛应用于函数逼近、模式识别、数据挖掘等领域。论文从包钢6#高炉(2500m3)2009年1月6号至7月5号的生产日报中,选取数据,通过相关系数的计算,分析了高炉冶炼过程中的控制变量(风量、风温、热风压、喷煤量)和状态变量(炉顶压、综合负荷)与高炉铁水硅含量[Si](高炉铁水含硅量反映了高炉的化学热,可以用来表示炉温)的相关性,判断各个参数对炉温控制的滞后时间,并在此基础上,建立了基于核主元分析和支持向量机的高炉向凉向热预测模型。论文主要包括以下四个方面的内容:高炉炼铁、高炉专家系统的概述;高炉冶炼过程状态参数和控制参数的分析;核主元分析和支持向量机方法;基于核主元分析和支持向量机的高炉向凉向热分类模型。论文选取了120组数据作为样本数据,用60组作为学习样本,60组作为测试样本。用测试样本对通过学习样本建立的模型进行检验,结果表明:向凉预测模型的识别率为95%,向热预测模型的识别率为100%。证明模型选择参数合理,具有较高的精度。
