基于FEA和DNN的高炉炉缸侵蚀状态监测模型

现阶段,国内高炉的自动化程度已基本覆盖正常生产需求,对于高炉炉缸部位的监测手段大多采用热电偶温度监测技术实现,而由于高炉生产工艺的复杂性和生产环境的恶劣性,高炉炉缸内部直接监测手段几乎无法实现,因此采用智能模型对炉缸侵蚀状态进行监测成为高炉炼铁发展的新趋势。简述了高炉炉缸砌筑的结构,结合高炉生产特点确定炉缸区域的传热模型及求解条件。利用正交试验法实现高炉炉缸不同侵蚀状态的划分和组合,得到共59组炉缸侵蚀形状样本且边界形貌基本覆盖训练全域。将1 150℃等温线作为炉缸侵蚀线,利用有限元算法完成不同炉缸侵蚀状态下温度场的可视化并构建炉缸侵蚀样本数据库实现炉缸炉底侵蚀样本的采集。通过深度神经网络模型建立热电偶数据和炉缸侵蚀边界的对应关系,拟合优度R2达到0.802,相较于随机森林算法、BP神经网络算法、单独线性回归组合算法拟合优度分别提高56.64%、26.50%和84.37%,达到指导生产的精度要求。对比利用停炉前实际数据监测侵蚀形貌结果和停炉后的实际侵蚀状态,得出侵蚀监测结果符合实际炉缸侵蚀状态形貌的结论,验证了炉缸侵蚀状态监测模型的可靠性。利用高炉炼铁工业互联网平台的真实生产热电偶数据实现炉缸侵蚀边界的精确可视化,助力炼铁工业由生产制造向智能制造的转型升级。

高炉炼铁数据缺失处理研究初探

针对高炉炼铁过程中的数据缺失问题,提出以单维结合多维的系统化数据填补模式。总结并阐述数据缺失填补办法的发展现状以及优劣势比较。在此基础上,通过对河北某钢铁厂的实际高炉生产数据进行分类比较,并结合填补办法的优缺点,针对高炉炼铁数据提出一套以简单统计类办法、线性插值法、机器学习法等多种办法相结合的方案,以实现高炉数据的深度整合及处理,满足数据挖掘工作的供数需求。同时选取了炉顶温度、氧气管道温度作为数据样本,利用临近点中间值法、临近点均值法、线性插值法、Adaboost算法等对样本数据进行了填补且填补效果较为理想,充分验证了方案的可行性。

高炉炼铁工业互联网平台的应用

随着工业互联网平台技术的不断提升,高炉炼铁领域的数字化和智能化升级势在必行。为了解决高炉炼铁信息自动化体系在数据采集、存储、分析及应用等方面存在的问题,迫切需要构建高炉炼铁工业互联网平台。论述了工业互联网平台的发展现状,针对高炉炼铁领域的数据分析挖掘需求,搭建高炉炼铁工业互联网平台。阐述了平台整体架构中边缘层、基础设施层、平台层和应用层的结构逻辑,通过工业互联网技术实现数据传输、存储、处理、调度、业务建模、数据交互分析、智能应用等多项功能。探讨了基于平台以解决生产实际痛点为出发点的智能应用的建立过程。高炉炼铁工业互联网平台的建立对炼铁工业的转型升级具有重要的现实意义。

高炉炼铁数据离群筛选办法

针对高炉炼铁过程中的数据离群问题,首先根据数据的不同特点对数据类型进行划分,选定针对性数据离群筛选办法,利用河北某钢铁企业的数据样本结合数据的实际状况进行分析,采用全局结合局部多层次的改进型箱线图离群筛选办法,对时序类数据进行筛选;采用以差值、目标参数强关联性数据为条件对K-means算法进行优化,对关联性数据的离群值进行筛选;针对周期性统计类数据的分布聚集性特点结合数据实际情况,基于K-means算法采用差异化、多层次数据聚类分析,对其进行离群筛选。结果表明:采用的针对性办法对数据的离群筛选效果较为理想,充分验证了方法的可行性。

一种基于深度神经网络的烧结料层透气性预报模型

为了保证整个烧结生产过程的顺利进行,通过对承钢2号烧结厂数据库中的数据进行采集、整合和预处理,运用相关性分析筛选出与料层透气性相关的重要特征变量,基于深度神经网络算法建立料层透气性预报模型,以即时为现场操作人员提供科学的操作指导。通过测试并与随机森林模型、支持向量机模型进行性能对比,结果表明,深度神经网络具有很好的预测效果,可实现对料层透气性的精准预测,对优化烧结现场的操作效果具有很好的指导意义。