对基于数据驱动的高炉冶炼过程喷煤优化研究.docxVIP

?

?

对基于数据驱动的高炉冶炼过程喷煤优化研究

?

?

胡晓星

摘要：噴煤是高炉冶炼过程中的工艺之一，可以有效提升煤的利用效率，设法提升高炉控制的精确性，能够进一步实现资源的有效利用。基于此，本文以高炉冶炼过程喷煤优化思路作为切入点，给出多参数平行调整、统一化的控制等基本理论，再以此为基础，论述基于数据驱动的控制模型建立，给出关键性的技术和方案，最后通过模拟分析使上述理论得到系统说明，为后续工作的优化提供参考。

关键词：于数据驱动；高炉冶炼；喷煤工业；有线通信

前言：在高炉冶炼的工程中，煤是主要的工作能源，为加强煤与空气的接触有效性，提升其燃烧效率，通常需要对煤进行粉碎处理，使其呈现粉末状，之后再通过压缩空气喷吹罐提供压力，通过管道与喷枪，将煤粉持续喷入高炉，保证喷煤流程的顺利进行，维持高炉内部燃烧。数据驱动的目的在于提升全过程的工作精度和资源使用效率。

1.高炉冶炼过程喷煤优化思路

1.1多参数平行调整

在高炉冶炼的过程中，喷煤作业是持续进行的，需要多个环节共同工作，包括喷枪、供气系统等等。尝试通过数据驱动优化高炉冶炼过程中的喷煤工艺，首先应将高炉工作的各个环节看做一个整体，进行多个参数的平行调整，使整个系统在工作中能够独立的完成各自工作。同时综合保证数据驱动的效果，如喷枪的压力和供气流量，二者的正相关关系明确，工作参数也应实时同步。

1.2统一化的控制

统一化控制，是指在数据驱动模式下，保证高炉冶炼的各个环节处于同一管理系统下，可以随时根据需要作出调整，实现“一键控制”的智能化作业，避免传统高炉工作的滞后性。该思路强调将智能技术应用于控制工作中，以多样化的工作模型作为参考，设定与之对应的工作程序，应用计算机等数字设备进行程序的一键切换，同时有效了解各个环节的工作态势和可能出现的问题，进行调整。

1.3自适应能力优化

自适应能力本质上看属于智能技术的一种延伸优势，在常规的高炉冶炼过程中，系统的各个工作参数都是固定的，在不经人员干预的情况下，会以固定参数持续进行工作。这即是说，即便工作负荷下降，喷枪和供气系统的工作强度也不会出现变化，会导致明显的浪费问题，也可能出现供料不足，要求以数据挖掘技术为基础，优化系统的工作能力，实现与工作要求的契合和自适应。

2.基于数据驱动的控制系统模型建立

2.1控制系统模型的主要组成部分

基于数据驱动的控制模型，主要由单片机、传感器、通信系统、辅助设备四个部分构成，以智能化控制为工作模式。单片机中收集不同工作负荷下系统的工作数据，并实现记忆，是整个控制系统模型的核心。传感器主要负责进行实时数据的收集，在高炉工作的过程中，其参数可能出现种种变化，这种变化又可以通过可捕捉的参数得到明确，包括温度、机械强度等等，由传感器进行收集，并传输给单片机。通信系统拟全部采用有线通信技术，对传感器收集所获数据进行传输，并单片机识别后下达的指令进行传递。辅助设备包括计算机硬件、数字化设备等。如单片机完成信息识别、下达了参数调整命令后，可以通过数字化设备实时展示给管理人员，使其了解高炉工作参数的变化。

2.2匹配模型的建立

匹配模型的建立，是保证整个控制系统能够发挥作用的核心措施，要求以降维训练的方式构建海量模型，指导系统作业和智能化调整，结合一般高炉的工作需要，拟收集至少2000个样本进行数据处理，为数据驱动工作提供基础，应用K近邻算法或随机森林法作降维训练。以常规高炉作业作为对象，设定训练维度包括系统温度、机械强度、齿轮转速、电流强度等指标（根据需要具体设定），每一个维度生成一个定义域做机器训练。以K近邻算法为例，2000个样本中，每个样本都含有不同维度的信息，且该信息必然是稳定不变的，在定义域内，所有维度的数值都呈现数列形式：

X=[……X-3；X-2；X-1；X；X1；X2；X3……]

数列内的所有数值共同构成了高炉工作的正常参数值，之后在定义域内设置若干标准K点（如10%负荷、30%负荷、50%负荷、90%负荷等），将所有样本投入到定义域内，根据分布情况，使单片机实现常规工作下，各项参数（维度）的记忆。当高炉工作中任意参数出现异常，单片机都可以识别，并发出警报[1]。

2.3通信与指令下达

在高炉工作的过程中，传感器完成数据收集、单片机完成信息辨识后，相关信息的传递受到一定干扰。可行的通信方式包括三种，即有线通信、无线通信和超短距无线通信。三种方式中，有线通信维护难度大、建设成本略高，无线通信建设难度大、抗干扰要求高，超短距无线通信则面临技术方面的制约，运维难度也较大。三者的优劣势如表1所示[2]。

结合表1信息可以发现，在通信效果上，有线通信的结果组理想，考虑到高炉工作的长期性需要，选取有线通信的方式较为妥当。

3.模拟分析

3.1高炉冶炼喷煤模拟流程

应用计算甲建立控制系统模型，以此前收