高爐煉鐵是一個非常復雜的工業過程，具有如下特征：大時滯、多場耦合、動態分布參數、間歇式和連續式操作模式并存、強非線性、多變量耦合和變量類型混雜等。這些復雜的運行特征隨生產條件變化而變化，受原料成分、運行工況、設備狀態等多種不確定因素的干擾，難以用精確的數學模型描述。 在高爐煉鐵過程中爐溫的預測意義重大。爐溫過高會導致焦比升高，生產成本增高，并降低高爐壽命；爐溫過低會導致爐內反應熱不足，生鐵產量降低，甚至有可能會引發高爐事故。影響爐溫的工藝參數非常多，許多參數無法實時檢測，很多參數對爐溫的影響是滯后的，如果等到爐溫發生明顯變化時再采取操作方針去調節爐溫，此時爐溫的波動就已經形成了。高爐操作者必須能夠對爐溫的變化趨勢做出提前的判斷，這樣才能采用合適的操作手段保持爐溫的穩定。 操作人員可以通過觀查高爐風口的明亮程度了解爐缸的熱狀況，風口窺視孔CCD輻射圖像灰度變化反映了風口輻射強度大小，可以較準確的表征風口回旋區的熱狀態。現有研究存在以下問題：一方面，由于高爐的復雜性導致生產條件和爐況不斷波動，現有的預測模型在原料、生產和操作條件發生改變時無法準確預測，需要根據某一高爐特定的生產條件建立與之對應的爐溫預測模型；另一方面，高爐是一個“黑箱”系統，風口窺視孔是高爐下部唯一能夠直接觀察到高爐內部熱狀態的手段，高爐操作者對風口圖像信息十分關注并將其作為預測爐溫的重要依據。但之前的研究很少考慮這一因素對爐溫預測的影響。 本文首先介紹了在節能減排的大背景下爐溫預測的重要性以及國內外研究進展，之后對高爐煉鐵工藝、重要參數以及風口圖像與爐溫預測的關系進行了詳細的描述，在此基礎上著重闡明本文的研究工作：首先提取風口圖像，使用數字圖像處理方法計算得出風口圖像平均灰度值，利用最小二乘法建立爐溫預測模型；接著將采集的高爐數據進行參數選取和數據預處理，基于數據建立爐溫預測模型；最后綜合利用高爐數據與風口圖像，建立BP神經網絡模型對高爐爐溫進行綜合預測，并使用遺傳算法對BP神經網絡模型進行優化，進一步提高預測的準確性。仿真結果證明該方法能準確預測爐溫，模型預測命中率比僅用風口圖像或高爐數據更高。該研究能為高爐操作者提供更可靠的爐溫信息，保證高爐順行，為高爐煉鐵的高效高產和節能降耗提供參考。
【學位單位】：內蒙古科技大學
【學位級別】：碩士
【學位年份】：2015
【中圖分類】：TF53
【部分圖文】：

很難通過具體的數學模型反映出來。（4）高爐煉鐵過程存在非穩定性和隨機性。爐溫的變化多是由多個參數綜合影響的，并且參數之間存在相互干擾，難以分析某單一條件對爐溫的影響，如圖1.2所示。（5）高爐參數對爐溫的影響存在著滯后性。不同參數的時滯不同，同一參數在不同條件下的時滯也不相同。正確判斷參數對爐溫的作用時間是建立爐溫預測模型的另一個難點。（6）對于某些的中小高爐，由于設備原因或者人為檢測時出現問題，導致檢測數據的缺失或者采集的數據不準確、不完整。另外，中小高爐原料成分復雜導致爐況波動較大。這些都是導致爐溫預測困難的重要原因。圖1.2 影響爐溫的工藝參數

物中還原出來，鐵礦石中的其他成分則與熔劑反應生成爐渣，未反應完全的煤氣到達高爐頂部后經過處理被輸送到其它系統。高爐煉鐵過程十分復雜，涉及到氣、固、液三相的交互作用，高爐的內部狀態如圖2.1所示。圖2.1 高爐內部狀態示意圖高爐的主體結構包括豎直柱狀爐殼及其內襯的耐火材料。耐火材料層通過水冷式金屬元件（稱為冷卻壁）冷卻，冷卻壁嵌在爐殼和耐火材料之間。高爐本體包括以下幾個部分：（1）高爐爐殼

爐缸的富氧鼓風和噴煤操作；出鐵、出渣以及成分化驗等。高爐各子工序流程圖如2.2所示。圖2.2 高爐與各子工序流程圖整個高爐煉鐵系統包含許多的操作環節，各個崗位的操作人員通過與主控制室的信息交流，達到整體調配和協調控制，保證所有的操作環節形成完整的整體。當其中一個
【參考文獻】

相關期刊論文 前8條

1 羅世華;劉祥官;;高爐鐵水含硅量的分形結構分析[J];物理學報;2006年07期

2 王永富,柴天佑;從數據中挖掘模糊規則及其系統實現[J];系統工程學報;2005年05期

3 王義康;劉祥官;;基于FCM的多支持向量機模型在高爐爐溫預測中的應用[J];冶金自動化;2012年03期

4 賀詩波;劉祥官;郜傳厚;黃麗英;黃雅彬;;高爐硅含量預測控制的時間序列混合建模[J];浙江大學學報(工學版);2007年10期

5 徐偉勇，余岳峰，孫江，吳建繁;數字圖像處理技術在火焰檢測上的應用[J];中國電力;1994年10期

6 楊天鈞;張建良;左海濱;;節能減排 低碳煉鐵 實現中國高爐生產的科學發展[J];中國冶金;2010年07期

7 劉業翔,陳湘濤,張更容,李劼,鄒忠;鋁電解控制中灰關聯規則挖掘算法的應用[J];中國有色金屬學報;2004年03期

8 王文慧;劉祥官;劉學藝;;基于隨機森林算法的高爐鐵水硅質量分數預測模型[J];冶金自動化;2014年05期

本文編號：2890044