流程工业的智能制造

流程工业的智能制造

摘要：钢铁工业是国民经济的支柱产业，高炉炼铁是钢铁工业的上游主体工序，对钢铁工业的发展与节能降耗有重要的地位。通过大数据挖掘，确定生产过程最佳途径和最佳参数控制范围，动态预测调整生产过程控制，是目前钢铁产业面临的一个难点。对在高炉中的还原反应过程进行分析，查阅文献并通过数据对比得出，硅含量与铁水温度存在正相关；其次，利用MATLAB软件绘出炉中生产大数据中，硅含量随时间序列的变化图，得出硅含量集中分布在范围，建立一元平稳时间序列硅含量模型。
关键词：动态预测拟合回归分析质量优化模型粒子群算法
引言
我国于2014年超过美国成为世界头发工业生产国，在工业的流程当中，钢铁冶金与石油化工等行业是代表性的国民经济支柱性产业。在冶炼的过程当中，因为采集的工艺参数是一个高维的大数据时间序列，所以影响因素众多。在生产指标产量、能耗以及铁水质量都与炉温有密切的关系，炉温即铁水含硅量密切相关。
一、简要分析
1.冶炼工艺机理
高炉炼铁是一个工艺复杂的冶炼过程，高炉内的温度场虽然因各高炉具体情况的不同，沿圆周及半径方向依煤气流分布而千差万别，但是沿高炉高度方向上的温度分布却有着共同规律：在炉料装入炉内的上部区域和从风口燃烧带形成煤气向上升的地区，由于煤气与炉料之间的温度差很大，进行着很强的热交换，形成高炉上部热交换区和下部热交换区；而高炉中部，煤气与炉料的温度较小，是热交换进行得极其缓慢的区域，被称热交换空区或热储备区，热储备区的存在说明高炉是一种热交换很完善的设备[1]
2.硅还原反应机理[3]
硅在高炉内还原发生的主要化学方程式为：炉渣与铁水接触时发生的渣铁反应：，被还原，发生的反应为：，过程是随煤气上升的气态，与C反应，同时还与滴下的铁水相遇，发生还原反应。
二、高炉铁水硅含量分析
根据给定的依序号排列的1000炉生产的大数据表，利用MATLAB软件绘出硅含量随时间序列的散点图和区域分布折线图，如图所示。
从图中我们可以明显看出，[Si]含量明显集中分布在0.36-0.6%的部位，可以把高炉铁水硅含量[Si]分成5个不同的级别，虽然铁水硅含量[Si]在采集时是离散的。
二、预测模型求解
根据实际生产情况，一般使用命中率来评价对模型的预测成功率。命中率越高模型的预测成功率越高，模型也就越精确；反之，则越不精确。
从表3的模型预测率中可以得出如下结论：
1.命中率随样本数的增加而增加；
2.在样本个数较多的情况下，命中率增长程度减缓。可以分析出，若样本个数继续增加，预测命中率应在某一数值的附近波动。
参考文献：
[1]徐夏，基于改进粒子群算法和支持向量机的高炉炉温预测建模研究，燕山大学硕士学位论文，2015年5月。
[2]刘祥官，刘芳，高炉炼铁过程优化与智能控制系统[M]，冶金工业出版社，2003：1-5。
[3]史燕，高炉炉温预测控制模型的研究，杭州电子科技大学硕士学位论文，2009年12月。
[4]J.Sterneland，M.A.T.AnderssonandP.G.Josson.ComparisonofironorereductioninexperimentBlastfurnaceandlaboratoryscalesimulationofblastfurnaceProcess[M].IronmakingandSteelmaking，2003，30（4）：313-327.
[5]杨叔子，吴雅等编，时间序列分析的工程应用，华中理工大学出版社，1991年。
[6]汪荣鑫，随机过程[J]，西安交通大学出版社，1995年。
[7]孙桂利，时间序列方法在临钢六号高炉铁水含硅量预测中的应用，西安建筑科技大学硕士学位论文，2001年5月。
[8]毕学工，高炉过程数学模型及计算机控制，冶金工业出版社，1996年。
[9]安??志，陈兆国，杜金观，潘民著，.时间序列的分析与应用，科学出版社，1986年。
[10]刘艳秋，石君丽，陶学恒，统计过程技术（SPC）在质量管理中的应用[J]，机电产品开发与创新，2001年。