基于数据的高炉铁水硅含量预测.pdfVIP

第 36卷 第 3期 有 色 冶 金 设 计 与 研 究 2015年 6 月 基于数据的高炉铁水硅含量预测 尹菊萍，蒋朝辉 (中南大学 控制工程研究所，湖南长沙 410083) [摘 要]针对铁水硅含量无法直接在线检测的问题，提出了一种基于优化极限学习机 的高炉铁水硅含 量数据驱动预测模型，该模型利用差分进化算法的全局寻优能力来优化极 限学习机的输入权值和隐元偏差． 在此基础上建立 了基于差分进化算法优化极限学习机(DE—ELM)~高炉铁水硅含量预测模型。所建模型对高 炉炉温的实际调控具有较好的指导意义。 (关键词]硅含量；差分进4L；极限学习机 ；高炉；数据 中图分类号：TP391 文献标识码：A 文章编号：1004-4345(2015)03—0036—03 PredictionforBlastFurnaceSiliconContentinHotMetalBasedonDaat YINJuping．JIANGZhaohui (CentralSouthUniversity，Shangsha，Hunan410083，China) ， Abstract Consideringthesiliconcontentofthehotmetalcannotbedirectlydetectedonline，adata—dfvenpredictionmethodfor siliconcontentinhotmetalbasedontheoptimizedextremelearningmachinesisproposed．Theconnectionweightsofinputsand biasesofhiddennodesoftheextremelearningmachineareoptimizedbythedifferentialevolution algorithm becauseofitsglobal optimizationability．Basedontheoptimization，thepredictionmodelofthedifferentialevolutionextremelearningmachine(DE—ELM)is constructed．Theproposedmodelprovideagreatguidingsignificancetothetemperaturecontroloftheblastfurnace．． Keywords siliconcontent；differentialevolution；extremelearningmachine；blastfurnace；data 铁水硅含量是表征高炉炼铁过程炉况及其变化 综合考虑炼铁工艺机理及生产数据特性 。但所建立 趋势的关键信息，能较好地反映铁水质量 、能耗等生 的铁水硅含量预测模型仅利用硅含量 的历史数据 ， 产工艺指标 。但铁水硅含量无法直接在线实时检测 ， 难以达到较好的预测效果；高炉检测装备众多，获得 导致对炉况调控 的不及时和调控操作的盲 目性 。因 的实际生产数据量大 ，这些数据 隐含 了丰富的铁水 此，研究如何实时获取铁水硅含量及其变化趋势，对 硅含量变化的信息，为研究利用实际生产过程数据 稳定高炉炉况 、减少炉况波动、提高生铁质量和降低 中的有效信息来实现基于数据驱动的高炉铁水硅含 焦 比等具有重要意义。 量预测提供 了基础。本文在丰富的数据基础上提出 近年来 。对铁水硅含量预测的研究主要集 中在 了一种基于优化极限学习机fT~(DE—ELM)的高炉铁 数据驱动建模 [-2]方面。例如：基于时间序列的预测模 水硅含量数据驱动预测模