高炉铁水硅质量分数预测.docVIP

高炉铁水硅质量分数的预测 摘要 本文主要研究高炉铁水硅质量分数预测问题，高炉铁水中硅质量分数的变动间接反应炉温的变化。高炉热状态是衡量高炉运行状况的重要参数,它直接关系到高炉的稳定和顺行,与生产的各项技术经济指标紧密相关。 本题数据较多且存在数据缺失和异常，首先需要进行数据处理和筛选。对于缺失的数据，我们直接丢弃含缺失项的所有数据，对剩下的数据采用统计方法对以外的数据进行剔除。经过上述处理得到了400组左右相对合理的数据进行模型的建立与预测。 对于问题一，为了研究影响高炉铁水硅质量分数的主要因素及这些因素对铁水硅质量分数的影响程度,我们首先对数据进行标准化，以消除数量级和量纲的差距。然后我们用SPASS进行了主成分分析，根据相关系数矩阵确定了影响硅质量分数的主要因素为、风量、风温、料速、冶炼强度、和利用系数，确定影响因素后我们进行接下来的建模。 对于问题二，建立硅质量的两种预测模型。模型一，直接从数据出发，找到隐含在数据背后的关系，根据主成分分析，我们剔除利用系数用其余6个变量做多元统计回归，利用前50组数据先建立最普通的多元统计回归模型进行预测和拟合，效果虽较理想但没有考虑到数据的时间项，而且经计算发现统计量为0.496，不能通过D-W检验，即随机误差有相关性，模型不具有说服力。考虑到这一点，我们对模型进行了改进，考虑了误差项的自相关性，通过引入自相关系数和进行检验对原始模型进行了改进,改进后等于1.8111,通过D-W检验。假设误差率在10%以内为命中，对100组数据预测对比发现前者命中率为76%，而后者为84%，所以时间序列模型更具有说服力。对于模型二，考虑到参数众多，综合考虑、风量、风温、料速、冶炼强度、和利用系数对铁水硅含量的影响，可以建立BP神经网络模型。取50组数据对BP网络进行训练，对44组数据用来预测和检验。将预测值与实际值对比，命中率达到88.6%，准确度较高。 最后，对于问题三，通过对两种模型的分析和结论，我们理性的提出了对于高炉铁水硅含量预测的建议与意见，使得模型更具有实用性和推广型。 关键词：硅含量，主成分分析，统计回归，自相关，时间序列，BP神经网络 一、问题的提出与重述： 1.1问题的提出： 钢铁工业是国民经济的支柱产业，在钢铁工业中,高炉炼铁是钢铁生产体系中能耗最大的环节,它的每项技术进步都将为国家带来巨大的经济效益和社会效益，高炉热状态是衡量高炉运行状况的重要参数,它直接关系到高炉的稳定和顺利进行,与生产的各项技术经济指标紧密相关，实现高炉炉温的预测和平稳控制是高炉操作的技术核心,也是高炉稳定顺利的必要条件。鉴于铁水硅质量分数与炉缸温度之间的正相关性,因此研究较为准确适用的炉温(铁水硅质量分数)预测方法,是炼铁生产中的重要技术课题。 1.2问题的重述： 题中给了影响硅质量分数的一些因素，大体上分为状态参数和控制参数两类。状态参数包括料速、透气性指数、风口状况、铁水与炉渣成分等;控制参数包括入炉原料的性质(成分、比重、配料比等)、装料方式、风量、风温、富氧量等,各个因素之间也存在交互影响。这些参数能反映高炉铁水硅质量分数的变化。由于高炉冶炼过程高度复杂,其运行机制具有非线性、大时滞、高维数、大噪声、分布参数的特征,因此当前炉的铁水硅质量分数通常还会受到前面多炉生产状况的影响。目前,多数高炉仍然采用现场化检或人工目测方法对高炉铁水硅质量分数进行测定和估计。化验方法准确、可靠,但是在实际冶炼过程中一般要等出铁1小时后才能得到结果,不利于指导现场参数的调整。但目测方法完全凭借人工经验,存在较大的误差。所以要建立较为合理适用的模型来进行硅质量分数的预测。 根据某高炉的生产数据，解决以下问题： （1）研究影响高炉铁水硅质量分数的主要因素以及影响程度,并计算那些因素对高炉铁水硅质量分数的影响程度更大。尽可能的考虑到附件中数据的数量级和量纲的差异,以及可能存在的异常和缺失数据,并给出处理方案。 （2）建立至少2 种高炉铁水硅质量分数预测模型,根据预测模型的相关评价标准,对所提出的模型进行评价比较,并说明不同模型的优、缺点。建立模型时应考虑到如何在模型的复杂度和模型的预测精度之间取得折衷,并包括必要的模型检验和误差分析。 （3)根据研究结论,给高炉操作工长写封信,提出关于高炉操作的建议。 二、问题分析 由于本题数据较多且喷煤数据缺失严重，所以可以直接丢弃含缺失数据的记录和含异常数据的记录，进而剔除无关数据或影响较小的数据。 对于问题一，根据题中有关高炉生产的数据，要建立合理的模型首先要确定影响硅质量的主要因素进而确定其影响程度