基于数据挖掘高炉炉墙模型建立.docVIP

基于数据挖掘高炉炉墙模型建立 　　摘 要：本文论述了基于数据挖据的高炉炉墙模型的建立。针对炉前操作人员对炉型管理的新需求，提出了通过炉墙温度数学模型计算出炉墙粘结厚度的理论和方法。使用回归分析数学方法建立炉墙温度模型，再利用传热学的基本原理，根据炉墙温度的变化，计算高炉内部粘结的厚度，结果分析显示，建立模型能准确计算炉墙粘结厚度。 关键词：高炉；回归分析；炉墙温度 1 前 言 1.1 高炉专家系统简介 随着信息化产业的发展，专家系统已经广泛应用于工业生产的许多领域，而在互联网技术迅猛发展的今天，网络技术与专家系统技术的结合更可能为工业生产过程提供极大的便利。高炉专家系统就是针对以上这些需求而开发的一套生产、决策支持系统，协助炉长或高炉操作人员控制高炉，保证高炉顺行高产[1]。 1.2 数据挖掘 数据挖掘是一个利用各种分析工具在海量数据中发现模型和数据间关系的过程。 在堆积如山的海量数据中找到蕴藏的“知识金块”，为社会和企业的发展提供丰富的决策支持数据。数据挖掘给企业带来的潜在的投资回报几乎是无止境的，随着计算机应用的普及和人工智能技术的发展，数据挖掘已经渗透到国民经济和科学研究的各个领域和部门，成为信息处理的主要工具之一。数据挖掘已经成为世界IT发展中的一个产业。数据挖掘的分析方法可以分为直接数据挖掘和间接数据挖掘。数据挖掘分析方法包括分类；估值；预言；相关性分组或关联规则；聚集；描述和可视化。数据挖掘基本步骤包括：定义问题；建立数据挖掘库；分析数据；准备数据；建立模型；评价模型；实施。 2 建立高炉炉墙温度模型 2.1 模型定义 建立高炉炉墙温度模型的目的就是在任意时刻，通过炉墙温度数学模型计算出当前理论无粘结情况下的炉墙温度。然后通过传热学公式，推算出径向炉壁内表面的温度。 根据传热学多层平板稳定导热原理，炉壁某点在没有粘结的情况下，其内表面的温度与径向炉墙热电耦的温度数据之间，存在正比例关系。但是由于高炉内部温度数据无法直接获得，而在炉喉处的十字测温（炉身上部）边缘温度数据基本上可以代表该方向上炉壁煤气流温度的变化趋势和幅度（数值不相等），再加上该方向上的风口区理论燃烧温度（炉身下部）数据，建立以十字测温边缘温度、理论燃烧温度为自变量，炉墙温度为因变量的回归模型。 2.2 建立数据挖掘库 直接在数据仓库上进行数据挖掘可能会带来一些资源申请上的问题，因此最好建立一个独立的数据集，把要挖掘的数据都收集到这个数据集中。开发本系统的过程中，使用了SAS统计分析信息系统。SAS系统是用于决策支持的大型集成信息系统，具有完备的数据访问、数据管理、数据分析和数据呈现功能。它可以广泛的应用在商业和科研领域，目前已被许多国家和地区的机构所采用。它的主要功能如下：数据获取；数据管理；数据分析；数据表示；应用软件开发。SAS系统本身就具备了数据库管理的多重功能，并发展了数据仓库技术、数据挖掘技术和决策支持技术，成为越来越引人注目的数据仓库/数据挖掘/决策支持技术的主要提供者。SAS在开发炉型管理系统过程中，首先，将高炉炉墙温度、十字测温边缘温度、理论燃烧温度数据以时间排序，作为总体存入SAS数据集中，利用SAS的各种分析工具对数据进行特征抽取，然后使用SAS的SASINSIGHT模块，对样本数据进行回归分析，建立数学模型。 2.3 数据准备 高炉冶炼过程是在高温和一定压力的条件下进行的，整个系统是封闭的，目前国内外高炉都很难直接测量炉内的状况，而是通过高炉的各种外围检测设备间接检测炉内状况，高炉炉型显示系统所需数据以高炉上部、中部、下部各种温度数据为基础，其他数据作为补充，通过对数据的分析，间接得到高炉炉墙内壁的粘结厚度。所需数据按照提供数据的仪表位置的不同大致分为：十字测温数据和炉身温度数据。 2.4 特征抽取 1、数据预处理 对原始数据进行一些处理，可使自变量的单位一致；另外，数据预处理的目的是使样本点的分布结构有利于计算，并尽量避免数据的舍入误差。 数据预处理的方法有很多种，本设计方案主要采用了两种方法：数据清理和数据变换。 2、特征抽取 特征抽取是指在四个月的样本数据中，抽取炉身没有粘结（炉壁工作面光滑，平整）时刻的炉墙温度和同方向十字测温边缘温度，作为建立回归模型的样本数据集。目的是在炉身没有粘结情况下建立十字测温边缘温度、理论燃烧温度和炉墙温度的数学关系。 2.5 回归分析 数理统计中研究统计规律或者说研究变量之间相关关系的方法就是所谓的回归分析。回归分析是应用极其广泛的数据分析方法之一，它基于观测数据建立变量间适当的依赖关系，以分析数据的内在规律。它能帮助我们有效地从几个可以控制或可以精确观察的变量