田 毅，王 剛，蘇家慶，白 皓

( 北京科技大學(xué)冶金與生態(tài)工程學(xué)院，北京 100083)

摘要: 我國(guó)高爐煉鐵工序能耗占鋼鐵聯(lián)合企業(yè)能源消耗的 47% 左右，如何實(shí)現(xiàn)高爐的節(jié)能降耗是鋼鐵行業(yè)重要的課題。因此，在傳統(tǒng)節(jié)能手段的基礎(chǔ)上，鋼鐵行業(yè)探索新型節(jié)能技術(shù)實(shí)現(xiàn)高爐深度節(jié)能的目標(biāo)具有重要意義。為實(shí)現(xiàn)此目標(biāo)，本文提出了基于大數(shù)據(jù)挖掘的高爐參數(shù)優(yōu)化調(diào)控模型，該模型包括 3 個(gè)子模型，即參數(shù)尋優(yōu)模型、操作參數(shù)誤差追溯模型和操作參數(shù)預(yù)測(cè)模型。首先，對(duì)高爐進(jìn)行參數(shù)尋優(yōu)，以找到在最優(yōu)核心經(jīng)濟(jì)指標(biāo)下的最優(yōu)參數(shù)集; 然后，以高爐最優(yōu)參數(shù)集為標(biāo)準(zhǔn)，尋找引起操作及經(jīng)濟(jì)指標(biāo)波動(dòng)的關(guān)鍵參數(shù)，并形成關(guān)鍵影響參數(shù)動(dòng)態(tài)調(diào)控的優(yōu)化策略; 最后，根據(jù)優(yōu)化策略，利用神經(jīng)網(wǎng)絡(luò)模型，對(duì)優(yōu)化調(diào)控結(jié)果進(jìn)行預(yù)測(cè)，為爐參數(shù)優(yōu)化調(diào)控實(shí)際操作提供參考。通過(guò)使用某鋼鐵企業(yè)歷史生產(chǎn)數(shù)據(jù)對(duì)高爐參數(shù)優(yōu)化調(diào)控模型進(jìn)行實(shí)例論證。結(jié)果表明，在研究時(shí)間范圍內(nèi)，經(jīng)過(guò)模型優(yōu)化調(diào)控后的燃料比可穩(wěn)定在 518 kg /t，并為企業(yè)降低 169萬(wàn)元的焦炭成本。高爐參數(shù)優(yōu)化調(diào)控模型可幫助鋼鐵行業(yè)實(shí)現(xiàn)節(jié)約能源、降低能耗的低碳生產(chǎn)目標(biāo)。

關(guān)鍵詞: 大數(shù)據(jù)挖掘; 神經(jīng)網(wǎng)絡(luò); 高爐參數(shù)尋優(yōu); 誤差追溯; 動(dòng)態(tài)調(diào)控

0 引言

鋼鐵工業(yè)是資源、能源密集型行業(yè)，生產(chǎn)能耗高是其典型的特點(diǎn)，其中高爐煉鐵工序是能耗大戶，能耗約占鋼鐵企業(yè)生產(chǎn)總能耗的 47% 左右，如今能源短缺是一個(gè)世界性問(wèn)題，直接關(guān)系到煉鐵成本，而能源消耗又是生產(chǎn)總成本可控制的關(guān)鍵部分^［1］。因此，實(shí)現(xiàn)高爐節(jié)能降耗是企業(yè)降低生產(chǎn)成本并提高競(jìng)爭(zhēng)力的關(guān)鍵所在。針對(duì)此情況，中國(guó)很多鋼廠通過(guò)優(yōu)化焦化配煤結(jié)構(gòu)、高爐噴吹焦?fàn)t煤氣及熱風(fēng)爐余熱回收裝置等方法初步實(shí)現(xiàn)了高爐的節(jié)能生產(chǎn)^［2－5］。但高爐本身是高耗能系統(tǒng)，且隨著高爐原料、燃料價(jià)格的升高，這些節(jié)能手段漸漸無(wú)法滿足鋼鐵行業(yè)的需求。因此，鋼鐵行業(yè)需要通過(guò)更科學(xué)、更有效的節(jié)能新技術(shù)武裝自己，以實(shí)現(xiàn)高爐深度節(jié)能的目標(biāo)。高爐作為一個(gè)極端復(fù)雜的生產(chǎn)過(guò)程，想要實(shí)現(xiàn)深度節(jié)能，需要挖掘鋼鐵企業(yè)積累的高爐數(shù)據(jù)，對(duì)高爐煉鐵的技術(shù)參數(shù)進(jìn)行研究，建立高爐參數(shù)優(yōu)化模型^［6］。另外，高爐時(shí)常發(fā)生波動(dòng) 現(xiàn)象，從而導(dǎo)致在最佳參數(shù)下無(wú)法達(dá)到相應(yīng)最優(yōu)生產(chǎn)狀態(tài)。因此，有必要對(duì)高爐進(jìn)行動(dòng)態(tài)調(diào)控，但調(diào)控高爐原料需要較長(zhǎng)時(shí)間，無(wú)法滿足快速、精準(zhǔn)的調(diào)控目標(biāo)。基于此，本文提出了一種基于大數(shù)據(jù)挖掘的高爐參數(shù)優(yōu)化調(diào)控模型，該模型可對(duì)波動(dòng)原因進(jìn)行誤差追溯并形成關(guān)鍵影響參數(shù)動(dòng)態(tài)調(diào)控的優(yōu)化策略，并通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)優(yōu)化調(diào)控結(jié)果進(jìn)行預(yù)測(cè)，幫助生產(chǎn)人員根據(jù)波動(dòng)原因制定新的生產(chǎn)計(jì)劃，以實(shí)現(xiàn)高爐深度節(jié)能并確保高爐在生產(chǎn)過(guò)程中的穩(wěn)定、高效生產(chǎn)。

1 高爐參數(shù)優(yōu)化調(diào)控模型的建立

本文通過(guò)對(duì)某鋼鐵企業(yè)多年積累的高爐數(shù)據(jù)提出了一種基于大數(shù)據(jù)挖掘的高爐參數(shù)優(yōu)化調(diào)控模型，該模型分為 3 個(gè)子模型，即參數(shù)尋優(yōu)模型、操作參數(shù)誤差追溯模型和操作參數(shù)預(yù)測(cè)模型。參數(shù)尋優(yōu)模型作為高爐參數(shù)優(yōu)化調(diào)控模型的子模型，主要通過(guò)主成分分析法與灰色關(guān)聯(lián)分析法建立，主成分分析法可對(duì)超高維度的高爐參數(shù)進(jìn)行降維，大大降低高爐數(shù)據(jù)分析難度^［7－8］; 灰色關(guān)聯(lián)分析法可確定基于經(jīng)濟(jì)指標(biāo)的關(guān)鍵影響參數(shù)，進(jìn)而確定關(guān)鍵影響參數(shù)的最優(yōu)集。操作參數(shù)誤差追溯模型作為第 2 個(gè)子模型，主要通過(guò)主成分分析法與綜合評(píng)價(jià)法建立，其中，綜合評(píng)價(jià)法可根據(jù)各參數(shù)在誤差中的權(quán)重找到引起操作及核心經(jīng)濟(jì)指標(biāo)波動(dòng)的關(guān)鍵參數(shù)，生產(chǎn)人員可使用參數(shù)最優(yōu)集合進(jìn)行誤差調(diào)控。操作參數(shù)預(yù)測(cè)模型作為最后一個(gè)子模型，主要通過(guò)徑向基函數(shù)( radial basis function，ＲBF) 神經(jīng)網(wǎng)絡(luò)建立，具有訓(xùn)練速度、逼近方式快和預(yù)測(cè)準(zhǔn)確等特點(diǎn)，可提前預(yù)測(cè)波動(dòng)時(shí)刻與優(yōu)化調(diào)控結(jié)果，以解決誤差追溯模型只能在波動(dòng)后調(diào)控的滯后性問(wèn)題，并為高爐參數(shù)優(yōu)化調(diào)控實(shí)際操作提供參考^［9－14］。

模型建立包括以下 3 個(gè)步驟: ( 1) 首先使用SPSS 軟件對(duì)數(shù)據(jù)進(jìn)行預(yù)處理并通過(guò)灰色關(guān)聯(lián)法以利用系數(shù)與燃料比為決策指標(biāo)，找到影響決策指標(biāo)的關(guān)鍵參數(shù)及最佳范圍; ( 2) 然后以高爐在最優(yōu)參數(shù)下仍會(huì)發(fā)生參數(shù)及經(jīng)濟(jì)指標(biāo)波動(dòng)為出發(fā)點(diǎn)，運(yùn)用數(shù)學(xué)語(yǔ)言對(duì)操作參數(shù)的誤差量進(jìn)行合理描述，再使用主成分分析中的綜合評(píng)價(jià)法，以核心經(jīng)濟(jì)指標(biāo)為決策目標(biāo)，對(duì)參數(shù)的誤差量進(jìn)行追溯，找到影響其波動(dòng)的原因，從而建立高爐操作誤差追溯模型，并通過(guò)參數(shù)最優(yōu)值進(jìn)行優(yōu)化調(diào)控; ( 3) 最后為實(shí)現(xiàn)對(duì)優(yōu)化調(diào)控結(jié)果的精準(zhǔn)預(yù)測(cè)，利用 RBF 神經(jīng)網(wǎng)絡(luò)建立了操作參數(shù)預(yù)測(cè)模型。

1.1參數(shù)尋優(yōu)模型

參數(shù)尋優(yōu)模型旨在從鋼鐵企業(yè)積累的大量生產(chǎn)數(shù)據(jù)中挖掘出經(jīng)濟(jì)指標(biāo)與影響參數(shù)之間的內(nèi)在關(guān)系，以找到影響經(jīng)濟(jì)指標(biāo)的關(guān)鍵參數(shù)范圍，并根據(jù)此參數(shù)范圍找到參數(shù)最佳標(biāo)準(zhǔn)集。該模型主要采用主成分分析和灰色關(guān)聯(lián)分析相結(jié)合的算法來(lái)篩選經(jīng)濟(jì)指標(biāo)的關(guān)鍵影響參數(shù)，主成分分析法可將高爐數(shù)據(jù)轉(zhuǎn)化為能夠保留原始信息且線性無(wú)關(guān)的無(wú)噪聲新樣本，以提高對(duì)高爐數(shù)據(jù)的分析質(zhì)量。基于高爐數(shù)據(jù)的灰色關(guān)聯(lián)分析的實(shí)質(zhì)是根據(jù)生產(chǎn)過(guò)程的原料、操作參數(shù)與核心經(jīng)濟(jì)指標(biāo)之間的關(guān)聯(lián)程度大小，找到影響核心經(jīng)濟(jì)指標(biāo)的關(guān)鍵參數(shù)。關(guān)于主成分分析降維步驟如下。

1.1.1 數(shù)據(jù)預(yù)處理

在高爐生產(chǎn)過(guò)程中，高爐參數(shù)的實(shí)時(shí)數(shù)據(jù)是通過(guò)安裝在現(xiàn)場(chǎng)的監(jiān)測(cè)系統(tǒng)獲取的，然后儲(chǔ)存到數(shù)據(jù)庫(kù)中，這就使得收集到的數(shù)據(jù)會(huì)因?yàn)楸O(jiān)測(cè)系統(tǒng)的精度、設(shè)備的故障或各種其他外在因素的影響從而導(dǎo)致某個(gè)數(shù)值的缺失或偏離正常波動(dòng)范圍。因此，為了提高數(shù)據(jù)分析的準(zhǔn)確性，有必要對(duì)其進(jìn)行數(shù)據(jù)預(yù)處理。本文對(duì)高爐歷史生產(chǎn)數(shù)據(jù)的預(yù)處理主要通過(guò) SPSS 完成，SPSS 可根據(jù)各參數(shù)之間的微妙聯(lián)系，判斷原料、操作參數(shù)是否在合理波動(dòng)范圍內(nèi)，本文數(shù)據(jù)預(yù)處理由異常值去除、缺失值填補(bǔ)、數(shù)據(jù)分類及數(shù)據(jù)歸一化等步驟 組成。首先通過(guò) SPSS 軟件標(biāo)識(shí)異常個(gè)案，找到異常值，對(duì)其進(jìn)行直接去除處理，然后對(duì)缺失值進(jìn)行填補(bǔ)，目前缺失值補(bǔ)充方式主要有 3 種，分別為人工填寫、最可能值填寫、平均值和中位數(shù)填寫，本文主要使用平均值填寫。為了更全面地了解高爐參數(shù)在實(shí)際生產(chǎn)中的作用，本文在補(bǔ)充完缺失值后對(duì)高爐數(shù)據(jù)進(jìn)行了大致分類，即分為原料參數(shù)和操作參數(shù)。對(duì)高爐參數(shù)的種類劃分也保證了后續(xù)誤差追溯的快速調(diào)控。為消除數(shù)據(jù)之間的不同量綱關(guān)系，利用 SPSS 軟件進(jìn)行零均值歸一化。

1.1.2 數(shù)據(jù)降維

主成分分析降維原理如圖 1 所示。圖 1( a) 中的球狀物即參數(shù)尋優(yōu)方法得到的影響核心經(jīng)濟(jì)指標(biāo)的主要影響參數(shù)，包含高爐原料質(zhì)量參數(shù)與操作參數(shù)，當(dāng)使用三維坐標(biāo)系表示這些參數(shù)時(shí)，需使用 x、y、z 三個(gè)軸表示，但事實(shí)上，通過(guò)旋轉(zhuǎn)三維坐標(biāo)，將其轉(zhuǎn)換為圖 1( b) 的二維坐標(biāo)系，此時(shí)這 些 數(shù) 據(jù) 使 用 PC1、PC2 兩個(gè)維度表示即可，此時(shí) PC1、PC2 表示原有數(shù)據(jù)的特征，稱之為第一主成分與第二主成分，這就是 PCA 的降維原理。其降維過(guò)程如下。

(1) 計(jì)算相關(guān)系數(shù)矩陣 R 。相關(guān)系數(shù)矩陣表達(dá)了各變量之間的相關(guān)性，可通過(guò)相關(guān)系數(shù)找到各變量之間的相關(guān)程度，再根據(jù)各相關(guān)矩陣特征值及特征向量，組成新的線性無(wú)關(guān)的主成分，計(jì)算過(guò)程見式( 1) 和式( 2) 。

式中: r_ij 為 第 i 個(gè)指標(biāo)與第 j 個(gè)指標(biāo)的相關(guān)系數(shù); g 為進(jìn)行主成分分析的指標(biāo)變量個(gè)數(shù); q 為評(píng)價(jià)對(duì)象個(gè)數(shù)。

( 2) 計(jì)算特征值與特征向量。計(jì)算相關(guān)系數(shù)矩陣 R 的特征值 λ₁ ≥ λ₂ ≥ … ≥ λ_g ≥ 0 及對(duì)應(yīng)的特征向量 u₁，u₂，…，u_g，其中 u_j = ( u_1j ，u_2j ，…， u_qj ) T ，由特征向量組成的 h 個(gè)新的指標(biāo)變量:

式中: y₁、y₂、…、y_h 分別為第 1 個(gè)、第 2 個(gè)、…、第h 個(gè)主成分。

通過(guò)式( 1) ～ 式( 4) 即可實(shí)現(xiàn)對(duì)高爐數(shù)據(jù)降維，接下來(lái)將對(duì)降維后的數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)分析，具體操作流程如下。

1) 確定分析數(shù)列。確定參考數(shù)列與比較數(shù) 列，其中參考數(shù)列為決策指標(biāo)，比較數(shù)列為高爐原料及操作過(guò)程中的各項(xiàng)參數(shù)。設(shè)參考數(shù)列為Y = { y( m) | m = 1，2，…，n) } ，比較數(shù)列 X_i = ( x_i ( m) | m = 1，2，…，n) 。

2) 計(jì)算關(guān)聯(lián)系數(shù)，公式為

式中: γ_i ( m) 為某 m 時(shí)間的比較數(shù)列 X_i 與參考數(shù)列 Y( m) 之間相對(duì)數(shù)值的差值; ρ 為分辨系數(shù)。

在實(shí)際應(yīng)用中分辨系數(shù)的取值范圍一般在( 0，1) 之間，ρ 值越小，表示關(guān)聯(lián)系數(shù)間差距越大，區(qū)分能力越強(qiáng)。一般情況下，取 ρ = 0． 5 進(jìn)行關(guān)聯(lián)度的計(jì)算。

3) 關(guān)聯(lián)度的計(jì)算。關(guān)于關(guān)聯(lián)度的計(jì)算一般用平均值法，關(guān)聯(lián)度 r 計(jì)算公式為

4) 關(guān)聯(lián)度的排序。決策指標(biāo)與高爐參數(shù)之間的關(guān)聯(lián)度根據(jù)大小進(jìn)行排序，關(guān)聯(lián)度 r 越大，說(shuō)明兩者之間的關(guān)系越密切。例如，如果 r₁ ＜r₂，則表示數(shù)據(jù)分析樣本中的參考數(shù)列 Y 與比較數(shù)列 X₂ 的變化趨勢(shì)更接近，表示關(guān)系越緊密。

高爐參數(shù)優(yōu)化調(diào)控模型通過(guò)使用主成分分析法與灰色關(guān)聯(lián)分析法的綜合運(yùn)用對(duì)高爐冶煉過(guò)程中的各項(xiàng)參數(shù)進(jìn)行優(yōu)化篩選，不僅可以找出高爐經(jīng)濟(jì)指標(biāo)的影響參數(shù)，還可以確定具體的冶煉參數(shù)最佳運(yùn)行范圍，提高高爐的生產(chǎn)效率，為專家分析和技術(shù)人員提供優(yōu)化高爐操作參數(shù)的方向，從而增加高爐的產(chǎn)量并確保高爐安全穩(wěn)定的順行。

1.2 操作參數(shù)誤差追溯模型

由于高爐煉鐵過(guò)程的復(fù)雜性，影響高爐正常生產(chǎn)的干擾因素很多。雖然通過(guò)參數(shù)尋優(yōu)模型可以找到最佳物料方案和操作參數(shù)，但是在高爐生產(chǎn)中仍會(huì)發(fā)生波動(dòng) 現(xiàn) 象，使生產(chǎn)偏離優(yōu)化狀態(tài)，從而無(wú)法達(dá)到最優(yōu)核心經(jīng)濟(jì)指標(biāo)。因此必須采取誤差追溯的措施，找到影響高爐核心經(jīng)濟(jì)技術(shù)指標(biāo)波動(dòng)的瓶頸因素，并通過(guò)及時(shí)調(diào)控，使高爐生產(chǎn)狀態(tài)保持最優(yōu)狀態(tài)。

誤差追溯模型旨在解決因爐況波動(dòng)而導(dǎo)致高爐不能在參數(shù)最優(yōu)集下高效運(yùn)行的問(wèn)題，為保證高爐誤差參數(shù)調(diào)控的靈活與快速，誤差追溯模型在相應(yīng)原料參數(shù)上只對(duì)高爐操作參數(shù)進(jìn)行追溯與調(diào)控。對(duì)于高爐煉鐵工序，首先通過(guò)參數(shù)尋優(yōu)方法找到標(biāo)準(zhǔn)操作參數(shù)集 N° i ，其中 i ∈ ［1， β］。對(duì)于實(shí)際生產(chǎn)過(guò)程，根據(jù)生產(chǎn)記錄和監(jiān)控?cái)?shù)據(jù)，得到上述相應(yīng)參數(shù)在不同生產(chǎn)周期下的操作參數(shù)集 Ni，其中 i ∈［1，β］，表示不同指標(biāo)。

若某一周期核心經(jīng)濟(jì)指標(biāo)為 W_i，最優(yōu)經(jīng)濟(jì)指標(biāo)為 W° ，相對(duì)應(yīng)的周期誤差量為 Mi，對(duì)于 W_i －W° ，可通過(guò)式( 7) 求得每個(gè)操作參數(shù)的誤差量:

通過(guò)上述方式可找到每個(gè)操作參數(shù)的誤差量，利用主成分分析法對(duì)誤差量進(jìn)行降維處理，進(jìn)而使用綜合評(píng)價(jià)的權(quán)重分析確定誤差量中關(guān)鍵影響指標(biāo)。

主成分綜合評(píng)價(jià)的權(quán)重主要是信息權(quán)重，是從評(píng)價(jià)指標(biāo)包含被評(píng)價(jià)對(duì)象分辨信息多少來(lái)確定的一種權(quán)數(shù)^［15］。權(quán)數(shù)的確定原則: 某項(xiàng)參數(shù)在被評(píng)價(jià)對(duì)象間數(shù)值的離差越大，則該參數(shù)對(duì)燃料比波動(dòng)的影響越大，其權(quán)值也就越大。利用主成分分析確定權(quán)重，需要通過(guò)以下 4 個(gè)步驟: ( 1) 將各參數(shù)零 － 均值規(guī)范化以消除量綱關(guān)系; ( 2) 求出指標(biāo)在各主成分線性組合中的系數(shù); ( 3) 計(jì)算所有指標(biāo)在綜合得分模型中的系數(shù); ( 4) 將指標(biāo)權(quán)重進(jìn)行歸一化。

令全部指標(biāo)為 X_i，有效成分集合為 F_β，A_iβ 為公因子與原始變量之間的相關(guān)系數(shù)，系數(shù)絕對(duì)值越大，說(shuō)明關(guān)系越密切。每個(gè)主成分相對(duì)應(yīng)的特征根用 Z_β 表示。通過(guò)式( 8) 可得到各指標(biāo)在各主成分線性組合中的系數(shù):

根據(jù)主成分計(jì)算公式，原有指標(biāo)與主成分之間的線性組合見式( 9) :

由于原有指標(biāo)基本可以用前幾個(gè)主成分代替，因此，指標(biāo)系數(shù)可以看成是以這幾個(gè)主成分方差貢獻(xiàn)率為權(quán)重，對(duì)指標(biāo)在這些主成分線性組合中的系數(shù)做加權(quán)平均。

X_i 指標(biāo)系數(shù)為

式中: E_β 為方差，可從總方差解釋表中得到。

通過(guò)式( 10) 可得到各個(gè)指標(biāo)在綜合得分模型中的系數(shù)。由于所有指標(biāo)的權(quán)重之和為 1，因此指標(biāo)權(quán)重需要在綜合模型中指標(biāo)系數(shù)的基礎(chǔ)上運(yùn)用式( 11) 歸一化:

通過(guò)式( 11) 可以得到各個(gè)指標(biāo)權(quán)重?cái)?shù)據(jù)集，對(duì)其進(jìn)行數(shù)值排名可得到引起核心經(jīng)濟(jì)指標(biāo)波動(dòng)的瓶頸因素，生產(chǎn)人員可根據(jù)排名結(jié)果與尋優(yōu)結(jié)果實(shí)現(xiàn)對(duì)影響參數(shù)的調(diào)控。

1.3 操作參數(shù)預(yù)測(cè)模型

操作參數(shù)預(yù)測(cè)模型旨在解決誤差追溯模型滯后性問(wèn)題，并對(duì)優(yōu)化調(diào)控結(jié)果進(jìn)行預(yù)測(cè)，從而幫助生產(chǎn)人員提前制定優(yōu)化調(diào)控方案。因此，操作參數(shù)預(yù)測(cè)模型由具備高精準(zhǔn)度的 RBF 神經(jīng)網(wǎng)絡(luò)建立。RBF 神經(jīng)網(wǎng)絡(luò)模型如圖 2 所示，包括 3層，即輸入層、隱藏層及輸出層，該模型可將經(jīng)過(guò)優(yōu)化調(diào)控后的參數(shù)從輸入層映射到隱藏層，再經(jīng)過(guò)隱單元的線性加權(quán)和，即可輸出經(jīng)過(guò)優(yōu)化調(diào)控后的經(jīng)濟(jì)指標(biāo)值，實(shí)現(xiàn)對(duì)優(yōu)化調(diào)控結(jié)果的預(yù)測(cè)。

預(yù)測(cè)模型的建立如下。

( 1) 數(shù)據(jù)清洗。數(shù)據(jù)清洗主要是通過(guò)找出原始數(shù)據(jù)中的無(wú)關(guān)數(shù)據(jù)和重復(fù)數(shù)據(jù)，并對(duì)一些噪聲較大的數(shù)據(jù)進(jìn)行降噪平滑處理，去掉與預(yù)測(cè)模型無(wú)關(guān)的數(shù)據(jù)，篩選出需要的數(shù)據(jù)。對(duì)于 5 800 m³高爐而言，其燃料比的范圍在 480 ～ 530 kg /t 以內(nèi)為合理波動(dòng)，故在此范圍以外的燃料比均為異常值，將其直接剔除。

( 2) 輸入和輸出變量的確定。模型的輸入值為預(yù)測(cè)目標(biāo)的特征，即可能影響預(yù)測(cè)目標(biāo)值的變量。對(duì)于 ＲBF 神經(jīng)網(wǎng)絡(luò)而言，在一定范圍內(nèi)，特征數(shù)量越多，越能反映目標(biāo)值的工作狀態(tài)，越有利于模型的預(yù)測(cè)，本模型輸入變量共計(jì) 58 項(xiàng)。 模型的輸出變量為模型的預(yù)測(cè)目標(biāo)，即燃料比。

( 3) 結(jié)構(gòu)參數(shù)的確定。ＲBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)性能可由 Spread 值確定，Spread 為 ＲBF 的擴(kuò)展系數(shù)，過(guò)小或過(guò)大都會(huì)導(dǎo)致預(yù)測(cè)準(zhǔn)確度下降，故需尋找最佳 Spread 值，以保證操作參數(shù)預(yù)測(cè)模型的準(zhǔn)確性。其確定方法為首先輸入訓(xùn)練樣本的目標(biāo)值和特征值。模型利用輸入的特征進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中模型不斷對(duì)比模型計(jì)算值和訓(xùn)練目標(biāo)值的誤差，不斷修正模型 Spread 值，使誤差達(dá)到最小。訓(xùn)練完畢后，模型內(nèi)參數(shù)值確定，模型訓(xùn)練完成。

2 實(shí)例研究

現(xiàn)截取某鋼廠 5 000 m³ 以上大高爐共 123天歷史生產(chǎn)數(shù)據(jù)，日平均鐵水產(chǎn)量為 12 508 t，燃料比波動(dòng)范圍為 500 ～ 530 kg /t，其中包括燒結(jié)礦成分、粒度、焦炭和各操作參數(shù)等共計(jì) 59 項(xiàng)參數(shù)及相同時(shí)間的監(jiān)測(cè)值。針對(duì)此鋼廠實(shí)際情況，本章利用高爐優(yōu)化調(diào)控模型設(shè)計(jì)的實(shí)例論證流程如圖 3 所示。

由圖 3 可知，在 T 時(shí)刻，操作人員可使用指標(biāo)預(yù)測(cè)模型對(duì) T + 1 時(shí)刻預(yù)定參數(shù)集進(jìn)行核心經(jīng)濟(jì)指標(biāo)的預(yù)測(cè)，若預(yù)測(cè)燃料比未在 520 kg /t 以內(nèi)，即對(duì)預(yù)定參數(shù)集進(jìn)行誤差追溯，找到影響指標(biāo)波動(dòng)的因素，并對(duì)其進(jìn)行調(diào)控。對(duì)于 T + 2 時(shí)刻，操作過(guò)程與 T + 1 時(shí)刻基本一致。

2.1 高爐參數(shù)尋優(yōu)

根據(jù)本文第 1． 1 節(jié)灰色關(guān)聯(lián)原理通過(guò) MAT- LAB 軟件編寫的灰色關(guān)聯(lián)法計(jì)算高爐參數(shù)與燃料比的關(guān)聯(lián)度，進(jìn)而根據(jù)關(guān)聯(lián)度大小進(jìn)行參數(shù)提取及結(jié)果排序，得到標(biāo)準(zhǔn)操作參數(shù)集見表 1。表1 為操作參數(shù)尋優(yōu)模型對(duì)高爐冶煉過(guò)程中的各項(xiàng)參數(shù)進(jìn)行優(yōu)化篩選的結(jié)果，該模型不僅可以找出高爐經(jīng)濟(jì)指標(biāo)的影響參數(shù)，還可以確定具體的冶煉參數(shù)最佳運(yùn)行范圍，提高高爐的生產(chǎn)效率，為專家分析和技術(shù)人員提供優(yōu)化高爐操作參數(shù)的方向，可以實(shí)現(xiàn)高爐自動(dòng)調(diào)控，從而增加高爐的產(chǎn)量并確保高爐安全穩(wěn)定的順行。

2.2 操作參數(shù)誤差追溯

本研究設(shè)立第 114 ～ 123 天共計(jì) 10 天生產(chǎn)數(shù)據(jù)作為對(duì)照組 T，保留原數(shù)據(jù)為 T1，通過(guò)誤差追溯調(diào)控后為 T2，表 2 為 T2 誤差追溯結(jié)果。由表 2 可知，富氧率需要調(diào)控的次數(shù)較多，富氧率對(duì) CO 與 CO₂ 的絕對(duì)壓力與相對(duì)分壓有重要影響，甚至在穩(wěn)定生產(chǎn)條件下，富氧水平?jīng)Q定了這兩個(gè)因素的變化，當(dāng)富氧率增加時(shí)，高爐風(fēng)口可接受的噴煤量增加，氧氣和煤粉燃燒產(chǎn)生的 CO和 H₂ 的絕對(duì)量、煤氣成分中還原氣體的比例增加，此時(shí)煤氣的還原勢(shì)提高，有利于間接還原的發(fā)展，促進(jìn)了煤氣利用率升高，燃料比降低。因此，誤差追溯模型可以找到引起燃料比波動(dòng)的原因并對(duì)各個(gè)影響參數(shù)定量分析，然后給出影響參數(shù)對(duì)燃料比波動(dòng)的貢獻(xiàn)率，生產(chǎn)人員可以根據(jù)貢獻(xiàn)率對(duì)上述參數(shù)進(jìn)行調(diào)控。

2.3 操作參數(shù)預(yù)測(cè)

圖 4 所示為 ＲBF 神經(jīng)網(wǎng)絡(luò)最佳 Spread 值的確定及最佳網(wǎng)絡(luò)結(jié)構(gòu)下的優(yōu)化調(diào)控預(yù)測(cè)結(jié)果。根據(jù)圖 4 ( a) 可知，以實(shí)際燃料比 528． 6 kg /t 為訓(xùn)練目標(biāo)值，當(dāng) Spread 值在 0 ～ 1 范圍內(nèi)時(shí)，預(yù)測(cè)誤差較小，所以需要對(duì) Spread 值在 0 ～ 1 范圍內(nèi)再次進(jìn)行探究，其結(jié)果如圖 4( b) 所示，當(dāng) Spread值為 0． 71 時(shí)，平均預(yù)測(cè)誤差最小。因此，ＲBF 神經(jīng)網(wǎng)絡(luò) Spread 值設(shè)定為 0． 71。圖 4( c) 為實(shí)際測(cè)量值與 ＲBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精準(zhǔn)度對(duì)比圖。可知ＲBF 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與實(shí)際測(cè)量值差值較小，因此，可以將預(yù)測(cè)模型的預(yù)測(cè)結(jié)果作為經(jīng)過(guò)模型調(diào)控后的燃料比真實(shí)值。

本節(jié)通過(guò)對(duì)比調(diào)控前后燃料比值，以證明誤差追溯模型對(duì)波動(dòng)原因的調(diào)控有效性，T₁ 為保留原始數(shù)據(jù)的對(duì)照組，T₂ 為 T₁ 經(jīng)過(guò)誤差追溯調(diào)控后的新參數(shù)組，利用操作參數(shù)預(yù)測(cè)模型對(duì) T₂ 調(diào)控結(jié)果進(jìn)行預(yù)測(cè)，圖 5 所示為 T₂ 與 T₁ 對(duì)比圖。由圖 5 可知，在實(shí)際生產(chǎn)過(guò)程中，其燃料比因爐況的變化發(fā)生波動(dòng)，最低為 517． 4 kg /t，最高為528． 9 kg /t，其波動(dòng)值較大。根據(jù) T₂ 可知，調(diào)控后的燃料比初期表現(xiàn)出快速下降的趨勢(shì)，然后逐漸趨于平穩(wěn)，在 518 kg /t 附近波動(dòng)。此結(jié)果證明了高爐操作優(yōu)化調(diào)控模型針對(duì)波動(dòng)原因找到了關(guān)鍵影響參數(shù)，并完成了參數(shù)的優(yōu)化調(diào)控，對(duì)高爐深度節(jié)能、降低成本起到了一定作用。但由于本次采集到的數(shù)據(jù)質(zhì)量較差、跨度較短，高爐參數(shù)優(yōu)化調(diào)控模型無(wú)法挖掘出更多有價(jià)值信息，導(dǎo)致此次優(yōu)化調(diào)控效果無(wú)法進(jìn)一步提升，若要利用此模型實(shí)現(xiàn)更深層次的高爐節(jié)能、降耗的目標(biāo)，需要采集時(shí)間跨度大、質(zhì)量好的高爐生產(chǎn)數(shù)據(jù)，以保證高爐參數(shù)優(yōu)化調(diào)控模型提供更好的優(yōu)化調(diào)控策略。

2.4 模型節(jié)能效果分析

隨著鋼鐵企業(yè)之間的競(jìng)爭(zhēng)加劇，鋼鐵企業(yè)對(duì)高爐生產(chǎn)過(guò)程中燃料節(jié)能降耗的要求更加迫切，通過(guò)實(shí)例研究表明，基于大數(shù)據(jù)挖掘的高爐參數(shù)優(yōu)化調(diào)控模型可有效降低高爐冶煉過(guò)程中的燃料損耗及碳排放量。

2.4.1 燃料消耗量

高爐參數(shù)優(yōu)化調(diào)控模型可以通過(guò)尋優(yōu)結(jié)果及誤差追溯對(duì)影響燃料比波動(dòng)的原因進(jìn)行優(yōu)化調(diào)控，以實(shí)現(xiàn)降低燃料比的目標(biāo)，燃料比的降低進(jìn)而導(dǎo)致燃料消耗量及焦炭量的降低，結(jié)果如圖6 所示。T₂ 與 T₁ 燃料消耗量如圖 6( a) 所示，在對(duì)比范圍內(nèi)，T₂ 與 T₁ 燃料消耗總量相差531. 249 t，在第 7 天與第 9 天時(shí)，模型的調(diào)控結(jié)果并不理想，但總體而言，T₂ 燃料消耗量明顯低于 T₁ 燃料消耗量。高爐主要燃料包括煤粉與焦炭，相比于煤粉而言，焦炭的價(jià)格更高，且生產(chǎn)焦炭的過(guò)程也會(huì)排放大量 CO₂，所以減少焦炭量對(duì)降低高爐煉鐵過(guò)程的 CO₂ 排放顯得尤為重要，本模型對(duì)焦炭消耗量的降低效果如圖 6 ( b) 所示，整體而言，T₂ 焦炭消耗量明顯低于 T₁ 焦炭消耗量，在第 10 天時(shí)，經(jīng)過(guò)模型調(diào)控后焦炭量可降低127． 3 t，在不計(jì)算運(yùn)輸成本的情況下，以河南準(zhǔn)一級(jí)冶金焦3 200元 /t 的價(jià)格為例，10 天內(nèi)可降低燃料成本 169 萬(wàn)元。

2.4.2 碳排放量

碳是鋼鐵冶金過(guò)程能量流與物質(zhì)流的主要載體，鐵礦石依靠焦炭和煤粉還原成鐵水，而鐵水中的碳又是轉(zhuǎn)爐煉鋼過(guò)程升溫及能量平衡的保證。鋼鐵冶金過(guò)程產(chǎn)生的二氧化碳主要來(lái)自于高爐中煤和焦炭與鐵礦石的化學(xué)反應(yīng)，所以高爐生產(chǎn)可以通過(guò)降低高爐燃料來(lái)減少二氧化碳排放量。

圖 7 所示為經(jīng)過(guò) T₂ 與 T₁ 二氧化碳排放量的差值，10 天內(nèi)減少碳排放總量 1 519． 57 t。其中，第 7 天與第 9 天 T₂ 二氧化碳排放量高于 T₁，分 別為 24． 22 t 與 18． 18 t，但相比于第 10 天 T₂ 二氧化碳排放降低量 364． 12 t 來(lái)說(shuō)，其影響不大。總體而言，經(jīng)過(guò)模型優(yōu)化調(diào)控后可以有效降低二 氧化碳排放量。

3 結(jié)論

( 1) 通過(guò)對(duì)高爐工序參數(shù)進(jìn)行分析，建立了基于主成分分析法與灰色關(guān)聯(lián)分析法的參數(shù)尋優(yōu)模型，該模型可找到在最優(yōu)經(jīng)濟(jì)指標(biāo)下的原料、操作參數(shù)集。

( 2) 因生產(chǎn)波動(dòng)導(dǎo)致高爐無(wú)法在最佳參數(shù)組合下穩(wěn)定、高效運(yùn)行，本文建立了操作參數(shù)誤差追溯模型，該模型通過(guò)各操作參數(shù)與最佳操作參數(shù)集之間的誤差可追溯造成燃料比波動(dòng)的關(guān)鍵參數(shù)，并提供相應(yīng)的優(yōu)化調(diào)控策略。

( 3) 利用 ＲBF 神經(jīng)網(wǎng)絡(luò)建立操作參數(shù)預(yù)測(cè)模型，該模型預(yù)測(cè)準(zhǔn)確度達(dá)到 99． 1% ，可準(zhǔn)確對(duì)優(yōu)化調(diào)控結(jié)果進(jìn)行預(yù)測(cè)，為高爐參數(shù)優(yōu)化調(diào)控實(shí)際操作提供參考。

( 4) 通過(guò)使用高爐參數(shù)優(yōu)化調(diào)控模型對(duì)某鋼廠進(jìn)行實(shí)例研究，結(jié)果表明，在 10 天內(nèi)，未經(jīng)模型優(yōu)化調(diào)控的燃料比在 515． 4 ～ 529． 4 kg /t 范圍波動(dòng)，而經(jīng)過(guò)模型優(yōu)化調(diào)控后的燃料比可穩(wěn)定保持在 518 kg /t。

( 5) 針對(duì)鋼鐵行業(yè)節(jié)能降碳的目標(biāo)，在研究時(shí)間內(nèi)，利用高爐參數(shù)優(yōu)化調(diào)控模型可為鋼鐵企業(yè)降低總?cè)剂狭?531． 249 t、總碳排放量 364． 12 t及 169 萬(wàn)元焦炭成本，可幫助鋼鐵企業(yè)實(shí)現(xiàn)低成本、高效穩(wěn)定及綠色生產(chǎn)。

參考文獻(xiàn):

［1］ 何坤，王立． 中國(guó)鋼鐵工業(yè)生產(chǎn)能耗的發(fā)展與現(xiàn)狀［J］． 中國(guó)冶金，2021，31 ( 9) : 26． ( HE Kun，WANG Li． Development and status of production energy con-sumption of China's iron and steel industry［J］． China Metallurgy，2021，31( 9) : 26．)

［2］ 楊帆，張千，安占來(lái)，等． 環(huán)保限產(chǎn)條件下河鋼邯鋼焦化廠配煤結(jié)構(gòu)及焦?fàn)t工藝優(yōu)化研究［J］． 山西化 工，2021，41 ( 5 ) : 264． ( YANG Fan，ZHANG Qian， AN Zhanlai，et al． Study on coal blending structure and coke oven process optimization in coking plant of Han-steel under environmental protection and production re-strictions［J］． Shanxi Chemical Industry，2021，41 ( 5) : 264．

［3］ 畢傳光，唐玨，儲(chǔ)滿生． 梅鋼 2 號(hào)高爐噴吹焦?fàn)t煤氣數(shù)值模擬［J］． 鋼鐵，2018，53 ( 4 ) : 89． ( BI Chuanguang，TANG Jue，CHU Mansheng． Mathematical modeling of Mei Steel No． 2 BF with coke oven gas injection［J］． Iron and Steel，2018，53( 4) : 89．)

［4］ 王文峰． 高爐 TＲT 余壓發(fā)電的研究與應(yīng)用［J］． 中國(guó)金屬通報(bào)，2020 ( 1) : 187． ( WANG Wenfeng． Re-search and application of blast furnace TRT residual pressure power generation［J］． China Metal Bulletin， 2020( 1) : 187． )

［5］ 王超，居勤章，張建軍，等． 寶鋼 2 號(hào)高爐余熱回收裝置節(jié)能改造實(shí)踐［J］． 寶鋼技術(shù)，2018 ( 2 ) : 58． ( WANG Chao，JU Qinzhang，ZHANG Jianjun，et al． Practices of the waste heat recovery device energy-sav-ing revamping in Baosteel No.2 blast furnace［J］． Baosteel Technology，2018( 2) : 58．)

［6］ 劉頌，劉福龍，劉二浩，等． 融合大數(shù)據(jù)技術(shù)和工藝經(jīng)驗(yàn)的高爐參數(shù)優(yōu)化［J］． 鋼鐵，2019，54( 11) : 16． ( LIU Song，LIU Fulong，LIU Erhao，et al． Optimization of blast furnace parameters based on big data technolo-gy and process experience［J］． Iron and Steel，2019， 54( 11) : 16． )

［7］ 曹維超，崔曉冬，司新國(guó)，等． 基于主成分分析的高爐指標(biāo)評(píng)價(jià)方法［J］． 河北冶金，2018 ( 8 ) : 12． ( CAO Weichao，CUI Xiaodong，SI Xinguo，et al． Inde-xes evaluation of blast furnace based on principle com-ponent analysis［J］． Hebei Metallurgy，2018 ( 8 ) : 12． )

［8］ Jolliffe I T． Principal Component Analysis［M］． New York: Springer-verlag，2002．

［9］ ZHU Yan． Management forecast based on big data fu-sion DEA and ＲBF algorithm［J］． Journal of Physics: Conference Series，2021，1952( 4) : 042012．

［10］ JIA Xueyong，WANG Jiahao． Big data driven blast furnace temperature intelligent prediction［J］． Inter-national Journal of Computational and Engineering， 2019，4( 2) : 34．

［11］ YU Yan，WANG Jun． Information entropy embedded back propagation neural network approach for debris flows hazard assessment［C］/ /Proceedings of 2019 5th International Conference on Green Materials and Environmental Engineering ( GMEE 2019 ) ． Guang-zhou: Advanced Science and Industry Ｒesearch Cen-ter，2019: 9．

［12］ 張志勰，虞旦． BP 和 ＲBF 神經(jīng)網(wǎng)絡(luò)在函數(shù)逼近上的對(duì)比與研究［J］． 工業(yè)控制計(jì)算機(jī)，2018，31 ( 5 ) : 119． ( ZHANG Zhixie，YU Dan． Comparison and research of BP and RBF neural networks in func-tion approximation［J］． Industrial Control Computer，2018，31( 5) : 119． )

［13］ ZHANG Aoming，XIE Haiyan，CAO Qinwen． The study of safety of ships' setting sail assessment based on RBF neural network［C］/ /Proceedings of 5th Inter-national Conference on Automation，Control and Ro-botics Engineering ( CACRE 2020) ． ［S． l．］: Dalian Maritime University，Hong Kong Society of Mechanical Engineers ( HKSME) ，Chengdu Sherlock Educa-tion Consulting Co．，Ltd．，2020: 5．

［14］ TAO Jili，YU Zheng． ＲBF neural network modeling ap-proach using PCA based LM-GA optimization for coke furnace system［J］． Applied Soft Computing Journal，2021，111: 107691．

［15］ JI Yufei，ZHANG Sen，YIN Yixin，et al． Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate［J］． IFAC PapersOn-Line，2018，51( 21) : 59．