基于大数据技术的高炉炉缸温度预测

作     者：王坤 

作者单位：华北理工大学 

学位级别：硕士

导师姓名：吕庆

授予年度：2020年

学科分类：080602[工学-钢铁冶金] 08[工学] 0806[工学-冶金工程] 

主      题：炉缸温度 铁水温度 AdaBoost算法 CART决策树 K-Means聚类 

摘      要：炉缸温度是炉缸热状态在数值上的映射,对于反映炉缸活跃程度有着十分良好的效果,是判断高炉顺行与否的一项重要的指标。当下铁水温度的采集频次已经达到能够用于数据分析的水平,并且铁水温度作为炉缸温度的物理热的体现,能够很好地反映炉缸内部的热量储备情况。但由于铁水温度仅在出铁的时候才能进行采集,不能满足高炉调控的时效性。通过构建以铁水温度作为输出项的预测模型更好地捕捉铁水温度的变化情况。通过算法挖掘高炉操作与铁水温度之间的潜在联系,学习两者间的规律,从而实现铁水温度的实时预测,辅助操作者进行高炉调剂,稳定高炉生产顺行。原始数据具有“大噪声的特性,需对原始数据进行清洗。针对重复数据,以时间轴为标准进行去重;针对异常数据使用拉依达准则进行离群点数据的标记与统计,然后按照空缺值得处理方式,用线性插值函数进行填补,保证数据的连续性。并通过方差检验、相关性分析和基于决策树的梯度提升算法进行特征参数的挑选。选择了AdaBoost集成学习算法行进模型的构建。以CART决策树模型作为集成学习算法的基学习机,不断地对训练集进行学习,直到最小误差值达到理想状态或者迭代次数达到设定值。针对AdaBoost集成算法对于离群值敏感的问题,引入K-Means聚类算法对铁水温度进行分类,保证结果同类数据高度相似,基于分类结果再进行AdaBoost建模,取得了良好的预测效果。图18幅;表7个;参71篇。