扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
湖南省志(1978-2002)?铁路志
-
>
公路车宝典(ZINN的公路车维修与保养秘籍)
-
>
晶体管电路设计(下)
-
>
无头案:雍正暴亡之谜
-
>
基于个性化设计策略的智能交通系统关键技术
-
>
花样百出:贵州少数民族图案填色
-
>
识木:全球220种木材图鉴
数据驱动建模、控制与监测——以高炉炼铁过程为例 版权信息
- ISBN：9787030697066
- 条形码：9787030697066 ; 978-7-03-069706-6
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
数据驱动建模、控制与监测——以高炉炼铁过程为例 本书特色
本书可作为高等院校控制、冶金、计算机、人工智能等学科研究生和高年级本科生的参考书，也可供自动化、数据科学及冶金领域相关研究人员和工程技术人员参考。
数据驱动建模、控制与监测——以高炉炼铁过程为例 内容简介
高炉自动化是国际公认的挑战性难题。本书从数据驱动角度系统性总结和阐述了作者近10年在高炉自动化方面的系列研究工作，主要包括数据驱动建模、控制与监测三部分内容。数据驱动建模部分主要针对难建模高炉炼铁过程数据质量不理想和非线性动态时变等问题，重点介绍了鲁棒随机权神经网络、鲁棒支持向量回归机以及递推子空间辨识等建模方法；数据驱动控制部分主要介绍面向高炉铁水质量高性能控制的数据驱动预测控制、即时学习自适应预测控制以及无模型自适应(预测)控制等方法，前两类方法为间接数据驱动控制方法，而后者为直接数据驱动控制方法；本书第三部分主要阐述面向高炉优质、低耗与稳定运行的数据驱动监测方法，包括PCA-ICA集成方法、KPLS鲁棒重构误差方法、自适应阈值KPLS方法以及改进贡献率KPLS方法。
数据驱动建模、控制与监测——以高炉炼铁过程为例 目录
目录
前言
第1章 绪论 1
1.1 引言 1
1.2 高炉炼铁过程及建模、控制与监测相关问题描述 3
1.2.1 高炉炼铁过程描述 3
1.2.2 高炉铁水质量指标 5
1.2.3 高炉铁水质量相关变量分析 7
1.2.4 高炉炼铁生产的基本操作制度 9
1.2.5 高炉炼铁过程动态特性及复杂性分析 10
1.3 高炉炼铁过程建模、控制与监测方法 12
1.3.1 高炉炼铁过程建模方法 12
1.3.2 高炉炼铁过程质量相关监测方法 14
1.3.3 高炉炼铁过程控制方法 16
1.4 本书主要内容 18
参考文献 19
第2章 基于随机权神经网络的高炉铁水质量建模 22
2.1 随机权神经网络理论基础 23
2.1.1 随机权神经网络算法简介 24
2.1.2 随机权神经网络算法实现要点 26
2.2 集成自编码器与PCA的高炉铁水质量RVFLNs建模 27
2.2.1 自编码器简介 28
2.2.2 集成自编码器与PCA的RVFLNs算法 28
2.2.3 工业数据验证 32
2.3 高炉铁水质量鲁棒正则化RVFLNs建模 40
2.3.1 正则化与鲁棒估计简介 41
2.3.2 鲁棒正则化RVFLNs算法 49
2.3.3 工业数据验证 54
2.4 高炉铁水质量鲁棒OS-RVFLNs建模 62
2.4.1 建模策略 62
2.4.2 带有遗忘因子的在线序贯学习RVFLNs算法 63
2.4.3 鲁棒OS-RVFLNs算法 66
2.4.4 工业数据验证 71
2.5 基于GM-估计与PLS的铁水质量鲁棒RVFLNs建模 77
2.5.1 建模策略 77
2.5.2 PLS-RVFLNs算法 78
2.5.3 基于GM-估计与PLS的鲁棒RVFLNs算法 80
2.5.4 工业数据验证 83
参考文献 89
第3章 基于支持向量回归的高炉铁水质量鲁棒建模 91
3.1 支持向量回归理论基础 92
3.1.1 支持向量分类机 92
3.1.2 支持向量回归机 93
3.1.3 核函数 95
3.2 基于稀疏化鲁棒LSSVR的铁水硅含量建模 97
3.2.1 建模问题描述 97
3.2.2 稀疏化鲁棒LSSVR建模算法 97
3.2.3 R-S-LSSVR参数多目标遗传优化 100
3.2.4 工业数据验证 102
3.3 基于多输出鲁棒LSSVR的多元铁水质量建模 107
3.3.1 建模问题描述 107
3.3.2 多输出鲁棒LSSVR建模算法 108
3.3.3 多输出鲁棒LSSVR参数多目标遗传优化 112
3.3.4 工业数据验证 114
参考文献 120
第4章 基于子空间辨识的高炉铁水质量建模 121
4.1 子空间辨识算法理论基础 121
4.1.1 正交投影 122
4.1.2 斜向投影 122
4.1.3 QR分解 123
4.1.4 奇异值分解 123
4.2 基于线性子空间辨识的高炉铁水质量建模 124
4.2.1 系统状态空间描述 124
4.2.2 子空间辨识数据矩阵构造 125
4.2.3 线性子空间辨识算法 127
4.2.4 工业数据验证 129
4.3 基于递推子空间辨识的高炉铁水质量在线建模 132
4.3.1 递推子空间辨识算法 132
4.3.2 工业数据验证 134
4.4 基于递推双线性子空间辨识的高炉铁水质量在线建模 136
4.4.1 递推双线性子空间辨识算法 137
4.4.2 工业数据验证 141
4.5 基于非线性子空间辨识的高炉铁水质量建模 142
4.5.1 基于LSSVM的非线性子空间辨识算法 143
4.5.2 工业数据验证 149
参考文献 153
第5章 高炉炼铁过程其他数据驱动建模方法 155
5.1 高炉十字测温中心温度估计的M-ARMAX建模 155
5.1.1 高炉十字测温过程及建模问题描述 156
5.1.2 建模算法 158
5.1.3 工业数据验证 163
5.2 建模误差PDF形状优化的高炉十字测温中心温度估计 169
5.2.1 小波神经网络算法简介 170
5.2.2 建模策略与建模算法 173
5.2.3 工业数据验证 179
5.3 面向建模误差PDF形状与趋势拟合优度多目标优化的铁水
质量建模 181
5.3.1 建模策略 182
5.3.2 建模算法 183
5.3.3 数值仿真 185
5.3.4 工业数据验证 187
参考文献 188
第6章 高炉铁水质量数据驱动预测控制 189
6.1 预测控制及相关问题 190
6.2 基于单输出LSSVR建模的铁水硅含量非线性预测控制 191
6.2.1 控制算法 192
6.2.2 工业数据验证 193
6.3 基于多输出LSSVR逆系统辨识的铁水质量预测控制 194
6.3.1 控制算法 195
6.3.2 工业数据验证 198
6.4 基于线性子空间在线预测建模的铁水质量自适应预测控制 201
6.4.1 控制算法 202
6.4.2 工业数据验证 203
6.5 基于双线性子空间在线预测建模的铁水质量自适应预测控制 208
6.5.1 控制算法 209
6.5.2 工业数据验证 210
参考文献 214
第7章 基于即时学习的高炉铁水质量自适应预测控制 216
7.1 即时学习方法理论基础 217
7.1.1 即时学习基本原理 217
7.1.2 即时学习的几个主要问题 218
7.2 基于线性即时学习的铁水硅含量自适应预测控制 221
7.2.1 控制算法 221
7.2.2 工业数据验证 226
7.3 基于快速JITL-R-M-LSSVR的铁水质量自适应预测控制 231
7.3.1 快速JITL-R-M-LSSVR策略 232
7.3.2 快速JITL-R-M-LSSVR算法 234
7.3.3 基于快速JITL-R-M-LSSVR的非线性预测控制 241
7.3.4 工业数据验证 242
参考文献 252
第8章 高炉铁水质量无模型自适应控制 254
8.1 基本MFAC算法及其在高炉铁水质量控制的问题分析 255
8.1.1 基于紧格式动态线性化的铁水质量MFAC设计算法 256
8.1.2 基于偏格式动态线性化的铁水质量MFAC设计算法 259
8.1.3 基于全格式动态线性化的铁水质量MFAC设计算法 261
8.1.4 基本MFAC算法的铁水质量控制效果及问题分析 264
8.2 基于多参数灵敏度分析与遗传算法参数优化的铁水质量MFAC方法 271
8.2.1 多参数灵敏度分析与遗传算法参数优化简述 272
8.2.2 改进MFAC控制策略与算法 274
8.2.3 基于多参数灵敏度分析和遗传算法参数优化的MFAC控制器参数整定方法 275
8.2.4 工业数据验证 281
8.3 高炉铁水质量鲁棒无模型自适应预测控制方法 288
8.3.1 高炉铁水质量扩展MFAPC方法 289
8.3.2 高炉铁水质量鲁棒MFAPC方法 298
8.3.3 工业数据验证 302
参考文献 310
第9章 集成PCA-ICA的高炉炼铁过程异常工况监测 312
9.1 集成PCA-ICA的高炉炼铁过程异常工况监测策略 313
9.2 过程监测算法 316
9.2.1 基于PCA的高炉炼铁过程监测算法 316
9.2.2 基于ICA的高炉炼铁过程监测算法 317
9.2.3 高炉炼铁过程集成PCA-ICA的统一贡献图辨识算法 318
9.3 工业数据验证 320
9.3.1 所提方法过程变量权值参数分配 320
9.3.2 高炉炼铁过程异常监测与辨识效果 322
参考文献 326
第10章 基于KPLS鲁棒重构误差的高炉燃料比监测方法 328
10.1 基于KPLS的非线性过程检测方法 330
10.2 基于KPLS鲁棒重构误差的故障识别方法 333
10.2.1 故障识别算法 333
10.2.2 故障识别指标 336
10.3 数值仿真 337
10.4 工业数据验证 340
10.4.1 高炉燃料比检测效果 340
10.4.2 基于KPLS鲁棒重构误差的燃料比异常识别效果 342
参考文献 344
第11章 基于自适应阈值KPLS的高炉铁水质量异常检测方法 346
11.1 基于自适应阈值的KPLS异常检测算法 347
11.1.1 基于EWMA的自适应阈值 347
11.1.2 异常检测策略与算法 349
11.2 数值仿真 350
11.3 工业数据验证 357
11.3.1 高炉铁水质量异常检测问题描述 357
11.3.2 高炉铁水质量异常检测结果分析 358
参考文献 361
第12章 基于改进贡献率KPLS的高炉铁水质量监测与异常识别 363
12.1 铁水质量相关过程监测的问题分析 364
12.2 高炉炼铁过程质量相关故障识别 366
12.2.1 所提方法基本思想 366
12.2.2 故障识别的贡献推导 367
12.2.3 相对贡献率及控制限 369
12.3 数值仿真 370
12.4 工业数据验证 374
参考文献 380
前言
第1章 绪论 1
1.1 引言 1
1.2 高炉炼铁过程及建模、控制与监测相关问题描述 3
1.2.1 高炉炼铁过程描述 3
1.2.2 高炉铁水质量指标 5
1.2.3 高炉铁水质量相关变量分析 7
1.2.4 高炉炼铁生产的基本操作制度 9
1.2.5 高炉炼铁过程动态特性及复杂性分析 10
1.3 高炉炼铁过程建模、控制与监测方法 12
1.3.1 高炉炼铁过程建模方法 12
1.3.2 高炉炼铁过程质量相关监测方法 14
1.3.3 高炉炼铁过程控制方法 16
1.4 本书主要内容 18
参考文献 19
第2章 基于随机权神经网络的高炉铁水质量建模 22
2.1 随机权神经网络理论基础 23
2.1.1 随机权神经网络算法简介 24
2.1.2 随机权神经网络算法实现要点 26
2.2 集成自编码器与PCA的高炉铁水质量RVFLNs建模 27
2.2.1 自编码器简介 28
2.2.2 集成自编码器与PCA的RVFLNs算法 28
2.2.3 工业数据验证 32
2.3 高炉铁水质量鲁棒正则化RVFLNs建模 40
2.3.1 正则化与鲁棒估计简介 41
2.3.2 鲁棒正则化RVFLNs算法 49
2.3.3 工业数据验证 54
2.4 高炉铁水质量鲁棒OS-RVFLNs建模 62
2.4.1 建模策略 62
2.4.2 带有遗忘因子的在线序贯学习RVFLNs算法 63
2.4.3 鲁棒OS-RVFLNs算法 66
2.4.4 工业数据验证 71
2.5 基于GM-估计与PLS的铁水质量鲁棒RVFLNs建模 77
2.5.1 建模策略 77
2.5.2 PLS-RVFLNs算法 78
2.5.3 基于GM-估计与PLS的鲁棒RVFLNs算法 80
2.5.4 工业数据验证 83
参考文献 89
第3章 基于支持向量回归的高炉铁水质量鲁棒建模 91
3.1 支持向量回归理论基础 92
3.1.1 支持向量分类机 92
3.1.2 支持向量回归机 93
3.1.3 核函数 95
3.2 基于稀疏化鲁棒LSSVR的铁水硅含量建模 97
3.2.1 建模问题描述 97
3.2.2 稀疏化鲁棒LSSVR建模算法 97
3.2.3 R-S-LSSVR参数多目标遗传优化 100
3.2.4 工业数据验证 102
3.3 基于多输出鲁棒LSSVR的多元铁水质量建模 107
3.3.1 建模问题描述 107
3.3.2 多输出鲁棒LSSVR建模算法 108
3.3.3 多输出鲁棒LSSVR参数多目标遗传优化 112
3.3.4 工业数据验证 114
参考文献 120
第4章 基于子空间辨识的高炉铁水质量建模 121
4.1 子空间辨识算法理论基础 121
4.1.1 正交投影 122
4.1.2 斜向投影 122
4.1.3 QR分解 123
4.1.4 奇异值分解 123
4.2 基于线性子空间辨识的高炉铁水质量建模 124
4.2.1 系统状态空间描述 124
4.2.2 子空间辨识数据矩阵构造 125
4.2.3 线性子空间辨识算法 127
4.2.4 工业数据验证 129
4.3 基于递推子空间辨识的高炉铁水质量在线建模 132
4.3.1 递推子空间辨识算法 132
4.3.2 工业数据验证 134
4.4 基于递推双线性子空间辨识的高炉铁水质量在线建模 136
4.4.1 递推双线性子空间辨识算法 137
4.4.2 工业数据验证 141
4.5 基于非线性子空间辨识的高炉铁水质量建模 142
4.5.1 基于LSSVM的非线性子空间辨识算法 143
4.5.2 工业数据验证 149
参考文献 153
第5章 高炉炼铁过程其他数据驱动建模方法 155
5.1 高炉十字测温中心温度估计的M-ARMAX建模 155
5.1.1 高炉十字测温过程及建模问题描述 156
5.1.2 建模算法 158
5.1.3 工业数据验证 163
5.2 建模误差PDF形状优化的高炉十字测温中心温度估计 169
5.2.1 小波神经网络算法简介 170
5.2.2 建模策略与建模算法 173
5.2.3 工业数据验证 179
5.3 面向建模误差PDF形状与趋势拟合优度多目标优化的铁水
质量建模 181
5.3.1 建模策略 182
5.3.2 建模算法 183
5.3.3 数值仿真 185
5.3.4 工业数据验证 187
参考文献 188
第6章 高炉铁水质量数据驱动预测控制 189
6.1 预测控制及相关问题 190
6.2 基于单输出LSSVR建模的铁水硅含量非线性预测控制 191
6.2.1 控制算法 192
6.2.2 工业数据验证 193
6.3 基于多输出LSSVR逆系统辨识的铁水质量预测控制 194
6.3.1 控制算法 195
6.3.2 工业数据验证 198
6.4 基于线性子空间在线预测建模的铁水质量自适应预测控制 201
6.4.1 控制算法 202
6.4.2 工业数据验证 203
6.5 基于双线性子空间在线预测建模的铁水质量自适应预测控制 208
6.5.1 控制算法 209
6.5.2 工业数据验证 210
参考文献 214
第7章 基于即时学习的高炉铁水质量自适应预测控制 216
7.1 即时学习方法理论基础 217
7.1.1 即时学习基本原理 217
7.1.2 即时学习的几个主要问题 218
7.2 基于线性即时学习的铁水硅含量自适应预测控制 221
7.2.1 控制算法 221
7.2.2 工业数据验证 226
7.3 基于快速JITL-R-M-LSSVR的铁水质量自适应预测控制 231
7.3.1 快速JITL-R-M-LSSVR策略 232
7.3.2 快速JITL-R-M-LSSVR算法 234
7.3.3 基于快速JITL-R-M-LSSVR的非线性预测控制 241
7.3.4 工业数据验证 242
参考文献 252
第8章 高炉铁水质量无模型自适应控制 254
8.1 基本MFAC算法及其在高炉铁水质量控制的问题分析 255
8.1.1 基于紧格式动态线性化的铁水质量MFAC设计算法 256
8.1.2 基于偏格式动态线性化的铁水质量MFAC设计算法 259
8.1.3 基于全格式动态线性化的铁水质量MFAC设计算法 261
8.1.4 基本MFAC算法的铁水质量控制效果及问题分析 264
8.2 基于多参数灵敏度分析与遗传算法参数优化的铁水质量MFAC方法 271
8.2.1 多参数灵敏度分析与遗传算法参数优化简述 272
8.2.2 改进MFAC控制策略与算法 274
8.2.3 基于多参数灵敏度分析和遗传算法参数优化的MFAC控制器参数整定方法 275
8.2.4 工业数据验证 281
8.3 高炉铁水质量鲁棒无模型自适应预测控制方法 288
8.3.1 高炉铁水质量扩展MFAPC方法 289
8.3.2 高炉铁水质量鲁棒MFAPC方法 298
8.3.3 工业数据验证 302
参考文献 310
第9章 集成PCA-ICA的高炉炼铁过程异常工况监测 312
9.1 集成PCA-ICA的高炉炼铁过程异常工况监测策略 313
9.2 过程监测算法 316
9.2.1 基于PCA的高炉炼铁过程监测算法 316
9.2.2 基于ICA的高炉炼铁过程监测算法 317
9.2.3 高炉炼铁过程集成PCA-ICA的统一贡献图辨识算法 318
9.3 工业数据验证 320
9.3.1 所提方法过程变量权值参数分配 320
9.3.2 高炉炼铁过程异常监测与辨识效果 322
参考文献 326
第10章 基于KPLS鲁棒重构误差的高炉燃料比监测方法 328
10.1 基于KPLS的非线性过程检测方法 330
10.2 基于KPLS鲁棒重构误差的故障识别方法 333
10.2.1 故障识别算法 333
10.2.2 故障识别指标 336
10.3 数值仿真 337
10.4 工业数据验证 340
10.4.1 高炉燃料比检测效果 340
10.4.2 基于KPLS鲁棒重构误差的燃料比异常识别效果 342
参考文献 344
第11章 基于自适应阈值KPLS的高炉铁水质量异常检测方法 346
11.1 基于自适应阈值的KPLS异常检测算法 347
11.1.1 基于EWMA的自适应阈值 347
11.1.2 异常检测策略与算法 349
11.2 数值仿真 350
11.3 工业数据验证 357
11.3.1 高炉铁水质量异常检测问题描述 357
11.3.2 高炉铁水质量异常检测结果分析 358
参考文献 361
第12章 基于改进贡献率KPLS的高炉铁水质量监测与异常识别 363
12.1 铁水质量相关过程监测的问题分析 364
12.2 高炉炼铁过程质量相关故障识别 366
12.2.1 所提方法基本思想 366
12.2.2 故障识别的贡献推导 367
12.2.3 相对贡献率及控制限 369
12.3 数值仿真 370
12.4 工业数据验证 374
参考文献 380
展开全部
数据驱动建模、控制与监测——以高炉炼铁过程为例 节选
第1章 绪论 1.1 引言 钢铁是工业的“骨骼”，而钢铁工业是国民经济的支柱产业。中国的钢铁工业诞生于风起云涌的晚清洋务运动时期，经历了约一个半世纪的漫长发展过程。1949年新中国伊始，中国的钢铁产量只有15.8万t，仅相当于当时美国钢铁产量的2.2‰，不及全球钢铁年总产量的0.1%，居世界第26位。改革开放后，随着国家集中投资的中国宝山钢铁厂开工并建成投产，中国的钢铁工业进入快速发展的黄金时期，粗钢产量在1996年、2003年、2005年、2006年分别突破了1亿t、2亿t、3亿t和4亿t关口。在2005年，中国真正结束了依靠进口钢材满足国内需求的历史，实现了进口和出口的基本平衡。自2014年后，中国粗钢产量突破8亿t大关，至今一直保持在8亿t以上的规模，牢牢占据着世界粗钢年产量的“半壁江山”。2021年1月18日，国家统计局公布的*新数据显示：2020年我国生铁、粗钢和钢材（含重复材）产量创历史新高，分别为88752万t、105300万t和132489万t，同比分别增长4.3%、5.2%和7.7%。特别是粗钢产量，2020年首次突破10亿t大关。2021年4月，全国生产粗钢9785.0万t，同比增长13.40%，粗钢日产水平为326.17万t/日，环比增长7.54%。2021年6月，全球64个纳入世界钢铁协会统计国家的粗钢产量为1.679亿t，同比提高11.6%，这其中中国同比提高1.5%，印度同比提高21.4%，而日本和美国同比均提高44.4%。因此，种种数据和权威分析表明，我国以及世界钢铁需求和产量仍然处在上升期，而钢铁工业的优化和可持续绿色发展也将一直是世界重点关注的问题。 中国是钢铁大国，但还不是钢铁强国，主要表现为钢铁质量、能耗等方面与发达国家还有一定差距，中高端钢材仍然依赖进口，受制于人，每年需从日本、韩国、美国，以及欧洲国家等钢铁强国进口数千万吨高技术含量和高附加值的钢铁产品。2020年，我国出口钢材5367万t，同比下降16.5%，而进口钢材2023万t，同比增长64.4%。近年来，为了积极响应国家的“碳达峰”和“碳中和”目标，我国钢铁工业已付出很大努力进行节能、减排和降碳，主要污染物和碳排放强度逐年下降。但由于体量大和工艺流程的特殊性，总量控制压力仍然巨大。目前，我国钢铁工业能源消耗约占全国总能耗的11%，而碳排放量约占全国碳排放总量的15%，以及全球钢铁工业碳排放总量的50%左右。并且钢铁工业主要污染物排放量已超过电力行业，成为我国工业领域*大的排放源[1]。因此，新时期我国钢铁工业节能减排与提质增效仍然任重道远。实际上，我国钢铁行业“十三五”期间坚持绿色发展和质量为先，以提高产品稳定性、可靠性为核心，实现质量效益型转变[2]。这表明国家在“十三五”期间就已特别注重钢铁行业的节能降耗和钢铁产品质量的提升，这也是满足我国全面建成小康社会对质量、效益俱佳的制造材料和建设材料重大需求需要攻克的世纪难题。2021年开篇的“十四五”是中国实现“碳达峰”和“碳中和”目标的关键时期。钢铁行业作为我国制造业碳排放的“**”行业，必须有效推动行业绿色低碳转型高质量发展，加快实现钢铁行业“碳达峰”。 钢铁制造是典型的长流程、多工序流程型连续工业系统，如图1.1.1所示，主要包括前端由烧结和高炉等主体工序构成的大型炼铁系统，中部的炼钢-连铸系统以及后端的轧制（热轧、冷轧）系统。这其中以大型高炉与大型烧结机等重大耗能设备为主体工序的前端炼铁系统是长流程钢铁制造的前端核心环节，也是钢铁制造能耗*大、污染排放*高的生产环节。据统计，炼铁系统生产的能耗和污染排放占整个钢铁工业的70%左右，而生产成本约占60%。因此，长期稳定、高效运行的前端炼铁系统是实现整个钢铁工业深度节能减排、提质增效和高质量绿色发展的基础和保障。然而我国大多数炼铁系统原燃料品位低、成分波动大、工况动态时变、关键参数无法实时在线检测等原因，造成炼铁系统一直难以实现整体控制与优化运行，其生产运行过程及关键指标在人工监督的半自动化操作下呈现频繁波动的高动态特性，不利于新时期我国钢铁工业高质量发展与“双碳”目标的实现。 当前，不管钢铁冶炼技术如何发展，高炉炼铁一直是现代炼铁的*主要方式，其产量占到了世界生铁总量的90%以上。这是因为，相对于直接还原法、熔融还原法、等离子法等其他炼铁方式，高炉炼铁具有工艺相对简单、产量大、劳动生产率高等诸多优势。现代高炉炼铁由古代竖炉炼铁方法改造并发展起来，其主要是应用含铁矿石（烧结矿、球团矿及天然富块矿）、焦炭和熔剂（石灰石、白云石）在竖式反应器——高炉内经过一系列复杂的物理化学反应连续生产出液态高温生铁的过程。高炉炼铁在整个钢铁制造流程的位置如图1.1.1所示，是钢铁制造的前端核心工序，起着承上启下的关键作用，也是整个钢铁制造的瓶颈工序。从冶炼生产过程来说，高炉炼铁过程铁水产物的质量对后续转炉炼钢有着重大影响，因而进行铁水质量调控以获得优质高产的铁水是高炉冶炼过程操作核心目的。生产实践经验表明，高炉炼铁过程只有长期稳定顺行才能取得高质量、高产量、低能耗和高效益的生产技术指标。但高炉冶炼环境极其恶劣，很多关键参数缺乏有效的检测设备，其冶炼状态很难通过内部的反应状态以及少数检测参数来获知。因此，针对炼铁高炉，尤其是*终铁水质量指标的建模、控制与监测的科研与实践工作一直是整个钢铁制造的核心工程。 图1.1.1 典型钢铁制造流程示意图 综上，结合我国大型炼铁系统资源与环境约束日益增强的国情，在我国由钢铁大国向钢铁强国转型升级和建设制造强国、实现高质量发展的重大战略需求牵引下，融合时下人工智能与数据驱动技术快速发展的机遇，亟须研究有效的高炉炼铁过程建模、控制与监测方法来降低高炉炼铁过程的能源消耗和提高铁水质量，并保持铁水质量的稳定性与过程运行的安全性和可靠性。 1.2 高炉炼铁过程及建模、控制与监测相关问题描述 1.2.1 高炉炼铁过程描述 高炉炼铁是一个伴有高温、高压、高粉尘以及多相多场耦合等生产特点的复杂连续生产过程，在密闭炉体内经过复杂的物理化学反应将固态铁矿石还原成液态生铁。在风口前，燃料的燃烧反应生成高温还原性气体，使得在高炉内部产生两股运动流，一个是自下而上运动的高温煤气流，另一个是自上而下下降的铁矿石、焦炭、溶剂等的炉料流。高炉内发生的一切复杂的物理和化学变化均是由于两股运动流，即炉料流与高温煤气流的相向运动并产生相互作用的结果，包括下降炉料的加热及分解、水分的蒸发、铁元素及其他微量元素的还原、造渣及脱硫、生铁的形成及渗碳等[3]。图1.2.1是一个典型的高炉炼铁过程示意图，而图1.2.2是我国柳钢本部2号高炉炼铁系统实景图。一个完整的高炉炼铁系统主要包括高炉本体以及5个高炉冶炼所需的辅助系统。其中，高炉本体按内部结构由上而下又可以分为炉喉、炉身、炉腰、炉腹和炉缸5个部分，而高炉其他辅助系统主要包括上料系统、燃料（主要是煤粉）喷吹系统、热风系统、出铁系统和高炉煤气处理与脱尘系统，如图1.2.1所示，具体介绍如下。 图1.2.1 高炉炼铁过程示意图 （1）上料系统用于实现高炉的上部调剂，即装料制度调剂。高炉冶炼生产时，将焦炭、铁矿石及石灰石等溶剂依照规定配比称量并筛分后装入料车，通过皮带机将炉料运输至高炉炉顶，由装料设备装入高炉内，从高炉炉顶按规定要求进行分批布料，保持炉喉料面高度和形状满足特定生产需求。 （2）燃料喷吹系统与热风系统用于实现高炉的下部调剂。燃料喷吹系统用于热制度调剂，负责均匀、稳定地从风口向高炉内部喷入煤粉、油或天然气等辅助燃料。热风系统用于送风制度调剂，由鼓风机和多座热风炉等设备组成，负责连续不断地通过环绕在高炉炉腹周围的风口向高炉本体供给1200℃左右的高温热风。 （3）出铁系统主要任务是及时处理产出的高温液态铁水（1500℃左右）和炉渣。在高温高压下，铁矿石通过与焦炭和喷吹燃料中的碳以及一氧化碳的氧化还原反应炼出液态生铁，高温铁水从出铁口排出并装入铁罐车（如鱼雷罐、开口罐等）送往下一道生产工序。生成生铁的同时，伴随着炉渣的生成，炉渣经过撇渣器从出渣口排出。 （4）高炉煤气处理与脱尘系统主要任务是回收处理高炉煤气。风口前焦炭燃烧产生大量煤气，高炉煤气不断向上运动，与下降的炉料发生以氧化还原反应为主的一系列复杂物理化学反应，从而将铁从铁矿石中还原出来。上升的高炉煤气*终从炉顶回收，经过重力除尘、余压发电等环节回收再利用。 （a）柳钢本部2号高炉远景 （b）高炉本体局部（c）热风炉实景 （d）高炉出铁实景 图1.2.2 柳钢本部2号高炉炼铁系统实景图 1.2.2 高炉铁水质量指标 高炉炼铁生产的*终产品是高温液态铁水，即生铁。生铁中除铁成分外，还含有碳、硅、锰、磷、硫等常规元素，还有一些微量元素及某些特有元素。此外，铁水温度是铁水物理热的表征，指示高炉稳定顺行状况及生产过程能耗情况。实际炼铁生产过程中，通常采用铁水温度（MIT）、硅含量 （[Si]）、磷含量（[P]）、硫含量（[S]）等几个主要指标作为综合性的铁水质量指标[3]，以此来衡量高炉炼铁过程的铁水质量状况。 铁水温度（molten iron temperature， MIT）是高炉产品熔融生铁的物理温度，表征炉缸物理热的标志，体现了炉内运行状态。铁水温度过低不利于渣铁形成和去除杂质，且易产生喷溅现象，而铁水温度过高，炉温上行会导致炉料下降缓慢。因此，铁水温度的变动能够体现炉内波动情况，铁水温度相对稳定是高炉炼铁过程稳定顺行、提高生产效率的前提。高炉操作应实时监测铁水温度及变化趋势，提前预判并采取调控措施，这对于稳定高炉热制度、减少炉况的波动以及提高生铁质量和降低焦比等都具有重要意义。通常，高炉的出铁温度一般需要控制在1480～1530℃，且一般不应小于1480℃。 铁水硅含量也称作铁水的化学热，是代表炉缸温度的指标。生铁[Si]高则表示炉缸温度高，因此，生铁中[Si]的变化是衡量炉缸温度变化走势和炉缸燃烧状态的重要指标。生铁中的硅由高炉原料中的二氧化硅（SiO2）还原得到，对熔化铁水的流动性具有促进作用，同时，能够减少铸件的收缩程度，使其冷却时不易变形。但是，铁水[Si]过高，会增加生铁的硬脆性。此外，铁水[Si]高时渣量大，对降低铁水中磷、硫的含量有一定帮助，但同时硅高的铁水易喷溅，出产的生铁硬而脆，金属收率低，因此本质上需要一定的控制。一般情况下，在炉况稳定时铁水[Si]控制在0.4%～0.7%，在短期计划休风时控制在0.8%～1.0%。 铁水中磷元素属于有害元素，在高炉中通过与碳的直接还原产生。铁水中磷会使后续工序钢材在低温下的韧性大幅度下降，出现“冷脆性”；可使结晶过程容易出现偏析，影响钢材的冲击韧性；也可使钢的偏析度增大，焊接性能降低，增加回火脆性敏感性等。此外，铁水中过高的磷含量会加重对高炉炉衬冲蚀，降低高炉炉龄。因此，炼铁过程中期望磷含量越低越好，铁水[P]一般要求小于0.2%。 硫元素是对生铁*有害的元素，能够抑制碳化铁的分解，增加铁的硬脆性，降低切削性能和韧性。铁水中硫能够与铁化合成硫化铁，使得生铁具有热脆性并且降低熔化铁水的流动性。因此，要求生铁中硫含量愈小愈好。降低铁水中硫，通常应减少炉料和燃料中的含硫量、增大渣量以增加“排硫量”。增加渣量，必导致炉料含铁量下降，不利于高炉冶炼，而且增加燃料消耗。实际炉料中的硫主要来自燃料，所以增加渣量，又陷入增加硫含量的恶性循环。铸造生铁[S]不得超过0.06%，且一般需要控制在0.02%～0.035%。 此外，铁水中的常见元素还有锰和钛。锰元素（Mn）是通过高炉原料中锰的高价氧化物在炉缸还原为低价氧化物，*终还原成锰金属溶入生铁中。锰属于过渡族元素，在铁水中一般也是有害元素，可在铁水中无限溶解。锰元素在铁水中的存在，会降低黏度，一方面加快铁水
书友推荐
- >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥6.9¥14.0 - >
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
¥9.9¥23.0 - >
名家带你读鲁迅:朝花夕拾
名家带你读鲁迅:朝花夕拾
¥10.5¥21.0 - >
中国历史的瞬间
中国历史的瞬间
¥17.9¥38.0 - >
罗庸西南联大授课录
罗庸西南联大授课录
¥18.6¥32.0 - >
伊索寓言-世界文学名著典藏-全译本
伊索寓言-世界文学名著典藏-全译本
¥6.1¥19.0 - >
我从未如此眷恋人间
我从未如此眷恋人间
¥15.9¥49.8 - >
【精装绘本】画给孩子的中国神话
【精装绘本】画给孩子的中国神话
¥17.6¥55.0
本类畅销
-
珠宝玉石分级和检验手册
¥12.5¥33 -
2022图书×抽奖盲袋
¥9.9¥25 -
2023读书月阅读盲盒——天黑，闭眼，刀谁？
¥42.3¥158 -
-
2022读者节纪念徽章-三星会员专属
¥45¥45.6 -
2023读书月阅读盲盒——我什么场面没见过？
¥42.3¥158
