田 毅，王 剛，蘇家慶，白 皓

( 北京科技大學冶金與生態(tài)工程學院，北京 100083)

摘要: 我國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)能手段的基礎上，鋼鐵行業(yè)探索新型節(jié)能技術實現(xiàn)高爐深度節(jié)能的目標具有重要意義。為實現(xiàn)此目標，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)預測模型。首先，對高爐進行參數(shù)尋優(yōu)，以找到在最優(yōu)核心經(jīng)濟指標下的最優(yōu)參數(shù)集; 然后，以高爐最優(yōu)參數(shù)集為標準，尋找引起操作及經(jīng)濟指標波動的關鍵參數(shù)，并形成關鍵影響參數(shù)動態(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)絡模型，對優(yōu)化調(diào)控結果進行預測，為爐參數(shù)優(yōu)化調(diào)控實際操作提供參考。通過使用某鋼鐵企業(yè)歷史生產(chǎn)數(shù)據(jù)對高爐參數(shù)優(yōu)化調(diào)控模型進行實例論證。結果表明，在研究時間范圍內(nèi)，經(jīng)過模型優(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)實現(xiàn)節(jié)約能源、降低能耗的低碳生產(chǎn)目標。

關鍵詞: 大數(shù)據(jù)挖掘; 神經(jīng)網(wǎng)絡; 高爐參數(shù)尋優(yōu); 誤差追溯; 動態(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，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世界性問題，直接關系到煉鐵成本，而能源消耗又是生產(chǎn)總成本可控制的關鍵部分^［1］。因此，實現(xiàn)高爐節(jié)能降耗是企業(yè)降低生產(chǎn)成本并提高競爭力的關鍵所在。針對此情況，中國很多鋼廠通過優(yōu)化焦化配煤結構、高爐噴吹焦爐煤氣及熱風爐余熱回收裝置等方法初步實現(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、燃料價格的升高，這些節(jié)能手段漸漸無法滿足鋼鐵行業(yè)的需求。因此，鋼鐵行業(yè)需要通過更科學、更有效的節(jié)能新技術武裝自己，以實現(xiàn)高爐深度節(jié)能的目標。高爐作為一個極端復雜的生產(chǎn)過程，想要實現(xiàn)深度節(jié)能，需要挖掘鋼鐵企業(yè)積累的高爐數(shù)據(jù)，對高爐煉鐵的技術參數(shù)進行研究，建立高爐參數(shù)優(yōu)化模型^［6］。另外，高爐時常發(fā)生波動 現(xiàn)象，從而導致在最佳參數(shù)下無法達到相應最優(yōu)生產(chǎn)狀態(tài)。因此，有必要對高爐進行動態(tài)調(diào)控，但調(diào)控高爐原料需要較長時間，無法滿足快速、精準的調(diào)控目標?；诖?，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，該模型可對波動原因進行誤差追溯并形成關鍵影響參數(shù)動態(tài)調(diào)控的優(yōu)化策略，并通過神經(jīng)網(wǎng)絡對優(yōu)化調(diào)控結果進行預測，幫助生產(chǎn)人員根據(jù)波動原因制定新的生產(chǎn)計劃，以實現(xiàn)高爐深度節(jié)能并確保高爐在生產(chǎn)過程中的穩(wěn)定、高效生產(chǎn)。

1 高爐參數(shù)優(yōu)化調(diào)控模型的建立

本文通過對某鋼鐵企業(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)預測模型。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，主要通過主成分分析法與灰色關聯(lián)分析法建立，主成分分析法可對超高維度的高爐參數(shù)進行降維，大大降低高爐數(shù)據(jù)分析難度^［7－8］; 灰色關聯(lián)分析法可確定基于經(jīng)濟指標的關鍵影響參數(shù)，進而確定關鍵影響參數(shù)的最優(yōu)集。操作參數(shù)誤差追溯模型作為第 2 個子模型，主要通過主成分分析法與綜合評價法建立，其中，綜合評價法可根據(jù)各參數(shù)在誤差中的權重找到引起操作及核心經(jīng)濟指標波動的關鍵參數(shù)，生產(chǎn)人員可使用參數(shù)最優(yōu)集合進行誤差調(diào)控。操作參數(shù)預測模型作為最后一個子模型，主要通過徑向基函數(shù)( radial basis function，ＲBF) 神經(jīng)網(wǎng)絡建立，具有訓練速度、逼近方式快和預測準確等特點，可提前預測波動時刻與優(yōu)化調(diào)控結果，以解決誤差追溯模型只能在波動后調(diào)控的滯后性問題，并為高爐參數(shù)優(yōu)化調(diào)控實際操作提供參考^［9－14］。

模型建立包括以下 3 個步驟: ( 1) 首先使用SPSS 軟件對數(shù)據(jù)進行預處理并通過灰色關聯(lián)法以利用系數(shù)與燃料比為決策指標，找到影響決策指標的關鍵參數(shù)及最佳范圍; ( 2) 然后以高爐在最優(yōu)參數(shù)下仍會發(fā)生參數(shù)及經(jīng)濟指標波動為出發(fā)點，運用數(shù)學語言對操作參數(shù)的誤差量進行合理描述，再使用主成分分析中的綜合評價法，以核心經(jīng)濟指標為決策目標，對參數(shù)的誤差量進行追溯，找到影響其波動的原因，從而建立高爐操作誤差追溯模型，并通過參數(shù)最優(yōu)值進行優(yōu)化調(diào)控; ( 3) 最后為實現(xiàn)對優(yōu)化調(diào)控結果的精準預測，利用 RBF 神經(jīng)網(wǎng)絡建立了操作參數(shù)預測模型。

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)濟指標與影響參數(shù)之間的內(nèi)在關系，以找到影響經(jīng)濟指標的關鍵參數(shù)范圍，并根據(jù)此參數(shù)范圍找到參數(shù)最佳標準集。該模型主要采用主成分分析和灰色關聯(lián)分析相結合的算法來篩選經(jīng)濟指標的關鍵影響參數(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關的無噪聲新樣本，以提高對高爐數(shù)據(jù)的分析質(zhì)量?；诟郀t數(shù)據(jù)的灰色關聯(lián)分析的實質(zhì)是根據(jù)生產(chǎn)過程的原料、操作參數(shù)與核心經(jīng)濟指標之間的關聯(lián)程度大小，找到影響核心經(jīng)濟指標的關鍵參數(shù)。關于主成分分析降維步驟如下。

1.1.1 數(shù)據(jù)預處理

在高爐生產(chǎn)過程中，高爐參數(shù)的實時數(shù)據(jù)是通過安裝在現(xiàn)場的監(jiān)測系統(tǒng)獲取的，然后儲存到數(shù)據(jù)庫中，這就使得收集到的數(shù)據(jù)會因為監(jiān)測系統(tǒng)的精度、設備的故障或各種其他外在因素的影響從而導致某個數(shù)值的缺失或偏離正常波動范圍。因此，為了提高數(shù)據(jù)分析的準確性，有必要對其進行數(shù)據(jù)預處理。本文對高爐歷史生產(chǎn)數(shù)據(jù)的預處理主要通過 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)是否在合理波動范圍內(nèi)，本文數(shù)據(jù)預處理由異常值去除、缺失值填補、數(shù)據(jù)分類及數(shù)據(jù)歸一化等步驟 組成。首先通過 SPSS 軟件標識異常個案，找到異常值，對其進行直接去除處理，然后對缺失值進行填補，目前缺失值補充方式主要有 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)在實際生產(chǎn)中的作用，本文在補充完缺失值后對高爐數(shù)據(jù)進行了大致分類，即分為原料參數(shù)和操作參數(shù)。對高爐參數(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)之間的不同量綱關系，利用 SPSS 軟件進行零均值歸一化。

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)濟指標的主要影響參數(shù)，包含高爐原料質(zhì)量參數(shù)與操作參數(shù)，當使用三維坐標系表示這些參數(shù)時，需使用 x、y、z 三個軸表示，但事實上，通過旋轉(zhuǎn)三維坐標，將其轉(zhuǎn)換為圖 1( b) 的二維坐標系，此時這 些 數(shù) 據(jù) 使 用 PC1、PC2 兩個維度表示即可，此時 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。其降維過程如下。

(1) 計算相關系數(shù)矩陣 R 。相關系數(shù)矩陣表達了各變量之間的相關性，可通過相關系數(shù)找到各變量之間的相關程度，再根據(jù)各相關矩陣特征值及特征向量，組成新的線性無關的主成分，計算過程見式( 1) 和式( 2) 。

式中: r_ij 為 第 i 個指標與第 j 個指標的相關系數(shù); g 為進行主成分分析的指標變量個數(shù); q 為評價對象個數(shù)。

( 2) 計算特征值與特征向量。計算相關系數(shù)矩陣 R 的特征值 λ₁ ≥ λ₂ ≥ … ≥ λ_g ≥ 0 及對應的特征向量 u₁，u₂，…，u_g，其中 u_j = ( u_1j ，u_2j ，…， u_qj ) T ，由特征向量組成的 h 個新的指標變量:

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

通過式( 1) ～ 式( 4) 即可實現(xiàn)對高爐數(shù)據(jù)降維，接下來將對降維后的數(shù)據(jù)進行灰色關聯(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，比較數(shù)列為高爐原料及操作過程中的各項參數(shù)。設參考數(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) 計算關聯(lián)系數(shù)，公式為

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

在實際應用中分辨系數(shù)的取值范圍一般在( 0，1) 之間，ρ 值越小，表示關聯(lián)系數(shù)間差距越大，區(qū)分能力越強。一般情況下，取 ρ = 0． 5 進行關聯(lián)度的計算。

3) 關聯(lián)度的計算。關于關聯(lián)度的計算一般用平均值法，關聯(lián)度 r 計算公式為

4) 關聯(lián)度的排序。決策指標與高爐參數(shù)之間的關聯(lián)度根據(jù)大小進行排序，關聯(lián)度 r 越大，說明兩者之間的關系越密切。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 的變化趨勢更接近，表示關系越緊密。

高爐參數(shù)優(yōu)化調(diào)控模型通過使用主成分分析法與灰色關聯(lián)分析法的綜合運用對高爐冶煉過程中的各項參數(shù)進行優(yōu)化篩選，不僅可以找出高爐經(jīng)濟指標的影響參數(shù)，還可以確定具體的冶煉參數(shù)最佳運行范圍，提高高爐的生產(chǎn)效率，為專家分析和技術人員提供優(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

由于高爐煉鐵過程的復雜性，影響高爐正常生產(chǎn)的干擾因素很多。雖然通過參數(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)中仍會發(fā)生波動 現(xiàn) 象，使生產(chǎn)偏離優(yōu)化狀態(tài)，從而無法達到最優(yōu)核心經(jīng)濟指標。因此必須采取誤差追溯的措施，找到影響高爐核心經(jīng)濟技術指標波動的瓶頸因素，并通過及時調(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而導致高爐不能在參數(shù)最優(yōu)集下高效運行的問題，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原料參數(shù)上只對高爐操作參數(shù)進行追溯與調(diào)控。對于高爐煉鐵工序，首先通過參數(shù)尋優(yōu)方法找到標準操作參數(shù)集 N° i ，其中 i ∈ ［1， β］。對于實際生產(chǎn)過程，根據(jù)生產(chǎn)記錄和監(jiān)控數(shù)據(jù)，得到上述相應參數(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。

若某一周期核心經(jīng)濟指標為 W_i，最優(yōu)經(jīng)濟指標為 W° ，相對應的周期誤差量為 Mi，對于 W_i －W° ，可通過式( 7) 求得每個操作參數(shù)的誤差量:

通過上述方式可找到每個操作參數(shù)的誤差量，利用主成分分析法對誤差量進行降維處理，進而使用綜合評價的權重分析確定誤差量中關鍵影響指標。

主成分綜合評價的權重主要是信息權重，是從評價指標包含被評價對象分辨信息多少來確定的一種權數(shù)^［15］。權數(shù)的確定原則: 某項參數(shù)在被評價對象間數(shù)值的離差越大，則該參數(shù)對燃料比波動的影響越大，其權值也就越大。利用主成分分析確定權重，需要通過以下 4 個步驟: ( 1) 將各參數(shù)零 － 均值規(guī)范化以消除量綱關系; ( 2) 求出指標在各主成分線性組合中的系數(shù); ( 3) 計算所有指標在綜合得分模型中的系數(shù); ( 4) 將指標權重進行歸一化。

令全部指標為 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系數(shù)，系數(shù)絕對值越大，說明關系越密切。每個主成分相對應的特征根用 Z_β 表示。通過式( 8) 可得到各指標在各主成分線性組合中的系數(shù):

根據(jù)主成分計算公式，原有指標與主成分之間的線性組合見式( 9) :

由于原有指標基本可以用前幾個主成分代替，因此，指標系數(shù)可以看成是以這幾個主成分方差貢獻率為權重，對指標在這些主成分線性組合中的系數(shù)做加權平均。

X_i 指標系數(shù)為

式中: E_β 為方差，可從總方差解釋表中得到。

通過式( 10) 可得到各個指標在綜合得分模型中的系數(shù)。由于所有指標的權重之和為 1，因此指標權重需要在綜合模型中指標系數(shù)的基礎上運用式( 11) 歸一化:

通過式( 11) 可以得到各個指標權重數(shù)據(jù)集，對其進行數(shù)值排名可得到引起核心經(jīng)濟指標波動的瓶頸因素，生產(chǎn)人員可根據(jù)排名結果與尋優(yōu)結果實現(xiàn)對影響參數(shù)的調(diào)控。

1.3 操作參數(shù)預測模型

操作參數(shù)預測模型旨在解決誤差追溯模型滯后性問題，并對優(yōu)化調(diào)控結果進行預測，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)預測模型由具備高精準度的 RBF 神經(jīng)網(wǎng)絡建立。RBF 神經(jīng)網(wǎng)絡模型如圖 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)過隱單元的線性加權和，即可輸出經(jīng)過優(yōu)化調(diào)控后的經(jīng)濟指標值，實現(xiàn)對優(yōu)化調(diào)控結果的預測。

預測模型的建立如下。

( 1) 數(shù)據(jù)清洗。數(shù)據(jù)清洗主要是通過找出原始數(shù)據(jù)中的無關數(shù)據(jù)和重復數(shù)據(jù)，并對一些噪聲較大的數(shù)據(jù)進行降噪平滑處理，去掉與預測模型無關的數(shù)據(jù)，篩選出需要的數(shù)據(jù)。對于 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，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。模型的輸入值為預測目標的特征，即可能影響預測目標值的變量。對于 ＲBF 神經(jīng)網(wǎng)絡而言，在一定范圍內(nèi)，特征數(shù)量越多，越能反映目標值的工作狀態(tài)，越有利于模型的預測，本模型輸入變量共計 58 項。 模型的輸出變量為模型的預測目標，即燃料比。

( 3) 結構參數(shù)的確定。ＲBF 神經(jīng)網(wǎng)絡預測性能可由 Spread 值確定，Spread 為 ＲBF 的擴展系數(shù)，過小或過大都會導致預測準確度下降，故需尋找最佳 Spread 值，以保證操作參數(shù)預測模型的準確性。其確定方法為首先輸入訓練樣本的目標值和特征值。模型利用輸入的特征進行訓練，訓練過程中模型不斷對比模型計算值和訓練目標值的誤差，不斷修正模型 Spread 值，使誤差達到最小。訓練完畢后，模型內(nèi)參數(shù)值確定，模型訓練完成。

2 實例研究

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，燃料比波動范圍為 500 ～ 530 kg /t，其中包括燒結礦成分、粒度、焦炭和各操作參數(shù)等共計 59 項參數(shù)及相同時間的監(jiān)測值。針對此鋼廠實際情況，本章利用高爐優(yōu)化調(diào)控模型設計的實例論證流程如圖 3 所示。

由圖 3 可知，在 T 時刻，操作人員可使用指標預測模型對 T + 1 時刻預定參數(shù)集進行核心經(jīng)濟指標的預測，若預測燃料比未在 520 kg /t 以內(nèi)，即對預定參數(shù)集進行誤差追溯，找到影響指標波動的因素，并對其進行調(diào)控。對于 T + 2 時刻，操作過程與 T + 1 時刻基本一致。

2.1 高爐參數(shù)尋優(yōu)

根據(jù)本文第 1． 1 節(jié)灰色關聯(lián)原理通過 MAT- LAB 軟件編寫的灰色關聯(lián)法計算高爐參數(shù)與燃料比的關聯(lián)度，進而根據(jù)關聯(lián)度大小進行參數(shù)提取及結果排序，得到標準操作參數(shù)集見表 1。表1 為操作參數(shù)尋優(yōu)模型對高爐冶煉過程中的各項參數(shù)進行優(yōu)化篩選的結果，該模型不僅可以找出高爐經(jīng)濟指標的影響參數(shù)，還可以確定具體的冶煉參數(shù)最佳運行范圍，提高高爐的生產(chǎn)效率，為專家分析和技術人員提供優(yōu)化高爐操作參數(shù)的方向，可以實現(xiàn)高爐自動調(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

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

2.3 操作參數(shù)預測

圖 4 所示為 ＲBF 神經(jīng)網(wǎng)絡最佳 Spread 值的確定及最佳網(wǎng)絡結構下的優(yōu)化調(diào)控預測結果。根據(jù)圖 4 ( a) 可知，以實際燃料比 528． 6 kg /t 為訓練目標值，當 Spread 值在 0 ～ 1 范圍內(nèi)時，預測誤差較小，所以需要對 Spread 值在 0 ～ 1 范圍內(nèi)再次進行探究，其結果如圖 4( b) 所示，當 Spread值為 0． 71 時，平均預測誤差最小。因此，ＲBF 神經(jīng)網(wǎng)絡 Spread 值設定為 0． 71。圖 4( c) 為實際測量值與 ＲBF 神經(jīng)網(wǎng)絡預測精準度對比圖?？芍褺F 神經(jīng)網(wǎng)絡的預測結果與實際測量值差值較小，因此，可以將預測模型的預測結果作為經(jīng)過模型調(diào)控后的燃料比真實值。

本節(jié)通過對比調(diào)控前后燃料比值，以證明誤差追溯模型對波動原因的調(diào)控有效性，T₁ 為保留原始數(shù)據(jù)的對照組，T₂ 為 T₁ 經(jīng)過誤差追溯調(diào)控后的新參數(shù)組，利用操作參數(shù)預測模型對 T₂ 調(diào)控結果進行預測，圖 5 所示為 T₂ 與 T₁ 對比圖。由圖 5 可知，在實際生產(chǎn)過程中，其燃料比因爐況的變化發(fā)生波動，最低為 517． 4 kg /t，最高為528． 9 kg /t，其波動值較大。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，然后逐漸趨于平穩(wěn)，在 518 kg /t 附近波動。此結果證明了高爐操作優(yōu)化調(diào)控模型針對波動原因找到了關鍵影響參數(shù)，并完成了參數(shù)的優(yōu)化調(diào)控，對高爐深度節(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)控模型無法挖掘出更多有價值信息，導致此次優(yōu)化調(diào)控效果無法進一步提升，若要利用此模型實現(xiàn)更深層次的高爐節(jié)能、降耗的目標，需要采集時間跨度大、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)之間的競爭加劇，鋼鐵企業(yè)對高爐生產(chǎn)過程中燃料節(jié)能降耗的要求更加迫切，通過實例研究表明，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)控模型可以通過尋優(yōu)結果及誤差追溯對影響燃料比波動的原因進行優(yōu)化調(diào)控，以實現(xiàn)降低燃料比的目標，燃料比的降低進而導致燃料消耗量及焦炭量的降低，結果如圖6 所示。T₂ 與 T₁ 燃料消耗量如圖 6( a) 所示，在對比范圍內(nèi)，T₂ 與 T₁ 燃料消耗總量相差531. 249 t，在第 7 天與第 9 天時，模型的調(diào)控結果并不理想，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，焦炭的價格更高，且生產(chǎn)焦炭的過程也會排放大量 CO₂，所以減少焦炭量對降低高爐煉鐵過程的 CO₂ 排放顯得尤為重要，本模型對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，經(jīng)過模型調(diào)控后焦炭量可降低127． 3 t，在不計算運輸成本的情況下，以河南準一級冶金焦3 200元 /t 的價格為例，10 天內(nèi)可降低燃料成本 169 萬元。

2.4.2 碳排放量

碳是鋼鐵冶金過程能量流與物質(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)爐煉鋼過程升溫及能量平衡的保證。鋼鐵冶金過程產(chǎn)生的二氧化碳主要來自于高爐中煤和焦炭與鐵礦石的化學反應，所以高爐生產(chǎn)可以通過降低高爐燃料來減少二氧化碳排放量。

圖 7 所示為經(jīng)過 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 來說，其影響不大。總體而言，經(jīng)過模型優(yōu)化調(diào)控后可以有效降低二 氧化碳排放量。

3 結論

( 1) 通過對高爐工序參數(shù)進行分析，建立了基于主成分分析法與灰色關聯(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)濟指標下的原料、操作參數(shù)集。

( 2) 因生產(chǎn)波動導致高爐無法在最佳參數(shù)組合下穩(wěn)定、高效運行，本文建立了操作參數(shù)誤差追溯模型，該模型通過各操作參數(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的關鍵參數(shù)，并提供相應的優(yōu)化調(diào)控策略。

( 3) 利用 ＲBF 神經(jīng)網(wǎng)絡建立操作參數(shù)預測模型，該模型預測準確度達到 99． 1% ，可準確對優(yōu)化調(diào)控結果進行預測，為高爐參數(shù)優(yōu)化調(diào)控實際操作提供參考。

( 4) 通過使用高爐參數(shù)優(yōu)化調(diào)控模型對某鋼廠進行實例研究，結果表明，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，而經(jīng)過模型優(yōu)化調(diào)控后的燃料比可穩(wěn)定保持在 518 kg /t。

( 5) 針對鋼鐵行業(yè)節(jié)能降碳的目標，在研究時間內(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 萬元焦炭成本，可幫助鋼鐵企業(yè)實現(xiàn)低成本、高效穩(wěn)定及綠色生產(chǎn)。

參考文獻:

［1］ 何坤，王立． 中國鋼鐵工業(yè)生產(chǎn)能耗的發(fā)展與現(xiàn)狀［J］． 中國冶金，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，等． 環(huán)保限產(chǎn)條件下河鋼邯鋼焦化廠配煤結構及焦爐工藝優(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，儲滿生． 梅鋼 2 號高爐噴吹焦爐煤氣數(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)電的研究與應用［J］． 中國金屬通報，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 號高爐余熱回收裝置節(jié)能改造實踐［J］． 寶鋼技術，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)技術和工藝經(jīng)驗的高爐參數(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，等． 基于主成分分析的高爐指標評價方法［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)絡在函數(shù)逼近上的對比與研究［J］． 工業(yè)控制計算機，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．