基于支持向量回歸與極限學習機的高爐鐵水溫度預測

王振陽，江德文，王新東，張建良，劉征建，趙寶軍

1)北京科技大學冶金與生態工程學院，北京 100083

2)河鋼集團有限公司鋼鐵技術研究總院，石家莊 050023

3)昆士蘭大學化學工程學院，圣盧西亞 QLD 4072

2000 年以來，我國生鐵產量快速增加，并于2019 年全年產量達到8.06 億噸，約占當年世界生鐵產量的63%。能耗方面，我國鋼鐵行業能耗約占工業總能耗的16%，而煉鐵工序又占鋼鐵全流程能耗的70%左右。在此背景下，高爐作為煉鐵工序的主反應器，其穩定順行對我國鋼鐵工業的節能降耗與高效生產尤為重要。然而高爐原燃料波動造成的爐型改變，以及設備破損導致的不均勻傳熱等多種內外因素使高爐爐況波動時有發生，給煉鐵工序的增產降耗帶來影響[1?2].

鐵水溫度是高爐煉鐵的一項重要參數，不僅可以反映當前鐵水本身質量與高爐爐缸熱狀態，且通過其變化趨勢和幅度也能預判高爐運轉方向。因此，若能通過當前時刻的各項冶煉參數預測一定時間后的鐵水溫度變化趨勢與幅度，則可以提前采取應對調控措施，減少爐況波動，穩定高爐熱制度，從而促進高爐穩定順行與煉鐵工序節能降耗[3?6].

基于此，國內外研究學者對鐵水溫度展開了多種構建機制條件下的機器學習與模型預測研究，取得了一定進展。崔桂梅等分別采用模糊神經網絡[7]與分布式神經網絡[8]構建鐵水溫度預測模型，使鐵水溫度預測誤差在±10 ℃內的準確度達到90%。石琳等[9]基于樣條變換的非線性偏最小二乘回歸方法，控制鐵水溫度預測值與測量值的相對誤差小于0.11。……