面向节能型炼铁高炉的数据驱动建模方法与控制策略研究

冶炼高炉是一个极为复杂的工业反应器，至今仍有许多悬而未决的难题，如炉温预测、炼铁自动化等。本课题针对现有高炉数学模型在实际使用中存在的种种不足，旨在用数据挖掘、非线性时间序列分析等技术，探索高炉炼铁过程内部存在的混沌特性，并据此建立基于数据驱动的高炉炉温混沌预测模型，以期解决现有炉温预测模型命中率不高的问题；同时，采用机理建模和数据驱动建模相结合的综合建模方法建立高炉集成数学模型，据此建立能综合考虑高炉炼铁生产数据、工艺知识和专家经验的控制系统，以期将高炉炉温控制在一有限区域内变化- - 混沌吸引子，并使其尽可能地接近容许的下限，从而达到节约成本、降低能耗的目的。课题研究将加深人们对高炉炼铁过程内部机理的理解，为开发新一代可循环钢铁流程工艺技术提供新的思路和方法；同时也将大大丰富高炉炼铁过程的建模、控制技术的研究内容，对提高高炉炼铁过程的控制水平、实现绿色冶金和清洁炼铁具有十分重要的战略意义。

冶炼高炉是一个极为复杂的工业反应器，至今仍有许多悬而未决的难题，如炉温预测、炼铁自动化等。本课题针对现有高炉数学模型在实际使用中存在的种种不足，旨在用数据挖掘、非线性时间序列分析等技术，探索高炉炼铁过程内部存在的混沌特性，并据此建立基于数据驱动的高炉炉温混沌预测模型，以期解决现有炉温预测模型命中率不高的问题；同时，采用机理建模和数据驱动建模相结合的综合建模方法建立高炉集成数学模型，据此建立能综合考虑高炉炼铁生产数据、工艺知识和专家经验的控制系统，以期将高炉炉温控制在一有限区域内变化——混沌吸引子，并使其尽可能地接近容许的下限，从而达到节约成本、降低能耗的目的。截止到目前，大部分研究内容均已按研究计划完成，如建立了基于数据驱动的高炉炉温混沌预测模型；研究了高炉机理和数据特性协同驱动的数学模型；建立了基于数据驱动的高炉炉温预测控制模型等。相关研究成果已发表学术论文12篇，包括8篇SCI、4篇EI论文，其中2篇为国际TOP期刊IEEE Transactions on Industrial Electronics、IEEE Transactions on Neural Networks论文。同时项目主持人郜传厚和天津大学的高志伟教授、浙江大学的孔德兴教授在国际SCI杂志Journal of Applied Mathematics上组织一期题为“Modeling and Control of Complex Dynamic Systems: Applied Mathematical Aspects”的专刊；项目主持人郜传厚连同芬兰埃博学术大学的Henrik Saxen教授、日本东京大学的Tatsuro Ariyama教授等在国际SCI期刊ISIJ International上组织一期题为“Recent Progress in Modeling, Data-processing and Control of Ironmaking Process”的专刊，均围绕数据驱动相关的主题。课题研究将加深人们对高炉炼铁过程内部机理的理解，为开发新一代可循环钢铁流程工艺技术提供新的思路和方法；同时也将大大丰富高炉炼铁过程的建模、控制技术的研究内容，对提高高炉炼铁过程的控制水平、实现绿色冶金和清洁炼铁具有十分重要的战略意义。