基于数据挖掘与清洗的高炉操作参数优化

doi:10.12068/j.issn.1005-3026.2020.08.015

东北大学学报:自然科学版 ›› 2020, Vol. 41 ›› Issue (8): 1153-1160.DOI: 10.12068/j.issn.1005-3026.2020.08.015

基于数据挖掘与清洗的高炉操作参数优化

刘馨，张卫军，石泉，周乐

(东北大学冶金学院，辽宁沈阳110819)

收稿日期:2019-09-23 修回日期:2019-09-23 出版日期:2020-08-15 发布日期:2020-08-28
通讯作者: 刘馨
作者简介:刘馨(1992-)，女，河北张家口人，东北大学博士研究生；张卫军(1977-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家“十三五”重点研发计划项目(2017YFA0700300)；国家自然科学基金资助项目(U1760115).

Operation Parameters Optimization of Blast Furnaces Based on Data Mining and Cleaning

LIU Xin， ZHANG Wei-jun， SHI Quan， ZHOU Le

School of Metallurgy， Northeastern University， Shenyang 110819， China.

Received:2019-09-23 Revised:2019-09-23 Online:2020-08-15 Published:2020-08-28
Contact: LIU Xin
About author:-
Supported by:
-

摘要/Abstract

摘要： 为了提高企业生产力，实现“智慧钢厂”，对企业的海量生产数据信息进行有效挖掘，收集了某钢厂最近4年的高炉生产数据，利用箱型图进行数据清洗，提高数据质量.采取工艺理论和专家经验结合随机森林算法筛选出23个影响铁水质量和产量的特征参数.以铁水产量和铁水［Si+Ti］质量分数为目标参数，通过k-means聚类分析法将其分为3类.将分类结果与特征参数整合后进行分析，得到造成铁水产量和质量大范围波动的13个参数，同时提供了相应参数的合理控制范围.研究可对高炉稳定顺行以及数据挖掘在钢铁行业的应用提供指导.

关键词: 智慧钢厂, 数据挖掘, 特征工程, k-means聚类, 随机森林, 高炉

Abstract: Effective mining of mass production data helps to improve the productivity and the level of management to realize “smart steel works”. The production data for the last 4 years of one steel works were collected， and the box plot was used to clean the data to improve their quality. Twenty-three characteristic parameters affecting hot metal quality and yield were selected by technological theory and expertise combined with the random forest algorithm. Hot metal yield and Si+Ti content were taken as the objective parameters， which could be divided into three categories by k-means cluster analysis. Thirteen parameters contributing to the wide range fluctuation of hot metal yield and quality were obtained after the comprehensive analysis of classification results and characteristic parameters， and the reasonable variable ranges of corresponding parameters were provided. The research can guide the stable operation of blast furnaces and the application of data mining in the iron and steel industry.

Key words: smart steel works, data mining, feature engineering, k-means clustering, random forest, blast furnace

中图分类号:

TF572

刘馨，张卫军，石泉，周乐. 基于数据挖掘与清洗的高炉操作参数优化[J]. 东北大学学报:自然科学版, 2020, 41(8): 1153-1160.

LIU Xin， ZHANG Wei-jun， SHI Quan， ZHOU Le. Operation Parameters Optimization of Blast Furnaces Based on Data Mining and Cleaning[J]. Journal of Northeastern University Natural Science, 2020, 41(8): 1153-1160.

参考文献

[1]张寿荣，于仲洁.中国炼铁技术60年的发展［J］.钢铁，2014，49(7):8-14.(Zhang Shou-rong，Yu Zhong-jie.Development of ironmaking technology in the past 60 years［J］.Iron and Steel，2014，49(7):8-14.)
[2]周渝生，曹传根，甘菲芳.高炉长寿技术的最新进展［J］.钢铁，2003，38(11):70-74，8.(Zhou Yu-sheng，Cao Chuan-gen，Gan Fei-fang.Recent development of BF long-campaign technology［J］.Iron and Steel，2003，38(11):70-74，8.)
[3]徐雪松，杨胜杰.大数据背景下中国钢铁生产能源管控路径优化研究［J］.工业技术经济，2017，36(1):32-40.(Xu Xue-song，Yang Sheng-jie.The optimization of iron and steel enterprises energy management under the background of big data［J］.Journal of Industrial Technological Economics，2017，36(1):32-40.)
[4]王钧超.大数据时代产业经济信息分析及在宏观决策中的应用［D］.北京:中国地质大学，2016.(Wang Jun-chao.Analysis of industrial economic information and its application in macro decision in the era of big data.［D］.Beijing:China University of Geosciences，2016.)
[5]Krumeich J，Werth D，Loos P，et al.Advanced planning and control of manufacturing processes in steel industry through big data analytics:case study and architecture proposal［C/OL］//IEEE International Conference on Big Data.Washington DC，2014［2019-08-25］.https://ieeexplore.ieee.org/document/7004408.
[6]Guo S，Yu J X，Liu X J，et al.A predicting model for properties of steel using the industrial big data based on machine learning［J］.Computational Materials Science，2019，160:95-104.
[7]Kang L，Du H L，Zhang H，et al.Systematic research on the application of steel slag resources under the background of big data［J/OL］.Complexity，2018［2019-08-05］.https://www.hindawi.com/journals/complexity/2018/6703908/.
[8]中冶京诚全流程大数据分析系统探索智慧钢铁［N］.世界金属导报，2018-11-27.(The whole process of big data analysis system to explore the wisdom of steel—CERI［N］.World Metal Report，2018-11-27.)
[9]白瑞国，徐立山，包阔，等.大数据过程质量控制系统在钢铁生产中的应用［J］.中国冶金，2018，28(8):76-80.(Bai Rui-guo，Xu Li-shan，Bao Kuo，et al.Application of big data process quality control system in iron and steel production［J］.China Metallurgy，2018，28(8):76-80.)
[10]Brandenburger J，Colla V，Nastasi G，et al.Big data solution for quality monitoring and improvement on flat steel production［J］.IFAC:Papers On Line，2016，49(20):55-60.
[11]Han Y，Li J，Yang X L，et al.Dynamic prediction research of silicon content in hot metal driven by big data in blast furnace smelting process under Hadoop cloud platform［J/OL］.Complexity，2018［2019-08-25］.https://doi.org/10.1155/2018/8079697.
[12]Hua C，Wu J，Li J，et al.Silicon content prediction and industrial analysis on blast furnace using support vector regression combined with clustering algorithms［J］.Neural Computing and Applications，2017，28(12):4111-4121.
[13]吕庆，刘月明，张振峰，等.基于承钢生产数据预测烧结矿FeO含量［J］.钢铁研究学报，2018，30(12):957-962.(Lyu qing，Liu Yue-ming，Zhang Zhen-feng，et al.Prediction of FeO content in sinter based on production data of Chengde Steel Mill［J］.Journal of Iron and Steel Research，2018，30(12):957-962.)
[14]吕庆，刘颂，刘小杰，等.基于大数据技术的烧结全产线质量智能控制系统［J］.钢铁，2018，53(7):1-9.(Lyu qing，Liu song，Liu Xiao-jie，et al.Intelligent control system based on big data technology for whole production line of sintering quality［J］.Iron and Steel，2018，53(7):1-9.)
[15]马富涛，张建良，张磊，等.铁前数模技术进展与大数据应用探讨［J］.钢铁，2018，53(12):1-9.(Ma Fu-tao，Zhang Jian-liang，Zhang lei，et al.Introduction of development and progress of mathematical modeling technology in iron-making area and discussion on application prospects of big data technology［J］.Iron and Steel，2018，53(12):1-9.)
[16]Dixon B E，Duke J，Grannis S.Measuring and improving the quality of data used for syndromic surveillance［J］.Online Journal of Public Health Informatics，2017，9(1):182-189.
[17]Genuer R，Poggi J M，Malot C T.Variable selection using random forests［J］.Pattern Recognition Letters，2010，31(14):2225-2236.
[15]关守平，房少纯.一种新型的区间-粒子群优化算法［J］.东北大学学报(自然科学版)，2012，33(10):1381-1384.(Guan Shou-ping，Fang Shao-chun.A new interval particle swarm optimization algorithm［J］.Journal of Northeastern University(Natural Science)，2012，33(10):1381-1384.)

基于数据挖掘与清洗的高炉操作参数优化

Operation Parameters Optimization of Blast Furnaces Based on Data Mining and Cleaning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	房晓晴，刘书含，孙文强. 高炉煤气管网水力建模及调度策略[J]. 东北大学学报（自然科学版）, 2023, 44(1): 69-75.
[2]	史本慧，刘炳南，罗志国，邹宗树. 热风在高炉热风围管中流动特性的模拟研究[J]. 东北大学学报（自然科学版）, 2022, 43(5): 755-760.
[3]	李鸿儒，任子洋，黄友鹤，于霞. 基于变权重奇异谱分析的心律不齐识别方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 305-312.
[4]	丁敬国，郭锦华. 基于主成分分析协同随机森林算法的热连轧带钢宽度预测[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1268-1275.
[5]	郭永春，郑海燕，胡心光，沈峰满. CaO-SiO₂-MgO-Al₂O₃四元渣系Al₂O₃活度预测模型[J]. 东北大学学报（自然科学版）, 2021, 42(5): 652-657.
[6]	李壮年，储满生，柳政根，李宝峰. 基于机器学习和遗传算法的高炉参数预测与优化[J]. 东北大学学报:自然科学版, 2020, 41(9): 1262-1267.
[7]	王述红，朱宝强，王鹏宇. 模拟退火聚类算法在结构面产状分组中的应用[J]. 东北大学学报:自然科学版, 2020, 41(9): 1328-1333.
[8]	李晨，张家伟，张昊，汪茜. 基于生成对抗网络的低分化宫颈癌病理图像分类[J]. 东北大学学报:自然科学版, 2020, 41(7): 1054-1061.
[9]	于震梁，孙志礼，张毅博，王健. 一种自适应PC-Kriging模型的结构可靠性分析方法[J]. 东北大学学报:自然科学版, 2020, 41(5): 667-672.
[10]	康月，刘超，张玉柱，姜茂发. 气淬法粒化高炉渣实验研究[J]. 东北大学学报:自然科学版, 2020, 41(2): 212-216.
[11]	郑艳，陈家楠，吴凡，付彬. 基于CGRU模型的语音情感识别研究与实现[J]. 东北大学学报:自然科学版, 2020, 41(12): 1680-1685.
[12]	杜培培，张玉柱，龙跃. M_k对调质高炉渣制备矿渣棉过程中熔渣性能影响[J]. 东北大学学报:自然科学版, 2019, 40(9): 1279-1283.
[13]	徐礼胜，张闻勖，庞宇轩，吴承暘. 基于短时心电信号的疲劳驾驶检测算法[J]. 东北大学学报:自然科学版, 2019, 40(7): 937-941.
[14]	马小刚，陈良玉，李杨. 基于响应面法炉腹异型管铜冷却壁的长寿技术优化[J]. 东北大学学报:自然科学版, 2019, 40(5): 710-715.
[15]	康月，刘超，张玉柱，姜茂发. 气淬法制备高炉渣玻璃微珠的性能[J]. 东北大学学报:自然科学版, 2019, 40(2): 202-206.