论文部分内容阅读
竖炉焙烧生产过程作为选矿厂整个生产流程中的一个重要环节,其主要任务是将弱磁性的赤铁矿通过高温还原处理转变为强磁性的铁矿石,以满足磁选管回收率、煤气消耗、台时产量等综合生产指标的要求。由于其生产过程具有多变量、强耦合、强非线性、大滞后等特性,难以建立起被控变量优化设定的机理模型。单一的常规控制理论与技术难以实现竖炉焙烧复杂的控制,难以为竖炉焙烧被控变量找到合适的设定值,导致生产指标难以控制在目标值范围内。数据挖掘是一项可以从大量数据中获取有价值信息的数据分析工具,自从提出来,就得到广泛的应用。关联规则挖掘是数据挖掘中的一项重要技术,能够挖掘到各数据属性之间的关联关系,它的研究和应用也是数据挖掘中比较活跃和深入的分支。因此,本文提出用关联规则的算法来解决竖炉焙烧被控变量优化设定的问题,它可以分析得到竖炉焙烧各参数之间的相互关系,从而为缩短被控变量设定的时间,被控变量的正确设定,保证安全生产提供新的解决思路。本文主要工作如下:1.分析了竖炉焙烧工艺流程,并对采集到的竖炉焙烧数据进行分析,选择使用关联规则算法对数据进行处理。2.对k-means算法进行改进,改进后的算法能得到更好的聚类效果,提高聚类效率,且针对具体问题使聚类的效果更能达到实际要求。3.针对竖炉焙烧数据的特点,结合经典FP-Growth算法与Apriori算法的优点,提出T-Apriori算法,提高挖掘此类数据库的效率。4.结合应用需求,用改进的k-means算法对数据进行数据预处理,然后使用改进的T-Apriori关联规则算法建立竖炉焙烧的数据挖掘模型,并根据挖掘模型遵循标准的数据挖掘流程,挖掘得到竖炉被控变量和检测变量之间的关系,保存规则表。把规则表导入到现场的控制系统中,根据检测到的变量,通过检索规则表就可以对被控变量进行正确的设定,从而为竖炉焙烧被控变量的优化设定,缩短设定时间提供了新的解决思路。