大数据能力提升项目｜学生成果展系列之一-Toy模板网

这篇具有很好参考价值的文章主要介绍了大数据能力提升项目｜学生成果展系列之一。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

大数据能力提升项目｜学生成果展系列之一,大数据

导读

为了发挥清华大学多学科优势，搭建跨学科交叉融合平台，创新跨学科交叉培养模式，培养具有大数据思维和应用创新的“π”型人才，由清华大学研究生院、清华大学大数据研究中心及相关院系共同设计组织的“清华大学大数据能力提升项目”开始实施并深受校内师生的认可。项目通过整合建设课程模块，形成了大数据思维与技能、跨界学习、实操应用相结合的大数据课程体系和线上线下混合式教学模式，显著提升了学生大数据分析能力和创新应用能力。

回首2023年，清华大学大数据能力提升项目取得了丰硕的成果，同学们将课程中学到的数据思维和技能成功地应用在本专业的学习和科研中，在看到数据科学魅力的同时，也将自己打造成为了交叉复合型的创新型人才。下面让我们通过来自5个院系的7位同学代表一起领略他们的风采吧！

基于因果分析的烧结生产状态

预测模型

化工系过程系统工程研究所和工业大数据系统与应用北京市重点实验室李浩然

烧结单元是高炉炼铁系统的重要组成部分，对后续高炉生产的烧结矿质量有直接影响。烧结单元生产水平的高低关系到高炉产量和燃料效率。目前，烧结机状态维护主要通过手动调节，存在随意性和滞后性。为改善这一问题，需要建立针对烧结过程的模型，提前判断生产状态，为操作提供指导。

1.烧结过程概述

烧结过程包括配料、混合、进料、点火、卸料、破碎和筛选等步骤。原料混合后形成均匀烧结床层，点火后床层逐渐发展，最终形成烧结矿，进入高炉炼铁生产。

2.烧结过程特点

a)时滞性：烧结系统中变量的变化对下游变量有时间间隔，称为机制时滞。同时，由于不同变量测量时间的差异，会产生技术时滞。

b)非线性：化学反应和物理变化处于动态平衡，导致烧结系统变量之间存在明显的非线性关系。

3.挑战

由于烧结过程的时滞性和非线性，建立详细的机理模型难以适应生产状态变化。数据驱动方法因此备受关注。

4.解决办法

在烧结过程中，风箱负压能够维持空气从料层表面向下穿过料层到达主风道的压力差，使得料层内部发生充分燃烧，因此风箱负压与穿过料层的气流量、燃烧的程度、烧结的质量紧密相关。风箱废气温度是空气经过燃烧完全穿过料层后的温度，由于在烧结过程中无法直接测量料层的温度，因此风箱内的废气温度作为能够间接反映料层温度的变量显得尤为重要。烧结终点控制是烧结现场操作工调节设备参数的重要目标，烧结终点是指燃烧深度刚好完全穿透料层时的位置，若烧结终点过于靠后，则会导致料层没有烧透，影响烧结矿的质量，而若烧结终点过于提前，则会导致从烧结终点到烧结机机尾的这段距离内台车篦条温度持续过高，损坏设备，同时导致烧结矿在到达机尾时温度偏低，不利于维持较好的烧结矿质量。由于以上状态变量对烧结机生产状态的重要指示意义，选取第 14 号风箱（对应于烧结机中部）和第 22 号风箱（对应于烧结机尾部）的负压和废气温度以及烧结终点的位置和温度共 6 个状态变量作为研究目标。

为了准确预测以上 6 个关键状态变量（state variables, SVs）的变化趋势，需要分析这 6 个变量变化背后的机理。通常来说状态变量的变化与操作变量（operating variables, OVs）和状态变量历史值有关。采用因果分析的手段来分析这种机理，具体来说，一方面通过自相关函数来分析状态变量的自相关性窗口，另一方面通过收敛交叉映射方法来分析操作变量对于状态变量的因果影响及其时间窗口。因果分析层是通过数据因果性分析的方法获得关键操作变量集、自相关窗口和因果影响窗口。具体来说，通过收敛交叉映射的方法从过程操作变量中选取与状态变量有显著因果关系的操作变量构成关键操作变量集，如图中 OV1～OV9 所示，这些操作变量中蕴含了未来状态变量的变化趋势，可以作为后续神经网络的输入。除此之外，收敛交叉映射还可以得到操作变量集对状态变量影响的时间窗口，如图中 OV 对应的黑色和深灰色色块所示，这一窗口包含了变量间作用的时滞信息。自相关函数分析能够对状态变量的自相关性进行分析，从而获得状态变量的自相关窗口，如图中 SV 对应的黑色和深灰色色块所示，这一窗口包含了变量自身作用的时滞。神经网络层中接收这些信息作为学习到的知识作为输入，然后进一步学习输出关键状态变量的预测值。神经网络层采取具有全连接层的人工神经网络作为基本模型，采用开源的 pytorch 库构建神经网络。

大数据能力提升项目｜学生成果展系列之一,大数据

使用此模型对 6 个状态变量预测结果如图所示，可以发现对于 6 个状态变量，使用具有因果分析层和神经网络层的生产状态预测模型均能较准确的预测其变化趋势。状态变量的预测平均相对误差介于 0.5%至 3.1%之间，其中对于第 14 号风箱负压的预测平均相对误差是 0.51%，而对第 14 号风箱废气温度的预测平均相对误差是 3.07%，较精准地预测了状态变量的变化趋势，从而为现场操作工提前预知烧结机生产状态变化，及时调整操作变量提供了参考。

大数据能力提升项目｜学生成果展系列之一,大数据