（控制理论与控制工程专业论文）基于神经网络的lf炉终点预报研究.pdf

l 1 、? 。“j-、1， at h e s i sf o rt h ed e g r e eo fm a s t e ri nc o n t r o lt h e o 曙a n dc o n t r o le n i n e e r i n g - r e s e a r c ho fl f e n d p o i mp r e d i c t i o nb a s e do nn e u r a ln e t 、v o r k b ym ay i n g h u a s u p e r v i s o r ：p r o f e s s o rg a ox i a n w e n n o r t he a s t e r nu n i v e r s i 锣 j a n u a r y2 0 0 8 独创性声明 本人声明所呈交的学位论文是在导师的指导下完成的。论文中取得的 研究成果除加以标注和致谢的地方外，不包含其他人已经发表或撰写过的 研究成果，也不包括本人为获得其他学位而使用过的材料。与我一同工作 的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示诚挚 的谢意。 学位论文作者签名：马墨移 签字日期：伽g 弓 学位论文版权使用授权书 本学位论文作者和指导教师完全了解东北大学有关保留、使用学位论 文的规定：即学校有权保留并向国家有关部门或机构送交论文的复印件和 磁盘，允许论文被查阅和借阅。本人同意东北大学可以将学位论文的全部 或部分内容编入有关数据库进行检索、交流。 ( 如作者和导师同意网上交流，请在下方签名：否则视为不同意) 学位论文作者签名：马莰掺 导师签名： 签字日期：知g 乃、签字日期： i i p ， 冉 羹 东北大学硕士学位论文摘要 基于神经网络的l f 炉终点预报研究 摘要 当今世界先进炼钢生产工艺流程的一个重要环节是精炼炉炼钢，它是将电弧炉冶炼 后的钢水，加入脱氧剂、合金料，进行脱氧、脱硫和均匀合金成分，炼制优质钢和特种 钢的钢水二次冶炼工艺。其中，精炼期的终点预报是精炼炉优化控制的重要组成部分。 如何精确控制钢液温度和终点成分，是一个迫切需要解决的课题。l f 炉钢水温度以及终 点成分的准确预测，对提高钢水质量、降低炼钢成本、合理组织生产、对操作人员选择 最佳控制策略是很有帮助的。 本课题在查阅了大量国内外相关文献的基础上，对精炼炉终点预报方法作了深入的 研究。在对各种预报方法了解的基础上，结合实际工艺和目前研究的实际条件决定采用 改进的神经网络算法作为终点预报方法。它的基本思想是：基于对以往现场数据进行分 析和掌握神经元网络模型，并结合炼钢的实际工艺特点，确定神经网络模型的各种参数， 进而获得终点预报模型，再根据已经训练好的神经网络模型对现场采集来的数据进行预 报。 在精炼炉炼钢的过程中，其中一个重要的控制目标是精炼炉炼钢终点温度和钢水成 分。本课题首先应用统计模型进行终点预报，最后应用一种改进b p 神经网络，通过建立 钢水的终点温度、成分与各影响因素之间的模型，对炼钢终点进行预报。其预报结果说 明了这个神经网络模型有较强的自学习能力，并且收敛特性比传统算法更好，预报结果 具有较高的精度。 关键词：神经网络；精炼炉；终点预报；最小二乘法 。 、- 东北大学硕士学位论文a b s t r a c t r e s e a r c ho fl f e n d p o i n tp r e d i c t i o nb a s e do nn e u r a ln e t 、v o r k a b s t r a c t a sa ni n l p o r t a n tp 缸o ft l l ea d v 锄c e ds t e e lm a 心n g p r o d u c tp r o c e s si i lt h ew o r l d ，t h el a d l e 向m a c e ( l f ) s t e e lm a l ( i n gi sal 【i n do fs e c o n d a r ys m e l t i n gp r o c e s s 、) ，h i c ha d d sd e o x i d a 芏l ta i l d a l l o yt ot 1 1 em o l t c ns t e e l t od e o x y g e n a t e ，d e s u l p h u r i z e 锄du i l i f o mm ec o m p o n e n t ，证q r d e rt 0 s m e l th i 曲q u a l 时a l l ds p e c i a lt ) ，p es t e e l t h e r e i m o ，e n d p o 缸p r e d i c t i o no fl a d l ef 证n a c es t e e l m a k j n gi si m p o r t a mp a no ft h el a d l e 缸m a c es t e e lc o n 仰1 i ti sav e 巧i m p o n l 加a t eq u e s t i o n h o wt 0c o n 仃o lt e m p e r a t u r ea 1 1 dc o m p o n e n to fs t e e lo ne n d p o i n ta c c u r a t e l y i ti s h e l p m lt 0 o p e r a t o rc h o o s i n g恤 m o s te 肫c t i v ec o n 们l p o l i c y n l ea c c u r a t ep r e d i c t i o no fl f s t e m p e r a t u r e 觚dc o m p o n e mo fs t e e li ne n d p o i n ti sv e 巧h e l p m lt oo 唱a u l i s i i l gp r o d u c t i o n m t i o n a l l ya n di m p r o v i n gq 砌i 够o fs t e e la n dr e d u c i n gs t e e lm 出n g sc o s t ni sv a l u a b l et 0 o p e r a t o rc h o o s i n g 也em o s te f r e c t i v ec o n 仃o lp o l i c yt o o t h em e s i sh a v em a d eap 抓i c u l a rs t u d yt oe n d p o i n tp r e d i c t i o no fl a d l ef 啪a c eb 2 l s e do n r e f e r r i n gt 0m el a r g en u m b e r so fl i t e r a t u r e k n o w m gd i f j f - e r e mp r e d i c t i o nm e t h o d ，t 1 1 ep 印e r l l a v en e u r a ln e t 、帕r kp r e d i c t i v ec o n 仃o la s 也eb a s a jp r e d i c t i o nm e t l l o d ，w h i c hc o n s i d e r i n g p r a c t i c a lp r o c e s sa n da c t u a lr e s e a r c hc o n d i t i o n t h em a i ni d e ao fn e u r a ln e 艄，o r kp r e d i c t i v e c o n 仃o li s c a l c u l a t i i 玛t h ep a r a m e t e ro fm em o d e l ，a n d 也e np r e d i c tt 1 1 eo t i l e rs p o td a t a a c c o r d i n gm ec o n f i 肋e dm o d e la i l dt l l ec o n t r o l l e r ，b a s e do nt l l ea i l a l y s i so ft i l ep a l s ts p o td a t a 锄dt 1 1 em a s t e r ) ro ft l l ep r e v i o u sn e u r 试n e t 、o r km o d e la 1 1 dc o i l s i d e r i n gp 豫c t i c a lc h a r a c t e r i s t i c o fs t e e lm a ：虹n gp r o c e s s t h ev e r yi m p o r t a n tc o n t r o lo b j e c t so fm el fs t e e lm a k i n g p r o c e s si s 慨t e m p e m l = u r ea n d c o m p o n e n to fs t e e l i ne n d p o i m u s i n ga ni m p r 0 v e db pn e u r a ln e t 、v o r km o d e l ，am a t l l e m a t i c a j m o d e lo fe n d p o i n tt e m p e r a t u r ea n dc o m p o n e n t sa n dc o n e l a t i v ef a c t o r sa r ed e v e l o p e dt 0 p r e d i c tm ee n d p o i n to fl f - s t e e lm a k i n g t h ep r e d i c t i o nr e s u l t ss h o w e dt 1 1 e a l g o r i t h mh a s c o m p a r a t i v e l y o n ga b i l i t ) ro fs e l f 二咖d y i n g a n d “sm 础e m a t i ca l g o 矾1 i i lh a sb e t t e r c o n v e r g e n c ec h a r a c t e rt h a l lc o n v e m i o n a lb po n e t h ep r e c i s i o no ft h er e s u l t si sc o m p a r a t i v e l y 1 1 i 曲 1 ( e y w o r d s ： n e u r a ln e t w o r k ；l a d l em m a c e ；e n d p o i n tp r e d i c t i o n ；l e a l s ts q u a 托m e t h o d i i i ， 东北大学硕士学位论文目录 目录 独创性声明i 摘要i i a b s t r a c t i i i 第一章绪论1 1 1 弓f 言。l 1 2 神经网络理论概况1 1 2 1 神经网络发展概况1 1 2 2 神经网络的结构与类型2 1 2 3 神经网络的主要特点3 1 3 神经网络在钢铁工业中的应用4 1 3 1 国外开发、应用现状- 4 1 3 1 1 在炼铁过程中的应用4 1 3 1 2 在炼钢过程中的应用5 1 3 2 国内开发、应用现状6 1 4 课题的目的和意义j 7 1 5 课题主要工作7 第二章精炼炉概述9 2 1 引言9 2 2l f 炉技术历史与现状1 0 2 3 钢水二次精炼概况10 2 3 1l f 炉设备简介1 0 2 3 2l f 炉的精炼功能1 2 2 3 3l f 法精炼工艺1 3 2 - 3 4l f 炉优点1 4 2 4 国内外成分与温度控制进展概况。1 4 2 4 1 炼钢过程的检测技术1 4 22 4 1 1 钢水温度的检测方法1 5 2 4 1 2 钢水成分的在线分析。1 6 2 4 2 炼钢终点预报方法的现状1 6 2 4 2 1 国外概况：17 2 4 2 2 国内概况19 一i v 东北大学硕士学位论文 目录 第三章预报方法研究2 l ： 3 】引言2 l 3 2 基于最小二乘法的终点预报2l 3 3 神经网络原理2 5 3 3 1 神经网络模型2 6 3 3 1 1 处理单元的基本特性- 。2 6 3 3 1 2 神经元激活函数。2 6 3 3 2 网络学习过程2 8 3 3 3 网络模型选择。：3 0 3 3 3 1b p 网络算法3 2 3 3 3 2 网络训练步骤3 5 3 3 3 3 算法改进措施3 7 第四章精炼炉终点预报研究3 9 4 1 引言- 。3 9 4 2 网络模型设计3 9 4 2 1 样本数据的产生。3 9 4 2 2 训练样本集预备4 0 4 2 3 数据的预处理。4 l 4 2 3 1 数据筛选4 l 4 2 3 2 输入输出数据标准化4 l 4 2 4 网络参数设定4 2 4 2 5 网络模型确定4 4 4 3 神经网络模型训练4 4 4 4l f 炉终点预报仿真试验4 5 4 4 1 终点预测结果4 5 4 - 4 2 误差分析5 0 4 5 利用神经网络终点预报指导生产5 0 第五章结论。5 3 参考文献：二。5 5 致 射5 9 一v 一 钿每i ， q - _一 东北大学硕士学位论丈第一章绪论 第一章绪论弟一早瑁了匕 1 1 引言 随着经济和科学技术的不断发展，人们对炼钢生产率、钢的成本、钢的纯净度以及 使用性能等方面，都提出了越来越高的要求。炼钢技术由原来单一设备完成初炼和精炼 的一步炼钢，转变为由传统炼钢设备对钢水进行初炼，再经专用设备进行精炼的二次炼 钢。精炼炉的工艺可提高钢的质量、扩大品种及调节转炉与连铸的生产节奏实现多炉连 浇。精炼炉精炼终点成分与温度精确控制对于钢的质量和连铸操作的顺行十分重要。由 于炼钢过程是一个非常复杂的多元多相高温物理化学过程，难以用数学模型描述，参数 耦合关系极其复杂，且是一时变、非线性和分布参数的多输入多输出系统。对于这样复 杂的工业对象，以往的成分及温度预测的计算模型使用起来有各自的局限性，因此对开 发新的预报方法提出了要求。目前，以神经网络为代表的预报方法是解决这类控制难题 ：， 的有效方法。 本章中简单介绍了神经网络的概况以及神经网络在钢铁工业中的应用概况，最后阐 述了课题的意义及简要概括了本文的主要工作。 1 2 神经网络理论概况 1 2 1 神经网络发展概况 人工神经网络( a n i f i c i a ln e u r 出n e 铆o r k ，简称a n n ) 技术是一种全新的模拟人脑功 能的信息处理系统。它主要借鉴了人脑神经系统处理信息的过程，以数学网络拓扑为理 论基础，以大规模并行性、高度的容错能力以及自适应、自学习、自组织等功能为特征i 集信息加工与存储一体化，具有广泛的应用前景。作为智能控制的一个分支，a n n 以 其独特的非传统表达方式和固有的学习能力，引起了控制界的广泛关注。 神经网络的发展已有半个世纪之久。1 9 4 3 年，m c c u l l o c h 和p i t t s 合作建立了第一个 神经网络的数学模型，即著名的m p 神经元模型。1 9 4 9 年，h e b b 定义了第一个学习规 则，称之为h e b b 学习规则。1 9 5 7 年，r o s e n b l a t t 推广了m p 模型，首次引进了感知器 ( p e r c e p t r o n ) 概念，从而掀起了神经网络研究的第一次高潮。上世纪6 0 年代中期m i n s 和 p 印e r t 在p e r c e p t r o n 一书中指出了感知机的局限性。7 0 年代到8 0 年代初期，一些科 学家仍坚持在神经网络领域研究，并取得了些重要成果，如g r o s s b e r y 提出自适应共 振理论，k o h o n e n 提出的自组织映射理论，f u k u s h i m a 提出了认知机( r e c o 鲈i t i o n ) 模型 东北大学硕士学位论文 第一章绪论 等，其中w e r b o s 提出的误差反向传播( b a c kp r o p a g a t i o n ，简称b p ) 学习算法，是迄今影 响最大、使用最多的网络学习算法。1 9 8 2 年和1 9 8 4 年，h o p f i e l d 提出了离散回归神经 网络模型和连续回归神经网络模型，引入了能量函数，给出了网络稳定性判据，并给出 了连续模型的放大器电路实现。这一突破性的工作标志着神经网络研究高潮的重新兴 起。1 9 8 6 年，r 眦l e m a r 和m c c l e l l a i l d 等人提出并行分布处理，重新发现并改进了b p 算法。正是这些重要的研究成果唤起了人们对神经网络的研究热情，大量的理论与应用 研究成果涌现在各种刊物，这一领域得到了迅猛发展，神经网络的应用研究很快渗透到 各个领域。 1 2 2 神经网络的结构与类型 ( 1 ) 神经网络的基本结构 组成神经网络的每一个神经元模型可以表示为图1 1 ： 该模型具有多个输入和一个输出，模型的内部状态有输入信号的加权和给出。神经 元的输出可以表达成式( 1 1 ) ： 一 y 1 3 f ) = 厂( w 声，( f ) 一秒) ( 1 1 ) f = l 式中，秒是神经元的阈值，刀是输入的数目，f 是时间，权系数w f 表示连接的强度，厂 ) 为输出函数。 y 图1 1 神经兀模型 f 嘻1 1t h es k e t c hf i g u r eo f t l l eb i o l o 科n e r v ec e n 。 ( 2 ) 神经网络的类型 神经网络的类型有很多，目前已有几十种，它们是从不同角度对生物神经系统的不 同层次的抽象和简单模拟。从功能特性和学习特性来分，典型的神经网络类型主要包括 感知器、线性神经网络、多层映射b p 网络、径向基函数( 1 强f ) 网络、双向联想记忆( b a m ) 、 h o p f i e l d 模型、b 0 1 t z m a n 机、自适应共振理论( a r t ) 、对偶传播( c p n ) 模型等。运用这些 2 一 ， 奄 东北大学硕士学位论文第一章绪论 网络模型可实现函数近似( 数字逼近映射) 、数据聚集、模式分类、优化计算、概率密 度函数估计等功能。 一般来说，当神经网络的模型确定以后，一个神经网络的特性及其功能主要取决于 网络的拓扑结构和学习算法。从拓扑结构的角度，神经网络可以分为以下几种基本形式： ( a ) 前向神经网络、( b ) 外反馈神经网络、( c ) 内反馈神经网络、( d ) 层内互连前向网络、 ( e ) 互连网络。 任何一个神经网络用于模式识别时，其分类功能的实现都决定于下面三个因素：一 是网络神经元非线性函数的形式：二是网络学习方式及所采用的学习算法；三是网络连 接方式及工作状态。学习和训练几乎对所有的神经网络来说都是最基本的。网络不是通 过修改处理单元本身完成训练过程，而是靠改变网络中连接结点间的权值来学习【l l 。 多层前向神经网络是最常用、最流行的神经网络模型，它的逼近能力和训练算法是 其应用的关键。误差反向传播( b p ) 算法是最著名的多层前向网络训练算法。因其简单易 行、计算量小、并行性强等特点，通用性强。主要用于多参数、非线性预报。只要有适 当的隐节点数，b p 网络就可以拟合任意非线性连续函数，这就为描述复杂工艺过程提 供了一个很有吸引力的数学工具【2 】。从神经网络原理可知，将特征变量和目标变量联结 起来的是网络结构，在数学上，网络是一个多元多层隐函数关系，难以清楚地理出输入 元和输出元之间关系。但是，这并不妨碍它正确地预报，应用神经网络建模是新一代自 动控制系统的重要手段。 1 2 3 神经网络的主要特点 神经网络的主要特点可分为以下四点： ( 1 ) 分布存储和容错性 神经网络存储信息的方式与传统计算机的方式不同，一个信息不是存储在一个地 方，而是分布在不同的位置。网络的某一部分也不只存储一个信息，它的信息是分布存 储的。神经网络是用大量神经元之间的连结及对各连结权值的分布来表示特定的信息。 因此，这种分布存储方式即使当局部网络受损时，仍然能够恢复原来的信息。 ( 2 ) 大规模并行处理 神经网络在结构上是并行的，而且网络的各个单元可以同时进行类似的处理过程。 因此，网络中的信息处理是在大量单元中平行而又有层次的进行，运算速度高。 ( 3 ) 自学习、自组织和自适应 学习和适应要求在时间过程中系统内部结构和联系方式有改变，神经网络是一种变 结构系统，能够完成对环境的适应和对外界事物的学习。神经元之间的连结多种多样， 各神经元间的连结强度具有一定的可塑性。这样，网络可以通过学习和训练进行自组织 东北大学硕士学位论文第一章绪论 以适应不同信息处理的要求【引。 ( 4 ) 丰富的动态特性。 神经网络是大量神经元的集体行为，并不是各单元行为的简单相加，因而表现出一 般复杂非线性动态系统的特性。 对控制科学而言，神经网络的巨大吸引力在于： ( 1 ) 神经网络本质上是非线性系统，能够充分逼近任意复杂的非线性关系。 ( 2 ) 具有高度的自适应性和自组织性，能学习和适应严重不确定性系统的动态特性。 ( 3 ) 系统信息分布存储在网络的神经元及连接权中，故有很强的鲁棒性和容错能力。 ( 4 ) 信息的并行处理方式使得快速进行大量运算成为可能。 1 3 神经网络在钢铁工业中的应用 1 3 1 国外开发、应用现状 神经网络在国外钢铁工业应用中侧重于生产操作和过程控制，且多与专家系统相结 合。以日本为例，在1 9 9 l 至1 9 9 2 两年间就有十余项工业应用实例【4 j 。 1 3 1 1 在炼铁过程中的应用 炼铁是钢铁工业应用人工神经网络最活跃的一个领域，这主要归因于炼铁在线可测 数据较多，为其应用提供了充分必要的输入信息。 烧结过程要求原料条件稳定且布料密度尽可能均匀。日本神户制钢应用人工神经网 络很好地实现了加热曲线控制的模型化。其处理方法是：首先利用自组织神经网络分类 学习具有代表性的温度曲线，并针对具体温度曲线下的平均主排气温度的定性指标( 高、 中、低) 学习烧结矿成品率( 高、中、低) 以及相应调整措施。训练结束后，针对现场 具体条件下的温度曲线、主排气温度就可以判明烧结状态的局部变化、预见成品率并通 过调整烧结机宽度方向布料或台车前进速度来调节烧结，以稳定目标成品率。但模型还 不能反映温度分布变化对烧结指标带来的定量影响，也未能靠此网络实现控制参数的自 动定量调节。韩国浦项钢铁公司的光阳厂也采用了类似模型指导泥辊下布料闸门的开启 作业。 日本川崎制铁厂在其6 号高炉的炉温预测和热风量调节专家系统中采用了b p 网络 模型。高炉炉温通常可由铁水温度和成分推测，但还应考虑原料在炉内下降情况、高炉 煤气成分变动及炉壁温度变化等各因素，而炉温则靠调节热风温度和湿度来控制。炉温 预测神经网络输入端包括原料下降情况、煤气成分变化、炉体热损失变化及铁水信息等 1 2 个过程参数，输出分别表示炉温“升高”、“降低”、“稳定的程度。该三层b p 模 型可预测未来2 3 h 的炉温趋向。除预报炉温情况，在同一专家系统中又设置了另一个 b p 网络来调节热风量。热风量主要由产量要求来决定，又根据原料下降隋况、出铁渣 4 东北大学硕士学位论文第一章绪论 不良及炉子透气性等做调整。由这些影响因素( 共3 2 。个过程信息) 为结点输入就可确 定热风量的调节方案。 日本神户制钢为诊断和控制炉况对高炉炉顶煤气温度分布、料面曲线、炉墙温度分 布以及碳溶损量建立了基于神经网络模型的模拟方法。其高炉在炉喉各方向共设置2 2 个温度计，用于测量炉顶煤气温度分布。在将温度曲线分类为两个基本类型( 边缘较中 间稍高的w 型、边缘和中间几乎相同的l 型) 后，运用b p 网络对生产过程温度曲线 自动识别分类。实际证明，网络输出的识别结果与人工目测的判断结果一致性很好。由 于网络输出能把炉顶煤气温度曲线与标准l 型或w 型的接近程度定量表示出来( 如用 o 7 3 w 和o 2 7 l 来表示) ，因此由识别结果很容易得到与其它操作数据及炉况的解析关 系。另外，以高炉半径方向上1 5 个料面高度的测量点所测数据为输入，并以人为设定 的7 种曲线为标准输出，实现了对料面曲线的动态自动识别。而且神经网络和操作者识 别结果之间误差仅小于一个测量点( 约9 0 n u n ) 。这两个模型分别采用了s i 肿o i d 函数 和二值型b p 网络。该公司还采用了自组织网络模型来识别炉墙温度曲线。据高炉高度 和圆周方向上分布的6 5 个炉墙温度测点的测量值和2 5 种典型温度分布曲线就可以对 每一组二维炉墙温度分布进行自动识别。自组织网络也被用于识别炉内碳溶损量( 焦炭 气化反应量) 随时间的变化情况，从而使操作人员对该炉内最大吸热反应及由此所构成 对炉温的影响有具体的了解。 1 3 1 2 在炼钢过程中的应用 a m l a i l d a t t a 等报道了在铁水预处理和转炉炼钢过程中开发人工神经网络模型来预 测铁水和钢水中硫含量的情况。铁水预处理在4 0 0 t 鱼雷车内进行，以氮气为载体喷吹粉 剂脱硫。预处理后铁水硫含量是处理时间、铁水重量、初始硫含量、氮气流速和粉剂质 量速率的函数，据此构造的s i 鲫o i d 型b p 网络现场预测结果与实测吻合相当好。该报 道的可贵之处在于通过试验确定了构造不同的b p 网络对误差造成的不同影响并得到 以下重要结论： ( 1 ) 隐含层结点数目的选择至关重要。太多的隐层结点数会造成误差的大范围扰动， 而太少会干扰收敛，使误差增大。具体到该过程的结构为5 7 1 型； ( 2 ) 动量因子取较大值会导致学习过程太慢( 本例取0 5 ) ； ( 3 ) 较小学习速率可减小误差( 本例为0 5 ) 。 转炉钢水出钢时硫含量主要受控于铁水量、吹入氧气的总量、铁矿石加入量、温度 和铁水入炉时碳、锰、磷、硫含量( 原文观点) 。a m l 舳a t t a 据以上输入变量构造的出 钢钢水硫含量模型经4 0 个样本学习后现场应用的实际相关系数为o 8 7 。但其输入因素 考虑欠妥，存有遗漏。如石灰、萤石加入量及铁水硅含量等对硫在渣、金属间的分配起 重要甚至关键作用的因素并未考虑在内。 东北大学硕士学位论文 第一章绪论 日本新日铁八幡厂在连铸工序中采用b p 网络成功地进行了连铸漏钢的预报。采用 二类三层b p 网络：一类是时间序列网络，用于识别结晶器内热电偶温度随时间的变化 模式；另一类为空间序列网络，用于识别结晶器内温度的移动模式。当与有拉漏倾向的 典型模式相一致时发出警报，其实际预报精度近1 0 0 。 芬兰劳塔鲁基钢铁公司拉赫厂将神经网络模型用于连铸钢水的可浇性决策。此网络 是连铸诊断模糊专家系统的一部分，它可根据钢水有关信息推断是否能成功地进行浇 注。钢水的有关信息包括钢水温度、吹气搅拌时间、钢水成分、浇注前在钢包中保持时 间等变量，其判断结果有4 个：成功、原始问题、浇注结束问题及不可靠浇注，为分析 不能顺利浇注原因提供指导。 l - 3 2 国内开发、应用现状 在国内神经网络应用于钢铁工业尤其是冶金过程及控制方面的开发工作还较少，但 人工神经网络和基于神经网络的专家系统的研究开发工作已普遍开展。中国科学院上海 冶金研究所、东北大学和北京科技大学在这方面的工作较为突出。 在基础研究方面，严六明等在研究氧化物相图时，运用化学键参数与神经网络( 三 层b p 网络) 模型相结合进行了中间化合物形成及组成预报，所得结果与实测相符p j 。 蔡煜东等则利用k o h o n e n 自组织网络对金属间化合物结构进行了分析1 6 j 。 在过程预报方面，杨尚宝等在其神经网络高炉专家系统中建立了铁水硅含量预报模 型。模型抽取风温、风压、风量、透气性指数、富氧率、炉顶温度、炉顶煤气压力、矿 焦比、c o 含量及前几次出铁硅含量作为特征数据输入，在b p 网络上离线学习5 0 0 炉 数据后对另5 0 炉进行预报，并于1 9 9 5 年在线运行，在【s 】o 1 命中范围达到8 5 的命中率7 1 。 在建筑材料分析中的应用，为得到砼楼板的温度场分布情况，建立了基于b p 神经 网络的砼楼板瞬态温度场分布的分析算法，采用人工神经网络方法，在通过差分法计算 有限个时刻温度后，通过训练学习将其视为非线性系统辨识问题，则温度求解将变得简 单明了，建立了三层b p 网络，选取4 9 个数据进行学习，选取7 个数据进行测试，用仿 真函数来获得网络的输出。网络模型确定后，在实际应用中得到了很好的检验。为建筑 材料的安全性提供了预测的依据。 在电力系统故障诊断中的应用，由于电力系统故障的多样性及不可测性，故障要求 处理及时，应用神经网络系统进行故障的预测分析，可以很好地提供电力故障处理的指 导方法【8 1 。由于温度的控制是许多工艺工程的重要参数，但鉴于温度检测手段的不完善， 利用神经网络预测在温度场测试中得到了越来越广泛的应用1 9 j 。同时，在城市供水系统 及采矿探测行业也得到了广泛的应用。 东北大学硕士学位论文第一章绪论 近年来，随着人工智能技术的发展，人工神经网络的方法研究得到了进一步的深入， 所涉及的领域越来越多，应用越来越广泛。 1 4 课题的目的和意义 炉外精炼是把经由转炉或电弧炉初炼后的钢水倒入钢包或专门容器中进行精炼的 过程，也称为二次精炼，这些钢包或专用容器称为精炼炉。目前炉外精炼的方法多达3 0 多种，本课题主要研究其中的一种钢包吹氩埋弧精炼法( l f 法) ，所用的精炼炉简称l f 炉。l f 炉精炼工艺可提高钢的质量、扩大品种及调节转炉与连铸的生产节奏实现多炉 连浇。l f 炉精炼终点成分与温度精确控制对于钢的质量和连铸操作的顺行十分重要， 对其终点的准确预报是保证炼钢生产节奏顺畅有序的关键。以往的成分及温度预测的计 算模型使用起来有各自的局限性，需要开发出一种计算精确、使用范围广泛的计算模型， 以期充分发挥l f 炉的成分和温度调节的能力，满足质量和降低各种能源消耗的要求。 因此，准确预报l f 炉终点温度和成分对于包括国内的钢铁企业是迫切需要开发的技术。 本文以某厂6 0 吨l f 炉生产工艺为研究背景，建立l f 炉终点成分和温度预测模型， 通过与计算机的结合，对l f 炉工艺过程的终点成分和温度进行精确预测，以期科学地、 量化地、灵活地、快速地给出冶炼终点的成分和温度。这不但实现了l f 炉生产工序的 优质、低耗、低成本，而且最终有助于实现整个炼钢车间生产流程的高产、优质、低成 本。若将其应用现场，可有助于实现自动化、规范化操作，克服工人随意性操作，提高 了劳动生产率；有助于充分发挥l f 炉的调节作用，保证连浇的顺行。 t 1 5 课题主要工作 以某厂6 0 吨l f 炉为背景依托，采用改进的神经网络方法，将其应用于l f 炉终点 温度和碳含量、磷含量预报系统的研究中，开展的主要工作如下： ( 1 ) 简单介绍了神经网络算法概况，以及神经网络在钢铁工业中的发展应用； ( 2 ) 在查阅大量国内外文献资料的基础上，综述了精炼炉冶炼技术的发展、炼钢终 点预报方法，对精炼炉的设备和冶炼工艺有了更加深入的理解； ( 3 ) 详细研究神经元网络建立模型的过程，对前馈和反馈两种神经网络的结构做了 比较，最终确定选用改进的b p 网络作为终点预报模型，并对算法提出改进方案： ( 4 ) 分析现场采集的数据，参考生产操作条件及模型本身的要求，对所采集的数据 进行预处理，选择输入变量：对数据样本进行筛选，剔除不符合要求的数据：对数据作 归化处理使其输入、输出限制在一定的范围内； ，( 4 ) 结合炼钢的实际工艺，确立影响钢水成分和温度的主要因素，先利用最小二乘 算法对l f 炉终点进行预报，得到预报结果。建立了神经元网络终点预报模型，并对传 东北大学硕士学堡垒查 苎二主l 鱼 _ _ _ _ _ _ _ _ _ _ - - - - _ _ - _ _ _ - - _ _ - i _ _ _ _ _ - _ _ - - _ _ - - _ _ _ _ _ _ _ _ _ _ - - - 一一一 统的学习算法做了一定改进，利用m a t l a b 进行仿真，得到较好的预报效果。将仿真过 程与实测数据及最小二乘算法进行对比，对结果进行分析和讨论。仿真结果表明了此方 法的有效性，具有比较高的预报精度，可以用于实际l f 炉炼钢过程。 ( 5 ) 对本文所做工作总结，提出需要改进之处。 东北大学硕士学位论文第二章精炼炉概述 第二章精炼炉概述 2 1 引言 在国际上得到迅速发展的优化炼钢生产过程中，钢水二次精炼技术是继连铸之后又 一项重要工艺技术。钢水的二次精炼包括了炼钢炉出钢以后，直到钢水凝固的整个过程 中，对钢水进行冶炼的各类工艺。二次精炼不但在产品质量上，而且可以在优化工艺和 产品结构、开发高附加产品、降低成本、增加效益等方面起到显著作用。 炉外精炼技术近几十年来得到迅速发展，原因可归结如下： ( 1 ) 炼钢生产率的提高和成本的下降； ( 2 ) 连铸技术的广泛应用； ( 3 ) 品种的开发和质量的提高。 由此可见，钢水精炼技术的发展是世界钢铁行业不断创新的一个不可缺少的因素。 随着航空航天和石化等工业的飞速发展，对钢材的性能要求越来越高，不仅要求钢材具 有高强度、高韧性，而且还要求具有耐腐蚀、耐摩擦等特性f 10 1 。这样，仅依靠工艺设备 更新改造和操作方法改进是无法实现这些特殊要求，必须从多方面研究炼钢过程，其中 起着关键性作用的环节就是炼钢过程的优化控制系统。在炼钢设备( 精炼炉) 和工艺环 境一定的条件下，如何发挥优化控制在冶炼过程中的作用，是保证炼出优质钢的关键。 其中，精炼期的终点预报是精炼炉优化控制的重要组成部分。由于炼钢过程是一个 非常复杂的多元多相高温物理化学过程，使得钢水温度和成分的测量与分析不能在线进 行，这对保证炼钢过程高效率、高质量运行是非常不利的。为了弥补检测上的不足，应 对钢水的温度和成分进行预报。通过终点预报，能较准确的给出测温、定碳时间，同时 可根据制定的规则，对影响钢水温度、成分的量进行及时的调整，以减少炼钢能耗、缩 短冶炼时间、提高产品质量。由于在冶炼过程中实现准确而及时的检测尚不具备条件， 要较好地控制冶炼过程就必须通过准确的预报并结合智能控制技术，预设定和动态修改 各种工艺制度，以便更好的满足冶炼要求【l 。随着人工智能理论的发展，基于智能理论 的预测在处理生产过程中各变量的复杂关系、随机性和非线性问题上得到广泛应用。本 文采用改进的b p 神经网络，建立精炼炉终点与各参数之间的模型，对精炼炉进行终点预 报，指导生产实践。 东北大学硕士学位论文 第二章精炼炉概述 2 2l f 炉技术历史与现状 l f 技术是一项非常重要的炉外精炼技术，该技术出现后因其具有诸多优越性而得 到了迅速的推广和应用，其技术和工艺日趋完善和成熟。l f 炉首先在日本得到了广泛 的应用和发展，从1 9 7 1 年日本的第一台l f 炉开始，上世纪末全世界己有2 0 0 多座l f 炉投入工业生产【1 2 】，产量逐年迅速增长。由于设备简单，投资费用低，操作灵活和精炼 效果好而成为冶金行业的后起之秀，在所有炉外精炼工艺中，l f 炉工艺应用最广。 目前，各行业对钢材质量要求的不断提高，对钢的成分控制和洁净度要求愈来愈严 格，提高效率、降低消耗是各钢厂追求的目标【1 3 】，因此，l f 炉精炼过程中成分和温度 的控制成为整个短流程是否顺利进行的关键因素。l f 炉由最初的和电炉匹配发展到和 传统炼钢长流程中的转炉匹配。 2 3 钢水二次精炼概况 2 3 1l f 炉设备简介 l f 炉由钢包、炉盖、电极加热系统等组成。精炼设备示意图如图2 1 所示【1 4 1 。 图2 1l f 炉设备示意图 f i g 2 1d i a 罢即m m a t i cs k e t c ho fl fe q u i p m e n t 1 0 东北大学硕士学位论文第二章精炼炉概述 以下对l f 精炼炉的设备做一个简，蓖詹勺介绍：舒 ( 1 ) l f 炉的炉体 l f 炉的炉体是一个钢包，但与普通的钢包有所不同。这种钢包的上口有水冷法兰盘， 通过密封橡皮圈，与炉盖密封，以防止空气的侵入。 ( 2 ) l f 炉的炉盖 l f 炉盖是水冷的。这是为了保持钢包内的强还原气氛，防止钢包散热及提高加热效 率而设置的。炉盖内层衬有耐火材料。为了防止钢液喷溅而引起的炉盖与包体的粘连， 在炉盖下还吊挂一个防溅挡板。整个水冷炉盖在四个点上，用可调节的链钩悬挂在门形 吊架上，吊架上有升降机构，可根据需要，调整炉盖的位置。在l f 炉的两种炉盖上都设 有合金加料口及测温或取样装置。 ( 3 ) 电弧加热装置 l f 炉所用的电弧加热系统，与炼钢电弧炉相同。由三根石墨电极与钢液间产生的电 弧作为热源。故加热设备也与电炉基本相同，其不同之处是l f 炉内无熔化过程，而且采 用的是埋弧加热方法，所以与电炉相比，可采用更低的二次电压。 ( 4 )加料装置 l f 炉一般在加热工位的炉盖上设合金及渣料料斗，通过每个料斗下的导向阀，定量 地加入所需的合金或渣料。l f 炉精炼钢液的原理示意图如图2 2 。 。 图2 2 l f 炉精炼原理图 f i g 2 。2t h et h e o r yo fl a d l ef h m a c e 1 电极；2 合金料斗：3 还原气氛：4 炉渣：5 钢液；6 透气砖：7 滑动水口 东北大学硕士学位论文第二章精炼炉概述 通过安装在钢桶底部的透气砖吹入氩气对钢液进行搅拌以加速钢一渣之间反应。炉 盖的作用是封闭精炼室以保持室内的还原气氛，在炉盖上装有电极加热系统，在炉桶底 部装有滑动水口已进行浇注。l f 炉采用真空系统对钢液进行脱气。真空系统可以是专门 与l f 配套的，也可以采用其他的真空设备，对钢液进行脱气处理。 2 3 2l f 炉的精炼