（钢铁冶金专业论文）lf炉精炼终点钢液成分和温度预测模型开发.pdf

东北大学硕士学位论文 摘- 虽- l f 炉精炼钢液终点成分和温度预测模型开发 摘要 钢包精炼炉是一种二次精炼设备，具有优异的综合性能，在炼钢生产中得到了 广泛的应用。l f 炉的冶金模型的应用有助于降低其电耗、电极消耗、氩气消耗及 合金消耗等，并提高产品的质量和稳定性。 目前，随着计算机及自动控制技术在钢铁工业中的应用，l f 炉对连铸连轧短 流程的作用日益突出。对l f 炉钢水终点成分和温度的准确预测，是合理组织生产、 提高钢水质量、降低炼钢成本的重要前提。 本文以某厂3 0 0 吨l f 炉钢包精炼炉生产工艺为研究背景，采用参考炉次法和 人工智能的方法，建立l f 炉终点成分和温度预测模型。模型使用v i s u a lc + + 6 0 作为软件开发工具，m i c r o s o f t a c c e s s 2 0 0 3 数据库系统编制出了应用软件，软件具有 数据库维护、b p 神经网络训练、即时终点成分和温度预测、合金加入量预测等功 能。 在建立终点成分预测过程中，采用了参考炉次法平均计算收得率，对各元素的 收得率进行计算，采用5 0 炉数据对模型的预测精度进行验证，对于主要元素的预 测与实际数据比较，计算误差较小，达到了现场的精度要求。对于c 元素的预测值 与实际值相比较，误差在士o 0 1 的占总炉次的9 6 ，对于s i 元素的预测值与实际 值相比较误差在a ：o 0 4 的占总炉次的9 8 ，对于m n 元素的预测值与实际值相比较 误差在土o 0 6 的占总炉次的9 8 ，其它元素的预测值也比较精确，能够减少取样次 数，从而间接地缩短冶炼时间，降低能耗，优化冶炼操作。同时，操作人员也可根 据现场需要，输入所要添加的合金种类和数量，模型可以根据参考炉次得到的合金 收得率，提前预测出钢水成分，对现场的操作有一定的指导意义。 建立终点温度预测模型过程中，将整个钢包体系作为一个系统研究l f 炉能量 平衡关系，分析出影响l f 炉钢水温度的主要因素为：通电时间、通电量、非通电 时间、初始温度、钢包状态、合金及渣料吸放热量、氩气吹入量8 个主要因素作为 网络的输入量，将终点温度作为网络输出量。实际系统运行表明，这些因素作为输 i i 东北大学硕士学位论文摘要 入量预测终点温度完全可行，并达到了精度要求。预测误差在士5 之内的炉次占总 炉数的8 0 ，士7 之内的炉次占9 0 。 本模型还具有待冶炼炉次的合计加入量计算功能，根据钢水的初始成分和钢种 的冶炼标准，可以给出比较精确的合金加入量，有利于控制成分，从而节省合金加 入量，节约开支。 关键词钢包精炼炉冶金模型参考炉次法b p 神经网络成分和温度预测 查! ! 查兰翌主兰堡垒圭 垒呈! ! 坠! ! m a t h e m a t i c a lm o d e l sf o rp r e d i c t i o no ft h et e r m i n a lc o m p o s i t i o n a n dt e m p e r a t u r eo fm o l t e ns t e e li nl a d l ef u r n a c e a b s t r a c t l a d l ef u r n a c ei sak i n do fs e c o n d a r yr e f i n i n ge q u i p m e n tw i t he x c e l l e n ts y n t h e s i z e d f u n c t i o n s ，a n di sw i d e l ya p p l i e di nt h es t e e l m a k i n gp r o d u c t i o np r o c e s s t h em e t a l l u r g i c a l a p p l i c a t i o no f m a t h e m a t i c a lm o d e lf o rl f h a st h ea d v a n t a g e so f r e d u c i n gc o n s u m p t i o no f e l e c t r i ce n e r g y ，e l e c t r o d e ，a r g o na n da l l o y s ，i m p r o v i n gt h eq u a l i t ya n ds t a b i l i t yo ft h e p r o d u c t s n o w ，w i t ht h ea p p l i c a t i o n so fa u t o m a t i cc o n t r o lt e c l m i q u ei nt h es t e e li n d u s t r y ，t h e c o n t r o lo fc o m p o s i t i o n sa n dt e m p e r a t u r ed u r i n gl fr e f i n i n gp r o c e s si sb e c o m i n gm o r e a n dm o r ei m p o r t a n ti nt h es h o r tp r o c e s so fc o n t i n u o u sc a s t i n ga n dr o l l i n g i ti sa n i m p o r t a n tp r e m i s et oa c c u r a t e l yp r e d i c tt h et e r m i n a lc o m p o s i t i o na n dt e m p e r a t u r eo f m o l t e ns t e e li nl ff o ro r g a n i z i n gp r o d u c t i o n ，i m p r o v i n gs t e e lq u a l i t ya n ds a v i n gc o s t t h em o d e lf o rp r e d i c t i o no ft h et e r m i n a lc o m p o s i t i o na n dt e m p e r a t u r eo fm o l t e n s t e e li nl a d l ef u r n a c ew a se s t a b l i s h e db yu s i n gt h er e f e r e n c eh e a t sm e t h o da n dt h e a r t i f i c i a l i n t e l l i g e n c et e c h n i q u eb a s e do nt h ep r o d u c t i v ep r a c t i c eo fa3 0 0 tl fi na s t e e l m a k i n gf a c t o r y t h ev i s u a lc + + 6 0a n dm i c r o s o f ta c c e s s2 0 0 3w e r eu s e da st h e t o o l so fs o f t w a r ed e v e l o p m e n t ，w h i c hh a v et h ef u n c t i o n so fd a t a b a s em a i n t a i n i n g ，b p n e u r a ln e t w o r kt r a i n i n g ，i n s u i tt e r m i n a lc o m p o s i t i o na n dt e m p e r a t u r ep r e d i c t i n g ，a n ds o o n t h et e r m i n a lc o m p o s i t i o no fm o l t e ns t e e lw a sp r e d i c t e db yu s i n gr e f e r e n c eh e a t s m e t h o dt oc a l c u l a t et h ea l l o y sy i e l d t h ed a t ao f5 0h e a ：c sw a su s e dt op r o v e dp r e d i c t i o n p r e c i s i o no ft h em o d e l ，t h el o w e re r r o rc a nb eg a i n e dw h i c hc a nd e m a n dt h ep r e c i s i o n r e q m r e m e m a f t e rc o m p a r i n gt h ep r e d i c t i o nv a l u e sw i mt h ea c t u a ld a t a t oce l e m e n t t h e 士0 ，0 1 e r r o ri s9 6 o f t h ew h o l eh e a t s ，a n dt os ie l e m e n t ，t h e4 - 0 0 4 e r r o ri s9 8 、t o m ne l e m e n t ，t h e4 - 0 0 6 e r r o ri s9 8 ，w h i l et ot h eo t h e re l e m e n t s ，t h ep r e d i c t i o ni sa l s o a c c u r a t e ，w h i c hh a st h ea d v a n t a g e so fd e c r e a s i n gs a m p l i n gt i m e s ，r e d u c i n gt h er e f i n i n g t i m ea n dt h ec o s t ，a n do p t i m i z i n gr e f i n i n go p e r a t i o n m e a n w h i l e ，o p e r a t o r sc a ni n p u t a l l o yt y p e sa n dq u a n t i t yt h a ta d d i n gt ol fa c c o r d i n gt h ea c t u a ln e e d s ，t h em o d e lc a r l p r e d i c tt h et e r m i n a lc o m p o s i t i o no f m o l t e ns t e e lw h i c hh a ss o m ed i r e c t i o nf u n c t i o nt ot h e o p e r a t i o no f t h ep l a n t d u r i n gt h ep r o c e s so fe s t a b l i s h i n gt h em o d e lf o rt h ep r e d i c t i o no ft h et e r m i n a l t e m p e r a t u r e ，t h er e l a t i o n s h i po fe n e r g yb a l a n c ew a sr e s e a r c h e db ym a k i n gt h ew h o l e 东北大学硕士学位论文a b s t r a c t l a d l es y s t e ma sas i n g l es y s t e m 1 h ef a c t o r su s e di nt h em o d e lw e r ec o n f i r m e da sf o l l o w s ： e l e c t r i f y i n gt i m e ，e l e c t r i f y i n gq u a n t i t y ，n o n - e l e c t r i f y i n gt i m e ，i n i t i a lt e m p e r a t u r e ，l a d l e s t a t e s ，h e a ta b s o r b i n ga n dr e l e a s i n go fa l l o y sa n ds l a g ，a r g o nb l o w i n gq u a n t i t y a f t e rt h e e x a m i n a t i o no f5 0h e a t s ，w ec a ns e et h a tt h ep r e d i c t i o ne r r o rc a nr e a c h8 0 a n d9 0 r e s p e c t i v e l yw h e nt h et e m p e r a t u r ei si nt h er a n g eo f + 5 。ca n d 士7 s e p a r a t e l y i na d d i t i o n ，t h i sm o d e li n c l u d e st h ef u n c t i o no fa l l o yc o n s u m p t i o np r e d i c t i o n , t h e r e l a t i v e l yp r e c i s i o na l l o y sa d d i n gc a nb eg a i n e da c c o r d i n gt h ei n i t i a lc o m p o s i t i o no f m o l t e ns t e e la n dt h er e f i n i n gl e v e lo fs t e e l ，w h i c hi sb e n e f i tt ot h ec o m p o s i t i o nc o n t r 0 1 s a v i n ga l l o y sa n dc o s t k e yw o r d s l a d l ef u r n a c e ，m e t a l l u r g ym o d e l ，r e f e r e n c eh e a t sm e t h o d ，b pn e u r a ln e t w o r k ， c o m p o s i t i o na n dt e m p e r a t u r ep r e d i c t i o n v。 东北大学硕士学位论文 第一章绪论 第一章绪论弟一早珀1 = 匕 钢铁产业是我国国民经济的支柱产业，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。炉外精炼在常规炼钢炉中 完成的精炼任务，如去除杂质，成分、温度的调整等任务，以达到提高钢的产量、 质量和效益的目的。 1 1l 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的诸多优越 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，上世纪末全世界已 有2 0 0 多座l f 炉投入工业生产【2 】，产量逐年迅速增长。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【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。 1 2l f 炉设备简介 l f 炉由钢包、炉盖、电极加热系统等组成。钢包为普通的运行钢包，在钢 包底部有透气砖，通过它吹入氩气进行搅拌，钢包底部有滑动水口以进行浇注； 炉盖一般为水冷式，附加炉盖升降装置，炉盖可以封闭精炼室，保证炉内还原 气氛；电加热系统为三相石墨电极及专用的l f 炉变压器等电气装置组成 4 i ，精 炼设备示意图如图1 1 所示。 东北大学硕士学位论文 第一章绪论 图1 1l f 炉设备示意图 f i g 1 1d i a g r a m m a t i cs k e t c ho fl fe q u i p m e n t 1 3l f 炉的精炼功能 l f 炉精炼特点是：采用埋弧加热，热效率较高，且可减轻弧光对炉衬的热 辐射：采用高碱度渣进行还原精炼，且可在炉内造成弱还原性气氛；采用底吹 氩气搅拌钢液，可以加速钢与渣间的反应。 1 3 1 白渣精炼 l f 炉主要是靠炉内的白渣( f e o 茎o 5 ) 或造高碱度还原渣精炼的，是靠降低 渣中( f e o ) 进行扩散脱氧，它不同于主要靠真空脱气的其它精炼方法。白渣在l f 炉内具有很强的还原性，这是l f 炉内良好的还原气氛和氩气搅拌互相作用的结果 1 5 。 1 3 2 埋弧加热 l f 炉是采用石墨电极进行加热和温度补偿的。加热时电极插入渣层中采用埋 弧加热法，良好的埋弧可减少辐射热，减弱电弧对炉衬的侵蚀，与此同时，加热的 2 东北走学硕士学位论文第一章绪论 图1 1l f 炉设备示意图 f i g1 1d i a g r a m m a t i cs k e t c ho f l fe q u i p m e n t 1 3 l f 炉的精炼功能 l f 炉精炼特点是：采用埋弧加热，热效率较高，且可减轻弧光对炉衬的热 辐射：采用高碱度渣进行还原精炼，且可在炉内造成弱还原性气氛；采用底吹 氩气搅拌钢液，可以加速钢与渣间的反应。 1 3 1 白渣精炼 l f 炉主要是靠炉内的白渣( f e o _ 用 式中 研某种元素终点含量，： a ，某种元素初始含量，： 哥某种合金加入量，k g ； g 钢包中钢水重量，k g ； c ，合金中某种元素的含量，。 对于c ，s i ，m n ，s 等元素还要考虑电极增碳、铝渣、渣料以及反应前后元素 参加反应的速度等等因素的影响。对于c 元素的预测，除了考虑合金和增碳剂中碳 的收得率问题，计算过程还考虑到了通电过程的电极增碳，但是这种增碳过程难以 定量，只能根据现场经验数据选取，通电每小时的增碳量按钢水重量的o 0 2 计算。 对于s i ，m n 元素的预测，要考虑到铝渣( a l d ) 与合金及渣料中二氧化硅和氧化 锰的反应。对于s 元素，要考虑到冶炼时间对其影响，冶炼反应前后脱s 的速率。 3 ( s i 0 2 ) + a 1 = 3 s i + 2 ( a 1 2 0 3 ) 3 ( m n o ) + 2 a i = 3 m n + ( a 1 2 0 3 ) 2 2 3 终点成分预测模型的流程图简介 本模型根据不同钢种目标成分要求和到位炉次的各种数据建立了数据库，实现 了对不同钢种的预测功能，程序流程图如图2 2 。 1 3 东北大学硕士学位论文 第二章l f 炉成分预测模型 图2 , 2 计算模块程序流程图 f i g 2 2 f l o wc h a r to f c o m p u t i n gm o d u l e 2 3 合金添加量的计算 本模型是即时在线系统，对于数据库中不存在的炉次，可根据不同钢种计算出 合金加入量，也可根据需要对操作目标成分进行调节，操作人员还可以根据现场要 1 4 东北大学硕士学位论文第二章l f 炉成分预测模型 求修改操作目标成分，从而满足终点成分需要，对于实际冶炼起到指导作用。 公式推导见式( 2 4 ) ： 其中o = g 。一f j j = t 则“：址+ q 生 cc ： 驴等等 把上式左右两端分别加和后，由于g 。f ：= g ，f j 则势e 心喜g 掣+ q 窆i = l 生c i 故 其中 o =喜g 掣窆j = l g 掣 智c ， “ c i 1 - 兰 鲁c ； 卜喜毒 酽掣+ 去“鼍 争g 虹型 j = 1 o j a ( 码) 某种元素目标含量， b ( b p 钢水中某种元素的分析含量， c ( c j ) 合金中某种元素的含量， ( 毒) 合金中某种元素的收得率， g _ 炉中钢水重量，k g ； ( 2 4 ) ( 2 5 ) g 。某种合余加入量，埏。 根据现场实际合金及渣料添加顺序，依次添加合金种类，对于同种元素不同合 1 5 东北大学硕士学位论文 第二章l f 炉成分预测模型 金按实际价格由低到高依次加入，如果价格低的合金影响其它元素，使其它元素超 标，则选择价格高但含其它元素相对较少的合金适量添加，如中碳锰铁含有碳元素 使冶炼过程中碳元素含量超标，则适量添加低碳锰铁或电解锰。 2 4 钢液成分预测结果分析 以某厂数据为依托建立l f 炉精炼终点成分预测模型及其计算软件，使用5 0 炉现场数据进行预测。 2 4 1 预测结果 ( 1 ) 碳含量的预测结果 对于碳含量的钢种成分规定范围是在0 0 3 - 0 0 6 范围内，由图2 3 可知，碳 含量的预测成分范围命中率为1 0 0 。 碳含量的预测结果和误差如统计图2 3 ，表2 1 。 从图2 3 和表2 1 中可以看出，预测值与实际值相比较误差在士0 0 0 4 的预测 总炉次的7 6 ，误差在a = 0 0 1 的占总炉次的9 6 。 孚 蝈 嚣 醛 巨 图2 3 碳含量的预测结果 f i g 2 3 p r e d i c t e dr e s u i t so f c a r b o nc o n t e n t 1 6 东北大学硕士学位论文 第二章l f 炉成分预测模型 表2 1碳含量的预测结果误差统计 t a b l e2 1e r r o ro f p r e d i c t e dr e s u l t so f c a r b o nc o n t e n t ( 2 ) 硅含量的预测结果 对于硅含量的钢种成分规定范围是在0 1 4 0 2 5 范围内，由图2 4 可知，硅 含量的预测范围命中率为1 0 0 。 硅含量的预测结果和误差如统计图2 4 ，表2 2 。 0 2 4 0 2 2 摹0 2 0 蚓0 1 8 髂 氍 冒0 1 6 0 1 4 0 1 2 o 1 20 1 40 1 60 1 80 2 0 0 2 20 2 4 s i l 实测值， 图2 4 硅含量的预测结果 f i g 2 4 p r e d i c t e dr e s u l t so f s i l i c o nc o n t e m 东北大学硕士学住论文 第二章l f 炉戍分预测模型 表2 2 硅含量的预测误差统计 t 曲l e2 2p r e d i c t i o nr e s u l t sa n de r r o ro f s i l i c o nc o n t e n t 从图2 4 和表2 2 中可以看出，预测值与实际值相比较误差在士o 0 2 的占预测 总炉次的8 6 ，误差在士0 0 4 的占总炉次的9 8 。 ( 3 ) 锰含量的预测结果 对于锰含量的钢种成分规定范围是在1 , 5 - 1 7 范围内，由图2 4 可知，锰含 量的预测范围命中率为1 0 0 。 锰含量的预测结果和误差统计如图2 5 ，表2 3 。 享 蚓 嚣 隰 冒 窆 i 删实测值。 图2 5 锰含量的预测结果 f i g 2 5 p r e d i c t e dr e s u l t so f m a n g a n e s ec o n t e n t - 1 8 东北大学硕士学位论文 第二章l f 炉成分预测模型 表2 3 锰含量的预测误差统计 t a b l e23p r e d i c t i o nr e s u r sa n de r r o ro f m a n g a n e s ec o n t e n t 从图2 5 和表2 3 中可以看出，预测值与实际值相比较误差在士0 0 3 的占预测 总炉次的7 8 ，误差在士0 0 6 的占总炉次的9 8 。 ( 4 ) 磷含量的预测结果 对于磷含量的钢种成分规定范围是在0 0 0 1 5 范围内，由图2 6 可知，磷含 量的预测范围命中率为1 0 0 。 磷含量的预测结果和误差统计如图2 6 ，表2 4 。 零 理 嚣 1 晕5 i 图2 6 磷含量的预测结果 f i g 2 6 p r e d i c t e dr e s u l t so f p h o s p h o r u sc o n t e n t 1 9 ， 东北大学硕士学位论文 第二章l f 炉成分预测模型 表2 4 磷含量的预测误差统计 t a b l e2 4p r e d i c t i o nr e s u l t sa n de r r o ro f p h o s p h o r u sc o n t e n t 从图2 6 和表2 4 中可以看出，预测值与实际值相比较误差在4 - 0 0 0 2 的占预测 总炉次的8 2 ，误差在4 - 0 0 0 4 的占总炉次的9 8 。 ( 5 ) 硫含量的预测结果 对于硫含量的钢种成分规定范围是在8 。0 。0 0 5 范围内，由图2 7 可知，硫含 量的预测范围命中率为1 0 0 。 硫含量的预测结果和误差统计如图2 7 ，表2 5 。 享 趔 嚣 聪 冒 图2 7 硫含量的预测结果 f i g 2 7 p r e d i e t e dr e s u l t so f s u l f u rc o n t e n t 2 0 东北大学硕士学位论文 第二章l f 炉成分预测模型 表2 5 硫含量误差统计表 t a b l e2 5p r e d i c t i o nr e s u l t sa n de r r o ro f s u l f u rc o n t e n t 从图2 7 和表2 5 中可以看出，预测值与实际值相比较误差在士0 0 0 1 的占预测 总炉次的9 2 ，误差在a ：0 0 0 2 的占总炉次的9 8 。 ( 6 ) 铝含量的预测结果 对于铝含量的钢种成分规定范围是在o 0 1 5 一0 0 4 5 范围内，由图28 可知， 铝含量的预测范围命中率为9 6 。 铝含量的预测结果和误差统计如图2 8 ，表2 6 。 掌 心 磊 隧 乏 t a l 实测值。 图2 8 铝含量的预测结果 f i g 2 8 p r e d i c t e dr e s u l t so f a l u m i n u mc o n t e n t 2 1 东北大学硕士学位论文 第二章l f 炉成分预测模型 表2 6 铝含量的预测误差统计 t a b i e26p r e d i c t i o nr e s l 1 i t sa n de r r o ro f a l u m i n u mc o n t e n t 从图2 8 和表2 6 中可以看出，预测值与实际值相比较误差在士o 0 1 0 的占预测 总炉次的7 0 ，误差在士0 0 2 0 的占总炉次的9 6 。 2 4 2 预测误差的产生和分析 从图2 3 图2 8 、表2 1 一表2 6 的数据中可知，预测结果与实际数据基本吻合。 但是，也存在一定的误差。预测误差来源于以下几个方面： ( 1 ) 有些数据选取不够准确，如c 、s i 、m n 等元素含该种元素的收得率按1 0 0 计算也不能满足实际结果，可能是现场在合金加入过程中没有记录下来或合金称量 系统不准确。 ( 2 ) 由于各元素合金收得率的计算结果均是由参考炉次收得率平均计算方法 得来。因此，当参考炉次的收得率不精确时，本炉次的收得率也就受到了一定的影 响。 ( 3 ) 由于合金添加顺序也是影响收得率的一个主要因素，而现场的数据中没 有记录合金的加入时间和加入顺序，因此产生了一定的误差。 ( 4 ) 对于c 元素的预测，除了考虑合金和增碳剂中碳的收得率问题，计算过 程还考虑到了通电过程的电极增碳，但是这种增碳过程难以定量，只能根据现场经 验数据选取，通电每小时的增碳量按钢水重量的0 0 2 计算，故而存在一定误差。 而m n 元素的收得率比较稳定，故而比较准确。 ( 5 ) 对于含s i 元素的合金及渣料种类较多，还要考虑到铝渣( a l d ) 与合金 及渣料中二氧化硅的反应，给预测带来一定难度，存在一定误差。 2 2 东北大学硕士学位论文第二章l f 炉成分预测模型 ( 6 ) 对于p 元素，由于存在反应式：2 p 】+ c a o + 5 o = c a o p 2 0 5 ，该反应是 放热反应，在升温过程中，反应向左进行，会造成回磷的现象。另外，由于有部分 合金中含有p 元素，其加入量也会影响到钢中磷含量的变化。 ( 7 ) 对于s 元素，由于其去除效果主要受造渣和脱氧情况的影响，而现场对 这些情况很难在线定量测定，模型主要从冶炼时间方面考虑，冶炼时间长短，冶炼 反应前后脱s 的速率来进行预测，因此对预测精度造成了一定的影响。 ( 8 ) 误差值最大的为钢种中越，因为此钢中加入的含m 的合金种类较多， 分别是f e a i 中含4 0 a 1 ，f e s i 中含1 4 3 a 1 ，t i 4 0 中含7 7 a 1 ，s i l 6 含1 8 2 a 1 ， t j l 6 含8 a 1 ，而且a l - d 含4 0 a 1 ，尽管该脱氧渣主要是用于脱氧，但是其中的 a l 仍会对钢中的a l 含量产生一定的影响，因此合金收得率受相互干扰很大。 2 3 东北大学硕士学位论文 第三章基于b p 神经网络的l f 炉温度预测模型 第三章基于b p 神经网络的l f 炉温度预测 模型 l f 炉操作过程影响温度的因素比较复杂，主要包括通电过程、加渣料、加合 金、吹氩等操作，由于这些操作参数在各段操作时间内还各不相同。加之，各炉钢 水进站时的钢水重量不同、钢包冷热状态不同等均会对钢水温度的准确预测造成一 定影响，所以，很难用准确的数学方程进行描述。而且，在l f 炉冶炼过程中，预 测对象为非线性系统，难以建立准确的机理模型，因而考虑采用人工智能的方法建 立模型。本模型采用b p 神经网络的方法预测l f 炉温度。 3 1b p 神经网络简介 r u m e l h a r d 与他的同事认识到了神经元网络在信息处理方面的重要性，于1 9 8 2 年成立了p d p 小组，研究并行分布式信息处理方法，探索人类认知的微结构。1 9 8 6 年r u m e l h a r t ，h i n t o n 和w i l l i a m s 完整而简明地提出一种a n n 的误差反向传播训练 算法( e r r o rb a c k - p r o p a g a t i o nt r a i n i n g 简称b p 算法) ，系统地解决了多层网络中隐 含单元连接权的学习问题。 目前，在人工神经网络的实际应用中，绝大部分的神经网络模型是采用b p 网 络和它的变化形式，它也是前向网络的核心部分，并体现了人工神经网络最精华的 部分。 b p 网络主要应用于： ( 1 ) 函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数。 ( 2 ) 模式识别：用一个特定的输出矢量将它与输入矢量联系起来。 ( 3 ) 分类：把输入矢量以所定义的合适方式进行分类。 ( 4 ) 数据压缩：减少输出矢量维数以便于传输或存储。 2 4 东北大学硕士学位论文 第三章基于b p 神经网络的l f 炉温度预测模型 3 1 1b p 网络的构成 误差反向传播训练算法是利用实际输出与期望输出之差对网络的各层连接权 由后向前逐层进行校正的一种计算方法，其网络结构如图3 1 所示 2 6 1 。 这是一种三层b p 网络，一般来讲，b p 网络是一种具有三层或三层以上的多层 神经网络，它的左、右各层之间各个神经元实现全连接，即左层的每一个神经元与 右层的每个神经元都有连接，而上下层各神经元之间无连接。 n 个单元 p 个单元q 个单元 图3 1b p 网络结构示意图 f i g 3 1 s k e t c hf i g u r eo f t h eb pn e u r a ln e t w o r k 与一般的人工神经网络一样，构成b p 网的神经元仍然是前面所定义的神经元。 按照b p 算法的要求，这些神经元所用的激活函数必须是处处可导的。一般地，多 数设计者都使用s 形函数。对一个神经元来说，取它的网络输入 n e t = x l + x ：w 2 + + x ( 3 1 ) 其中，x ix ：，x 。为该神经元所接受的输入，w l ，w 2 分别是它们对应的联接权。 该神经元的输出为 0 - f ( n e t ) 2 乏i ( 3 2 ) 其相应的图像如图3 2 所示。当n e t = 0 时，0 取值为0 5 ，并且n e t 落在区间( 一0 6 ， 0 6 ) 中时，o 的变化率比较大，而在( - 1 ，1 ) 之外，o 的变化率就非常小。 2 5 ， 东北大学硕士学位论文 第三章基于b p 神经网络的l f 炉温度预测模型 现求o 关于n e t 的导数 肋，2 南2 错 11 。了一研 = 0 0 2 = o ( 1 一o 、 ( 3 3 ) 注意孙l i m + 。鬲1 面_ 1 ，。烧熹i = o 根据式3 2 可知，0 的值域为( o ，1 ) ，从而，f ( n e t ) 的值域为( o ，0 2 5 ) 。而 且是在o 为0 5 时，f 0 口r ) 达到极大值。其图像如图3 3 所示。 v j j ! 二。 ( o ，0 5 ) 面 。 。而厂 图3 2b p 网络的神经元的激活函数的图像 f i g 3 2 a c t i v a t i o nf u n c t i o ng r a p ho f b pn e u t r a ln e t w o r k sn e r v ec e l l 1 u e t y o 2 5歹7 卜 0 5 l o 图3 ：3 f o b r ) 的图像 f i g 3 3 g r a p ho ff 似f ) 2 6 东北大学硕士学位论文 第三章基于b p 神经网络的l f 炉温度预测模型 实际上，也可以用其他函数作为b p 网络神经元的激活函数，只要该函数是处 处可导的。 3 1 2b p 网络学习过程 b p 网络按有教师学习方式进行训练，当一对学习模式提供给网络后，其神经 元的激活值将从输入层经过中间层向输出层传播，在输出层的各神经元输出对应于 输入模式的网络响应。然后，按减少希望输出与实际输出误差的原则，从输出层经 各中间层、最后回到输入层逐层修正各连接权。由于这种修正过程是从输出到输入 逐层进行的，所以称它为“误差逆传播算法”。随着这种误差逆传播训练的不断进 行，网络对输入模式响应的正确率也不断提耐2 8 l 。 由于b p 网络有处于中间位置的隐含层，并有响应的学习规则可循，可训练这 种网络，使其具有对非线性模式的识别能力。特别是它的数学意义明确、步骤分明 的学习算法，更使其具有广泛的应用前景。 b p 网的学习过程主要由四部分组成： ( 1 ) 输入模式顺传播( 输入模式由输入层经中间层向输出层传播计算) ； ( 2 ) 输出误差逆传播( 输出的误差由输出层经中间层传向输入层) ： ( 3 ) 循环记忆训练( 模式顺传播与误差逆传播的计算过程反复交替循环进行) ； ( 4 ) 学习结果判别( 判定全局误差是否趋向极小值) 。 以一个三层网络模型为例介绍一下误差逆传播学习规则的原理。其网络如图3 1 所 示。 ( 1 ) 输入模式顺传播 输入模式向量4 = k ，口：，口：j ( | i = 1 ，2 , - - - , 掰；m 学习模式对数； 竹输入层单元个数) 。 希望输出向量k = 【y ，y ：，y ：j ( 冒输出层单元数) 。 根据m p 神经元模型原理，计算中问层各神经元的激活值： 2 7 东北大学硕士学位论文第三章基于b p 神经网络的l f 炉温度预测模型 式中：w 。输入层至中问层的连接权 巳中间层单元的阈值 0 j( ，= 1 , 2 ，p ) ( 3 4 ) 激活函数采用s 型函数，即 ，0 ) 2 硐1 ( 3 5 ) 将上面的激活值带入激活函数中可得中间层，单元的输出值为 w g j 2 习百1 刁j 2 一( 3 6 ) l + e x p 卜w g q + gl f _ i 设输出层第r 个单元的激活值为f ，则 = 艺 v j t b j 一一 j = l 则输出层的输出为： q = 厂( f 。)o = 1 ，2 ，q ) 式中： 输出层单元的闽值： v ，中间层至输出层连接权； s 型激活函数。 利用以上各式就可计算出一个输入模式的顺传播过程。 ( 2 ) 输出误差逆传播 输出层的校正误差为： 钟= 一c ? ) ，( f ? ) 式中：f = 1 , 2 ，q ：k = 1 , 2 ，m ；y ? 希望输出；c ? 实际输出； 中间层各单元的校正误差为： 2 8 。 ( 3 7 ) ( 3 8 ) ( 3 9 ) a u w 。 = s 东北大学硕士学位论文 第三章基于b p 神经网络的l f 炉温度预测模型 d 门厂1 ) ； ，= ，7 ，p ：t = t ，z ， c ，。) 对于输出层至中间层连接权和输出层阈值的校正量为 a vj l = a d ：b ：，厶y | = a - d ：( 3 1 1 其中，b ：中间层j 单元的输出 输出层的校正误差。 ，= 1 , 2 ，p ；t = 1 , 2 ，g ： k = 1 ，2 ，m ；0 口 1 ( 学习系数) 。 中间层至输入层的校正量为 w f = 卢p ；口 9 i = p - e ： 式中：p ；中间层- ，单元的校正误差 i = 1 , 2 ，甩0 1 ( 学习系数) 。 ( 3 ) 循环记忆训练 ( 3 1 2 ) 为使网络的输出误差趋于极小值。对于b p 网输入的每一组训练模式，一般要 经过数百次甚至上万次的循环记忆训练，才能使网络记住这模式。 这种循环记忆训练实际上就是反复重复上面介绍的输入模式顺传播和输出误 差逆传播过程。 ( 4 ) 学习结果的判别 当每次循环记忆训练结束后，都要进行学习结果的判别。判别的目的主要是检 查输出误差是否已经小到允许的程度。如果小到了允许的程度，就可以结束整个学 习过程，否则还要进行循环训练。学习或者说训练的过程是网络全局误差趋向于极 小值的过程。 根据上面的分析，可得到b p 网络的学习过程的步骤： 2 9 j p 。 ，、 = t ， p 东北大学硕士学位论文第三章基于b p 神经网垮鲍坚翌墨壅翌型堡型 ( 1 ) 初始化，给w 。、”、o j 、一赋予【- 1 ，+ 1 】之间的随机值，其中 i = 1 , 2 ，一，”：j = 1 , 2 ，一，p ；r = 1 , 2 ，g ；= 1 , 2 ，一， ( 2 ) 随机选取一模式对4 = b ，口：k ，a ：j ，圪= b ，y ：，y ：j 提供给网络。 ( 3 ) 用输入模式4 = k ，a ：k ，a ：j ，连接权w 。和阈值q 计算中间层各个神经 元的激活值，然后用s ，通过激活函数 计算中间层各单元的输出b ， 其中 5 j ，g ) 2 硐i b ，= ，b ，) ( 3 1 3 ) ( 3 1 4 ) ( 4 ) 用中间层的6 ，、连接权7 一和阈值计 计算输出层各单元的输入，( 激活 值) ，然后用，通过激活函数计算输出层各单元的响应c 。 式中，= v 州b 九 q = ，o ，) ( t = 1 , 2 ，g ) ( 3 1 5 ) ( 5 ) 用希望输出模式k = ，y ：，y ：j ，网络实际输出q 计算输出层各单元 的校正误差群： d j = ( y j q ) c ，( 1 一c ，) ( r = 1 ，2 ，g ) ( 3 1 6 ) ( 6 ) 用v ，、吐、6 ，计其中间层的校正误差e j 3 0 0一a u w ，h = 东北大学硕士学位论文 第三章基于b p 神经网络的l f 炉温度预测模型 e ：f 妻v 。，彰k - b j ) ；：l ，2 ， ( 3 1 7 ) f = l ( 7 ) 用d j 、b ，、v p 、一计算下一次中间层和输出层的新连接权 v ( + 1 ) = v ( ) + 口d ? b ， y ，( + 1 ) = ，( ) + 口t d ? ( 3 1 8 ) 式中：学习次数。 ( 8 ) 用e j 、? 、w f 、q 计算下一次的输入层和中间层的新连接权： w f ( + 1 ) = w f ( ) + - 口；d ? 臼，c + 1 ) = o o v ) + p e ： ( 3 1 9 ) ( 9 ) 随机