（钢铁冶金专业论文）应用统计模式识别和人工神经网络研究转炉炼钢中的脱磷.pdf

应用统计模式识别和人工神经网络研究 转炉炼钢中的脱磷 专业：钢铁冶金 研究生：刘剑 导师：袁守谦教授 摘要 模式识别和人工神经网络方法是处理数据的有用技术。特别适用于影响因素 多、错综复杂的数据集，以提取有用信息。将模式识别和人工神经网络技术应用 到转炉炼钢过程控制中，可在一定程度上克服常规模型的不足，提高终点命中率， 为生产优化提供指导。 论文通过模式识别中的p l s ( 偏最小二乘法) 分析，建立了转炉冶炼终点磷含量 统计模型，由主成分映照图中找出提高磷分配比的参数优化方向。为了预测终点 磷含量，建立了基于改进b p ( 前向反馈) 网络算法的磷含量人工神经网络模型。调 整网络参数，结合现场数据训练和预报，终点磷含量在偏差0 0 0 2 的预测命中 率达到7 4 。同时，利用模式识别和神经网络结合的p l s b p 降维网络设计了4 个冶炼工艺参数点，预测的结果与理论和实际都比较符合。 关键词：统计模式识别人工神经网络脱磷 论文类型：应用研究 i n v e s t i g a t i n g o f d e p h o s p h o r i z a t i o n i nc o n v e r t e rs t e e l - m a i 【i n gb ya p p l y i n g s t a t i s t i c a l p a t t e r nr e c o g n i t i o n a n d a r t i f i c i a ln e u r a ln e t w o r k s p e c i a i 姆：i r o n & s t e e lm e t a l l u r g y g r a d u a t es t u d e n t ：l i u j i a n t u t o r ：p r o f y u a n s h o u - q i a n a b s t r a c t p r ( p a t t e r nr e c o g n i t i o n ) a n da n n ( a r t i f i c i a ln e u r a ln e t w o r k ) a r ee f f e c t i v e m e t h o d so fd a t ap r o c e s s i n g t h e ya r ee s p e c i a l l yu s e f u lt ot h ee x t r a c t i o no fi n f o r m a t i o n f r o mc o m p l i c a t e dd a t as e ti n f l u e n c e db ym a n yf a c t o r s a p p l y i n gp ra n da n ni nt h e c o n v e r t e rs t e e l m a k i n gp r o c e s sh a st h ea d v a n t a g e s ，w h i c hc o u l dg e to v e rd e f i c i e n c i e si n g e n e r a lm o d e l s i nac e r t a i ne x t e n t ，i m p r o v et h eh i tr a t eo f t h ee n dm o l t e ns t e e la n dg u i d e o p t i m i z a t i o ni np r o d u c t i o n t h r o u 曲p l s 口a r t i a l l e a s t s q u a r e s ) b e l o n g s t o p r ，as t a t i s t i c a l m o d e lo f p h o s p h o r u sd i s t r i b u t i o nr a t i ol pi nl d c o n v e r t e rp r o c e s s i n gw a se s t a b l i s h e da n dt h e o p t i m i z e dd i r e c t i o no fp a r a m e t e r st h a ti m p r o v e sl pw a sc o n f i r m e df r o mt h ep r i n c i p a l c o m p o n e n t s m a p p i n gf i g f o rp r e d i c t i n ge n dp h o s p h o r u sc o n t e n t ，a na n n m o d e lo f e n dp h o s p h o r u sc o n t e n tw a se s t a b l i s h e db a s e do nt h e i m p r o v e db p ( b a c k g r o u n d p r o p a g a t i o n ) n e t w o r ka r i t h m e t i c t h eh i tr a t eo f e n d p h o s p h o r u sc o n t e n tg e t s7 4 w h e n e r r o ro f p r e d i c t i n gv a l u er a n g ei sf r o m - 0 0 0 2 t o0 0 0 2 t h r o u g hr e g u l a t i n gn e t w o r k p a r a m e t e r sa n du s i n gr e a l - t i m ed a t a m o r e o v e r , f o u rp a r a m e t e r sp o i n t sw a sd e s i g n e d u s i n gp l s - b pm e t h o d ，a n d i t sr e s u l t sa c c o r dw i t h t h e o r ya n dp r a c t i c ep r e f e r a b l y k e y w o r d s ：s t a t i s t i c a lp a t t e r nr e c o g n i t i o n a r t i f i c i a ln e u r a ln e t w o r k d e p h o s p h o r i z a t i o n t h e s i s ：a p p l i c a t i o nf u n d a m e n t 声明 本人郑重声明我所呈交的论文是我个人在导师指导下 进行的研究工作及取得的研究成果。尽我所知，除了文中特 别加以标注和致谢的地方外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含本人或其他人在其它单位已 申请学位或为其它用途使用过的成果。与我一同工作的同志 对本研究所做的所有贡献均已在论文中作了明确的说明并 表示了致谢。 申请学位论文与资料若有不实之处，本人承担一切相关 责任。 论文作者签名：誊1 锄1日期：泖弓弓多 关于论文使用授权的说明 本人完全了解西安建筑科技大学有关保留、使用学位论 文的规定，即：学校有权保留送交论文的复印件，允许论文 被查阅和借阅；学校可以公布论文的全部或部分内容，可以 采用影印、缩印或者其它复制手段保存论文。 ( 保密的论文在论文解密后应遵守此规定) 论文作者签名：讥1 夯1 导师签名喜 辱日期：珈弓_ ； 西安建筑科技大学 1 1l d 转炉炼钢对炉渣的要求 1 绪论 自从1 9 5 2 年5 月，世界上第一座拥有2 座3 5 t 氧气顶吹转炉车间在l i n z 投产和次 年d o m a w i t z 厂也建成一座顶吹转炉炼钢厂，并获投产成功以后，半个世纪以来，氧气 转炉炼钢成为主要的炼钢方法，并由顶吹氧气转炉发展了底吹和复吹氧气转炉【1 1 。 氧气顶吹转炉的首要任务，便是要求迅速造好具有一定碱度和氧化性、流动性良好 和数量足够的熔渣。合适的碱性渣可以迅速脱除硫磷等杂质，延长炉衬寿命、加速熔池 中的传热与传质、延长炉衬寿命及避免喷溅以减少原材料和金属的损失。 为了快速成渣，吹炼过程中的炉渣物化性能要达到一定要求： ( 1 ) 碱度：合理的碱度可以避免酸性渣严重侵蚀炉衬，保证正常的操作，提高去除硫、 磷率。 ( 2 ) 氧化性：炉渣的氧化性能关系到熔池中杂质的去除程度，影响终点钢水含量和钢 的质量，影响石灰的熔解速度，影响炉渣的泡沫化程度和喷溅，从而对炉衬寿命和金属 收得率都有影响。一般用炉渣中的f e o 含量来表征炉渣的氧化性。 ( 3 ) 粘度和泡沫化程度：前期要防止炉渣过稀，中期渣粘度要适宜，末期渣要化透作 粘。炉渣泡沫化程度不足，将显著降低金属脱磷率；炉渣过泡，容易导致剧烈溢渣和喷 溅，增加吹损，降低炉子寿命。 1 2 l d 转炉吹炼中的成渣过程和机理 人们通常人为的把转炉冶炼过程分为三个时期。随着冶炼的进行，炉渣数量和成分 也不断发生着变化忙j 。 在吹炼初期，枪位通常比较高，此时进行的夏应主要是铁水中的大部分的硅和锰被 氧化。铁也被氧化而进入炉渣。所以开吹时的渣量增加主要源于s i 0 2 ，m n o 和f e o 。熔 渣的温度高于金属熔池可达3 0 0 左右【3 1 。这段时间内石灰的溶解速度很大，渣相没有进 入多相硅酸二钙区，仍停留在均匀的液相区内。脱碳速度逐渐增高。 吹炼中期通常开始降枪，脱碳反应加剧，渣中f e o 降低，熔渣泡沫化程度达到最大， 有喷溅的趋势。液渣进入硅酸二钙区，石灰溶解速度有所减慢。 吹炼末期脱碳反应减弱，渣中f e o 量又回升，从而使石灰的溶解速度加快。终渣的 成分主要取决于石灰的加入量，一般在硅酸二钙饱和区和氧化钙饱和区之间。熔池内乳 化和泡沫现象逐渐减弱并趋于消失。 快速成渣的关键是加速石灰的溶解过程。加速石灰熔化对转炉冶炼具有重要意义。 西安建筑科技人学 石狄在炉渣中的熔化是复杂的多相反应，反应伴随有传热、传质及其它物理化学反 应，其过程可分为： 第一步，液相炉渣进过石灰块外部扩散边界层向反应区扩散，并沿气孔向石灰块内 部迁移； 第二步，炉渣与石灰在反应区进行化学反应并形成新相，反应在石灰块外表面和内 部气孔表面同时进行。 第三步，反应产物离开反应区向熔渣中转移。 吹炼初期，大量的冷态石灰加入后，立即在石灰块表面生成层渣壳。渣壳的加热 和熔化需要一定时白_ l ，称为滞止期。渣壳熔化后，石灰块的表面层丌始与液态渣相接触 并发生反应，使石灰熔化。但随之初渣中的s i 0 2 与石灰外围c a o 晶粒反应生成高熔点 ( 2 1 3 0 。c ) 的固态化合物硅酸二钙2 c a o s i 0 2 ( c 2 s ) ，包围在石灰外层使f e 2 + 很难向其 中渗透，因而严重地阻碍着石灰块的继续溶解 4 1 。这时石灰溶解的限制性环节是反应产 物脱离反应表面向液相进行的相问传递。吹炼后期，石灰与氧化铁作用，生成铁酸钙， 使相间扩散不再困难，石灰的化学活性成为石灰溶解的限制环节。 炉渣成分影响石灰的熔化主要有f e o 、m n o 、s i 0 2 。其影响石灰溶解速度如图1 - l 所示。 ： 一 ：触10) 等， ，( 攀 7 弋 0102 03 04 0 渣中氧化物的质量百分比m 图1 1 氧化物含量对石灰熔解速度的影响 对于实际转炉炉渣，石灰的溶解速度通常用以下的近似方程表达： v ( k ( c a o + 1 3 5 m g o + 2 7 5 f e o + 1 9 m n o 一1 0 9 s i 0 2 3 9 1 ) ( 1 1 ) 式中：k 比例系数： c a o ， z 孚。等渣中相应氧化物的浓度，。 2 o 队 o o 巡堇鞋她博樽 西安建筑科技大学 f e o 在碱性渣系里属于表面活性物质。它能改善熔渣对石灰块的润湿程度，提高熔渣 向石灰块缝隙的渗透能力。f e 2 + 离子半径小，容易在石灰晶格中迁移、扩散和置换出低 熔点相，从而促进石灰溶解。另外，f e o 能够减少c 2 s 的生成，穿透c 2 s 壳层使其松动， 有利于壳层熔化。所以说f e o 对石灰溶解的作用最大。 在一定范围内( 2 5 时，却能促进c 2 s 的形成，阻碍熔渣向 石灰块内的渗透。 在m g o 6 ，渣中有足够的f e o 时，提高m g o 可生成低熔点含镁矿物，推迟c z s 壳层 的形成，有利于初期石灰熔化。故用白云石造渣，提高初期渣中的m g o 含量，有利于早 化渣。 m n o 对石灰的溶解作用次于f e o 。仅仅在有足够的f e o 时，m n o 才能有效地促进石灰 溶解。当m n o 超过2 6 时，如果f e o 不足，反而会延滞石灰的溶解”j 。 1 3l d 转炉冶炼中的脱磷 1 3 1 磷在钢中的危害 一般都认为。磷是钢中有害的杂质，因此，脱磷一直被人们所重视。 磷的有害作用在于： ( 1 ) 磷显著的扩大液固两相区，因此在铸件凝固时会发生强烈的偏析现象，同时还缩 小了y 相区，因而助长了固态下的偏析。 ( 2 ) 磷在a 及y 固熔体中扩散速度较慢，因此将造成组织的不均匀。磷由于能在晶粒 间形成高磷的脆性纹理，损害钢的塑性，在低温时尤其明显( 俗称冷脆) ，对于含碳高的 钢，磷的有害作用更为显著。 1 3 2 脱磷的热力学 ( 1 ) 磷在铁液中和液态炉渣中存在的形式 从f e p 相图中能够看出，靠近f e 的一方磷和铁有两种化合物f e 3 p 和f e 2 p ，但f e 3 p 不是很稳定，一般认为铁液中的磷应以f e 2 p 存在。进行热力学分析的时候，通常认为 磷以游离形式【p 】存在于铁液中。 在炼钢过程中，铁液中的磷氧化为p 2 0 5 而进入炉渣。离子理论认为磷以p o 存在 于液体炉渣中。而分子理论则认为p z 0 5 和c a o 结合成为化合物。根据c a o p 2 0 5 相图， 认为有4 c a o p 2 0 5 和3 c a o p z 0 5 ，4 c a o 1 2 0 5 易分解，故认为磷以3 c a o p 2 0 5 形 式存在。 西安建筑科技人学 ( 2 ) 脱磷的热力学分析 石灰脱磷的反应式为： 3 ( c a o ) + 2 p 十5 ( 0 ) = ( 3 c a o p 2 0 s )( 1 2 ) 4g o = 4 9 5 2 0 0 + 1 4 8 5 5 t 为了讨论方便起见，将( 1 2 ) 左右两边的c a o 消去得到 2 p + 5 ( o ) = ( p 2 0 5 )( 1 - 3 ) 4 g o = 一1 5 1 2 0 0 + 1 2 3 7 4 t 这样简化后，只需考虑炉渣的p 2 0 5 的活度系数yp 2 0 5 就可以对脱磷反应进行分析。 根据等温方程式， g = g 。+ r 丁l n 了亨西y i p i 2 0 r 5 了n 了p 2 丽0 5 = 一r ，1 n k + r 丁l n ，( 1 4 )力【p 】2 力 d 5 、 l g k = 3 3 0 5 0 t 一2 7 0( 1 5 ) 当t = 1 8 7 3 k 时，k = 4 4 1 0 。o 脱磷反应能够进行，则a g 0 ，即( 1 4 ) 中的j k ，即 币y 丽p 2 0 5 丽n p 2 0 5 3 5 6 的当成优类样本( 第一类样本) ， l p o 6 以后，r 变化不大，m c = 1 0 时，网络发散，所以r 变得很小，无法训练。 0t 4 1 07 3 8 ho7 3 5 07 3 2 07 2 9 o4o5o6o t08o9 m c 图3 - 1 5 m e r 表3 2m e 变化时对网络训练的影响 从上表看到，m c 增大时，网络训练次数基本是在增加的。而预测命中率在大范围内 相差不大，范围定在o 0 0 2 和o 0 0 1 时m c = o 9 较好，但此时收敛速度比较慢。当 m c = 1 0 时，网络发散，图3 一1 6 。 再作目标误差变化时对网络训练、仿真和预测效果，定m c = o 9 ，l r = o 0 5 。结果如表 3 3 所示。 在g o a l = o 0 1 时，网络误差在o 0 2 2 上下振荡，如图3 1 7 。随目标误差的增大，训练 完成次数降低，训练时间缩短。同时，拟和的效果也越来越差。但预测的结果表明，在 大范围内的预测命中率基本相似，在小范围( o 0 0 2 和o o o l ) 内的预测命中率以 g o a l = o 0 5 0 0 7 为佳。 网络训练精度的提高，还可以通过采用一个隐藏层，而增加其神经元个数的方法来 获得。这种结构上的变化要比增加更多的隐藏层要简单。但是过多的隐节点数目只能提 高网络拟和的精度，甚至出现过拟和的现象。而在网络预测上不是隐节点越多越好。只 西安建筑科技大学 有在洲练比较中，找出合适的隐节点数日。经比较预报误差大小，选用1 8 个隐节点比 较合适。 p e 6 0 r m a n c ei s1 3 1 8 86g o a li s00 5 图3 1 6m c = 1 0 时的网络发散图3 1 7 g o a l = 0 0 1 时网络发生振荡 表3 - 3 g o a l 变化时对网络训练的影响 3 3 3 实验结论 综上所述，三种算法中，f l e t c h e r - p o w e l l 共轭梯度算法收敛速度很快，仿真结果也 较好，但预测偏差大；白适应学习速率梯度下降算法仿真结果没有f l e t e h e r - p o w e l l 共轭 梯度算法好，但预测能力有所提高；在用动量梯度下降算法训练网络，选择合适的参数， 能得到较快的收敛速率和较好的预测命中率，但仿真的拟和程度不如f l e t c h e r - p o w e l l 共 轭梯度算法好。 4 i 西安建筑科技人学 为了作预测终点钢水【p 】含量，选用动量梯度下降算法是合适的。训练参数为 m c = o 9 ，l r = o 0 5 ，g o a l = o 0 7 。预测的效果如图3 1 8 所示。 图3 1 8 选用合适的参数和算法较好的预测终点【p 含量 西安建筑科技人学 4 终点磷含量的p l s - b p 预测模型 4 1 b p 网络的过拟和和克服手段 从广义上说，b p 网络也是一种特殊的非线性回归分析，网络的训练过程为一个回归 过程。回归后得到的数学模型的稳定性好坏与网络的节点数有关包括输入层的输入变量 数目和隐藏层的隐节点数目。从理论上说，只要隐节点数足够的多，用b p 网络可以非 常好地拟和出任意连续的非线性函数【3 ”，即过拟和。但是对没有参加训练的样本的预报 却存在很大的误差。克服过拟和的有效措施就是减少网络节点数目。 统计模式识别中的p c a 和p l s 分析都可以通过提取主成分降维的方法来减少自变 量的数目用以有效甚至可视化地区分未知样本的隶属类别，利用返回技术可获得优化样 本，但是不能得到目标变量的具体值，即无法进行预测。所以将统计模式识别( s p r ) 和 人工神经网络( a n n ) 结合起来，发挥两种算法的各自优势，可以建立一种新的网络模 型，有效地克服神经网络的过拟和，并能进行网络预测。 当s p r 的具体算法是p l s ，a n n 的具体算法是b p 时，记为p l s b p 网络模型。用 此模型来训练终点磷含量的影响参数样本，能够减少输入节点和隐节点，降低预报残差 平方和( 尸r 脚) ，而且能在p l s 二维映照图上探测出优势样本，用以预报终点磷含量， 从而达到优化的目的。 4 2 p l s b p 预测模型的数学实验 4 2 1 实验条件和方法 取5 5 组现场得到的样本。网络输出和输入因子与第三章的b p 模型实验相同，即将 终点钢水的 p 】含量作为网络的输出，影响因子取以下1 2 个工艺因素：x 1 铁水装入量( t ) 、 x 2 废钢装入量( t ) 、x 3 供氧时间( m i n ) 、x 4 铁水s i 含量( 1 0 4 ) 、x 5 铁水m n 含量( 1 0 4 ) 、 x 6 铁水p 含量( l o 。5 ) 、x 7 铁水温度( ) 、x 8 石灰加入量o 曙) 、x 9 萤石加入量( k g ) 、x 1 0 白云石加入量( k g ) 、x ll 铁矿石加入量( k g ) 、x 1 2 出钢温度t ( ) 。 首先将样本集自标准化，求算数平均值和标准差，去除噪音样本。用剩下的好样本 作p l s 分析，取出p l s 成分r 和得分t ，以第一、二主成分作二维映照图( 主分类图1 。 用交叉有效性检验，确定p l s b p 网络模型的输入节点数和隐节点数，训练网络。最后， 在p l s 主分类图中选择优势点，用p l s b p 网络模型预报输出值，通过p l s 非主分类 西安建筑科技人学 图进行逆映照变换，得到原始空间特征参数，去除自标准化后，得到原始工艺参数，在 此参数下找到真实输出值，和预报输出值比较。 4 2 2 实验过程 ( 1 ) 前处理 样本集经前处理后，定义绝对值大于2 5 的样本点为离群样本去除，发现有5 个这 样的样本点。算数平均值和标准差如下表。 表4 一l 原始样本集的算数平均值和标准差表 ( 2 ) 提取p l s 主成分 用剩下5 0 组数据进行p l s 分析，取出前7 个的p l s 主成分和得分列在附录中。 由于终点磷含量重复