（矿物加工工程专业论文）高炉铁水硅含量预报模型的研究.pdf

摘要高炉铁水中硅的含量，不仅是衡量产品质量的一个重要标志，而且反映了高炉能量利用的程度。因此，在冶炼过程中，如果能及时地掌握铁水中硅含量及其变化的趋势，并做出比较准确的估计，便于及时采取调节措施，对于稳定热工制度，减少炉况波动、降低铁水含硅量以及提高生铁质量和降低焦比等，都是非常有利的。开发铁水硅含量实时在线预报系统，对于指导高炉操作，提高高炉过程控制水平，有十分重要的意义。本研究应用人工神经网络方法进行建模。确定了三层前向网络结构。针对基于梯度下降法的b p 网络存在的学习效率低、收敛速度慢、易陷于局部极小状态，网络的泛化及适应能力较差等缺陷，采用了附加动量法及自适应学习率、合理选择激励函数等策略对算法中的缺陷给出了改进措施，取得了较好的应用效果。结合姒t l a b 与v c + + 各自的优点，用m a t l a b 与v c + + 的混合编程，在v c + + 中调用m a t l a b 的矩阵库。根据面向对象的编程思想，采用基于0 d b c 的数据库编程技术实现了高炉铁水硅含量的预报。应用湘潭钢铁公司炼铁厂的实际生产数据进行建模，模型的预报命中率达到8 5 以上，为实现高炉过程铁水硅含量的在线控制奠定了基础。关键词：高炉过程硅含量预报模型神经网络a b s t r a c tt t l cs i l i c o nc o n t e n to fh o tm e t a li sn o to n l ya ni m p o l t a n ts y m b o lt oe s t i m a t et h eq u a i i t yo f p r o d u c t ，b u ta l s or e n e c tt i l ee n e i g yc o n s 啪p t i o no fm eb l a s t 如m a c e t h e r e f o r e ，i ti sa v a i l a b l et os t e a d yt h e 衄a 1s y s t e m ，r e d u c em en u c t u a t i o no fb l a s t 如m a c ep e r f o m l a n c e ，d e c r e a s et t l es i l i c o nc o n t e mo fh o tm e t a la i l di i r i p m v e 廿l eq 1 1 a l i 西o fr a wi m ni f l es i l i c o nc o 】1 t 咖a n di t sc h a n g et r e n dc a nb em e a s 切d mt i m e ，hi sc o m ，e n i e n c et ot a k em ea d j u s 仃n e mm e a s u r e t bd e v e l o par e a l t i m eo n l i n ep r e d i c t i o ns y s t e mo fs i l i c o nc o n t e mo fh o tm e t a li sv e r yi m p o r t a mt 0d i r e c tb l a s t如m a c eo p e r a t i o na n di 1 1 l p r o v em el e v e lo f b l a s tm m a c ep r o c e s sc o n t r 0 1 i n 1 ec o u r s eo fs y s t e m a t i cm o d e l i n g m ea n i f i c i a ln e u r a ln e t 、v o k sm e m o di ss t u d i e da n dt h r e e - l a v e rf o n n e rn e t w d r ks t m c t u r ei sc o n 丘n i l e d 1 1 1a l l u s i o nt o 廿l ed e f e c to f9 1 誓l d sd e s c e n s i o no f 缸a d i t i o n a lb a c kp r o p a g a t i o nn e t 、v o r ka 1 9 0 r i t i l m s ，s 啪ei m p r o v i n gm e a s u r e ss u c h 私a d 帅t i v el e a r n i n ga r 证a ( 1 d i t i v em o m e n t i l mh 够b e e nt a k e ma n db e t t e ra p p l i c a t i o nr e s u l ti sa c q u i r e d t h ep r e d i c t i o ns y s t e mo fs i l i c o nc o n t e n to fh o tm e t a li sr e a l i z e db ya d o p t i n gm em i xt i l ep m 肿i n gs t r a t e 留o fm a = ，a ba l l dv c + + a n du s i n ga d od a _ 劬鹊et e c h n o l o 黟n es o 胁a r ei sd e v e l 叩e d 鲫b a s eo f她p r o m c t i o nd a t ao f a n 卵眦i r o n 觚ds t e e lp l a r 啦雠p r e d i c t i o nr a t ei so v e r8 5 。a i l di tl a v sm ef o u n d a t i o n so fo l l l i i l ec o n 臼lo fs i l i c o nc o n t e mo f h o tm e t a l k e y w o r d s ：b l a s t 缸n a c ep r o c e s s ，s i l i c o nc o n t 濉，p r e d i c t i v em o d e l ，a r t i f i c i a ln e u r a ln e t 、v o r k s硕士学位论文第一章文献综述第一章文献综述1 1 高炉过程的控制现状1 1 1 高炉过程的特点钢铁是现代社会最重要的原材料之一，钢铁工业是现代国家的支柱产业之一。炼钢所用的含铁原料，除去废钢和少量的直接还原铁以外，绝大部分是高炉生产的铁水，约占7 0 9 6 “1 。由于高炉炼铁技术经济指标好，工艺简单、可靠，产量大，效率高，能量低，因此在钢铁生产中占据主导地位，对钢铁工业的发展起着举足轻重的作用我国的炼铁工业多年来是以“优质、低耗、高产、长寿”为综合目标的。国家“八五”期间对钢铁企业的技术目标做出明确的规定：重点企业的平均利用系数要达到1 8 5 伽3 d 综合焦比5 5 5 k 吼，喷煤的高炉进一步增加，喷煤量达到7 0 k 叭；地方骨干企业生产指标要不断完善，进一步降低能耗；“优质”是指生铁的含硫量要尽可能控制在国家规定的一级品范围内；“低耗”是指批生产每吨生铁消耗的焦碳越低越好，即焦比要小；“高产”指有效高炉容积内生产的生铁越多越好，即利用系数要尽量大；。长寿”是指一代炉龄从开始运动到大修停产时间越长越好。高炉冶炼是一个连续的生产过程，全过程是在炉料自上而下，煤气自下而上的相互接触过程中完成的。炉料按一定料批从炉顶装入炉内，从风口鼓入由热风炉加热到1 0 0 0 1 3 0 0 的热风，炉料中焦碳在风口前与鼓风中的氧发生燃烧反应，产生高温还原气体，在炉内上升过程中加热缓慢下降的炉料，并还原铁矿石中的铁氧化物为金属铁。矿石升到一定温度后软化，熔融滴落，矿石中未被还原的物质形成熔渣，实现渣铁分离。已熔化的渣铁聚集在炉缸内，发生诸多反应，最后调整铁液的成分和温度达到终点，定期从炉内排放炉渣和生铁脚。炉料下降过程分布呈层状分布，各区内进行的主要反应和特征列于表卜1 。随着钢铁工业的进展，高炉冶炼已发展成为较成熟的技术。高炉冶炼的目标是在较长的一代炉龄内生产出尽可能多的生铁，而且消耗要低，经济效益要好，概括起来就是“优质、低耗，高产、长寿、高效”。近十多年来，高炉容积迅速扩大，向大型化发展。国外的高炉容积达到5 0 0 0 m 3 以上，国内如上海宝钢也已投产三座4 0 0 0 m 3 以上的高炉。虽然在过去的十几年间，高炉过程取得了极大的进展，但高炉的地位仍不断遭到各种新的炼铁法的强有力的挑战f l 】，特别是9 0年代以来，以c o r e x 过程为代表的熔融还原铁技术对高炉构成了真正的威胁。高硕士学位论文第一章文献综述表卜1 高炉内各区域进行的主要反应和特征名称主要反应主要特征l间接还原，炉料中水分焦与矿呈层状交替分布，皆呈固体炉料区蒸发及受热分解，少量直接固态，以气固相反应为主还原，炉料与煤气间热交换2炉料在软熔区上部边为固液气问的多相反应，软熔软熔区界开始软化，在下部边界熔的矿石层对煤气阻力很大，焦窗的融滴落。主要进行还原及造面积和大小决定煤气流动和分布渣反应3向下滴落的液态渣铁松动的焦碳流不断地落向焦碳疏松焦碳区与煤气及固体炭之间进行循环区，而其问又夹杂向下流动的多种复杂的质量传递和传渣铁液滴热过程4压实焦碳区在堆积层表面，焦此层相对呆滞，又称。死料碳与渣铁发生反应柱”在铁滴穿过渣层瞬渣铁层相对静止，只有在周5间及渣铁层问的交接面上期性渣铁排放时才有较大扰动渣铁贮存区发生液一液反应；由风口得到辐射热。并在渣铁层中发生热传递风口焦碳循焦碳及喷入的辅助燃焦块急速循环运动，既是煤气6环区料与热风发生燃烧反应，产产生的中心又是上部焦块得以连续生高温煤气，向上快速逸出下降的“漏斗”，是炉内高温的焦点炉要继续保持其地位，必须进行改造，提高其利用系数，降低燃料比，炉内直接生产超低硫( o o l 加0 2 ) 和超低硅( 0 1 加2 ) 优质铁水。减少铁水预处理费用，增加一代炉龄的年限，等等。质量优良的原料、燃料和先进而可靠的设备对于实现上述各项改造是比不可少的先决条件，而建立高性能的计算机控制系统，对高炉过程实施有效的控制，对上述要求的实现将发挥重要作用。目前新建和改建的高炉都配备了集散控制系统( d i s t r i b u t c dc o n 仰ls y s t 锄) 具备了基本检测和控制功能，为进一步实现智能控制提供了条件。2硕士学位论文第一章文献综述1 1 2 高炉过程的控制现状高炉是一个巨大的连续生产的立式逆流高温密闭反应器，炉内固、液、气三相共存，物理化学反应异常复杂，使得高炉对温度、压力、风量等操作参数及原燃料性质、波动等具有明显的热量滞后性和化学滞后性。所以从控制论角度来说，高炉过程是典型的具有多变量、分布参数、非线形、强耦合的惯性系统。这就决定了高炉过程计算机系统必须具有长期、中期和短期三个水平的控制功能；( 1 ) 长期控制长期控制的任务是帮助管理人员在原料、燃料种类对生铁品种和数量的需求发生变化，或工序出现问题，快速而准确地分析生产条件的变化对利用系数、燃料比、生铁质量、生产成本和炉况等可能产生的影响，决定相应的高炉操作制度。( 2 ) 中期控制高炉的运行会随着炉龄的延长而缓慢的变化，原料、燃料性质长期微小的变化也会对炉况发生影响。中期控制的任务是定期检查炉热水平，控制软融带，以及对崩料、悬料、管道等异常炉况进行预报和控制。( 3 ) 短期控制由于原料、燃料的性质和入炉重量总是不可避免的要发生变化而偏离设定值，大气温度和和湿度等环境因素也经常发生变化，所以高炉炉况总是处于不断的变化中。短期控制的任务是尽早地把握高炉过程的动态变化，采取必要的调节手段，保证炉况稳定顺行和生铁的质量。高炉自动控制系统通常由常规检狈0 仪表、电气传动系统以及计算机为主体设备的分布式控制系统共同组成田。自动控制系统在应用功能上由三级组成。第一级为基础自动化级，主要对工艺生产现场进行检测和驱动，完成生产过程的数据采集和初步处理，数据显示和记录，数据设定，生产操作，执行对生产过程的连续调节控制和逻辑顺序控制；第二级为过程监控级，主要完成对生产过程操作指导，作业管理，模型计算，数据处理及存储；第三级为生产管理级，主要进行全厂生产信息管理嘲。典型的三级式高炉控制系统见图卜l 所示。早期的高炉计算机控制以美国和德国、法国、比利时等欧洲国家为代表，主要功能是数据采集和处理、报表制作、上料设备的顺序控制和热风炉的p i d 控制等，与过程本身有关的功能仅限于统计模型及物料平衡和热平衡模型研究影响焦比的操作因素。到了7 0 年代，高炉计算机控制的发展中心逐渐转移到日本。以新日铁、川琦、日本钢管和神户为代表的几家大钢铁公司，先后开发并实际应用了许多数学模型，如著名的鞭和八木的高炉一维模拟模型、杉山等的高精度二维数模、川崎公司的g o _ s t o p 系统等。同期，还研制了许多先进的检测仪表，如微波料面仪、3硕十学位论文第一章文献综述炉身探尺、软融带探测仪等。图卜l 典型的三级式高炉控制系统从8 0 年代中期开始，以日本钢管公司为先导，开始将人工智能技术特别是专家系统应用到高炉上，大大提高了控制的可靠性和精度。在此期间，美国和加拿大也急起直追，在检测仪表和数学模型方面投入大量人力和物力，取得了很大进展。- 目前，日本、澳大利亚、德国、法国、英国、芬兰、瑞典、意大利、巴西和韩国等在高炉过程计算机控制上达到了较高的水平。我国虽然起步较晚，但是发展迅速。利用微机和p l j c 控制高炉上料和装料基本上已经普及，近年来新建或大修的武钢5 号高炉( 3 2 0 0 1 1 1 ) 、唐钢1 2 6 0 l l i 高炉、宣钢5 号高炉( 1 2 0 0 m ) 、湘钢3 号高炉( 1 0 2 6 m ) 等大中型高炉以及涟钢2 号高炉( 3 9 2 m ) 、广钢等小高炉，都建立起计算机系统，具备了较完善的基础自动化功能和初步的过程控制功能。宝钢高炉，特别是3 号高炉( 4 5 0 0 m ) 的控制水平已经接近世界先进水平。，1 2 人工神经网络概述4硕士学位论文第一章文献综述1 2 1 人工神经网络的发展，人工神经网络( a m f i c i a in e u r a ln e t w o d ( s ) 简称a 1 叮n ，是8 0 年代后期迅速发展起来的一门新兴学科。神经网络是从仿生学的角度，模拟人脑神经系统的运作方式，使其具有人脑的感知、学习和推理能力。它的研究领域广泛，涉及神经科学、语言学，脑科学、认知科学、计算机科学和数理科学等，“是一种并行的分布式信息处理结构，它通过称为连接的单向信号通路将一些处理单元( 具有局部存储并能执行局部信息处理能力) 互连而组成”。人工神经网络的研究已有半个世纪的历史，但它的发展并不是一帆风顺的，大体可分为四个阶段蜘。(1 早期阶段1 9 4 3 年美国心理学家m c c u l l o c h 和数学家p i t t s 在分析、总结神经元特性的基础上，首先提出了神经元的数学模型简称为m p 模型，用简单的阈值函数表示，完成了逻辑函数的功能，从此开创了神经科学理论研究的时代哪。1 9 4 9 年，心理学家h e b b 通过对大脑神经细胞学习和条件反射的观察研究，提出改变神经元连接强度的h e b b 规则，至今仍在神经网络模型中发挥着重要作用。作为人工智能的神经网络系统的研究则是从2 0 世纪5 0 年代末6 0 年代初开始的。1 9 5 7 年f r o s e n b l a t t 首次提出并设计了著名的感知器( p e r c e p t i o n ) ，掀起了神经网络的高潮。1 9 6 2 年b e r n a r dw i d r 鲫和r c i a nh o f f 提出了自适应线形元件网络，简称a d a l i n e ( a d a p t i v el i n e a re l e m e n t ) ，是一种连续取值的线形加权求和阈值网络。6 0 年代末期，m i n s k y 和p a p e r t 发表专著感知器，在肯定了感知器的价值后，指出其功能的有限，使人们对神经网络的研究热情降低，迅速转为低潮。2 过度阶段。进入2 0 世纪7 0 年代后，虽然神经网络的研究相对处于低潮时期，但是仍有不少科学家坚持不懈的努力奋斗，提出了各种网络模型，为今后的研究打下坚实的基础。1 9 7 0 和1 9 7 3 年k u n i h i k of u k u s h i 哪研究了视觉系统及脑的空间和时空的人工神经网络模型，提出了神经认知网络理论。1 9 7 9 年日本东京大学的中野馨提出了著名的联想记忆模型，即所谓联想机( a s s o c i a t i o n ) ，它能实现从残余信息模式到完整信息模式的恢复过程。、3 8 0 年代的新高潮1 9 8 2 年美国物理学家h o p f i e l d 提出了瞅n 模型，他引入了能量函数的概念，使神经网络稳定性的研究有了明确的判据，并证明了一个互连单元的神经网络系统将达到能量损耗最小的原理。h n n 模型开拓了神经网络用于联想记忆和优化计算的新途径，形成了8 0 年代中期以来人工神经网络的研究热潮。1 9 8 6 年m c c l e l l a n d 和r u m e l h a r t 提出了多层网络的误差反传算法即b p 算法，是迄今为5硕士学位论文第一章文献综述止用得比较广泛和流行的算法。4 8 0 年代后期到现在的热潮1 9 8 7 年6 月在美国召开的第一届国际神经网络学术会议，宣告了国际神经网络协会正式成立，掀起了人类向生物学习、研究和开发及应用神经网络的新热潮。“神经网络的发展已进入转折点，它的范围正在不断扩大，领域几乎包括各个方面”神经网络与专家系统、模糊技术已经遗传算法的结合已经成为重要的发展趋势。，f1 - 2 2 人工神经网络的特点人工神经网络是一个多学科、综合性的研究领域，涉及到神经学、语言学、脑科学、认知学、计算机科学和数理科学等。它是在现代生物学研究人脑组织所取得的成果基础上提出的。人工神经网络是用大量简单的处理单元广泛连接组成的复杂网络，用以模拟人类大脑神经网络结构和行为，起着眼点不是用物理器件去完整地复制生物体中神经细胞网络，而是采纳其可利用的部分来克服目前计算机或其他系统不能解决的问题，如学习、识别，控制、专家系统等嘲。人工神经网络的研究成果显示了它具有人脑功能的基本特征，从而为解决了人工智能研究中的某些局限性开辟了新的途径。它是一个高度非线形的超大规模连续时间动力系统，具有高维性、广泛互联性和自适应性。，人工神经元网络是由大量处理单元，也就是神经元通过及其丰富和完善的连接而构成的自适应非线形动态系统，基本特点如下嗍：( 1 ) 以分布方式存储知识。知识不是存储在特定的存储单元中，而是按内容分布在整个网络上，每个神经元存储多种信息的部分内容。网络的每部分对信息的存储有等势作用，这种分布存储方式是存储区和运算区合为一体的。( 2 ) 大规模并行处理。人工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，整个网络的信息处理是在大量单元中平行而又有层次的进行，运算速度快。”j( 3 )有很强的容错性和鲁棒性。在神经网络中，要获得存储的知识采用联想的方法，即当一个神经网络输入一个激励时，在已存的知识中寻找与该输入匹配最好的存储知识作为解。它的好处就是当网络中部分处理单元遭到破坏，不影响其整体功能，可以从不完善的数据和图形通过学习作出判断。( 4 )有良好的自学习，自适应、自组织等功能。神经网络是一种变结构系统，能完成对环境的适应和对外界事物的学习能力。神经元之间的连接有多种多样，各元之间连接强度具有一定的可塑性，相当于突触传递信息能力的变化，使得网络可以通过学习和训练进行自组织以适应不同信息处理的要求。6硕士学位论文第一章文献综述人工神经网络是源于人脑神经系统的一类模型，是模拟人类智能的一条重要途径，具有模拟人脑部分形象思维的能力。它是由简单信息处理单元互连成的网络，能接受并处理信息，网络的信息处理由处理单元之间的相互作用来实现，它是通过把问题表达成处理单元之间的联接权来处理的。权值可以加强或减弱上一个神经元的输出对下一个神经元的刺激。在神经网络中，修改权值的规则称为学习算法，权值可以根据经验或学习来改变，系统产生进化，达到用户的要求。1 2 3 人工神经网络模型从1 9 4 2 年出现的m p 模型至今，已经出现了数十种神经网络模型。从神经网络的拓扑结构( 连接形式) 的角度，可分为前馈神经网络和反馈神经网络；按学习方式分为：有导师的学习( 监督学习) 、无导师的学习( 无监督学习) 和再励学习( 强化学习) 三种；按性能分为静态和动态网络：从变量形式上分为连续型和离散型网络。其中最有代表性、应用最广泛的是多层前馈网络( m f l 州m l l l t i l a y e r f e “蠊吖w a r d n e u m l n 咖o r k s ) 。从8 0 年代中期，以r 1 瑚e l h 耐和m c c l e i l 柚d 为首提出了多层前馈网络，c 锄n 和d i c l ( i 1 1 s i 岫等人分别用不同的方法证明了仅含有一个隐层的三层前馈神经网络具有任意精度逼近任意非线性映射的能力。网络由输入层、输出层和一个隐层组成，各层包含一个或多个神经元，各层间通过可调权值连接，且各神经元之间没有反馈。其信息由输入层向隐层传递至输出层。每个神经元以加权和形式综合它的全部或部分输入，并根据非线性激活函数的形状产生的相应输出。其结构如图1 2 所示。，在多层前馈神经网络模型中，网络权值的调整是通过著名的误差反向传播( b p b a c kp m p a g a t i ) 学习算法来进行的，故常称为bp 网络。b p 算法是一种有导师的学习算法，学习过程有正向传播和反向传播两部分组成。在正向传播过程中，输入模式从输入层经过隐层神经元的处理后，传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出，则转入反向传播，此时误差信号从输出层向输入层传播并沿途调整各层间的连接权值和阈值，以使误差不断减小，直到达到精度要求。该算法实际上是求误差函数的极小值，它通过多个样本反复训练，并采用最快下降法使得权值沿着误差函数负梯度方向改变，并收敛于最小点“o 】【“】。b p 算法因其简单、易行、计算量小、并行性强等优点，目前是神经网络训练采用最多也是最为成熟的算法之一b p 算法的实质是求解误差函数的最小值问题，由于它采用非线形规划中的快速下降方法，按误差函数的负梯度方向修改权值，导致了b p 网络的学习效率低。收敛速度慢，网络的泛化能力差，易陷于7硕士学位论文第一章文献综述局部极小状态对b p 算法存在的收敛速度慢的问题，各国学者提出了许多改进措施，如自适应调整学习速率加快b p 算法的收敛速度，采用变动量因子改善学习效果，权重系数修正时引入惯性系数等方法。输入隐层输出图1 - 2 多层前馈神经网络结构y ln如但研究表明，单纯改变学习速率或动量因子对改善学习效果均有一定局限，有时甚至不如基本b p 算法。、，i n b a l 受p m 调节器原理的启发，直接利用误差梯度函数的比例、积分、微分组合形成调节量，即r p i d b p 算法。此算法理解直观，但应用时人为确定的参数太多，且比例、积分、微分系数的选择对算法的收敛影响很大，不易取得最优设置。在连续系统的辨识与可控制当中，这些系数还难以与控制误差、采样时间等取得明确的对应关系。在此理论基础上，何玉彬、李新忠提出了增广l p i d b p 学习算法。采用纯积分的二阶系统，有效的克服了b p 算法的震荡和积分饱和的影响，避免惯性b p 算法在收敛区域的不灵敏性，加快收敛，有利于动态系统实时辨识和控制。，上述方法对b p 算法的性能有了一定的改进，但它们的基本方法仍然是梯度下降法，不能从根本上摆脱陷入局部最小解的嫌疑。人们探索将模糊控制( f u z 巧c o n 拍1 ) 和遗传算法( g 毓c t i c a l g o 删1 i n ) 与神经网络结合起来，优化了网络结构。模糊神经网络( f u z 巧n e u r a ln e 咖r l 【s ，f n n ) 的发展，克服了在工业生产中因生产不稳定而导致样本数量受限制的问题，它在没有完全信息的时候，利用神经网络的学习功能，实现模糊系统的自学习和自适应，有效地克服人为设定规则集和隶属度函数等模糊系统的的主要缺点。遗传神经网络是一种关于随机概率搜索的优化算法，通过遗传算子复制、杂交和变异作用于种群的遗传因子，优胜劣汰，8硕士学位论文第一章文献综述筛选出优良的个体。采用遗传算法可以优化b p 网络拓扑结构及学习参数，克服了b p 模型的“过拟合”现象和局部最优，实现全局优化。1 3 人工神经网络在高炉过程的应用现状1 3 1 国外高炉过程人工神经网络应用现状现代化的钢铁工业生产要求准确掌握生产中的各种参数及其变化趋势，为控制操作提供数据保证。这些数据包括物料配比、温度、压力、反应时间等。然而大规模的钢铁工业生产中许多过程问题、控制问题甚至是管理问题都是复杂的、伴随高噪声的非线形问题。人工神经网络在钢铁工业应用中具有很大潜力和优势，且正在得到日益广泛的研究和工业应用。目前在钢铁工业中应用最广泛的就是高炉过程的控制。高炉生产涉及到高温、物料复杂、波动大、不确定影响因素多等复杂情况，其稳定顺行对产量、产品质量、成本有重要的影响。但是高炉是大规模的分布参数系统，根据高炉上设置的大量的传感器获得的信息和数据，正确地认识炉况的分布模式，对于诊断炉况，指导操作，是众所关注的课题，因而出现了各种数学模型和专家系统。然而，数学模型有较强的机理分析能力，模糊系统、专家系统有较好的逻辑推理能力，但对复杂数据的处理能力差，而人工神经网络是对人脑神经系统所作的抽象、简化和模仿所得到的复杂信息处理系统，特别适用于需要同时考虑许多因素的、不精确的信息处理，正好能补充这一方面的不足。因此，美日等国家近年来在高炉过程控制中推广应用人工神经网络系统，如指导布料控制，判断炉顶温度、料面形状，高炉热状态的判断等，取得了良好的效果，见表l 2 。其中应用效果较好的系统如日本新日铁大分厂。采用b p 神经网络预测炉内煤气流分布模式，并与专家系统结合预测炉况，指导操作，正确率达9 0 以上“”。印度维萨卡帕特南工程公司采用人工神经网络结合经验焦比和鼓风动能模型，预报高炉的焦比“”，也取得了很好的效果。日本川崎钢铁公司千叶厂采用b p 神经网络进行炉热预测及热风量控制“”，系统以原料下降状况数据、煤气成份数据、高炉下部热平衡指数数据、热损失等1 2 个过程数据作为输入，输出层3 个节点，分别代表炉热变高、不变、变低三种情况。隐层选择1 0 个节点。以指数函数作为激励函数，用带动量项的b p 训练算法对网络进行训练，命中率达9 4 。9硕士学位论文第一章文献综述表1 2 国外高炉过程中人工神经网络的应用名称功能特点及效果文献出处1日本大分厂神经网络与通过软融带形状和变化趋势判1 2s a r i a 系统专家系统结合断炉况，准确率达9 8 2日本神户高炉热预报与利用统计模型解决炉温渐进变1 4炉人工智能控制控制，炉顶布料化的预报问题，采用自组织神经网系统控制络辨识其数据特征，采用b p 网络辨识炉顶料面形状，准确率达1 0 0 3瑞典律列商铁水硅含鼍运用人体工学技术，综合应用1 5炉智能报警系统预报和控制，异b p 神经网络和专家规则判断预测常炉况监测和控炉温，炉温调剂决策建议符合率达p制8 0 4印度维萨卡预报焦比、使用经验焦比和鼓风动能模1 3帕特南钢公司预矿耗、风温、生型，采用b p 神经网络预报焦比，使报焦比神经网络铁产量其预报偏差降低为9 1 3 l ( g系统5德国施维尔软融带的监由统计学高炉模型确定高炉的1 5根1 h y b a s 高控，最低燃料比效率系数，采用k o h o n 自组织神炉自动化系统控制，铁水温度经元网络辨识炉身压力分布模式，预报，炉缸液位燃料比降低5 ，利用系数提高l o 及侵蚀实验6日本千叶钢预测炉热模以指数函数作为激励函数，用1 6铁厂高炉炉热预式和热风量控制带动量项的b p 算法对网络进行训测系统练，命中率达9 4 7芬兰铁水硅预报铁水硅采用l e v b e 喀- m a r q d t 方法l含量预报系统含量计算权重，其预报结果比a r 协时问序列模型有明显改善，最大预报误差从o 1 9 下降为o 1 l1 3 2 国内高炉过程人工神经网络应用现状由于神经网络在过程控制的建模、信息处理、模式识别领域的应用效果较好，尤其是模型的在线自学习和自适应上，有其特殊的优点。近来来，国内也逐渐将1 0硕士学位论文第一章文献综述其应用于高炉生产过程，虽然起步较晚，但是发展迅速，而且取得了一定的成果，见表i - 3 。表1 3 我国高炉过程中人工神经网络的应用名称功能特点及效果文献出处l石家庄钢铁厂炉况异常采用自适应控制算法建立硅1 7高炉人工智能预报和铁水硅含量预报程序，并结合人工神经炉况预报系统含量预报网络模型提高预报的准确率，可以达到7 0 以上2马钢2 5 0 0 m 3异常炉况具有g o s l d p 数学模型并1 8高炉炉况诊断监测和诊断设有专家系统，用神经网络管理专家系统模型及专家系统的阑值进行判断3首钢2 号高炉预报高炉专家系统为主，配以回归模型和1 9 2 0人工智能冶炼热状态及铁水神经网络，以提高命中率对异专家系统硅含量常炉况预报的命中率高于9 0 ，对铁水硅含量预报高于8 5 4武钢4 号高炉冶炉温预报与控以炉热指数为依据，根据各2 l炼专家系统制，高炉顺行，变量与炉温波动问的关系，利用炉缸渣铁平衡b p 网络实现炉温预报和控制。含的控制和管理硅晕o 0 5 范围的比例达8 5 5马钢高炉下部建立高炉下部利用b p 网络对高炉下部热2 2热量水平预报热量水平与风量水平进行离线或在线控制操系统量、风温、煤气作，与实际结果接近，相对误差利用搴及负荷在5 内之间的拟合关系及预报模型6鞍钢l o 号高炉对高炉煤将统计方法和人工神经网络2 3 2 4煤气流分布模气流分布进行结合建立煤气流分布模式识别系式识别神经网识别，稳定高炉统，并结合专家系统建立了布料络系统操作操作系统，精度可达8 6 7梅山3 号高炉铁铁水硅含结合统计模型和b p 神经网2 5水硅含量预报量预报和控制络综合预报铁水硅含量。离线预系统报结果o 1 命中率达8 6 7 硕士学位论文第一章文献综述1 3 3 人工神经网络在钢铁工业其他领域的应用神经网络在钢铁工业其他领域也有广泛的应用，主要见于以下几个方面。( 1 ) 在烧结过程中的应用烧结过程要求原料条件稳定且布料尽可能均匀。日本神户制钢应用人工神经网络很好的实现了加热曲线控制的模型化。首先利用白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学习烧结矿成品率以及相应调整措施。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。由于烧结过程具有显著的不均匀性、非线形等特点，且缺乏必要的现场检测手段。针对烧结过程建立的统计模型和机理模型的局限性，邵贤强等人研制了烧结矿质量推断神经网络模型【2 6 l 。该模型采用b p 网络，通过二次特征提取，精选出固定碳、机速、风箱温度等7 个特征量作为输入层的7 个节点，并将样本质量按f e o 和r 两项指标划分为四类，对应输出层的4 个节点。实验结果表明建立的模型预报正确率高( 最高达8 6 ) ，具有很好的泛化能力，解决了成品矿质量检测时间长的缺陷。郭文军【27 】等人研制的烧结矿化学成分神经网络预报模型则选择了与烧结矿质量有直接关系的碱度、全铁和f e o 含量作为预报的输出，采用m 御a b 语言仿真，预报结果与实际结果的偏差均在允许的工艺范围内。谢安国等人脚】以某钢铁企业的生产和技术指标的相关统计数据为基础，利用人工神经网络的b p 算法，构造了烧结工序能耗的影响因素定量分析模型，分析了烧结矿品位、合格率、返矿率、f e 0 含量和转鼓指数对烧结工序能耗的影响程度。解决了长期以来仅凭经验估测各因素对工序能耗影响程度的问题。除此之外，还有用人工神经网络控制烧结矿冷却温度，以及用多层神经网络确定适宜的生产操作条件【3 0 1 ，用神经网络技术根据机尾断面图象预报f e o 含量口“。( 2 )在炼钢过程中的应用漏钢是连铸生产中的一种严重事故，造成设备烧损，生产停止大型连铸机通常装有漏钢预报装置。传统方法是找出结晶器壁温度的变化模式与温度之间的关系，建立模型，根据温度变化，由模型判断有无漏钢发生的趋势，这种方法的困难在于建立一个有效的模型。日本新日铁八幡钢铁厂用神经网络构造了漏钢预报系统【”，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；另一类是空间序列网络，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。其实际预报精度接近l o o ，且比原来系统提前3 1 4 s 预报。1 2硕七学位论文第一章文献综述冶金部自动化研究院与宝山钢铁公司合作开发了连铸神经网络漏钢预报系统哪】，采用延时网络( ) n n ) 技术，将接收到的新信号和保存在移位寄存器中的前n - 1 个信号一起构成移位窗口的一个静态模式，再采用b p 神经网络对该静态模式进行识别。系统由横向和纵向神经网络构成，每一个横向网络和纵向网络都是由时序判断和空间判断功能综合在一起的单个神经网络，这些神经网络输出经逻辑综合处理后作为系统输出结果，分为轻警报、重管报和无警报三类。实际运行表明其预报性能优于宝钢原来从日本引进的逻辑判断漏钢预报系统。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，它可根据钢水有关信息推断能否成功的进行浇注。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闻等变量，其判断结果有四个：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的原因提供指导。电弧炉炼钢过程是难于用传统数学方法描述的又一个环节。美国s t a r 面r d 大学与n o r i h s t a r 钢铁公司、c o p p 删e l d 钢铁公司合作开发了智能电弧炉( i a f ) 。它由三个复杂的神经网络控制器( 电弧炉仿真器、调节器仿真网络、神经电弧炉控制器) 构成州，能连续的根据操作条件的变化来调节电极和功率，可以学会了解钢水熔炼期间炉内反应的一般变化，且能快速识别和适应异常废钢的加入，该模型的应用带来了极大的经济效益。一( 3 ) 其他方面的应用神经网络还应用于配矿、加热炉控制、轧钢板型控制等领域1 3 5 l1 3 6 1 。山东莱芜钢铁公司1 9 9 7 年将神经网络成功应用于莱钢特钢厂1 “加热炉的燃烧控制f 3 7 l ，控制精度 1 5 0 0 s i 0 2 s i o s i 1 5 0 0 s i 0 2 ，s i已有数据表明，以c 还原s i 0 2 生成s i 0 ( 气) 或生成s i 是同样困难的，反应的开始温度都很高，到达1 6 5 0 和1 7 4 9 ，高于一般渣铁的温度l o o 3 0 0 。6 0 年代以来高炉解剖研究的结果表明，在软融带下沿形成的液态铁水中含 s i 、 s 量已经开始增加，下降到风口水平时， s i 、 s 含量达到最大值。之后，在炉缸下部铁滴穿过渣层时， s i 、 s 又转移入渣，最后降低至出炉成分。近年来，日本的槌谷等人提出，s i 的还原，或称之为s i 的转移过程是通过气相的s i 0 及s i s 等中间化合物进行的【4 2 】据此观点，在风口带的高温区内，由于焦碳及其灰分中所含s 以及s i 0 2 ，活度值大，与c 的接触条件良好，在高温下反应生成两个气相产物s i o 和s i s ，并随高温煤气而上升。当遇到由软融带向下滴落的渣及铁液时则被吸收。在软融带下沿至风口带的距离内，吸收的两种气相物的量逐渐增多，到风口带时吸收量达到了最大值。各相问的化学反应方程如下：s i 0 2 ( 焦碳灰分中) + c = s i o 。g + c o在高温及c 过量的条件下，s i c 比s i o 更稳定，则此时生成s i o 的反应为：1 4硕士学位论文第一章文献综述s i c + c o = s i 0c g ，+ 2 cs i 0 2 也可与s i c 反应生成s i o2 s i 0 2 + s = 3 s d t g ，+ c o由简单的计算可证实，若焦碳含s i 0 垆5 ，即使全部转化为s i o ，其在焦碳所生成的c o 气相中的分压也远达不到允许的平衡值，也就是说焦碳的全部气化是有条件的。热力学分析证明，焦碳中s 转化为气态的s i s 在上述条件下也是可以稳定存在的。上升的高温煤气携带s i s 和s i o ，遇到有软融带滴落的铁水，则被吸收，反应为：s i 0 g ，+ f e ；【s i 】+ f e os i s t 妒= 【s i l + 【踯日本川崎公司利用一种斜行风口探尺采集了风口循环去内外的渣铁样品，分析结果表明，风口水平的初渣中f e 0 浓度最高达1 5 ，m n o 最高达1 5 5 ，而循环区内的熔铁含硅量也高于终铁中的浓度【4 3 l 。新日铁公司对操作中高炉的取样发现，在炉缸的渣层中确实存在s i 被r o和m n o 的再氧化反应：f e 0 ( 1 ) + l 2 s i = f e + l 2s i 0 2 i m n o i ) + l 2 s i = l 讧n + l 2s i 0 2 d因为液滴在渣层中的沉降速度随炉渣粘度的增加而降低，所以当炉渣成分变化而使粘度增加时，硅的再氧化时间延长，从而可能使终铁的含硅量下降。有实验分析可知：( 1 ) 铁水温度与含硅量存在较好的线性关系，因为硅的还原是吸热反应，温度越高越有利于硅的还原。( 2 ) p c o ，【c 】，【m n 】，唧，【s 】，c a o ，m 9 0 ，a 1 2 0 3 的增加，将导致【s i 】的下降，其中p c o ，【q ，m 缅】的影响较为敏感；( 3 ) 煤气中c 0 2 含量的变化最终影响硅还原的情况，故间接还原区范围的确定是计算硅含量的重要方面；( 4 ) 渣成分对s i 0 2 活度的影响，其中m n o ，n 0 2 ，v 2 0 5 ，s i 0 2 的增加导致其活度的增加，而c a o ，m g o ，a 1 2 0 3 的增加导致其下降，但是影响的程度都不大。理论计算表明，鼓风压力、铁水温度、渣的成分、铁水含碳量等操作条件是影响铁水硅含量的主要因素。生铁硅含量提高，直接还原耗热和生成c o 数量增加，焦比升高，使煤气中的c 0 2 含量降低。根据梅山经验，【s i 】值提高1 ，煤气中c 0 2 降低1 5 左右，焦比升高4 0 k 鲈，并出现下部热量不足，上部热量过剩现象，高炉没有处于最佳热状态。因此，有必要对生铁硅含量进行预报，以调整其热状态，保证高炉的顺1 5硕士学位论文第一章文献综述行，高产。1 5 论文主要研究内容1 5 1 选题的目的和意义钢铁工业是现代国家的支柱产业之一，高炉为炼钢工序提供足够数量的合格铁水，生产能耗占整个钢铁企业的6 0 ，是钢铁企业的咽喉。高炉冶炼是一个复杂的过程，同时有固态、液态和气态物质，进行化学反应、传热传质过程和机械运动，导致了高炉具有强耦合、非线形、大滞后等特点。高炉的这些特点使得高炉的过程控制，特别是实时在线控制，仅仅依靠传统的控制技术和精确的数学模型遇到了难以克服的困难，不得不依赖人类的智能和人工智能技术。综合运用高炉炼铁理论、现代控制理论、人工智能理论等知识，对商炉过程的理论和方法进行研究，开发高炉过程控制系统有着重要的理论意义和实用价值。国外，已经有许多先进的智能控制系统在高炉过程成功应用，我国的钢铁工业人工智能技术起步比较晚，但发展迅速。宝钢、首钢、武钢及一些中小型钢铁厂都着手开发了人工智能控制系统，投入了使用中，但是在满足高炉过程控制方面差距较大。随着高炉的大型化以及高炉生产连续性的特点，迫切需要实用性强的人工智能控制系统。高炉是一个巨大的单体高温反应器，其温度的控制对高炉的正常安全运行及生铁的产量和质量有很大的影响。稳定、均匀、充沛的热制度是高炉顺行的基础，也是生铁质量的保证。由于铁水硅含量能够正确反映炉温水平，因此高炉生产中常把高炉铁水硅含量作为判断炉温水平的重要标志。高炉铁水中硅的含量，不仅是衡量产品质量的一个重要标志，而且反映了高炉能量利用的好坏；其变化的频率和幅度又直接反映了冶炼过程的稳定性，对于炼钢过程中渣量生成及钢液的脱硫、脱磷条件也有很大影响。现代高炉都以降低能耗为操作指导方针，非常重视降低生铁硅含量。日本某些高炉的生铁硅含量已低于o 2 ，而我国的先进企业，如首钢，生铁含硅0 3 0 4 。因此，在冶炼过程中，如果能及时地掌握铁水中硅含量及其变化的趋势，并做出较准确的估计，便于及时采取调节措施，则对于稳定热工制度、减少炉况波动、降低铁水含硅量以提高生铁质量和降低焦比等，都是非常有利的。自上世纪6 0 年代以来，以高炉过程控制为目标，国内外已经开发出许多铁水硅含量预报模型：基于物理化学的理论计算模型，基于经验的数据图表分析模型，基于数理统计的回归模型和时间序列模型，基于控制理论和模糊数学的自适应模型和模糊控制模型，基于知识的智能模型，等等。这些模型都属于静态模型或线形模型，或偏于现时炉况的计算分析，实施预报和控制的功能不强，或偏于1 6硕士学位论文第一章文献综述冶炼数据的统计推断，在炉况波动较大时预报结果失准，难以反映高炉不均匀、非线形和大噪音的高温过程。开发铁水硅含量实时在线预报系统，对于指导高炉操作，提高高炉过程控制水平，有十分重要的意义1 5 2 论文主要研究内容本研究将利用b p 人工神经网络建立高炉铁水硅含量预报模型，对铁水硅含量进行预测，以保证高炉的合理的热状态，维持其顺行。，用b p 神经网络预报铁水硅含量时，主要工作在于确定网络输入和输出参数的选择，构造学习样本和网络权值的学习。硕士学位论文第二章高炉铁水硅含鼍的预报方法与控制策略第二章高炉铁水硅含量的预报方法与控制策略2 1 高炉铁水硅含量预报的必要性我国的炼铁工业多年来是以“优质、低耗、高产、长寿”为综合目标的，其实现与众多因素有关，例如原料的质量、铁水的硅含量、风温、风压、渣碱度、布料方式、出铁时间、富氧率、炉料顺行等因素，任何一个因素的变动都会对技术指标产生不同程度的影响。其中被受关注的一个关键因素就是铁水硅含量，它的变动直接影响着炼铁多目标的实现。铁水硅含量是铁水的状态与变动情况的直接反映，因为高炉进行着众多的高温状态的热化学反应，各个状态下的热平衡方程不同，反映在铁水含硅量上