（钢铁冶金专业论文）基于人工神经网络的转炉冶炼终点控制模型的优化.pdf

河北理i 学院硕十学何论文 摘要 用计算机控制转炉冶炼过程，是科学的组织炼钢生产的重要手段。它可以规范 转炉冶炼操作，克服盲目性，从而提高钢水质量，降低炼钢成本，提高终点命中 率。本研究对以神经网络为基础的转炉冶炼终点控制模型进行优化。模型以转炉炼 钢基础理论为理论依据，采用误差反向传播网络b p 网络为原形，对其算法进行 改进，经过3 0 0 个样本的学习训练，确定了网络的权值矩阵，并建立了可保存1 0 0 炉数据的学习样本，用束对网络进行实时训练。使模型适应生产条件的变化。优化 后使模型的学习时间缩短，预报精度提高。并使预报模型与加料系统连接，实现了 计算机按预报模型确定的原料加入量自动控制加料过程。模型在邢钢3 0 t 转炉上进 行现场试用效果良好。 在转炉炼钢过程中。枪位变化直接关系到造渣、脱碳、升温及冶炼过程的平稳 进行，因此合理控制枪位是转炉冶炼的一个非常重要的操作。基于这一点，本研究 通过采集现场操作数据，利用v i s u a lb a s i c 6 0 为编程语言开发实时枪位变化曲线模 型作为对枪位控制的参考曲线。氧枪进出水温差数据可间接反映炉内的过程温度， 绘制氧枪进出水温差曲线，有利于控制过程温度平稳上升，最终准确到达终点目标 温度。 本研究在软件制作过程中，注重界面设计，利用v b 语言的强大多媒体功能， 玎发出一套集声音、动画、图片、文字为一体的交互式软件系统。 关键词：转炉冶炼，神经网络，终点预报，枪位曲线，终点命中率 河北理【学院硕十学仲论文 a b s t r a c t i ti sa ni m p o r l a n tm e t h o df o rs c i e n c ep r o d u c t i o no r g a n i z a t i o no fs t e e l m a k i n g ，w h i c h c o n t r o lc o n v e r t e rb l o w i n gp r o c e s sb yc o m p u t e r i tc a ns t a n d a r dt h eo p e r a t i o no fc o n v e r t e r b l o w i n g ，a g a i n s tt h eb l i n d n e s s ，t h e r e b yi m p r o v et h eq u a l i t yo fm o l t e ns t e e l ，r e d u c ec o s to f s t e e l m a k i n g ，i n c r e a s et h ee n d p o i n th i tr a t e t h er e s e a r c hi m p r o v e dam o d e lo fs t a t i c c o n t r o lf o rc o n v e r t e rs m e l t i n go p e r a t i o nb a s e do nn e u r a ln e t w o r k t h em o d e lb yt h eb a s i c t h e o r yo fc o n v e r t e rp r o c e s s ，c h o o s et h eb a c kp r o p a g a t i o n ( b p ) n e t w o r ka sp r i m a r yf o r m ， a n di m p r o v e dt h eb pa l g o r i t h m m a t r i xo fp o w e rv a l u eo fn e t w o r ki sf i x e da f t e rl e a r n i n g 3 0 0 s a m p l e s a n de s t a b l i s had a t af i l ew h i c hc a p a c i t yi s 10 0s a m p l e sf o rt h er e a l t i m e l e a r n i n go fn e t w o r k ，i no r d e rt oi t sa d a p to ft h ee n v i r o n m e n t a li m p a c t i ts h o r t e nt r a i n i n g t i m ea n di n c r e a s e dp r e d i c t i o na c c u r a c ya f t e rt h ei m p r o v e d b u ta l s ot h ep r e d i c tm o d e l c o n n e c tw i t hc h a r g i n gs y s t e m ，w h i c hm a k ei tb e c a m er e a l i t yt h a tc o m p u t e ra u t o c o n t r o l c h a r g ep r o c e s sa c c o r d i n gt ot h em a t e r i a lq u a n t i t yd e t e r m i n e db yt h em o d e l a n dt h em o d e l g e tag o o dr e s u l ta f t e ri tw a sp u t t e di n t op r a c t i c ei nc o n v e r t e rm i l lo f x g i nc o n v e r t e rs t e e lm a k i n gp r o c e s s ，t h el a n c ep o s i t i o nd i r e c t l yr e l a t e st os l a gf o r m i n g ， d e c a r b o n i z a t i o no fm o l t e ni r o n ，r a i s eo ft e m p e r a t u r ea n ds t a b i l i t yo fp r o c e s s ，i ti sv e r y i m p o r t a n tt oc o n t r o lt h el a n c ep o s i t i o nr a t i o n a l f o rt h a t ，t h i sp a p e rb yc o l l e c t e dt h ef i e l d o p e r a t i o n a ld a t a ，e x p l o i t e dr e f e r e n c ec u r v em o d e lb yv b 6 0 t h ed a t ao fi n o u tw a t e r t e m p e r a t u r e d i f f e r e n c eo fl a n c ec a ni n d i r e c tr e a c t i o nt h ec o n v e r t e r s p r o c e d u r a l t e m p e r a t u r e ，d r a w i n gc u r v eb a s e do nt h e s ed a t aw h i c hc o n v e n i e n tf o rc o n t r o lp r o c e d u r a l t e m p e r a t u r ea r i s es m o o t h l y ，t h e nc o r r e c tr e a c ht e r m i n a lt a r g e tt e m p e r a t u r eu l t i m a t e l y ， d u r i n gd e s i g no ft h es o f t w a r e ，i n t e r f a c ed e s i g ni sp a i da t t e n t i o nt oc o n c e r n i n gt h e e n g i n e e r i n gp s y c h o l o g y b yt h es t r o n gm u l t i m e d i af o u n d a t i o no fv i s u a lb a s i c ，am u t u a l s o f t w a r es y s t e mo fc o m p l e t ec h i n e s ew i t hs o u n d ，m o t i v a t i o n ，p i c t u r e sa n dc h a r a c t e r sh a s b e e ns e t u p k e y w o r d s ：s t e e l m a k i n gp r o c e s s ，n e u r a ln e t w o r k ，e n d p o i n tp r e d i c t i o n ，l a n c ep o s i t i o n c u r v e ，e n d p o i n th i tr a t e i i 独创性说明 本人郑重声明：所呈交的论文是我个人在导师指导下进行的研究 工作及取得研究成果。尽我所知，除了文中特别加以标注和敛谢的地 方外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为 获得河北理工学院或其他教育机构的学位或证书所使用过的材料。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做了明确的 说明并表示j ，谢意。 签名：盔塑辇日期：兰兰生年上月皇日 关于论文使用授权的说明 本人完全了解河北理工学院有关保留、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、缩印或其他复制手 段保存论文。 ( 保密的论文在解密后应遵循此规定) 签名：盔麴笙导师签名：遗鍪叠! 日期：丝年二月竺l 1 河j 匕理r 学院硕十学位论文 引言 六十年代以来，随着氧气炼钢、电子计算机和检测技术迅速发展，丌始广泛应 用电子计算机控制炼钢过程。实践表明，应用电子计算机控制炼钢过程可以显著改 善和稳定产品质量，提高劳动生产率，降低原材料消耗及改善劳动条件。随着电子 技术的飞速发展，计算机神经网络、现场总线技术、全数字直流传动装置、变频装 胃必将在炼钢自动控制系统中得到广泛的应用，使转炉自动化达到更高的水平【“。 转炉炼钢过程是一个周期性的升温降碳过程，主要目的是在吹炼终点时达到目 标钢水成分含量和温度，但由于炼钢过程是非常复杂的多元多相高温反应过程，影 响钢水终点成分和温度的因素很多，人工控制很难一次达到终点目标值，必须经过 多次补吹爿能出钢，严重影响了生产率的提高和生产成本的降低。为了提高钢的质 量，进一步提高产量，降低原料消耗，改善经营管理，从6 0 年代丌始，美国 j o n e s & l a u g h l i n 钢铁公司首先在世界上成功的开发了转炉静态控制模型，并应用于 实际生产，从此开始了转炉炼钢的自动控制时代。经过3 0 多年的发展，转炉炼钢自 动控制技术取得了很大的发展，从静态控制发展到动态控制【2 4 】。由于我省转炉多为 小型转炉，无法从炉口插入副枪，因此无法用转炉动念控制，只能采用静念控制。 而传统的静态控制模型一般只考虑始末两个状态，不能满足精确控制转炉冶炼的需 要。这就要求我们研究一种比较完善的静态模型，既克服上述困难又达到动态控制 效果。 神经网络技术的发展，为转炉过程的建模与自学习功能的实现提供了一条新 路。人工神经网络有很强的自学习能力、容错能力、自组织能力和推理能力，适用 于很难用准确数学方程描述的复杂的非线性关系和人类对其复杂规律还没有完全掌 握、了解的复杂系统。对于转炉炼钢系统，影响终点碳含量和温度的因素有几十 个，且各因素之间存在着非线性关系，有些因素如炉龄、枪位、喷溅情况等对终点 碳、温的影响很难用准确的数学方程进行描述【5 1 。将人工神经网络技术应用于转炉 炼钢过程控制中，丌发转炉人工智能静态控制模型，可进一步提高静念模型控制精 度，提高模型对炼钢过程各因素之间复杂的非线性关系的处理能力和对系统随机因 素变化的反应能力和适应能力，提高终点命中率。 河北理t 学院硕士学位论文 本研究根据邢钢现场实际生产情况，以原有的预报模型为基础，对其进行优 化，并建立氧枪枪位控制曲线和进出水温差曲线以积累转炉的生产操作资料，使该 模型具有预测转炉冶炼终点的能力，而且预测结果非常接近。优化已有的配料结 构，降低生产成本，最终实现邢钢转炉炼钢操作的计算机自动控制。 2 一 河北理1 学院硕十学付论文 第一章转炉冶炼控制模型发展概述 氧气顶吹转炉炼钢起始于1 9 5 2 年，在奥地利的林茨( l i n z ) 炼出了世界上第一 炉纯氧顶吹转炉钢，接着在1 9 5 3 年，多纳维茨的( d o n a w i t z ) 炼钢厂投产，从此转 炉炼钢进入了一个新的阶段，标志着l d ( l i n z - - d o n a w i t z 命名) 炼钢方法的诞生。 近年来，人们对钢的品种、质量要求不断提高，而转炉炼钢又是一个非常复杂的过 程，采用人工经验控制很难达到要求的控制精度。目前，我国的钢铁企业中，转炉 冶炼终点控制多数仍然采用传统方法看火焰凭经验炼钢，致使终点命中率较低，容 易造成严重后吹，钢水质量差，炉衬寿命低。从6 0 年代丌始，美国钢铁公司首先丌 展了转炉静态控制模型的研究，随着检测技术、自动化技术以及计算机技术的不断 发展，转炉炼钢控制技术的研究也有了一定的发展。 i i 传统的静态、动态转炉控制模型 1 1 1 转炉静态控制模型 静态控制是按照已知的原料条件和吹炼终点温度及含碳量，按静念模犁计算吹 氧量、冷却剂加入量、造渣材料以及其它原材料加入量并按其进行吹炼，在吹炼过 程中不按任何新信息修下吹炼的拧制方法。依据建模方法的不同，静态模型大致分 为三类：机理模型、统计模型和增量模型。 机理模型从冶会机理出发，以质量平衡、能量平衡为基础，通过理论推导确定 各变量之间关系。由于是从冶会理论出发，因而这类模型的开发相对复杂，周期较 长。同时由于过程不可测干扰的影响，单纯的机理模型常常难以满足现场的要求。 统计模型则是单纯采用统计的方法，通过现场数据的收集、整理与统计分析 确立模型的建模方法。这种方法其过程相对简单，但由于冶金过程机理复杂，寸扰 因素众多，目前统计模型还不能有效的覆盖各种冶炼模式，因而其适用范围有限。 增量模型，通过对照历史炉次与本炉次的冶炼初始状态和目标状念并采用增量 计算的方法确定本炉主要操作变量。参考炉次和各项系数的选取是增量模型的关 键。这种建模方式其过程相对简单，维护容易，且具有一定的自动更新和自学习能 力【6 j a 一3 - 河北理i ，学院硕十学竹论文 实际应用中，以上方法往往是相互结合，取长补短。以提高控制精度。对于静 念模型，影晌其精度的关键是输入数据的精度和冶炼过程的可再现性。 1 1 _ 2 转炉动态控制模型 动态控制是在静态控制的基础上，除进行装料计算外，再根据吹炼过程中获得 的信息( 会属成分、温度及炉渣状况等) 修正吹炼条件或迅速确定终点以达到预定 目标的控制方法。它比较真实的反映了熔池情况，命中率一般比静态控制显著提 高。动态控制又有吹炼条件控制和终点控制两种方式。 1 吹炼条件控制这种方式不是直接控制终点，丽是使整个吹炼过程按标准状 念进行，或控制成渣过程，使吹炼稳定，熔池含碳量和温度沿着一定的轨道变化。 代表这种方式的有c r m 模型和克虏伯模型。 c r m 模型是通过连续测定废气温度和炉1 2 1 噪声推定熔池的脱碳速度和成渣过 程。发现脱碳速度和升温速度与预计轨道不符时，调节供氧量和枪位进行校诈。在 噪声降低到预定范围时。即稳定供氧量和枪位。 克虏伯模型是测定废气温度，据以控制供氧量和枪位，使废气温度和脱碳速度 与给定值相一致。当成渣不良或发生喷溅前，可以提枪调节脱碳速度，使吹炼稳 定。 ， 2 终点控制这种方式又分为轨道跟踪法和动态停吹法。 ( 1 ) 轨道跟踪法。吹炼后期的脱碳速度和升温速度是有规律的。轨道跟踪法是 在吹炼后期，参照以往的典型曲线，将测得的含碳量和温度信息输入计算机，算出 预计的曲线。最初预计的曲线与实际曲线相差较大，但以此为基础，继续用检测的 信息算出新的预计曲线。新曲线虽与实际曲线仍有差异，但已较为接近。这样反复 进行，直至吹炼终点。越接近终点，预计曲线越接近实际曲线。 ( 2 ) 动念停吹法。开吹前先用静态模型进行装料计算。接近终点时，由测得的 信息，根扼对接近炉次或类似炉次的回归分析获得的脱碳速度与含碳量的关系，以 及升温速度与温度的关系，判断最佳停吹点。停吹后按需要允许作相应的修正动 作。最佳停吹点应是含碳量和温度同时命中，或含碳量和温度二者有项命中，但 另一项不需补吹，只经某些修j 下动作即可达到目标要求。 4 河北理t 学院硕十学t 市论文 1 2 现代转炉控制模型 总的来讲，传统转炉模型仅适用于正常冶炼过程，其功能与适用范围有限。随 着各项技术的发展以及对模型要求的提高，转炉模型的发展主要显现如下趋势和特 点：自动化技术的应用：转炉自动喷吹的实现：自学习、自适应的实现。 1 2 1 检测技术 要实现炼钢的自动化，检测仪表是一个重要的前提，只有对生产过程中所需的 各个参数进行准确而又及时的测量，才能使各种控制技术和方法得以实施。在转炉 炼钢中，需要检测的参数主要有：钢液温度、钢液成分、液面高度等1 7 1 。 1 副枪检测技术 目前，熔池温度的测定有多种方法，包括热电偶测温、导光测温和副枪测温 等，而应用最为广泛的是副枪，它不仅能测温，而且还能定碳。副枪检测技术最早 由美国伯利恒钢铁公司发明，后由日本几个大钢铁公司不断改进和完善，取得了巨 大成功。全世界有1 0 0 个以上的副枪系统在使用，1 9 9 1 年全世界转炉炼钢产量为4 亿3 千万吨，其中l 亿5 千万吨是使用副枪技术冶炼的。 美国i n l a n d 钢铁公司【8 1 所采用的副枪有5 个探头贮藏室，每个贮藏室可以容纳 2 0 支探头，这些探头分为4 类，分别用于测量熔池温度、氧气活度、液面高度凝固 温度及取样。由计算机自动选择探头或手工选择探头，以便根据需要测量不同的参 数。从副枪测得的信号传送导d i r c 2 型信号分析器，通过该装置确定钢液的温度 或氧的活度等。由于空间上的原因，在小于1 0 0 t 的转炉上安装副枪会出现一些问 题，通过转炉炉口在氧枪旁安装一只副枪实际上是不可能的。针对这一情况，1 9 9 2 年奥钢联丌发了一种倾斜式副枪装置例，称为s l a n t e e 副枪。副枪通过转炉锥体段 由侧面进入炉内，从而不会干扰吹炼操作。这种副枪可以测量溶池温度，确定含碳 量及氧活度，并可进行取样操作。 2 特殊检测技术 新r 本制铁界制铁所研制成功热点辐射光谱分析的锰实时检测技术。此系统包 括光纤、光谱仪、双色高温计和计算机。它将光纤插入到顶吹氧枪的内管，通过位 5 一 河北理1 - 学院硕士学位论文 于光纤端部的透镜直接观测热点，在热点产生的反射光谱由光纤引到一个光谱仪( 分 辨率为0 0 2 r i m ) 和一个双色温度计中，再将光信号传送到微机进行处理。 枪位对于转炉炼钢获得稳定的终点性能是非常关键的因素，不适当的吹炼氧枪 高度对终点性能、收得率会产生不利的影响，同时增加由于结瘤而造成的氧枪维 护。文献l o 介绍了一种微波液面测量系统。该系统包括一个液面传感器单元和一个 中央处理单元。液面传感器是一个微波信号传送器、接收器，它水平安装在一个位 于移动平台上的保护盒内，并且使用一反射管将信号改变方向而进入转炉，中央处 理单元在距离转炉几百英尺( 1 英尺：o 3 0 4 8 m ) 远的电机控制室内，处理单元向转炉过 程控制计算机提供一个4 2 0 m a 的电流输出或者一个数字信号。这种测量方法简 便、容易，每次测量只需5 m i n 时间，对生产不会有太大的影响，而且测量精度比较 高。 1 2 2 模型研究 无论是静态控制还是动态控制，都是以控制模型为基础的。目前使用的动念控 制，实际上是根掘以热平衡和化学平衡为基础得到的静态模型柬计算初始的装料 量、氧流量、氧枪高度等，然后在吹炼过程中，根据副枪检测到的信息修改控制策 略，达到对转炉炼钢过程的控制。 文献1 1 将转炉炼钢中脱碳分为两个阶段，认为在碳浓度较高时，即在炼钢初 期，主要是扩散控制，在碳浓度较低时，即在炼钢后期主要是化学反应，综合脱碳 的两个阶段得到脱碳的混合控制模型。文献1 2 给出来q - b o p 炼钢的吹炼校正模型。 模型所需的输入参数是钢液终点信息，熔池温度、渣相f e 0 量、渣碱度、加入的石 灰量、要求的出钢温度，代入必要的参数并求解该模型可得到所需的吹炼时| 日j 和出 钢是的成分。文献1 3 根据最小方差原则，对钢水温度和碳含量进行了自适应预报。 1 2 3 吹炼过程的控制 转炉传统操作中，冶炼是按照静态模型预先确定的模式进行的，在这类模式设 计中，未能把操作工所关心的冶炼炉况( 如炉渣喷溅与成渣性能) 模型化，模型也 很少涉及过程信息，从而影响了模型的使用效果和模型对冶炼中间过程的处理能 力。 6 一 河北理i ：学院硕七学位论文 r 本竹中萨树“在原系统的基础上开发了一个转炉控制专家系统。丌吹之前， 系统对吹炼过程进行仿真，预测熔池成分、温度变化，并基于该结果评价各阶段的 成渣性能与喷溅的可能性，同时根据这些评价值的组合、由矩阵表查出各反应期的 吹炼模式：在冶炼过程中，专家系统依据连续检测结果和废气模型的结果，实时分 析各阶段的成渣性能和喷溅的可能性，据此由矩阵表确定应调整的对象和操作量， 此处该系统还具有出钢判断功能。实际应用过程中，该系统明显提高了转炉控制精 度与自动吹炼水平，降低了喷溅频率，并缩短了吹炼时间。 i 2 4 模型的自学习、自适应 模型的自学习、自适应功能的实现是提高模型精度和实用性的关键。根掘具体 方式的不同，模型对误差的处理方法大体又可分为数值处理方法和智能方法两类。 1 数值处理方法 t h a r a “”将每个预测模型都表示为 y = f ( x ) + a ( 1 1 ) 式中。学习相a 在每炉喷吹结束后及时学习实际数据( x ，y ) ，并预测下一 炉y f ( x ) 值。学习过程以指数平滑方法为基础，同时还坚持以下两个原则：如 果y y 保持同号，则学习项在几步内以更大的系数更新；在学习的第一步对学 习量的变化设定上限。 同本住友公司鹿岛厂”基于炉气成分分析，开发出具有参数自整定功能的终点 控制系统，该系统包括动态控制模型和反馈计算模型，其中反馈模型基于副枪检测 结果分析动念模型的误差趋势，并根掘相应的规则确定反馈量，从而达到调整动态 模型误差的目的。另外，为了克服不正常操作的影响，相应丌发出一个专家系统， 其根据经验调整静态模型。 以上两种模型都是在冶炼结束之后，对照计算结果与实际结果，确定模型误差 并自动调整和修币内部参数，使其结果进一步逼近显示而实现自学习功能的。而 s g a l l o w a y “3 则是依据铁水的硅含量和目标碳含量将历史炉次分组，并采用加权 移动平均算法学习历史炉次的配料与控制变量( 吹氧量、副枪检测时f 、日j ) 的计算情 一7 一 河北理i 。学院硕十学付论文 况，并在冶炼结束之后出过滤算法更新历史数据；副枪模型则采用指数滤波力浊实 现参数自适应调整过程。 2 智能方法 随着人工智能技术的发展，其在转炉炼钢过程的应用也取得了重大突破，从丽 为转炉控制提供了新途径。 转炉炼钢是一个非常复杂的物理化学过程，期间存在许多难以定量和模型化的 因素，而现有的转炉吹炼控制模型都是以静态模型和动态模型为基础的，这些模型 通常是在许多假设和操作人员估计值基础上得到的，很难准确描述这过程，因 此，终点命中率的提高受到一定的限制。随着人工智能技术的发展，转炉焰、钢也丌 始逐渐立用这项新技术，并成为世界上主要产钢国家竞相研究的热点。 同本福山钢铁厂将专家系统引入精炼过程中，丌发了新的转炉自动吹炼控制系 统。该系统不仅对原有系统的数学模型进行了完善，即增加了转变点预测模型，而 且建立了3 个专家系统模型，即：( 1 ) 静态成渣、喷溅预测模型：( 2 ) 动念成 渣、喷溅预测横犁：( 3 ) 出钢判定模型。蓟两个模型用束判断吹炼各时期的化淤清 况及喷溅的可能性并确定与吹炼条件相对应的最佳吹炼控制模式，根掘吹炼情况 进行调节。后一个模型根据副枪中间测试数据和动态模型计算结果，做出吹炼术期 的调节指示，判定吹炼终点时可否出钢。 在国内，上海宝钢”1 在原有转炉模型的基础上，丌发研制出宝钢转炉吹炼控制 模拟专家系统，整个系统选用了3 台微机( 分别用作专家系统机、仿过程机和辅助 机) 模拟在线专家系统，其中专家系统机实现基于知识推理及知识j 4 的管删j j j 能 仿过程机模拟已有的过程控制计算机的部分功能，辅助机用于数掘采集和时序控 制，其面向操作人员。整个控制系统的工作过程为：静态模型根掘已设定的吹炼参 数计算本炉冷却能和氧耗：推理机修f 上述结果，并计算全程所需的辅料量和冷却 剂避；另外，系统还对冶炼后期进行动态仿真，推定终点碳和温度，并对p 1 、 m n l 的含量进行评估； 由于人工神经网络的特性，在冶会领域得到了越来越广泛的应用1 1 9 2 1 1 。同本和 美国、欧洲的一些钢铁公司丌发了大量的高炉、电炉、轧钢等生产过程中的神经网 络模型，在实际使用过程中都取得了良好的控制效果，解决了一些常规控制方法很 8 - 河北理i 学院硕士学位论文 难解决的难题。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1 2 2 埘】。东北大学研究了将人工神经网络应用于钢铁企业能耗分析，最后得出结 论：人工神经网络用于能耗系统分析决策的人工智能方法和专家系统具有广阔的发 展前景【2 0 ) 。首钢特殊钢公司张兴等人利用b p 神经网络预测5 0 t d c 电弧炉钢水生产 过程温度和终点温度，当允许误差为1 0 。c ，网络预测命中率9 0 ，其预测精度满 足了炼钢的要求【2 2 】。在转炉炼钢方面，通过武汉钢铁公司工业性试验，证明转炉人 工智能静念控制模型与传统的静态控制模型相比，提高了静态模型的控制精度。 综上所述我们看出，随着计算机技术、检测技术及自动控制技术的不断发展， 转炉炼钢的自动化水平将会进一步提高，在以下诸方面会有进一步的发展。 ( 1 ) 控制系统的发展。广泛应用计算机技术、网络通信技术组成多级控制系 统，实现转炉炼钢自动化，进而实现炼钢各工序的全程自动化。 ( 2 ) 自学习技术的应用，转炉炼钢既不同于连续过程又与断续过程不完全相 同，炉与炉之间既有联系，情况又有所不同( 如炉衬损耗程度、原材料情况等) ， 因此采用自学习技术对吹炼策略进行不断修正，可以使转炉炼钢达到比较好的效 果。 ( 3 ) 模糊控制、专家系统和神经网络等人工智能技术的广泛应用。 1 3 本课题的提出 到目前为止，在我国尤其是河北省的钢铁企业所使用的转炉多为中小型转炉， 且都为人工控制炼钢生产，依据传统方法看火焰凭经验炼钢。为改善这一状况，若 采用副枪技术，则副枪需从炉e l 插入并和氧枪保持一定距离，中小型转炉炉口宽度 不能满足这一要求，因此无法在炉口插入副枪，而且副枪设备非常复杂，也不便于 采用动态控制技术。而普通的静态模型计算精度差，目标命中率低，实际生产中的 应用效果不是很好。将人工神经网络技术应用于转炉炼钢过程控制中，开发转炉人 工智能静态控制模型，可迸一步提高静态模型控制精度，提高模型对炼钢过程各因 素之间复杂的非线性关系的处理能力和对系统随机因素变化的反应能力和适应能 力，提高终点命中率。 - 9 河北理i 。学院硕+ 学位论文 本研究以邢钢生产现场情况为基础，主要目标为以人工神经网络为基础建立人 工智能模型，用该模型进行转炉冶炼的终点控制。优化配料方案，根掘原料条件和 冶炼钢种进行合理的配料，节约能耗，降低炼钢成本。预报终点碳和终点温度，提 高终点命中率，变炼钢工看火焰凭经验炼钢为计算机科学地静态控制炼钢生产。主 要研究内容为： 1 以邢钢原材料条件及转炉冶炼实际操作水平为基础，优化已有的基于神经网 络技术的转炉终点控制模型，提高其预测精度及终点命中率。 2 ，通过采集大量现场操作数掘，建立氧枪进出水温差模拟曲线和枪位变化曲线 作为冶炼过程操作参考曲线，使冶炼过程沿着该曲线进行，准确达到冶炼终点。 3 建立静念模型与散状料自动加料系统的连接，依据该模型计算出的各种原料 加入量，用计算机控制加料过程。 - 1 0 河北理= 学院硕士学位论文 第二章预报模型的优化 已有的转炉冶炼静态控制模型包括优化配料系统和神经网络预测系统两大部 分。优化配料部分主要用于对生产的原料配置进行优化以达到减少原料消耗、节约 生产成本、提高经济效益的目的。神经网络预测部分是以神经网络理论为基础以 v b 为主要编程工具建立的模型，主要是用来预报转炉出钢的终点温度和终点碳， 提高邢钢转炉炼钢的终点命中率。 2 1 理论分析 2 1 1 人工神经网络及其特征 1 人工神经网络口“3 1 1 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ) 是指在信息和计算机科学等领域内 向生物学习过程而构造的神经网络。它是模拟人脑的功能，由大量简单的神经元广 泛互联而成为一种复杂网络系统，是对人脑复杂功能的简化、抽象和模拟。它是一 门高度综合性的学科，是很多学科的科学工作者共同研究的结果。纵观其发展历 程，几经兴衰，我们可以将它划分为四个阶段：第一阶段是启蒙期，从一个世纪之 前著名美国心理学家w j a m e s 的研究开始，到1 9 6 9 年m m i n s k y 和s p a p e r t 出版 感知机( p e r c e p t r o n s ) 一书；第二是低潮期，始于1 9 6 9 年，直到1 9 8 2 年 j j h o p f i e l d 教授发表突破性研究成果论文；第三是复兴期，始于1 9 8 2 年，直到 1 9 8 6 年d e r u m e l h a r t 和j l m c c l e l l a n d 领导的研究小组出版并行分御处理 ( p a r a l l e ld i s t r i b u t e dp r o c e s s i n g ) 一书：第四是新连接机制时期，从1 9 8 7 年至今， 其标志为j d c o w a n 与d h s h a r p 发表的回顾性综述文章“神经网络与人工智 能”。 2 人工神经网络的基本特征【2 8 q 1 1 1 ) 表现出像大脑皮层那样有一个广泛连接的巨型复杂系统： 2 ) 计算过程建立在大规模并行结构和并行处理的基础之上； 3 ) 具有较强的容错性和联想能力，善于类比、推理、概括和综合； 4 ) 对信息处理与储存的合二为一性： 洲北璎 学院硕十宁 哿论文 为： 5 ) 具有较强的自组织性和自适应性。 3 人工神经元模型及网络结构特点【3 2 埘】 1 ) 人工神经元模型 人工神经元是对生物神经元的简化和模拟。一个简化的人工神经元结构如 图2 1 所示。 x 2 x 0 = 1 图2 1 人工神经元结构模型 f i g u r e 2 1t h em o d e lo f an e u r a lu n i ts t r u c t u r e 该人工神经元是一个多输入、单输出的非线性文件，其输入、输出关系可描述 j l = wje x r 9 i ，2 l y ，= ( z ，) ( 2 1 ) ( 2 2 ) 式中，x 。( j = l ，2 ，1 3 ) 是从其它细胞传来的输入信号；0 。为闽值：w i 表 示细胞j 到细胞i 的连接权值；f ( ) 为传递函数。 月 有时为了方便，将i ；统一表达成j 产w j z x j ( 2 3 ) = o 式中，w ，= 一0 ，：x 。= 1 。 传递函数f f x ) 可为线。胜函数，或s 状的线件函数，或具有仟意阶导数的i | 线悱 函数。常见的传递函数有如下形式： 1 ) 阶跃函数 l ，x t 0 例如，当v 取0 或l 时，f ( x ) 取：f c x ) = ( 2 4 ) 0 ，x - 3 方法是梯度下降法。其基本思想是根据希望的输出和时问 的网络输出之间的误差平方最小原则来修改网络的权向量。 定义误差函数j ( w ) ：，( ) = 妻( y ( j | ) 一f ( 矿，k ) ) 2 ( 2 1 1 ) 式中：y ( k ) 表示希望输出；矿( ，k ) 表示神经网络的实际输出；w 是网络的所有权值 组成的向量。梯度下降法就是沿着j ( w ) 的负梯度方向不断修fw ( k ) 的值，直至j ( w ) 达到最小值。梯度下降法用数学式可表述为 w ( k + 1 ) = w ( k ) + 删( 一a j d 0 0 8 的钢种时，都采取吹到o 0 5 o 0 6 c 时停吹，然后按照所炼钢种的规格， 在盛钢桶内增碳。 应该指出，自从计算机用于炼钢以来，转炉吹炼自动控制得到了迅速发展，出 现多种静念控制和动态控制模型及取得吹炼过程信息的手段，因此对吹炼过程中各 种复杂参数可以进行快速、高效率的计算和处理，并给出综合动作指令。所以自动 控制可以比较准确地控制吹炼过程和终点，能够达到较高的终点命中率。 终点钢水温度取决于收入的热量和支出的热量。铁水的成分、温度及装入量直 接影响收入的热量；而炉龄期的不同，空炉时间长短，出钢温度高低以及操作工艺 等因素均影响支出的热量。 根据我国规范，5 0 吨的转炉出钢时问为3 6 分钟， 5 0 吨转炉为l 4 分 钟。为保证钢水成分和减少温度损失，常采用红包出钢和挡渣出钢法，并在盛钢桶 内投加小粒石灰或白云石稠化炉渣，防止回磷。 2 0 河北理i 学院硕十学位论文 2 2 神经网络部分优化 2 2 1 模型结构及参数 对于转炉炼钢系统，影响终点碳含量和温度的因素很多，且各因素之间存在着 非线性关系。有些因素如炉龄、枪位、喷溅情况等对终点碳温的影响很难用准确的 数学方程进行描述，神经网络应用于控制系统主要是针对系统的非线性、不确定性 和复杂性进行的，其中b p 网络是对非线性可微函数进行权值训练的多层前向网络， 它是人工神经网络中前向网络的核心内容，体现了人工神经网络的最精华部分，并 且在实际应用中8 0 9 0 的人工神经网络模型是采用b p 网络或它的变化形式。 因此，经研究决定选用b p 网络建立转炉吹炼过程人工智能模型。 1 b p 网络数学模型 b p ( b a c kp r o p a g a t i o n ) 网络为误差逆传播网络的简称。一个典型的三层前馈型 b p 网络的拓扑结构如图2 4 所示。 l al bl c 图24 三层b p 网络结构 f i g u r e 2 4t h es t r u c t u r eo f t h r e e l a y e rb pn e u r a ln e t w o r k 从结构上讲，三层b p 网络是一个典型的前馈型层次网络，它被分为输入层 l a 、隐蔽层l b 和输出层l c 。同层节点问无关联，异层神经元日j 前向连接。其中， l a 层含m 个节点，对应于b p 网络可感知的m 个输入；l c 层含有n 个节点，与b p 网络的n 种输出相应相对应：l b 层节点的数目u 可根据需要设置。 - 2 1 河北理f 学院硕十学位论文 令l a 层节点a ，到l b 层节点b 间的连接权为w 。l b 层节点b j 到l c 层节点c t 触 的连接权为v 。o ，为l b 层节点的阈值，y 。为l c 层节点的阈值，则l b 层中节点的 输出函数为 b j = 厂( 口，+ q ) ( 产l ，p ) ( 2 1 5 ) j ；l l c 层中节点的输出函数为 c 。= ，( b ，+ y 。) ( t = 1 ，q ) ( 2 1 6 ) r = l 其中，f ( ) 为s 型函数即f ( x ) = ( 1 + p 。) 。 对有限数目的二值型或连续值型模式对( 4 ( “，y 。) ( k = 1 ，u ) ，一般来 说，三层前馈型b p 网络可按给定的b p 算法进行存储，以实现预定的映射 彳球_ y 似，只要a 似可表达为 a 眯= ( 口，d 妒，口等) ( 2 1 7 ) y 可表达为 y “) _ ( y l “，y ，y 譬) ( 2 1 8 ) 且d ，尼y l 。r ，( r 实数域) 。 2 b p 网络的学习算法 三层前馈型b p 网络存储知识( 即调整网络连接权值及节点阈值) 是采用的b p 方法，即误差逆传播学习方法，是一种典型的误差修正方法。其基本思路是：把网 络学习时输出层出现的与“事实”不符的误差，归结为连接层中各节点f b j 连接权及 阈值( 有时讲阈值作为特殊的连接权并入连接权) 的“过错”，通过把输出层节点 的误差逐层向输入层逆传播以“分摊”给各连接节点，从而可算出各连接节点的参 考误差，并据此对各连接权进行相应的调整，使网络适应要求的映射。 其学习过程如下所述。 ( 1 ) 给w i j e ，v 。y 。随机赋一个较小的值。 ( 2 ) 对每一模式对( 一( “c ) ( k = l ，u ) ，进行下列操作。 将a 省的值口! 输入l a 层节点，据l a 层节点激活值a ，一次诈向计算： b ，= ( r q + 只) ( 产1 ，p ) ( 2 1 9 ) ，= l 一2 2 河北理1 = 学院硕+ 学位论文 c 。= 厂( _ - b j + ，) ( t = 1 ，q ) ( 2 2 0 ) j = l 计算l c 层节点输出c ，与期望输出值y 的误差，令 d 。= c 。( 1 一c ) t ( y 一c 。) ( 2 2 1 ) 向l b 层节点反向分配误差，令 q 巳= b j ( 1 一吒) ( 吐) ( 2 ，2 2 ) l = l 调整l b 层与l c 层节点问连接权v j 。及l c 层节点间连接权v j 。及l c 层节点阈 值y 。：v n = v 。+ r l b j d ， y 。= y 。+ n d 。( o i l 1 ) ( 2 2 3 ) 调整l a 层与l b 层节点间连接权w ，及l b 层节点阈值o ，： w ，。= w 。+ n a f e ， ( 2 2 4 ) 0 ，= 0 ，+ n e ， ( 2 2 5 ) ( 3 ) 重复步骤( 2 ) ，直至对于j = 1 ，r l ，k = l ，u ，误差d t 变得足够小或变为零。 学习过程的流程图如图2 5 所示： 一2 3 河北理i 学院硕七学位论文 2 4 河北碑i 宁院硕十学付论文 图2 5b p 学习规则流程图 f i g u r e 2 5t h ef l o wc h a r to f l e a r n i n gr u l eo f b p 2 2 2 模型结构的确定 三层莉馈型b p 网络是一个典型的映射型网络。对三层前馈b p 网络，人们已让 明：假定网络中隐含单元b 。可以根据需要自由设定，那么，一个三层莳馈网络可以 实现任意精度逼近任一连续映射函数妒：妒( x ) 一y 。因此本研究选定用b p 网络建 立两个模型，终点温度预报模型和终点碳含量预报模型。其中每个模型分别由三部 分组成：输入层、隐含层和输出层，如下图所示： 输入层中间层输出层 图2 6 本模型的3 层b p 网络结构 f i g u r e 2 6t h et h r e e l a y e rb pn e t w o r ko f t h em o d e l 1 模型输入参数的确定 神经网络的输入层起缓冲器的作用，把数据源加到网络模型上。其节点数目取 决于数据源的维数，即每个节点代表一个数据源。 为了有效地进行转炉终点温度和终点碳含量预报，合理的选择输入参数是至关 重要的。如果参数选的太少，就会忽略某个或某些因素对终点碳的影响，导致命中 率低：相反，如果参数选的太多，也未必使命中率升高。而且还会增加网络的复杂 程度，网络迭代一步所需的时间会变长，导致无法收敛或收敛时间过长。 由此可见，参数的选择对将束建立模型的性能好坏起着重要作用。参数选择不 仅与现场条件有关，而且还与建模者有关，即使在相同条件下，不同的7 f 命t f l 二1 i = i 2 5 河北理 学院硕士学位论文 也可能选择不同的参数。在进行选择时，必须筛选与转炉终点控制相关度较大、对 转炉终点温度和终点碳含量变化较为敏感的参数。 转炉冶炼中影响终点温度和终点碳的因素很多，如铁水中各元素( c 、s l 、m n ， p ) 等的氧化放热及成渣热，都可以提高钢水的温度，另外，耗氧量在工艺上对终点 温度的影响很大，所以，转炉控制时必须考虑。由于氧在碳含量较低时的利用系数 变小因而难以从理论上对最后阶段的耗氧量进行精确的计算，同时耗氧量又与温 度有一定的关系，因此，本文把与本炉终点碳含量相近的参考炉的温度和耗氧量作 为输入变量，来对终点碳、温进行控制。冷却剂，废钢，铁矿石，氧化铁皮等的加 入对终点温度的影响也较大，因此也作为输入变量，另外，像炉龄等因素对终点成 分的影响在一段时间内很小，在神经网络训练时，可以不加考虑。 综上所述通过对邢钢转炉炼钢的工艺分析，网络选取了2 9 个主要影响因素作 为输入层的输入参数，各个输入参数如下表所示： 表2 1 输入参数列表 t