基于神经网络的转炉控制模型.pdf

1前言 氧气转炉炼钢的特点是炉内反应速度快 冶炼 周期短 影响因素多而反应复杂 人工操作不易控 制 为了提高钢的产量和质量 降低原料消耗 改善 作业环境 国外从2 0世纪6 0年代就开始采用了计 算机控制 7 0年代已从静态控制发展为动态控制 1 吹炼终点的命中率目前已达到9 0 以上 在国内 除 宝钢 首钢等少数转炉采用计算机动态控制外 大多 数转炉的控制水平还比较低 由于资金和技术两方 面的原因 我国的中 小型转炉无法采用动态控制 而且目前由于缺乏可靠的测试手段 特别是温度和 碳含量尚不能可靠地连续测定 无法将信息正确 迅 速 连续地传送到计算机中 本研究以理论模型为基础 开发出理论模型 B P神经网络控制软件 通过对现场数据的验证 表 明本模型是切实可行的 在一定程度上能够满足现 场的需要 2模型原理 转炉静态模型主要包括 理论模型 经验模型 增量模型以及神经网络模型 本研究所采用的转炉 控制模型是理论 统计模型 以物理化学理论为基 础建立物料平衡 热平衡方程 根据实际转炉冶炼趋 势 模型可不断更新数据 同时 通过人工神经网络 模型预报实际的终点碳含量 校正理论模型的计算 值 2 4 2 1理论模型 理论模型是根据提供的输入数据计算所需的输 出数据 包括铁水重 石灰量 轻烧重 镁球重 废钢 重 生铁重 氧气体积等 即为了获得某一终点钢水 温度和成分 计算进入转炉的金属料和吹入的氧气 量 模型考虑了出钢量和设定的转化率 为保证渣碱 度 B I 模型要求加入与金属料保持适当比例的石 灰 为了保证炉渣中含有适当的M g O含量 模型还 要求加入适当的轻烧白云石与镁球 理论模型结构 包括 热平衡方程 氧平衡方程 铁平衡方程 石灰 石 轻烧和镁球平衡方程 渣平衡方程 2 2 B P神经网络 由于人工神经网络的特点 适合于处理转炉炼 钢过程 应用人工神经网络的自学习能力和自适应 能力 提高静态模型对炼钢过程中难以定量描述的 变化因素的处理能力 同时人工神经网络的定期训 练和自学习能力可以提高理论静态模型的在线调整 和学习能力 进一步提高静态模型的控制精度 对于转炉炼钢系统 影响终点碳含量的因素有 几十个 且各因素之间存在着复杂的非线性关系 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 因此 经过分析 决定选用3层B P E r r o r B a c k P r o p a g a t i o n T r a i n i n g 网 络建立转炉吹炼过程C含量预报模型 三层B P网 络模型见图1 图1 3层B P网络模型 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 层经各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 所以称之为 误差 逆传播算法 随着这种误差逆传播训练的不断进 信息化建设 基于神经网络的转炉控制模型 杨凯峰 王红霞 山东石横特钢集团有限公司 山东 肥城2 7 1 6 1 2 摘要 以理论模型为基础 建立了转炉炼钢控制模型 并将人工神经网络模型应用到转炉控制中 通过计算 得出了铁水 中S i含量与转炉炉渣碱度的关系 通过B P神经网络预报了终点的碳含量 当碳命中误差 0 0 2 时 命中率达到了6 6 7 关键词 转炉炼钢 理论模型 神经网络 终点控制 中图分类号 T F 3 4 5 3 1 文献标识码 A文章编号 1 0 0 4 4 6 2 0 2 0 0 7 0 6 0 0 6 0 0 2 收稿日期 2 0 0 7 0 8 1 4 作者简介 杨凯峰 1 9 7 8 男 山东胶州人 2 0 0 1年毕业于安徽工业 大学钢铁冶金专业 现为石横特钢第三炼钢车间技术科副科长 工 程师 从事炼钢工艺技术工作 第2 9卷 第6期 2 0 0 7年1 2月 山东冶金 S h a n d o n gM e t a l l u r g y V o l 2 9 N o 6 D e c e m b e r2 0 0 7 6 0 行 网络对输入模式响应的正确率也不断提高 2 3模型的运作方式 模型的主要运行过程如下 利用理论模型计算 出为满足本炉钢目标碳含量所需的吹氧量 根据终 渣碱度要求和终渣M g O含量要求计算出各种造渣 剂的加入量 将计算结果以及本炉铁水成分作为神 经网络的输入节点 然后调用训练好的网络 将计算 结果与本炉目标碳含量比较 根据比较结果对计算 吹氧量进行调整 如果网络输出的终点碳含量在本 炉目标值控制精度范围内 则认为理论模型计算的 本炉吹氧量是可行的 如果网络输出结果不在本炉 目标控制精度范围内 则需要对理论模型计算的吹 氧量进行调整 将修改后的吹氧量重新代入理论模 型进行热量平衡和氧平衡计算 将模型计算结果重 新输入神经网络进行计算 根据网络输出结果判断 校正后的吹氧量是否合适 如果合适 则输出计算结 果 如果还不合适则重复上述过程 直到网络输出值 达到本炉目标控制精度范围内 3计算结果 在现场共采集了2 0 0余炉数据 从其中选取了 5 1炉数据进行模型的计算 3 1模型碱度的确定 在转炉静态模型中 最重要的一个参数就是炉 渣碱度的确定 而影响碱度的最重要因素就是铁水 中的硅含量 根据模型的计算结果 铁水中硅含量与 炉渣碱度的关系如图2所示 图2铁水S i含量与碱度R的关系 从图2可以看出 铁水S i含量与碱度有明显的 对应关系 即随着铁水S i含量的升高 碱度呈下降 的趋势 这也可以从理论分析得出 随着铁水S i含 量的增高 如果碱度不变 则必然需要加入更多的造 渣料 而炉渣的脱P 脱S率除了与炉渣的物理化学 性质有关外 还与炉渣的量有关 炉渣量大 则脱P 脱S率高 炉渣量小 则相反 由于加入了更多的造 渣料 产生了更多的炉渣 必然可以达到更高的脱 P 脱S率 而合格钢水P含量并不需要如此高的水 平 因此也并不需要如此高的碱度 3 2通过B P网络预报终点C含量 图3为实际终点C含量与预报终点C含量的 对比 在所选取的5 1炉数据 其中预报误差在 0 0 1 以内的占1 9炉 为3 7 2 预报误差在 0 0 2 以内的占3 4炉 为6 6 7 预报误差在 0 0 4 以内的占4 5炉 为8 8 2 从预报结果中看出 预报的终点C含量一般总 比实际的终点C含量高 这主要是因为网络训练过 程中存在一些误差以及现场条件复杂 4结论 通过分析 建立了基于B P神经网络的转炉静态 控制模型 通过对现场数据的调试 得出了铁水中S i 含量与炉渣碱度的关系 通过神经网络对终点C含 量进行预报 当预报误差为0 0 2 时 命中率达到了 6 6 7 由于现场复杂 模型应根据生产实际不断优化 调整 从模型的自适应能力 现场生产条件 加入料条 件和工人素质等多方面提高 才能达到理想的结果 参考文献 1 刘浏 转炉全自动吹炼技术 J 冶金自动化 1 9 9 9 4 1 6 2 谢书明 孙廷玉 柴天佑 等 B O FI n t e l l i g e n t D y n a m i c E n d p o i n t C o n t r o l J 控制理论与应用 2 0 0 1 3 3 4 6 3 5 2 3 黄云 齐振亚 董履仁 利用神经网络系统预报钢水温度 J 炼 钢 2 0 0 1 5 4 3 4 6 4 杨立红 刘浏 何平 基于双输出的神经网络的转炉碳温控制模 型 J 钢铁 2 0 0 0 3 7 1 3 1 5 S t u d y o n C o n t r o l Mo d e l o f C o n v e r t e r B a s e d o n N e u r a l N e t Y A N GK a i f e n g WA N GH o n g x i a S h a n d o n g S h i h e n g S p e c i a l S t e e l G r o u p C o r p o r a t i o n F e i c h e n g 2 7 1 6 1 2 C h i n a A b s t r a c t B a s e do nt h e o r y m o d e l t h e a u t h o r s s e t u pt h e c o n t r o l m o d e l o f c o n v e r t e r s t e e l m a k i n g a d o p t i n g a r t i f i c i a l n e u r a l n e t w o r km o d e l T h r o u g h c o m p u t a t i o n t h e r e l a t i o n b e t w e e n S i c o n t e n t o f h o t m e t a l a n d b a s i c i t y o f s l a g i s f o u n d E n d p o i n t c a r b o nc o n t e n t i s p r e d i c t e db y B P n e u r a l n e t w o r k w h e n C 0 0 2 h i t r a t e o f e n d p o i n t c a r b o n c o n