转炉冶炼造渣过程控制

转炉冶炼造渣过程控制

通过半钢扭转炉的主要任务是干燥和提取金属（半钢），其成分（c、p、s等）在c、p、s等温度下符合工艺要求。由于半钢温度低,[C]、[Si]元素少,需要通过造渣来弥补,所以造渣是半钢炼钢的重中之重。目前,关于造渣料计算方法的研究,主要有理论计算、数理统计、增量计算、BP神经网络4种方法。理论计算方法,是根据[Si]含量以及终渣碱度和w(MgO)的要求来计算造渣料的加入量;统计回归方法,是由历史数据回归出造渣料加入量与其主要影响因素间的关系式;增量计算方法根据参考炉次信息与当前炉次信息的差值,对参考加入量进行调整后得到本炉次加入量;BP神经网络通过对历史数据的学习,确定造渣料加入量与影响因素间的映射函数。以上4种方法在造渣料计算中都得到了不同程度的应用,但仍存在较多问题。理论计算方法以炉内物理化学变化机制为依据,但其建立在诸多假设之上,计算精度不高,不适用于半钢炼钢过程;统计回归方法简单易用,但在反映造渣料加入量与其影响因素的非线性关系上存在不足;增量计算方法精度较高,但对参考炉次和人工经验的依赖性很大,不利于自动控制的实现;BP神经网络模型具有良好的非线性映射能力和容错能力,但无法很好地结合人工经验。在以上分析基础上,本文建立了由石灰、高镁石灰、复合渣3个BP神经网络计算模型组成的级联BP神经网络模型,将人工经验与BP神经网络结合,克服了以上各模型存在的不足。1级联式bp神经网络的构建BP神经网络通常都是1组输入向量对应1组输出向量,输出向量间不存在关系。但在实际应用中经常会发现输出向量间也存在一定的有序关系。因此,针对不同的输出变量,建立单独的BP网络子模型,并根据输出向量间的关系将各子模型串联起来,即构成级联式BP神经网络,如图1所示。子模型除具有共同的输入向量外,上级子模型的输出也将作为输入,这样可以很好地解决此类输出变量间存在关系的问题,模型的应用效果也可以得到大大提高。2用转炉法计算二次人工神经网络模型的级联式人工网络模型2.1造渣料加入量的确定针对半钢炼钢的特殊性,某钢厂经过多年不断的试验,在半钢炼钢生产实践中已形成了具有自身特色的半钢炼钢造渣制度。该钢厂现有5座120t的炼钢转炉,其选用的造渣料主要有石灰、高镁石灰、复合渣。目前该钢厂通过人工经验确定造渣料加入量。首先,由入炉金属的硫、磷含量以及目标出钢要求的硫、磷含量确定石灰的加入量;然后根据石灰的加入量,配加高镁石灰;再根据石灰和高镁石灰确定复合渣的加入量。由此可以看出,3种渣料加入量存在级联关系,可通过级联模型求解。理论分析知对造渣料加入量有影响的因素,主要包括入炉金属量,入炉C、Si、P,目标出钢P、S等。从历史数据中,分析造渣料加入量与各影响因素的相关性,相关系数计算如式(1)所示。rXY=∑(X−X—)(Y−Y—)∑(X−X—)2⋅∑(Y−Y—)2√(1)rXY=∑(X-X—)(Y-Y—)∑(X-X—)2⋅∑(Y-Y—)2(1)式中:rXY表示变量X、Y的相关系数;X—X—、Y—Y—表示变量X、Y的均值。计算结果如表1所示,选取相关系数较大的因素作为神经网络预测模型的输入变量,见表2。2.2子神经网络模型的建立2.2.1神经网络模型的建立神经网络的性能与隐含层单元数的选取密切相关。隐含层节点数的选取与问题的实际要求、输入和输出节点数目有一定的联系。隐含层节点数计算公式如式(2)。r=N+M−−−−−−√+δ(2)r=Ν+Μ+δ(2)式中:r为隐含层节点数;M为输入层节点数;N为输出层节点数;δ为1～10之间的常数。选择合适的传递函数,完成从输入到输出的映射,可以提高神经网络的泛化能力。输入到隐含层选择正切S型tansig函数,如式(3);隐含层到输出层选择对数S型lgsig传递函数,如式(4)。f1(x)=ex−e−xex+e−x(3)f1(x)=11+e−x(4)f1(x)=ex-e-xex+e-x(3)f1(x)=11+e-x(4)2.2.2网络权值调整标准的BP算法通常采用梯度下降的方法进行学习,随着网络实际输出与期望输出间误差的逐渐减小,运算速度降低,并且容易陷入局部极小值。为了抑制学习过程中的振荡,加快收敛速度,避免陷入局部最小的陷阱,在调整网络权值时,采用添加动量因子的技术,权值调整的公式如式(5)。wk+1=wk+η(−∂E∂wk)+θΔw(k−1)(5)wk+1=wk+η(-∂E∂wk)+θΔw(k-1)(5)式中:η为学习率;θ为动量因子,取值范围为0<θ<1;E为网络误差,由式(6)计算。E(w)=12∑i(Tpi−Opi)2(6)E(w)=12∑i(Τpi-Οpi)2(6)式中:Tpi、Opi分别为第P个样本目标输出和网络的实际计算输出值。2.3复合渣计算模型的建立根据实际经验,建立由石灰子模型、高镁石灰子模型和复合渣子模型3个子模型组成的级联BP神经网络的造渣料计算模型,其结构如图2所示。石灰加入量计算模型采用钢厂的历史数据进行学习,而高镁石灰、复合渣计算模型的学习数据除了历史数据外,还包括上级模型的输出值。采用级联的方式进行建模时,仅用BP网络实际输出与期望输出的误差均方值计算误差,必将导致误差的不断累积。在各子模型的误差函数中以一定比例加上其上级子模型输出的误差,以有效抑制误差的累积。其实质是预知上级模型可能存在的误差,以及此误差对本级模型输出的影响,进而调整本模型的输出。石灰加入量计算模型是基于钢厂历史数据而建立,其输入数据都是钢厂造渣的实绩数据,因此其误差计算公式仍采用常规的误差均方值形式,如式(7)。E(w)sh=12∑i(T(pi)sh−O(pi)sh)2(7)E(w)sh=12∑i(Τ(pi)sh-Ο(pi)sh)2(7)高镁石灰计算模型的输入中包含石灰加入量计算模型的输出,采用模型的实际计算值作为下一级模型的输入进行学习,其误差计算如式(8)。E(w)gmsh=12∑i((T(pi)gmsh−O(pi)gmsh)+α(T(pi)gmsh−O(pi)gmsh))2(8)E(w)gmsh=12∑i((Τ(pi)gmsh-Ο(pi)gmsh)+α(Τ(pi)gmsh-Ο(pi)gmsh))2(8)式中:α为系数,反映高镁石灰加入量对石灰加入量的灵敏度,通过试验确定其取值。相应地,将石灰加入量计算模型、高镁石灰计算模型实际的输出结果作为复合渣计算模型的输入进行学习,其误差计算公式如式(9)。E(w)fhz=12∑i((T(pi)fhz−O(pi)fhz)+β(T(pi)sh−O(pi)sh)+γ(T(pi)gmsh−O(pi)gmsh))2(9)E(w)fhz=12∑i((Τ(pi)fhz-Ο(pi)fhz)+β(Τ(pi)sh-Ο(pi)sh)+γ(Τ(pi)gmsh-Ο(pi)gmsh))2(9)式中:β、γ为系数,反映复合渣加入量对石灰、高镁石灰加入量的灵敏度,通过试验确定其取值。3模型建立与分析针对钢厂转炉半钢炼钢的实际情况,理论分析了其造渣过程,分别构建了造渣料计算的机制模型、统计模型和级联BP神经网络模型。机制模型由P、S分配系数确定总渣量,再根据终渣要求计算各造渣料的加入量;统计模型首先确定造渣料加入量的影响因素,再由此构建计算公式,回归确定方程系数,直接使用公式计算造渣料加入量;级联BP神经网络模型按前述方式构建。从该钢厂3号转炉2009年4月至2010年3月的生产数据中选出4371炉完整数据,90%的数据用于统计模型和级联模型的建立,10%的数据用于对模型效果的验证。其中,在级联模型中,取η=0.8,θ=0.95,α=0.5,β=0.4,γ=0.3,α、β、γ的取值是通过多次试验得出的。将各模型计算结果与实际加入量比较,效果如表3所示。表中:ξ=PN‚Nξ=ΡΝ‚Ν为测试总炉数,P为计算值与实际值差值绝对值小于400kg的炉数。对比3个模型的应用效果,级联BP神经网络模型的应用效果明显优于机制和统计模型。4造