返回

炼钢炉终点成分的人工神经网络预测模型

　

由于回归模型再现性较差，用来确定预报参数尚可以，但作为应用模型实时性和精度仍有差距，所以应用神经网络来处理非线性动力学系统问题能克服回归模型的弱点，更好地取得理想的预报效果，其特点是在于信息分布储存和并行协同处理，具有很强的容错性和鲁棒性。

　

神经网络的结构及其应用

本文中提出的锰、磷回归优化模型，对实现锰磷终点的准确预报提供了参数，而采用人工神经元网络的计算方法能更好地校正吹炼过程产生的各种误差，并能正确估价难以用解析方法表达的各种变量对吹炼终点的影响，更加准确完善静态增量模型。

神经网络由许多并行运算的功能简单的单元组成，每个神经元有一个输出，它可以连接到很多其他的神经元，每个神经元输入有多个连接通路，每个连接通路对应一个连接权系数。即：

最常见的情形为f []

利用这些网络模型可实现函数逼近、数据聚类、优化计算等功能。

BP网络的原理

BP网络是一种多层前馈神经网络，其神经元的变换函数是S型函数。因此输出量为0到1之间的连续量，它可以实现从输入到输出的任意的非线性映射，由于权值的调整采用反向传播的学习算法，因此称BP（Back Propagation）网络。在确定了BP网络结构之后，利用输出输入样本集对其进行训练，也即对网络的权值和阈值进行学习和调整，以使网络实现给定的输入输出的映射关系。经过训练的BP网络，对于不是样本集中的输入也能给出合适的输出，但这一样本集必须与训练样本集包含信息类似，否则，需重新训练寻找合适的权重，才能作出精确的预报。图2.1表示BP网络结构，它具有R个输入，每个输入都通过一个适当的权值W与下一层相连，网络输出可表示成 a=f（w *p ,b）, Matlab编程语言BP网络中隐层神经元的变换函数通常是logsig,也可采用tansig和purelin作为输出函数其输出值.

函数trainbp,trainbpx,trainlm均可用来训练BP网,其中trainlm训练速度最快,但它需要更大的存储空间,函数trainlm使用了Levenberg-Marquardt优化方法，从而使学习时间更短，其权值调整率ΔW=（JTJ+μI）-1JTe，其中J 为误差对权值微分的Jacobian矩阵，e为误差向量，μ为一个标量，当μ很大时，上式就接近于梯度法；当μ很小时，上式就变成了Gauss-Newton法。因此对大型工程计算来说更合适。本程序采用trainl训练函数。

BP算法在Matlab神经网络工具箱中得到了更新，即采用了动量法和学习率自适应调整，从而提高了学习速度并增加了算法的可靠性。常见的反向传播算法正是利用网络误差平方和对网络层输入的导数来调整其权值和阈值，从而降低误差平方和。训练从计算每一层的输出开始，直到得到网络的输出矢量，目标矢量减去网络矢量得到误差矢量，这个误差矢量用于计算输出层的δ矢量，而后将它反向传播到前一层，以获得各个网络层的δ矢量，最后根据BP学习准则利用δ矢量调整网络。

在实际计算中，由于变写的Matlab程序可视化程度不强，网络结构调整复杂，因而采用宝钢自动化所购买的商用神经网络软件进行运算，其软件的原理和运算函数与Matlab程序一致，所以本项目所使用的模型运算工具有一定的先进性，对预测精度的提高有益。

网络程序的编制

由于采集的各数据单位不一致，因而须对数据进行[-1，1]归一化处理。然后再进行分类,以其中20%的数据用来预测，其余数据进行训练预报。在训练中又以动态误差设定标准对神经网络优化训练，寻找合理优化的网络权重，最后预报结果并计算在预定相对误差范围内的命中率。程序流程图如图2 所示。

　

神经网络在转炉模型中的应用

应用神经网络来处理非线性动力学系统问题能克服回归模型的弱点，更好地取得理想的预报效果，其特点是在于信息分布储存和并行协同处理，具有很强的容错性和鲁棒性。

本模型试用了Matlab三层前向BP网络结构，调用函数trainbp、trainbpx、trainlm用来训练bp网络，隐含层神经元变换函数采用了logsig、tansig和purelin函数作为输出函数。

以精炼期碳含量的变化CE-CM、终点碳含量CE、副枪测定吹炼锰Mn（m）或P（m）和碳含量C（m）、萤石CaF2/WCH、白云石MgO/WCH及矿石ORE/WCH、石灰石CaO/WCH加入量、铁水硅HSI、热装比HMR、吹炼温度TEMP和总的供氧量VO2/WCH十二个参数作为输入神经元的参数，终点锰Mne或Pe作为目标输出，经该神经网络训练获得了含有人工知识的权重文件，供样本外终点锰或磷成分的预报，可达到很好的预报效果。模型预报精度主要决定于转炉的吹炼行为。转炉吹炼条件的改变有如下原因：

底吹搅拌的影响；

这样，借助于人工智能和神经网络模型在不利的脱碳条件下，预报出提早结束吹氧，获知出钢前的氧含量，并提前计算合金的加入量和钢包中铝的加入量。且本模型评估了终点的锰、磷含量，可调整副材和冷却剂的加入量，有利于降低成本，提高质量，具有推广的价值。

　

项目的数据采集和神经网络的运算过程

根据冶金学原理，预报终点吹止锰、磷与造渣剂、冷却剂、铁水成分、供养量、熔池温度、有关，其中影响最大的是供养量和温度。在建立模型中应考虑炉料的装人量和炉料的热装比参数影响。从宝钢转炉数据库中选择的参数如表1，实际计算参数铁水硅（HMSI）在测定二次的情况下，以第二次为准的原则；每吨装人量中氧气供量（VO2/WCH）以着火前和吹炼中的耗氧量之和作为副枪测定前的已知输入参数；每吨装人量石灰石（CaO/WCH）、有效白云石（? MgO/WCH=[白云石+0.476*轻烧白云石]/WCH）、矿石（ORE/WCH）的加入量以副枪测定前累加量作为计算输入参数；温度（ETEMP）以副枪测定吹止温度输入；副枪吹炼碳（BC）、吹止碳（EC）和副枪测定吹炼至吹止的过程碳含量的变化（EC-BC）、副枪测定吹炼锰（BMN）或吹炼磷（BP）以及铁水热装比（HMR）共十一项参数作为神经网络的输入。吹止锰或磷元素分析值作训练目标输出样本对模型进行了训练和检测预报。

模型的确立和现场预报验证

基于副枪信息的神经网络预报模型（SLMn、SLP模型）

基于无副枪分析信息的统计神经网络模型

上述四种模型预报精度的比较与评价

对上述四种模型进行了分析比较如图2.6、2.7所示，SLMn、SLP模型的相关系数最大，而绝对误差最小，其余三种准态模型由于缺乏炉渣成分、碱度及冶炼过程中形成的渣况信息，因而很难从原始操作参数准确推定吹炼中锰磷的成分，这样造成NCSLMn、NCSLP、CSLMn、CSLP模型预报精度明显低于前者。四种模型在相对误差20%即相当于预报误差精度|ΔMn|? 0.025% 和|ΔP|? 0.0028%范围内的命中率比较如图2.8、2.9所示

　

图2.6 吹止锰的绝对误差和相对系数的比较

图2.7 吹止磷的绝对误差和相对系数的比较

　

SLMn、SLP模型的命中率分别达到91%和84%。预测值与实际值比较如图2.10、2.11所示，从图中可看出锰的预报效果比磷要好些，分析原因主要是磷成分受炉渣和温度的影响比锰的影响更大，所以为了提高预报精度必须采用机理模型和统计模型相结合。

图2.8 终点锰预报误差20%内的命中率

图2.9 终点磷预报误差20%内的命中率

　

　

上海大学材料学院、 上海市钢铁冶金新技术开发应用重点实验室

通讯地址： 上海市延长路149号 上海大学 275信箱 邮编：200072

电话： 021-56331176，-56774261

传真： 021-56774261

电子邮件： xhong@prosimu.net 、xhong@mail.shu.edu.cn