• 1
  • 2
  • 3
冶金材料设备网 对标系统
最新公告：
您当前的位置 : 首页 > 钢厂频道 > 生产管理 > 冶金自动化
100t电弧炉氧化期终点温度神经网络预报模型
发表时间:[2007-09-26]  作者:本站  编辑录入:本站  点击数：2463
 
摘要：介绍了安钢第一炼轧厂100t超高功率电弧炉工艺流程，建立了电弧炉氧化期终点温度神经网络预报模型，用100t电炉实际生产数据对预报模型进行训练后，用现场采集的工艺数据对模型进行测试，测试结果表明预报模型可以正确地进行氧化期终点温度预报。
关键词：BP网络；预报模型；电弧炉
　 电弧炉炼钢是靠电能转变成热能使炉料熔化并进行冶炼的，电弧炉炼钢过程分为熔化期、氧化期和还原期。在电弧炉炼钢工艺中，从通电开始到炉料全部熔清为止称为熔化期。熔化期约占整个冶炼时间的一半左右，耗电量要占电耗总数的三分之二左右。氧化期是指炉料熔清取样分析后到扒完氧化渣这一工艺阶段，炼钢氧化期主要任务有：氧化期结束时钢中w(P)在0.010％～0.015％之间；一般钢种要求w(C)在0.07％～0.10％之间；使钢液均匀加热升温，氧化末期达到高于出钢温度10～20℃；夹杂总量(质量分数)小于0.01％。
　 安阳钢铁集团有限责任公司(以下简称安钢)第一炼轧厂100t电炉连铸工程设计年产连铸坯67万t，主要包括1座100t超高功率电炉(FSF)、1座钢包精炼炉(LF)以及1台板坯连铸机。其中100t电炉和精炼炉为引进德国FUCHS公司关键技术，国内配套生产的现代化冶炼设备，工程总投资12亿元人民币，1998年8月10日动工。
　 安钢100t超高功率电弧炉炼钢生产流程图如图1：
　
　
　 温度是炼钢过程氧化期终点的重要技术指标之一，若对温度等氧化期终点主要技术指标进行预报，可以给操作者提供参考，实现更合理的炼钢操作，提高炼钢过程生产率。拟建立100t电炉炼钢过程氧化期终点温度BP网络预报模型。
1 确定温度预报模型的结构和数据预处理
　 建立钢水氧化期终点温度预报模型要考虑EAF熔炼期间全部能量输入和损失，也要考虑来自废钢预热的辅助能量。能量输入和损失包括下列数据：电能和烧嘴能量的输入；冷却水造成的能量的损失；废气和灰尘排放时能量的损失；除渣时能量的损失；炉盖提升或旋转到旁边时能量的损失。温度预报模型还要考虑废钢料篮装料情况，鉴于废钢在竖炉中的预热，温度预报模型要估算出料篮中废钢熔化需要的能量，还应该考虑兑加的铁水量和铁水温度。另外，还应该考虑添加材料后的化学反应热焓。
　 对从现场收集到的大量炉况数据而言，每炉次钢可得到的初始条件、过程信息和终点结果的信息包括计划钢种、炉号、装入废钢重量和配加的生铁重量，装入的铁水量、石灰和轻烧白云石重量，熔清钢水温度和成分、烧嘴氧耗和油耗、出钢量、出钢温度和成分、碳氧枪喷加的碳粉和氧耗、冶炼时间、送电时间和电耗等。
　 通过对影响钢水温度的因素进行分析，抛开不重要因素对温度的影响，确定以供电量、烧嘴氧耗和油耗、钢铁料合计重量作为氧化期终点温度预报模型的输入变量。由于模型只用来对温度进行预报，所以输出变量为单变量。预报模型是4输入单输出的结构。
　 温度预报模型隐含层可以选多层，层数多适于反映高度非线性的复杂过程，但网络结构变复杂，理论已经证明，对于单隐层的BP神经网络，当隐层神经元数目足够多时，可以以任意精度逼近任何一个具有有限间断点的非线性函数。为简化计算，温度预报模型采用单隐含层的网络结构。比较对应于各个节点所建模型性能的表现，选择既收敛同时误差又较小的节点数，最终选定隐层节点数为11。
　 图2给出了钢水氧化期终点温度神经网络预报模型的结构，IW{1，1}和b{1}分别表示输入层与隐含层间的连接权值和阈值，LW{2，1}和b{2}分别表示隐含层与输出层之间的连接权值和阈值，4、11和1表示输入层、隐含层和输出层的神经元个数。隐含层函数选用双曲正切tansig传递函数，输出层函数选用线性purelin函数。
　
　
　 电炉出钢温度范围要求在1620～1660℃，这里采用高低限幅值对安钢第一炼轧厂100t电弧炉现场采集的炉次数据进行处理，剔除掉异常炉次数据(见表1)，筛选出的621炉次数据部分用于训练温度预报模型，部分用于模型测试。数据处理前后统计分析对比如表1所示。通过输入和输出样本集对预报网络进行训练，实现给定的输入输出映射关系。
表1　 终点温度异常炉次剔除前后统计分析对比
项目
终点温度/℃
最大值
最小值
平均值
标准差
异常炉次剔除前
1675
1612
1628
38.2
异常炉次剔除后
1658
1623
1635
22.1
　
　 为了神经网络模型的通用性及输入、输出样本的标准化，要求BP网络的输入和输出数据均在0～1之间。为了消除不同变量因量纲或量级不同对网络训练造成的影响，必须对采集到的输入量和输出量数据按下式进行归一化处理：
　 Xi=(xi一xmin)/(xmax一xmin)　　　 (1)
　 式中，Xi为数据i的归一化结果；xi为数据i的实际数据；xmin为参数的最小值；xmax为参数的最大值。
　 相应地，神经网络计算结果需参考式(1)逆变换为实际生产数据。
2 预报模型训练过程和预报结果分析
　 BP算法是一种迭代逼近算法，它的算法步骤如下所述。设置初始权系为较小的随机非零值，给定输入/输出样本对，计算网络的输出并计算网络的目标函数，目标函数是按映射网络输出和实际系统输出之间误差的原则设定的。判别目标函数是否满足预先规定的ε，若满足，则学习过程结束，若不满足，则依据目标函数按梯度下降法反向计算，逐层调整权值和阈值，重复以上步骤，直至目标函数小于ε或达到了最大迭代次数。
　 这里网络训练误差指标设为0.01，BP算法经过572步的训练后，误差满足了结束指标。用上述已筛选出的炉次数据对训练好的预报模型进行测试，测试结果见图3，表2。
　
　
　 对温度模型预报结果进行分析，预报模型不同误差范围命中率如表2所示。
表2　 预报结果
序号
误差范围/℃
命中炉数
命中率/%
1
±2
42
21.0
2
±4
129
64.5
3
±6
154
77.0
4
±8
182
91.0
5
±10
200
100.0
　
3 结语
　 神经网络中应用最普遍的是多层前馈网络模型，其中BP算法因其推导过程严谨、通用性强而得到了广泛的应用。BP网络在本质上是一种输入到输出的映射，在确定了BP网络的结构后，通过输入和输出样本集对网络进行训练，亦即对网络的阈值和权值进行学习和修正，以使网络实现给定的输入输出映射关系。本文建立的温度BP预报模型有较高的预报精度，可以对现场生产起到指导作用，为提高钢水氧化期终点温度控制精度提供了依据。