• 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
基于神经网络的转炉冶炼终点硫含量预报模型
发表时间:[2007-09-26]  作者:本站  编辑录入:本站  点击数：2458
 
摘要：通过研究转炉冶炼终点硫含量的影响因素，确定了预报模型的控制变量，对常用的BP算法进行改进，建立了基于神经网络的终点硫含量预报模型。模型的预报结果接近动态控制模型的预报精度。
关键词：转炉冶炼；终点硫含量；神经网络；预报模型
　 目前，在转炉的静态、动态控制模型中，主要是以终点碳含量和终点钢水温度作为控制对象，未对终点硫含量进行预报和控制。硫是影响钢质量和性能的主要有害元素，影响着钢材的加工性能和使用性能。因此对终点硫含量进行预报和控制是十分必要的。
　 通过对冶炼工艺的分析，确定了转炉终点硫含量的控制变量，建立了基于自适应模糊神经网络系统的转炉终点硫含量的预报控制模型，对转炉终点硫含量进行预报。
1 神经网络预报模型的建立
1.1 预报模型的网络结构
　 从提高误差精度的角度和训练效果两方面综合来看BP网络比较合适。
　 神经网络的输入层起缓冲存储器的作用，即为影响终点硫含量的因素。
　 按经验公式，中间层节点个数的变化范围一般在n/2+1到2n+1之间，其中n是输入层节点数。本网络选节点数为30。
　 输出层神经元的个数取决于系统对网络功能的要求，本系统要求实现的是终点硫含量的预报，故用1个变量作为输出参数，即为终点硫含量。
1.2 预报模型输入参数的确定
　 为了有效地进行转炉终点硫含量的预报，合理的选择输入参数是至关重要的。如果参数选得太少，就会忽略某个或某些因素对终点硫含量的影响，导致命中率降低；相反，如果参数选得太多，也未必会使命中率升高，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。因此在确定输入层变量时，要选择影响终点硫含量的决定性因素。
　 炼钢时，生铁的硫向熔渣内转移，成S2-存在，因而在熔渣与金属液间的脱硫反应及其分配比可用下式表示。
　 [FeS]+(CaO)=(CaS)+(FeO)
　 [S]+(02一)=(S2一)+[O]
　 Ls=w(S)/w[S]=Ks×(XO2-/(w(O)))×(γO2-/γS2-)×(ƒS)
　 由上式可知，L。与温度、金属液和熔渣的组成有关。
　 根据影响转炉脱硫的热力学条件：高温度、高碱度、大渣量、低w(FeO)有利于转炉脱硫，因此确定神经网络的输入变量必然围绕此脱硫反应的热力学条件进行。当碱度增加时，LS增大，更有利于脱硫。虽然所有的碱性氧化物都能提供脱硫反应所需的02-，但Ca2+带入的02一的作用最大。因为S2-的半径比02一的半径大，所以Ca2+主要集中在S2-周围，形成弱离子对，降低S2一的活度系数，有利于脱硫反应的进行。入炉的石灰、萤石、轻烧白云石的多少直接影响到熔池中Ca2+的量，与转炉渣碱度有密切的关系，影响脱硫反应的进行，因此它们被确认为影响转炉终点硫含量的静态变量。
　 金属液中的Si、C等元素量大时，能提高fS，硫易向熔渣中转移；金属液中的锰在一定条件下有脱硫的作用，因为它能够促使硫向熔渣中转移。锰的脱硫反应为：
　 [Mn]+[S]=(MnS)
　 因此铁水、铁块中w(C)、w(Si)、w(Mn)、w(P)、w(S)作为输入变量。
　 高温能促进石灰的溶解和提高熔渣的流动性，获得高碱度的熔渣，从而起到加快脱硫的作用。因此与转炉温度有关的人炉铁水温度、上一炉钢水温度以及空炉时间均作为神经网路的输入变量。
　 考虑上述原因，最终确定神经网络的输入变量：与温度有关的因素为入炉铁水温度、上一炉钢水温度等等；与碱度有关的因素为入炉的造渣剂的含量；与金属液有关的因素为人炉铁水各成分、铁块中各成分以及上一炉钢水种类及其相应终点成分等。
1.3 BP算法的程序优化
　 传统的BP算法，其学习过程如下所述。
　 (1)给各连接权Wij、Vjt及阈值θj、γt随机赋1个较小的值。
　 (2)对每一模式对(A(k0，C(k))(k=1，…，u)，进行下列操作。
　 ①将A(k)的值ɑi(k)输入LA层节点，据LA层节点激活值ɑi，一次正向计算：
　
　 ②计算LC层节点输出Ct与期望输出值yt(k)的误差，令
　
　 ④调整LB层与LC层节点间连接权Vjt及LC层节点间连接权Vjt及LC层节点阈值γt：Vjt=Vjt+η·bj·dt
　 γt=γt+η·dt　 　　(O<η<1)　　　 (5)
　 ⑤调整LA层与LB层节点间连接权Wir及LB层节点阈值θj：
　 Wij=Wij+η·ɑi·ej　　　 (6)
　 θj=θj·η·ej　　　 (7)
　 (3)重复步骤(2)，直至对于j一1，…，n，k=1，…，u，误差dt变得足够小或变为零。
　 比起初期的神经网络，误差逆传播神经(BP)网络无论在网络理论还是网络性能方面都更加成熟。其突出的优点就是具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的处理单元数及网络学习系数可根据具体情况任意设定，并随着结构的差异其性能也有所不同。
　 但是误差逆传播神经网络并不是一个十分完善的网络，它目前存在的主要问题是学习时较长的收敛时间，及存在落入局部最有陷阱的可能性。为了解决上述问题，本研究对其进行了一些优化，优化后的流程算法如下：
　 ①初始化。给各连接权｛Wij｝、｛υij｝及阈值｛θj｝、{γt}赋予(-1，+1)间的随机值。
　 ②随机选取一模式对A(k)=(ɑ1(k)，ɑ2(k)，K，ɑm(k))，Y(k)= (y1(k)，y2(k)，K，yn(k))提供给网络。
　 ③用输入模式A(k)=(ɑ1(k)，ɑ2(k)，K，ɑm(k))、连接权{Wij}和阈值{θj }计算中间层各单元的输入Sj；然后用{Sj}通过S函数计算中间层各单元的输出{bj }
　
　 连接权{Wij}与{υij}的校正量，如式(5)所示，它们都与中间层的输出{bj}有关。因此，当中间层的输出为“0”或“1”时，对连接权不起校正作用。中间层的输出是由S函数的输出所决定的。这里我们引用S函数输出限幅算法。由S函数的饱和非线性输出特性可知，当其输入小于或大于某数值后，其输出接近于“0”或“1”。因而在相当量次数的学习过程中，真正的校正量很小，校正进程十分缓慢。为此，限制S函数的输出，是加快网络校正的一个有效方法。具体作法是，在网络的学习计算过程中，当S形函数的实际输出小于0.01或大于0.99时，将其输出值直接取为0.01或0.99。这就保证了每次学习都能进行有效的校正，从而加快收敛过程。
　 ④重复式(3)、(4)的计算过程，计算输出层的各单元一般化误差和中间层各单元的一般化误差。
　 ⑤这里我们用累积误差算法对网络进行改进，一般BP算法称为标准误差逆传播算法，这种算法偏离了真正全局误差意义上的梯度下降。真正的全局误差意义上的梯度算法成为累积误差校正算法。其具体算法是，按步骤④分别计算出m个学习模式的一般化误差，并将这m个误差进行累加，用累加后的误差校正输出层与中间层、中间层与输入层之间的连接权以及各个输出阈值。这种算法与标准误差逆传播算法相比，每个连接权及阈值的校正次数明显减少(每一次学习减少m一1次校正)，因此，学习时间也随之缩短。
　 ⑥为了加速收敛和防止振荡，我们在这里加入一个动量因子α。即采用惯性校正法，就是在每一次对连接权或输出阈值进行校正时，按一定比例加上前一次学习时的校正量，即惯性项，从此加速网络学习的收敛．具体做法如下式
　 △WIJ(N)=△Wij(n)+α△Wij(n一1)　　　 (10)
　 式中，△Wij(n)为本次应得校正量，△Wij(n一1)为前次校正量，α为惯性系数。由上式可知，当前一次的校正量过调时，惯性项与本次误差校正符号相反，使本次实际校正量减少，起到减小振荡的作用；而当前次校正欠调时，惯性项与本次误差校正项符号相同，本次校正量增加，起到校正增加、加速校正的作用。
　 ⑦重新从m个学习模式对中随即选取一个模式对，返回步骤③，直至网络全局误差小于预先设定的一个极小值，即网络收敛和学习次数大于预先设定的值，即网络无法收敛。
　 ⑧学习结束。
　 终点硫含量预报结果
　 运用20炉现场测试样本对神经网络模型预报效果进行验证，其在一定偏差范围内的命中率如图1所示。从测试样本预报结果看，神经网络终点硫预报模型对于学习样本目标误差值在±0.002％范围的预报准确度为85％；目标误差值在±0.004％范围的预报准确度为95％。虽然少数预报结果超出了偏差范围之外，但总体来看模型的预报结果已接近于采用副枪技术的动态控制模型的预报精度。这说明运用神经网络预报转炉终点硫含量具有较好的实用价值。
　
图1 实际值与预报值的比较
　
2 结论
　 (1)该神经网络终点预报模型预报结果表明，BP神经网络依靠自学习能力校正吹炼过程中产生的各种随机误差，并正确估价难以用公式或数字表达的各种变量对吹炼终点的影响，克服了传统模型的不足，提高了终点命中率。
　 (2)当神经网络预报模型网络结构设定为网络层数3层，输入参数31个，隐含层节点数为30个，学习速率为0.01，动量因子为0.8时，网络对终点硫含量的预报结果可达到最佳效果。
　 (3)神经网络终点硫预报模型对于学习样本目标误差值在±0.002％范围的预报准确度为85％。
　 (4)基于神经网络的终点预报模型提高了转炉冶炼终点命中率，可以避免后吹，提高钢水质量，减少了测温取样的倒炉次数，缩短了冶炼周期，提高了转炉的生产能力。