張學(xué)飛，胡賓生，貴永亮

(河北聯(lián)合大學(xué)冶金與能源學(xué)院，河北唐山 063009)

0 引言

高爐生產(chǎn)是一個復(fù)雜的系統(tǒng)工程，涉及到裝料制度、送風(fēng)制度、熱制度和造渣制度。高爐爐況是高爐冶煉過程中的一個綜合指標(biāo)，是對高爐四大操作制度是否合理的一個綜合評判，四大操作制度決定了高爐爐況，反過來，高爐爐況又決定了四大操作制度的選擇調(diào)整。高爐爐況的好壞不僅對高爐冶煉過程具有重要影響，而且對高爐的壽命也有重要影響［1］，因此，對高爐爐況進(jìn)行預(yù)測就顯得尤為重要了。目前對高爐爐況的預(yù)測模型主要分為基于知識的預(yù)測模型和基于數(shù)據(jù)的預(yù)測模型兩大類。

1 高爐爐況預(yù)測的復(fù)雜性

高爐爐況是高爐冶煉過程中的一個重要指標(biāo)，它會受到許多因素(主要工藝因素見表1所示)的影響，并且這些因素之間的關(guān)系是錯綜復(fù)雜的，例如:透氣性指數(shù)是影響高爐爐況的一個重要因素，透氣性指數(shù)除了與風(fēng)量﹑全壓差有關(guān)之外，還與風(fēng)溫、噴煤量、焦比等許多工藝因素都有關(guān)，很難用一個確定的數(shù)學(xué)公式來精確描述。目前，大多數(shù)的研究者都是從中選擇部分工藝參數(shù)來描述高爐爐況，李啟會［2］等就選取了風(fēng)溫、風(fēng)量、透氣性指數(shù)、鐵水中硅含量、全壓差、料速來描述高爐爐況;崔桂梅、甄常亮［3］等選擇風(fēng)量、風(fēng)溫、爐頂壓、熱風(fēng)壓、噴煤量、綜合負(fù)荷作為模型的參數(shù)來描述高爐爐況。這類方法都是從影響高爐爐況的工藝參數(shù)中挑選了幾種重要的工藝參數(shù)來評價高爐爐況，不可避免的會丟掉一些高爐爐況的原有特征，另一方面這些工藝參數(shù)對高爐爐況的影響權(quán)重排序也有待進(jìn)一步研究，但比起只靠人工經(jīng)驗來判斷高爐爐況來說有了很大的進(jìn)步。

表1 高爐爐況工藝參數(shù)

續(xù)表1

2 基于知識的高爐爐況預(yù)測模型

基于知識的高爐爐況預(yù)測模型也稱為理論模型，即根據(jù)現(xiàn)有的公理或定理建立起來的精確描述高爐冶煉過程的模型，它是以人們對該類現(xiàn)象的正確認(rèn)識為基礎(chǔ)的。從考慮維數(shù)的角度又可分為一維模型、二維模型、三維模型。

一維模型中的典型代表是1927年提出的理查德圖模型［4］(Reichardt Diagram Model)，該模型是以高溫區(qū)的熱平衡為基礎(chǔ)的單純的用熱力學(xué)來計算高爐各部分的溫度，將高爐按溫度從爐頂?shù)綘t底分為五部分，并假定爐溫在高爐各部分的縱向變化為直線，然后用能量守恒定理來計算各處的爐料和煤氣溫度的辦法;1964年提出的里斯特(Rist)操作線模型［5］也是一維模型，該模型認(rèn)為在煤氣上升與爐料下降的逆流中，不僅有能量的交換，還有爐料氧原子遷移到煤氣中的過程;氧原子的來源主要有三類:爐料中鐵礦帶入，爐料中其他的氧化物，風(fēng)口吹入得熱風(fēng);氧原子的遷移過程分四類:鐵氧化物的直接還原，鐵氧化物的間接還原，爐料中其他物質(zhì)與爐氣的交換，風(fēng)口碳燃燒;幾種碳原子遷移過程中的μ相等。這類模型幾乎都是離線模型，在實際生產(chǎn)中進(jìn)行應(yīng)用存在比較大的困難。

到了20世紀(jì)80年代，隨著計算機技術(shù)的飛速發(fā)展，計算機的計算速度得到了極大提高，用有限元的思想來解復(fù)雜的偏微分方程不再是夢想。在此期間，人們提出了許多二維和三維的高爐數(shù)學(xué)計算模型，這些數(shù)學(xué)模型大部分采用偏微分方程進(jìn)行建模，通過解偏微分方程的方法來求解高爐爐況，著名的數(shù)學(xué)模型主要有Sugata和Sugiyama開發(fā)的BRIGHT模型和由Yagi和Takeda開發(fā)的Omori模型［6～8］。

自20世紀(jì)90年代以來，隨著有限元軟件的發(fā)展，運用專門的模擬軟件對高爐進(jìn)行建模與解析的模型大量出現(xiàn)，這些模型主要是針對高爐局部進(jìn)行的研究。主要有:布料模型［9～10］、風(fēng)口燃燒模型［11～13］等。這些模型加深了人們對高爐局部運行情況的認(rèn)識，但難于應(yīng)用于在線運行。

3 基于數(shù)據(jù)的高爐爐況預(yù)測模型

基于數(shù)據(jù)的高爐爐況預(yù)測模型既不依靠人們對高爐冶煉過程規(guī)律的認(rèn)識，也不依靠人們對高爐各項參數(shù)的正確分類(大多數(shù)情況下人們并不具備這種能力)，而是以收集到的高爐生產(chǎn)中的各項數(shù)據(jù)為樣本，用這些樣本來訓(xùn)練一定的模式識別機器，基本思路如圖1所示。

圖1 基于數(shù)據(jù)的高爐爐況預(yù)測模型示意圖

首先，用各種檢測手段盡可能多的采集高爐生產(chǎn)中的相關(guān)數(shù)據(jù)，采集到的數(shù)據(jù)不可避免的有許多誤差或數(shù)量級相差很大，這時要對采集到的數(shù)據(jù)進(jìn)行預(yù)處理，然后用數(shù)學(xué)方法進(jìn)行特征提取，最后輸入機器進(jìn)行訓(xùn)練，訓(xùn)練完畢后即可進(jìn)行預(yù)測?；跀?shù)據(jù)的高爐爐況預(yù)測模型根據(jù)訓(xùn)練機器理論的不同主要分為基于模糊數(shù)學(xué)的高爐爐況預(yù)測模型、基于神經(jīng)網(wǎng)絡(luò)的高爐爐況預(yù)測模型、基于支持向量機的高爐爐況預(yù)測模型。

3.1 基于模糊數(shù)學(xué)的高爐爐況預(yù)測模型

高爐冶煉過程非常復(fù)雜，涉及到許多參數(shù)，對參數(shù)的評價很難用一個確定的界線來進(jìn)行。這種爐況預(yù)測模型通過引入模糊數(shù)學(xué)中隸屬函數(shù)的概念對高爐工藝參數(shù)進(jìn)行評價，進(jìn)而進(jìn)行爐況預(yù)測。應(yīng)用較早且影響較大的當(dāng)屬日本川崎公司在1975開發(fā)發(fā)的GO—STOP系統(tǒng)［7］，為了評價高爐爐況，GO—STOP系統(tǒng)抽取了高爐冶煉的17個操作參數(shù)、8個復(fù)合參數(shù)和4個趨勢參數(shù)，其推理過程如圖2所示。

圖2 GO—STOP系統(tǒng)的邏輯結(jié)構(gòu)

GO——STOP系統(tǒng)雖然取得了較大的成功，但其將每個參數(shù)的GS值固定的分為0、1、2三個數(shù)值，未反應(yīng)出操作參數(shù)漸變對爐況的影響。吳勝利、劉茂林［5］，李啟會、劉祥官［3］針對GO——STOP這一情況進(jìn)行了改進(jìn)，通過設(shè)置評價矩陣，參數(shù)重要性矩陣。實現(xiàn)了操作參數(shù)漸變對爐況影響的評價。

3.2 基于神經(jīng)網(wǎng)絡(luò)的高爐爐況預(yù)測模型

1943年，心理學(xué)家McCulloch和數(shù)理邏輯學(xué)家Pitts在《Bulletion of Mathematical Biophysics》上提出了用數(shù)理邏輯來描述人的神經(jīng)網(wǎng)絡(luò)的方法［14］，揭開了神經(jīng)網(wǎng)絡(luò)研究的序幕。自20世紀(jì)80年代以來神經(jīng)網(wǎng)絡(luò)得到了突破性的發(fā)展，其在處理大量有噪音，非線性的數(shù)據(jù)方面有巨大的優(yōu)勢，理論上講，它可以逼近任意維的曲線或曲面，因此被廣泛用于分類、預(yù)測等方面?；谏窠?jīng)網(wǎng)絡(luò)的高爐爐況預(yù)測模型是指通過神經(jīng)網(wǎng)絡(luò)對大量經(jīng)過處理的實際高爐生產(chǎn)的工藝數(shù)據(jù)的大量學(xué)習(xí)，抽取出每一個影響因素對爐況影響的權(quán)值因子，從而對爐況進(jìn)行預(yù)測。目前大多數(shù)學(xué)者都是運用誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò))進(jìn)行爐況預(yù)測，基本的BP網(wǎng)絡(luò)主要由輸入層、隱藏層、輸出層三層組成。

浙江大學(xué)的劉金餛、王樹青［15］在1998年開發(fā)了高爐異常爐況神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，基于模糊規(guī)則建立模糊BP神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)分為:輸入層、前提隸屬函數(shù)層、前提層、規(guī)則層、輸出層。異常爐況作為網(wǎng)絡(luò)的輸出，有關(guān)工藝參數(shù)作為網(wǎng)絡(luò)輸入。通過神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)算法實現(xiàn)對隸屬度的調(diào)整。東北大學(xué)的王玉濤、夏靖波、周建常、王師［16］等人在1999年采用模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)實現(xiàn)高爐爐況的診斷。系統(tǒng)采用按診斷故障類型劃分的模塊化模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。系統(tǒng)采用自學(xué)習(xí)算法實現(xiàn)模擬診斷推理過程并調(diào)整上述特征因子權(quán)重、模糊等級的界限值以及規(guī)則的可信度。盧虎生、高斌［17］等開發(fā)的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)利用神經(jīng)網(wǎng)絡(luò)來抽取專家系統(tǒng)的規(guī)則，取得了較好效果。其主要方法是首先根據(jù)經(jīng)驗建立高爐爐況的邏輯推理網(wǎng)絡(luò)，然后建立相應(yīng)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，最后將多組已知爐況的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)對其進(jìn)行訓(xùn)練，獲取相應(yīng)的隸屬度，從而結(jié)合規(guī)則庫進(jìn)行判斷爐況。神經(jīng)網(wǎng)絡(luò)方法對于高爐異常爐況診斷以及爐熱預(yù)報方面，在某些具有大樣本數(shù)據(jù)的高爐上取得了不錯的應(yīng)用效果。神經(jīng)網(wǎng)絡(luò)具有基于訓(xùn)練數(shù)據(jù)集學(xué)習(xí)建立模型的能力，克服了專家系統(tǒng)的知識提取困難、可移植性差等缺點，但存在算法只有在大樣本數(shù)據(jù)下有效，容易陷入局部最優(yōu)解等不足。由于實際情況下的很多高爐異常爐況的征兆數(shù)據(jù)常常是小樣本數(shù)據(jù)，因此，神經(jīng)網(wǎng)絡(luò)方法在很多高爐上使用效果并不理想。

3.3 基于支持向量級的高爐爐況預(yù)測摸型

支持向量機(SVM)起源于20世紀(jì)90年代，它是從統(tǒng)計理論發(fā)展來的，建立在VC維理論和結(jié)構(gòu)風(fēng)險最小化原理基礎(chǔ)上的一種方法，它在保證機器學(xué)習(xí)能力的同時又可以獲得最佳的泛化性能。最近幾年在高爐爐況預(yù)測方面開始得到應(yīng)用，如曲飛、吳敏［1］等設(shè)計的最小二乘支持向量機法，崔桂梅、鄢常亮［18］等基于向量機建立的高爐向涼向熱模型。一方面它避免了神經(jīng)網(wǎng)絡(luò)的過學(xué)習(xí)和對小樣本不適用的問題;另一方面它通過核函數(shù)巧妙的解決了維數(shù)問題。

4 高爐爐況預(yù)測模型的發(fā)展

自上世紀(jì)50年代以來，隨著數(shù)學(xué)，計算機等基礎(chǔ)學(xué)科的飛速發(fā)展，高爐爐況預(yù)測方法也發(fā)生了巨大的變化，并取得了大量的研究成果，一方面隨著仿真模擬的出現(xiàn)，加深了人們對高爐運行規(guī)律的理解，并且也驗證了一些高爐運行規(guī)律，但在實際應(yīng)用中很難再線運行;另一方面也開發(fā)了許多運用模糊理論、神經(jīng)網(wǎng)絡(luò)、向量機的黑盒離線、在線高爐爐況預(yù)測模型，該類模型只是從統(tǒng)計的角度預(yù)測爐況，缺少對高爐運行原理的結(jié)合。高爐爐況預(yù)測模型應(yīng)該走多模型復(fù)合化的道路，在結(jié)合人工智能的同時也應(yīng)重視已知的經(jīng)驗規(guī)則，將二者有機結(jié)合起來，即基于知識和數(shù)據(jù)綜合利用的爐況預(yù)測模型。

5 結(jié)語

1)高爐爐況預(yù)測模型分為基于知識和基于數(shù)據(jù)兩大類，基于知識的數(shù)學(xué)模型投入實際運行的比較少，大多是針對高爐局部的研究;基于數(shù)據(jù)的高爐預(yù)測模型包括基于模糊理論、基于神經(jīng)網(wǎng)絡(luò)和基于向量機。目前投入實際運行的大多數(shù)是基于神經(jīng)網(wǎng)絡(luò)的高爐爐況。

2)高爐爐況預(yù)測模型的發(fā)展趨勢是注重數(shù)據(jù)與知識的結(jié)合，在改進(jìn)應(yīng)用統(tǒng)計理論的同時也要結(jié)合高爐知識進(jìn)行爐況預(yù)測。

［1］曲飛，吳敏，曹衛(wèi)華，何勇.基于支持向量機的高爐爐況診斷方法［J］.鋼鐵，2007，42(10):17-19.

［2］李啟會，劉祥官.高爐異常爐況的模糊預(yù)測模型［J］.中國冶金，2007，17(4):34-37.

［3］鄢常亮.基于支持向量機的高爐向涼向熱爐況預(yù)測研究［D］.包頭:內(nèi)蒙古科技大學(xué)，2010.

［4］Shihua Luo，Jian Huang and Zhilong Li.Prediction for Silicon Content in Molten Iron using unsupervised optimal fuzzy clustering* .Proceedings of the 7thWorld Congress on Intelligent Control and Automation［C］.June 25 － 27，2008，Chongqing，China.

［5］A.Rist and N.Meysson:J.Metals［J］.，19，(1967)，4.P.50.

［6］王筱留.鋼鐵冶金學(xué)(煉鐵部分)［M］，北京:冶金工業(yè)出版社，2005.

［7］畢學(xué)工.高爐過程數(shù)學(xué)模型及計算機控制［M］.北京:冶金工業(yè)出版社，1996.

［8］Omori K.Blast Furnace Phenomena and Modelling［M］.London:Elsevier Applied Science ，1987.

［9］朱清天，程樹森.高爐料流軌跡的數(shù)學(xué)模型［J］.北京科技大學(xué)學(xué)報，2007，2(9):932-936.

［10］杜鵬宇，程樹森，滕召杰.并罐式無鐘爐頂布料蛇形偏料的研究［J］.北京科技大學(xué)學(xué)報，2011，33(4)479-485.

［11］amaluddin AS，Wall TF，Truelove JS.Combustion of pulverised coal as a tuyere injectant to the blast furnace.In:21st Symposium(International)on Combustion［C］.The Combustion Institute.1986.p.575-84.

［12］Nakajima R，Kishimoto S，Htta H，Ishii K，Sakuai M，Itagaki S.Behavior of coke degradation in a blast furnace.NKK Tech Rev［J］.1990;60:1-8.

［13］Y.S.Shen，B.Y.Guo ，A.B.Yu ，，P.R.Austin ，P.Zulli.Three － dimensional modelling of in － furnace coal/coke combustion in a blast furnace.Fuel［J］.90，(2010)，2 P.728-738.

［14］McCulloch W S，Pitts W:A logical calculus of the idears immanent in nervous activity.Bulletion of Mathematical Biophysics［J］，1943(5):115-133.

［15］劉金餛，王樹青.高爐異常爐況神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)［J］.鋼鐵研究學(xué)報，1998，10(5):67-70.

［16］王玉濤，夏靖波，周建常，王師.高爐參數(shù)學(xué)習(xí)用模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)［J］.鋼鐵研究學(xué)報，1999，11(5):72-76.

［17］盧虎生，高斌，趙利國，國宏偉，楊天鈞.高爐爐況判斷神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)［J］.北京科技大學(xué)學(xué)報，2002，24(3):276-279.

［18］崔桂梅，甄常亮，關(guān)英輝，.基于支持向量機的高爐向涼、向熱爐況預(yù)測［J］.鋼鐵研究學(xué)報，2011，23(7):18-22.