邱 東,張 楠,趙晨旭,戴文娟

（長(zhǎng)春工業(yè)大學(xué)電氣與電子工程學(xué)院，吉林 長(zhǎng)春 130012）

基于灰色神經(jīng)網(wǎng)絡(luò)的中低碳鉻鐵終點(diǎn)硫含量預(yù)報(bào)模型研究

邱 東,張 楠,趙晨旭,戴文娟

（長(zhǎng)春工業(yè)大學(xué)電氣與電子工程學(xué)院，吉林 長(zhǎng)春 130012）

針對(duì)復(fù)吹轉(zhuǎn)爐冶煉中低碳鉻鐵終點(diǎn)硫含量在線監(jiān)測(cè)困難、取樣檢測(cè)無(wú)法實(shí)時(shí)指導(dǎo)生產(chǎn)的現(xiàn)狀，考慮影響終點(diǎn)硫含量的供氧強(qiáng)度、鐵水溫度等因素，采用以灰色預(yù)報(bào)模型結(jié)合BP神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)中低碳鉻鐵終點(diǎn)硫含量的預(yù)報(bào)。仿真實(shí)驗(yàn)表明：中低碳鉻鐵終點(diǎn)硫含量預(yù)報(bào)絕對(duì)誤差值在±0.004%以內(nèi)的命中率為95%，相對(duì)誤差值在15%以內(nèi)的命中率達(dá)到85%，驗(yàn)證了該預(yù)報(bào)模型的有效性。

轉(zhuǎn)爐冶煉；灰色預(yù)報(bào)；BP神經(jīng)網(wǎng)絡(luò)；硫含量；預(yù)報(bào)模型

0 引 言

目前中低碳鉻鐵的冶煉方法主要有電硅熱法和高碳鉻鐵精煉法兩種。傳統(tǒng)的電硅熱法是利用3臺(tái)電爐，第1臺(tái)用來(lái)生產(chǎn)碳素鉻鐵；然后以碳素鉻鐵為原料在第2臺(tái)上生產(chǎn)硅鉻合金；再以硅鉻合金為原料在第3臺(tái)上生產(chǎn)出中、低、微碳鉻鐵[1]。而轉(zhuǎn)爐法冶煉中低碳鉻鐵是直接把來(lái)自還原電爐的高碳鉻鐵水兌入轉(zhuǎn)爐中，再經(jīng)吹氧脫碳精煉，完成脫碳保鉻任務(wù)，獲得中低碳鉻鐵。后者具有流程短、成本低、產(chǎn)率大、冶煉電耗低、金屬回收率高和基建投資省等一系列優(yōu)點(diǎn)，被廣泛應(yīng)用。

為了滿足鋼材的低溫韌性、高強(qiáng)度、優(yōu)良的冷成型性和精準(zhǔn)的焊接性等市場(chǎng)要求，世界各大鋼鐵工業(yè)都在不斷地努力通過(guò)降低鋼中雜質(zhì)（特別是硫含量）

的途徑來(lái)提高產(chǎn)品質(zhì)量。印度的Amlan Datta等[2]開發(fā)出人工神經(jīng)網(wǎng)絡(luò)模型用來(lái)預(yù)測(cè)預(yù)處理中鐵水的硫含量，現(xiàn)場(chǎng)預(yù)測(cè)得到的結(jié)果與實(shí)測(cè)結(jié)果吻合度相對(duì)提高；針對(duì)鞍鋼鐵水罐噴吹CaO+Mg粉劑復(fù)合脫硫過(guò)程，東北大學(xué)的戰(zhàn)東平等[3]建立了鞍鋼鐵水脫硫神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型；結(jié)合武鋼鐵水KR脫硫過(guò)程，武漢科技大學(xué)的但斌斌、陳奎生、張華等人建立了關(guān)于脫硫工藝參數(shù)的預(yù)報(bào)模型[4]。目前冶煉中低碳鉻鐵的終點(diǎn)預(yù)報(bào)主要是針對(duì)終點(diǎn)溫度及碳含量，直接對(duì)硫含量的預(yù)報(bào)研究尚不深入。

本文針對(duì)轉(zhuǎn)爐冶煉中低碳鉻鐵脫硫的工藝過(guò)程，確定終點(diǎn)硫含量主要影響因素，并通過(guò)對(duì)現(xiàn)場(chǎng)采集數(shù)據(jù)的處理，以灰色模型預(yù)報(bào)的硫含量值作為BP神經(jīng)網(wǎng)絡(luò)建立模型的輸入量，兩種算法結(jié)合得到復(fù)吹轉(zhuǎn)爐冶煉中低碳鉻鐵終點(diǎn)硫含量。

1 脫硫反應(yīng)

脫硫的過(guò)程是使硫與其他元素或化合物生成某種硫的化合物，復(fù)合吹煉低碳鉻鐵過(guò)程中，一部分為爐渣脫硫：

一部分為氣化脫硫：

在冶煉中低碳鉻鐵時(shí)，硫的變化可以分為3個(gè)時(shí)期，其中脫硫主要在中期和后期。吹煉前期：由于吹煉剛剛進(jìn)行，熔池溫度低，石灰成渣較少，渣中氧化鐵含量高，鐵水脫硫渣和加入的造渣材料可能造成硫含量增加。吹煉中期：碳氧反應(yīng)劇烈，熔池溫度已經(jīng)升高，爐渣也基本化好，同時(shí)堿度降低，脫硫效果達(dá)到最好的階段。吹煉后期：脫碳速率減慢，熔池溫度沒(méi)有降低，石灰的溶解量仍然很大，爐渣堿度高，依舊有利于脫硫反應(yīng)的進(jìn)行[5]。

綜上分析影響終點(diǎn)硫含量的因素包括爐溫、鉻鐵中的堿性物質(zhì)含量、金屬成分和含氧量等。

2 灰色預(yù)測(cè)模型建立及仿真

灰色系統(tǒng)是指有一部分信息是已知的，有一部分信息是未知的系統(tǒng)。灰數(shù)的生成是尋找一定的規(guī)律，把無(wú)規(guī)律的初始數(shù)據(jù)生成具有較強(qiáng)規(guī)律性的數(shù)據(jù)序列。導(dǎo)致硫成分變化的因素很多，但已知的卻有很多是不確定的。因此，可以通過(guò)灰色系統(tǒng)建模?；疑A(yù)測(cè)GM（1，1）模型的建模步驟如下：

（1）采取11組現(xiàn)場(chǎng)實(shí)測(cè)終點(diǎn)硫含量值，建立硫含量數(shù)據(jù)時(shí)間序列：

（2）級(jí)比檢驗(yàn)，模型進(jìn)行可行性分析級(jí)比

級(jí)比判斷：

σ（k）∈對(duì)所有的σ（k）∈[0.846，1.166]，k=2，3，…，11，故可以對(duì)x（0）作滿意的GM（1，1）建模。

（3）利用GM（1，1）建模

設(shè)時(shí)間序列x（0）有11個(gè)觀察值，x（0）={x（0）（1），x（0）（2），…，x（0）（11）}，通過(guò)累加：

生成新序列x（1）相應(yīng)的微分方程為

式中：a——發(fā)展系數(shù)；

u——內(nèi)生控制灰數(shù)。

模型的時(shí)間響應(yīng)序列：

累減一次，得預(yù)測(cè)值如下：

3 神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型

人工神經(jīng)網(wǎng)絡(luò)作為一種新興的、功能強(qiáng)大的信息處理高級(jí)算法，屬于隱式模型，有自適應(yīng)、自組織能力，還具有高度的非線性，研究表明該算法適用于非線性的轉(zhuǎn)爐冶煉生產(chǎn)過(guò)程[6-9]。

3.1 模型輸入/輸出

基于鐵合金冶煉的生產(chǎn)工藝和對(duì)冶煉機(jī)理的分析，結(jié)合現(xiàn)場(chǎng)收集的生產(chǎn)數(shù)據(jù)，選取影響終點(diǎn)硫含量變化的主要因素為輸入量：高碳鉻鐵鐵水重量，供氧強(qiáng)度，供氮強(qiáng)度，鉻礦重量，石灰石重量，硅鐵重量，爐渣量，初始硫含量，初始碳含量，初始磷含量，鐵水溫度，吹煉時(shí)間和出爐溫度，選取終點(diǎn)硫含量為輸出量。

3.2 數(shù)據(jù)預(yù)處理

考慮到數(shù)據(jù)樣本輸入數(shù)據(jù)的單位和量綱不一致，一些輸入量的絕對(duì)值相差很大，在模型建立學(xué)習(xí)之前，對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，歸一化公式為

式中：x——變量的值；

νmax，νmin——變量的最大值和最小值。

數(shù)據(jù)經(jīng)過(guò)歸一化處理之后，所有的變量值都在0～1之間，滿足訓(xùn)練和測(cè)試要求，處理后的部分?jǐn)?shù)據(jù)如下：

3.3 模型的優(yōu)化與訓(xùn)練

粒子群算法能記憶個(gè)體和全局最優(yōu)信息，并且沒(méi)有太多參數(shù)需要調(diào)整，更簡(jiǎn)單和容易實(shí)現(xiàn)。將粒子群算法與誤差反向傳播算法結(jié)合，不僅能很好地發(fā)揮神經(jīng)網(wǎng)絡(luò)的泛化映射能力，還能有效提高它的收斂速度及學(xué)習(xí)能力，而且不需要借助問(wèn)題的特征信息。所以采用粒子群算法優(yōu)化出一組神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，即網(wǎng)絡(luò)訓(xùn)練的初始權(quán)值和閾值，然后進(jìn)入BP網(wǎng)絡(luò)的學(xué)習(xí)預(yù)測(cè)環(huán)節(jié)，訓(xùn)練流程如圖1所示。

4 模型組合與仿真

工程實(shí)際中，影響冶煉終點(diǎn)硫含量的因素很多，建立的終點(diǎn)硫含量的灰色系統(tǒng)模型實(shí)際上僅考慮了非定量因素（爐壁侵蝕度，化學(xué)反應(yīng)強(qiáng)度等）對(duì)硫含量的綜合影響，而建立的神經(jīng)網(wǎng)絡(luò)模型忽略了非定量因素。兩個(gè)模型并沒(méi)有完全反映出每個(gè)輸入量的具體影響效果，而每個(gè)因素對(duì)硫含量的影響程度和規(guī)律不同。為了增強(qiáng)預(yù)測(cè)能力、提高預(yù)測(cè)精度，把灰色模型和神經(jīng)網(wǎng)絡(luò)模型結(jié)合起來(lái)進(jìn)行分析和預(yù)測(cè)，具體步驟如下：

（1）建立灰色模型，用灰色模型計(jì)算得到硫含量預(yù)測(cè)值；

（2）把灰色模型硫含量預(yù)測(cè)值與神經(jīng)網(wǎng)絡(luò)模型的其他輸入量結(jié)合起來(lái)作為輸入量訓(xùn)練神經(jīng)網(wǎng)絡(luò)，模型結(jié)構(gòu)圖如圖2所示。

以中鋼吉鐵公司中低碳鉻鐵807#5t轉(zhuǎn)爐的100爐現(xiàn)場(chǎng)實(shí)測(cè)樣本對(duì)模型進(jìn)行訓(xùn)練和預(yù)報(bào)，取前60爐數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，之后的20爐進(jìn)行驗(yàn)證，對(duì)剩余20爐進(jìn)行預(yù)報(bào)。得到終點(diǎn)硫含量預(yù)測(cè)值與現(xiàn)場(chǎng)實(shí)測(cè)值如表1所示，仿真結(jié)果和誤差如圖3所示。

從仿真結(jié)果可以看出，終點(diǎn)硫預(yù)報(bào)模型相對(duì)誤差值＜15%時(shí)，命中率達(dá)85%，絕對(duì)誤差值＜±0.004%時(shí)，命中率達(dá)到95%。仿真結(jié)果表明，利用此模型得到的預(yù)測(cè)結(jié)果與實(shí)際值比較接近，預(yù)報(bào)精度較高，具有重要的實(shí)際生產(chǎn)指導(dǎo)意義。

5 結(jié)束語(yǔ)

考慮冶煉終點(diǎn)硫含量既受定量因素的影響，又受非定量因素的影響，建立了灰色與神經(jīng)網(wǎng)絡(luò)組合預(yù)報(bào)模型，結(jié)合中鋼吉鐵公司中低碳鉻鐵807#5t轉(zhuǎn)爐的實(shí)際數(shù)據(jù)，對(duì)模型進(jìn)行訓(xùn)練和預(yù)報(bào)，結(jié)果表明組合預(yù)報(bào)模型達(dá)到理想預(yù)報(bào)效果。隨著訓(xùn)練樣本的增加和模型結(jié)構(gòu)的進(jìn)一步優(yōu)化和完善，終點(diǎn)硫含量的組合預(yù)報(bào)模型能為冶金生產(chǎn)提供實(shí)時(shí)、準(zhǔn)確的工藝操作指導(dǎo)信息，縮短冶煉周期，提高轉(zhuǎn)爐的生產(chǎn)能力，具有很好的應(yīng)用前景。

[1]賈振海.氬氧爐生產(chǎn)中低微碳鉻鐵的新工藝[J].鐵合金，2005（2）：11-16.

[2]Amlna D，MavooriH，Perm K.Adaptive neural net models for desulfurization of hot metal and steel[J]. Steel Research，1994，65（11）：466-471.

[3]Zhan D P，Zhang H S，Jiang Z H.Prediction model ofmagnesium powderconsumption duringhotmetal pre-desulfurization[C]∥ Magnesium Technology Symposium，2009（2）：51-55.

[4]但斌斌，陳奎生，張華，等.基于神經(jīng)網(wǎng)絡(luò)的鐵水KR脫硫預(yù)報(bào)模型[J].計(jì)算機(jī)應(yīng)用與軟件，2011，28（1）：118-120.

[5]呂俊杰，游洪濱，田繼成，等.高碳鉻鐵冶煉脫硫的實(shí)踐[J].鐵合金，2005（1）：22-25.

[6]Tathavadkarv S.Predicting the performance of submerged arc furnace with varied raw material combinations using artificial neural network[J].Journal of Materials Processing Technology，2007（183）：111-116.

[7]胡敏藝，馬榮駿.神經(jīng)網(wǎng)絡(luò)在冶金工業(yè)中的應(yīng)用[J].湖南有色金屬，2000，16（9）：16-19.

[8]王煒，陳畏林，葉勇，等.神經(jīng)網(wǎng)絡(luò)在高爐鐵水硫含量預(yù)報(bào)中的應(yīng)用[J].鋼鐵，2006，41（10）：19-22.

[9]李光輝，劉青.轉(zhuǎn)爐煉鋼過(guò)程工藝控制的發(fā)展與展望[J].鋼鐵研究學(xué)報(bào)，2013，25（1）：1-4.

Research on prediction model of medium-low carbon ferrochrome sulfur end-point content based on gray neural network

QIU Dong，ZHANG Nan，ZHAO Chen-xu，DAI Wen-juan
（Department of Electrical and Electronic Engineering，Changchun University of Technology，Changchun 130012，China）

It was difficult to detect sulfur end-point content through on-line measurement in the medium-low carbon ferrochrome combined-blowing converter and hardly to guide production in real time through sampling and inspection.Considering the impaction of the sulfur endpoint content of oxygen intensity，temperature of hot metal and other factors and combining the grey model with BP neural network prediction model，the prediction of medium-low carbon ferrochrome sulfur endpoint content was realized.The simulation results indicated that the prediction hitting rate of the sulfur endpoint content in the low-carbon ferrochrome was 95%when the absolute error was less than 0.004%，and the heating rate was 85%when the relative error was less than 15%.Thus，the validity of the prediction model was proved.

converter smelting；gray prediction；BP neural network；sulfur content；prediction model

TG144；TF763+.3；TF111.14+5；TP274

：A

：1674-5124（2014）04-0067-04

10.11857/j.issn.1674-5124.2014.04.017

2013-08-05；

：2013-10-11

吉林省科技發(fā)展計(jì)劃項(xiàng)目（20120420）

邱 東（1969-），男，吉林長(zhǎng)春市人，副教授，博士，研究方向?yàn)橹悄軠y(cè)試技術(shù)。