高炉炼铁简化模型

高炉炼铁简化模型

侯淼1,2刘陈帅1,3吴广丽1,4郭小强1,5

1.华北理工大学数学建模创新实验室河北省唐山市063210

2.华北理工大学机械学院河北省唐山市063210

3.华北理工大学理学院河北省唐山市063210

4.华北理工大学信息工程学院河北省唐山市063210

5.华北理工大学理学院河北省唐山市063210

摘要：高炉炼铁是一个复杂的生产过程，影响冶炼结果的因素众多，其中冶炼的关键技术是控制高炉炉温的升降，铁水中的硅含量，以及硫的含量。基于高炉炼铁中过程的不可控性，通过数据挖掘中的BP神经网络来建立对硅的预测模型是可行的方法。

关键词：高炉炼铁；BP神经网络模型；曲线拟合

引言

钢铁冶炼是国民经济支柱性产业之一，质优价廉节能环保是发展的必然要求，高炉炼铁过程是一个高维的大数据时间序列，影响因素众多，但最终生产指标都与冶炼过程的一项控制性中间指标——炉温，即铁水含硅量[Si]（铁水含硅质量百分数）密切相关，准确预测[Si]时间序列关系着当前高炉各项操作参数的调控方向。因此，[Si]的准确预测控制建模成为冶炼过程优化与预测控制的关键技术。铁水质量也受多种因素影响，其中硫含量占重要地位，依据数据，假设铁水质量仅受硫含量影响且硫含量越低，质量水平越高。因此，如何优化调整以减少硫含量成为产品控制的关键因素。

1BP神经网络理论

BP神经网络是一种按照误差逆向传播算法来进行训练的多层次前馈网络。其能学习并存贮大量输入-输出模式的映射关系，其模型处理相关信息的基本原理为：输入信号xi通过其中间节点（即隐层点）作用于输出节点，经非线性变换，可产生输出信号Yk，如图1所示。最终经过反复学习、训练，来确定最小误差对应的权值和阈值。经过训练的BP神经网络模型能对类似的样本进行自行处理，输出误差最小的经过非线形转换的具体信息

2硅含量及炉温的预测

2.1数据初始化处理

为消除量纲的影响，对原始数据进行归一化处理，是数据分布在0-1的区间内。

2.2选取训练样本集及测试样本集

以[Si]-[S]-FL-PML的前八百组数据为输入层，相应下一组的[Si]为输出层，进行训练。一步预测：输入每组[Si]-[S]-FL-PML数据，每组数据可得到1个[Si]的值即为下一组中[Si]的预测值。二步预测：将一步预测中所得到的预测值代入相应想要预测的[Si]的位置，再选取本组剩余三个数据，以这4个量作为新的输入，来预测接下来一组的[Si]的值。

2.3BP神经网络参数设置

经过对数据进行初步的分析，基于神经网络的过拟合和欠拟合问题，建立包含12个隐层神经元，1个输出神经元的BP神经网络模型。其具体参数设置如下：

①tranferFcn属性：

‘logsig’的隐层和输出层均采用Sigmoid传输函数，‘traingdx’自适应以调整学习速率并附加动量因子梯度下降的反向传播算法训练函数。

②learn属性

采用‘learngdm’的附加动量因子的梯度下降来学习函数

③步长、步数、允许误差、学习速率

此次设置的BP神经网络中最大训练允许步数为1000步，并每间隔100步显示一次其训练结果，训练目标的最小误差为0.001，学习速率为0.05。

2.4神经网络训练

经过多次迭代运算，用网络训练出来的误差逐渐减小。当训练大约达到200次时网络开始收敛，在训练次数为995次时，网络状况达到最优。在训练过程中遇到效果不好的数据，网络都能将误差反馈给隐含层，再次依据误差来调整网络中的权值和阈值。

目标与输出之间的相关关系，由相关图表可以看出Fit直线与Y=T直线基本接近一致，表明网络内部输入与输出对应关系十分强烈。

2.5BP神经网络模型的检验与分析

成功训练神经网络后，得到神经网络模型。我们用余下两百组数据进行了预测与检验。作为下面模型的检验与分析。

一步预测：数据输入，每组数据可得到1个[Si]的值即为下一组中[Si]的预测值，与实际相对比即可。

二步预测：将一步预测中所得到的预测值代入相应想要预测的[Si]的位置，再选取本组剩余三个数据，以这4个量作为新的输入，得到并用来预测接下来一组的[Si]的值，并与实际比较即可。

选取后两百组作为检验样本，验证建立的BP神经网络模型的预测成功率。一步预测、二步预测数值成功率及炉温升降方向预测成功率为83.50%和52.26%由此可知一步预测的准确率无论是在数值成功率还是在炉温升降方向预测成功率都明显高于二步预测的准确率，由此可以说明[Si]的含量与其上一步的[Si]-[S]-FL-PML含量有十分紧密的关系，一步预测的误差会导致二步预测产生更大误差。因此，建议该模型主要用于一步预测。

3BP神经网络模型的评价推广及改进

模型的评价：本文提出了基于BP神经网络模型建模方法。首先针对数据的进行归一化处理，消除量纲的影响，得到建模所需的数据。然后设计神经网络，输入样本数据进行建模。最后通过仿真实验，验证了基于神经网络的模型精度可靠，能够为过程硅含量计算提供重要参数，实现高炉碳效从操作调整到状态变化进而改善指标的调控途径。

使用BP神经网络得到的模型具有高拟合度，实现了从输入层到输出层的合理映射，BP神经网络具有实现任何复杂非线性映射的功能，因此十分适合内部过程未知且十分复杂的高炉炼铁过程。

模型的推广：BP神经网络因其“学习能力”强，故其用途十分广泛，可用来预测天气，函数逼近，分类，模式识别等。

模型的改进：选取更多的数据作为训练集可提高其拟合精度，设置更多的隐藏神经元可模拟更复杂的非线性问题。

4曲线拟合模型

根据调查和研究，硫主要通过炉渣除去，根据已给的4个数据，在此忽略喷煤量与鼓风量对硫含量的影响，仅考虑[Si]对[S]的影响。根据题目数据，设[Si]为自变量，[S]为因变量，使用SPSS软件，采用曲线拟合模型寻找最优拟合情况。为使拟合效果最好，则应选取决定系数最大的数，硅与硫成倒数关系是拟合效果最好。

显然，在定义域内，此函数为单调递减函数，即硅的含量越多，硫的含量越少。因此在这里为了控制硫的含量，要求硅的含量越多越好。但当[Si]超过0.7时，再增加[Si]对[S]影响较小，因此认为一般情况下，只需把温度，即[Si]控住在0.7左右即可实现较高收益。

5结论

高炉炼铁是一个极其复杂的非线性过程，炼铁的实质应该是将Fe从铁矿石中还原出来，其中必然同时存在众多的固-固、气-固、液-固相反应，且因高炉的持续高温和其封闭性，导致不能直观的研究其内部发生的变化，不能确定各反应的实际进行情况。因此通过简化过程，简化步骤，减少反应物来建立理想模型以研究高炉炼铁反应是一种可行的办法。

参考文献

[1]戚健炼铁高炉的电气自动控制系统探究[J]2016119

[2]中国钢铁行业分析报告[D]，2013.8

[3]刘祥官,罗世华,刘元和,吴晓峰，高炉炼铁过程炉温的非线性混合控制[J]2006391-396