轉爐冶煉造渣過程控制

轉爐冶煉造渣過程控制

通過半鋼扭轉爐的主要任務是干燥和提取金屬（半鋼），其成分（c、p、s等）在c、p、s等溫度下符合工藝要求。由于半鋼溫度低,[C]、[Si]元素少,需要通過造渣來彌補,所以造渣是半鋼煉鋼的重中之重。目前,關于造渣料計算方法的研究,主要有理論計算、數(shù)理統(tǒng)計、增量計算、BP神經(jīng)網(wǎng)絡4種方法。理論計算方法,是根據(jù)[Si]含量以及終渣堿度和w(MgO)的要求來計算造渣料的加入量;統(tǒng)計回歸方法,是由歷史數(shù)據(jù)回歸出造渣料加入量與其主要影響因素間的關系式;增量計算方法根據(jù)參考爐次信息與當前爐次信息的差值,對參考加入量進行調整后得到本爐次加入量;BP神經(jīng)網(wǎng)絡通過對歷史數(shù)據(jù)的學習,確定造渣料加入量與影響因素間的映射函數(shù)。以上4種方法在造渣料計算中都得到了不同程度的應用,但仍存在較多問題。理論計算方法以爐內物理化學變化機制為依據(jù),但其建立在諸多假設之上,計算精度不高,不適用于半鋼煉鋼過程;統(tǒng)計回歸方法簡單易用,但在反映造渣料加入量與其影響因素的非線性關系上存在不足;增量計算方法精度較高,但對參考爐次和人工經(jīng)驗的依賴性很大,不利于自動控制的實現(xiàn);BP神經(jīng)網(wǎng)絡模型具有良好的非線性映射能力和容錯能力,但無法很好地結合人工經(jīng)驗。在以上分析基礎上,本文建立了由石灰、高鎂石灰、復合渣3個BP神經(jīng)網(wǎng)絡計算模型組成的級聯(lián)BP神經(jīng)網(wǎng)絡模型,將人工經(jīng)驗與BP神經(jīng)網(wǎng)絡結合,克服了以上各模型存在的不足。1級聯(lián)式bp神經(jīng)網(wǎng)絡的構建BP神經(jīng)網(wǎng)絡通常都是1組輸入向量對應1組輸出向量,輸出向量間不存在關系。但在實際應用中經(jīng)常會發(fā)現(xiàn)輸出向量間也存在一定的有序關系。因此,針對不同的輸出變量,建立單獨的BP網(wǎng)絡子模型,并根據(jù)輸出向量間的關系將各子模型串聯(lián)起來,即構成級聯(lián)式BP神經(jīng)網(wǎng)絡,如圖1所示。子模型除具有共同的輸入向量外,上級子模型的輸出也將作為輸入,這樣可以很好地解決此類輸出變量間存在關系的問題,模型的應用效果也可以得到大大提高。2用轉爐法計算二次人工神經(jīng)網(wǎng)絡模型的級聯(lián)式人工網(wǎng)絡模型2.1造渣料加入量的確定針對半鋼煉鋼的特殊性,某鋼廠經(jīng)過多年不斷的試驗,在半鋼煉鋼生產(chǎn)實踐中已形成了具有自身特色的半鋼煉鋼造渣制度。該鋼廠現(xiàn)有5座120t的煉鋼轉爐,其選用的造渣料主要有石灰、高鎂石灰、復合渣。目前該鋼廠通過人工經(jīng)驗確定造渣料加入量。首先,由入爐金屬的硫、磷含量以及目標出鋼要求的硫、磷含量確定石灰的加入量;然后根據(jù)石灰的加入量,配加高鎂石灰;再根據(jù)石灰和高鎂石灰確定復合渣的加入量。由此可以看出,3種渣料加入量存在級聯(lián)關系,可通過級聯(lián)模型求解。理論分析知對造渣料加入量有影響的因素,主要包括入爐金屬量,入爐C、Si、P,目標出鋼P、S等。從歷史數(shù)據(jù)中,分析造渣料加入量與各影響因素的相關性,相關系數(shù)計算如式(1)所示。rXY=∑(X?X—)(Y?Y—)∑(X?X—)2?∑(Y?Y—)2√(1)rXY=∑(X-X—)(Y-Y—)∑(X-X—)2?∑(Y-Y—)2(1)式中:rXY表示變量X、Y的相關系數(shù);X—X—、Y—Y—表示變量X、Y的均值。計算結果如表1所示,選取相關系數(shù)較大的因素作為神經(jīng)網(wǎng)絡預測模型的輸入變量,見表2。2.2子神經(jīng)網(wǎng)絡模型的建立2.2.1神經(jīng)網(wǎng)絡模型的建立神經(jīng)網(wǎng)絡的性能與隱含層單元數(shù)的選取密切相關。隱含層節(jié)點數(shù)的選取與問題的實際要求、輸入和輸出節(jié)點數(shù)目有一定的聯(lián)系。隱含層節(jié)點數(shù)計算公式如式(2)。r=N+M??????√+δ(2)r=Ν+Μ+δ(2)式中:r為隱含層節(jié)點數(shù);M為輸入層節(jié)點數(shù);N為輸出層節(jié)點數(shù);δ為1～10之間的常數(shù)。選擇合適的傳遞函數(shù),完成從輸入到輸出的映射,可以提高神經(jīng)網(wǎng)絡的泛化能力。輸入到隱含層選擇正切S型tansig函數(shù),如式(3);隱含層到輸出層選擇對數(shù)S型lgsig傳遞函數(shù),如式(4)。f1(x)=ex?e?xex+e?x(3)f1(x)=11+e?x(4)f1(x)=ex-e-xex+e-x(3)f1(x)=11+e-x(4)2.2.2網(wǎng)絡權值調整標準的BP算法通常采用梯度下降的方法進行學習,隨著網(wǎng)絡實際輸出與期望輸出間誤差的逐漸減小,運算速度降低,并且容易陷入局部極小值。為了抑制學習過程中的振蕩,加快收斂速度,避免陷入局部最小的陷阱,在調整網(wǎng)絡權值時,采用添加動量因子的技術,權值調整的公式如式(5)。wk+1=wk+η(??E?wk)+θΔw(k?1)(5)wk+1=wk+η(-?E?wk)+θΔw(k-1)(5)式中:η為學習率;θ為動量因子,取值范圍為0<θ<1;E為網(wǎng)絡誤差,由式(6)計算。E(w)=12∑i(Tpi?Opi)2(6)E(w)=12∑i(Τpi-Οpi)2(6)式中:Tpi、Opi分別為第P個樣本目標輸出和網(wǎng)絡的實際計算輸出值。2.3復合渣計算模型的建立根據(jù)實際經(jīng)驗,建立由石灰子模型、高鎂石灰子模型和復合渣子模型3個子模型組成的級聯(lián)BP神經(jīng)網(wǎng)絡的造渣料計算模型,其結構如圖2所示。石灰加入量計算模型采用鋼廠的歷史數(shù)據(jù)進行學習,而高鎂石灰、復合渣計算模型的學習數(shù)據(jù)除了歷史數(shù)據(jù)外,還包括上級模型的輸出值。采用級聯(lián)的方式進行建模時,僅用BP網(wǎng)絡實際輸出與期望輸出的誤差均方值計算誤差,必將導致誤差的不斷累積。在各子模型的誤差函數(shù)中以一定比例加上其上級子模型輸出的誤差,以有效抑制誤差的累積。其實質是預知上級模型可能存在的誤差,以及此誤差對本級模型輸出的影響,進而調整本模型的輸出。石灰加入量計算模型是基于鋼廠歷史數(shù)據(jù)而建立,其輸入數(shù)據(jù)都是鋼廠造渣的實績數(shù)據(jù),因此其誤差計算公式仍采用常規(guī)的誤差均方值形式,如式(7)。E(w)sh=12∑i(T(pi)sh?O(pi)sh)2(7)E(w)sh=12∑i(Τ(pi)sh-Ο(pi)sh)2(7)高鎂石灰計算模型的輸入中包含石灰加入量計算模型的輸出,采用模型的實際計算值作為下一級模型的輸入進行學習,其誤差計算如式(8)。E(w)gmsh=12∑i((T(pi)gmsh?O(pi)gmsh)+α(T(pi)gmsh?O(pi)gmsh))2(8)E(w)gmsh=12∑i((Τ(pi)gmsh-Ο(pi)gmsh)+α(Τ(pi)gmsh-Ο(pi)gmsh))2(8)式中:α為系數(shù),反映高鎂石灰加入量對石灰加入量的靈敏度,通過試驗確定其取值。相應地,將石灰加入量計算模型、高鎂石灰計算模型實際的輸出結果作為復合渣計算模型的輸入進行學習,其誤差計算公式如式(9)。E(w)fhz=12∑i((T(pi)fhz?O(pi)fhz)+β(T(pi)sh?O(pi)sh)+γ(T(pi)gmsh?O(pi)gmsh))2(9)E(w)fhz=12∑i((Τ(pi)fhz-Ο(pi)fhz)+β(Τ(pi)sh-Ο(pi)sh)+γ(Τ(pi)gmsh-Ο(pi)gmsh))2(9)式中:β、γ為系數(shù),反映復合渣加入量對石灰、高鎂石灰加入量的靈敏度,通過試驗確定其取值。3模型建立與分析針對鋼廠轉爐半鋼煉鋼的實際情況,理論分析了其造渣過程,分別構建了造渣料計算的機制模型、統(tǒng)計模型和級聯(lián)BP神經(jīng)網(wǎng)絡模型。機制模型由P、S分配系數(shù)確定總渣量,再根據(jù)終渣要求計算各造渣料的加入量;統(tǒng)計模型首先確定造渣料加入量的影響因素,再由此構建計算公式,回歸確定方程系數(shù),直接使用公式計算造渣料加入量;級聯(lián)BP神經(jīng)網(wǎng)絡模型按前述方式構建。從該鋼廠3號轉爐2009年4月至2010年3月的生產(chǎn)數(shù)據(jù)中選出4371爐完整數(shù)據(jù),90%的數(shù)據(jù)用于統(tǒng)計模型和級聯(lián)模型的建立,10%的數(shù)據(jù)用于對模型效果的驗證。其中,在級聯(lián)模型中,取η=0.8,θ=0.95,α=0.5,β=0.4,γ=0.3,α、β、γ的取值是通過多次試驗得出的。將各模型計算結果與實際加入量比較,效果如表3所示。表中:ξ=PN?Nξ=ΡΝ?Ν為測試總爐數(shù),P為計算值與實際值差值絕對值小于400kg的爐數(shù)。對比3個模型的應用效果,級聯(lián)BP神經(jīng)網(wǎng)絡模型的應用效果明顯優(yōu)于機制和統(tǒng)計模型。4造