吳應(yīng)東

摘要：穩(wěn)定的爐溫是保證高爐順行、提高生鐵質(zhì)量和實(shí)現(xiàn)節(jié)能降耗的必要條件。針對高爐爐溫與鐵水含硫量、風(fēng)量和噴煤量存在的相關(guān)關(guān)系，利用2017年Mathorcup大學(xué)生數(shù)學(xué)建模挑戰(zhàn)賽A題所給數(shù)據(jù)，構(gòu)建一種BP神經(jīng)網(wǎng)絡(luò)爐溫預(yù)測模型，預(yù)測鐵水硅質(zhì)量分?jǐn)?shù)，以便更加全面地預(yù)測爐溫； 仿真結(jié)果表明，模型預(yù)測精度較高，可為高爐操作人員決策提供可靠依據(jù)。

關(guān)鍵詞：鋼鐵冶金；高爐爐溫；BP神經(jīng)網(wǎng)絡(luò)；爐溫預(yù)測；硅質(zhì)量分?jǐn)?shù)

中圖分類號：T 文獻(xiàn)標(biāo)志碼：A 文章編號：

0引言

實(shí)現(xiàn)鋼鐵冶金產(chǎn)業(yè)低耗、節(jié)能、綠色等目標(biāo)關(guān)鍵在于，將原來的生產(chǎn)過程中的反饋控制升級為預(yù)測控制，預(yù)測性地動態(tài)調(diào)整生產(chǎn)過程控制，獲得最佳生產(chǎn)效果。

以高爐冶煉優(yōu)質(zhì)鐵水為例，每經(jīng)過2小時就出渣、出鐵一次，并檢驗(yàn)鐵水、爐渣的成分。爐溫之間是有相關(guān)性的，可以進(jìn)行預(yù)測和控制。而完整的冶煉機(jī)理為復(fù)雜數(shù)學(xué)模型：

求解上述模型的最優(yōu)解是尚未解決的難題，煉鐵過程的終極生產(chǎn)指標(biāo)都與爐溫密切相關(guān)，[Si]的準(zhǔn)確性預(yù)測控制很重要。為此，本文選取影響爐溫的關(guān)鍵變量作模型輸入，并對樣本數(shù)據(jù)進(jìn)行預(yù)處理后，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，對爐溫進(jìn)行全面而準(zhǔn)確的預(yù)測以指導(dǎo)實(shí)際生產(chǎn)。

1數(shù)據(jù)預(yù)處理

變量選擇：本項(xiàng)目確定由鐵水含硅量[Si]、含硫量[S]、噴煤量PML和鼓風(fēng)量FL組成的數(shù)據(jù)庫作為數(shù)據(jù)挖掘的基礎(chǔ)。

異常數(shù)據(jù)剔除：本文采用3準(zhǔn)則對原始數(shù)據(jù)進(jìn)行異常數(shù)據(jù)的剔除。認(rèn)為偏差大于3的數(shù)值為異常數(shù)據(jù)。為變量樣本數(shù)據(jù)的方差

2 基于BP神經(jīng)網(wǎng)絡(luò)的爐溫預(yù)測建模

BP神經(jīng)網(wǎng)絡(luò)[1]是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，結(jié)構(gòu)簡單并具有求解高度非線性問題的能力。建立一個基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型質(zhì)量指標(biāo)[Si]的預(yù)測模型[2]，分別進(jìn)行一步預(yù)測和二步預(yù)測。過程一步預(yù)測是由上一爐的四項(xiàng)指標(biāo)預(yù)測下一爐的質(zhì)量指標(biāo)[Si]，二步預(yù)測是由上一爐的四項(xiàng)指標(biāo)預(yù)測出的下一爐的質(zhì)量指標(biāo)[Si]及實(shí)際的其他三項(xiàng)指標(biāo)預(yù)測下下一爐的質(zhì)量指標(biāo)[Si]。

2.1模型建立

選取前500組數(shù)據(jù)組成訓(xùn)練樣本集，后463組數(shù)據(jù)作為測試樣本集。分別用于神經(jīng)網(wǎng)絡(luò)[3]的訓(xùn)練與質(zhì)量指標(biāo)[Si]的一步預(yù)測[4]。

將鼓風(fēng)量、噴煤量、[S]、上一出鐵順序下的[Si]作為輸入變量，將下一出鐵順序下的[Si]作為因變量。

在隨機(jī)給定的初始權(quán)值、閾值下對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，依次進(jìn)行計(jì)算。

為測試樣本數(shù)（=463）；為實(shí)際值，為預(yù)測值。

3 結(jié)論

本文利用2017年Mathorcup大學(xué)生數(shù)學(xué)建模挑戰(zhàn)賽A題所給數(shù)據(jù)，構(gòu)建了一種BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，能夠預(yù)測鐵水硅質(zhì)量分?jǐn)?shù)。該爐溫預(yù)測模型能準(zhǔn)確地預(yù)測爐溫，保證高爐的順利運(yùn)行，同時為今后進(jìn)行爐溫表征規(guī)則的研究打下良好的基礎(chǔ)

參考文獻(xiàn) （References）

[1]崔桂梅，蔣召國，詹萬鵬，顧婧弘. 基于時間序列的神經(jīng)網(wǎng)絡(luò)高爐爐溫預(yù)測[J]. 冶金自動化，2015，（05）：15-21.

[2]畢學(xué)工. 高爐爐溫預(yù)報(bào)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)優(yōu)化的研究[A]. 中國金屬學(xué)會.2001中國鋼鐵年會論文集（上卷）[C].中國金屬學(xué)會：，2001：3.

[3]邱東，仝彩霞，朱里紅，陳爽，王龍山. 基于神經(jīng)網(wǎng)絡(luò)的高爐爐溫預(yù)測模型的研究[J]. 微計(jì)算機(jī)信息，2009，（14）：232-233+258.

[4]楊坤. 基于神經(jīng)網(wǎng)絡(luò)的高爐鐵水硅含量建模[D].燕山大學(xué)，2016.