一種基于神經網絡的煉鋼終點預測方法
【專利摘要】本發明涉及一種基于神經網絡的煉鋼終點預測方法，本發明中通過神經網絡代替人工經驗來預測中小轉爐煉鋼的終點，通過采集多組生產參數作為自變量，通過光纖采集轉爐內部的火焰溫度信息和火焰光譜信息作為自變量，以多組來訓練三層BP神經網絡，采用MIV對自變量進行篩選，選出對終點影響較大的自變量作為輸入參數，選取待測轉爐的輸入參數，輸入到訓練好的神經網絡中，得出預測的轉爐終點溫度和終點碳含量；本發明克服了中小轉爐煉鋼終點人工經驗預測的不足，利用光纖傳到精確測定了轉爐內部的火焰信息，能夠得到較為準確的神經網絡。
【專利說明】
一種基于神經網絡的煉鋼終點預測方法
技術領域
[0001 ]本發明涉及煉鋼自動化控制領域，更具體地說，涉及一種轉爐煉鋼終點預測方法。
【背景技術】
[0002]轉爐煉鋼中煉鋼終點控制是轉爐煉鋼的關鍵技術之一，而轉爐煉鋼產鋼量占總產鋼量的80%以上。在大中型重點鋼鐵企業轉爐鋼產量占主導地位，因此提高完善轉爐煉鋼的生產能力與控制水平一直受到人們的重視。轉爐煉鋼是十分復雜的冶金反應過程，影響因素很多。為了實現轉爐冶煉過程的自動控制，國內外開發了許多檢測技術，常用的方法主要有人工經驗法、化學分析法、靜態終點控制、副槍法、爐氣分析法等。
[0003]轉爐煉鋼是一個非常復雜的過程，轉爐吹煉的終點控制是轉爐吹煉末期的重要操作，通常總是盡可能提前讓磷、硫去除到終點所要求的范圍內，故終點控制簡要為碳質量分數和溫度的控制。目前在中國中小轉爐采用的人工經驗控制和傳統的靜態模型很難達到要求的控制精度。而隨著人們對鋼的質量要求的提高，勢必要求采用有效的控制技術以提高轉爐冶煉水平。目前，日本和歐美一些大型工廠在靜態模型的基礎上，輔以副槍、爐氣分析、光學探頭和爐渣在線檢測等手段，成功地實現了轉爐全程動態控制自動化煉鋼。然而，化學分析法的測量時間遠遠不能滿足冶煉過程控制的實時性要求，且在取樣時存在噴濺的事故。副槍法終點命中率尚，但價格昂貴，同時探頭屬于消耗品，不能連續獲取吹煉?目息，對爐容要求高，一般只適合于10t以上轉爐。目前，爐氣分析儀和副槍等裝置僅在一些大型鋼廠所使用。目前國內約有60%以上的鐵水是通過中小型轉爐進行吹煉的，由于爐口尺寸的限制，難以采用副槍等自動化設備，仍然采用人工看火的經驗控制方式，導致控制精度較低。
[0004]過程控制中常用的建模方法基本可以分為三大類:白箱模型(機理模型)、黑箱模型(統計模型)、灰箱模型(機理和統計相結合的模型)。由于復雜過程的機理模型很難建立，基于精確數學模型的傳統優化控制技術往往很難在實際生產中得到應用。隨著現代工業生產裝置的大型化、綜合化、復雜化，工業對象存在非線性、不確定性、大時滯、參數分布性和時變性，過程建模難度增大，需要綜合運用控制理論、信息處理、現代統計理論和優化技術來實現流程工業過程建模。人工智能方法近年來在很多實際問題中的成功應用使得研究者們紛紛將其引入到煉鋼過程中來，期待能夠替代機理模型對煉鋼過程進行準確的預測和控制。由于神經網絡方法具有的對非線性過程擬合的能力以及易實現性，許多學者已經將其用于對轉爐煉鋼過程的建模，并取得了一定的成功。
[0005]人工神經網絡(Artificial Neural Networks)也簡稱為神經網絡(NNs)或稱作連接模型(Connect1n Model)，是指在信息和計算機科學等領域內向生物學習過程中而構造的神經網絡。它是一種模仿人腦神經網絡行為特征，由大量神經元廣泛互聯而成為一種復雜網絡系統，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。
[0006]專利文獻2004100568923中公開了采用人工神經網絡來預測轉爐煉鋼終點溫度和含碳量的技術方案，但是存在的問題是，訓練神經網絡的參數較雜不夠精確，導致得到的神經網絡會存在比較大的預測誤差。影響轉爐終點碳含量和溫度的因素有很多，專利文獻2011103240380中公開采用爐口火焰信息為主要參數，結合其他參數共同訓練神經網絡，來預測轉爐終點的碳含量和溫度，該文獻中存在火焰信息獲取不夠精確的問題，導致預測誤差偏大。
【發明內容】
[0007]有鑒于此，本發明提供了一種基于神經網絡的煉鋼終點預測方法，采用精確采集的火焰信息和其他生產參數信息作為變量，以實現提高控制精度和命中率，提高轉爐生產效率、產品質量的目的。本發明技術方案如下:
一種基于神經網絡的煉鋼終點預測方法，包括:通過生產設備采集多組轉爐煉鋼中的參數信息，所述參數信息包括鐵水的重量、鐵水的溫度、碳含量、廢鋼質量、氧槍吹氧時間、氧槍位置和吹氧量;在轉爐側壁設置通氣孔，通過光纖獲得轉爐內部的火焰信息，所述火焰信息包括光譜信息和溫度信息；
將所述鐵水的重量、鐵水的溫度、碳含量、氧槍吹氧時間、吹氧量、火焰光譜信息和火焰溫度信息作為自變量，利用所述自變量構成訓練樣本；
建立三層BP神經網絡，利用所述訓練樣本對建立的BP神經網絡進行訓練，將所述訓練樣本輸入到三層BP神經網絡，計算得到終點溫度和終點碳含量，將計算得到終點溫度和終點碳含量與實際測量的終點溫度和終點碳含量對比，直至計算值與實際值的相差足夠小或為零，從而確定三層BP神經網絡的中間層權值和閾值；
采用MIV算法對所有的所述自變量進行篩選，篩選出對預測結果的影響程度達到預設標準的自變量;將所述神經網絡將篩選出的對所述預測結果的影響程度達到預設標準的自變量作為輸入參數；
選取待預測煉鋼轉爐的輸入參數，輸入到訓練好的BP神經網絡中，神經網絡給出對轉爐煉鋼終點的預測結果;所述轉爐煉鋼終點包括終點時間、碳含量和鋼水溫度。
[0008]進一步的，三層BP神經網絡包括輸入層、中間層和輸出層。
[0009]進一步的，光纖將轉爐內部的火焰信息傳送給光譜分析模塊和圖像處理模塊。
[0010]進一步的，光譜分析模塊包括光譜分析儀，光譜分析模塊分析給出轉爐內部的火焰光譜信息數據。
[0011 ]進一步的，圖像處理模塊包括分光模塊和CCD，通過分離處理光纖到處的轉爐內部火焰信息，將分離出的紅外光導入CCD，將采集到的照片利用比色測溫法測得轉爐內的火焰溫度信息數據。
[0012]進一步的，選取300-500爐次的數據作為訓練樣本。
[0013]進一步的，碳含量預測結果的影響程度達到預設標準的自變量包括:火焰溫度、火焰光譜信息、吹氧量、氧槍吹氧時間。
[0014]進一步的，每三個月定期檢測，當轉爐終點的預測結果與實際偏差大于預定值時，采集煉鋼轉爐的參數信息作為訓練樣本，重新訓練三層BP神經網絡。
[0015]本發明的有益效果是:采用神經網絡建立轉爐煉鋼終點預測模型，克服了中小轉爐煉鋼終點人工經驗預測的不足，更精確的預測轉爐煉鋼的終點；利用光纖傳到精確測定了轉爐內部的火焰信息，將精確測得的參數信息用于神經網絡的訓練，使BP神經網絡預測誤差小，能夠較為精確的預測轉爐煉鋼的終點溫度和終點含碳量信息。
【附圖說明】
[0016]圖1為本發明實施例轉爐煉鋼終點預測的流程圖。
【具體實施方式】
[0017]下面結合附圖以實施例的方式詳細描述本發明。
[0018]如圖1所示，是本發明實施例基于神經網絡的轉爐煉鋼終點預測的流程圖。該方法包括:
S1、采集多組轉爐煉鋼中的參數信息，參數信息包括鐵水的重量、鐵水的溫度、碳含量、廢鋼質量、氧槍吹氧時間、氧槍位置和吹氧量;這些參數通過生產設備直接獲取。由于轉爐中鋼水表明反應劇烈，并且有爐渣覆蓋，常規的直接從爐口采集得到的火焰信息并不準確，因此本實施例中通過在轉爐側壁設置一個通風口，在通風口出設置有光在轉爐側壁設置通氣孔，通過光纖獲得轉爐內部的火焰信息，火焰信息包括光譜信息和溫度信息;光纖帶有耐高溫、高透光的材料，例如石英玻璃、透明陶瓷等。
[0019]S2、將鐵水的重量、鐵水的溫度、碳含量、氧槍吹氧時間、吹氧量、火焰光譜信息和火焰溫度信息作為自變量，利用所述自變量構成訓練樣本；
建立三層BP神經網絡，選取300-500爐子的參數數據作為訓練樣本對建立的BP神經網絡進行訓練。本實施例中優選400組轉爐參數數據對三層BP神經網絡進行訓練。轉爐的參數檢測存在誤差，選取的數據過少，存在一定的隨機性，這樣訓練得到的神經網絡誤差就會比較大，對終點預測的誤差也會很大;選取的轉爐數據過多會引入不必要的數據偏差，因為選取了過多數據，出現偏差很大數據點的概率就會提高，容易引起訓練神經網絡的偏差，且選取過多的數據，會增加工作量。經過多次試驗證明，采用300-500組的參數數據訓練得到神經網絡誤差最小。給中間層權值和閾值賦較小的初始值。將訓練樣本輸入到三層BP神經網絡，計算得到終點溫度和終點碳含量，將計算得到終點溫度和終點碳含量與實際測量的終點溫度和終點碳含量對比，根據計算值與實際值的差值調整中間層權值和閾值的大小，重復訓練步驟，直至計算值與實際值的相差足夠小或為零，從而確定三層BP神經網絡的中間層權值和閾值;得到訓練好的三層BP人工神經網絡。
[0020]S3、對上述訓練樣本中的每一自變量進行MIV值計算;MIV值計算又包括:
1、將待計算MIV值的自變量對應的原值S分別加/減￡1%3，構成新的訓練樣本Pl和P2 ;也即，訓練樣本Pl中包括其他自變量的原值，以及待計算MIV值的自變量對應的值S-a%S，而訓練樣本P2中包括其他自變量對應的原值，以及待計算MIV值的自變量對應的值
S+a%So
[0021]2、將Pl和P2分別作為仿真樣本利用上述訓練后得到的神經網絡進行仿真預測，得到兩個仿真預測結果Al和A2 ;
3、求出Al和A2的差值，作為變動自變量后對輸出產生的影響變化值IV;
4、將IV按觀測例數平均得出待計算MIV值的自變量對應的MIV值。
[0022]5、根據MIV值的絕對值的大小對自變量進行排序(MIV值的絕對值越大，表示其影響程度越大)，選取絕對值達到預設值的自變量。上述預設值與預設標準相對應。
[0023]將所述神經網絡將篩選出的對所述預測結果的影響程度達到預設標準的自變量作為輸入參數；
篩選出的自變量可用于指導采集步驟，簡化所采集的信息種類。節約時間、資源和人力成本。
[0024]S4、選取待預測煉鋼轉爐的輸入參數，輸入到訓練好的BP神經網絡中，神經網絡給出對轉爐煉鋼終點的預測結果;轉爐煉鋼終點包括終點時間、碳含量和鋼水溫度。
[0025]S5、每三個月定期檢測，當轉爐終點的預測結果與實際偏差較大時，采集煉鋼轉爐的參數信息作為訓練樣本，重新訓練三層BP神經網絡。當煉鋼轉爐使用一段時間后，轉爐的各種生產參數都會發生一定程度的變化，從而使BP神經網絡的預測產生偏差，因此定期檢測，檢驗神經網絡預測終點值與實際值的誤差，若誤差過大，大于預定值，則重新采集數據，重新訓練三層BP神經網絡，可以確保神經網絡對轉爐終點預測的準確性。
[0026]本發明采用神經網絡建立轉爐煉鋼終點預測模型，克服了中小轉爐煉鋼終點人工經驗預測的不足，更精確的預測轉爐煉鋼的終點；利用光纖傳到精確測定了轉爐內部的火焰信息，將精確測得的參數信息用于神經網絡的訓練，使BP神經網絡預測誤差小，能夠較為精確的預測轉爐煉鋼的終點溫度和終點含碳量信息;采用300-500組的轉爐數據信息作為訓練樣本訓練三層BP神經網絡，能夠得到較為準確的神經網絡；采用MIV算法篩除了對終點預測作用較小的自變量，提高了效率，減少了數據采集的工作量;通過定期檢驗BP神經網絡終點預測值與實際測量值的誤差，及時調整，重新訓練神經網絡，保證了神經網絡預測的準確性。
【主權項】
1.一種基于神經網絡的煉鋼終點預測方法，其特征在于，包括:通過生產設備采集多組轉爐煉鋼中的參數信息，所述參數信息包括鐵水的重量、鐵水的溫度、碳含量、廢鋼質量、氧槍吹氧時間、氧槍位置和吹氧量;在轉爐側壁設置通氣孔，通過光纖獲得轉爐內部的火焰信息，所述火焰信息包括光譜信息和溫度信息； 將所述鐵水的重量、鐵水的溫度、碳含量、氧槍吹氧時間、吹氧量、火焰光譜信息和火焰溫度信息作為自變量，利用所述自變量構成訓練樣本； 建立三層BP神經網絡，利用所述訓練樣本對建立的BP神經網絡進行訓練，將所述訓練樣本輸入到三層BP神經網絡，計算得到終點溫度和終點碳含量，將計算得到終點溫度和終點碳含量與實際測量的終點溫度和終點碳含量對比，直至計算值與實際值的相差足夠小或為零，從而確定三層BP神經網絡的中間層權值和閾值； 采用MIV算法對所有的所述自變量進行篩選，篩選出對預測結果的影響程度達到預設標準的自變量;將所述神經網絡將篩選出的對所述預測結果的影響程度達到預設標準的自變量作為輸入參數； 選取待預測煉鋼轉爐的輸入參數，輸入到訓練好的BP神經網絡中，神經網絡給出對轉爐煉鋼終點的預測結果;所述轉爐煉鋼終點包括碳含量和鋼水溫度。2.根據權利要求1所述的預測方法，其特征在于，所述三層BP神經網絡包括輸入層、中間層和輸出層。3.根據權利要求2所述的預測方法，其特征在于，所述光纖將轉爐內部的火焰信息傳送給光譜分析模塊和圖像處理模塊。4.根據權利要求3所述的預測方法，其特征在于，所述光譜分析模塊包括光譜分析儀，光譜分析模塊分析給出轉爐內部的火焰光譜信息數據。5.根據權利要求4所述的預測方法，其特征在于，所述圖像處理模塊包括分光模塊和CCD，通過分離處理光纖到處的轉爐內部火焰信息，將分離出的紅外光導入CCD，將采集到的照片利用比色測溫法測得轉爐內的火焰溫度信息數據。6.根據權利要求1-5任一項所述的預測方法，其特征在于，選取300-500爐次的數據作為訓練樣本。7.根據權利要求6所述的預測方法，其特征在于，所述碳含量預測結果的影響程度達到預設標準的自變量包括:火焰溫度、火焰光譜信息、吹氧量、氧槍吹氧時間。8.根據權利要求7所述的預測方法，其特征在于，每三個月定期檢測，當轉爐終點的預測結果與實際偏差大于預定值時，采集煉鋼轉爐的參數信息作為訓練樣本，重新訓練三層BP神經網絡。
【文檔編號】G06N3/02GK105925750SQ201610314715
【公開日】2016年9月7日
【申請日】2016年5月13日
【發明人】宋亮, 牛玉俊, 曾鑠寓, 牛子昱, 刁天博, 彭民工
【申請人】南陽理工學院