銅轉爐吹煉終點預報模型研究

摘要：銅轉爐吹煉終點預報是轉爐生產的一個重要環節，直接影響轉爐的生產效益。其吹煉工藝相當復雜，影響生產因素眾多且因素之間相互耦合，使得用來預測吹煉終點的模型極其復雜。針對這個問題，利用主元分析法將影響因素重組，在此基礎上，提出一種基于遺傳算法的Elman神經網絡模型對銅轉爐吹煉終點進行預測。仿真結果表明，建立的預報模型具有較高的自學習及泛化能力，預報結果具有較高的精度。

關鍵詞：銅轉爐； 主元分析法； 遺傳算法；Elman神經網絡

中圖分類號：TP311文獻標志碼：A

文章編號：1001-3695(2007)11-0060-03

0引言

銅轉爐吹煉的最終產物是粗銅。欠吹和過吹都會導致粗銅質量不合格。防止欠吹和過吹、控制好渣型、保證粗銅質量，是整個吹煉過程的目的和關鍵。因此對銅锍吹煉終點的判斷成了控制生產的一個重要環節。

銅轉爐吹煉終點預報的研究引起國內外學者的高度重視[1~5]。文獻[1]假設吹煉體系處于化學平衡狀態，不考慮動力學因素，開發了對多相體系進行平衡計算的熱力學模型實現終點預報，其預報終點一般偏大；文獻[2]為文獻[3]提供了理論依據；文獻[3]提出用SO2分析儀檢測分析判斷終點，但儀器昂貴且易損壞，故很難推廣；文獻[4]對密封的工藝吹煉爐提出了一種以煙氣溫度為特征信號的終點判斷的簡便新方法，但其應用以爐內不大量吸入空氣為基礎，故現僅應用于結構較簡單的連吹爐的造銅期作業；文獻[5]采用神經網絡對吹煉終點進行預報，具有一定的指導性，但由于輸入變量相互耦合和BP網絡自身的缺陷，導致網絡的預報精度不理想。本文提出采用主元分析法[6] 對原始輸入變量進行重組，構造出一組相互獨立的輸入變量，去除原始變量中的某些相關性，解決輸入變量之間相互耦合的問題；引入Elman神經網絡建模，采用遺傳算法[7~9]來訓練神經網絡的參數，從而優化網絡。將這一方法用于轉爐吹煉的終點預報，實驗結果表明了該方法能加快網絡的學習速度，并能提高預測精度。

1銅锍吹煉工藝分析

1．1機理分析

冰銅的吹煉過程是分周期進行的，作業分為造渣期和造銅期。在造渣期，從風口向爐內熔體中鼓入空氣或富氧空氣。通過空氣的攪拌，冰銅中的FeS被氧化，生成FeO和SO2；FeO再與添加的熔劑中的SiO2進行造渣反應。造渣反應一結束，暫時停止送風，進行排渣操作。在造銅期，留在爐內的白冰銅(主要以Cu2S的形式存在)與鼓入的空氣中的氧反應，生成粗銅和SO2。在轉爐吹煉過程中，發生的反應幾乎全部是放熱反應，為防止由于產生大量的熱量而縮短耐火磚的壽命，需要向爐內加入包殼、塊狀煙灰和殘極等冷料，以控制爐內溫度。銅锍吹煉的間歇式作業使得銅锍吹煉運行過程具有以下特征：

a）非線性。

銅锍、熔劑、空氣和冷料加入熔煉爐中須經造渣和造銅兩個步驟才能產出粗銅，而產生的粗銅量與銅锍量、銅锍成分、熔劑重量、熔劑成分、富氧量及熔劑、冷料加入速度及加入時間、熔體溫度等因素有關，呈現非線性關系。

b）多變量耦合。

終點控制是衡量生產過程是否能達到節能降耗的一個重要指標。在一般的吹煉過程控制中，主要的被控量為風量、富氧率、銅锍及銅锍品位，而風量又與入爐物料量、成分、爐內壓力、物料含水量等因素有關。

c）其他干擾因素。

銅锍吹煉過程存在很多不可預測的干擾，如進料量的波動、進料含水量的變化、吹煉爐漏風、爐子故障引起的熔體過冷、富氧率的變化以及由于種種操作因素引起的噴爐事故等。這些都會給銅吹煉過程的終點預報帶來困難。

1．2影響銅锍吹煉終點因素的分析

銅轉爐吹煉是一個非常復雜的非線性系統，許多直接或間接的因素都會對轉爐吹煉的終點產生直接的影響。但在實際的終點預測中，又不能考慮太多的影響因素，因素太多會造成建模困難。因此，在考慮模型輸入量的問題上，應該抓住幾個具有特征的影響因素。吹煉終點時間主要受入爐物料的影響。入爐物料主要有銅硫、冷料和熔劑。銅锍主要來自閃速熔煉。它的成分極其復雜，且含量波動大，除了含有銅、鐵、硫之外，還含有很多其他微量元素，如鉛、錫等雜質。其中，銅、鐵、硫三種元素所占比重高達80%以上。在考慮吹煉終點的影響因素時，微量雜質影響相對較弱，僅考慮銅锍的重量和銅锍中銅、鐵、硫三種元素的影響。進入轉爐的冷料品種多樣，且成分復雜，依據經驗可以將冷料分為含銅高和含銅低兩種；熔劑的成分也復雜多變，但主要還是含90%的 SiO2，所以在建模時，只考慮SiO2對吹煉終點的影響。除此之外，進風時速的大小和富氧率的高低也直接影響著吹煉的快慢。因此選擇銅锍的質量、銅锍的品位（銅、鐵、硫三種元素百分比）、熔劑的SiO2含量、高銅冷料、低銅冷料、送風時速和富氧率九個變量為輸入量，對轉爐吹煉終點時間進行預測。

實際應用中，由于眾多影響因素之間經常存在著線性相關性，可以采用主元分析法對原始輸入變量進行重組，構造出一組相互獨立的輸入變量，去除原始變量中的某些相關性，從而減少輸入變量的個數。神經網絡在理論上可以任意逼近一個非線性函數。針對對象的非線性，可以采用神經網絡來擬合。采用常用的BP神經網絡模型，訓練時間過長，且容易陷入局部極小。本文基于主元分析法，提出采用Elman神經網絡來建模，并引入遺傳算法來訓練神經網絡的參數，建立銅轉爐吹煉的終點預報模型。

2銅轉爐吹煉終點預報模型

2．1主元分析

主元分析的主要功能是利用變量之間的線性相關關系對多維信息進行統計壓縮，用少部分互不相關的主元變量描述多維空間絕大部分的動態信息。由于主元分析法突出的優點，使得它一經提出就得到了廣泛的應用[10，11]。

4結束語

本文提出將主元分析法與Elman神經網絡相結合的方法對銅轉爐吹煉終點進行預報，并采用遺傳算法搜索神經網絡的連接權值、網絡結構或學習規則。

a）通過主元分析消除了分析任務不相關的冗余屬性或作用微弱的屬性，從而確定神經網絡的最佳輸入量，簡化了神經網絡的拓撲結構，提高了網絡的預報精度。

b）采用Elman神經網絡，解決了BP網絡學習時間過長等問題。

c）采用遺傳算法訓練網絡，解決了常用的BP算法帶來的收斂速度慢，易陷入局部最小等問題。

實驗結果表明，本文建立的模型有較高的預測精度，在銅轉爐吹煉的終點預報方面具有良好的應用前景。

參考文獻：

［1］GOTO S. Equilibrium calculations between matte， slag and gaseous phases in copper smelting[M]//JONES M J. Copper metallurgy－practice and theory.London: Institute of Mining and Metallurgy， 1974:23-34.

［2］劉純鵬， 馮干明， 嚴傳義，等.熔锍Cu2S 動力學[J]. 有色金屬， 1980(4):58-64.

［3］張云生， 金以誠， 劉瑞敏. 應用信息集成的銅吹煉轉爐終點控制[J]. 冶金自動化， 2000(2):14-17.

［4］姚俊峰， 梅熾， 任鴻久，等.銅锍吹煉終點預報的簡便新方法[J].有色金屬：冶煉部分， 2000(3):19-21.

［5］彭小奇，胡志坤，梅熾，等.煉銅轉爐吹煉終點的神經網絡和自適應殘差補償組合預報模型[J].控制理論與應用，2002，19（1):149-151.

［6］LI Jin，ZHANG Zi－ping，CHEN Hong－fang .The PCA： a method in neural networks[J]. Journal of China University of Science and Technology， 2001，21(1):40-44.

［7］張曉績，戴冠中，徐乃平.一種新的優化搜索算法——遺傳算法[J].控制理論及應用，1995，12(3): 266-272.

［8］MANIEZZO V. Genetic evolution of the topology and weight distribution of neural networks [J].IEEE Trans on Neural Networks，1994，5(1): 39-53.

［9］楊延西，劉丁，李琦，等.基于BP－GA混合學習算法的神經網絡短期負荷預測[J].信息與控制，2002，31（3):284-288 .

［10］尚長軍， 陳曦， 錢積新.基于PCA－BP神經網絡的精餾塔產品組成軟測量模型[J].工業儀表與自動化裝置，2003（4）:33-36.

［11］李勇剛，桂衛華，胡燕瑜.基于PCA的多神經網絡軟測量模型及其在工業中的應用[J]. 小型微型計算機系統，2004，25（10）：1781-1784.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”