基于人工神經網絡和專家系統的精煉過程鋼水溫度預測模型

李 強，曹 剛

(西安理工大學自動化與信息工程學院，陜西 西安 710048)

1 前言

LF精煉過程中，鋼水溫度對鋼的產量和質量、鋼包的壽命等都有很重要的影響。冶煉過程中，對溫度的準確預測，不但可以提高產品質量，而且在一定意義上可以降低生產成本。由于特殊的生產環境，直接連續地測量鋼水溫度是不現實的。所以，如何建立一個有效的、能夠精確預估溫度的模型，是一個迫切需要解決的問題。然而，LF冶煉過程中，影響溫度的因素很多也很復雜，主要的影響因素有鋼包溫度、包齡、冶煉過程中的吹氬量、渣厚、耗電量和加入的物料(合金和渣料)等，而且這些因素對鋼水溫度的影響很難用數學方法精確描述。

本文以某鋼鐵有限公司的寬厚板生產線LF爐為研究對象，提出將BP神經網絡和專家系統相結合的方法，建立冶煉過程鋼水溫度預測模型，并且可以根據積累的歷史數據不斷調整專家系統的參數，最后，利用C#語言編程實現了系統。

2 誤差反向傳播(BP)人工神經網絡算法

誤差反向傳播(Back Propagation)網絡，簡稱BP網絡，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。本文中的人工神經網絡就采用誤差反向傳播網絡。此外，由于鋼水的變化量有正有負，為了能夠對整個冶煉過程進行溫度預測，本文使用雙曲函數(式(1))作為神經元輸出變化函數。

由此，網絡中節點的輸入輸出變化關系為

其中，q為第q層，q=1，2，…，Q，nq為第q層上的神經元個數;i為第q層上的第i個節點，i=1，2，…，nq;j為第q－1層上的第j個節點，j=1，2，…，nq－1;w(q)ij為輸入到第q層的第i個神經元與第q－1層第j個神經元的鏈接權值。

優化計算調整權值的方法采用比較典型的一階梯度法，即最速下降法。最終可以歸納出采用雙曲函數作為神經元輸出變換的BP網絡的學習算法。

隱層

輸出層

其中，δ(Q)Pi為用第P組樣本得出的第i個輸出節點的δ值。

通過上述的BP網絡的學習算法，可以利用C#語言編程實現該學習算法。

3 專家系統

專家系統是應用于某一專門領域，擁有該領域相當數量的專家知識經驗，可以模擬專家的思維，像專家一樣解決困難和復雜的實際問題的計算軟件系統。一般按專家系統控制器在控制系統中的作用和功能，可將專家系統控制器分為兩個類型:直接型專家控制器和間接型專家控制器。

根據對現場生產工藝的分析研究，本文采用間接專家控制系統。因為冶煉過程中加入的合金、渣料的種類及重量，是根據實際對鋼水的取樣化驗結果來確定的，具有一定的隨機性和不確定性。而且，由于合金和渣料的種類繁多，之間存在一些復雜的物理化學反應。另外，由于熱慣性，加入的合金和渣料的溫度，要達到與鋼水溫度一致，一般需要3～5 min。綜上所述，很難把這兩類因素放入到神經網絡中處理。因此，可以把合金和渣料(統稱為物料)的種類和重量放到專家系統中處理。根據現場了解的專家的經驗和知識，在專家系統中制定一個有關各種類型物料對鋼水的溫降系數表。表1給出了各種類型的物料對鋼水的溫降系數。

表1 物料對鋼水的溫降系數

4 精煉過程鋼水溫度預測模型的建立

4.1 過程溫度預測模型的建立

通過對該鋼鐵有限公司寬厚板生產線的現場工藝分析得出，精煉爐溫度預測模型的建立可以從人工神經網絡和專家系統相結合的角度出發，將影響鋼水溫度的主要因素進行分類處理。

通過分析精煉爐冶煉過程的工藝過程，本系統將影響溫度變化的主要因素:鋼包溫度、包齡、鋼水重量、冶煉過程中的吹氬量、渣厚、電耗，作為BP神經網絡的輸入(當然，影響溫度變化的因素很多，但是其他因素對溫度的影響很小，而且難以準確測量，因此忽略)，采用6×8×1型BP網絡，以1 min為運行周期，周期性的預測過程溫度變化量。將冶煉過程中加入的每種物料的種類和重量，作為專家系統的輸入，專家系統可以按照加入的不同物料的重量，分別預測出加入的每種物料對鋼水溫度變化的預測變化量，最后輸出一個加入的所有物料對溫度總的一個預測變化量。

根據以上分析，應用C#語言，將上述模型編程實現為計算機程序，圖1給出了精煉爐鋼水過程溫度預測模型的系統流程圖。

圖1 精煉爐鋼水過程溫度預測模型流程圖

從圖1中可以看出，系統將周期性的采集現場實際運行中的所需模擬量分類輸入到BP人工神經網絡系統和專家系統中。BP人工神經網絡系統根據輸入的模擬量，輸出預測的溫度變化量△T1。專家系統根據冶煉過程中加入的所有的物料種類和重量，先預測出每種物料按照加入的重量對鋼水溫度的預測變化量△Tn，(其中，n表示加入的第n種物料)，再輸出所有所加物料對鋼水溫度的總的預測變化量△T2(由于加入的物料重量相對鋼水重量來說很小，且各物料之間的化學物理反應對鋼水溫度變化很難準確預測，這樣以來，可以認為物料之間的相互作用對鋼水溫度變化的影響很小，所以，專家系統獨立考慮每種物料對鋼水溫度變化的作用，而忽略物料之間的反應對鋼水溫度變化的影響)。將兩個系統輸出的預測溫度變化量相加，得出總的預測溫度變化量△T=△T1+△T2，最終輸出預測的溫度值T=T'+△T(T'為前一分鐘的預測溫度)。圖2為精煉爐鋼水過程溫度預測模型的系統運行圖。

圖2 精煉爐鋼水過程溫度預測模型的系統運行圖

為了驗證精煉爐鋼水過程溫度預測模型的有效性和實用性，從生產實際數據庫中，隨機抽取20組數據作為訓練樣本。由于收集的數據往往數量級不同，所以訓練之前要將這些數據驚進行醒歸一化處理，映射到［－1，1］之間。用歸一化后的數據作為訓練樣本輸出到本預測模型中進行試驗，其試驗結果見表2。

試驗結構表明，預測模型的預測結果與實際的測量值較好的吻合，這也說明了預測模型滿足了在線運行的要求。

4.2 模型預測誤差的來源分析

模型預測誤差主要來源有以下幾個方面:

(1)溫度數據測量的準確性。現場溫度測量使用專門的測溫槍，需要插入到爐體內進行測量。由于鋼包內本身就可能由于某種原因存在溫度的不均勻分布，就造成了測溫槍插入的位置不同，溫度有可能不同，對溫度的可靠性有很大的影響;

表2 LF精煉過程鋼水實際溫度與預估溫度的比較 ℃

(2)兩種系統輸入量的確定。兩個系統在建模過程中，本身就忽略了一些雖然影響作用小，但也能影響溫度變化的因素，這也會造成預測有誤差;

(3)物料對鋼水的溫降系數的確定。雖然物料對鋼水的溫降系數是根據了解專家知識經驗得來的，但種種原因也會造成溫降系數可能有誤差，主要有以下幾個方面:①即便是多次使用的物流來源相同，也可能由于時間、工藝水平變化等原因，造成同種物料對鋼水的溫降系統有所不同;②專家的知識經驗也要根據現場實際的工藝、物料來源等變化而重新評定。

4.3 減小誤差的措施

對于像模型本身原理或結構造成的誤差，雖然是不可以減小的，但是其誤差是在接受范圍內的。同時，操作人員測溫過程中，測溫位置不同造成的誤差也是很難避免的，但是由于目前的測溫操作基本比較規范，所以測溫位置不同帶來的誤差也是在接受范圍內的。本文主要針對物料對鋼水的溫降系數誤差，采取了對歷史測溫加料數據統計分析的方法，不斷調整物料對鋼水的溫降系數，以到達接近實際的物料對鋼水的溫降系數，減小誤差的目的。

5 結論

(1)本文采用人工神經網絡和專家系統相結合的方法，不僅能對鋼水溫度進行連續預測溫度，而且還對合金和渣料的添加這兩種隨機影響溫度的事件進行處理，使本模型具有適應性強，預報精度高的特點。

(2)實踐表明，本模型運行時，對LF精煉爐過程溫度的預測誤差在±5℃時的準確率達到85%，具有應用推廣價值。

［1］ 孫增圻．智能控制理論與技術［M］．北京:清華大學出版社，1997．

［2］ 韓立群．智能控制理論及應用［M］．北京:機械工業出版社，2007．

［3］ 劉介．連鑄機爐外精煉自動化技術［M］．北京:冶金工業出版社，2006．

［4］ 李晶．LF精煉技術［M］．北京:冶金工業出版社，1999．

［6］ Jon Skeet著，周靖，朱永光譯．深入解析C#(美)［M］．北京:人民郵電出版社，2010．

［7］ 滕永昌．Oracle 9i數據庫管理員使用大全［M］．北京:清華大學出版社．2004．

［8］ 閻立懿，戰東平，曹鴻濤．LF爐精煉過程鋼液溫度預報及控制［J］．工業加熱，2010，39:(2)．

［9］ 吳曉東，劉旭蘭．LF精煉終點鋼水溫度用的預報模型［J］．煉鋼，2007，(23)．

［10］ 田慧欣．基于遺傳算法和BP神經網絡的LF爐終點溫度預報［D］．沈陽:東北大學，2005．

［11］ 劉曉，顧文斌，王洪兵．LF爐的溫度行為［J］．寶鋼技術，1998，(3)．

［12］ 劉曉，顧文斌，王洪兵．鋼包的熱分析［J］．寶鋼技術，1998，(5)．

［13］ 武擁軍，姜周華，姜茂發等．LF精煉過程鋼水溫度預報模型［J］．鋼鐵研究學報，2002，4(2):9－12．

［14］ 高憲文．基于神經網絡的鋼包精煉終點預報［J］．東北大學學報，2005，26(8)．