基于灰色神經網絡的中低碳鉻鐵終點硫含量預報模型研究

邱 東,張 楠,趙晨旭,戴文娟

（長春工業大學電氣與電子工程學院，吉林 長春 130012）

基于灰色神經網絡的中低碳鉻鐵終點硫含量預報模型研究

邱 東,張 楠,趙晨旭,戴文娟

（長春工業大學電氣與電子工程學院，吉林 長春 130012）

針對復吹轉爐冶煉中低碳鉻鐵終點硫含量在線監測困難、取樣檢測無法實時指導生產的現狀，考慮影響終點硫含量的供氧強度、鐵水溫度等因素，采用以灰色預報模型結合BP神經網絡的方法實現中低碳鉻鐵終點硫含量的預報。仿真實驗表明：中低碳鉻鐵終點硫含量預報絕對誤差值在±0.004%以內的命中率為95%，相對誤差值在15%以內的命中率達到85%，驗證了該預報模型的有效性。

轉爐冶煉；灰色預報；BP神經網絡；硫含量；預報模型

0 引 言

目前中低碳鉻鐵的冶煉方法主要有電硅熱法和高碳鉻鐵精煉法兩種。傳統的電硅熱法是利用3臺電爐，第1臺用來生產碳素鉻鐵；然后以碳素鉻鐵為原料在第2臺上生產硅鉻合金；再以硅鉻合金為原料在第3臺上生產出中、低、微碳鉻鐵[1]。而轉爐法冶煉中低碳鉻鐵是直接把來自還原電爐的高碳鉻鐵水兌入轉爐中，再經吹氧脫碳精煉，完成脫碳保鉻任務，獲得中低碳鉻鐵。后者具有流程短、成本低、產率大、冶煉電耗低、金屬回收率高和基建投資省等一系列優點，被廣泛應用。

為了滿足鋼材的低溫韌性、高強度、優良的冷成型性和精準的焊接性等市場要求，世界各大鋼鐵工業都在不斷地努力通過降低鋼中雜質（特別是硫含量）

的途徑來提高產品質量。印度的Amlan Datta等[2]開發出人工神經網絡模型用來預測預處理中鐵水的硫含量，現場預測得到的結果與實測結果吻合度相對提高；針對鞍鋼鐵水罐噴吹CaO+Mg粉劑復合脫硫過程，東北大學的戰東平等[3]建立了鞍鋼鐵水脫硫神經網絡預報模型；結合武鋼鐵水KR脫硫過程，武漢科技大學的但斌斌、陳奎生、張華等人建立了關于脫硫工藝參數的預報模型[4]。目前冶煉中低碳鉻鐵的終點預報主要是針對終點溫度及碳含量，直接對硫含量的預報研究尚不深入。

本文針對轉爐冶煉中低碳鉻鐵脫硫的工藝過程，確定終點硫含量主要影響因素，并通過對現場采集數據的處理，以灰色模型預報的硫含量值作為BP神經網絡建立模型的輸入量，兩種算法結合得到復吹轉爐冶煉中低碳鉻鐵終點硫含量。

1 脫硫反應

脫硫的過程是使硫與其他元素或化合物生成某種硫的化合物，復合吹煉低碳鉻鐵過程中，一部分為爐渣脫硫：

一部分為氣化脫硫：

在冶煉中低碳鉻鐵時，硫的變化可以分為3個時期，其中脫硫主要在中期和后期。吹煉前期：由于吹煉剛剛進行，熔池溫度低，石灰成渣較少，渣中氧化鐵含量高，鐵水脫硫渣和加入的造渣材料可能造成硫含量增加。吹煉中期：碳氧反應劇烈，熔池溫度已經升高，爐渣也基本化好，同時堿度降低，脫硫效果達到最好的階段。吹煉后期：脫碳速率減慢，熔池溫度沒有降低，石灰的溶解量仍然很大，爐渣堿度高，依舊有利于脫硫反應的進行[5]。

綜上分析影響終點硫含量的因素包括爐溫、鉻鐵中的堿性物質含量、金屬成分和含氧量等。

2 灰色預測模型建立及仿真

灰色系統是指有一部分信息是已知的，有一部分信息是未知的系統。灰數的生成是尋找一定的規律，把無規律的初始數據生成具有較強規律性的數據序列。導致硫成分變化的因素很多，但已知的卻有很多是不確定的。因此，可以通過灰色系統建模。灰色預測GM（1，1）模型的建模步驟如下：

（1）采取11組現場實測終點硫含量值，建立硫含量數據時間序列：

（2）級比檢驗，模型進行可行性分析級比

級比判斷：

σ（k）∈對所有的σ（k）∈[0.846，1.166]，k=2，3，…，11，故可以對x（0）作滿意的GM（1，1）建模。

（3）利用GM（1，1）建模

設時間序列x（0）有11個觀察值，x（0）={x（0）（1），x（0）（2），…，x（0）（11）}，通過累加：

生成新序列x（1）相應的微分方程為

式中：a——發展系數；

u——內生控制灰數。

模型的時間響應序列：

累減一次，得預測值如下：

3 神經網絡預報模型

人工神經網絡作為一種新興的、功能強大的信息處理高級算法，屬于隱式模型，有自適應、自組織能力，還具有高度的非線性，研究表明該算法適用于非線性的轉爐冶煉生產過程[6-9]。

3.1 模型輸入/輸出

基于鐵合金冶煉的生產工藝和對冶煉機理的分析，結合現場收集的生產數據，選取影響終點硫含量變化的主要因素為輸入量：高碳鉻鐵鐵水重量，供氧強度，供氮強度，鉻礦重量，石灰石重量，硅鐵重量，爐渣量，初始硫含量，初始碳含量，初始磷含量，鐵水溫度，吹煉時間和出爐溫度，選取終點硫含量為輸出量。

3.2 數據預處理

考慮到數據樣本輸入數據的單位和量綱不一致，一些輸入量的絕對值相差很大，在模型建立學習之前，對樣本數據進行歸一化處理，歸一化公式為

式中：x——變量的值；

νmax，νmin——變量的最大值和最小值。

數據經過歸一化處理之后，所有的變量值都在0～1之間，滿足訓練和測試要求，處理后的部分數據如下：

3.3 模型的優化與訓練

粒子群算法能記憶個體和全局最優信息，并且沒有太多參數需要調整，更簡單和容易實現。將粒子群算法與誤差反向傳播算法結合，不僅能很好地發揮神經網絡的泛化映射能力，還能有效提高它的收斂速度及學習能力，而且不需要借助問題的特征信息。所以采用粒子群算法優化出一組神經網絡的連接權值和閾值，即網絡訓練的初始權值和閾值，然后進入BP網絡的學習預測環節，訓練流程如圖1所示。

4 模型組合與仿真

工程實際中，影響冶煉終點硫含量的因素很多，建立的終點硫含量的灰色系統模型實際上僅考慮了非定量因素（爐壁侵蝕度，化學反應強度等）對硫含量的綜合影響，而建立的神經網絡模型忽略了非定量因素。兩個模型并沒有完全反映出每個輸入量的具體影響效果，而每個因素對硫含量的影響程度和規律不同。為了增強預測能力、提高預測精度，把灰色模型和神經網絡模型結合起來進行分析和預測，具體步驟如下：

（1）建立灰色模型，用灰色模型計算得到硫含量預測值；

（2）把灰色模型硫含量預測值與神經網絡模型的其他輸入量結合起來作為輸入量訓練神經網絡，模型結構圖如圖2所示。

以中鋼吉鐵公司中低碳鉻鐵807#5t轉爐的100爐現場實測樣本對模型進行訓練和預報，取前60爐數據對模型進行訓練，之后的20爐進行驗證，對剩余20爐進行預報。得到終點硫含量預測值與現場實測值如表1所示，仿真結果和誤差如圖3所示。

從仿真結果可以看出，終點硫預報模型相對誤差值＜15%時，命中率達85%，絕對誤差值＜±0.004%時，命中率達到95%。仿真結果表明，利用此模型得到的預測結果與實際值比較接近，預報精度較高，具有重要的實際生產指導意義。

5 結束語

考慮冶煉終點硫含量既受定量因素的影響，又受非定量因素的影響，建立了灰色與神經網絡組合預報模型，結合中鋼吉鐵公司中低碳鉻鐵807#5t轉爐的實際數據，對模型進行訓練和預報，結果表明組合預報模型達到理想預報效果。隨著訓練樣本的增加和模型結構的進一步優化和完善，終點硫含量的組合預報模型能為冶金生產提供實時、準確的工藝操作指導信息，縮短冶煉周期，提高轉爐的生產能力，具有很好的應用前景。

[1]賈振海.氬氧爐生產中低微碳鉻鐵的新工藝[J].鐵合金，2005（2）：11-16.

[2]Amlna D，MavooriH，Perm K.Adaptive neural net models for desulfurization of hot metal and steel[J]. Steel Research，1994，65（11）：466-471.

[3]Zhan D P，Zhang H S，Jiang Z H.Prediction model ofmagnesium powderconsumption duringhotmetal pre-desulfurization[C]∥ Magnesium Technology Symposium，2009（2）：51-55.

[4]但斌斌，陳奎生，張華，等.基于神經網絡的鐵水KR脫硫預報模型[J].計算機應用與軟件，2011，28（1）：118-120.

[5]呂俊杰，游洪濱，田繼成，等.高碳鉻鐵冶煉脫硫的實踐[J].鐵合金，2005（1）：22-25.

[6]Tathavadkarv S.Predicting the performance of submerged arc furnace with varied raw material combinations using artificial neural network[J].Journal of Materials Processing Technology，2007（183）：111-116.

[7]胡敏藝，馬榮駿.神經網絡在冶金工業中的應用[J].湖南有色金屬，2000，16（9）：16-19.

[8]王煒，陳畏林，葉勇，等.神經網絡在高爐鐵水硫含量預報中的應用[J].鋼鐵，2006，41（10）：19-22.

[9]李光輝，劉青.轉爐煉鋼過程工藝控制的發展與展望[J].鋼鐵研究學報，2013，25（1）：1-4.

Research on prediction model of medium-low carbon ferrochrome sulfur end-point content based on gray neural network

QIU Dong，ZHANG Nan，ZHAO Chen-xu，DAI Wen-juan
（Department of Electrical and Electronic Engineering，Changchun University of Technology，Changchun 130012，China）

It was difficult to detect sulfur end-point content through on-line measurement in the medium-low carbon ferrochrome combined-blowing converter and hardly to guide production in real time through sampling and inspection.Considering the impaction of the sulfur endpoint content of oxygen intensity，temperature of hot metal and other factors and combining the grey model with BP neural network prediction model，the prediction of medium-low carbon ferrochrome sulfur endpoint content was realized.The simulation results indicated that the prediction hitting rate of the sulfur endpoint content in the low-carbon ferrochrome was 95%when the absolute error was less than 0.004%，and the heating rate was 85%when the relative error was less than 15%.Thus，the validity of the prediction model was proved.

converter smelting；gray prediction；BP neural network；sulfur content；prediction model

TG144；TF763+.3；TF111.14+5；TP274

：A

：1674-5124（2014）04-0067-04

10.11857/j.issn.1674-5124.2014.04.017

2013-08-05；

：2013-10-11

吉林省科技發展計劃項目（20120420）

邱 東（1969-），男，吉林長春市人，副教授，博士，研究方向為智能測試技術。