鋼水“脫氧合金化”配料方案的優(yōu)化

劉玉慶　金宇悅　李曉航

摘要：脫氧合金化是鋼鐵冶煉中的重要工藝環(huán)節(jié)，如何優(yōu)化脫氧合金化配料方案，最大限度地降低合金鋼的生產(chǎn)成本，已成為各大鋼鐵企業(yè)提升競爭力的關(guān)鍵。

首先，本文通過采集的低合金鋼種前期冶煉歷史真實數(shù)據(jù)，選擇恰當(dāng)?shù)姆椒ǎ嬎愠鯟，Mn兩種元素的歷史合金收得率，接著建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，實現(xiàn)對C、Mn兩種元素收得率的預(yù)測。

接著根據(jù)不同合金的投入量和價格建立非線性方程模型。以總成本、收得率、投入合金質(zhì)量的上限和下限作為非線性方程的限制條件。然后，選取不同的合金進行實驗和比較，計算得出最優(yōu)的合金配料方案。優(yōu)化后，每一包鋼水生產(chǎn)成本比平均成本節(jié)約239.18萬元。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);遺傳算法;非線性規(guī)劃;成本優(yōu)化

中圖分類號：TF713.5 文獻標(biāo)識碼：A 文章編號：1672-9129（2020）06-0037-01

Abstract：Deoxidizingalloyingisanimportantprocessinironandsteelsmelting.Howtooptimizethemixingschemeofdeoxidizingalloyingandreducetheproductioncostofalloysteeltothemaximumextenthasbecomethekeytoimprovethecompetitivenessofmajorironandsteelenterprises.

Firstofall，thispapercalculatedthehistoricalalloyyieldofCandMnthroughthecollectedrealhistoricaldataofearlysmeltingoflowalloysteel，andselectedappropriatemethods.ThenBPneuralnetworkpredictionmodelwasestablishedtorealizethepredictionoftheyieldofCandMn.

Thenthenonlinearequationmodelisestablishedaccordingtotheinputquantityandpriceofdifferentalloys.Thetotalcost，yield，upperandlowerlimitsofinputalloymassareusedasthelimitingconditionsofnonlinearequation.Then，differentalloysareselectedforexperimentandcomparison，andtheoptimalalloybatchingschemeiscalculated.Afteroptimization，theproductioncostofeachpackofmoltensteelis2，391，800yuanlessthantheaveragecost.

Keywords：BPneuralnetwork;Geneticalgorithm;Nonlinearprogramming;Costoptimization

引言：如何通過歷史數(shù)據(jù)對脫氧合金化環(huán)節(jié)建立具備以合金收得率預(yù)測及成本優(yōu)化算法為主體的自動配料的數(shù)學(xué)模型，在線預(yù)測并優(yōu)化投入合金的種類及數(shù)量，在保證鋼水質(zhì)量的同時最大限度地降低合金鋼的生產(chǎn)成本，是各大鋼鐵企業(yè)提高競爭力所要解決的重要問題。

本文通過低合金鋼種前期冶煉所采集的歷史真實數(shù)據(jù)，計算出C，Mn兩種元素的歷史合金收得率。接著建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并根據(jù)預(yù)測結(jié)果的相關(guān)性確定準(zhǔn)確率的大小。

1歷史收得率

合金收得率為脫氧合金化時被鋼水吸收的合金元素的重量與加入該元素總重量之比。

合金元素的吸收重量[1]應(yīng)為脫氧合金化之后的鋼水的總質(zhì)量乘以合金元素連鑄正樣時的重量百分比減去脫氧合金化之前的鋼水的總質(zhì)量乘以轉(zhuǎn)爐終點時合金元素的重量百分比。

合金元素加入質(zhì)量為各類合金質(zhì)量與其相應(yīng)元素的所占百分比的乘積的總和。

2BP神經(jīng)網(wǎng)絡(luò)模型

有關(guān)研究表明，，有一個隱層的神經(jīng)網(wǎng)絡(luò)[2]，只要隱節(jié)點足夠多，就可以以任意精度逼近一個非線性函數(shù)。網(wǎng)絡(luò)中隱層神經(jīng)元的數(shù)目與實際問題的復(fù)雜程度、輸入和輸出層的神經(jīng)元數(shù)以及對期望誤差的設(shè)定有著直接的聯(lián)系。

其中，n為輸入層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(shù)，a為[1，10]之間的常數(shù)。問題中輸入層神經(jīng)元個數(shù)為10個，輸出層為1個。所以根據(jù)上式可以計算出神經(jīng)元個數(shù)為4-13個之間，在本文中選擇6個隱層神經(jīng)元，建立如圖1所示的10×6×1的三層BP網(wǎng)絡(luò)模型。

本文將十項數(shù)據(jù)[4]作為輸入，即（轉(zhuǎn)爐終點溫度、轉(zhuǎn)爐終點C、碳化硅、錳硅合金、釩鐵、轉(zhuǎn)爐終點Mn、石油焦增碳劑、鋼水凈重、硅鋁鈣、連鑄正樣Mn），將收得率作為輸出。由于輸入數(shù)據(jù)的單位不一樣，有些數(shù)據(jù)的范圍可能特別大，導(dǎo)致的結(jié)果是神經(jīng)網(wǎng)絡(luò)收斂慢、訓(xùn)練時間長。

所以利用Matlab中的premnmx（）函數(shù)，對數(shù)據(jù)進行歸一化處理。然后，運用MATLAB對70%的數(shù)據(jù)進行訓(xùn)練，將30%的數(shù)據(jù)作為測試數(shù)據(jù)進行訓(xùn)練和測試。最后，進行數(shù)據(jù)反歸一化處理，得到兩種元素的收得率。

R越接近1說明相關(guān)性越高，越接近0說明相關(guān)性越低，而相關(guān)性越高說明預(yù)測準(zhǔn)確率越高。訓(xùn)練相關(guān)性為0.7，驗證相關(guān)性為0.9，測試相關(guān)性為0.68，綜合相關(guān)性為0.73，相關(guān)性較高，預(yù)測準(zhǔn)確性較高。

3非線性規(guī)劃法求解配料方案

根據(jù)不同合金的投入量和價格建立非線性方程[5]，以總成本、收得率、投入合金質(zhì)量的上限和下限作為非線性方程的限制條件，建立模型，然后選取不同合金進行實驗和比較，用合適的低成本合金替代高成本合金，計算得出最優(yōu)的合金配料方案[6]。

在求解過程中，需要確定目標(biāo)成本[7]與投入質(zhì)量和配比的數(shù)據(jù)關(guān)系式。以Mn為例，各原料中Mn與混料中Mn指標(biāo)需根據(jù)各原料配比計算得到。

針對生產(chǎn)過程中，成本的最佳方案的規(guī)劃求解，約束條件有質(zhì)量指標(biāo)約束條件和生產(chǎn)工藝約束條件。質(zhì)量指標(biāo)約束條件是指配料完成后各質(zhì)量指標(biāo)的上下限。

非線性規(guī)劃數(shù)學(xué)模型建立后，可利用現(xiàn)有的數(shù)據(jù)分析軟件進行計算，本文運用常見的Excel實現(xiàn)非線性規(guī)劃求解。將原料質(zhì)量數(shù)據(jù)輸入Excel中，按照對應(yīng)關(guān)系錄入相應(yīng)的單元格中，并設(shè)置好各指標(biāo)上下限和配比上下限。

將優(yōu)化前平均投入和成本與優(yōu)化的的數(shù)據(jù)進行對比，可知，優(yōu)化后的合金收得率相比優(yōu)化前平均收得率略有提高，而成本節(jié)約了239.18萬元。

得出最佳配料方案為：每一包鋼水生產(chǎn)中氮化釩鐵FeV55N11-A投入8.35kg、釩鐵（FeV50-B）投入20.37kg、硅鋁鈣投入18.55kg、石油焦增碳劑投入102.43kg、錳硅合金FeMn64Si27（合格塊）投入1350.72kg、碳化硅（55%）投入116.54kg并且溫度控制在1661攝氏度左右，能夠在合金收得率較高的情況下，降低成本。

4結(jié)論

本文通過歷史數(shù)據(jù)分析，根據(jù)不同合金的投入量和其價格建立非線性方程，以總成本、收得率、投入合金質(zhì)量的上限和下限作為非線性方程的限制條件，建立模型。然后，選取不同合金進行實驗和比較，得出最佳配料方案，用合適的低成本合金替代高成本合金，從脫氧合金化工藝源頭控制合金成本，進而節(jié)約成本。預(yù)計優(yōu)化后每一包鋼水生產(chǎn)成本比平均成本預(yù)計節(jié)約239.18萬元。

參考文獻：

[1]葉成立，王承.一種高合金鋼鋼水量的計算方法[J].大型鑄鍛件，2019（02）：8-9.

[2]魚丹.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在匯率預(yù)測中的應(yīng)用[J].科學(xué)技術(shù)創(chuàng)新，2019（03）：100-101.

[3]熊壯壯，熊峰.BP神經(jīng)網(wǎng)絡(luò)算法在PM_（2.5）數(shù)據(jù)預(yù)測方面的應(yīng)用[J].通信電源技術(shù)，2017，34（03）：77-79.