一种模糊神经网络模型在转炉终点预测中的应用研究.pdfVIP

V01．22No．4 安徽工业大学学报 第22卷第4期 October2005 Anhui of J．of UniversityTechnology 2005年10月 文章编号：1671—7872(2005-)04-0596—03 一种模糊神经网络模型在转炉 终点预测中的应用研究 王淑阁．邹宗树 (东北大学，辽宁沈阳110004) 摘要：研究了转炉冶炼终点的影响因素，对所采集的数据进行预处理，建立了转炉终点预测的模糊神经网络模型，并对其性能进 行了分析。结果表明，基于网络学习型模糊神经网络模型能够较好地实现对转炉终点成分和温度的预测：终点碳含量在目标值t 0．02％以内的命中率为77 78％；终点磷含量在目标值：tO．002％以内的命中率为62．63％；终点温度在目标值±12℃范围之内的命 中率为65．66％。 关键词：模糊神经网络；转炉炼钢；终点预测 中图分类号：TF71 文献标识码：A 引 言 转炉冶炼的主要目的是将铁水中的碳、硅、锰、磷等元素通过氧化的方法去除，生产出质量好的钢水。终 点控制是转炉吹炼后期的重要操作，终点控制不准确，将会延长冶炼时间、增加金属消耗和恶化钢的质量Ⅲ。 由于转炉炼钢过程是一个非常复杂的降碳升温的物理化学过程，其不确定因素很多，使得单纯依靠理论模型 不能满足终点控制要求，而基于数据的模糊神经网络技术则是将模糊逻辑目与神经网络结合起来，取长补短， 具有强大的系统逼近能力，它能够利用输入输出数据对过程进行有效的学习，在解决非线性系统建模领域具 有很好的应用前景“。 以某厂2003年转炉炼钢生产的实际数据为建模样本，进行模糊神经网络转炉终点预测模型的开发。 1转炉终点的预测模型 1．1输入变量的选择 转炉炼钢就是通过吹氧达到去除杂质的目的，从而获得合格终点成份和温度的钢水。影响转炉吹炼终点 状态的因素有很多，主要包括：铁水的温度、重量及成份；废钢装入量；石灰、轻烧白云石等的加入量；冷却剂 或升温材料用量；吹氧量及吹氧时间；氧枪高度；炉龄；前炉次停吹温度；前炉次吹炼时间；前炉次镇静时间； 前炉次出钢时间；当前炉次吹炼前等待时间等。 将所有影响转炉吹炼终点的因素都作为神经网络的输入层单元是不现实的。为保证预测模型能够较好 地对终点进行预测，选用的钢种号为BG235B，然后对输入变量进行了初步的筛选，筛选标准如下： (1)变量不应含有过多的零值。 (2)一般情况下，标准偏差越大的变量作用越大，标准偏差接近零的变量应剔除。然后应用冶金知识进行 理论分析并作回归分析，最终确定网络模型的输入量。 预测终点碳含量的变量选择为铁水碳含量、铁水硅含量、炉耗氧量、供氧时间。 预测终点磷含量的变量选择为铁水硅含量、铁水磷含量、石灰加入量、供氧时间。 预测终点温度的变量选择为铁水碳含量、铁水硅含量、铁水温度、废钢加入量、炉耗氧量、供氧时间。 1．2数据预处理 现场检测所得到的数据往往是观测者所需要的真实信号和各种各样的干扰或误差噪音等成份叠加在一 起的结果。为了保证数据的可靠性，提高模型的精度，需要对所采集的数据进行预处理。 1．2．1数据筛选 神经网络的性能对所采集的样本数据依赖性特别大，若样本中存在很多噪声，网络的预 收稿日期：2005-08—14 !坠舅———— 至塑阁等：一种模糊神经网络模型在转炉终点预测中的应用研究 597 测精度和其本身的性能将受到很大影响。为保证所建立的预测模型有好的泛化能力和稳定的性能，应该对所 采集的数据样本进行筛选。首先检查所收集到的生产数据集，判断数据是否完整，剔除不完整的数据项。然后 再根据现场工艺和数据样本的实际情况对数据进行筛选，判断数据是否正确，不合要求的数据将被剔除掉。 1．2．2数据的归一化处理 在转炉炼钢过程中，不同的变量数值上有时甚至相差几个数景级，归一化处理 可使网络训练开始时赋予各输入分量同等重要的地位；数据聚类本身要求需要聚类的样本进行归一化，才能 够较好地根据数据样本本身所具有的特性将数据分成几类。文中对所有数据按式(1)进