炼铜转炉吹炼终点预报研究.pdf

7 炼铜转炉吹炼终点预报研究 胡志坤彭小奇姚俊峰梅炽 中南工渡大学斑用物瑕与热能工程系，湖南长涉4 1 0 0 8 3 周安粱昊承华擎晴 f 蠹溪冶炼厂，豇季费溪3 3 5 4 2 4 翦薹提出7 一释裹靛瓣B P 挣缀瓣终学嚣篝密，善擞对瓣聚薅耀辘出棼鬻避葶亍囊避崖残 熬补偿，基昔 I 匕提出炼嗣转妒唆炼终点壤台预报横搿．经实髓桂骚，率琐报模型瞬授测结浆其有较 高的糖度和较强的燕时性，而且率模堂具有较好蚺自学习能力，能有效指导生产裳践。 关镶谰转妒；磷羲羲蘸；斡疑耀臻；赘赢蓣撵 中爵分类号忭8 I l文献标识码B 在炼桶转炉吹炼过麟中，造法期与造钢 期姨炼终点判断煎接影响靼铜的难产质蠡， 穗确蕊掇淹渣辩鸯造铜鹅的吹燕终点至关重 簧。在实际生产中，操作人员都是看火焰或 弦恶劣条舞下获巍日取群来势愆终点；鞴用 s O ，分析仪分析吹炼产生的烟气成分以此判 断皎炼终赢也基炎耩孛鬻用爨磐法，餐纹器 价格昂贵且易损坏．曾有学者从热力学出 发o ，嚣遣建立热力学壤整来遴簿转炉过程 仿真和终点预报，取得一定效果．但由于许 多热力学参数不麓鞲定翘生产褒鬓操裕参数 变化的随机性，所以其实际应用也存在粮大 越是限。 本文将改进的B P 神经网络算法和自适 斑残差} } 偿算法相结台，建立了炼钢转炉吹 练终点的组舍预报模登，通过预测吹炼过程 所器氧量来预报吹练终点．经生产实践检验 表孵，率交建立的模型其有较高约覆撮禽中 帛和较强的实时性，可用于指导生产实践。 1 ．改进的B P 神经网络算法 B p B a c kP r o p a g a t i o n 神经雕络是太 工神经网络中巍用最广泛的_ 种网络模型， 结构赫革置翁乎缩程簸理。其有较强静菲线 性处理能力。本文所建模型采用含输入层、 豫害联帮输窝罄豹三袋羁缮。箕结耩燕蚕1 所示。 拣霸转炉褒拣终点 神经嘲络预报模型 期 望 辖 出 其中x ； i m l ，2 ，⋯，1 为黼络输入屡单 元，h a 1 ，2 ，⋯，J 为网络隐含层单元，Y - 津 l ，2 ，⋯，鞠为弼终输出艨单元；l ，j ，砭努 别为网络输人、隐含和输出的单元数，W 蚰 s q j i 或撕 秀投镶。 设有Q 个样本，x i q ，t d q 一1 , 2 ，⋯，Q ；i 1 ， 律毒攘赍帮鑫捧{ l 辨6 一} 。舞嘏攘} 。赣建释辩太。壤士，麓教 万方数据 8 2 ，⋯，I _ k l ，2 ，⋯，K 为样本的输人．输 出，h q q mJ ，2 ，⋯，Q j l ，2 ，⋯，J 为隐含层 的辕出，对样本采用批处理的方法进行 弼络学习，学霉冀法翔下 1 绘投重系鼗薅撬馥藿， w 。 t R a l l d o m 0 ，其中s q 为 、j k ；t 为较小 正数，保证投值从较小值开媲变化；阚值 0 ． 0 ．0 】∞W m o t W d ； 2 斑鼠知Q 个学习样本中，顺序取样本 辕人到捌络串，先取q l ； 3 褥辍A 蓬进葑扫一诧怒壤，激戆螽数 取S i g m o d 荫数，分别计冀繇赍鼷和输出层 的输出衅、y x q ； 4 求出各层的误差，对已知样本的教师 可得 5 ≯一辞，一y d y 0 一y ， 2 并记下备个各层输出及误差的酸．在学习中 间，容舄出现4 平台”现象，也称在学习过程 中出现第三局部极小，即式巾 t ，一y ， 不趋 近零，但y “l y 0 趋近于零，所以6 趋近于 零，这样健得投值酌变诧几乎耪潞．这时可 菝莠l y 痰1 一y ◇ c 我替y f 1 ～y 0 ，其孛c 为一个羧小的正数。 5 记下学习过的样本集次数q ，即计数 q 1 ，姗浆q 1 没有等于Q ，则媳回2 继续 计算，否则再从第一个辖人样本扦始让q 1 ， 进行步骤6 。 妨按魏下公式掺竣冬层瓣蔽壤翱期蓬 蜡 W i ‰ 1 w j ‘站 ≈∑磊淑， 珐w 垂墙 ⋯ 3 Q 一- t W d n o 1 W 岫 幔 辩 池w 的 一 f 4 其孛 秀学习速率；鸯动蠢≤穰毪 鑫手， 它有利予误差翱原来下降豹方向薅续下降， 它取适嬲的值有利于加速收敛翔防止振荡 A W n J w n o w I k 1 。 谯学习的开始，给1 赋～个较大的值， 让其举习一段后再徽自适应调节。调节原则 势誊镤蒺的变纯矗E 0 ，Ⅸ 且玻一个较大耱羧；当A E 0 ，粥矗8 - - 1 1 _ ，Ⅸ一O 。其中m 、n 均为，l 、正常数。 7 按新的权值计算隐禽层和输出层各 单菊的输出，并按如下公式计算总误差 o ～i K l E 总一i 1 ∑∑ t J - y 0 2 5 ；口。8k G 著其枣予一令绘定鹣枣数，溺学嚣箨盘，否 剜返瓣2 ，重新学习。 2 缀合预报模型 2 ．1丰枣经网络预报模型由于吹炼的开始 和结窳是以送风的开始和钴求作为标志，所 班恕镧镶欢薅辑黉氧量{ 为颡缀基稼，以铜 镰审戆禽铜蠢作鸯翔定终纛懿檬穗。影噙唆 练所鬻氧量的因素很多，主簧宥铜锍中各元 素和爝剂的质量以及各种冷料的成分和质 量。肉于生产现场很难确定冷料的成分，因 此依擗经验将冷料分含铜高的鞠含铜低的两 释；考虑到生产理场无法测您镧辘串氧元素 麴禽爨，毽踅选择钢羲孛戆C u 、S 、F v 元素熬 质煮、铜镰和熔荆中所含S i 瓴的慧垂以及食 铜高的冷料和含铜铜低的冷料质量为模型的 输 畿量，记为x 协，i l ，2 ，⋯，6 } ；选择 铜毓魄缘所需氧量为输出窝簸．记为Y ．为 使避冀简便，对输入和输出燮蠹进行归一他 处理。 隐禽蘑遵过辕 屡与隐禽瑟之闰连接较 懂的。岛组织化5 对输入横斌进行特征抽 取，并将抽取的特征传递精输出层。一般 地，单茹数越大越好．但太太尝导致网络冗 余，而艇容易振荡。经验袭明，隐含层单元 热一簸斑菇辕A 变量鳕3 刭4 搭。李文对豫 含屡数2 8 拿萃元。本文采雳裁塞等维摸 型。选舷畿新Q 炉数据俸戈学习样本集，雄 将最新的实际数据补充进来。去掉槽同数量 万方数据 9 最草嚣数舞。警搂登毪麓逐囊不好鞋，是礁 起动神经弼络学习模块，使模型具有自学习 和自适应性。 2 ．2 塞遘藏残慧饕偿囊手神经瓣爨摸型 只考虑了影响姨炼所需裁量的主嚣闲索，所 以必须考虑网络模型学习后残差的补偿。本 文聚用多嚣线蠼强癌建藏援差与务影稳瓣索 乏闫关系秘穰塑，将Q 个榉本俸为榉本集， 以此对学习好的阉络培凼的预测德进行补 镁，箕甚如下设 y f q y 鞭澍q 矗y 啦 母 熟中Y q q 1 ，2 ，⋯，Q 为吹炼舆际用氧 量，Y Ⅻ趣 q 一1 , 2 ，⋯，Q 为学习好的枇经 弼络绐i 珏戆羧浏壤，A y q 缱 1 , 2 ，⋯ Q 隽 豫薅实际用戴鬣鸯种经嗣络给出髂溅测值残 羲，X i q q l ，2 ，⋯，Q 为种经网络的输A 交囊，获{ 嚣建悫线蛙弱归{ } 接模型 △Y X A 7 其中A Y [ A y 1 ，A y 2 ，⋯，A y Q 】。 X 。 【l ，1 ⋯，罐X 一港1 ，葛国，⋯， x ． 】1 i 一1 , 2 ，⋯，1 x 【x ∞x ，， ≮⋯， 0 1 1 A 【a ∞a ，，a i ，⋯，a j l l A 为回归恭敬．菇用最，j 、乘法求褥A ，弹 A 撬 “X T A Y 8 残燕{ } 偿可以聚掇薪息模型，即剃嗣越Q 次 鹘辕入交蘩秘鞭粼残蓑来预测藜Q l 获静 残箍A y Q 1 ，然后依如下公式褥劐簧预 测的氧量 Y Q 1 一y _ 1 矗y ＆十1 辨 德样得到燕际的Q l 蹴残差信息稻，将其 和第Q 1 敬的神经网络输 变量加入样本 黎，去捧第一个撵李静绥塞，魏终僚持Q 个 样本。 2 , 3 吹炼终点横型结构如图2 所永 圈 蹙骘 嬲2 撰擞结构 3 结慕 以本文缀合预报檄翌为基础的炼铜吹炼 终赢颈攒豢缝痘用于繁穗燕厂，黪嚣旁携豹 1 0 0 炉作为学习集，PI I I ／4 5 0 P C 机作为仿真 机，神经网络的学习过程均可搬lh 内完 凌；狠撂壤场要求，设糖对诿蓑 瀵怒 | Y m ～Y 女 { ／1 Y i l ‘ 1 0 式中，Y 辕m 、Y 辐表永嗣络的鞴 i l 值翱实际 值。预搬蕉统的性能攒标见表l ， 裘1灏掭系统经髓试骏捂糠 4 讨论 1 凑裘1 鼙翔，本文嚣楚寂戆搂鍪已是 宥较高斡耩赛。蔼嚣，经过残麓斡搂螽 疆 报性能明熙提高。 2 本文成功地潞兔了复杂的机理模 型，应用拂经掰缮来瀵报欢练辫纛，对其它 复杂系统的预报也具有使用价愤。 3 本文挺出豹跛进型B P 神簸列终学 习算法，艟骞簸避受黏p 弱臻易产生静静耪 局部极小，舆宥较高酶学习效率。 参考文羲 lS ．G o t o l n s t ．M i n ．M e t ．，L o n d o n ，1 9 7 4 , 2 3 。 2 撩小力，教健。北京机攘工业学院学报，1 9 9 9 1 ，3 ， 3 高永垒等。镞铁，l 鞠S f 4 疆 4 张立诞．摊艟弼鍪横攮及应甩．上海复量丈 学出版社，t 9 9 4 , 3 4 ． 5 尹串甓等。计算辊研炎每发展。1 9 9 4 国M 6 嗣继壤簿． 工神经辫络一第六代谛箅橇薛实 现．j B 泉科学普及出版牡．1 9 9 3 ．5 1 ． 万方数据