基于过程参数控制的烧结矿质量预测模型.pdf

基于过程参数控制的烧结矿质量预测模型 ① 易正明1，2，3， 邵慧君1，2，3 （1.武汉科技大学 钢铁冶金新工艺湖北省重点实验室，湖北 武汉 430081； 2.武汉科技大学 钢铁冶金与资源利用省部共建教育部重点实验室，湖北 武 汉 430081； 3. 武汉科技大学 高温材料与炉衬技术国家地方联合工程研究中心，湖北 武汉 430081） 摘 要 针对烧结过程非线性、强耦合性和大时滞的特点，从过程参数控制的角度对烧结工艺进行了总体分析，确定了烧结矿性能 评价指标及其主要影响参数，在此基础上提出了一种带动量项和变学习率的 BP 神经网络算法，建立了烧结矿质量预测模型。 仿真 实验结果表明，模型具有较强的自学习功能和较高的预测精度，用拓扑结构为 15-25-4 的 BP 神经网络和 0.6510 -3 的网络误差进行 训练，模型的预报命中率在 81.25％以上，充分验证了基于过程参数控制的烧结矿质量预测模型的准确性和有效性。 关键词 烧结矿； 烧结工艺； 过程参数； BP 神经网络； 质量预测模型 中图分类号 TF046文献标识码 Adoi10.3969／ j.issn.0253-6099.2018.06.021 文章编号 0253-6099（2018）06-0092-05 A Prediction Model for Sintering Quality Based on Control of Process Parameters YI Zheng-ming1，2，3， SHAO Hui-jun1，2，3 （1.Hubei Provincial Key Laboratory for New Processes of Ironmaking and Steelmaking， Wuhan University of Science and Technology， Wuhan 430081， Hubei， China； 2.Key Laboratory for Ferrous Metallurgy and Resources Utilization of Ministry of Education， Wuhan University of Science and Technology， Wuhan 430081， Hubei， China； 3.National-provincial Joint Engineering Research Center of High Temperature Materials and Lining Technology， Wuhan University of Science and Technology， Wuhan 430081， Hubei， China） Abstract Aiming at characteristics of non-linearity， strong coupling and long time-delay in the sintering process， an overall analysis was conducted for the sintering process from the perspective of process parameter control. Thus， the sintered ore properties uation index and the main impacting parameters for it were all obtained. Then， a BP neural network algorithm with momentum and variable learning rate was proposed， with which a quality prediction model for the sintered ore established. The following simulation experimental results showed that the model has a higher prediction precision and stronger self-learning ability. The predictive hit-ratio of random samples was over 81.25％ by adopting BP neural network with the structure of 15-25-4 and network error of 0. 65 10 -3 ， which verified the accuracy and effectiveness of this quality prediction model on the basis of process parameter control. Key words sintered ore； sintering technics； process parameter； BP neural network； quality prediction model 随着高炉大型化和冶炼技术提高，对精料提出了 更高要求，烧结矿占高炉入炉原料的 70％以上，其质 量的稳定与优化对整个炼铁流程的技术经济指标都有 重要影响[1-2]。 烧结矿原料参数与其质量指标参数之 间关系密切，但由于其配料工序的滞后性和检测方法 的限制，使得监测结果失去了实时指导烧结生产过程 的意义，因此从一个合理的角度建立一种快捷有效的 模型对烧结矿质量进行预报极为重要。 烧结生产过程是一个具有显著非线性、强耦合性 和大滞后性的高度复杂动态系统，它涉及到大量的控 制参数和一系列复杂的物理化学变化。 神经网络方法 不需要建立对象机理模型，可以通过不断修正模型参 数来反映系统动态特性的变化，并且利用其自学习、自 适应和非线性变换特性从而实现对烧结矿质量预报系 ①收稿日期 2018-05-26 基金项目 国家自然科学基金（51604199） 作者简介 易正明（1973-），男，湖北荆州人，教授，博士，主要研究方向为冶金过程数学模型及烧结工艺优化。 通讯作者 邵慧君（1992-），男，湖北黄冈人，硕士研究生，主要研究方向为钢铁冶金数学模型与烧结工艺优化。 第 38 卷第 6 期 2018 年 12 月 矿矿 冶冶 工工 程程 MINING AND METALLURGICAL ENGINEERING Vol.38 №6 December 2018 万方数据 统的建模解析。 针对烧结矿质量预测和模型优化的研究，国内外 诸多学者做过很多工作[3-6]。 本文从过程参数控制的 角度运用了一种带动量项和变学习率的 BP 神经网络 模型对烧结矿质量进行预报，通过现场的试运行，验证 了该预报模型的准确性和有效性。 1 基于过程参数控制的烧结工艺分析 现代烧结生产是一种抽风烧结过程，混合料配以 适量的水分经制粒后铺到烧结机上点火，通过下部风 箱强制抽风自上而下进行烧结反应，在料层燃烧产生 的高温作用下，混合料发生了一系列的物理化学变化， 最后形成烧结矿。 烧结生产的目的并不是简单地将细 粒矿粉制成块矿，而是在造块的过程中通过调整原料 参数、操作参数和设备参数，使指标参数和状态参数达 到最优，最后生产出符合质量指标要求的烧结矿。 从 过程参数控制的角度看，可以将烧结工艺看成这样一 个系统一定的原料参数和操作参数作用于设备参数， 同时调整过程参数的运行特性，则有一定的状态参数 和指标参数与之相对应，最后生产出优质的符合高炉 生产的冶炼原料。 烧结过程模型分析如图 1 所示。 铁原料配比 熔剂配比 配碳量 垂直烧结速度 粒径分布 原料参数 抽风面积 设备参数 漏风率 烧结面积 最大产量 过程参数 转鼓强度 碱度 FeO含量 TFe含量 料层高度 加水率 烧结机速 点火温度操作参数 布料速度 指标参数 抽风负压 状态参数 废气温度 终点位置 料层透气性 图 1 基于过程参数控制的烧结工艺分析模型 图 1 表明，烧结工艺就是原料参数在寻找最优过程 参数的指引下最后转化成具有一定指标参数的烧结块 矿，影响烧结工艺的各类参数在总量上达到 22 个，同 时，各类参数相互影响、相互制约。 如状态参数烧结终 点位置与烧结机速和垂直烧结速度有关，而垂直烧结速 度也是烧结生产的状态参数，它又与状态参数料层透气 性相关，而透气性又与原料参数、粒径分布、加水率、布 料速度等多种过程参数相关。 从配料到点火烧结，过程 参数的控制与运行构成了烧结工艺的全过程。 因此，利 用指标参数与过程参数的关系，可建立起相应的预报模 型以实现对烧结矿质量更全面准确的预测。 1.1 烧结矿质量评价指标参数 高的炼铁入炉料含铁品位（TFe）是精料技术的核 心，TFe 含量提高，炉渣会相应减少，这对降低高炉焦 比和提高其利用系数具有十分显著的作用。 烧结矿 FeO 含量主要取决于烧结工艺过程参数，是评价烧结 矿生产的一项重要质量指标，FeO 含量较低时，会导致 烧结过程中液相生成量不足，严重影响烧结矿的机械 强度[7]；而 FeO 含量较高时，不利于降低烧结能耗和 高炉焦比，烧结矿还原性变差。 转鼓强度用来评价烧 结矿的耐磨和抗碰撞性能，它所检验的耐磨性及形成 粉末倾向对高炉操作有重要影响[8]。 碱度（R）是改善 烧结工艺的重要指标参数之一，合理的碱度有助于高 炉生产的增产节焦，碱度较低时，不利于铁酸钙生成， 烧结矿的粘结相总量较少，成品矿强度变差；碱度较高 时，液相生成量和烧结料层透气性有所改善，但 F、S 含量高，熔融区间宽[9]，同化温度增加[10]。 所以 TFe 含量、FeO 含量、转鼓强度和碱度从不同角度反映了烧 结矿的质量指标参数的情况，将它们组合在一起可以 作为烧结矿质量预测模型的评价指标。 1.2 影响烧结矿质量的主要工艺参数 影响烧结工艺最终质量指标参数的因素很多，在 设备参数一定的条件下，主要影响因素是烧结过程控 制中原料参数和操作参数的选择。 在烧结过程控制 中，为了保证状态参数和指标参数的合理，需要进行一 系列相关操作，包括原料准备、配料、混料、布料、点火、 烧结、破碎、冷却、整粒等，过程参数的控制与调整都会 影响烧结矿的质量。 原料参数要求具有稳定的化学成分，可以通过配 料、混合、制粒等操作最大限度地满足烧结工艺的要 求。 操作参数在烧结过程中对烧结矿的质量进行一个 全面的优化与调节，从配料、混料、制粒到烧结矿的破 碎、冷却、整粒，每一个局部工艺中都有操作参数的运 行，如果操作参数调整不当，不可能生产出符合高炉冶 炼要求的优质烧结矿。 以上几类参数都会影响烧结矿的最终质量指标参 数，选取其中 9 大类参量、15 个影响参数作为其判定 指标，具体如表 1 所示。 表 1 影响烧结矿质量因素分析 类别工艺参数 原料含铁原料配比 配料 熔剂生石灰添加量、石灰石添加量、白云石添加量 燃料配碳量 中和料返矿添加量 混料加水率 布料布料速度 点火点火温度、点火时间 烧结抽风负压、烧结机速、料层厚度 冷却烧结终点位置、废气温度 39第 6 期易正明等 基于过程参数控制的烧结矿质量预测模型 万方数据 2 烧结矿质量预测模型 由于原料参数成分复杂，彼此相互影响，同时采用 返矿烧结工艺，使得基于传统建模方法所建立的机理 预测模型精度较低，很难满足实际的生产需求。 并且， 从原料的下料到检验出烧结矿各种指标参数，存在长 达几个小时的时间滞后。 基于过程参数与烧结矿质量 指标参数之间非常复杂的非线性关系，采用传统的控 制理论和方法难以解决全局控制问题，而人工神经网 络具有人脑的学习记忆功能，通过自适应学习可以逼 近任意非线性函数，求解速度快、精度高，是一种比较 好的建模方法。 2.1 BP 神经网络 BP 神经网络是一种按误差逆传播算法训练的多 层前馈神经网络，本文采用可以表征任意非线性关系 的 3 层前馈神经网络信息处理结构[11]，见图 2。 含铁原料配比 石灰石配比 白云石配比 生石灰配比 TFe含量 FeO含量 碱度 转鼓强度 烧结机速 料层厚度 烧结终点位置 废气温度 输入层隐含层输出层 图 2 神经网络结构拓扑图 神经网络结构包括输入层、隐含层和输出层。 其 算法的核心是数学中的“负梯度下降理论”，即通过反 向传播来不断调整网络的权值和阈值，使网络的误差 平方和总是沿着误差下降的最快方向进行。 优点是易 于实现、计算量小；缺点是在网络训练学习时收敛速度 慢、易于陷入局部极小点、产生震荡、发散等问题。 基 于前面对烧结矿质量指标及其影响因素的机理分析， 选取表 1 中的 15 个影响参数和 4 个指标参数作为 BP 神经网络的输入层和输出层。 2.2 BP 神经网络算法及其改进 标准 BP 算法在训练中学习率是恒定的，在网络 的误差曲面震荡十分剧烈时，学习步长过大和过小都 会给网络收敛带来困难。 对 BP 神经网络算法的改进 主要有两种途径，一是以误差梯度信号为依据的变学 习率；二是以误差偏导矢量的方向余弦来调节学习率。 本文运用了一种带动量项和变学习率的优化算法对普 通 BP 神经网络算法进行改进，以改善网络的训练性 能和模型精度。 设任意训练样本 Xk＝[xk1，xk2，，xkM] T，k ＝ 1，2， ，n，实际输出 Yk ＝[y k1，yk2，，ykP] T，Y k 为对应输入 X 的神经网络输出，期望输出为 dk＝ [dk1，dk2，， dkP] T。 设 n 为迭代次数，权值和实际输出是 n 的函 数，输出层第 p 个神经元的误差信号为 ekp（n） ＝ dkp（n） - ykp（n）（1） 定义神经元 p 的误差能量为 1 2 e2 kp（n），则输出层 所有神经元的误差能量总和 E（n）为 E（n） ＝ 1 2 ∑ P p ＝ 1 [dkp（n） - ykp（n）] 2 （2） BP 神经网络算法中隐含层 J 与输出层 P 之间权 值的修正量与误差对权值的偏微分成正比，即 Δwjp（n） ＝- η ∂E（n） ∂wjp（n） （3） 式中 η 为学习速率；w 为网络权值。 则修正之后的网 络模型为 wjp（n ＋ 1） ＝ wjp（n） - η ∂E（n） ∂wjp（n） （4） 式中 wjp（n）为隐含层 J 与输出层 P 之间权值的修正 量。 在标准的 BP 神经网络算法中，学习速率 η 为常 数，然而在实际网络训练中，平坦区域内 η 太小会使 训练次数增加；在误差变化剧烈的区域 η 太大会使网 络出现震荡，反而使迭代次数增加。 为了使步长的每 次改变不致幅度太大，采用一种线性再激励学习算法 Δη（t） ＝ ελη（t - 1）（5） 式中 Δη（t）为 t 时刻的学习速率；0≤ε≤1，为常数，一 般凭经验取得。 通过实验取 η∈[0.2，0.6]，且定义 λ 为 λ ＝ sgn（ ∂E ∂W（t） ） ∂E ∂W（t - 1） （6） 神经网络的算法变为 wjp（t ＋ 1） ＝ wjp（t） ＋ Δη（t）（7） 则得到带动量项 α 的自适应变步长的改进 BP 神经网 络算法为 W（t ＋ 1） ＝ αW（t） ＋ Δη（t）（8） 式中 α 为动量项，通常是正数。 通过调整网络的权值 和阈值，使 E（n）达到最小。 改进之后的 BP 神经网络 算法具有很好的训练效果，它可以根据环境变化自适 应地增大或减小学习速率，并且可以有效地降低训练 过程中的震荡频率和减小网络陷入局部极小的可能 性，改善网络的收敛性，提高预报精度。 3 仿真实验与结果分析 3.1 仿真模型的建立 选取了 15 个与烧结矿质量相关的工艺参数和 4 49矿 冶 工 程第 38 卷 万方数据 个质量指标分别作为神经元的输入输出，即 15 个输入 神经元、4 个输出神经元。 隐含层神经元数的选取尚 无统一的指导原则，根据经验公式计算，其值确定为 25[12]。 输入层和隐含层神经元激励函数选用函数 tansig，即 tansig（n） ＝ 2 [1 ＋ exp（ - 2n）] - 1 （9） 输出层激励函数选用函数 purelin，动量项 α＝ 0.50，初 始学习步长 η＝0.55，初始权值和阈值分别为 0.7 和 1， 训练步数 15 000，网络训练误差 ε＝0.6510 -3 。 为了设计预报模型，从某钢铁企业烧结车间 2016 年 4 月至 2017 年 4 月实际生产现场采集了 500 组数 据，经正规化训练后，选取其中的 300 组，前 220 组作 为模型的训练样本，后 80 组作为模型的预报样本，分 别进行网络训练和检测，具体步骤如下 1） 现场采集 15 种输入样本参数和 4 种输出样本 参数，产生数据样本集。 2） 为了避免现场采集的数据单位和数量级不一 致带来的误差，用下式将数据样本集的原始数据归一 化处理[13] x′i＝ xi - x min xmax - x min （10） 式中 xmax、xmin分别为样本集的最大值和最小值。 3） 将经过归一化的样本数据集输入设定好的神 经网络中进行网络训练学习，直至均方误差函数达到 MSE≤0.6510 -3 ，得到网络输出结果。 4） 比较当前的训练误差和上次的训练误差，根据 式（8）进行权值的修正。 5） 检验经过训练后的 BP 神经网络，判断误差 E（n）是否在允许的范围内，如满足，则此网络符合要 求，训练结束；否则，网络需要重新设计参数值以确保 其精度要求。 在输入样本相同的情况下，分别采用两种方法对 网络进行训练，比较结果如表 2 所示。 表 2 2 种烧结矿质量预测模型结果比较 方法训练次数训练时间／ min均方误差（MSE） 普通 BP 网络15 00011.70.8110 -2 改进 BP 网络15 0005.30.5610 -3 由表 2 可知，与普通的 BP 神经网络算法相比，改 进之后的 BP 神经网络算法具有很好的训练效果。 在 训练次数为 15 000 次时，它可以根据环境的变化自适 应增大或减小学习效率，加速收敛过程，使训练时间从 11.7 min 减小至 5.3 min；并且可以降低训练过程中的 震荡频率和减小网络陷入局部极小的可能性，均方误 差从 0.8110 -2 减小至 0.5610 -3 ，有效改善了网络的 收敛性并提高了模型的预报精度。 3.2 结果分析 为了检验模型的有效性，对样本数据处理分析后， 选取 220 组样本数据进行网络学习训练，然后用剩下 的 80 组样本数据进行预测，分别对烧结过程的质量指 标进行仿真实验验证，预报曲线如图 3 所示。 样品编号 54.5 52.0 49.50 20406080 TFe含量／ 样品编号 10.5 8.0 5.50 20406080 FeO含量／ 样品编号 80.8 80.3 79.8 79.3 78.80 20406080 转鼓强度／ 样品编号 2.15 2.05 1.95 1.85 1.750 20406080 碱度／ 计算值 预测值 ▲ ■ 计算值 预测值● ■ 计算值 预测值 ■ 计算值 预测值● ■ ▲ 图 3 烧结矿质量预测模型仿真结果 对图 3 进行分析，获得烧结矿质量预测模型的预 报命中率见表 3。 表 3 烧结矿指标参数命中率 指标参数精度／ ％ TFe 含量90.00 FeO 含量85.00 碱度81.25 转鼓强度86.25 注TFe 含量、转鼓强度在0.24 的误差范围内认为命中；FeO 含量在 0.2 的误差范围内为命中，碱度在1.2％的误差范围内为命中。 59第 6 期易正明等 基于过程参数控制的烧结矿质量预测模型 万方数据 由表 3 数据可知，经网络训练后，烧结矿质量预测 模型具有较强的泛化能力和自适应能力，对烧结矿质 量指标参数具有很好的预测效果，模型精度能够达到 81.25％以上，符合实际生产过程的需求。 模型在实际 生产过程中能够准确反映出烧结矿质量指标参数的变 化趋势，为解决烧结矿质量优化控制问题提供了有效 指导。 4 结 论 通过对铁矿石烧结工艺的分析，指出了过程参数 的控制对烧结矿质量特性的影响，并针对烧结矿质量 预测的特殊性和工艺要求，确定了影响烧结矿质量预 测模型的关键参数，选取了 9 大类 15 种参数作为烧结 矿质量指标的影响因素，提出了一种带动量项和变学 习率的 BP 神经网络算法作为预报模型，与基本 BP 算 法相比，改进了其局限性，具有较快的收敛速度，模型 预报命中率达 81.25％以上，有效解决了烧结过程传统 机理建模难以解决的问题。 上述模型应用到某钢铁企 业 265 m2烧结机生产过程中，取得了较好的预报效 果，其配料准确率、烧结矿成品率与利用系数等指标有 较大的提高，降低了企业生产成本，减少了废气排放， 取得了较好的环保效益和经济效益。 参考文献 [1] 范晓慧，冯 婧，陈许玲，等. 烧结矿化学成分预报模型与控制指 导专家系统[J]. 矿冶工程， 2011，31（4）77-85. [2] 张 华，黄昌先，赵 刚，等. 基于辅料运行特性的烧结矿质量预 测模型[J]. 钢铁研究学报， 2012，24（4）14-18. [3] Fan X H， Li Y， Chen X L. Prediction of iron ore sintering characters on the basis of regression analysis and artificial neural network[J]. Energy Procedia， 2012，16（B）769-776. [4] Wu M， Chen X X， Cao W H， et al. An intelligent integrated optimization system for the proportioning of iron ore in a sintering process[J]. Journal of Process Control， 2014，24（1）182-202. [5] 向 婕. 铁矿石烧结过程智能集成优化控制技术及其应用研究[D]. 长沙中南大学信息科学与工程学院， 2010. [6] Fan X H， Huang X X， Chen X L， et al. Research and development of the intelligent control of iron ore sintering process based on fan frequen- cy conversion[J]. Ironmaking ＆ Steelmaking， 2016，43（7）488-493. [7] 吕 庆，黄宏虎，曹丽华，等. 原矿中 FeO 含量对烧结矿的影响[J]. 烧 结球团， 2014，39（5）1-4. [8] 王筱留. 钢铁冶金学（3 版）[M]. 北京冶金工业出版社， 2013. [9] 陈 革，王瑞军，沈茂森. 包钢自熔性复合烧结矿试验研究[J]. 矿冶工程， 2013，33（3）98-103. [10] 赵 凯，李 杰，张玉柱，等. 邢钢烧结原料基础特性及优化配矿 试验研究[J]. 矿冶工程， 2016，36（4）88-92. [11] 杨景明，顾佳琪，闫晓莹，等. 基于改进遗传算法优化 BP 网络的 轧制力预测研究[J]. 矿冶工程， 2015，35（1）111-115. [12] 田宝亮，牛培峰. 基于 GA-BP 神经网络的弯辊力预设定模型研 究与应用[J]. 矿冶工程， 2018，38（1）111-114. [13] Li Z P， Fan X H， Guo C， et al. Optimization of iron ore sintering process based on ELM model and multi-criteria uation[J]. Neu- ral Computing and Applications， 2017，28（8）2247-2253. 引用本文 易正明，邵慧君. 基于过程参数控制的烧结矿质量预测模 型[J]. 矿冶工程， 2018，38（6）92-96. 矿冶工程杂志 2019 年征订启事 矿冶工程（双月刊）由中国金属学会、长沙矿冶研究院有限责任公司主办，面向国内外公开发行。 本刊是 中国期刊方阵“双效期刊”、全国中文核心期刊、中国科学引文数据库（CSCD）及中国学术期刊综合评价数据 库来源期刊、中国核心学术期刊（RCCSE），是集学术性和技术性于一体的综合性刊物，已被中国知网（CNKI）、 万方数据库、重庆维普资讯、台湾华艺数据库等全文收录，是国外多家知名检索机构的检索对象。 矿冶工程读者对象是采矿、选矿、冶金、材料、地质、化工等系统的有关生产人员、院校师生和管理人员。 主要栏目为采矿、选矿、冶金、材料、矿冶行业企业管理等，内容新颖，是开拓、激发创造力的良师益友。 矿冶工程编辑部承接彩色、黑白及文字广告业务，欢迎各企事业单位来电来函联络。 矿冶工程真诚欢迎新、老订户向全国各地邮局订阅本刊，也可直接向编辑部订阅。 邮发代号42-58，大 16K，定价 20 元，全年 120 元。 地 址 湖南省长沙市麓山南路 966 号联 系 人 黄小芳 邮 编 410012开户名称 矿冶工程杂志（长沙）有限公司 电 话 （0731）88657070／88657176／88657173开户银行 工商银行长沙左家垅支行 传 真 （0731）88657186帐号 1901013009201095502 E-maiI kuangyegongchengzz＠ 网址 69矿 冶 工 程第 38 卷 万方数据