高炉炉况预测模型的研究现状及展望

张学飞，胡宾生，贵永亮

(河北联合大学冶金与能源学院，河北唐山 063009)

0 引言

高炉生产是一个复杂的系统工程，涉及到装料制度、送风制度、热制度和造渣制度。高炉炉况是高炉冶炼过程中的一个综合指标，是对高炉四大操作制度是否合理的一个综合评判，四大操作制度决定了高炉炉况，反过来，高炉炉况又决定了四大操作制度的选择调整。高炉炉况的好坏不仅对高炉冶炼过程具有重要影响，而且对高炉的寿命也有重要影响［1］，因此，对高炉炉况进行预测就显得尤为重要了。目前对高炉炉况的预测模型主要分为基于知识的预测模型和基于数据的预测模型两大类。

1 高炉炉况预测的复杂性

高炉炉况是高炉冶炼过程中的一个重要指标，它会受到许多因素(主要工艺因素见表1所示)的影响，并且这些因素之间的关系是错综复杂的，例如:透气性指数是影响高炉炉况的一个重要因素，透气性指数除了与风量﹑全压差有关之外，还与风温、喷煤量、焦比等许多工艺因素都有关，很难用一个确定的数学公式来精确描述。目前，大多数的研究者都是从中选择部分工艺参数来描述高炉炉况，李启会［2］等就选取了风温、风量、透气性指数、铁水中硅含量、全压差、料速来描述高炉炉况;崔桂梅、甄常亮［3］等选择风量、风温、炉顶压、热风压、喷煤量、综合负荷作为模型的参数来描述高炉炉况。这类方法都是从影响高炉炉况的工艺参数中挑选了几种重要的工艺参数来评价高炉炉况，不可避免的会丢掉一些高炉炉况的原有特征，另一方面这些工艺参数对高炉炉况的影响权重排序也有待进一步研究，但比起只靠人工经验来判断高炉炉况来说有了很大的进步。

表1 高炉炉况工艺参数

续表1

2 基于知识的高炉炉况预测模型

基于知识的高炉炉况预测模型也称为理论模型，即根据现有的公理或定理建立起来的精确描述高炉冶炼过程的模型，它是以人们对该类现象的正确认识为基础的。从考虑维数的角度又可分为一维模型、二维模型、三维模型。

一维模型中的典型代表是1927年提出的理查德图模型［4］(Reichardt Diagram Model)，该模型是以高温区的热平衡为基础的单纯的用热力学来计算高炉各部分的温度，将高炉按温度从炉顶到炉底分为五部分，并假定炉温在高炉各部分的纵向变化为直线，然后用能量守恒定理来计算各处的炉料和煤气温度的办法;1964年提出的里斯特(Rist)操作线模型［5］也是一维模型，该模型认为在煤气上升与炉料下降的逆流中，不仅有能量的交换，还有炉料氧原子迁移到煤气中的过程;氧原子的来源主要有三类:炉料中铁矿带入，炉料中其他的氧化物，风口吹入得热风;氧原子的迁移过程分四类:铁氧化物的直接还原，铁氧化物的间接还原，炉料中其他物质与炉气的交换，风口碳燃烧;几种碳原子迁移过程中的μ相等。这类模型几乎都是离线模型，在实际生产中进行应用存在比较大的困难。

到了20世纪80年代，随着计算机技术的飞速发展，计算机的计算速度得到了极大提高，用有限元的思想来解复杂的偏微分方程不再是梦想。在此期间，人们提出了许多二维和三维的高炉数学计算模型，这些数学模型大部分采用偏微分方程进行建模，通过解偏微分方程的方法来求解高炉炉况，著名的数学模型主要有Sugata和Sugiyama开发的BRIGHT模型和由Yagi和Takeda开发的Omori模型［6～8］。

自20世纪90年代以来，随着有限元软件的发展，运用专门的模拟软件对高炉进行建模与解析的模型大量出现，这些模型主要是针对高炉局部进行的研究。主要有:布料模型［9～10］、风口燃烧模型［11～13］等。这些模型加深了人们对高炉局部运行情况的认识，但难于应用于在线运行。

3 基于数据的高炉炉况预测模型

基于数据的高炉炉况预测模型既不依靠人们对高炉冶炼过程规律的认识，也不依靠人们对高炉各项参数的正确分类(大多数情况下人们并不具备这种能力)，而是以收集到的高炉生产中的各项数据为样本，用这些样本来训练一定的模式识别机器，基本思路如图1所示。

图1 基于数据的高炉炉况预测模型示意图

首先，用各种检测手段尽可能多的采集高炉生产中的相关数据，采集到的数据不可避免的有许多误差或数量级相差很大，这时要对采集到的数据进行预处理，然后用数学方法进行特征提取，最后输入机器进行训练，训练完毕后即可进行预测。基于数据的高炉炉况预测模型根据训练机器理论的不同主要分为基于模糊数学的高炉炉况预测模型、基于神经网络的高炉炉况预测模型、基于支持向量机的高炉炉况预测模型。

3.1 基于模糊数学的高炉炉况预测模型

高炉冶炼过程非常复杂，涉及到许多参数，对参数的评价很难用一个确定的界线来进行。这种炉况预测模型通过引入模糊数学中隶属函数的概念对高炉工艺参数进行评价，进而进行炉况预测。应用较早且影响较大的当属日本川崎公司在1975开发发的GO—STOP系统［7］，为了评价高炉炉况，GO—STOP系统抽取了高炉冶炼的17个操作参数、8个复合参数和4个趋势参数，其推理过程如图2所示。

图2 GO—STOP系统的逻辑结构

GO——STOP系统虽然取得了较大的成功，但其将每个参数的GS值固定的分为0、1、2三个数值，未反应出操作参数渐变对炉况的影响。吴胜利、刘茂林［5］，李启会、刘祥官［3］针对GO——STOP这一情况进行了改进，通过设置评价矩阵，参数重要性矩阵。实现了操作参数渐变对炉况影响的评价。

3.2 基于神经网络的高炉炉况预测模型

1943年，心理学家McCulloch和数理逻辑学家Pitts在《Bulletion of Mathematical Biophysics》上提出了用数理逻辑来描述人的神经网络的方法［14］，揭开了神经网络研究的序幕。自20世纪80年代以来神经网络得到了突破性的发展，其在处理大量有噪音，非线性的数据方面有巨大的优势，理论上讲，它可以逼近任意维的曲线或曲面，因此被广泛用于分类、预测等方面。基于神经网络的高炉炉况预测模型是指通过神经网络对大量经过处理的实际高炉生产的工艺数据的大量学习，抽取出每一个影响因素对炉况影响的权值因子，从而对炉况进行预测。目前大多数学者都是运用误差反向传播神经网络(BP网络)进行炉况预测，基本的BP网络主要由输入层、隐藏层、输出层三层组成。

浙江大学的刘金馄、王树青［15］在1998年开发了高炉异常炉况神经网络专家系统，基于模糊规则建立模糊BP神经网络。网络分为:输入层、前提隶属函数层、前提层、规则层、输出层。异常炉况作为网络的输出，有关工艺参数作为网络输入。通过神经网络自学习算法实现对隶属度的调整。东北大学的王玉涛、夏靖波、周建常、王师［16］等人在1999年采用模糊神经网络专家系统实现高炉炉况的诊断。系统采用按诊断故障类型划分的模块化模糊神经网络结构。系统采用自学习算法实现模拟诊断推理过程并调整上述特征因子权重、模糊等级的界限值以及规则的可信度。卢虎生、高斌［17］等开发的神经网络专家系统利用神经网络来抽取专家系统的规则，取得了较好效果。其主要方法是首先根据经验建立高炉炉况的逻辑推理网络，然后建立相应结构的神经网络，最后将多组已知炉况的数据输入神经网络对其进行训练，获取相应的隶属度，从而结合规则库进行判断炉况。神经网络方法对于高炉异常炉况诊断以及炉热预报方面，在某些具有大样本数据的高炉上取得了不错的应用效果。神经网络具有基于训练数据集学习建立模型的能力，克服了专家系统的知识提取困难、可移植性差等缺点，但存在算法只有在大样本数据下有效，容易陷入局部最优解等不足。由于实际情况下的很多高炉异常炉况的征兆数据常常是小样本数据，因此，神经网络方法在很多高炉上使用效果并不理想。

3.3 基于支持向量级的高炉炉况预测摸型

支持向量机(SVM)起源于20世纪90年代，它是从统计理论发展来的，建立在VC维理论和结构风险最小化原理基础上的一种方法，它在保证机器学习能力的同时又可以获得最佳的泛化性能。最近几年在高炉炉况预测方面开始得到应用，如曲飞、吴敏［1］等设计的最小二乘支持向量机法，崔桂梅、鄢常亮［18］等基于向量机建立的高炉向凉向热模型。一方面它避免了神经网络的过学习和对小样本不适用的问题;另一方面它通过核函数巧妙的解决了维数问题。

4 高炉炉况预测模型的发展

自上世纪50年代以来，随着数学，计算机等基础学科的飞速发展，高炉炉况预测方法也发生了巨大的变化，并取得了大量的研究成果，一方面随着仿真模拟的出现，加深了人们对高炉运行规律的理解，并且也验证了一些高炉运行规律，但在实际应用中很难再线运行;另一方面也开发了许多运用模糊理论、神经网络、向量机的黑盒离线、在线高炉炉况预测模型，该类模型只是从统计的角度预测炉况，缺少对高炉运行原理的结合。高炉炉况预测模型应该走多模型复合化的道路，在结合人工智能的同时也应重视已知的经验规则，将二者有机结合起来，即基于知识和数据综合利用的炉况预测模型。

5 结语

1)高炉炉况预测模型分为基于知识和基于数据两大类，基于知识的数学模型投入实际运行的比较少，大多是针对高炉局部的研究;基于数据的高炉预测模型包括基于模糊理论、基于神经网络和基于向量机。目前投入实际运行的大多数是基于神经网络的高炉炉况。

2)高炉炉况预测模型的发展趋势是注重数据与知识的结合，在改进应用统计理论的同时也要结合高炉知识进行炉况预测。

［1］曲飞，吴敏，曹卫华，何勇.基于支持向量机的高炉炉况诊断方法［J］.钢铁，2007，42(10):17-19.

［2］李启会，刘祥官.高炉异常炉况的模糊预测模型［J］.中国冶金，2007，17(4):34-37.

［3］鄢常亮.基于支持向量机的高炉向凉向热炉况预测研究［D］.包头:内蒙古科技大学，2010.

［4］Shihua Luo，Jian Huang and Zhilong Li.Prediction for Silicon Content in Molten Iron using unsupervised optimal fuzzy clustering* .Proceedings of the 7thWorld Congress on Intelligent Control and Automation［C］.June 25 － 27，2008，Chongqing，China.

［5］A.Rist and N.Meysson:J.Metals［J］.，19，(1967)，4.P.50.

［6］王筱留.钢铁冶金学(炼铁部分)［M］，北京:冶金工业出版社，2005.

［7］毕学工.高炉过程数学模型及计算机控制［M］.北京:冶金工业出版社，1996.

［8］Omori K.Blast Furnace Phenomena and Modelling［M］.London:Elsevier Applied Science ，1987.

［9］朱清天，程树森.高炉料流轨迹的数学模型［J］.北京科技大学学报，2007，2(9):932-936.

［10］杜鹏宇，程树森，滕召杰.并罐式无钟炉顶布料蛇形偏料的研究［J］.北京科技大学学报，2011，33(4)479-485.

［11］amaluddin AS，Wall TF，Truelove JS.Combustion of pulverised coal as a tuyere injectant to the blast furnace.In:21st Symposium(International)on Combustion［C］.The Combustion Institute.1986.p.575-84.

［12］Nakajima R，Kishimoto S，Htta H，Ishii K，Sakuai M，Itagaki S.Behavior of coke degradation in a blast furnace.NKK Tech Rev［J］.1990;60:1-8.

［13］Y.S.Shen，B.Y.Guo ，A.B.Yu ，，P.R.Austin ，P.Zulli.Three － dimensional modelling of in － furnace coal/coke combustion in a blast furnace.Fuel［J］.90，(2010)，2 P.728-738.

［14］McCulloch W S，Pitts W:A logical calculus of the idears immanent in nervous activity.Bulletion of Mathematical Biophysics［J］，1943(5):115-133.

［15］刘金馄，王树青.高炉异常炉况神经网络专家系统［J］.钢铁研究学报，1998，10(5):67-70.

［16］王玉涛，夏靖波，周建常，王师.高炉参数学习用模糊神经网络专家系统［J］.钢铁研究学报，1999，11(5):72-76.

［17］卢虎生，高斌，赵利国，国宏伟，杨天钧.高炉炉况判断神经网络专家系统［J］.北京科技大学学报，2002，24(3):276-279.

［18］崔桂梅，甄常亮，关英辉，.基于支持向量机的高炉向凉、向热炉况预测［J］.钢铁研究学报，2011，23(7):18-22.