基于神经网络的转炉冶炼终点锰、磷静态预测算法

张群威，陈桂华

(漯河职业技术学院，河南 漯河 462000)

0 前 言

转炉冶炼的过程较为繁琐和复杂，在其过程中，会存在很多难以抗拒的因素影响其冶炼的精度，因此需要建立模型对转炉冶炼终点锰、磷进行静态预测，而这些模型大多数都建立在假设和运算估计的基础上，无法保证其冶炼精度。在这种情况下，如何有效地进行转炉冶炼终点锰、磷静态预测成为了制约工业领域发展的一个重要因素，引起了很多专家和学者的重视。目前，关于转炉冶炼终点锰、磷静态预测方法的研究有很多，其相对研究也出现了一定的成果[1]。

碳、锰、磷是转炉操作中需要预测的主要元素。在当前，碳含量的预测是其冶炼的主要对象，而相对于锰含量和磷含量的预测工作较少[2]。预测的基本要求是在吹氧完成时，预测其成分是否同时达到出钢要求。然而，锰含量和磷含量的消除比脱碳更为复杂，所以需要进最大的能力促使锰、磷在吹炼结束前，提前消除到结束要求的范围内，但是采用本文算法进行转炉冶炼终点锰、磷静态预测时，在吹炼结束时，难以对锰、磷的含量进行有效的预测，因此，借助于基于神经网络理论思想，组建转炉冶炼终点锰、磷静态预测模型，由此在30 000炉样本的基础上做数据训练，对权值、阈值进行修正。

1 转炉冶炼静预测的原理

依据初始转炉冶炼的条件，温度，重量，将含量、温度、其他元素化学成分等数据作为参考，将锰、磷含量、温度、其他元素化学成分等数据作为参考，建立转炉冶炼静预测模型，通过数据库连接计算机实时控制原料加入量，基于物料平衡和热平衡，进行转炉冶炼的静态预测[3]。

假设，由Vo2代表吹炼一炉钢的理论耗氧量，VSI{铁},VSH{铁}代表铁水中的锰、磷含量，则利用式(1)计算出计算转炉冶炼过程需要加入的矿石用量将锰、磷含量。

(1)

(2)

2 转炉冶炼终点锰、磷静态优化预测的实现

2.1 网络输入参数的计算

在进行转炉冶炼终点锰、磷静态优化预测过程中，选取的输入参数对预测有决定性的帮助，所以，先要获取影响较大预测参数，提取其中的变量，并给出转炉冶炼结束时的变化敏感性[4]。

在预测冶炼结束时的磷含量时，要分析影响转炉渣的碱度和其渣含量，分析炉温的因数，并且铁水，铁和末端钢水的成分与结束的磷含量密切相关。而相对于结束时的锰含量，其中影响较大的因子和冶炼结束时的磷含量影响因子相似，但是影响的程度却有所不相同，因此，采用和磷含量预测模型相同的输入参数，将其影响因素设定为30个，同时考虑到各参数对钢水磷和锰含量的影响程度有所不同，需要分别进行计算。具体的步骤如下详述：

(3)

(4)

(5)

(6)

综上所述可以说明，在进行转炉冶炼终点锰、磷静态优化预测过程中，网络输入参数的计算过程，为实现转炉冶炼终点锰、磷静态优化预测奠定基础。

2.2 转炉冶炼终点锰、磷静态优化预测的实现

(7)

(8)

(9)

(10)

依据上式获得的结果可以有效的进行转炉冶炼终点锰、磷静态优化预测。

3 实验及其仿真证明

为了证明提出的基于神经网络的转炉冶炼终点锰、磷静态预测算法有效性，需要进行一次实验。将实验平台设定为IntelCore2Duo CPU2.0 GHz、内存2.0 GB的PC，安装Windows XP 操作系统，在Mat-lab7.1环境下搭建转炉冶炼终点锰、磷静态预测实验平台。实验样本选取为100炉的测试样本。为了彰显实验的全面性和公正性，将传统算法作为对比算法进行共同的分析和对比，将预测的精度作为主观评价指标来评价不同算法进行转炉冶炼终点锰、磷静态预测的综合有效性。神经网络算法与传统算法的预测精度结果见图1。

1 传统算法； 2 神经网络算法图1 两种算法的预测精度对比

图1可以说明：利用本文算法进行转炉冶炼终点锰、磷静态预测的精度要优于传统算法，这是因为利用本文算法进行转炉冶炼终点锰、磷静态预测组建终点锰含量和磷含量两个网络预报模型，构建完成的模型会根据入炉料的加入情况对模型继续进行调整和修正，从而保证了本文算法进行转炉冶炼终点锰、磷静态预测的精度。

4 结 语

相对于繁琐的转炉冶炼过程，神经网络理论具有较好的自我学习能力，并且可以校正转炉冶炼终点锰、磷静态预测中产生的多种误差，有效地提升了冶炼的质量，缩小了倒炉的次数，验证了其在转炉冶炼终点锰、磷静态预测中的作用。