鄭 偉， 李廷剛， 陳 勇， 馬仲群， 孫建鵬， 毛 勇

（五礦營口中板有限責任公司, 遼寧 營口 115000）

LF精煉工藝處于轉爐工藝與連鑄工藝之間，是煉鋼全流程的中轉環(huán)節(jié)，其主要任務包括脫硫去夾雜，以及對鋼水的合金成分與溫度進行微調，是確保鑄坯質量的重要環(huán)節(jié)之一。LF精煉過程是一個極其復雜的物理化學過程，工藝在實際執(zhí)行時具有隨機性強、不確定因素多等特點，且影響因素之間存在強耦合與強非線性關系，從而導致在建立以反應機理為基礎的模型時定量分析誤差較大，因此需要應用神經網絡進行模擬擬合。本文以某鋼廠精煉車間120 t LF精煉爐作為研究對象，應用BP神經網絡方法訓練建立了能夠預測LF精煉終點溫度的模型，以提高終點溫度命中率，達到了加快生產節(jié)奏，降低成本的目的。

1 BP神經網絡建模

BP神經網絡是一種按逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，是目前為科研工作者所廣泛使用的優(yōu)質神經網絡模型之一。BP網絡可在不加入，根據(jù)機理模型建立的數(shù)學映射的前提下，存貯和學習大量的輸入-輸出模式映射關系，以達到實際反應進程進行模擬仿真的目的。它的學習規(guī)則是使用最速下降法，通過數(shù)據(jù)的逆向傳播來調整網絡的閾值和權值，從而得到最小的誤差平方值，以確保仿真擬合函數(shù)的精確度。BP神經網絡模型拓撲結構包括輸入層、隱層和輸出層如圖1所示[1]。本文應用神經網絡的函數(shù)逼近功能，以影響LF精煉終點溫度的各項參數(shù)為輸入向量，以相應爐次的LF精煉終點溫度為輸出向量，訓練數(shù)值仿真預測函數(shù)對LF精煉終點溫度進行預測。

2 模型的建立與驗證

2.1 參數(shù)的設定

根據(jù)專家的經驗以及對LF精煉過程進行分析可得，對精煉過程溫度變化起到主要作用的因素有合金加入量、鈣線加入量、輔料加入量、底吹氬氣量、底吹時間、加熱時間、處理周期、用電量、鋼液質量、精煉到站溫度等10個參數(shù)。因此本文以這10個參數(shù)作為LF精煉終點溫度預測模型的輸入變量，以終點溫度作為輸出變量。輸出變量與輸入?yún)?shù)值之間的函數(shù)關系如公式1所示：

式中：To為鋼包進站溫度；X1為合金加入量；X2為鈣線加入量；X3為輔料加入量；X4為底吹氬氣量；X5為底吹時間；X6為加熱時間；X7為處理周期；X8為耗電量；X9為鋼液質量；X10為精煉到站溫度。

2.2 參數(shù)的選取

在訓練模型的過程中應選用合適的樣本容量及個體，若樣本容量過大時，個體數(shù)目過多，個體之間的相關性較強，會影響模型整體的穩(wěn)定性，神經網絡產生震蕩不利于函數(shù)收斂[2]。本文在某鋼廠精煉車間4號LF精煉爐的實際生產數(shù)據(jù)進行進行篩選，選擇具有代表性的數(shù)據(jù)對函數(shù)進行訓練。

2.3 預測模型的結果與分析

以某鋼廠120 t LF爐精煉車間的實際生產數(shù)據(jù)最為采集樣本庫，采集六百爐具有代表性的數(shù)據(jù)進行處理，刪除由于測量異得出的無效數(shù)據(jù)，得到529爐可用有效生產數(shù)據(jù)。選取其中329爐生產數(shù)據(jù)作為訓練數(shù)據(jù)集，剩余200爐生產數(shù)據(jù)作為測試數(shù)據(jù)并利用MATLAB軟件進行仿真擬合函數(shù)訓練與模擬預測。對測試數(shù)據(jù)集中各爐次終點溫度的模擬預測結果和實際期望結果進行對比，得出結果如圖2所示。

圖2 LF終點溫度預測

從圖2中可以看出基于BP神經網絡訓練的LF終點溫度預測模型，對終點溫度的預測效果較好。預測結果表明：終點溫度預測平均誤差為±3.45℃，絕對誤差小于5℃的命中率為96.5%，最大預測誤差小于±8℃。本文所建立的模型預測精度水平已達到指導生產實踐的要求，能夠為現(xiàn)場冶煉生產作出有效指導。

3 結論

本文針對LF精煉的冶煉過程建立了基于BP神經網絡訓練的仿真預測模型，對LF冶煉終點溫度進行預測，其結論如下：

1）通過對LF精煉過程機理進行分析可得，對精煉過程溫度變化起到主要作用的因素有：合金加入量、鈣線加入量、輔料加入量、底吹氬氣量、底吹時間、加熱時間、處理周期、用電量、鋼液質量、精煉到站溫度。

2）對本文建立的仿真預測函數(shù)進行了精度分析，分析了預測終點溫度與實際終點溫度的誤差水平，結果表明模型精度較高，可所為現(xiàn)場生產提供指導。