AOD爐鐵合金冶煉終點預報模型

許紅巖, 于歡歡, 李云鵬, 張 洋, 隋添翼

(長春工業(yè)大學電氣與電子工程學院,吉林長春 130012)

0 引 言

終點控制是鋼鐵冶煉過程中重要的操作,準確的終點命中率可以大大縮短冶煉時間,提高爐體使用壽命。隨著鋼鐵冶煉技術的進步和新品種的不斷開發(fā),對終點成分以及含量的要求越來越高,所以在冶煉過程中,通常總是盡可能提前讓磷、硫等去除到終點所要求的范圍,故終點控制簡要稱為終碳控制和鐵水溫度控制。

但是,目前大多數(shù)AOD爐冶煉終點碳控制是借助經驗公式來預測的,主要還是通過取樣分析來確定,終點溫度往往取決于終點碳和多次搖爐測溫來確定,因此自動化程度低,經驗操作的因素大,容易造成工藝不穩(wěn)定,不但使鉻的回收率降低,而且浪費氣體,爐襯損耗嚴重,AOD爐爐齡下降。

文中就是通過RBF神經網(wǎng)絡技術建立終點碳含量和溫度的預報模型,以冷卻劑加入量最少和終點碳含量和溫度同時到達為目標,構建了終點控制系統(tǒng),為縮短冶煉時間,達到節(jié)能減排,實現(xiàn)氬氧精煉鐵合金工藝提供了技術保證。

1 AOD爐冶煉工藝概述

AOD精煉法是氬氧脫碳法(Argon Qxygen Decarburization)的簡稱,現(xiàn)在廣泛用于不銹鋼冶煉。它是在底吹和頂吹氧氣轉爐煉鋼方法的基礎上,綜合兩者的優(yōu)點發(fā)展起來的煉鋼新方法,方法是在原有頂吹轉爐的底部吹入不同的氣體,這樣可以改善熔池攪拌,同時防止有用金屬元素被氧化[1-2]。AOD爐風眼安放在接近爐底的側壁上,其爐體和傳動裝置與轉爐相類似。其冶煉原理是用氬氣降低煉鋼過程中產生的CO分壓,使反應正向進行,起到催化劑的作用,從而使碳脫到很低的水平,目前,AOD爐主要用來冶煉不銹鋼[3]。

由于AOD爐具有良好的工業(yè)特性以及節(jié)能的效果,目前也開始將AOD爐應用于冶煉鐵合金,取得了明顯的節(jié)能效果。

AOD爐冶煉鐵合金的過程是把電爐熔煉的液態(tài)高碳鉻鐵(或高碳錳鐵)直接倒入AOD爐,通過控制吹入不同比例的氬、氧和氮的混合氣體,進行脫碳和精煉操作,生產中低碳鉻鐵和中低碳錳鐵,如圖1所示。

圖1 鐵合金冶煉新工藝

2 基于RBF神經網(wǎng)絡的AOD爐終點預報模型

2.1 RBF神經網(wǎng)絡的簡要概述

RBF神經網(wǎng)絡即徑向基函數(shù)(Radial Basis Function,RBF)神經網(wǎng)絡,其結構如圖2所示。

RBF神經網(wǎng)絡結構與多層前向網(wǎng)絡類似,它是一種高效的具有單隱層的3層前饋網(wǎng)絡[4]。第一層即輸入層由信號源節(jié)點組成;第二層為隱含層,隱單元數(shù)視所描述的問題需要而定,隱單元的變換函數(shù)是RBF,它是對稱中心徑向對稱而且衰減的非線性函數(shù);第三層為輸出層,它對輸入模式的作用做出響應。

RBF神經網(wǎng)絡與BP神經網(wǎng)絡相比,二者都是非線性多層前向網(wǎng)絡,它們都是通用逼近器,但是,由于BP神經網(wǎng)絡存在局部最優(yōu)問題,若要進行樣本學習都需要再次調整網(wǎng)絡的所有權值,這就導致訓練速度慢、效率低。而RBF神經網(wǎng)絡可以根據(jù)具體問題確定相應的網(wǎng)絡拓撲結構,具有自學習、自組織、自適應功能,而且它對非線性連續(xù)函數(shù)具有一致的逼近性,可以并行高速地處理數(shù)據(jù),所以,文中采用RBF神經網(wǎng)絡構建終點控制的模型。

圖2 RBF網(wǎng)絡結構

2.2 RBF神經網(wǎng)絡預測模型

終點預報的具體步驟如下:

1)優(yōu)化原始數(shù)據(jù)結構;

2)確定RBF神經網(wǎng)絡的中心;

3)調整RBF神經網(wǎng)絡初始權值;

4)預報終點碳含量和溫度。

此外,在鋼鐵冶煉過程中有可能會出現(xiàn)噴濺、返干、溢渣等異常情況,如果要準確地反映出冶煉過程,就要在進行訓練之前去除引起樣本出現(xiàn)極大偏差的情況,這樣才會使輸入數(shù)據(jù)和輸出數(shù)據(jù)更準確地應用于神經網(wǎng)絡的訓練中。

文中以吉林鐵合金廠AOD爐連續(xù)生產的100爐實際測量數(shù)據(jù)作為研究對象,首先,RBF神經網(wǎng)絡數(shù)據(jù)訓練預報模型選取的是生產的前50爐測量數(shù)據(jù),再對其另外要生產的50爐數(shù)據(jù)進行提前預測,然后將預測結果和實際生產的后50爐測量結果進行對比,最后構造出碳含量和溫度的RBF神經網(wǎng)絡預報模型。詳細的說就是通過生產的前50爐測量數(shù)據(jù)訓練預報模型;然后提前預測出第51爐的終點碳含量和溫度;其次,通過預報模型就可以計算出第51爐要在冶煉后期補吹的氧、氮含量和補加的冷卻劑量,從而得出第51爐預測數(shù)據(jù);最后,去掉第一爐的數(shù)據(jù),并把第51爐的數(shù)據(jù)加入到建模中,這樣可以保持建模數(shù)據(jù)總數(shù)的不變。不斷重復以上所述過程直到完成后50爐數(shù)據(jù)的預測。具體的計算過程為:

1)確定RBF神經網(wǎng)絡輸入及輸出變量。首先選取裝入的鐵水量、廢鋼量、后期補吹的氧氣量、鐵皮的加入量、石灰、礦石、白云石的加入量等一些主要的影響因素作為輸入變量。選取終點碳含量和終點溫度為輸出變量。

2)RBF神經網(wǎng)絡輸入及輸出數(shù)據(jù)標準化。由于各變量的數(shù)量級之間相差很大,很容易使隱含層到輸出層之間權連接困難,若要使網(wǎng)絡的精度高和收斂速度快,就必須對原始的輸入、輸出數(shù)據(jù)進行標準化處理,即:

式中:i——輸入變量,i=1,2,…9;

k——樣本變量,k=1,2,…p。

3)確定RBF神經網(wǎng)絡中心。RBF神經網(wǎng)絡原理、結構和學習算法的特殊性決定了其隱含層單元的分配可以根據(jù)訓練樣本的容量、類別和分布決定。所以,在隱含層單元分配的基礎上,確定網(wǎng)絡中心可以實現(xiàn)輸入與輸出之間的映射關系。

文中RBF神經網(wǎng)絡中心的確定采用的是聚類算法(聚類算法是最經典的RBF神經網(wǎng)絡學習算法),調整網(wǎng)絡的權值選用有加權遺忘因子的遞推最小二乘法[5]。擴展常數(shù)σi和RBF神經網(wǎng)絡中心ci由K-means聚類算法計算并確定[6],具體過程如下:

1)初始化聚類算法:初始化聚類中心選擇h個(h必須是不同值),令k=1。

3)其中 xj為樣本輸入,分類遵循最小距離原則:即當i(xj)=min‖xj-ci(k)‖,i=1,2,…,h時,xj被定義為第i類,即 xj∈wi(k)。

4)對各聚類重新進行計算所得的新聚類中心為:

式中:Ni——第i個聚類域wi(k)中所包含的樣本數(shù)。

5)如果ci(k+1)≠ci(k),則返回至第 2)步,否則結束聚類運算,繼續(xù)執(zhí)行第6)步。

6)各個隱節(jié)點的擴展常數(shù)是通過各聚類中心之間的距離確定的:設隱節(jié)點的擴展常數(shù)為σi=kdi,其中di=min‖xj-ci(k)‖,式中 k為重疊系數(shù)。

如果確定了各隱節(jié)點的擴展常數(shù)和數(shù)據(jù)中心,那么通過該算法訓練可以得到輸出權矢量。文中選用有加權遺忘因子的遞推最小二乘法,其過程如下:

1)對權wi(i=1,2,…,M)賦初值。2)令循環(huán)變量k=1。

3)計算其隱層節(jié)點的輸出

式中:Q(k)m×m——正定對角陣;

ρ——遺忘因子,其取值范圍0～1;

φk——第k個樣本輸入后隱節(jié)點的輸出向量;

yd(k)——第k個樣本的期望輸出值。

更新后網(wǎng)絡權值為:

4)計算目標的累積誤差

式中:E(k)——第k個樣本輸入后累積誤差。

5)對E(k)＜E進行判斷。如果 E(k)＜E,則結束訓練,否則對k＜N進行判斷;如果k＜N,則令k=k+1,返回到第3)步,否則返回到第1)步。其中樣本數(shù)為N,預先設定的目標誤差為E。

綜上所述,終點溫度yT和終點碳含量yc可以分別表示為:

wi∈R,wj∈R——隱含層到輸出層的權值;

φ(·)——徑向基函數(shù);

ci∈Rn,Rn——網(wǎng)絡中心 。

3 仿真結果與分析

以吉林鐵合金實驗基地100爐實際測量數(shù)據(jù)為研究對象。前50爐作為RBF網(wǎng)絡訓練,網(wǎng)絡訓練包括隱含層中心的學習和輸出層權值的確定;另外50爐用來校驗計算的準確度和所建模型的精確度。由于檢驗實際系統(tǒng)需要花費大量的資金和時間,所以利用Matlab7.0編程及仿真以模擬實際運行情況。在RBF網(wǎng)絡訓練時,選取9個輸入點(網(wǎng)絡預報模型),12個隱含層節(jié)點(網(wǎng)絡結構),η=0.9914(學習效率),ε=0.0009(誤差準則)。經過上述的處理,得到溫度預測和終點碳含量的預測曲線,如圖3和圖4所示。

圖3 終點實際碳含量與預測碳含量對比

圖4 終點實際溫度同預測溫度對比

通過仿真數(shù)據(jù)可以得出,當溫度誤差在|ΔT|＜12℃,|Δc|≤5時,終點碳含量命中率為83%,終點溫度命中率為87%,碳含量和溫度的雙命中率為73%。通過以上數(shù)據(jù)可以看出,RBF神經網(wǎng)絡有很強的非線性擬合能力,可映射任意復雜的非線性關系,而且學習規(guī)則簡單,便于計算機實現(xiàn)。具有很強的魯棒性、記憶能力、適應力和強大的自學習能力。

4 結 語

分析了AOD爐脫碳過程的特點,采用RBF神經網(wǎng)絡[7]以AOD法高碳鉻鐵降碳工藝試驗數(shù)據(jù)為基礎建立了終點預報模型,得出如下結論:

1)由于在冶煉過程中,鐵水的溫度極高,很難準確地對其進行連續(xù)測量,而且影響終點的因素有很多[8],所以,給AOD爐冶煉終點控制帶來了很大的困難。基于RBF神經網(wǎng)絡的AOD爐冶煉終點預測模型,使模型的輸出與實際終點溫度和碳含量之差最小,還具有研究價值。

2)該模型有對碳含量和溫度進行終點準確的預報,一方面有利于縮短冶煉時間,提高AOD爐冶煉的效率和爐齡,進而提高企業(yè)的經濟效益;另一方面終點碳命中率的提高,有利于終點控制從傳統(tǒng)的經驗控制向自動控制的過渡。

[1]馬竹梧.冶金工業(yè)自動化[M].北京:機械工業(yè)出版社,2007.

[2]孫銘山,鄒勇,范光偉.AOD爐冶煉不銹鋼氮合金化控制模型的研究和應用[J].特殊鋼,2008,29(6):7-9.

[3]李暢,尤文.AOD爐鐵水碳含量在線檢測與控制[J].長春工業(yè)大學學報:自然科學版,2010,31(3):313-318.

[4]王永驥,涂建.神經元網(wǎng)絡控制[M].北京:機械工業(yè)出版社,1998:2.

[5]陶鈞,柴天佑,李小平,等.轉爐煉鋼智能控制方法及應用[J].控制理論與應用,2001,18(S1):129-133.

[6]J Wormhoudt,F J Iannarilli.Determination of carbon in steel by laser-induced breakdown spectroscopy using a microchip laser and miniature spectrometer[J].Applied Spectroscopy Volume,2005,59(9):1098-1102.

[7]謝書明,陶鈞,柴天佑.基于神經網(wǎng)絡的轉爐煉鋼終點控制[J].控制理論與應用,2003,20(6):903-907.

[8]林曉梅,劉永利,呂熠棟,等.利用爐氣分析預報AOD爐終點錳磷含量[J].冶金叢刊,2010(3):1-3.