高爐爐況預測模型的研究現狀及展望

張學飛，胡賓生，貴永亮

(河北聯合大學冶金與能源學院，河北唐山 063009)

0 引言

高爐生產是一個復雜的系統工程，涉及到裝料制度、送風制度、熱制度和造渣制度。高爐爐況是高爐冶煉過程中的一個綜合指標，是對高爐四大操作制度是否合理的一個綜合評判，四大操作制度決定了高爐爐況，反過來，高爐爐況又決定了四大操作制度的選擇調整。高爐爐況的好壞不僅對高爐冶煉過程具有重要影響，而且對高爐的壽命也有重要影響［1］，因此，對高爐爐況進行預測就顯得尤為重要了。目前對高爐爐況的預測模型主要分為基于知識的預測模型和基于數據的預測模型兩大類。

1 高爐爐況預測的復雜性

高爐爐況是高爐冶煉過程中的一個重要指標，它會受到許多因素(主要工藝因素見表1所示)的影響，并且這些因素之間的關系是錯綜復雜的，例如:透氣性指數是影響高爐爐況的一個重要因素，透氣性指數除了與風量﹑全壓差有關之外，還與風溫、噴煤量、焦比等許多工藝因素都有關，很難用一個確定的數學公式來精確描述。目前，大多數的研究者都是從中選擇部分工藝參數來描述高爐爐況，李啟會［2］等就選取了風溫、風量、透氣性指數、鐵水中硅含量、全壓差、料速來描述高爐爐況;崔桂梅、甄常亮［3］等選擇風量、風溫、爐頂壓、熱風壓、噴煤量、綜合負荷作為模型的參數來描述高爐爐況。這類方法都是從影響高爐爐況的工藝參數中挑選了幾種重要的工藝參數來評價高爐爐況，不可避免的會丟掉一些高爐爐況的原有特征，另一方面這些工藝參數對高爐爐況的影響權重排序也有待進一步研究，但比起只靠人工經驗來判斷高爐爐況來說有了很大的進步。

表1 高爐爐況工藝參數

續表1

2 基于知識的高爐爐況預測模型

基于知識的高爐爐況預測模型也稱為理論模型，即根據現有的公理或定理建立起來的精確描述高爐冶煉過程的模型，它是以人們對該類現象的正確認識為基礎的。從考慮維數的角度又可分為一維模型、二維模型、三維模型。

一維模型中的典型代表是1927年提出的理查德圖模型［4］(Reichardt Diagram Model)，該模型是以高溫區的熱平衡為基礎的單純的用熱力學來計算高爐各部分的溫度，將高爐按溫度從爐頂到爐底分為五部分，并假定爐溫在高爐各部分的縱向變化為直線，然后用能量守恒定理來計算各處的爐料和煤氣溫度的辦法;1964年提出的里斯特(Rist)操作線模型［5］也是一維模型，該模型認為在煤氣上升與爐料下降的逆流中，不僅有能量的交換，還有爐料氧原子遷移到煤氣中的過程;氧原子的來源主要有三類:爐料中鐵礦帶入，爐料中其他的氧化物，風口吹入得熱風;氧原子的遷移過程分四類:鐵氧化物的直接還原，鐵氧化物的間接還原，爐料中其他物質與爐氣的交換，風口碳燃燒;幾種碳原子遷移過程中的μ相等。這類模型幾乎都是離線模型，在實際生產中進行應用存在比較大的困難。

到了20世紀80年代，隨著計算機技術的飛速發展，計算機的計算速度得到了極大提高，用有限元的思想來解復雜的偏微分方程不再是夢想。在此期間，人們提出了許多二維和三維的高爐數學計算模型，這些數學模型大部分采用偏微分方程進行建模，通過解偏微分方程的方法來求解高爐爐況，著名的數學模型主要有Sugata和Sugiyama開發的BRIGHT模型和由Yagi和Takeda開發的Omori模型［6～8］。

自20世紀90年代以來，隨著有限元軟件的發展，運用專門的模擬軟件對高爐進行建模與解析的模型大量出現，這些模型主要是針對高爐局部進行的研究。主要有:布料模型［9～10］、風口燃燒模型［11～13］等。這些模型加深了人們對高爐局部運行情況的認識，但難于應用于在線運行。

3 基于數據的高爐爐況預測模型

基于數據的高爐爐況預測模型既不依靠人們對高爐冶煉過程規律的認識，也不依靠人們對高爐各項參數的正確分類(大多數情況下人們并不具備這種能力)，而是以收集到的高爐生產中的各項數據為樣本，用這些樣本來訓練一定的模式識別機器，基本思路如圖1所示。

圖1 基于數據的高爐爐況預測模型示意圖

首先，用各種檢測手段盡可能多的采集高爐生產中的相關數據，采集到的數據不可避免的有許多誤差或數量級相差很大，這時要對采集到的數據進行預處理，然后用數學方法進行特征提取，最后輸入機器進行訓練，訓練完畢后即可進行預測。基于數據的高爐爐況預測模型根據訓練機器理論的不同主要分為基于模糊數學的高爐爐況預測模型、基于神經網絡的高爐爐況預測模型、基于支持向量機的高爐爐況預測模型。

3.1 基于模糊數學的高爐爐況預測模型

高爐冶煉過程非常復雜，涉及到許多參數，對參數的評價很難用一個確定的界線來進行。這種爐況預測模型通過引入模糊數學中隸屬函數的概念對高爐工藝參數進行評價，進而進行爐況預測。應用較早且影響較大的當屬日本川崎公司在1975開發發的GO—STOP系統［7］，為了評價高爐爐況，GO—STOP系統抽取了高爐冶煉的17個操作參數、8個復合參數和4個趨勢參數，其推理過程如圖2所示。

圖2 GO—STOP系統的邏輯結構

GO——STOP系統雖然取得了較大的成功，但其將每個參數的GS值固定的分為0、1、2三個數值，未反應出操作參數漸變對爐況的影響。吳勝利、劉茂林［5］，李啟會、劉祥官［3］針對GO——STOP這一情況進行了改進，通過設置評價矩陣，參數重要性矩陣。實現了操作參數漸變對爐況影響的評價。

3.2 基于神經網絡的高爐爐況預測模型

1943年，心理學家McCulloch和數理邏輯學家Pitts在《Bulletion of Mathematical Biophysics》上提出了用數理邏輯來描述人的神經網絡的方法［14］，揭開了神經網絡研究的序幕。自20世紀80年代以來神經網絡得到了突破性的發展，其在處理大量有噪音，非線性的數據方面有巨大的優勢，理論上講，它可以逼近任意維的曲線或曲面，因此被廣泛用于分類、預測等方面。基于神經網絡的高爐爐況預測模型是指通過神經網絡對大量經過處理的實際高爐生產的工藝數據的大量學習，抽取出每一個影響因素對爐況影響的權值因子，從而對爐況進行預測。目前大多數學者都是運用誤差反向傳播神經網絡(BP網絡)進行爐況預測，基本的BP網絡主要由輸入層、隱藏層、輸出層三層組成。

浙江大學的劉金餛、王樹青［15］在1998年開發了高爐異常爐況神經網絡專家系統，基于模糊規則建立模糊BP神經網絡。網絡分為:輸入層、前提隸屬函數層、前提層、規則層、輸出層。異常爐況作為網絡的輸出，有關工藝參數作為網絡輸入。通過神經網絡自學習算法實現對隸屬度的調整。東北大學的王玉濤、夏靖波、周建常、王師［16］等人在1999年采用模糊神經網絡專家系統實現高爐爐況的診斷。系統采用按診斷故障類型劃分的模塊化模糊神經網絡結構。系統采用自學習算法實現模擬診斷推理過程并調整上述特征因子權重、模糊等級的界限值以及規則的可信度。盧虎生、高斌［17］等開發的神經網絡專家系統利用神經網絡來抽取專家系統的規則，取得了較好效果。其主要方法是首先根據經驗建立高爐爐況的邏輯推理網絡，然后建立相應結構的神經網絡，最后將多組已知爐況的數據輸入神經網絡對其進行訓練，獲取相應的隸屬度，從而結合規則庫進行判斷爐況。神經網絡方法對于高爐異常爐況診斷以及爐熱預報方面，在某些具有大樣本數據的高爐上取得了不錯的應用效果。神經網絡具有基于訓練數據集學習建立模型的能力，克服了專家系統的知識提取困難、可移植性差等缺點，但存在算法只有在大樣本數據下有效，容易陷入局部最優解等不足。由于實際情況下的很多高爐異常爐況的征兆數據常常是小樣本數據，因此，神經網絡方法在很多高爐上使用效果并不理想。

3.3 基于支持向量級的高爐爐況預測摸型

支持向量機(SVM)起源于20世紀90年代，它是從統計理論發展來的，建立在VC維理論和結構風險最小化原理基礎上的一種方法，它在保證機器學習能力的同時又可以獲得最佳的泛化性能。最近幾年在高爐爐況預測方面開始得到應用，如曲飛、吳敏［1］等設計的最小二乘支持向量機法，崔桂梅、鄢常亮［18］等基于向量機建立的高爐向涼向熱模型。一方面它避免了神經網絡的過學習和對小樣本不適用的問題;另一方面它通過核函數巧妙的解決了維數問題。

4 高爐爐況預測模型的發展

自上世紀50年代以來，隨著數學，計算機等基礎學科的飛速發展，高爐爐況預測方法也發生了巨大的變化，并取得了大量的研究成果，一方面隨著仿真模擬的出現，加深了人們對高爐運行規律的理解，并且也驗證了一些高爐運行規律，但在實際應用中很難再線運行;另一方面也開發了許多運用模糊理論、神經網絡、向量機的黑盒離線、在線高爐爐況預測模型，該類模型只是從統計的角度預測爐況，缺少對高爐運行原理的結合。高爐爐況預測模型應該走多模型復合化的道路，在結合人工智能的同時也應重視已知的經驗規則，將二者有機結合起來，即基于知識和數據綜合利用的爐況預測模型。

5 結語

1)高爐爐況預測模型分為基于知識和基于數據兩大類，基于知識的數學模型投入實際運行的比較少，大多是針對高爐局部的研究;基于數據的高爐預測模型包括基于模糊理論、基于神經網絡和基于向量機。目前投入實際運行的大多數是基于神經網絡的高爐爐況。

2)高爐爐況預測模型的發展趨勢是注重數據與知識的結合，在改進應用統計理論的同時也要結合高爐知識進行爐況預測。

［1］曲飛，吳敏，曹衛華，何勇.基于支持向量機的高爐爐況診斷方法［J］.鋼鐵，2007，42(10):17-19.

［2］李啟會，劉祥官.高爐異常爐況的模糊預測模型［J］.中國冶金，2007，17(4):34-37.

［3］鄢常亮.基于支持向量機的高爐向涼向熱爐況預測研究［D］.包頭:內蒙古科技大學，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.鋼鐵冶金學(煉鐵部分)［M］，北京:冶金工業出版社，2005.

［7］畢學工.高爐過程數學模型及計算機控制［M］.北京:冶金工業出版社，1996.

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

［9］朱清天，程樹森.高爐料流軌跡的數學模型［J］.北京科技大學學報，2007，2(9):932-936.

［10］杜鵬宇，程樹森，滕召杰.并罐式無鐘爐頂布料蛇形偏料的研究［J］.北京科技大學學報，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］劉金餛，王樹青.高爐異常爐況神經網絡專家系統［J］.鋼鐵研究學報，1998，10(5):67-70.

［16］王玉濤，夏靖波，周建常，王師.高爐參數學習用模糊神經網絡專家系統［J］.鋼鐵研究學報，1999，11(5):72-76.

［17］盧虎生，高斌，趙利國，國宏偉，楊天鈞.高爐爐況判斷神經網絡專家系統［J］.北京科技大學學報，2002，24(3):276-279.

［18］崔桂梅，甄常亮，關英輝，.基于支持向量機的高爐向涼、向熱爐況預測［J］.鋼鐵研究學報，2011，23(7):18-22.