基于BP神經網絡的高爐爐溫預測控制模型

吳應東

摘要：穩定的爐溫是保證高爐順行、提高生鐵質量和實現節能降耗的必要條件。針對高爐爐溫與鐵水含硫量、風量和噴煤量存在的相關關系，利用2017年Mathorcup大學生數學建模挑戰賽A題所給數據，構建一種BP神經網絡爐溫預測模型，預測鐵水硅質量分數，以便更加全面地預測爐溫； 仿真結果表明，模型預測精度較高，可為高爐操作人員決策提供可靠依據。

關鍵詞：鋼鐵冶金；高爐爐溫；BP神經網絡；爐溫預測；硅質量分數

中圖分類號：T 文獻標志碼：A 文章編號：

0引言

實現鋼鐵冶金產業低耗、節能、綠色等目標關鍵在于，將原來的生產過程中的反饋控制升級為預測控制，預測性地動態調整生產過程控制，獲得最佳生產效果。

以高爐冶煉優質鐵水為例，每經過2小時就出渣、出鐵一次，并檢驗鐵水、爐渣的成分。爐溫之間是有相關性的，可以進行預測和控制。而完整的冶煉機理為復雜數學模型：

求解上述模型的最優解是尚未解決的難題，煉鐵過程的終極生產指標都與爐溫密切相關，[Si]的準確性預測控制很重要。為此，本文選取影響爐溫的關鍵變量作模型輸入，并對樣本數據進行預處理后，構建BP神經網絡模型，對爐溫進行全面而準確的預測以指導實際生產。

1數據預處理

變量選擇：本項目確定由鐵水含硅量[Si]、含硫量[S]、噴煤量PML和鼓風量FL組成的數據庫作為數據挖掘的基礎。

異常數據剔除：本文采用3準則對原始數據進行異常數據的剔除。認為偏差大于3的數值為異常數據。為變量樣本數據的方差

2 基于BP神經網絡的爐溫預測建模

BP神經網絡[1]是一種按誤差逆傳播算法訓練的多層前饋網絡，結構簡單并具有求解高度非線性問題的能力。建立一個基于BP神經網絡預測模型質量指標[Si]的預測模型[2]，分別進行一步預測和二步預測。過程一步預測是由上一爐的四項指標預測下一爐的質量指標[Si]，二步預測是由上一爐的四項指標預測出的下一爐的質量指標[Si]及實際的其他三項指標預測下下一爐的質量指標[Si]。

2.1模型建立

選取前500組數據組成訓練樣本集，后463組數據作為測試樣本集。分別用于神經網絡[3]的訓練與質量指標[Si]的一步預測[4]。

將鼓風量、噴煤量、[S]、上一出鐵順序下的[Si]作為輸入變量，將下一出鐵順序下的[Si]作為因變量。

在隨機給定的初始權值、閾值下對神經網絡進行訓練，依次進行計算。

為測試樣本數（=463）；為實際值，為預測值。

3 結論

本文利用2017年Mathorcup大學生數學建模挑戰賽A題所給數據，構建了一種BP神經網絡預測模型，能夠預測鐵水硅質量分數。該爐溫預測模型能準確地預測爐溫，保證高爐的順利運行，同時為今后進行爐溫表征規則的研究打下良好的基礎

參考文獻 （References）

[1]崔桂梅，蔣召國，詹萬鵬，顧婧弘. 基于時間序列的神經網絡高爐爐溫預測[J]. 冶金自動化，2015，（05）：15-21.

[2]畢學工. 高爐爐溫預報神經網絡模型結構優化的研究[A]. 中國金屬學會.2001中國鋼鐵年會論文集（上卷）[C].中國金屬學會：，2001：3.

[3]邱東，仝彩霞，朱里紅，陳爽，王龍山. 基于神經網絡的高爐爐溫預測模型的研究[J]. 微計算機信息，2009，（14）：232-233+258.

[4]楊坤. 基于神經網絡的高爐鐵水硅含量建模[D].燕山大學，2016.