鋼鐵燒結過程關鍵工藝指標預測

摘要：燒結過程是鋼鐵冶煉的重要工序之一，燒結礦是高爐煉鐵的主要原料，燒結礦的質量直接影響高爐爐況和鋼鐵產品質量。燒結過程是一個工藝流程長、影響因素多、機理復雜的動態系統，燒結過程的特點使得對燒結礦質量的檢驗具有大滯后性，檢測結果無法用于指導燒結配料操作，因此開發燒結礦質量預測系統實現對燒結礦質量的準確預測具有十分重要的意義。

關鍵詞：燒結礦質量，RBF神經網絡模型

目前，國內某鋼鐵公司燒結廠應用的燒結礦質量預測模型仍為精度較低的機理預測模型，得到的預測結果不能對燒結過程起到積極的指導作用，且計算過程為人工的Excel表格計算，工作效率較低，信息不能及時共享。

針對燒結過程的強非線性特點，選擇部分燒結過程狀態參數、原料參數及操作參數作為輸入，燒結礦質量評價指標作為輸出，建立RBF神經網絡預測模型，預測燒結礦質量。

神經網絡模型的建立首先要確定模型的輸入輸出參數，由前述可知，，模型主要反映配料參數對質量的影響，而神經網絡模型主要考慮狀態參數與操作參數對質量的影響，所以，神經網絡的輸入參數除了配料參數以外，主要選取合理的操作參數和狀態參數作為模型的輸入。根據燒結生產工藝流程及長期的燒結生產實踐，可以得出燒結過程完成時混合料中鐵總量與成品礦中鐵總量基本一致，但由于燒結過程焦粉等燃料的大量損耗及燒結礦化學成分是按百分比計算的，因此隨著燃料的消耗，混合料鐵品位百分比含量要比燒結礦鐵品位的百分比含量低同時，混合料中的鈣元素與硅元素基本沒有損失，因此，混合料的堿度與成品燒結礦堿度基本一致。根據燒結過程物料守恒原理，可以建立化學成分機理預測模型，成品燒結礦的鐵品位和堿度基本上可以由配料參數與原料參數信息信息決定，如式所示。

從機理分析，燒結礦鐵品位和堿度還受到以下過程狀態參數影響

（1）焦粉配比：焦粉為燃料，其燃燒程度對液相物質的產生量具有重要影響，同時也導致燒結礦化學成分發生變化。

（2）料層厚度：目前為了提高燒結臺車利用率與臺時產量，各大、中型燒結廠一般采用厚料層燒結工藝，但燒結料層越厚，透氣性可能會變差，透氣差導致燃料不易充分燃燒，出現難以燒透的情況，對燒結礦化學成分影響較大

（3）二混水分：二混水分即燒結臺車布料之間添加溶劑、燃料之后的混合料中的水分，水分具有制粒作用，與燒結料層的透氣性水平息息相關。

（4）終點溫度：焦粉燃燒越充分，產生能量越大，終點溫度升高，反之則降低，終點溫度值在合理范圍是燒結礦化學成分檢驗合格的前提。

（5）終點位置：終點位置影響燒結帶的分布，進而影響液相物質的產生量，最終影響燒結礦化學成分。

燒結礦的轉鼓指數指標與燒結礦化學成分不同，難以建立準確的機理模型同時，參數影響作用的大小難以確定，沒有起決定作用的參數。然而，通過長期的燒結實驗和生產實踐表明，燒結礦轉鼓指數與以下參數相關：

（1）二混水分：在燒結過程中，水分主要起到制粒、導熱、助燃和潤滑的作用，可以改善料層透氣性和料層熱傳遞性能。

（2）二氧化硅：燒結礦轉鼓指數決定于燒結礦中粘結相的固結強弱程度，而燒結礦粘結相固結強弱程度主要取決于燒結礦中復合鐵酸鹽的含量，而二氧化硅是生成燒結礦粘結相的重要物質，對轉鼓指數有重大影響

（3）堿度一定的堿度值是生成復合鐵酸鹽的必要條件，也是形成足夠粘結相的必要條件。

（4）垂直燒結速度：燒結的本質就是礦粉受熱熔化粘結的過程，其物理、化學變化的能量來源于燃料燃燒和抽風氣流傳遞熱量。垂直燒結速度是指燒結料層橫截面自上而下的燃燒速度，垂直燒結速度對燒結礦物理性能具有很大的影響。垂直燒結速度不可直接測量，但是可以通過料層厚度、臺車速度和終點位置間接表示。

隨著現代計算機技術的發展，MATLAB仿真工具箱為RBF神經網絡的訓練建立了比較方便的設計函數，比較常用的有newrbe與newrb。本文采用newrb函數建立燒結礦質量預測模型，newrb的格式為[net，tr]=newrb（P，T，goal，spread，MN，DF），其中：P為輸入樣本構成的矩陣；T為輸出向量矩陣；goal為訓練目標；spread為徑向基函數的擴展速度，擴展速度的值選擇在RBF神經網絡訓練時顯得尤為重要，其值過大時，易出現過擬合現象，過小時，曲線擬合不夠平滑；MN隱層神經元的最大個數；DF表示訓練過程中顯示的頻率，即時間間隔。在仿真訓練時，隨著質量預測模型要求精度的改變可以通過調整newrb函數的參數值來滿足要求。

模型建立時，由于輸入數據和輸出數據之間數據級和數據量綱的差別，為了保證預測模型的效率和精度，首先將濾波后數據進行數據標準化處理，變換到[-1，1]之間進行初始化訓練：

式中，為標準化處理后數據序列， 為標準化前各數據序列，i為樣本序號，j表示各樣本點，Mj，Sj分別表示樣本點所在數據序列的算術平均值和標準差。

通過以上的模型建立和數據帶入可以看出，RBF神經網絡預測模型對燒結礦質量指標預測的相對誤差絕對值都在3%以內，模型精度較高。

燒結生產過程是鋼鐵企業長流程生產工藝的重要環節，本文以鋼鐵企業燒結生產過程為研究對象，針對燒結過程質量檢測滯后時間長，工況復雜多變，原材料來源復雜，參數眾多且耦合嚴重，燒結礦質量檢測結果不能夠實時指導燒結生產過程的問題，采用了RBF神經網絡預測模型對燒結過程中關鍵工藝進行了準確的預測。

參考文獻：

[1]喻黎明，嚴為光，龔道枝，李沅媛，馮禹，姜丹曦.基于ELM模型的淺層地下水位埋深時空分布預測[J].農業機械學報，2017，48（02）：215-223.

[2]趙朋程，劉彬，孫超，王美琪.基于IQPSO優化ELM的熟料質量指標軟測量研究[J].儀器儀表學報，2016，37（10）： 2243-2250.

[3]李愛蓮，趙永明，崔桂梅.基于灰色關聯分析的ELM高爐溫度預測模型[J].鋼鐵研究學報，2015，27（11）：33-37.

[4]周東凱，李剛，王學琨.基于PSO-ELM的雙目視覺攝像機標定[J].廣西大學學報（自然科學版），2014，39（06）： 1285- 1290.