鋼水“脫氧合金化”配料方案的優化

劉玉慶　金宇悅　李曉航

摘要：脫氧合金化是鋼鐵冶煉中的重要工藝環節，如何優化脫氧合金化配料方案，最大限度地降低合金鋼的生產成本，已成為各大鋼鐵企業提升競爭力的關鍵。

首先，本文通過采集的低合金鋼種前期冶煉歷史真實數據，選擇恰當的方法，計算出C，Mn兩種元素的歷史合金收得率，接著建立BP神經網絡預測模型，實現對C、Mn兩種元素收得率的預測。

接著根據不同合金的投入量和價格建立非線性方程模型。以總成本、收得率、投入合金質量的上限和下限作為非線性方程的限制條件。然后，選取不同的合金進行實驗和比較，計算得出最優的合金配料方案。優化后，每一包鋼水生產成本比平均成本節約239.18萬元。

關鍵詞：BP神經網絡;遺傳算法;非線性規劃;成本優化

中圖分類號：TF713.5 文獻標識碼：A 文章編號：1672-9129（2020）06-0037-01

Abstract：Deoxidizingalloyingisanimportantprocessinironandsteelsmelting.Howtooptimizethemixingschemeofdeoxidizingalloyingandreducetheproductioncostofalloysteeltothemaximumextenthasbecomethekeytoimprovethecompetitivenessofmajorironandsteelenterprises.

Firstofall，thispapercalculatedthehistoricalalloyyieldofCandMnthroughthecollectedrealhistoricaldataofearlysmeltingoflowalloysteel，andselectedappropriatemethods.ThenBPneuralnetworkpredictionmodelwasestablishedtorealizethepredictionoftheyieldofCandMn.

Thenthenonlinearequationmodelisestablishedaccordingtotheinputquantityandpriceofdifferentalloys.Thetotalcost，yield，upperandlowerlimitsofinputalloymassareusedasthelimitingconditionsofnonlinearequation.Then，differentalloysareselectedforexperimentandcomparison，andtheoptimalalloybatchingschemeiscalculated.Afteroptimization，theproductioncostofeachpackofmoltensteelis2，391，800yuanlessthantheaveragecost.

Keywords：BPneuralnetwork;Geneticalgorithm;Nonlinearprogramming;Costoptimization

引言：如何通過歷史數據對脫氧合金化環節建立具備以合金收得率預測及成本優化算法為主體的自動配料的數學模型，在線預測并優化投入合金的種類及數量，在保證鋼水質量的同時最大限度地降低合金鋼的生產成本，是各大鋼鐵企業提高競爭力所要解決的重要問題。

本文通過低合金鋼種前期冶煉所采集的歷史真實數據，計算出C，Mn兩種元素的歷史合金收得率。接著建立BP神經網絡預測模型，并根據預測結果的相關性確定準確率的大小。

1歷史收得率

合金收得率為脫氧合金化時被鋼水吸收的合金元素的重量與加入該元素總重量之比。

合金元素的吸收重量[1]應為脫氧合金化之后的鋼水的總質量乘以合金元素連鑄正樣時的重量百分比減去脫氧合金化之前的鋼水的總質量乘以轉爐終點時合金元素的重量百分比。

合金元素加入質量為各類合金質量與其相應元素的所占百分比的乘積的總和。

2BP神經網絡模型

有關研究表明，，有一個隱層的神經網絡[2]，只要隱節點足夠多，就可以以任意精度逼近一個非線性函數。網絡中隱層神經元的數目與實際問題的復雜程度、輸入和輸出層的神經元數以及對期望誤差的設定有著直接的聯系。

其中，n為輸入層神經元個數，m為輸出層神經元個數，a為[1，10]之間的常數。問題中輸入層神經元個數為10個，輸出層為1個。所以根據上式可以計算出神經元個數為4-13個之間，在本文中選擇6個隱層神經元，建立如圖1所示的10×6×1的三層BP網絡模型。

本文將十項數據[4]作為輸入，即（轉爐終點溫度、轉爐終點C、碳化硅、錳硅合金、釩鐵、轉爐終點Mn、石油焦增碳劑、鋼水凈重、硅鋁鈣、連鑄正樣Mn），將收得率作為輸出。由于輸入數據的單位不一樣，有些數據的范圍可能特別大，導致的結果是神經網絡收斂慢、訓練時間長。

所以利用Matlab中的premnmx（）函數，對數據進行歸一化處理。然后，運用MATLAB對70%的數據進行訓練，將30%的數據作為測試數據進行訓練和測試。最后，進行數據反歸一化處理，得到兩種元素的收得率。

R越接近1說明相關性越高，越接近0說明相關性越低，而相關性越高說明預測準確率越高。訓練相關性為0.7，驗證相關性為0.9，測試相關性為0.68，綜合相關性為0.73，相關性較高，預測準確性較高。

3非線性規劃法求解配料方案

根據不同合金的投入量和價格建立非線性方程[5]，以總成本、收得率、投入合金質量的上限和下限作為非線性方程的限制條件，建立模型，然后選取不同合金進行實驗和比較，用合適的低成本合金替代高成本合金，計算得出最優的合金配料方案[6]。

在求解過程中，需要確定目標成本[7]與投入質量和配比的數據關系式。以Mn為例，各原料中Mn與混料中Mn指標需根據各原料配比計算得到。

針對生產過程中，成本的最佳方案的規劃求解，約束條件有質量指標約束條件和生產工藝約束條件。質量指標約束條件是指配料完成后各質量指標的上下限。

非線性規劃數學模型建立后，可利用現有的數據分析軟件進行計算，本文運用常見的Excel實現非線性規劃求解。將原料質量數據輸入Excel中，按照對應關系錄入相應的單元格中，并設置好各指標上下限和配比上下限。

將優化前平均投入和成本與優化的的數據進行對比，可知，優化后的合金收得率相比優化前平均收得率略有提高，而成本節約了239.18萬元。

得出最佳配料方案為：每一包鋼水生產中氮化釩鐵FeV55N11-A投入8.35kg、釩鐵（FeV50-B）投入20.37kg、硅鋁鈣投入18.55kg、石油焦增碳劑投入102.43kg、錳硅合金FeMn64Si27（合格塊）投入1350.72kg、碳化硅（55%）投入116.54kg并且溫度控制在1661攝氏度左右，能夠在合金收得率較高的情況下，降低成本。

4結論

本文通過歷史數據分析，根據不同合金的投入量和其價格建立非線性方程，以總成本、收得率、投入合金質量的上限和下限作為非線性方程的限制條件，建立模型。然后，選取不同合金進行實驗和比較，得出最佳配料方案，用合適的低成本合金替代高成本合金，從脫氧合金化工藝源頭控制合金成本，進而節約成本。預計優化后每一包鋼水生產成本比平均成本預計節約239.18萬元。

參考文獻：

[1]葉成立，王承.一種高合金鋼鋼水量的計算方法[J].大型鑄鍛件，2019（02）：8-9.

[2]魚丹.基于遺傳算法的BP神經網絡在匯率預測中的應用[J].科學技術創新，2019（03）：100-101.

[3]熊壯壯，熊峰.BP神經網絡算法在PM_（2.5）數據預測方面的應用[J].通信電源技術，2017，34（03）：77-79.