高炉铁水[Si]含量预测控制模型的设计与实现
曾燕飞 李虎山
广东技术师范学院自动化系 广东技术师范学院自动化系
摘要：本文分析了高炉炉温传统控制方法的弊端，介绍了一种依据BP 神经网络和专家知识相结合的方法设计的高炉铁水[Si]含量预测控制模型，同时，还介绍了预测铁水[Si]含量的主界面窗口和实现功能的方法。
关键词：铁水硅[Si]含量；BP 神经网络；专家系统；预测控制
中图分类号:TP2 文献标识码:Ａ
Design and Realization of Blast Furnace Hot Metal Si-content Prediction Model
Zeng yan fei li hu shan
Automatization Department Guangdong Polytechnic Normal University
Abstract:This paper analyze a irregularity of Blast Furnace temperature control method,Introduces a de
sign of prediction control mode of blast furnace hot metal Si-content based on BP neural network & expert knowledge's method,and simultaneously Introduces a main display window and a method of realizes function that hot metal Si-content prediction.
.Key Words: Hot metal Si-content, BP Neural network, Expert System, Prediction control
1、引言
高炉冶炼是一个复杂的高温物理化学过程，其炉温影响着高炉行程、能量消耗及生铁质量。实现炉温的预测与平稳控制是高炉炉长作业的核心技术，炉温能否控制在要求的范围中，是炉长操作水平的集中表现。传统的炉温控制方法很多，主要是建立在炉长个人长期操作经验判断的基础上。例如，如果工长预测炉温已经形成了某种发展趋势(向热趋势或向凉趋势)，那么即使维持各项控制参数不变，炉温的发展也会继续趋向过热或过凉，诱发炉况故障，因此必须超前确定需要改变的入炉料批重和配比，入炉焦比或负荷，配料碱度或装料制度等。这些方法必须依靠工长的经验和责任心，如果工长有任何一个小小的失误都可能导致滑料、崩料、管道形成等，甚至报废一炉铁水。由于工长作业为三班制，每个班工长的经验和操作方法各异，且通信落后，实时性差，因而传统的炉温控制方法不能实现高炉生产的“优质、高产、长寿、低耗”。
现代高炉炼铁技术用炉缸热状态来反应炉温状况，而炉缸热状态是通过测量铁水温度（物理热）和预
测铁水[Si]含量（化学热）来确定的，由于测量铁水温度需要配备昂贵的设备，成本高，消耗量大，且丢失数据的现象经常发生，故高炉工作者通常采用预测铁水[Si]含量来间接反映炉内温度，判断炉热状态。因为控制好[Si]的水平，可以维持良好稳定的炉
况，获得最佳的经济效益。为此，本文针对湘钢4#高炉现有工艺条件和检测手段，利用BP学
习算法，通过进化多层前馈神经网络的连接权并结合规则模型，设计了一种铁水[Si]含量预测控制模型。该模型即有专家系统推理的透明性，又有神经网络广泛的映射能力和搜索能力。 2 铁水[Si]含量预测控制模型的设计
在现代高炉炼铁技术发展进程中，采用神经网络与专家系统相结合已成为重要的发展趋势，这两者的结合能更好地发挥出各自的特长。具体地，神经网络作为系统后端来增强由专家系统所进行的判断。
2.1 神经网络模型的建立
一个三层的BP 神经网络模型可以拟合任意一个非线性映射。铁水硅[Si]含量预测模型选用三层BP 网络模型，该模型由输入层、隐含层和输出层三部分组成，如图1所示：
图1 预测模型BP
网络结构图
输入层隐含层输出层
1、输入层
神经网络的输入层起缓冲存储器的作用，把数据源加到网络模型上。其节点数目取决于数据源的维数，即每个节点代表一个数据源。为了有效地进行铁水硅含量的预报，本模型结合现场获取数据的条件和与铁水硅含量的相关程度，作了精心地筛选。共选取25个参数作为网络模型的25个输入节点，如表1所示。
表1模型输入变量
序号 模型应 序号 模型应 序号 模型应 序号 模型应 序号 模型应 用变量 用变量 用变量 用变量 用变量
1 焦比 6 压差 11 煤气CO2量 16 利用系数 21 每批出铁量
2 煤比 7 顶压 12 煤气H2量 17 冶炼强度 22 [Si]n－6
3 焦丁 8 顶温 13 渣中含SiO2量 18 铁水含S量 23 [Si]n－5
4 风量 9 透气性指数 14 渣中含R2量 19 矿批重 24 [Si]n－4
5 风温 10 煤气CO量 15 渣中含S量 20 焦批重 25 [Si]n－3
2、隐含层的确定
隐含层神经元数代表网络输入与输出之间的非线性程度，对模型的训练速度和预报能力有着重要影响，神经元数太少会影响网络在输入层提取有价值的特征，网络可能训练不出来或网络不“强壮”，容错性差。但神经元数太多又使学习时间过长，误差也不一定最佳。确定隐含层神经元个数目前尚无理论依据，本模型选取隐含层神经元个数为40。
3、输出层的确定
输出层神经元的个数取决于系统对网络功能的要求，本模型要实现铁水硅含量的预测，故输出变量为铁水硅含量，即输出层神经元的个数为1。
因此，本设计的BP神经网络模型结构为：25-40-1。
2.2 确定铁水含硅量的专家系统规则模型
专家系统实际上是一类计算机软件系统，它能在特定的领域内，通过应用领域专家的经验和知识来模拟人类专家解决该领域中困难问题的能力。应用专家系统推理方法确定铁水硅含量，首先必须获取高炉冶炼专家的经验和知识，知识获取的主要工作包括以下部分：
黎恩旺①配料参数（焦炭、焦丁、烧结矿、焦批重、矿批重等）对铁水[Si]含量的影响；②鼓风参数（风温、风量、风压等）对铁水[Si]含量的影响；③喷煤、富氧对铁水[Si]含量的影响；④中间参数（透气性指数、顶温、顶煤气CO含量、CO2含量、H2含量、炉渣中R2含量与SiO2含量等）对铁水[Si]含量的影响；⑤前几次[Si]含量对该次铁水[Si]含量的影响；⑥操作制度对铁水[Si]含量的影响；
获得的知识用规则模型来表示，它实际是If…Then式的产生式规则，其中条件是过程的状态或这些状态的逻辑组合，动作表示实际操作或结论。
根据获得的知识，构成的基本规则模型摘录如表2。
表2 基本的规则模型
规则
编号 If Then 规则
编号 If Then
1 焦比上升（下降） [Si] 上升（下降）
2 焦批重上升（下降） [Si] 上升（下降）
3 矿批重上升（下降） [Si] 上升（下降）
4 TFe上升（下降） [Si] 上升（下降）
5 风温上升（下降） [Si] 上升（下降）
6 渣中SiO2上升（下降） [Si] 上升（下降）
7 煤气中CO2上升（下降） [Si] 上升（下降）
8 煤气中H2上升（下降） [Si] 上升（下降）
9 出铁时间上升（下降） [Si] 上升（下降）
10 出铁时间间隔上升（下降） [Si] 上升（下降）11 顶温上升（下降） [Si] 上升（下降）开网上店铺
12 铁水S含量上升（下降） [Si] 下降（上升）
13 透气性指数上升（下降） [Si] 下降（上升）
视频制作软件哪个好14 风压上升（下降） [Si] 下降（上升）
15 风量上升（下降） [Si] 下降（上升）
16 渣中R2上升（下降） [Si] 下降（上升）
17 渣中FeO上升（下降） [Si] 下降（上升）
2022年高考分数什么时候出来18 煤气中CO上升（下降） [Si] 下降（上升）
19 顶压上升（下降） [Si] 下降（上升）
20 综合负荷上升（下降） [Si] 下降（上升）
班干部演讲稿2.3 神经网络模型与专家系统的结合方法
专家系统具有快速、灵活、方便的特点，可以根据不确定和不完善的知识对被控对象进行在线诊断和控制。在预测铁水硅含量时将神经网络模型与专家系统有机地结合起来，首先根据专家系统的规则模型判断出异样样本并将其删除，然后利用神经网络预测控制模型对采集的样本进行训练，当系统的方
差均值小于设定值时训练结束，对样本进行仿真，将单个误差大的样本作为异样样本，在样本集中进行第二步删除。这样，模型既有专家系统的知识推
理透明性，也有神经网络模型很强的自学功能，可以对事先并不具备进行时间序列预测的事物同时进行收集数据、建立模型与预测，并随着观测数据的增加使模型不断完善。
利用专家系统预测铁水硅含量的步骤如图2所示。
图2 预测铁水硅含量的流程图
为了实现铁水硅含量达到目标值，专家系统采用图3的结构。由知识库、数据库、工作内存、推理机、计算模快和以太网组成。知识库和数据库存储各种经验知识和数据，具体地，知识库存储神经网络算法，经验模型、规则模型、经验数据和计算规律等，数据库存储铁水硅含量目标值范围，过程统计数据，测量值、特征值和推理结果等。当配料参数、鼓风参数、喷煤量等发生变化时，有关的状态和数据传送到工作内存，而在工作内存中存储有中间推理结果和状态，在预测硅含量时，重复地使用和更新这些中间推理结果和状态。推理利用存储在知识库和数据库中的经验知识和数据，通过正向推理和基于模型的推理相结合，反复地进行规则的启用和执行以及基于神经网络和经验模型的铁水硅含量操作，预测出铁水硅含量。获得的硅含量即推理结果存储在数据库中，并传送到神经网络模块，进行下一次硅含量预测。计算出来的硅含量经过以太网传送到下位机，与冶炼过程数据一起经过加工处理送到数据库中。人机接口用于知识库和数据库的编辑和修正以及数据显示。
这个专家系统的重要特征是把神经网络、经验模型和规则模型相结合，通过这种结合可以预测出较为精确的铁水硅含量。
图3 硅含量预测专家系统的结构
3 铁水[Si]含量预测模型的功能实现
为实现铁水[Si]含量预测控制模型的功能，便于高炉操作者的应用，本设计采用C ++软
槽下热风炉
喷煤
件并以全的方式设计了友好的人机界面。预测铁水[Si]含量的主界面窗口分为样本制作、系统学习
、含量预测、专家规则、操作指导、数据查询、系统说明七个部分，可以通过键盘(或用鼠标、跟踪球等)进行操作。
1、样本制作
首先要输入样本的实际值，以二维表的形式保存在数据库中。可以直接进行数据的拷贝，也可从界面直接录入。并且可以对样本实际值的数据表进行添加、删除和修改的操作。在完成录入之后，系统能自动完成数据的时序化处理和归一化处理，从而生成用于网络输入的模型样本集，均以二维表的形式保存在数据库中。
2、系统学习
连续调入每组模型样本，直到输入完所有样本对，确定“调入完毕”按纽进行保存。选择“开始训练”进入训练程序，在训练的过程中，可根据需要自行调整学习参数、误差标准及循环次数等。并且伴随训练过程画出系统误差曲线，根据误差曲线的变化趋势判断网络收敛的程度，以及做出相应的调整措施。在训练一段时间以后，系统提供判断是否存在异样样本的功能。挑选出不符合误差要求的样本号进行删除。系统学习界面如图4所示。
3、含量预测
含量预测每小时一次，首先录入当前小时内各参数的若干组实际值，自动完成时序化处理和归一化处理，转化成模型预报样本，预测出下一时刻的铁水[Si]含量。同时，做出近期的硅含量变化曲线，并判断出炉温状态和炉温变化趋势。可以选择预测方式。值得注意的是，在所预测的铁水硅含量的真实值化验出来之后，必须将其录入。然后系统进行辨别，如为正常样本，则完成样本集的动态存储以及权值的修正，以保证样本集和模型的随时更新。含量预测界面如图5所示
图4 系统学习窗口 图5 含量预测窗口
4、专家规则
系统将炉温按该高炉的特点和铁水硅含量的变化范围分为五种状态特性：正常、偏热、偏凉、剧热和剧凉；五种波动特性：炉温平稳、炉温上升、炉温下降、炉温波动和炉温波动大。若按照全排列组合就有25种炉温发展趋势，但工艺上实际可能发生的组合只有21种。深入分析后得知，在生产实践中需要工长密切注意的隐患实际上只有6种，工长对炉温控制的安全把关只要密切监控这6种情况救助够了。界面以文字+图形的形式表示当前状况。这样，可以及时给操作工长提供有益信息。例如，当炉子出现“偏热+上升”或者“偏凉+下降”的组合时，就要求工长密切注意炉况的变化，切不可粗心大意，以免造成炉况严重失常，而对于诸如“偏热+下降”以及“偏凉+上升”的炉热状况，则正常注意炉况即可，而不必急于调整操作。
5、操作指导
除了提供有益信息之外，系统还收录了部分关于操作指导的专家规则，可以进行查阅。另外，基于预测出的铁水硅含量，系统还结合现场的调剂程序及过量调剂等原则，能够计算出达到目标铁水硅含量的建议调剂量，帮助操作决策。
6、数据查询
系统提供了强大的查询帮助功能。建立了Oracle数据库，每项数据均以二维表的形式保存在数据库中。通过数据查询，我们可以浏览模型中所用到的全部数据。
办理药师证7、系统说明
该部分对界面、模型、参数、运行等做出了说明，并提供其他帮助，例如系统操作方法等，这使系统变得操作简单方便，同时也增加了它的透明性。
4 结束语
铁水[Si]含量预测模型是在高炉一次检测数据的基础上开发而成，准确、可靠、及时的高炉一次检测数据是预测模型赖以生存的根本。运用先进的神经网络与专家系统相结合的方法开发的铁水硅[Si]含量预测模型具有推理解释，并行处理和自学习的功能。全预测铁水硅含量的操作界面，直观简单，有利于解释神经网络预测模型的应用概况。目前，该模型正在运行调试中，通过不断完善后可应用于高炉。
本文创新点：采用BP神经网络与专家系统相结合的方法构建的高炉铁水[Si]含量预测控制模型既有专家系统的知识推理透明性，也有BP网络很强的自适应、自组织、自学习功能。
参考文献：
[1] 曾燕飞，李小伟.基于BP神经网络的高炉铁水硅含量预测模型研究.北京：微机算机信息，
2005，9-1：22~24
[2] 毕学工等.湘钢铁水硅预报模型的开发和应用.武汉冶金科技大学学报，1996，(4)：395
[3] 杨天钧，徐金梧.高炉冶炼过程控制模型.北京：科学出版杜，1995，47～154，174~191 作者简介：曾燕飞(1961---)，女，汉族，硕士，高级讲师，广东技术师范学院自动化系工作，从事自动控制理论教学及应用研究。李虎山(1962---)，男，汉族，硕士，高级讲师，广东技术师范学院自动化系工作，从事测控理论教学及应用研究。
Biongraphy:Zeng yanfei(1961---), Female, Han, Master, prelate, Working in Automatization Deparment Guangdong Polytechnic Normal university, research direction:control theory and control engineering.
通讯地址：广州市天河区龙口西路576号广东技术师范学院自动化系
邮编510635
e-mail：ZYF1961@TOM.COM
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论