工程科学学报，第39卷，第4期：511-519,2017年4月 Chinese Journal of Engineering,Vol.39,No.4:511-519,April 2017 DOI:10.13374/j.issn2095-9389.2017.04.005:http://journals.ustb.edu.cn BP神经网络IF钢铝耗的预测模型 张思源”，包燕平)区，张超杰”，林路》 1)北京科技大学钢铁治金新技术国家重点实验室，北京1000832)钢铁研究总院治金工艺研究所，北京100081 区通信作者，E-mail:baoyp@usth.cdu.cn 摘要为了解决某钢厂F钢冶炼RH精炼过程铝耗偏高问题，通过数理统计和BP神经网络相结合的方法建立了铝耗预 测模型，并与多元线性回归模型进行比较，该模型具有更高准确度.该模型分析了不同治炼工艺参数对铝耗的具体影响，并 对相应工艺参数进行了优化.结果表明：脱碳结束氧活度或RH进站氧活度降低0.005%左右，每吨钢铝耗可降低0.07~ 0.08kg,铝脱氧有效利用系数为70.31%-80.35%：RH进站钢液温度增加35-40℃，铝耗降低1kg左右，铝热反应升温利用 系数在97.4%左右：吹氧量小于100m3和大于100m3时，氧气与铝反应的比例分别为37.3%和74.6%左右，吹氧量每增加 50m3,铝耗分别增加0.1kg和0.2kg左右.工艺参数优化后平均铝耗由1.359kg降低到1.113kg,降幅达18.1%. 关键词F钢：低碳钢：铝耗：神经网络：预测模型 分类号TF769.4 Prediction model of aluminum consumption with BP neural networks in IF steel production ZHANG Si-yuan,BAO Yan-ping,ZHANG Chao-jie,LIN Lu 1)State Key Laboratory of Advanced Metallurgy,University of Science and Technology Beijing,Beijing 100083,China 2)Metallurgical Technology Institute,Central Iron and Steel Research Institute,Beijing 100081,China Corresponding author,E-mail:baoyp@ustb.edu.cn ABSTRACT To solve the high aluminum consumption problem in interstitial-free steel production in a steel plant,an aluminum consumption prediction model was established by mathematical statistics and BP neural networks.Compared with the multiple linear regression model,this model's result is more accurate.The influence of different smelting processes on aluminum consumption was analyzed,and the process parameters were optimized.The results show that the amount of aluminum consumption per ton of steel decreases 0.07 to 0.08 kg when the oxygen activity before RH or after decarbonization reduces by 0.005%.The effective utilization coefficient of aluminum-deoxidizing is from 70.31%to 80.35%;the aluminum consumption decreases about 0.1 kg when the tempera- ture of steel before RH increases by 35 to 40 C.The heating utilization coefficient of aluminum thermal reaction is about 97.4%. When the blowing oxygen quantity is less than 100 m and greater than 100 m,the ratio of oxygen reacting with aluminum is about 37.3%or about 74.6%respectively,and the aluminum consumption increases by 0.1 kg or0.2kg,respectively,with the blowing ox- ygen quantity increasing by 50 m.After the process parameter optimization,the aluminum consumption decreases from 1.359 to 1.113 kg,which results in a decrease of 18.1%. KEY WORDS IF steel:low carbon steel:aluminum consumption:neural networks:prediction models F钢由于良好的深冲性能，被广泛应用在汽车和中夹杂物的数量、大小、形态和分布-园.F钢属于铝 家电行业中，对洁净度要求十分严格，因此需要控制钢 脱氧镇静钢，生产过程中要加入大量的铝合金进行脱 收稿日期：2016-07-25 基金项目：国家自然科学基金资助项目(51404022)：钢铁治金新技术国家重点实验室自主课题(41616003)
工程科学学报，第 39 卷，第 4 期: 511--519，2017 年 4 月 Chinese Journal of Engineering，Vol． 39，No． 4: 511--519，April 2017 DOI: 10． 13374 /j． issn2095--9389． 2017． 04． 005; http: / /journals． ustb． edu． cn BP 神经网络 IF 钢铝耗的预测模型 张思源1) ，包燕平1) ，张超杰1) ，林 路2) 1) 北京科技大学钢铁冶金新技术国家重点实验室，北京 100083 2) 钢铁研究总院冶金工艺研究所，北京 100081 通信作者，E-mail: baoyp@ ustb． edu． cn 摘 要 为了解决某钢厂 IF 钢冶炼 ＲH 精炼过程铝耗偏高问题，通过数理统计和 BP 神经网络相结合的方法建立了铝耗预 测模型，并与多元线性回归模型进行比较，该模型具有更高准确度． 该模型分析了不同冶炼工艺参数对铝耗的具体影响，并 对相应工艺参数进行了优化． 结果表明: 脱碳结束氧活度或 ＲH 进站氧活度降低 0. 005% 左右，每吨钢铝耗可降低 0. 07 ～ 0. 08 kg，铝脱氧有效利用系数为 70. 31% ～ 80. 35% ; ＲH 进站钢液温度增加 35 ～ 40 ℃，铝耗降低 1 kg 左右，铝热反应升温利用 系数在 97. 4% 左右; 吹氧量小于 100 m3 和大于 100 m3 时，氧气与铝反应的比例分别为 37. 3% 和 74. 6% 左右，吹氧量每增加 50 m3 ，铝耗分别增加 0. 1 kg 和 0. 2 kg 左右． 工艺参数优化后平均铝耗由 1. 359 kg 降低到 1. 113 kg，降幅达 18. 1% ． 关键词 IF 钢; 低碳钢; 铝耗; 神经网络; 预测模型 分类号 TF769. 4 收稿日期: 2016--07--25 基金项目: 国家自然科学基金资助项目( 51404022) ; 钢铁冶金新技术国家重点实验室自主课题( 41616003) Prediction model of aluminum consumption with BP neural networks in IF steel production ZHANG Si-yuan1) ，BAO Yan-ping1) ，ZHANG Chao-jie1) ，LIN Lu2) 1) State Key Laboratory of Advanced Metallurgy，University of Science and Technology Beijing，Beijing 100083，China 2) Metallurgical Technology Institute，Central Iron and Steel Ｒesearch Institute，Beijing 100081，China Corresponding author，E-mail: baoyp@ ustb． edu． cn ABSTＲACT To solve the high aluminum consumption problem in interstitial-free steel production in a steel plant，an aluminum consumption prediction model was established by mathematical statistics and BP neural networks． Compared with the multiple linear regression model，this model's result is more accurate． The influence of different smelting processes on aluminum consumption was analyzed，and the process parameters were optimized． The results show that the amount of aluminum consumption per ton of steel decreases 0. 07 to 0. 08 kg when the oxygen activity before ＲH or after decarbonization reduces by 0. 005% ． The effective utilization coefficient of aluminum-deoxidizing is from 70. 31% to 80. 35% ; the aluminum consumption decreases about 0. 1 kg when the temperature of steel before ＲH increases by 35 to 40 ℃ ． The heating utilization coefficient of aluminum thermal reaction is about 97. 4% ． When the blowing oxygen quantity is less than 100 m3 and greater than 100 m3 ，the ratio of oxygen reacting with aluminum is about 37. 3% or about 74. 6% respectively，and the aluminum consumption increases by 0. 1 kg or 0. 2 kg，respectively，with the blowing oxygen quantity increasing by 50 m3 ． After the process parameter optimization，the aluminum consumption decreases from 1. 359 to 1. 113 kg，which results in a decrease of 18. 1% ． KEY WOＲDS IF steel; low carbon steel; aluminum consumption; neural networks; prediction models IF 钢由于良好的深冲性能，被广泛应用在汽车和 家电行业中，对洁净度要求十分严格，因此需要控制钢 中夹杂物的数量、大小、形态和分布［1--2］． IF 钢属于铝 脱氧镇静钢，生产过程中要加入大量的铝合金进行脱
·512 工程科学学报，第39卷，第4期 氧，但过量的AL,0,脱氧产物会影响钢液洁净度.铝耗 BP神经网络可以进行自主训练，在训练过程中通 的降低一方面能够节约生产成本，更重要的是能够减 过不断的计算修正，实现输入变量和输出结果之间准 少A山20，的产生，降低大尺寸簇状Al203夹杂形成的概 确的映射作用，数学理论证明三层的神经网络可以以 率，提高铸坯洁净度.因此通过降低铝耗，达到降 任意精度逼近任何非线性连续函数1-.F钢治炼 低钢厂生产成本和提高钢液洁净度的目的显得尤为 过程中，影响铝耗的工艺参数较为复杂，BP神经网络 重要. 恰好可以准确地探求出不同工艺因素对铝耗的影响， 目前国内外学者对铝脱氧镇静钢的研究大部分集 以此来指导生产 中在如何降低已经生成的AL,0,夹杂对钢材质量的影 2模型建立及应用 响或仅对A山，0，夹杂的危害进行描述5，很少有学者 对治炼工艺对铝耗的具体影响进行系统的分析.本文2.1输入变量确定 通过B神经网络构建铝耗预测模型，以此来分析不 正确的输入变量是保证模型中铝耗与治炼工艺参 同RH治炼工艺参数对铝耗的具体影响，从而根据该 数准确映射关系的前提，可能影响铝耗的治炼工艺参 结果对实际生产予以指导，最终通过降低铝耗达到降 数为进站到开始处理时间、抽真空到深真空时间、最小 低生产成本和提高钢液洁净度的目的 真空度、H进站钢液温度、吹氧量、RH进站氧活度和 BP神经网络 脱碳结束氧活度.本文所用数据以某钢厂2016年3一 5月份的治炼工艺数据为基础，筛选掉异常炉次，对 BP神经网络是一种多层前馈神经网络，由信息的 845炉有效治炼工艺数据进行处理. 正向传播和误差的反向调节两个过程组成网，如图1 考虑到各治炼工艺参数之间可能存在一定的关联 所示，其中xn和ym为训练样本输入输出的原始数据， 性，首先通过主成分分析，对可能影响铝耗的工艺参数 W为输入层神经元和隐含层神经元之间的连接权值， 进行降维处理，计算结果如表1所示 W为隐含层神经元和输出层神经元直接的连接权值 表1方差及主成分贡献率 Table 1 Eigenvalue and principle component contribution rate 特征向量 成分 特征值 方差贡献率/% 方差累计贡献率/% 1 2.018 28.823 28.823 2 1.230 17.567 46.390 3 1.037 14.818 61.208 4 0.913 14.183 75.391 5 0.778 11.116 86.507 输人层 隐含层 输出层 0.677 9.668 96.175 7 0.268 3.825 100.000 图1三层BP神经网络结构图 Fig.1 Structure diagram of a three-ayer BP neural network 从表1发现，特征值大于1的主成分有3项，累计 BP神经网络包含3层网：输入层、隐含层和输出 方差贡献率为61.208%，小于主成分方差占总方差 层，隐含层可以为一层也可以为多层（本模型隐含层 75%~85%的要求圆，因此不能够通过主成分分析进 为1层)，每一层神经元互相连接，通过向后反馈的学 行降维处理.通过SPSS软件对治炼工艺参数与铝耗 习机制，不断修正神经网络中神经元权值，直至输出正 的关系进行相关性分析，明确铝耗与主要工艺参数的 确结果 显著性水平，如表2所示. 表2不同治炼工艺与铝耗的显著性结果 Table 2 Significant results between different smelting processes and aluminum consumption 工艺参数进站到开始处理时间抽真空到深真空时间最小真空度RH进站钢液温度吹氧量RH进站氧活度脱碳结束氧活度 显著性 0.061 0.135 0.232 0 0 0 0 注：在0.01水平（双侧）上显著相关. 从表2可知，RH进站钢液温度、吹氧量、RH进站 于显著性水平0.01，应拒绝H。假设（与铝耗之间的相 氧活度以及脱碳结束氧活度与铝耗的显著性结果均小 关性不显著)，认为与铝耗之间的相关性显著
工程科学学报，第 39 卷，第 4 期 氧，但过量的 Al2O3脱氧产物会影响钢液洁净度． 铝耗 的降低一方面能够节约生产成本，更重要的是能够减 少 Al2O3的产生，降低大尺寸簇状 Al2O3夹杂形成的概 率，提高铸坯洁净度［3--4］． 因此通过降低铝耗，达到降 低钢厂生产成本和提高钢液洁净度的目的显得尤为 重要． 目前国内外学者对铝脱氧镇静钢的研究大部分集 中在如何降低已经生成的 Al2O3夹杂对钢材质量的影 响或仅对 Al2O3夹杂的危害进行描述［5--8］，很少有学者 对冶炼工艺对铝耗的具体影响进行系统的分析． 本文 通过 BP 神经网络构建铝耗预测模型，以此来分析不 同 ＲH 冶炼工艺参数对铝耗的具体影响，从而根据该 结果对实际生产予以指导，最终通过降低铝耗达到降 低生产成本和提高钢液洁净度的目的． 1 BP 神经网络 BP 神经网络是一种多层前馈神经网络，由信息的 正向传播和误差的反向调节两个过程组成［9］，如图 1 所示，其中 xn和 ym为训练样本输入输出的原始数据， Wab为输入层神经元和隐含层神经元之间的连接权值， Wbc为隐含层神经元和输出层神经元直接的连接权值． 图 1 三层 BP 神经网络结构图 Fig． 1 Structure diagram of a three-layer BP neural network BP 神经网络包含 3 层［10］: 输入层、隐含层和输出 层，隐含层可以为一层也可以为多层( 本模型隐含层 为 1 层) ，每一层神经元互相连接，通过向后反馈的学 习机制，不断修正神经网络中神经元权值，直至输出正 确结果． BP 神经网络可以进行自主训练，在训练过程中通 过不断的计算修正，实现输入变量和输出结果之间准 确的映射作用，数学理论证明三层的神经网络可以以 任意精度逼近任何非线性连续函数［11--12］． IF 钢冶炼 过程中，影响铝耗的工艺参数较为复杂，BP 神经网络 恰好可以准确地探求出不同工艺因素对铝耗的影响， 以此来指导生产． 2 模型建立及应用 2. 1 输入变量确定 正确的输入变量是保证模型中铝耗与冶炼工艺参 数准确映射关系的前提，可能影响铝耗的冶炼工艺参 数为进站到开始处理时间、抽真空到深真空时间、最小 真空度、ＲH 进站钢液温度、吹氧量、ＲH 进站氧活度和 脱碳结束氧活度． 本文所用数据以某钢厂 2016 年 3— 5 月份的冶炼工艺数据为基础，筛选掉异常炉次，对 845 炉有效冶炼工艺数据进行处理． 考虑到各冶炼工艺参数之间可能存在一定的关联 性，首先通过主成分分析，对可能影响铝耗的工艺参数 进行降维处理，计算结果如表 1 所示． 表 1 方差及主成分贡献率 Table 1 Eigenvalue and principle component contribution rate 成分 特征向量 特征值 方差贡献率/% 方差累计贡献率/% 1 2. 018 28. 823 28. 823 2 1. 230 17. 567 46. 390 3 1. 037 14. 818 61. 208 4 0. 913 14. 183 75. 391 5 0. 778 11. 116 86. 507 6 0. 677 9. 668 96. 175 7 0. 268 3. 825 100. 000 从表 1 发现，特征值大于 1 的主成分有 3 项，累计 方差贡献率为 61. 208% ，小于主成分方差占总方差 75% ～ 85% 的要求［13］，因此不能够通过主成分分析进 行降维处理． 通过 SPSS 软件对冶炼工艺参数与铝耗 的关系进行相关性分析，明确铝耗与主要工艺参数的 显著性水平，如表 2 所示． 表 2 不同冶炼工艺与铝耗的显著性结果 Table 2 Significant results between different smelting processes and aluminum consumption 工艺参数 进站到开始处理时间 抽真空到深真空时间 最小真空度 ＲH 进站钢液温度 吹氧量 ＲH 进站氧活度 脱碳结束氧活度 显著性 0. 061 0. 135 0. 232 0 0 0 0 注: 在 0. 01 水平( 双侧) 上显著相关． 从表 2 可知，ＲH 进站钢液温度、吹氧量、ＲH 进站 氧活度以及脱碳结束氧活度与铝耗的显著性结果均小 于显著性水平 0. 01，应拒绝 H0假设( 与铝耗之间的相 关性不显著) ，认为与铝耗之间的相关性显著． · 215 ·
张思源等：BP神经网络F钢铝耗的预测模型 513 作845炉中RH进站钢液温度、吹氧量与铝耗关 R进站氧活度和脱碳结束氧活度与铝耗关系的散点 系的散点图，因吹氧量对钢液氧活度产生较大影响， 图为未吹氧的338炉次统计结果，如图2所示 2.4(a 2.4b) 2.2 2.2 2.0 2.0 1.8 1.8 1.6 1.6 14 14 12 12 1.0 1.0 ◆ 0.8 0.8 0.6 0.6 156015801600162016401660168017001720 0 50100150200250300 RH进站钢液温度/℃ 吹氧量m 2.0 2.0d ◆ 1.8 1.8 1.6 1.6 14 1.4 1.2 1.2 1.0 1.0 0.8 0.8 ■ 0 06 .030.04 0.050.060.07 0.08 0.09 0.01 0.02 0.03 0.040.05 0.06 RH进站氣活度% 脱碳结束氧活度/% 图2不同治炼工艺与铝耗关系.()铝耗与H进站钢液温度的关系：(b)铝耗与吹氧量的关系：(c)铝耗与RH进站氧活度的关系：(d)铝 耗与脱碳结束氧活度的关系 Fig.2 Relationship between different smelting processes and aluminum consumption:(a)relationship between aluminum consumption and steel tem- perature before RH:(b)relationship between aluminum consumption and blowing oxygen quantity:(e)relationship between aluminum consumption and oxygen activities before RH:(d)relationship between aluminum consumption and oxygen activity after decarbonization 由图2可知，RH进站钢液温度、吹氧量、H进站 表3不同治炼工艺与铝耗的相关系数 氧活度和脱碳结束氧活度与铝耗均有明显的线性关 Table 3 Correlation coefficients between different smelting processes 系，铝耗随RH进站钢液温度的升高而降低，随吹氧 and aluminum consumption 量、RH进站氧活度和脱碳结束氧活度的升高而升高. 治炼工艺 RH进站 RH进站 脱碳结束 吹氧量 计算各因素与铝耗的相关系数r如下式： 参数 钢液温度 氧活度 氧活度 n∑xy-∑x∑y 相关系数 -0.527 0.685 0.533 0.395 √Σ-（Σ）][Σ2-（Σ门] 与铝耗的相关系数居中，对铝耗影响处于居中位置，因 (1) 此可以确定以上四个冶炼工艺参数作为模型的输入 式中，x为RH进站钢液温度、吹氧量、RH进站氧活度 变量 或脱碳结束氧活度中的影响因素之一，y为铝耗，为 2.2模型建立过程 样本量.结果如表3所示. 以2016年3一5月份的845炉RH治炼工艺参数 由表3可知，吹氧量与铝耗的相关系数最大，对铝 为依据，进行模型的训练和仿真，随机选择其中90% 耗影响最强：脱碳结束氧活度与铝耗的相关系数最小， 的数据用于训练，剩余10%的数据用于结果的仿真. 对铝耗影响最弱：H进站钢液温度和RH进站氧活度 训练参数如表4所示. 表4BP神经网络铝耗预测模型训练参数 Table 4 Training parameters of the aluminum consumption prediction model with BP neural networks 训练参数隐层个数隐层神经元个数学习速率动量因子·训练精度输入层传递函数隐层传递函数输出层传递函数训练函数 设定值 8 0.001 0.9 0.0001 tansig tansig purelin trainlm
张思源等: BP 神经网络 IF 钢铝耗的预测模型 作 845 炉中 ＲH 进站钢液温度、吹氧量与铝耗关 系的散点图，因吹氧量对钢液氧活度产生较大影响， ＲH 进站氧活度和脱碳结束氧活度与铝耗关系的散点 图为未吹氧的 338 炉次统计结果，如图 2 所示． 图2 不同冶炼工艺与铝耗关系． ( a) 铝耗与 ＲH 进站钢液温度的关系; ( b) 铝耗与吹氧量的关系; ( c) 铝耗与 ＲH 进站氧活度的关系; ( d) 铝 耗与脱碳结束氧活度的关系 Fig． 2 Ｒelationship between different smelting processes and aluminum consumption: ( a) relationship between aluminum consumption and steel temperature before ＲH; ( b) relationship between aluminum consumption and blowing oxygen quantity; ( c) relationship between aluminum consumption and oxygen activities before ＲH; ( d) relationship between aluminum consumption and oxygen activity after decarbonization 由图 2 可知，ＲH 进站钢液温度、吹氧量、ＲH 进站 氧活度和脱碳结束氧活度与铝耗均有明显的线性关 系，铝耗随 ＲH 进站钢液温度的升高而降低，随吹氧 量、ＲH 进站氧活度和脱碳结束氧活度的升高而升高． 计算各因素与铝耗的相关系数 r 如下式［14］: r = n∑xy － ∑x∑ [ y n∑x 2 ( － ∑ ) x ] [ 2 n∑y 2 ( － ∑ ) y 槡 ] 2 ． ( 1) 式中，x 为 ＲH 进站钢液温度、吹氧量、ＲH 进站氧活度 或脱碳结束氧活度中的影响因素之一，y 为铝耗，n 为 样本量． 结果如表 3 所示． 由表 3 可知，吹氧量与铝耗的相关系数最大，对铝 耗影响最强; 脱碳结束氧活度与铝耗的相关系数最小， 对铝耗影响最弱; ＲH 进站钢液温度和 ＲH 进站氧活度 表 3 不同冶炼工艺与铝耗的相关系数 Table 3 Correlation coefficients between different smelting processes and aluminum consumption 冶炼工艺 参数 ＲH 进站 钢液温度 吹氧量 ＲH 进站 氧活度 脱碳结束 氧活度 相关系数 － 0. 527 0. 685 0. 533 0. 395 与铝耗的相关系数居中，对铝耗影响处于居中位置，因 此可以确定以上四个冶炼工艺参数作为模型的输入 变量． 2. 2 模型建立过程 以 2016 年 3—5 月份的 845 炉 ＲH 冶炼工艺参数 为依据，进行模型的训练和仿真，随机选择其中 90% 的数据用于训练，剩余 10% 的数据用于结果的仿真． 训练参数如表 4 所示． 表 4 BP 神经网络铝耗预测模型训练参数 Table 4 Training parameters of the aluminum consumption prediction model with BP neural networks 训练参数 隐层个数 隐层神经元个数 学习速率 动量因子 训练精度 输入层传递函数 隐层传递函数 输出层传递函数 训练函数 设定值 1 8 0. 001 0. 9 0. 0001 tansig tansig purelin trainlm · 315 ·
·514 工程科学学报，第39卷，第4期 表4训练参数选取为多次训练以后选取的最优参 将BP神经网络铝耗预测模型编制成软件进行应用， 数，其他未注明参数均采用默认值.应用matlab GUI 模型界面和控制过程如图3和图4所示. ☑化两料料候期板草 基于BP神经网络的F钢铝耗预测模型 单护合金耗量预测 吹氧录m侧 进站钢液温度1 模型训练 进站氧活度10“65税氧前氧活度103端 歌RH治炼的软 单护合金耗量预测 批量合金耗量预涮 招耗妈 13 退出程序 领测合金耗量 清除数据 图3BP神经网络铝耗预测模型界面 Fig.3 Interface of the aluminum consumption prediction model with BP neural networks 开始 由表5可知，BP神经网络铝耗预测模型仿真结果 的标准差为0.285，平均误差为5.34%，平均正确率为 [导入训练样本，数据归一化 94.66%.相对误差在10%以内的命中率达到了 91.8%,绝对误差范围在[-0.1,0.1]范围内的命中率 模型训练参数初始化 达到了85.9%，命中率较高，具有很高的应用价值 2.4BP神经网络模型与多元线性回归模型对比 计算隐含层和输出层的输出值 由图2可知，RH进站钢液温度、吹氧量、RH进站 氧活度和脱碳结束氧活度与铝耗呈线性关系，对以上 「修正权值和國值 因素和铝耗的关系进行多元线性回归建模，回归系数 如表6所示. 否 。调练样本是否> 多元线性回归模型为： 完成 y=-0.002×t+0.004×Lo+0.002×a[0]+ 是 0.001×a[0]+2.761. (2) 根据目标函数计算总误差 式中：t为RH进站钢液温度；L,为吹氧量；a[O]为RH 进站氧活度，a:O]为脱碳结束氧活度. 是否小于设定值 由式(2)可知，吹氧量系数最大，对铝耗影响最 或大于训练次数 大：脱碳结束氧活度系数最小，对铝耗影响最小；RH 是 进站钢液温度和RH进站氧活度系数绝对值相等，对 结束训练 铝耗影响几乎相同，同2.1节所反映的影响规律几乎 相同，验证了各工艺参数对铝耗影响的重要性. 图4BP神经网络铝耗预测模型控制过程 将BP神经网络铝耗预测模型用于结果仿真的85 Fig.4 Control process of the aluminum consumption prediction mod- el with BP neural networks 炉工艺参数代入多元线性回归模型中，对两种模型的 预测输出与期望输出进行对比，如图5所示. 2.3模型结果仿真 由图5可知，两种模型的预测输出和期望输出均 模型训练完成以后，将845炉次的10%用于结果 有较好的吻合度，变化趋势几乎相同.但大部分炉次 的仿真.仿真结果如表5所示 中，BP神经网络模型的预测输出与期望输出更接近
工程科学学报，第 39 卷，第 4 期 表 4 训练参数选取为多次训练以后选取的最优参 数，其他未注明参数均采用默认值． 应用 matlab GUI 将 BP 神经网络铝耗预测模型编制成软件进行应用， 模型界面和控制过程如图 3 和图 4 所示． 图 3 BP 神经网络铝耗预测模型界面 Fig． 3 Interface of the aluminum consumption prediction model with BP neural networks 图 4 BP 神经网络铝耗预测模型控制过程 Fig． 4 Control process of the aluminum consumption prediction model with BP neural networks 2. 3 模型结果仿真 模型训练完成以后，将 845 炉次的 10% 用于结果 的仿真． 仿真结果如表 5 所示． 由表 5 可知，BP 神经网络铝耗预测模型仿真结果 的标准差为 0. 285，平均误差为 5. 34% ，平均正确率为 94. 66% ． 相 对 误 差 在 10% 以 内 的 命 中 率 达 到 了 91. 8% ，绝对误差范围在［－ 0. 1，0. 1］范围内的命中率 达到了 85. 9% ，命中率较高，具有很高的应用价值． 2. 4 BP 神经网络模型与多元线性回归模型对比 由图 2 可知，ＲH 进站钢液温度、吹氧量、ＲH 进站 氧活度和脱碳结束氧活度与铝耗呈线性关系，对以上 因素和铝耗的关系进行多元线性回归建模，回归系数 如表 6 所示． 多元线性回归模型为: y = － 0. 002 × t + 0. 004 × LO + 0. 002 × a［O］+ 0. 001 × a'［O］+ 2. 761． ( 2) 式中: t 为 ＲH 进站钢液温度; LO为吹氧量; a［O］为 ＲH 进站氧活度，a'［O］为脱碳结束氧活度． 由式( 2) 可知，吹氧量系数最大，对铝耗影响最 大; 脱碳结束氧活度系数最小，对铝耗影响最小; ＲH 进站钢液温度和 ＲH 进站氧活度系数绝对值相等，对 铝耗影响几乎相同，同 2. 1 节所反映的影响规律几乎 相同，验证了各工艺参数对铝耗影响的重要性． 将 BP 神经网络铝耗预测模型用于结果仿真的 85 炉工艺参数代入多元线性回归模型中，对两种模型的 预测输出与期望输出进行对比，如图 5 所示． 由图 5 可知，两种模型的预测输出和期望输出均 有较好的吻合度，变化趋势几乎相同． 但大部分炉次 中，BP 神经网络模型的预测输出与期望输出更接近， · 415 ·
张思源等：BP神经网络F钢铝耗的预测模型 515 表5BP神经网络铝耗预测模型仿真结果 Table 5 Simulation results of the aluminum consumption prediction model with BP neural networks 炉次 期望输出kg 预测输出kg 相对误差/% 炉次 期望输出/kg 预测输出/kg 相对误差/% 1 1.41 1.31 7.00 44 1.10 1.08 1.39 1.59 1.67 4.56 子 0.96 0.89 6.91 1.21 1.17 3.08 46 1.43 1.49 3.90 0.95 0.97 2.11 47 1.04 1.06 1.99 1.51 1.44 4.20 1.28 1.17 8.56 6 1.48 1.42 3.95 49 1.31 1.10 16.04 1.22 1.39 13.53 50 1.06 0.99 7.23 1.40 1.37 2.43 51 1.72 1.60 6.73 9 1.40 1.28 8.38 9 1.15 1.04 9.50 白 1.10 1.06 4.03 分 1.35 1.27 5.94 11 1.65 1.58 3.85 54 1.06 1.01 4.49 12 1.33 1.24 7.02 夕 0.89 1.07 19.35 13 1.46 1.43 2.09 56 1.63 1.71 5.18 14 1.42 1.35 5.36 51 1.31 1.25 4.n 15 0.92 0.92 0.07 58 1.54 1.39 9.47 16 1.17 1.23 5.03 1.73 1.64 5.63 17 1.20 1.12 6.18 四 0.89 0.91 2.73 18 1.63 1.59 2.46 61 1.38 1.41 2.15 19 1.55 1.48 4.29 62 0.91 0.96 5.08 场 1.42 1.50 5.39 63 0.91 0.96 4.88 21 1.45 1.38 4.72 64 0.96 0.98 2.48 22 1.92 1.90 1.07 65 1.98 1.92 3.01 23 1.56 1.60 2.83 66 1.05 1.03 1.89 24 1.69 1.52 10.13 6 1.73 1.59 8.10 25 1.28 1.34 4.48 68 1.30 1.20 7.30 26 0.93 0.90 3.09 69 1.19 1.23 3.00 27 0.70 0.80 12.88 N 1.09 1.00 8.47 28 1.23 1.26 2.33 1.16 1.04 10.52 29 1.03 0.97 5.76 72 1.52 1.47 3.51 30 1.52 1.44 5.14 1.30 1.22 6.38 31 1.07 1.09 1.89 1.32 1.29 2.90 32 1.31 1.21 7.20 75 0.83 0.86 3.36 33 1.27 1.22 4.04 和 1.26 1.19 5.69 34 2.35 2.41 2.79 77 1.38 1.33 3.54 35 1.10 1.17 6.29 78 1.33 1.41 6.08 36 1.08 0.99 8.25 79 1.54 1.51 1.57 37 0.93 0.93 0.64 形 1.15 1.23 7.41 38 1.83 1.89 3.24 时 1.49 1.32 11.01 39 1.49 1.41 5.15 82 1.15 1.22 6.02 40 1.57 1.49 4.92 0.97 0.95 2.57 41 1.11 1.09 2.23 华 1.20 1.10 8.03 42 1.66 1.72 3.87 香 1.09 1.04 4.07 0.84 0.90 7.17
张思源等: BP 神经网络 IF 钢铝耗的预测模型 表 5 BP 神经网络铝耗预测模型仿真结果 Table 5 Simulation results of the aluminum consumption prediction model with BP neural networks 炉次 期望输出/ kg 预测输出/ kg 相对误差/% 炉次 期望输出/ kg 预测输出/ kg 相对误差/% 1 1. 41 1. 31 7. 00 44 1. 10 1. 08 1. 39 2 1. 59 1. 67 4. 56 45 0. 96 0. 89 6. 91 3 1. 21 1. 17 3. 08 46 1. 43 1. 49 3. 90 4 0. 95 0. 97 2. 11 47 1. 04 1. 06 1. 99 5 1. 51 1. 44 4. 20 48 1. 28 1. 17 8. 56 6 1. 48 1. 42 3. 95 49 1. 31 1. 10 16. 04 7 1. 22 1. 39 13. 53 50 1. 06 0. 99 7. 23 8 1. 40 1. 37 2. 43 51 1. 72 1. 60 6. 73 9 1. 40 1. 28 8. 38 52 1. 15 1. 04 9. 50 10 1. 10 1. 06 4. 03 53 1. 35 1. 27 5. 94 11 1. 65 1. 58 3. 85 54 1. 06 1. 01 4. 49 12 1. 33 1. 24 7. 02 55 0. 89 1. 07 19. 35 13 1. 46 1. 43 2. 09 56 1. 63 1. 71 5. 18 14 1. 42 1. 35 5. 36 57 1. 31 1. 25 4. 77 15 0. 92 0. 92 0. 07 58 1. 54 1. 39 9. 47 16 1. 17 1. 23 5. 03 59 1. 73 1. 64 5. 63 17 1. 20 1. 12 6. 18 60 0. 89 0. 91 2. 73 18 1. 63 1. 59 2. 46 61 1. 38 1. 41 2. 15 19 1. 55 1. 48 4. 29 62 0. 91 0. 96 5. 08 20 1. 42 1. 50 5. 39 63 0. 91 0. 96 4. 88 21 1. 45 1. 38 4. 72 64 0. 96 0. 98 2. 48 22 1. 92 1. 90 1. 07 65 1. 98 1. 92 3. 01 23 1. 56 1. 60 2. 83 66 1. 05 1. 03 1. 89 24 1. 69 1. 52 10. 13 67 1. 73 1. 59 8. 10 25 1. 28 1. 34 4. 48 68 1. 30 1. 20 7. 30 26 0. 93 0. 90 3. 09 69 1. 19 1. 23 3. 00 27 0. 70 0. 80 12. 88 70 1. 09 1. 00 8. 47 28 1. 23 1. 26 2. 33 71 1. 16 1. 04 10. 52 29 1. 03 0. 97 5. 76 72 1. 52 1. 47 3. 51 30 1. 52 1. 44 5. 14 73 1. 30 1. 22 6. 38 31 1. 07 1. 09 1. 89 74 1. 32 1. 29 2. 90 32 1. 31 1. 21 7. 20 75 0. 83 0. 86 3. 36 33 1. 27 1. 22 4. 04 76 1. 26 1. 19 5. 69 34 2. 35 2. 41 2. 79 77 1. 38 1. 33 3. 54 35 1. 10 1. 17 6. 29 78 1. 33 1. 41 6. 08 36 1. 08 0. 99 8. 25 79 1. 54 1. 51 1. 57 37 0. 93 0. 93 0. 64 80 1. 15 1. 23 7. 41 38 1. 83 1. 89 3. 24 81 1. 49 1. 32 11. 01 39 1. 49 1. 41 5. 15 82 1. 15 1. 22 6. 02 40 1. 57 1. 49 4. 92 83 0. 97 0. 95 2. 57 41 1. 11 1. 09 2. 23 84 1. 20 1. 10 8. 03 42 1. 66 1. 72 3. 87 85 1. 09 1. 04 4. 07 43 0. 84 0. 90 7. 17 · 515 ·
516 工程科学学报，第39卷，第4期 表6多元线性回归系数 表7多元线性回归模型和BP神经网络模型预测结果对比 Table 6 Coefficients of multiple linear regression Table 7 Comparison of the prediction results of the BP neural network 多元线性 RH进站 RH进站 脱碳结束 and multiple linear regression models 常量 吹氧量 回归参数 钢液温度 氧活度 氧活度 平均 最大 最小 模型形式 标准差 回归系数2.761 -0.0020.0040.002 误差/% 误差1% 误差/% 0.001 多元线性回归模型0.311 11.56 42.93 0.27 BP神经网络模型 0.285 5.34 19.35 0.07 ·期望输出 2.5 BP神经网络预测输出 一多元线性回归预测输出 由表7可知，BP神经网络模型预测结果的标准 2.0 差、平均误差、最大误差以及最小误差均较小，因此BP 神经网络模型更适合应用在F钢生产过程铝耗的预 测上. 3结果与讨论 BP神经网络铝耗预测模型能够较为准确地预测 20 40 60 100 出不同工艺条件下的铝耗情况，在此模型基础上，分析 测试样本 不同治炼工艺对铝耗的具体影响 图5BP神经网络和多元线性回归预测输出和期望输出对比图 3.1RH进站氧活度和脱碳结束氧活度对铝耗的影响 Fig.5 Comparison of the prediction output of BP neural network and 将RH进站钢液温度和吹氧量分别设定在1615℃ multiple linear regression and desired output 和100m3,不同RH进站氧活度条件下，脱碳结束氧活 预测精度更高.对两种模型预测结果的相对误差进行 度与铝耗的关系如图7所示. 对比，如图6所示. 2.3 22 ·一RH进站氧活度0.050% 45 2.1 RH进站氧活度0.055% ·一BP神经网络 2.0 ◆一RH进站氧活度0.060% 40 ·一多元线性回归 1.9 -RH进站氧活度0.065% 1.8 ◆一RH进站氧活度0.070% 一RH进站氧活度0.075% ◆一RH进站氧活度0.080% 520 1.4 13 1.2 0 1.1 1.0 0.9 0.8 0.0200.0250.0300.0350.0400.045 20 40 60 80 100 脱碳结束氧活度/% 测试样本 图7不同日进站氧活度条件下铝耗与脱碳结束氧活度的关系 图6BP神经网络模型与多元线性回归模型相对误差对比图 Fig.7 Relationship between the aluminum consumption and oxygen Fig.6 Comparison between the relative errors of the BP neural net- activity after decarbonization under the conditions of different oxygen work and multiple linear regression models activities before RH 由图6可知，BP神经网络模型预测结果相对误差 由图7可知，RH进站氧活度相同时，铝耗随着脱 大部分在10%以内，少数炉次在10%~20%之间，但 碳结束氧活度的上升而上升：脱碳结束氧活度相同时， 均处于20%以内：多元线性回归模型预测结果相对误 铝耗随着RH进站氧活度的上升而上升.当脱碳结束 差仅有一半左右在10%以内，其余炉次相对误差较 氧活度或者RH进站氧活度降低0.005%左右时，铝耗 高，波动较大，BP神经网络模型预测结果明显要好于 降低0.07~0.08kg.主要是因为随着RH进站氧活度 多元线性回归模型.两种模型部分炉次误差较大，主 和脱碳结束氧活度的提高，钢中自由氧含量上升，脱氧 要是由于生产原料波动以及现场操作问题所致，属于 用铝耗量增多. 现场操作复杂性的不可抗拒因素 该钢厂生产F钢过程所用铝合金为纯铝粒，铝与 将BP神经网络模型和多元线性回归模型预测结 钢液中氧发生如下反应： 果的相关参数进行比较，如表7所示 2[1]+3[O]=AL,03(s). (3)
工程科学学报，第 39 卷，第 4 期 表 6 多元线性回归系数 Table 6 Coefficients of multiple linear regression 多元线性 回归参数 常量 ＲH 进站 钢液温度 吹氧量 ＲH 进站 氧活度 脱碳结束 氧活度 回归系数 2. 761 － 0. 002 0. 004 0. 002 0. 001 图 5 BP 神经网络和多元线性回归预测输出和期望输出对比图 Fig． 5 Comparison of the prediction output of BP neural network and multiple linear regression and desired output 预测精度更高． 对两种模型预测结果的相对误差进行 对比，如图 6 所示． 图 6 BP 神经网络模型与多元线性回归模型相对误差对比图 Fig． 6 Comparison between the relative errors of the BP neural network and multiple linear regression models 由图 6 可知，BP 神经网络模型预测结果相对误差 大部分在 10% 以内，少数炉次在 10% ～ 20% 之间，但 均处于 20% 以内; 多元线性回归模型预测结果相对误 差仅有一半左右在 10% 以内，其余炉次相对误差较 高，波动较大，BP 神经网络模型预测结果明显要好于 多元线性回归模型． 两种模型部分炉次误差较大，主 要是由于生产原料波动以及现场操作问题所致，属于 现场操作复杂性的不可抗拒因素． 将 BP 神经网络模型和多元线性回归模型预测结 果的相关参数进行比较，如表 7 所示． 表 7 多元线性回归模型和 BP 神经网络模型预测结果对比 Table 7 Comparison of the prediction results of the BP neural network and multiple linear regression models 模型形式 标准差 平均 误差/% 最大 误差/% 最小 误差/% 多元线性回归模型 0. 311 11. 56 42. 93 0. 27 BP 神经网络模型 0. 285 5. 34 19. 35 0. 07 由表 7 可知，BP 神经网络模型预测结果的标准 差、平均误差、最大误差以及最小误差均较小，因此 BP 神经网络模型更适合应用在 IF 钢生产过程铝耗的预 测上． 3 结果与讨论 BP 神经网络铝耗预测模型能够较为准确地预测 出不同工艺条件下的铝耗情况，在此模型基础上，分析 不同冶炼工艺对铝耗的具体影响． 3. 1 ＲH进站氧活度和脱碳结束氧活度对铝耗的影响 将 ＲH 进站钢液温度和吹氧量分别设定在1615 ℃ 和 100 m3 ，不同 ＲH 进站氧活度条件下，脱碳结束氧活 度与铝耗的关系如图 7 所示． 图 7 不同 ＲH 进站氧活度条件下铝耗与脱碳结束氧活度的关系 Fig． 7 Ｒelationship between the aluminum consumption and oxygen activity after decarbonization under the conditions of different oxygen activities before ＲH 由图 7 可知，ＲH 进站氧活度相同时，铝耗随着脱 碳结束氧活度的上升而上升; 脱碳结束氧活度相同时， 铝耗随着 ＲH 进站氧活度的上升而上升． 当脱碳结束 氧活度或者 ＲH 进站氧活度降低 0. 005% 左右时，铝耗 降低 0. 07 ～ 0. 08 kg． 主要是因为随着 ＲH 进站氧活度 和脱碳结束氧活度的提高，钢中自由氧含量上升，脱氧 用铝耗量增多． 该钢厂生产 IF 钢过程所用铝合金为纯铝粒，铝与 钢液中氧发生如下反应［15］: 2［Al］+ 3［O］Al2O3 ( s) ． ( 3) · 615 ·
张思源等：BP神经网络F钢铝耗的预测模型 517 铝粒进入钢液以后，除了与自由氧发生氧化反应 H进站钢液温度会增加转炉负担，降低炉衬使用寿命， 以外，部分直接进入炉渣、炉气或成为钢液中酸溶铝 因此H进站钢液温度也不宜过高，建议RH进站钢液 将铝粒与钢液中自由氧反应的比例定义为铝脱氧有效 温度控制在1630~1640℃之间. 利用系数，如下式所示： 铝粒加入钢液后通过铝的溶解和铝热反应放热来 Wu理论×100% 达到提高钢液温度的目的，铝的溶解热对钢液温度的 (4) 提升作用较小叨，可忽略不计，因此当吹氧量一定时， 式中，W论为理论铝耗量，W际为实际铝耗量，单位 钢液温度的提升主要靠铝热反应进行，如式(3)所示， 均为kg 其反应焓△H=-1218.8kJmo-.可得 通过式(3)计算，钢中自由氧含量降低0.005%， ,Wu×1000 △H× 理论铝耗量降低0.05625kg,而实际铝耗量降低 △T= 27—×刀51.3×Wu×n Cal×Wmx1000= (5) 0.07~0.08kg,因此铝脱氧有效利用系数为70.31%~ 80.369%. 其中，△T为铝热反应导致的升温变化，℃：W,为加入 该厂平均铝耗为1.359kg,平均RH进站钢液温 铝粒质量，kg:W为钢液质量，t,具体计算按300t计 度、吹氧量以及脱碳结束氧活度分别为1617℃、 算；C为钢液比热容，kJ小kgl.℃. 83.6m3和0.034%.由图7可知，脱碳结束氧活度为 铝热反应放热除了用于钢液升温以外，可能有一 0.035%时，平均铝耗对应的RH进站氧活度在 部分热量以辐射、热传导等方式损失到周围空气或设 0.070%左右，因此为了降低铝耗，应将RH进站氧活 备中.将铝热反应放热量用于钢液升温的比例定义为 度保持在0.070%以下，但过低的RH进站氧活度不利 铝热反应升温利用系数，如下式所示： 于脱碳反应进行，因此建议H进站氧活度控制在 △T题×100% (6) 0.050%-0.070%,脱碳结束氧活度小于0.035% △T理论 3.2RH进站钢液温度和吹氧量对铝耗的影响 其中，△T实际和△T理论分别为1kg铝耗引起钢液温度理 将RH进站氧活度和脱碳结束氧活度分别设定在 论和实际的变化，℃. 0.065%和0.035%，不同吹氧量条件下，RH进站钢液 由式(5)可知，铝耗为1kg时，钢液温度理论上提 温度与铝耗的关系如图8所示. 高36~41℃，与图8反映出来的温度提高值几乎相 2.8 同，说明铝热反应放热损失较小.取1kg铝耗引起钢 一吹氧量0m3 2.6 。一吹氧量50m3 液温度理论变化和实际变化的中值进行计算，可得铝 2.4 4一吹氧量100m 热反应升温利用系数在97.4%左右. 2.2 吹氧量150m ◆一吹氧量200m3 当RH进站钢液温度相同时，铝耗随吹氧量的升 ◆一吹氧量250m3 高而升高，主要是因为吹氧量升高，钢中自由氧含量提 高，脱氧用铝耗量增多.当吹氧量大于100m3时，铝耗 1.6 1.4 升高速度加快，其原因如图9所示 1.2 3.0 ,只吹人升温氧 1.0 ·只吹人脱碳氧 0.8 1590160016101620163016401650 2.5 进站钢液温度℃ 2.0 图8不同吹氧量条件下铝耗和H进站钢液温度的关系 Fig.8 Relationship between aluminum consumption and steel tem- perature before RH under the conditions of different blowing oxygen quantities 由图8可知：当吹氧量一定时，铝耗随H进站钢 50 100150200250300 液温度的升高而降低：当H进站钢液温度小于 吹氧量m3 1630℃时，RH进站钢液温度增加35~40℃，铝耗降低1 图9升温氧和脱碳氧对于铝耗的影响对比 kg左右.当RH进站钢液温度大于1630℃时，铝耗降低 Fig.9 Comparison of the effects of oxygen for decarburization and 趋势减弱.主要是因为随着RH进站钢液温度的升高， temperature on aluminum consumption 升温用铝耗量降低，当钢液温度达到某一值时，不需要 额外加铝升温也能使钢液温度满足下一工序a.因此 吹氧主要有脱碳和升温两个目的圆，图9为只吹 应当控制RH进站钢液温度在1630℃以上，但过高的 入升温氧和只吹入脱碳氧时铝耗对比情况，从图中发
张思源等: BP 神经网络 IF 钢铝耗的预测模型 铝粒进入钢液以后，除了与自由氧发生氧化反应 以外，部分直接进入炉渣、炉气或成为钢液中酸溶铝． 将铝粒与钢液中自由氧反应的比例定义为铝脱氧有效 利用系数，如下式所示: η = WAl理论 WAl实际 × 100% ． ( 4) 式中，WAl理论 为理论铝耗量，WAl实际 为实际铝耗量，单位 均为 kg． 通过式( 3) 计算，钢中自由氧含量降低 0. 005% ， 理论 铝 耗 量 降 低 0. 05625 kg，而实际铝耗量降低 0. 07 ～ 0. 08 kg，因此铝脱氧有效利用系数为70. 31% ～ 80. 36% ． 该厂平均铝耗为 1. 359 kg，平均 ＲH 进站钢液温 度、吹 氧 量 以 及 脱 碳 结 束 氧 活 度 分 别 为 1617 ℃、 83. 6 m3 和 0. 034% ． 由图 7 可知，脱碳结束氧活度为 0. 035% 时，平 均 铝 耗 对 应 的 ＲH 进 站 氧 活 度 在 0. 070% 左右，因此为了降低铝耗，应将 ＲH 进站氧活 度保持在 0. 070% 以下，但过低的 ＲH 进站氧活度不利 于脱碳反应进行，因此建议 ＲH 进站氧活度控制在 0. 050% ～ 0. 070% ，脱碳结束氧活度小于 0. 035% ． 3. 2 ＲH 进站钢液温度和吹氧量对铝耗的影响 将 ＲH 进站氧活度和脱碳结束氧活度分别设定在 0. 065% 和 0. 035% ，不同吹氧量条件下，ＲH 进站钢液 温度与铝耗的关系如图 8 所示． 图 8 不同吹氧量条件下铝耗和 ＲH 进站钢液温度的关系 Fig． 8 Ｒelationship between aluminum consumption and steel temperature before ＲH under the conditions of different blowing oxygen quantities 由图 8 可知: 当吹氧量一定时，铝耗随 ＲH 进站钢 液温 度 的 升 高 而 降 低; 当 ＲH 进 站 钢 液 温 度 小 于 1630 ℃时，ＲH 进站钢液温度增加 35 ～ 40 ℃，铝耗降低 1 kg 左右． 当 ＲH 进站钢液温度大于 1630 ℃时，铝耗降低 趋势减弱． 主要是因为随着 ＲH 进站钢液温度的升高， 升温用铝耗量降低，当钢液温度达到某一值时，不需要 额外加铝升温也能使钢液温度满足下一工序［16］． 因此 应当控制 ＲH 进站钢液温度在 1630 ℃ 以上，但过高的 ＲH 进站钢液温度会增加转炉负担，降低炉衬使用寿命， 因此 ＲH 进站钢液温度也不宜过高，建议 ＲH 进站钢液 温度控制在 1630 ～ 1640 ℃之间． 铝粒加入钢液后通过铝的溶解和铝热反应放热来 达到提高钢液温度的目的，铝的溶解热对钢液温度的 提升作用较小［17］，可忽略不计，因此当吹氧量一定时， 钢液温度的提升主要靠铝热反应进行，如式( 3) 所示， 其反应焓 ΔH = － 1218. 8 kJ·mol － 1 ． 可得 ΔT = ΔH × WAl × 1000 27 × η CPsteel × Wsteel × 1000 = 51. 3 × WAl × η Wsteel ． ( 5) 其中，ΔT 为铝热反应导致的升温变化，℃ ; WAl为加入 铝粒质量，kg; Wsteel为钢液质量，t，具体计算按 300 t 计 算; CPsteel为钢液比热容，kJ·kg － 1·℃ － 1 ． 铝热反应放热除了用于钢液升温以外，可能有一 部分热量以辐射、热传导等方式损失到周围空气或设 备中． 将铝热反应放热量用于钢液升温的比例定义为 铝热反应升温利用系数，如下式所示: η' = ΔT实际 ΔT理论 × 100% ． ( 6) 其中，ΔT实际 和 ΔT理论 分别为 1 kg 铝耗引起钢液温度理 论和实际的变化，℃ ． 由式( 5) 可知，铝耗为 1 kg 时，钢液温度理论上提 高 36 ～ 41 ℃，与图 8 反映出来的温度提高值几乎相 同，说明铝热反应放热损失较小． 取 1 kg 铝耗引起钢 液温度理论变化和实际变化的中值进行计算，可得铝 热反应升温利用系数在 97. 4% 左右． 当 ＲH 进站钢液温度相同时，铝耗随吹氧量的升 高而升高，主要是因为吹氧量升高，钢中自由氧含量提 高，脱氧用铝耗量增多． 当吹氧量大于 100 m3 时，铝耗 升高速度加快，其原因如图 9 所示． 图 9 升温氧和脱碳氧对于铝耗的影响对比 Fig． 9 Comparison of the effects of oxygen for decarburization and temperature on aluminum consumption 吹氧主要有脱碳和升温两个目的［18］，图 9 为只吹 入升温氧和只吹入脱碳氧时铝耗对比情况，从图中发 · 715 ·
518 工程科学学报，第39卷，第4期 现仅吹入脱碳氧时，吹氧量一般较小，大部分在100m3 由图10可知，工艺参数优化后，所有炉次铝耗均 以下，仅吹入升温氧时，吹氧量一般较大，大部分在 小于1.8kg,其中小于1.4kg的炉次占总炉次的百分 100m3以上.说明当吹氧量大于100m3时，吹氧量中 比大幅度提升，平均铝耗由优化前的1.359kg降低到 升温氧量占比将会大幅度提高，使得铝耗大幅度提高， 1.113kg,降幅达18.1%，效果显著. 因此建议将吹氧量控制在100m以下. 基于BP神经网络的IF钢铝耗预测模型在该钢厂 假设吹入氧气为标况下气体，且吹入氧气全部与 能够达到较好的预测效果，但不同钢厂的实际情况并 铝发生反应，则由式(3)可得，所需铝量为 不相同，对于铝耗的影响因素可能有所不同，其中操作 Vo,×1000 水平、原料条件等都可能对铝耗产生影响.因此，对于 Wg÷224 ×4÷3×27÷1000 1.607×Vo 不同的钢厂，要结合自己的实际情况，参考本文模型建 W eel 立的基本过程，建立符合自身情况的铝耗预测模型. (7) 其中：W为铝耗量，kg:V。为吹入氧气体积，m3 4结论 由式(7)计算得，吹入50m3氧气全部与铝反应 (1)以RH进站钢液温度、吹氧量、RH进站氧活 时，铝耗量为0.268kg.但实际生产中，吹入氧气很大 度和脱碳结束氧活度作为BP神经网络模型的输入变 一部分参与脱碳反应.从图8发现，吹氧量小于100 量，铝耗作为输出变量，建立了BP神经网络铝耗预测 m3时，吹氧量增加50m3,铝耗增加0.1kg左右，此时 模型，仿真结果平均误差为5.34%，标准差为0.285 吹入氧气与铝反应的比例为 与多元线性回归模型进行比较，多元线性回归模型的 0.1 m1=0.268×100%=37.3%. 平均误差为10.52%，标准差为0.308，BP神经网络模 (8) 型对铝耗的预测精度更高。 吹氧量大于100m3时，吹氧量增加50m,铝耗增 (2)铝耗随吹氧量、RH进站氧活度以及脱碳结 加0.2kg左右，此时吹入氧气与铝反应的比例为 束氧活度的升高而升高，随RH进站钢液温度的升高 0.2 7:0.268×100%=74.69%. (9) 而降低.吹氧量对铝耗的影响最大，脱碳结束氧活度 对铝耗的影响最小，RH进站钢液温度和RH进站氧活 3.3工艺优化前后对比 度对铝耗的影响几乎相同. 对该钢厂工艺优化前的845炉铝耗分布情况进行 (3)脱碳结束氧活度或RH进站氧活度降低 了统计，平均铝耗为1.359kg,集中分布在1~1.8kg 0.005%左右时，铝耗降低0.07~0.08kg,铝脱氧有效 之间（如图10所示）.根据以上影响规律，对该钢厂F 利用系数在70.31%~80.35%：RH进站钢液温度增 钢30OtRH精炼工艺进行优化：RH进站氧活度为 加35~40℃时，铝耗降低1kg左右，铝热反应升温利 0.050%~0.070%,脱碳结束氧活度小于0.035%，RH 用系数在97.4%左右：吹氧量小于100m3和大于 进站钢液温度为1630~1640℃，吹氧量小于100m3. 100m3时，氧气与铝反应的比例分别为37.3%和 优化后的炉次带入该模型中进行预测，预测结果的平 74.6%左右，吹氧量每增加50m3,铝耗分别增加0.1kg 均误差为6.12%，与模型建立过程的仿真结果相当. 和0.2kg左右. 对优化后的26炉治炼数据进行统计分析，优化前后的 (4)提出R进站钢液温度控制在1630~ 铝耗情况如图10所示. 1640℃，吹氧量控制在100m3以下，RH进站氧活度控 四工艺优化前 制在0.050%~0.070%，脱碳结束氧活度控制在 忽工艺优化后 0.035%以下的工艺改进措施.工艺优化后，铝耗从 50 1.359kg降低到1.113kg,降幅达18.1%. 参考文献 G] Longauerova M,Federovd M,Longauer S,et al.Distribution of microalloying elements and impurities in surface zone of CC IF N steel.Ironmaking Steelmaking,2009,36(3):176 <1.0 1.01.4 1.4-1.81.8-2.2 22 Yang W,Zhang L F,Wang X H,et al.Characteristics of inclu- 铝耗g sions in low carbon Al-killed steel during ladle furnace refining 图10工艺优化前后铝耗情况对比 and calcium treatment.IS//Int,2013,53(8):1401 Fig.10 Comparison of the aluminum consumption before and after B]Yan P,Wang X H,Jiang M,et al.Inclusions in low carbon alu- process optimization minum killed steel slabs at high casting speed.Chin J Eng
工程科学学报，第 39 卷，第 4 期 现仅吹入脱碳氧时，吹氧量一般较小，大部分在 100 m3 以下，仅吹入升温氧时，吹氧量一般较大，大部分在 100 m3 以上． 说明当吹氧量大于 100 m3 时，吹氧量中 升温氧量占比将会大幅度提高，使得铝耗大幅度提高， 因此建议将吹氧量控制在 100 m3 以下． 假设吹入氧气为标况下气体，且吹入氧气全部与 铝发生反应，则由式( 3) 可得，所需铝量为 W铝 = VO2 × 1000 22. 4 × 4 ÷ 3 × 27 ÷ 1000 Wsteel = 1. 607 × VO2 Wsteel ． ( 7) 其中: W铝 为铝耗量，kg; VO2 为吹入氧气体积，m3 ． 由式( 7) 计算得，吹入 50 m3 氧气全部与铝反应 时，铝耗量为 0. 268 kg． 但实际生产中，吹入氧气很大 一部分参与脱碳反应． 从图 8 发现，吹氧量小于 100 m3 时，吹氧量增加 50 m3 ，铝耗增加 0. 1 kg 左右，此时 吹入氧气与铝反应的比例为 η1 = 0. 1 0. 268 × 100% = 37. 3% ． ( 8) 吹氧量大于 100 m3 时，吹氧量增加 50 m3 ，铝耗增 加 0. 2 kg 左右，此时吹入氧气与铝反应的比例为 η2 = 0. 2 0. 268 × 100% = 74. 6% ． ( 9) 图 10 工艺优化前后铝耗情况对比 Fig． 10 Comparison of the aluminum consumption before and after process optimization 3. 3 工艺优化前后对比 对该钢厂工艺优化前的 845 炉铝耗分布情况进行 了统计，平均铝耗为 1. 359 kg，集中分布在 1 ～ 1. 8 kg 之间( 如图 10 所示) ． 根据以上影响规律，对该钢厂 IF 钢 300 t ＲH 精炼工艺进行优化: ＲH 进 站 氧 活 度 为 0. 050% ～ 0. 070% ，脱碳结束氧活度小于 0. 035% ，ＲH 进站钢液温度为 1630 ～ 1640 ℃，吹氧量小于 100 m3 ． 优化后的炉次带入该模型中进行预测，预测结果的平 均误差为 6. 12% ，与模型建立过程的仿真结果相当． 对优化后的 26 炉冶炼数据进行统计分析，优化前后的 铝耗情况如图 10 所示． 由图 10 可知，工艺参数优化后，所有炉次铝耗均 小于 1. 8 kg，其中小于 1. 4 kg 的炉次占总炉次的百分 比大幅度提升，平均铝耗由优化前的 1. 359 kg 降低到 1. 113 kg，降幅达 18. 1% ，效果显著． 基于 BP 神经网络的 IF 钢铝耗预测模型在该钢厂 能够达到较好的预测效果，但不同钢厂的实际情况并 不相同，对于铝耗的影响因素可能有所不同，其中操作 水平、原料条件等都可能对铝耗产生影响． 因此，对于 不同的钢厂，要结合自己的实际情况，参考本文模型建 立的基本过程，建立符合自身情况的铝耗预测模型． 4 结论 ( 1) 以 ＲH 进站钢液温度、吹氧量、ＲH 进站氧活 度和脱碳结束氧活度作为 BP 神经网络模型的输入变 量，铝耗作为输出变量，建立了 BP 神经网络铝耗预测 模型，仿真结果平均误差为 5. 34% ，标准差为 0. 285． 与多元线性回归模型进行比较，多元线性回归模型的 平均误差为 10. 52% ，标准差为 0. 308，BP 神经网络模 型对铝耗的预测精度更高． ( 2) 铝耗随吹氧量、ＲH 进站氧活度以及脱碳结 束氧活度的升高而升高，随 ＲH 进站钢液温度的升高 而降低． 吹氧量对铝耗的影响最大，脱碳结束氧活度 对铝耗的影响最小，ＲH 进站钢液温度和 ＲH 进站氧活 度对铝耗的影响几乎相同． ( 3) 脱 碳 结 束 氧 活 度 或 ＲH 进站氧活度降低 0. 005% 左右时，铝耗降低 0. 07 ～ 0. 08 kg，铝脱氧有效 利用系数在 70. 31% ～ 80. 35% ; ＲH 进站钢液温度增 加 35 ～ 40 ℃ 时，铝耗降低 1 kg 左右，铝热反应升温利 用系数 在 97. 4% 左 右; 吹 氧 量 小 于 100 m3 和 大 于 100 m3 时，氧 气 与 铝 反 应 的 比 例 分 别 为 37. 3% 和 74. 6% 左右，吹氧量每增加50 m3 ，铝耗分别增加0. 1 kg 和 0. 2 kg 左右． ( 4 ) 提 出 ＲH 进 站 钢 液 温 度 控 制 在 1630 ～ 1640 ℃，吹氧量控制在 100 m3 以下，ＲH 进站氧活度控 制在 0. 050% ～ 0. 070% ，脱 碳 结 束 氧 活 度 控 制 在 0. 035% 以下的工艺改进措施． 工艺优化后，铝耗从 1. 359 kg 降低到 1. 113 kg，降幅达 18. 1% ． 参 考 文 献 ［1］ Longauerová M，Federová M，Longauer S，et al． Distribution of microalloying elements and impurities in surface zone of CC IF steel． Ironmaking Steelmaking，2009，36( 3) : 176 ［2］ Yang W，Zhang L F，Wang X H，et al． Characteristics of inclusions in low carbon Al-killed steel during ladle furnace refining and calcium treatment． ISIJ Int，2013，53( 8) : 1401 ［3］ Yan P，Wang X H，Jiang M，et al． Inclusions in low carbon aluminum killed steel slabs at high casting speed． Chin J Eng， · 815 ·
张思源等：BP神经网络F钢铝耗的预测模型 519 2016,38(3):342 injection molding process.J Mater Process Technol,2000,103 (苑鹏，王新华，姜敏，等。高拉速连铸低碳铝镇静钢铸坯中 (3):411 夹杂物.工程科学学报，2016,38(3)：342) [12]Zhang L P,Wu K,Zhong Y F,et al.A new sub-pixel mapping 4]Ma H X,Wang X H.Huang F X,et al.Effect of deoxidation algorithm based on a BP neural network with an observation mod- technology on cleanliness of low carbon aluminum killed steel. el.Neurocomputing,2008,71(10):2046 Iron Steel,2016,51(1)19 [13]Xu Z X,Zhou D Y,Luo Y R.Fuzzy neural network based on (马焕珣，王新华，黄福祥，等.脱氧工艺对低碳铝镇静钢洁 principal component.Comput Eng Appl,2006,42(5):34 净度的影响.钢铁，2016,51(1)：19) (徐自样，周德云，罗奕然.基于主成分的模糊神经网络.计 5]Deng Z Y,Zhu M Y.Evolution mechanism of non-metallic inclu- 算机工程与应用，2006,42(5)：34) sions in Al-killed alloyed steel during secondary refining process. [14]Chaudhury A,Khatirkar R,Viswanathan NN,et al.Low sili- 1SJt,2013,53(3):450 con non-grain-oriented electrical steel:linking magnetic proper- [6]Zinngrebe E,Van Hock C,Visser H,et al.Inclusion population ties with metallurgical factors.J MagnMagn Mater,2007,313 evolution in Ti-alloyed Al-killed steel during secondary steelmak- (1):21 ing process.ISIJ Int,2012,52(1):52 [15]Liu D,Lei H,Wang TL,et al.Thermodynamics of deoxidation Yang S F,Li J S,Wang Z F,et al.Modification of MgO.Al2O3 equilibrium with Al in liquid iron at 1873 K.J Mater Metall, spinel inclusions in Al-killed steel by Cattreatment.Int J Miner 2015,14(2):96 Metall Mater,2011,18 (1)18 (刘达，雷洪，王天龙，等.关于1873K下铁液中铝脱氧平 [8]Li X,Bao Y P,Wang M,et al.Effect of aluminum consumption 衡热力学的讨论.材料与治金学报，2015,14(2)：96) and oxygen potential at final deoxidation on nozzle clogging of IF [16]Zhai G M,Liu X L.Production practice of IF steel in RH fur- steel.Chin J Eng,2015,37(6):700 nace.Steelmaking,2009,25(5):5 (李翔，包燕平，王敏，等.铝耗及终脱氧氧位对F钢水口结 (翟高民，刘相林.RH处理F钢的操作实践.炼钢，2009， 瘤的影响.工程科学学报，2015,37(6)：700) 25(5):5) Liu T S.The Research and Application on BP Neural Network Im- [17]Li X C,He P,Wang F,et al.Study on temperature drop in RH prorement [Dissertation].Harbin:Northeast Agricultural Univer- refining process.Res Iron Steel,2010,38(5):13 sity,2011 (李相臣，何平，王峰，等.RH精炼过程温降规律的研究 (刘天舒.BP神经网络的改进研究及应用[学位论文].哈尔 钢铁研究，2010,38(5)：13) 滨：东北农业大学，2011) [18]Wu Y,Ni H W,Zhang H,et al.Development of liquid temper- [10]Guo Z H,Wu J,Lu H Y,et al.A case study on a hybrid wind ature prediction model in RH-MFB refining process.Spec Steel, speed forecasting method using BP neural network.Knoul Based 2014,35(3):8 Syst,2011,24(7):1048 (吴扬，倪红卫，张华，等.HMFB精炼时钢水温度预报模 [11]Sadeghi B H M.A BP-neural network predictor model for plastic 型的开发.特殊钢，2014,35(3)：8)
张思源等: BP 神经网络 IF 钢铝耗的预测模型 2016，38( 3) : 342 ( 苑鹏，王新华，姜敏，等． 高拉速连铸低碳铝镇静钢铸坯中 夹杂物． 工程科学学报，2016，38( 3) : 342) ［4］ Ma H X，Wang X H，Huang F X，et al． Effect of deoxidation technology on cleanliness of low carbon aluminum killed steel． Iron Steel，2016，51( 1) : 19 ( 马焕珣，王新华，黄福祥，等． 脱氧工艺对低碳铝镇静钢洁 净度的影响． 钢铁，2016，51( 1) : 19) ［5］ Deng Z Y，Zhu M Y． Evolution mechanism of non-metallic inclusions in Al-killed alloyed steel during secondary refining process． ISIJ Int，2013，53( 3) : 450 ［6］ Zinngrebe E，Van Hoek C，Visser H，et al． Inclusion population evolution in Ti-alloyed Al-killed steel during secondary steelmaking process． ISIJ Int，2012，52( 1) : 52 ［7］ Yang S F，Li J S，Wang Z F，et al． Modification of MgO·Al2O3 spinel inclusions in Al-killed steel by Ca-treatment． Int J Miner Metall Mater，2011，18( 1) : 18 ［8］ Li X，Bao Y P，Wang M，et al． Effect of aluminum consumption and oxygen potential at final deoxidation on nozzle clogging of IF steel． Chin J Eng，2015，37( 6) : 700 ( 李翔，包燕平，王敏，等． 铝耗及终脱氧氧位对 IF 钢水口结 瘤的影响． 工程科学学报，2015，37( 6) : 700) ［9］ Liu T S． The Ｒesearch and Application on BP Neural Network Improvement ［Dissertation］． Harbin: Northeast Agricultural University，2011 ( 刘天舒． BP 神经网络的改进研究及应用［学位论文］． 哈尔 滨: 东北农业大学，2011) ［10］ Guo Z H，Wu J，Lu H Y，et al． A case study on a hybrid wind speed forecasting method using BP neural network． Knowl Based Syst，2011，24( 7) : 1048 ［11］ Sadeghi B H M． A BP-neural network predictor model for plastic injection molding process． J Mater Process Technol，2000，103 ( 3) : 411 ［12］ Zhang L P，Wu K，Zhong Y F，et al． A new sub-pixel mapping algorithm based on a BP neural network with an observation model． Neurocomputing，2008，71( 10) : 2046 ［13］ Xu Z X，Zhou D Y，Luo Y Ｒ． Fuzzy neural network based on principal component． Comput Eng Appl，2006，42( 5) : 34 ( 徐自祥，周德云，罗奕然． 基于主成分的模糊神经网络． 计 算机工程与应用，2006，42( 5) : 34) ［14］ Chaudhury A，Khatirkar Ｒ，Viswanathan N N，et al． Low silicon non-grain-oriented electrical steel: linking magnetic properties with metallurgical factors． J Magn Magn Mater，2007，313 ( 1) : 21 ［15］ Liu D，Lei H，Wang T L，et al． Thermodynamics of deoxidation equilibrium with Al in liquid iron at 1873 K． J Mater Metall， 2015，14( 2) : 96 ( 刘达，雷洪，王天龙，等． 关于 1873 K 下铁液中铝脱氧平 衡热力学的讨论． 材料与冶金学报，2015，14( 2) : 96) ［16］ Zhai G M，Liu X L． Production practice of IF steel in ＲH furnace． Steelmaking，2009，25( 5) : 5 ( 翟高民，刘相林． ＲH 处理 IF 钢的操作实践． 炼钢，2009， 25( 5) : 5) ［17］ Li X C，He P，Wang F，et al． Study on temperature drop in ＲH refining process． Ｒes Iron Steel，2010，38( 5) : 13 ( 李相臣，何平，王峰，等． ＲH 精炼过程温降规律的研究． 钢铁研究，2010，38( 5) : 13) ［18］ Wu Y，Ni H W，Zhang H，et al． Development of liquid temperature prediction model in ＲH-MFB refining process． Spec Steel， 2014，35( 3) : 8 ( 吴扬，倪红卫，张华，等． ＲH-MFB 精炼时钢水温度预报模 型的开发． 特殊钢，2014，35( 3) : 8) · 915 ·
