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 tem￾perature 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 ·