·204 北京科技大学学报 第36卷 钢包执状态 钢包热状态和加合 和加热功率 金渣料、出钢时间 LF终点温度 等计划参数： 炉后吹氩站钢水温度 等计划参数 P ;中间包要求的温！ 度，中间包热状 LF终点温度 LF开始温度 转炉炉后吹氯站 转炉终点温度 态、钢包热状态和 预定模型 预定模型 钢水温度预定模型 预定模型 其他计划参数 LF开始温度 钢包热状态和运输 转炉终点温度 时间等计划参数 图4逆向预定模型结构 Fig.4 Configuration of the model for backward prediction 2基于钢包热状态和BP神经网络的钢水 素是LF精炼开始温度、钢水重量、各种合金和渣料 加入量、通电时间、精炼时间、氩气消耗量和钢包热 温度预报混合模型 状态，作为LF终点温度预测模型输入变量，输出变 关于正向预测模型和逆向预定模型中各子模型 量是LF终点温度.其中，各种合金和渣料加入量按 的建立，本文提出了基于钢包热状态和BP神经网络 照下式转化为合金和渣料的热效应， 的钢水温度预报混合模型方法.本文以LF终点温度 ATa=∑W,0 (1) 预测为例，介绍混合模型的构建思想和应用效果 2.1BP神经网络 式中：△Ta表示合金和渣料的热效应：W:表示加入 人工神经网络的种类繁多，其中应用最广的是 的第i种合金或渣料的重量，kg;Q:表示加入100kg BP神经网络，本文采用BP神经网络构建钢水温度 第i种合金或者渣料对钢水温度的影响，如表3. 预测模型，它是一种典型的多层前馈神经网络，具有 表33001钢水每加入100kg合金或渣料温降系数 逼近任意连续函数和非线性映射的能力.其模型的 Table 3 Heat effects of various additions of 100 kg for 300t of steel 拓扑结构包括输入层、隐层和输出层.相邻层之间 序号 合金或渣料 △T/℃ 碳粉 -2.50 各神经元全连接，而同一层各神经元之间无连接 2 高碳锰铁 -0.90 BP神经网络的原理是根据所给的训练样本输入和 3 低碳锰铁 -0.75 输出向量不断学习并调整神经元之间的连接权值与 4 硅铁 +1.00 阈值，使网络不断逼近样本输入输出之间的映射关 5 渣料 -0.70 系.其训练过程实质上是信息的正向传播与误差的 6 Al +5.00 逆向传播修正权值和阈值的过程.误差逆向传播的 7 FeNb -0.35 8 FeTi -0.40 基本思想是最小二乘法，使用梯度下降法训练，使网 9 CaSi -1.05 络的实际输出和期望输出的均方误差和最小. 尽管BP神经网络容错性好、具有很强的联想 2.2.2数据预处理和相关性分析 记忆能力等特点，能更深入的处理一些复杂的非线 采集H炼钢厂生产数据，按照模型的输入和输 性问题.但是，标准的BP算法存在学习收敛速度太 出变量整理数据，剔除不完整和明显错误的炉次数 慢、易陷入局部极小值的缺点，所以，本文采用麦夸 据，获得4156炉样本.根据样本数据对模型输入输 特法(LM)优化算法对标准BP算法进行了改进. 出变量进行了数据特性统计和Pearson(皮尔逊)相 2.2基于混合模型的LF终点温度预测 关性分析，如表4和表5所示所示. 从本文1.1节SPHD钢种钢水温度控制现状可 由表5可知，LF终点温度与其影响因素的相关 知，LF精炼过程温度控制在炼钢连铸流程中起到了 系数关系为：IR2I>IRI>IR3I>IR4I>IR。I> 非常重要的作用.因此，建立准确的LF终点温度预 |R,I,由于两个变量的相关系数大小反映了他们之 测模型对LF终点温度控制至关重要 间的影响程度，所以可知，各因素对LF终点温度的 2.2.1模型输入输出变量 影响程度从大到小依次为：LF开始温度、通电时间、 由1.2节分析可知，LF终点温度的主要影响因 精炼时间、氩气消耗、合金和渣料热效应、钢水重量.北 京 科 技 大 学 学 报 第 36 卷 图 4 逆向预定模型结构 Fig． 4 Configuration of the model for backward prediction 2 基于钢包热状态和 BP 神经网络的钢水 温度预报混合模型 关于正向预测模型和逆向预定模型中各子模型 的建立，本文提出了基于钢包热状态和 BP 神经网络 的钢水温度预报混合模型方法． 本文以 LF 终点温度 预测为例，介绍混合模型的构建思想和应用效果． 2. 1 BP 神经网络 人工神经网络的种类繁多，其中应用最广的是 BP 神经网络，本文采用 BP 神经网络构建钢水温度 预测模型，它是一种典型的多层前馈神经网络，具有 逼近任意连续函数和非线性映射的能力． 其模型的 拓扑结构包括输入层、隐层和输出层． 相邻层之间 各神经元全连接，而同一层各神经元之间无连接． BP 神经网络的原理是根据所给的训练样本输入和 输出向量不断学习并调整神经元之间的连接权值与 阈值，使网络不断逼近样本输入输出之间的映射关 系． 其训练过程实质上是信息的正向传播与误差的 逆向传播修正权值和阈值的过程． 误差逆向传播的 基本思想是最小二乘法，使用梯度下降法训练，使网 络的实际输出和期望输出的均方误差和最小． 尽管 BP 神经网络容错性好、具有很强的联想 记忆能力等特点，能更深入的处理一些复杂的非线 性问题． 但是，标准的 BP 算法存在学习收敛速度太 慢、易陷入局部极小值的缺点，所以，本文采用麦夸 特法( LM) 优化算法对标准 BP 算法进行了改进． 2. 2 基于混合模型的 LF 终点温度预测 从本文 1. 1 节 SPHD 钢种钢水温度控制现状可 知，LF 精炼过程温度控制在炼钢连铸流程中起到了 非常重要的作用． 因此，建立准确的 LF 终点温度预 测模型对 LF 终点温度控制至关重要． 2. 2. 1 模型输入输出变量 由 1. 2 节分析可知，LF 终点温度的主要影响因 素是 LF 精炼开始温度、钢水重量、各种合金和渣料 加入量、通电时间、精炼时间、氩气消耗量和钢包热 状态，作为 LF 终点温度预测模型输入变量，输出变 量是 LF 终点温度． 其中，各种合金和渣料加入量按 照下式转化为合金和渣料的热效应， ΔTadd = ∑i Wi ·Qi ． ( 1) 式中: ΔTadd表示合金和渣料的热效应; Wi 表示加入 的第 i 种合金或渣料的重量，kg; Qi 表示加入 100 kg 第 i 种合金或者渣料对钢水温度的影响，如表 3． 表 3 300 t 钢水每加入 100 kg 合金或渣料温降系数 Table 3 Heat effects of various additions of 100 kg for 300 t of steel 序号 合金或渣料 ΔT /℃ 1 碳粉 － 2. 50 2 高碳锰铁 － 0. 90 3 低碳锰铁 － 0. 75 4 硅铁 + 1. 00 5 渣料 － 0. 70 6 Al + 5. 00 7 FeNb － 0. 35 8 FeTi － 0. 40 9 CaSi － 1. 05 2. 2. 2 数据预处理和相关性分析 采集 H 炼钢厂生产数据，按照模型的输入和输 出变量整理数据，剔除不完整和明显错误的炉次数 据，获得 4156 炉样本． 根据样本数据对模型输入输 出变量进行了数据特性统计和 Pearson( 皮尔逊) 相 关性分析，如表 4 和表 5 所示所示． 由表 5 可知，LF 终点温度与其影响因素的相关 系数关系为: | Ｒ2 | ＞ | Ｒ5 | ＞ | Ｒ3 | ＞ | Ｒ4 | ＞ | Ｒ6 | ＞ | Ｒ1 |，由于两个变量的相关系数大小反映了他们之 间的影响程度，所以可知，各因素对 LF 终点温度的 影响程度从大到小依次为: LF 开始温度、通电时间、 精炼时间、氩气消耗、合金和渣料热效应、钢水重量． ·204·