[發(fā)明專利]轉爐煉鋼終點預測方法和系統

有效

• 申請?zhí)枺?/td>: 201110324038.0
• 申請日: 2011-10-21
• 公開（公告）號: CN102392095A
• 公開（公告）日: 2012-03-28
• 發(fā)明（設計）人: 田陸;何濤燾;文華北;劉東
• 申請（專利權）人: 湖南鐳目科技有限公司
• 主分類號: C21C5/30
• 分類號: C21C5/30;C21C5/46
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 逯長明

1.一種轉爐煉鋼終點預測方法，其特征在于，包括：

采集轉爐煉鋼中的當前生產參數信息及轉爐爐口當前的火焰信息，所述生產參數信息包括鐵水的重量、鐵水的溫度、碳含量、氧槍吹氧時間和吹氧量，所述爐口火焰信息包括光強特征值、火焰溫度和火焰圖像特征值；

將所述鐵水的重量、鐵水的溫度、碳含量、氧槍吹氧時間、吹氧量、光強特征值和火焰圖像特征值作為自變量；

利用所述自變量構成訓練樣本；

創(chuàng)建神經網絡，利用所述訓練樣本對創(chuàng)建的神經網絡進行訓練；

利用訓練終止后得到的神經網絡，根據所述自變量對轉爐煉鋼終點進行預測得到預測結果，所述轉爐煉鋼終點包括終點時間、碳含量和鋼水溫度，所述預測結果包括終點時間預測結果、碳含量預測結果和鋼水溫度預測結果。

2.根據權利要求1所述的方法，其特征在于，所述利用訓練終止后得到的神經網絡，根據所述自變量對轉爐煉鋼終點進行預測，得到預測結果的具體實施方式包括：

利用所述訓練終止后得到的神經網絡對所有的所述自變量進行篩選，篩選出對所述預測結果的影響程度達到預設標準的自變量；

所述訓練終止后得到的神經網絡將篩選出的、將對所述預測結果的影響程度達到預設標準的自變量作為輸入參數，預測出預測結果；

所述對所述預測結果的影響程度達到預設標準的自變量包括對所述終點時間預測結果的影響程度達到預設標準的自變量，對所述碳含量預測結果的影響程度達到預設標準的自變量，以及對所述鋼水溫度預測結果的影響程度達到預設標準的自變量。

3.根據權利要求2所述的方法，其特征在于，所述對所有的所述自變量進行篩選，篩選出對所述預測結果的影響程度達到預設標準的自變量的具體實施方式包括：

對所述訓練樣本中的每一自變量進行MIV值計算；

根據MIV值的絕對值的大小對自變量進行排序，選取絕對值達到預設標準的自變量作為對所述預測結果的影響程度達到預設標準的自變量；

所述MIV值計算包括：

將待計算MIV值的自變量對應的原值S分別加/減a％S，構成新的訓練樣本P1和P2；

將P1和P2分別作為仿真樣本利用所述訓練終止后得到的神經網絡進行仿真預測，得到兩個仿真預測結果A1和A2；

求出A1和A2的差值，作為變動自變量后對輸出產生的影響變化值IV；

將IV按觀測例數平均得出待計算MIV值的自變量對應的MIV值。

4.根據權利要求3所述的方法，其特征在于：

所述神經網絡為BP神經網絡；

所述創(chuàng)建神經網絡，利用所述訓練樣本對創(chuàng)建的神經網絡進行訓練，得到訓練終止后得到的神經網絡的具體實施方式包括：

確定BP神經網絡的拓撲結構，所述拓撲結構包括一個輸入層，一個輸出層，以及至少一個隱含層；

初始所述BP神經網絡的權值及閾值的長度；

利用所述訓練樣本對所述BP神經網絡的初始權值及初始閾值進行優(yōu)化；

利用所述訓練樣本對經優(yōu)化的BP神經網絡進行訓練，在經訓練的BP神經網絡輸出的預測結果達到預設要求或達到預先設定的訓練次數時，訓練終止。

5.根據權利要求4所述的方法，其特征在于，所述利用所述訓練樣本對所述BP神經網絡的初始權值及初始閾值進行優(yōu)化的具體實施方式為利用所述訓練樣本和遺傳算法對所述BP神經網絡的初始權值及初始閾值進行優(yōu)化。