[發(fā)明專利]高爐爐渣粘度預報方法

在審

• 申請?zhí)枺?/td>: 201210342377.6
• 申請日: 2012-09-14
• 公開（公告）號: CN103679268A
• 公開（公告）日: 2014-03-26
• 發(fā)明（設計）人: 儲濱;肖陽;凌丹;鄭鑫
• 申請（專利權(quán)）人: 寶鋼不銹鋼有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 上海集信知識產(chǎn)權(quán)代理有限公司 31254
• 代理人: 肖祎

技術(shù)領域

本發(fā)明涉及冶金領域，尤其涉及一種高爐爐渣粘度預報方法。

背景技術(shù)

現(xiàn)有的高爐渣粘度預報方法主要是經(jīng)驗公式法，或稱為回歸分析法，即通過對已有的高爐渣粘度數(shù)據(jù)進行線性回歸分析，得出爐渣粘度和熔化性溫度關于爐渣成分的線性公式，即經(jīng)驗公式，然后通過經(jīng)驗公式對爐渣進行性能預測，該方法運算簡便，容易掌握。缺點是誤差較大，應用的成分范圍較窄，適應性較差。

例如，專利號為ZL200820100327.6的中國專利揭示了一種測量爐渣和鋼水粘度的高溫粘度計。該粘度計利用旋轉(zhuǎn)圓柱體（鉬探頭）法，通過測量探頭在爐渣內(nèi)旋轉(zhuǎn)的力矩，間接算出爐渣的粘度值。此專利僅提供了一種粘度測量的方法，不具有在爐渣粘度測量之前對爐渣粘度進行性能預測的功能。

又比如，公開號為CN102479290A的中國專利申請揭示了一種計算爐渣的熔化性溫度的方法。該方法利用數(shù)理統(tǒng)計的方法，在獲取爐渣的多組粘度及其所對應溫度的數(shù)據(jù)后，得到多組粘度及其所對應溫度的數(shù)據(jù)以及粘度隨溫度變化的函數(shù)關系，擬合出粘度-溫度曲線，在該粘度-溫度曲線所位于的坐標系中，以及取斜率為-1/(50～70)的直線與粘度-溫度曲線的切點所對應的溫度為所述爐渣的熔化性溫度。該方法利用的是數(shù)理統(tǒng)計方法分析得出粘度與溫度的非線性關系，誤差較大，即使用于爐渣粘度預報，也不能適應爐渣成分的變化，是一種無法自我更新的預測方法。

神經(jīng)元網(wǎng)絡技術(shù)研究起始于上世紀80年代末期，至今理論已經(jīng)成熟，也有很多應用實例，并取得了很好的應用成果。例如基于BP算法的多層前饋網(wǎng)絡被應用在在催化劑配方建模、煤與瓦斯突出預測、磨煤機料位監(jiān)測、項目投資風險評價、大氣環(huán)境質(zhì)量評價等領域。

但是，到目前為止，國內(nèi)外還未見有將神經(jīng)元網(wǎng)絡模型運用在高爐爐渣性能預報領域。在實際的高爐冶煉過程中，如果增加塊礦比例，則會使得爐渣中Al₂O₃含量升高、渣量增大、爐渣流動性變差。此時，傳統(tǒng)的基于經(jīng)驗公式的爐渣性能預報無法反應這一變化，預報結(jié)果會出現(xiàn)較大誤差。因此需要一種能及時準確預測爐渣粘度和熔化性性溫度等參數(shù)，為高爐冶煉提供合理的渣系組成及造渣制度的爐渣性能預報模型，為提高高爐塊礦比例、減少渣量及降低原料成本提供依據(jù)。

發(fā)明內(nèi)容

針對上述問題，本發(fā)明的目的在于及時預報爐渣性能，提供合理渣系組成及造渣工藝。本發(fā)明提出一種基于改進BP算法的神經(jīng)元網(wǎng)絡模型而建立的高爐爐渣粘度預報方法。

根據(jù)本發(fā)明的一實施例，提出一種高爐爐渣粘度預報方法，包括如下的步驟：

神經(jīng)元網(wǎng)絡構(gòu)建步驟，構(gòu)建的神經(jīng)元網(wǎng)絡結(jié)構(gòu)包含輸入層、隱含層和輸出層，輸入層、隱含層和輸出層之間由連接權(quán)值連接，隱含層具有閾值，輸入層的輸入?yún)?shù)為爐渣中各成分的百分含量，輸出層的輸出參數(shù)為不同溫度下的爐渣粘度、熔化性溫度和脫硫系數(shù)；

初始化步驟，獲取訓練數(shù)據(jù)，并對訓練數(shù)據(jù)、連接權(quán)值和閾值進行初始化，所述訓練數(shù)據(jù)包括參考輸入?yún)?shù)和參考輸出參數(shù)；

神經(jīng)元網(wǎng)絡自學習步驟，提取一個訓練數(shù)據(jù)，將其中的參考輸入?yún)?shù)導入神經(jīng)元網(wǎng)絡，經(jīng)由輸入層、隱含層和輸出層輸出訓練輸出參數(shù)，比較訓練輸出參數(shù)和該訓練數(shù)據(jù)中的參考輸出參數(shù)，計算各層的誤差和局部梯度，根據(jù)誤差和局部梯度以設定步長調(diào)整連接權(quán)值和閾值，根據(jù)局部梯度調(diào)整設定步長，提取下一個訓練數(shù)據(jù)并重復上述過程，直至所有的訓練數(shù)據(jù)都被使用，保存連接權(quán)值和閾值的最終值；

爐渣粘度預報步驟，將神經(jīng)元網(wǎng)絡的連接權(quán)值和閾值固定在最終值，輸入實際的爐渣中各成分的百分含量，輸出預報的不同溫度下的爐渣粘度、熔化性溫度和脫硫系數(shù)。

在一個實施例中，爐渣中各成分的百分含量包括SiO₂、Al₂O₃、CaO、MgO的百分含量；不同溫度下的爐渣粘度包括1500℃的爐渣粘度η_1500℃、1475℃的爐渣粘度η_1475℃和1450℃的爐渣粘度η_1450℃。

在一個實施例中，對訓練數(shù)據(jù)進行初始化包括對訓練數(shù)據(jù)進行歸一化處理，對連接權(quán)值和閾值進行初始化包括將連接權(quán)值和閾值設定為初始值。

在一個實施例中，根據(jù)局部梯度調(diào)整設定步長包括：對局部梯度連續(xù)迭代兩次，如果兩次符號相同，則增加設定步長；如果兩次符號相反，則減小設定步長。