基于灰色神经网络的中低碳铬铁终点硫含量预报模型研究

邱 东,张 楠,赵晨旭,戴文娟

（长春工业大学电气与电子工程学院，吉林 长春 130012）

基于灰色神经网络的中低碳铬铁终点硫含量预报模型研究

邱 东,张 楠,赵晨旭,戴文娟

（长春工业大学电气与电子工程学院，吉林 长春 130012）

针对复吹转炉冶炼中低碳铬铁终点硫含量在线监测困难、取样检测无法实时指导生产的现状，考虑影响终点硫含量的供氧强度、铁水温度等因素，采用以灰色预报模型结合BP神经网络的方法实现中低碳铬铁终点硫含量的预报。仿真实验表明：中低碳铬铁终点硫含量预报绝对误差值在±0.004%以内的命中率为95%，相对误差值在15%以内的命中率达到85%，验证了该预报模型的有效性。

转炉冶炼；灰色预报；BP神经网络；硫含量；预报模型

0 引 言

目前中低碳铬铁的冶炼方法主要有电硅热法和高碳铬铁精炼法两种。传统的电硅热法是利用3台电炉，第1台用来生产碳素铬铁；然后以碳素铬铁为原料在第2台上生产硅铬合金；再以硅铬合金为原料在第3台上生产出中、低、微碳铬铁[1]。而转炉法冶炼中低碳铬铁是直接把来自还原电炉的高碳铬铁水兑入转炉中，再经吹氧脱碳精炼，完成脱碳保铬任务，获得中低碳铬铁。后者具有流程短、成本低、产率大、冶炼电耗低、金属回收率高和基建投资省等一系列优点，被广泛应用。

为了满足钢材的低温韧性、高强度、优良的冷成型性和精准的焊接性等市场要求，世界各大钢铁工业都在不断地努力通过降低钢中杂质（特别是硫含量）

的途径来提高产品质量。印度的Amlan Datta等[2]开发出人工神经网络模型用来预测预处理中铁水的硫含量，现场预测得到的结果与实测结果吻合度相对提高；针对鞍钢铁水罐喷吹CaO+Mg粉剂复合脱硫过程，东北大学的战东平等[3]建立了鞍钢铁水脱硫神经网络预报模型；结合武钢铁水KR脱硫过程，武汉科技大学的但斌斌、陈奎生、张华等人建立了关于脱硫工艺参数的预报模型[4]。目前冶炼中低碳铬铁的终点预报主要是针对终点温度及碳含量，直接对硫含量的预报研究尚不深入。

本文针对转炉冶炼中低碳铬铁脱硫的工艺过程，确定终点硫含量主要影响因素，并通过对现场采集数据的处理，以灰色模型预报的硫含量值作为BP神经网络建立模型的输入量，两种算法结合得到复吹转炉冶炼中低碳铬铁终点硫含量。

1 脱硫反应

脱硫的过程是使硫与其他元素或化合物生成某种硫的化合物，复合吹炼低碳铬铁过程中，一部分为炉渣脱硫：

一部分为气化脱硫：

在冶炼中低碳铬铁时，硫的变化可以分为3个时期，其中脱硫主要在中期和后期。吹炼前期：由于吹炼刚刚进行，熔池温度低，石灰成渣较少，渣中氧化铁含量高，铁水脱硫渣和加入的造渣材料可能造成硫含量增加。吹炼中期：碳氧反应剧烈，熔池温度已经升高，炉渣也基本化好，同时碱度降低，脱硫效果达到最好的阶段。吹炼后期：脱碳速率减慢，熔池温度没有降低，石灰的溶解量仍然很大，炉渣碱度高，依旧有利于脱硫反应的进行[5]。

综上分析影响终点硫含量的因素包括炉温、铬铁中的碱性物质含量、金属成分和含氧量等。

2 灰色预测模型建立及仿真

灰色系统是指有一部分信息是已知的，有一部分信息是未知的系统。灰数的生成是寻找一定的规律，把无规律的初始数据生成具有较强规律性的数据序列。导致硫成分变化的因素很多，但已知的却有很多是不确定的。因此，可以通过灰色系统建模。灰色预测GM（1，1）模型的建模步骤如下：

（1）采取11组现场实测终点硫含量值，建立硫含量数据时间序列：

（2）级比检验，模型进行可行性分析级比

级比判断：

σ（k）∈对所有的σ（k）∈[0.846，1.166]，k=2，3，…，11，故可以对x（0）作满意的GM（1，1）建模。

（3）利用GM（1，1）建模

设时间序列x（0）有11个观察值，x（0）={x（0）（1），x（0）（2），…，x（0）（11）}，通过累加：

生成新序列x（1）相应的微分方程为

式中：a——发展系数；

u——内生控制灰数。

模型的时间响应序列：

累减一次，得预测值如下：

3 神经网络预报模型

人工神经网络作为一种新兴的、功能强大的信息处理高级算法，属于隐式模型，有自适应、自组织能力，还具有高度的非线性，研究表明该算法适用于非线性的转炉冶炼生产过程[6-9]。

3.1 模型输入/输出

基于铁合金冶炼的生产工艺和对冶炼机理的分析，结合现场收集的生产数据，选取影响终点硫含量变化的主要因素为输入量：高碳铬铁铁水重量，供氧强度，供氮强度，铬矿重量，石灰石重量，硅铁重量，炉渣量，初始硫含量，初始碳含量，初始磷含量，铁水温度，吹炼时间和出炉温度，选取终点硫含量为输出量。

3.2 数据预处理

考虑到数据样本输入数据的单位和量纲不一致，一些输入量的绝对值相差很大，在模型建立学习之前，对样本数据进行归一化处理，归一化公式为

式中：x——变量的值；

νmax，νmin——变量的最大值和最小值。

数据经过归一化处理之后，所有的变量值都在0～1之间，满足训练和测试要求，处理后的部分数据如下：

3.3 模型的优化与训练

粒子群算法能记忆个体和全局最优信息，并且没有太多参数需要调整，更简单和容易实现。将粒子群算法与误差反向传播算法结合，不仅能很好地发挥神经网络的泛化映射能力，还能有效提高它的收敛速度及学习能力，而且不需要借助问题的特征信息。所以采用粒子群算法优化出一组神经网络的连接权值和阈值，即网络训练的初始权值和阈值，然后进入BP网络的学习预测环节，训练流程如图1所示。

4 模型组合与仿真

工程实际中，影响冶炼终点硫含量的因素很多，建立的终点硫含量的灰色系统模型实际上仅考虑了非定量因素（炉壁侵蚀度，化学反应强度等）对硫含量的综合影响，而建立的神经网络模型忽略了非定量因素。两个模型并没有完全反映出每个输入量的具体影响效果，而每个因素对硫含量的影响程度和规律不同。为了增强预测能力、提高预测精度，把灰色模型和神经网络模型结合起来进行分析和预测，具体步骤如下：

（1）建立灰色模型，用灰色模型计算得到硫含量预测值；

（2）把灰色模型硫含量预测值与神经网络模型的其他输入量结合起来作为输入量训练神经网络，模型结构图如图2所示。

以中钢吉铁公司中低碳铬铁807#5t转炉的100炉现场实测样本对模型进行训练和预报，取前60炉数据对模型进行训练，之后的20炉进行验证，对剩余20炉进行预报。得到终点硫含量预测值与现场实测值如表1所示，仿真结果和误差如图3所示。

从仿真结果可以看出，终点硫预报模型相对误差值＜15%时，命中率达85%，绝对误差值＜±0.004%时，命中率达到95%。仿真结果表明，利用此模型得到的预测结果与实际值比较接近，预报精度较高，具有重要的实际生产指导意义。

5 结束语

考虑冶炼终点硫含量既受定量因素的影响，又受非定量因素的影响，建立了灰色与神经网络组合预报模型，结合中钢吉铁公司中低碳铬铁807#5t转炉的实际数据，对模型进行训练和预报，结果表明组合预报模型达到理想预报效果。随着训练样本的增加和模型结构的进一步优化和完善，终点硫含量的组合预报模型能为冶金生产提供实时、准确的工艺操作指导信息，缩短冶炼周期，提高转炉的生产能力，具有很好的应用前景。

[1]贾振海.氩氧炉生产中低微碳铬铁的新工艺[J].铁合金，2005（2）：11-16.

[2]Amlna D，MavooriH，Perm K.Adaptive neural net models for desulfurization of hot metal and steel[J]. Steel Research，1994，65（11）：466-471.

[3]Zhan D P，Zhang H S，Jiang Z H.Prediction model ofmagnesium powderconsumption duringhotmetal pre-desulfurization[C]∥ Magnesium Technology Symposium，2009（2）：51-55.

[4]但斌斌，陈奎生，张华，等.基于神经网络的铁水KR脱硫预报模型[J].计算机应用与软件，2011，28（1）：118-120.

[5]吕俊杰，游洪滨，田继成，等.高碳铬铁冶炼脱硫的实践[J].铁合金，2005（1）：22-25.

[6]Tathavadkarv S.Predicting the performance of submerged arc furnace with varied raw material combinations using artificial neural network[J].Journal of Materials Processing Technology，2007（183）：111-116.

[7]胡敏艺，马荣骏.神经网络在冶金工业中的应用[J].湖南有色金属，2000，16（9）：16-19.

[8]王炜，陈畏林，叶勇，等.神经网络在高炉铁水硫含量预报中的应用[J].钢铁，2006，41（10）：19-22.

[9]李光辉，刘青.转炉炼钢过程工艺控制的发展与展望[J].钢铁研究学报，2013，25（1）：1-4.

Research on prediction model of medium-low carbon ferrochrome sulfur end-point content based on gray neural network

QIU Dong，ZHANG Nan，ZHAO Chen-xu，DAI Wen-juan
（Department of Electrical and Electronic Engineering，Changchun University of Technology，Changchun 130012，China）

It was difficult to detect sulfur end-point content through on-line measurement in the medium-low carbon ferrochrome combined-blowing converter and hardly to guide production in real time through sampling and inspection.Considering the impaction of the sulfur endpoint content of oxygen intensity，temperature of hot metal and other factors and combining the grey model with BP neural network prediction model，the prediction of medium-low carbon ferrochrome sulfur endpoint content was realized.The simulation results indicated that the prediction hitting rate of the sulfur endpoint content in the low-carbon ferrochrome was 95%when the absolute error was less than 0.004%，and the heating rate was 85%when the relative error was less than 15%.Thus，the validity of the prediction model was proved.

converter smelting；gray prediction；BP neural network；sulfur content；prediction model

TG144；TF763+.3；TF111.14+5；TP274

：A

：1674-5124（2014）04-0067-04

10.11857/j.issn.1674-5124.2014.04.017

2013-08-05；

：2013-10-11

吉林省科技发展计划项目（20120420）

邱 东（1969-），男，吉林长春市人，副教授，博士，研究方向为智能测试技术。