基于BP神经网络的合金收得率预测模型

2019-09-21李廷刚马仲群孙建鹏

山西冶金 2019年3期

李廷刚，陈勇，郑伟，马仲群，孙建鹏，毛勇

（五矿营口中板有限责任公司，辽宁营口 115000）

脱氧合金化作为转炉五大制度之一其操作精度的好坏直接影响着板坯的质量及吨钢成本。现阶段大多数钢厂对合金收得率的预测都是通过经验判断，对各钢种的收得率进行统一估值，忽略了现场其他条件对合金元素收得率的影响，钢厂应用的转炉冶炼操作模型大多未设计合金收得率预测模型。开发合金收得率预测模型，可起到提高合金配加精度的作用。

1 BP神经网络

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程[1]。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐层和输出层，如图1所示。本文应用神经网络的函数逼近功能，以影响收得率的各项参数为输入向量，以相应炉次的合金收得率为输出向量，训练数值仿真函数对合金收得率进行预测。

图1 神经网络模型拓扑结构

2 模型的建立与验证

合金进入钢液后部分溶于钢液，部分被钢中氧所氧化并溶于渣中。根据专家的经验以及对合金配加过程进行分析可得，合金收得率主要由终点C含量、Si含量、氧含量、终点出钢温度等因素决定[2]。因此本文以这4个参数作为合金收得率预测模型的变量，输出变量为合金收得率。合金收得率与输入变量的关系为：

式中：X1为终点C含量，X2为终点Si含量，X3为终点氧含量，X4为终点出钢温度。

2.1 样本的选取

在训练模型的过程中应选用合适的样本容量及个体，若样本容量过大时，个体数目过多，个体之间的相关性较强，会影响模型整体的稳定性，神经网络产生震荡不利于函数收敛。本文对某钢厂转炉车间4号LD转炉的实际生产数据进行筛选，选择具有代表性的数据对函数进行训练。

2.2 数据预处理

一般对输入数据采取归一化的处理方法，将数据变换到[0，1]区间，变换公式如下：样本的归一化与学习的收敛速度有很密切的关系，应尽量用归一化后的样本进行学习。网络的输出经过反归一化后就可还原为真实的数据。经验证明，数据的归一化能明显提高学习的速度和精度。对网络的输出进行相应的反归一化，公式为：

2.3 预测模型的结果与分析

本文选用了三层网络，输入神经元数为4，输出单元数为1，隐含层单元数通过网络训练获得，函数误差E=1×10-2。从某钢厂转炉车间采集了400炉数据，剔除异常数据后，得到319炉生产记录。选取220炉记录作为训练集，99炉记录作为测试数据并利用MATLAB进行仿真。

图2 锰合金收得率预测结果与实际值

图2为锰合金收得率预测结果与实际值，从图2中可以看出神经网络对终点的预报达到了较好的结果。预测结果表明：终点收得率预测平均误差为0.02，误差小于0.03的命中率为85.5%，小于0.06的命中率为96%。最大预测误差小于0.08。本文所建立的模型精确度与现场估算精度相比有了很大提高，能够在冶炼过程中起到指导作用。