钢水“脱氧合金化”收得率的预测模型研究

姜皓月

（山东科技大学，山东 青岛 266590）

脱氧合金化是钢铁冶炼中的重要环节。通过控制炼钢过程中加入的合金比例和种类，可以使不同钢种在冶炼结束时具有某些特定的物理性能。本文将通过历史数据对脱氧合金化环节建立数学模型，计算历史收得率并分析影响其变化的因素，在线预测金属收得率。

1 元素历史收得率及影响因素的求解

1.1 影响因素模型的建立

脱氧合金化环节中的各种物质反应十分复杂，元素种类、元素含量、钢水温度等等，都有可能会对最终的合金收得率造成影响，直接从微观的元素物质层面分析影响脱氧合金化的因素较为复杂。本文从宏观出发，分不同钢号，并计算每个炉号对应的历史收得率。由此对脱氧合金化过程中C、Mn的收得率的影响因素进行分析。

影响Mn的加入量的物质有硅铝锰合金球、硅锰渣、硅锰合金（FeMn64Si27）、硅锰合金（FeMn64Si27）。根据所给的不同物质中C和Mn的含量，可分别得到C、Mn元素的加入总量。由此可分别计算出C、Mn的历史收得率：

计算可知C、Mn元素收得率基本维持在0.9左右。由于其他未知杂质或未知因素的影响，模型的假设不能被完全满足，数据中可能会出现极个别收得率大于1的情况，可以忽略其影响。在得到每个炉号的收得率之后，便可以利用主成分分析法得出收得率和各个影响因素之间的相关性。

主成分分析法操作步骤如下：

原始数据标准化处理，若观测样本数据的矩阵为：

计算相关系数矩阵：

求解相关系数矩阵的特征值：

根据得出的总方差解释表、成分得分系数矩阵，选择重要成分，写出主成分表达式。

最后根据表达式得出主要影响因素，收得率与它们的相关性。

1.2 影响因素模型的求解

以钢号为HRB400B的钢材料为例，钢号为HRB400B的钢材料对C元素进行主成分分析可得：

HRB400B中C元素的收得率与连铸正样C、连铸正样Ceq_val的正相关程度较高。与石油焦增碳剂、碳化硅、转炉终点C负相关程度高。以此为例可求出不同金属中不同元素的收得率。C、Mn两种元素的历史收得率都和本身元素的连铸正样有较大程度的正相关关系，也与连铸正样Ceq_val、连铸正样V_val有一定的程度的正相关关系。

因此，若想要提高元素的收得率，可以从提高脱氧合金化之后的该元素的含量入手。而对于C、Mn元素而言，连铸正样Ceq_val、连铸正样V_val的值也对其收得率的提高有较为明显的贡献。

2 元素收得率的预测

2.1 神经网络模型的建立

一个简单的神经网络结构：感知器。它包含两种节点：几个输入结点，用来表示输入属性，一个输出节点，用来提供模型输出。原始BP神经网络算法存在着一些不足：收敛速度慢；往往收敛于局部最小点；数值稳定性差，学习率、动量项系数和初始权值等参数难以调整。

改进后的Levenberg Marquardt算法基本步骤：

（1）选取初始点x0，取参数ε、μ0、γ1、γ2、η1、η2使 得 0＜ε＜1,μ0＞0，0＜γ1＜1＜γ2，0＜ η1≤ η2≤11，令k=0；

在确立了基本模型和相应算法之后，利用MATLAB神经网络工具箱不同钢号金属的C、Mn历史收得率数据，按照每个炉号的各种因素指标和对应收得率，导入MATLAB进行处理。

2.2 预测分析模型的求解

以钢号为HRB400B的钢材料中C元素收得率为例，神经网络模型结果如图1所示。HRB400B钢材料共有632个样本，24个衡量指标。

图1 HRB400B-C元素收得率神经网络训练及测试结果

LM算法的神经网络模型学习HRB400B-C的指标数据后，除极个别点误差较大外，其他验证及测试得出的收得率预测结果基本维持在0.9左右，符合收得率应有预期。

3 结语

对于C、Mn的收得率的预测分析模型，首先要区分不同钢号的钢材料，然后借助基于LM算法的神经网络模型结合误差纠正，可以较好的拟合出各种因素对C、Mn收得率的影响规律。