论文部分内容阅读
摘要：烧结过程是钢铁冶炼的重要工序之一，烧结矿是高炉炼铁的主要原料，烧结矿的质量直接影响高炉炉况和钢铁产品质量。烧结过程是一个工艺流程长、影响因素多、机理复杂的动态系统，烧结过程的特点使得对烧结矿质量的检验具有大滞后性，检测结果无法用于指导烧结配料操作，因此开发烧结矿质量预测系统实现对烧结矿质量的准确预测具有十分重要的意义。
关键词：烧结矿质量，RBF神经网络模型
目前，国内某钢铁公司烧结厂应用的烧结矿质量预测模型仍为精度较低的机理预测模型，得到的预测结果不能对烧结过程起到积极的指导作用，且计算过程为人工的Excel表格计算，工作效率较低，信息不能及时共享。
针对烧结过程的强非线性特点，选择部分烧结过程状态参数、原料参数及操作参数作为输入，烧结矿质量评价指标作为输出，建立RBF神经网络预测模型，预测烧结矿质量。
神经网络模型的建立首先要确定模型的输入输出参数，由前述可知，，模型主要反映配料参数对质量的影响，而神经网络模型主要考虑状态参数与操作参数对质量的影响，所以，神经网络的输入参数除了配料参数以外，主要选取合理的操作参数和状态参数作为模型的输入。根据烧结生产工艺流程及长期的烧结生产实践，可以得出烧结过程完成时混合料中铁总量与成品矿中铁总量基本一致，但由于烧结过程焦粉等燃料的大量损耗及烧结矿化学成分是按百分比计算的，因此随着燃料的消耗，混合料铁品位百分比含量要比烧结矿铁品位的百分比含量低同时，混合料中的钙元素与硅元素基本没有损失，因此，混合料的碱度与成品烧结矿碱度基本一致。根据烧结过程物料守恒原理，可以建立化学成分机理预测模型，成品烧结矿的铁品位和碱度基本上可以由配料参数与原料参数信息信息决定，如式所示。
从机理分析，烧结矿铁品位和碱度还受到以下过程状态参数影响
（1）焦粉配比：焦粉为燃料，其燃烧程度对液相物质的产生量具有重要影响，同时也导致烧结矿化学成分发生变化。
（2）料层厚度：目前为了提高烧结台车利用率与台时产量，各大、中型烧结厂一般采用厚料层烧结工艺，但烧结料层越厚，透气性可能会变差，透气差导致燃料不易充分燃烧，出现难以烧透的情况，对烧结矿化学成分影响较大
（3）二混水分：二混水分即烧结台车布料之间添加溶剂、燃料之后的混合料中的水分，水分具有制粒作用，与烧结料层的透气性水平息息相关。
（4）终点温度：焦粉燃烧越充分，产生能量越大，终点温度升高，反之则降低，终点温度值在合理范围是烧结矿化学成分检验合格的前提。
（5）终点位置：终点位置影响烧结带的分布，进而影响液相物质的产生量，最终影响烧结矿化学成分。
烧结矿的转鼓指数指标与烧结矿化学成分不同，难以建立准确的机理模型同时，参数影响作用的大小难以确定，没有起决定作用的参数。然而，通过长期的烧结实验和生产实践表明，烧结矿转鼓指数与以下参数相关：
（1）二混水分：在烧结过程中，水分主要起到制粒、导热、助燃和润滑的作用，可以改善料层透气性和料层热传递性能。
（2）二氧化硅：烧结矿转鼓指数决定于烧结矿中粘结相的固结强弱程度，而烧结矿粘结相固结强弱程度主要取决于烧结矿中复合铁酸盐的含量，而二氧化硅是生成烧结矿粘结相的重要物质，对转鼓指数有重大影响
（3）碱度一定的碱度值是生成复合铁酸盐的必要条件，也是形成足够粘结相的必要条件。
（4）垂直烧结速度：烧结的本质就是矿粉受热熔化粘结的过程，其物理、化学变化的能量来源于燃料燃烧和抽风气流传递热量。垂直烧结速度是指烧结料层横截面自上而下的燃烧速度，垂直烧结速度对烧结矿物理性能具有很大的影响。垂直烧结速度不可直接测量，但是可以通过料层厚度、台车速度和终点位置间接表示。
随着现代计算机技术的发展，MATLAB仿真工具箱为RBF神经网络的训练建立了比较方便的设计函数，比较常用的有newrbe与newrb。本文采用newrb函数建立烧结矿质量预测模型，newrb的格式为[net，tr]=newrb（P，T，goal，spread，MN，DF），其中：P为输入样本构成的矩阵；T为输出向量矩阵；goal为训练目标；spread为径向基函数的扩展速度，扩展速度的值选择在RBF神经网络训练时显得尤为重要，其值过大时，易出现过拟合现象，过小时，曲线拟合不够平滑；MN隐层神经元的最大个数；DF表示训练过程中显示的频率，即时间间隔。在仿真训练时，随着质量预测模型要求精度的改变可以通过调整newrb函数的参数值来满足要求。
模型建立时，由于输入数据和输出数据之间数据级和数据量纲的差别，为了保证预测模型的效率和精度，首先将滤波后数据进行数据标准化处理，变换到[-1，1]之间进行初始化训练：
式中，为标准化处理后数据序列， 为标准化前各数据序列，i为样本序号，j表示各样本点，Mj，Sj分别表示样本点所在数据序列的算术平均值和标准差。
通过以上的模型建立和数据带入可以看出，RBF神经网络预测模型对烧结矿质量指标预测的相对误差绝对值都在3%以內，模型精度较高。
烧结生产过程是钢铁企业长流程生产工艺的重要环节，本文以钢铁企业烧结生产过程为研究对象，针对烧结过程质量检测滞后时间长，工况复杂多变，原材料来源复杂，参数众多且耦合严重，烧结矿质量检测结果不能够实时指导烧结生产过程的问题，采用了RBF神经网络预测模型对烧结过程中关键工艺进行了准确的预测。
参考文献：
[1]喻黎明，严为光，龚道枝，李沅媛，冯禹，姜丹曦.基于ELM模型的浅层地下水位埋深时空分布预测[J].农业机械学报，2017，48（02）：215-223.
[2]赵朋程，刘彬，孙超，王美琪.基于IQPSO优化ELM的熟料质量指标软测量研究[J].仪器仪表学报，2016，37（10）： 2243-2250.
[3]李爱莲，赵永明，崔桂梅.基于灰色关联分析的ELM高炉温度预测模型[J].钢铁研究学报，2015，27（11）：33-37.
[4]周东凯，李刚，王学琨.基于PSO-ELM的双目视觉摄像机标定[J].广西大学学报（自然科学版），2014，39（06）： 1285- 1290.
关键词：烧结矿质量，RBF神经网络模型
目前，国内某钢铁公司烧结厂应用的烧结矿质量预测模型仍为精度较低的机理预测模型，得到的预测结果不能对烧结过程起到积极的指导作用，且计算过程为人工的Excel表格计算，工作效率较低，信息不能及时共享。
针对烧结过程的强非线性特点，选择部分烧结过程状态参数、原料参数及操作参数作为输入，烧结矿质量评价指标作为输出，建立RBF神经网络预测模型，预测烧结矿质量。
神经网络模型的建立首先要确定模型的输入输出参数，由前述可知，，模型主要反映配料参数对质量的影响，而神经网络模型主要考虑状态参数与操作参数对质量的影响，所以，神经网络的输入参数除了配料参数以外，主要选取合理的操作参数和状态参数作为模型的输入。根据烧结生产工艺流程及长期的烧结生产实践，可以得出烧结过程完成时混合料中铁总量与成品矿中铁总量基本一致，但由于烧结过程焦粉等燃料的大量损耗及烧结矿化学成分是按百分比计算的，因此随着燃料的消耗，混合料铁品位百分比含量要比烧结矿铁品位的百分比含量低同时，混合料中的钙元素与硅元素基本没有损失，因此，混合料的碱度与成品烧结矿碱度基本一致。根据烧结过程物料守恒原理，可以建立化学成分机理预测模型，成品烧结矿的铁品位和碱度基本上可以由配料参数与原料参数信息信息决定，如式所示。
从机理分析，烧结矿铁品位和碱度还受到以下过程状态参数影响
（1）焦粉配比：焦粉为燃料，其燃烧程度对液相物质的产生量具有重要影响，同时也导致烧结矿化学成分发生变化。
（2）料层厚度：目前为了提高烧结台车利用率与台时产量，各大、中型烧结厂一般采用厚料层烧结工艺，但烧结料层越厚，透气性可能会变差，透气差导致燃料不易充分燃烧，出现难以烧透的情况，对烧结矿化学成分影响较大
（3）二混水分：二混水分即烧结台车布料之间添加溶剂、燃料之后的混合料中的水分，水分具有制粒作用，与烧结料层的透气性水平息息相关。
（4）终点温度：焦粉燃烧越充分，产生能量越大，终点温度升高，反之则降低，终点温度值在合理范围是烧结矿化学成分检验合格的前提。
（5）终点位置：终点位置影响烧结带的分布，进而影响液相物质的产生量，最终影响烧结矿化学成分。
烧结矿的转鼓指数指标与烧结矿化学成分不同，难以建立准确的机理模型同时，参数影响作用的大小难以确定，没有起决定作用的参数。然而，通过长期的烧结实验和生产实践表明，烧结矿转鼓指数与以下参数相关：
（1）二混水分：在烧结过程中，水分主要起到制粒、导热、助燃和润滑的作用，可以改善料层透气性和料层热传递性能。
（2）二氧化硅：烧结矿转鼓指数决定于烧结矿中粘结相的固结强弱程度，而烧结矿粘结相固结强弱程度主要取决于烧结矿中复合铁酸盐的含量，而二氧化硅是生成烧结矿粘结相的重要物质，对转鼓指数有重大影响
（3）碱度一定的碱度值是生成复合铁酸盐的必要条件，也是形成足够粘结相的必要条件。
（4）垂直烧结速度：烧结的本质就是矿粉受热熔化粘结的过程，其物理、化学变化的能量来源于燃料燃烧和抽风气流传递热量。垂直烧结速度是指烧结料层横截面自上而下的燃烧速度，垂直烧结速度对烧结矿物理性能具有很大的影响。垂直烧结速度不可直接测量，但是可以通过料层厚度、台车速度和终点位置间接表示。
随着现代计算机技术的发展，MATLAB仿真工具箱为RBF神经网络的训练建立了比较方便的设计函数，比较常用的有newrbe与newrb。本文采用newrb函数建立烧结矿质量预测模型，newrb的格式为[net，tr]=newrb（P，T，goal，spread，MN，DF），其中：P为输入样本构成的矩阵；T为输出向量矩阵；goal为训练目标；spread为径向基函数的扩展速度，扩展速度的值选择在RBF神经网络训练时显得尤为重要，其值过大时，易出现过拟合现象，过小时，曲线拟合不够平滑；MN隐层神经元的最大个数；DF表示训练过程中显示的频率，即时间间隔。在仿真训练时，随着质量预测模型要求精度的改变可以通过调整newrb函数的参数值来满足要求。
模型建立时，由于输入数据和输出数据之间数据级和数据量纲的差别，为了保证预测模型的效率和精度，首先将滤波后数据进行数据标准化处理，变换到[-1，1]之间进行初始化训练：
式中，为标准化处理后数据序列， 为标准化前各数据序列，i为样本序号，j表示各样本点，Mj，Sj分别表示样本点所在数据序列的算术平均值和标准差。
通过以上的模型建立和数据带入可以看出，RBF神经网络预测模型对烧结矿质量指标预测的相对误差绝对值都在3%以內，模型精度较高。
烧结生产过程是钢铁企业长流程生产工艺的重要环节，本文以钢铁企业烧结生产过程为研究对象，针对烧结过程质量检测滞后时间长，工况复杂多变，原材料来源复杂，参数众多且耦合严重，烧结矿质量检测结果不能够实时指导烧结生产过程的问题，采用了RBF神经网络预测模型对烧结过程中关键工艺进行了准确的预测。
参考文献：
[1]喻黎明，严为光，龚道枝，李沅媛，冯禹，姜丹曦.基于ELM模型的浅层地下水位埋深时空分布预测[J].农业机械学报，2017，48（02）：215-223.
[2]赵朋程，刘彬，孙超，王美琪.基于IQPSO优化ELM的熟料质量指标软测量研究[J].仪器仪表学报，2016，37（10）： 2243-2250.
[3]李爱莲，赵永明，崔桂梅.基于灰色关联分析的ELM高炉温度预测模型[J].钢铁研究学报，2015，27（11）：33-37.
[4]周东凯，李刚，王学琨.基于PSO-ELM的双目视觉摄像机标定[J].广西大学学报（自然科学版），2014，39（06）： 1285- 1290.