CN102031319B - 一种高炉铁水含硅量的预报方法 - Google Patents

Abstract

本发明公开一种高炉铁水含硅量的预报方法，包括数据参数选取及预处理、预测算法、结果输出及操作指导，数据参数选取采用硅含量短期均值、硅含量中期均值、硅含量长期均值、前次铁水对应的风口理论燃烧温度及前次铁水含硫量五个参数，通过预测算法对硅含量进行预测。在炉况波动小时主要依靠均线系统，在炉况波动大时自动加入风口理论燃烧温度及前次铁水含硫量。本发明采用的数据参数少。并能获得较好的预报精度、提高高炉铁水硅含量的预报命中率。

Description

一种高炉铁水含硅量的预报方法

技术领域

本发明属于自动化检测技术领域，具体涉及一种高炉冶炼过程中的高炉铁水含硅量的预报方法。

背景技术

高炉是封闭的高温反应容器，在生产过程中伴随着复杂的物理、化学反应和传热、传质过程，无法直接检测到其内部变化。一般是用过程参数间接判断高炉工作状态。在冶炼过程中，炉温控制是高炉操作中最重要的环节。如果炉温发生波动，形成“过热”或“过冷”直接影响炉况的顺行。经验表明，铁水含硅量和炉温有正相关的关系。高炉铁水含硅量成为间接判断高炉当前和今后一段时间的炉温的唯一手段。

CN200710164607.3 一种高炉铁水硅含量的特征分析预报方法，发明公开了一种高炉铁水硅含量的特征分析预报方法。以高炉工艺参数为输入变量（包括铁量差、透气性、喷煤量、风温、料批、风量、富氧量、热风压力、炉顶压力、喷煤量、热风温度、炉顶温度、矿焦比、出铁量、煤气中CO、C02的含量等），在对输入变量的样本数据进行指数加权移动平均滤波和归一化预处理后，采用改进的动态独立成分分析方法对输入变量的样本数据进行特征提取，消除生产工艺参数之间的相关性，使用最小二乘法向量的算法建立高炉铁水硅含量预报的动态递推模型，引入遗传算法优化模型参数。对高炉冶炼过程的铁水硅含量预报具有普遍的通用性，可获得较好的预报精度，提高高炉铁水硅含量的预报命中率。

 CN200710164605.4 一种高炉炼铁专家系统决策合成方法，发明公开了一种高炉炼铁专家系统决策合成方法。以多种类型高炉专家系统的单独决策为输入，构造了四种决策合成算子模型，采用线性和非线性回归技术对决策合成算子模型进行参数辨识，以高炉炉况特征向量及各类型高炉专家系统的历史表现为选择依据，把最优化决策合成算子选择问题转化为一个分类器构造问题，采用非线性多分类支持向量机模型进行分类器建模，通过快速分类器训练算法得到最优分类器，进而利用该分类器对决策合成算子模型参数进行递推式的二次校正，由最优分类器动态选择出适合于当前炉况的最优决策合成算子形成高炉操作优化决策。对高炉冶炼过程的智能控制与决策的合成具有普遍的通用性，能提高高炉专家系统决策准确度与系统鲁棒性。

CN02137568.2 一种利用智能控制系统控制高炉冶炼的方法，发明的利用智能控制系统控制高炉冶炼的方法通过在主控室设置1号、2号两个优化站，并将它们与若干个操作站组成微机局域网，在炼铁厂设置服务器与各控制工序终端联网，组成炼铁厂局域网，并将其与主控室局域网联网形成炼铁过程信息实时采集与自动传送的网络系统；在1号优化站设置智能控制软件模块，在2号优化站设置按冶炼程序流程自动显示智能控制图表和故障指示图表的模块；工作过程中通过智能控制系统软件模块跟随着高炉冶炼进程实时在线自动采集的数据与局域网上自动传递的数据按照一定的时间要求自动运行，以人机会话和简明模型图表的方式输出结果，向高炉工长提供操作，提示工长采取适当措施，可有效避免发生炉况故障，保持高炉在最佳热状态下运行。

后两专利中涉及的硅预报原理和前一个方法类似。在权利要求中没有明确提及。

以上方法都是基于与铁水含硅量有关的多种自变量之间建立某种数学关系。由于自变量和铁水含硅量之间没有严格的时间对应关系。有的超前、有的滞后。且自变量大都很多。导致预测的结果不理想。表现为炉况平稳时命中率高、炉况波动大时命中率低。传统的硅预报基于与铁水含硅量有关的多种自变量之间建立某种数学关系。

发明内容

本发明公开了一种高炉铁水硅含量预报的方法。包括数据采集、数据预处理、预测算法、结果输出及操作指导等步骤。采用较少自变量。获得较好的预报精度，提高高炉铁水硅含量的预报命中率。

本发明是以硅含量短期均值、硅含量中期均值、硅含量长期均值、前次铁水对应的风口理论燃烧温度及前次铁水含硫量五个参数作为自变量，通过多元回归或神经元网络训练获得加权系数，预报下次铁水硅含量。

硅含量短期均值、硅含量中期均值、硅含量长期均值、前次铁水对应的风口理论燃烧温度及前次铁水含硫量参数自变量通过下列方法得出：

设铁水硅序列为：Si={Si₁,Si₂,Si₃,,,,,Si_i,Si_i+1}

其中：Si_i为当前铁水硅含量（重量百分比Wt %）；

Si_i+1为要预报的下次铁水硅含量（重量百分比Wt%）；

设Si_AVR为铁水硅序列的平均值

。

1）硅含量短期均值：

${\mathrm{Si}}_i^n=\frac{1}{n_n}*\underset{j=i-n_n-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

其中：n_n为短期均值周期（次）；参考值为平均冶炼周期1/3。

2）硅含量中期均值：

${\mathrm{Si}}_i^m=\frac{1}{n_m}*\underset{j=i-n_m-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

其中：n_m为中期均值周期（次）；参考值为平均冶炼周期2/3。

3）硅含量长期均值：

${\mathrm{Si}}_i^l=\frac{1}{n_l}*\underset{j=i-n_l-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

其中：n_l为长期均值周期（次）；参考值为平均冶炼周期。

均值系统在炉况稳定时是很好的预测下次铁水硅含量的影响因素。

4）前次铁水对应的风口理论燃烧温度：

风口理论燃烧温度与高炉的热风参数、焦炭理化参数、喷煤情况及富氧情况有关。在炉况变动加大时是决定铁水含硅量的重要因素。

设风口理论燃烧温度序列为：T={T₁,T₂,T₃,,,,,T_i}

其中：T_i为前次铁水硅对应风口理论燃烧温度（℃）；

设T_AVR为风口理论燃烧温度序列的平均值

。

5）前次铁水含硫量：

在炉况变动加大时前次铁水含硫量是决定铁水含硅量的重要因素。特别在硅含量变化剧烈时，硫和硅有明显的负相关。而在硅均值附近硫和硅没有明显的相关性。

设铁水含硫量序列为：S={S₁,S₂,S₃,,,,,S_i}

其中：S_i为前次铁水含硫量（重量百分比Wt%）；

设S_AVR为铁水含硫量的平均值

。

2. 铁水含硅量的预测方法：

1）含硅量的短期、中期及长期影响因素由以下三个多项式表示：

${\mathrm{Si}}_{i+1}^A=K_n*({\mathrm{Si}}_i+{\mathrm{Si}}_i^n)/2+K_m*({\mathrm{Si}}_i+{\mathrm{Si}}_i^m)/2+K_l*({\mathrm{Si}}_i+{\mathrm{Si}}_i^l)/2$

其中：

为含硅量均线系统影响因素。

K_n短期均线影响因素权重。

K_m中期均线影响因素权重。

K_l长期均线影响因素权重。

2）考虑到引入的前次铁水对应的风口理论燃烧温度和前次铁水含硫量作为炉况波动大时的影响参数。利用反正切和反余切函数作为权值函数，主要是考虑风口理论燃烧温度和铁水含硫量在硅平稳时影响不大，而在硅波动加大时有较大的影响。

前次铁水对应的风口理论燃烧温度及前次铁水含硫量影响因素分别为：

${\mathrm{Si}}_{i+1}^T=K_t*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i$

${\mathrm{Si}}_{i+1}^S=K_s*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i$

其中：

为前次铁水对应的风口理论燃烧温度影响因素。

为前次铁水含硫量影响因素。

K_t前次铁水对应的风口理论燃烧温度影响因素权重。

K_s前次铁水含硫量影响因素权重。

3）含硅量的预测值按下列公式得出：

${\mathrm{Si}}_{i+1}=({\mathrm{Si}}_{i+1}^A+{\mathrm{Si}}_{i+1}^T+{\mathrm{Si}}_{i+1}^S)/$   $(K_n+K_m+K_l+K_t*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_s*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right))$

$=(K_n*({\mathrm{Si}}_i+{\mathrm{Si}}_i^n)/2+K_m*({\mathrm{Si}}_i+{\mathrm{Si}}_i^m)/2+K_l*({\mathrm{Si}}_i+{\mathrm{Si}}_i^l)/2$

$+K_t*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_{\mathrm{AVR}}+K_s*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_{\mathrm{AVR}})/$

$(K_n+K_m+K_l+K_t*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_s*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right))$

4）权重K_n,K_m,K_l,K_t,K_s可以采用多元回归获得或使用历史数据进行多元线性回归确定权值系数。

上面3）中的公式可以变换如下：

K_n*Siⁿ+K_m*Si^mK_l*Si^l+K_t*Si^t+K_s*Si^s=0

其中：

$\begin{array}{c}{\mathrm{Si}}^n=({\mathrm{Si}}_i-({\mathrm{Si}}_{i-1}+{\mathrm{Si}}_{i-1}^n)/2\\ {\mathrm{Si}}^m=({\mathrm{Si}}_i-({\mathrm{Si}}_{i-1}+{\mathrm{Si}}_{i-1}^m)/2\\ {\mathrm{Si}}^l=({\mathrm{Si}}_i-({\mathrm{Si}}_{i-1}+{\mathrm{Si}}_{i-1}^l)/2\\ {\mathrm{Si}}^t=\mathrm{Arc}\tan \left(\frac{T_{i-1}-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*({\mathrm{Si}}_i+\frac{2}{\mathrm{\π}}*{\mathrm{Si}}_{\mathrm{AVR}})\\ {\mathrm{Si}}^s=\mathrm{Arc}\tan \left(\frac{S_{i-1}-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right)*({\mathrm{Si}}_i+\frac{2}{\mathrm{\π}}*{\mathrm{Si}}_{\mathrm{AVR}})\end{array}$

由于是利用现有数据，3)式中的i+1,i相应变成i,i-1。除K_n,K_m,K_l,K_t,K_s5个加权系数外，其他都是与Si，T，S有关的现有常数。也可以采用神经元网络算法获取加权系数。

本发明的优点及效果在于以硅含量短期均值、硅含量中期均值、硅含量长期均值、前次铁水对应的风口理论燃烧温度及前次铁水含硫量五个参数作为自变量。在炉况波动小时主要依靠均线系统，在炉况波动大时自动加入风口理论燃烧温度及前次铁水含硫量。采用的自变量少。获得较好的预报精度，提高高炉铁水硅含量的预报命中率。

附图说明

附图1.高炉铁水含硅预报技术方案框图，

附图2.高炉铁水含硅预报系统流程图，

附图3.铁水硅含量预报值与真实值的对比图。

具体实施方式

下面结合附图及具体的实施例对本发明进行详细说明

（本发明在某2580m³高炉进行试验测试）：

如图1、2所示，本发明包括数据采集、数据预处理、预测算法、结果输出及操作指导等步骤，它以硅含量短期均值、硅含量中期均值、硅含量长期均值、前次铁水对应的风口理论燃烧温度及前次铁水含硫量五个参数作为自变量，通过多元回归或神经元网络训练获得加权系数，预报下次铁水硅含量。

1．高炉铁水硅含量预报采用硅含量短期均值、硅含量中期均值、硅含量长期均值、前次铁水对应的风口理论燃烧温度及前次铁水含硫量五个参数作为自变量。

设铁水硅序列为：Si={Si₁,Si₂,Si₃,,,,,Si_i,Si_i+1}

其中：Si_i为当前铁水硅含量（重量百分比Wt %）；

Si_i+1为要预报的下次铁水硅含量（重量百分比Wt%）；

设Si_AVR为铁水硅序列的平均值

。也可以根据设计资料确定。本例中取Si_AVR为0.45；

1）硅含量短期均值：

${\mathrm{Si}}_i^n=\frac{1}{n_n}*\underset{j=i-n_n-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

其中：n_n为短期均值周期（次）；

2）硅含量中期均值：

${\mathrm{Si}}_i^m=\frac{1}{n_m}*\underset{j=i-n_m-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

其中：n_m为中期均值周期（次）；

3）硅含量长期均值：

${\mathrm{Si}}_i^l=\frac{1}{n_l}*\underset{j=i-n_l-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

其中：n_l为长期均值周期（次）

本例根据此高炉的冶炼周期大约为6小时，每45分钟大约出铁一次，每冶炼周期大约出9次铁取：n_n=3; n_m=6; n_l=9;

4）前次铁水对应的风口理论燃烧温度：

设风口理论燃烧温度序列为：T={T₁,T₂,T₃,,,,,T_i}

其中：T_i为前次铁水硅对应风口理论燃烧温度（℃）；

设T_AVR为风口理论燃烧温度序列的平均值

。

也可以根据设计资料确定。本例中取T_AVR为2150℃；

5）前次铁水含硫量：

设铁水含硫量序列为：S={S₁,S₂,S₃,,,,,S_i}

其中：S_i为前次铁水含硫量（重量百分比Wt%）；

设S_AVR为铁水含硫量的平均值

。也可以根据设计资料确定。本例中取S_AVR为0.025%；

2．采用上述5种参数加权平均预报下次铁水硅含量。

1）短期、中期及长期影响因素由以下三个多项式表示：

${\mathrm{Si}}_{i+1}^A=K_n*({\mathrm{Si}}_i+{\mathrm{Si}}_i^n)/2+K_m*({\mathrm{Si}}_i+{\mathrm{Si}}_i^m)/2+K_l*({\mathrm{Si}}_i+{\mathrm{Si}}_i^l)/2$

其中：

为含硅量均线系统影响因素。

K_n短期均线影响因素权重。

K_m中期均线影响因素权重。

K_l长期均线影响因素权重。

2）前次铁水对应的风口理论燃烧温度及前次铁水含硫量影响因素：

${\mathrm{Si}}_{i+1}^T=K_t*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i$

${\mathrm{Si}}_{i+1}^S=K_s*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i$

其中：

为前次铁水对应的风口理论燃烧温度影响因素。

为前次铁水含硫量影响因素。

K_t前次铁水对应的风口理论燃烧温度影响因素权重。

K_s前次铁水含硫量影响因素权重。

3）硅预报函数为：

${\mathrm{Si}}_{i+1}=({\mathrm{Si}}_{i+1}^A+{\mathrm{Si}}_{i+1}^T+{\mathrm{Si}}_{i+1}^S)/$   $(K_n+K_m+K_l+K_t*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_s*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right))$

$=(K_n*({\mathrm{Si}}_i+{\mathrm{Si}}_i^n)/2+K_m*({\mathrm{Si}}_i+{\mathrm{Si}}_i^m)/2+K_l*({\mathrm{Si}}_i+{\mathrm{Si}}_i^l)/2$

$+K_t*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_{\mathrm{AVR}}+K_s*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_{\mathrm{AVR}})/$

$(K_n+K_m+K_l+K_t*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_s*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right))$

3．权重K_n,K_m,K_l,K_t,K_s采用多元回归获得：

使用历史数据进行多元线性回归确定权值系数。将3）中公式变换得

K_n*Siⁿ+K_m*Si^mK_l*Si^l+K_t*Si^t+K_s*Si^s=0

其中：

${\mathrm{Si}}_{i+1}=(K_n*({\mathrm{Si}}_i+{\mathrm{Si}}_i^n)/2+K_m*({\mathrm{Si}}_i+{\mathrm{Si}}_i^m)/2+K_l*({\mathrm{Si}}_i+{\mathrm{Si}}_i^l)/2$

式中除K_n,K_m,K_l,K_t,K_s外，都是已有历史数据。5个加权系数通过多元线性回归算法获得，本发明实施例中得出的具体数值：

K_n=0.5045   K_m=0.2895   K_l=0.1767

K_t=0.1436   K_s=0.3427

4.本例中的硅预报函数为：

${\mathrm{Si}}_{i+1}=(K_n*({\mathrm{Si}}_i+{\mathrm{Si}}_i^n)/2+K_m*({\mathrm{Si}}_i+{\mathrm{Si}}_i^m)/2+K_l*({\mathrm{Si}}_i+{\mathrm{Si}}_i^l)/2$

$+K_t*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i+K_s*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i)/$

$(K_n+K_m+K_l+K_t*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_s*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right))$

$=(K_n*({\mathrm{Si}}_i+\frac{1}{n_n}*\underset{j=i-n_n-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j)/2+K_m*({\mathrm{Si}}_i+\frac{1}{n_m}*\underset{j=i-n_m-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j)/2$

$+K_l*({\mathrm{Si}}_i+\frac{1}{n_l}*\underset{j=i-n_l-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j)/2+K_t*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i$

$+K_s*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i)/$

$(K_n+K_m+K_l+K_t*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_s*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right))$

代入本例已知数据：

${\mathrm{Si}}_{i+1}=(0.5045*({\mathrm{Si}}_i+\frac{1}{3}*\underset{j=i-4}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j)/2+0.2895*({\mathrm{Si}}_i+\frac{1}{6}*\underset{j=i-7}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j)/2$

$+0.1767*({\mathrm{Si}}_i+\frac{1}{9}*\underset{j=i-10}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j)/2+0.1436*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-2150}{2150}\right)*0.45$

$+0.3427*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot \left(\frac{S_i-0.025}{S0.025}\right)*0.45)/$

$(0.5045+0.2895+0.1767+0.1436*\mathrm{Arc}\tan \left(\frac{T_i-2150}{2150}\right)+0.3427*\mathrm{Arc}\cot \left(\frac{S_i-0.025}{0.025}\right))$

其具体的数值如图3所示。通过图3可以看出（F检验及泊桑相关系数），本发明其预测结果与实际值相比，完全符合要求。

炉长根据预报结果对理论燃烧温度相关的参数进行操作，达到稳定炉温使炉况顺行的目的。

本发明在某高炉试用，取得了满意的预报效果。

Claims (2)

1.一种高炉铁水含硅量的预报方法，包括数据采集、数据预处理、预测算法、结果输出及操作指导，其特征在于，数据采集采用硅含量短期均值、硅含量中期均值、硅含量长期均值、前次铁水对应的风口理论燃烧温度及前次铁水含硫量五个参数作为铁水含硅预报的自变量，通过预测算法对硅含量进行预测；

所述的硅含量短期均值、硅含量中期均值、硅含量长期均值参数自变量通过下列方法得出：

设铁水硅序列为：Si={Si₁,Si₂,Si₃,,,,,Si_iSi_i+1}

其中：Si_i为当前铁水硅含量，重量百分比；

Si_i+1为要预报的下次铁水硅含量，重量百分比；

设Si_AVR为铁水硅序列的平均值

；

1）硅含量短期均值：

${\mathrm{Si}}_i^n=\frac{1}{n_n}*\underset{j=i-n_n-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

其中：n_n为短期均值周期，次；

2）硅含量中期均值：

${\mathrm{Si}}_i^m=\frac{1}{n_m}*\underset{j=i-n_m-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

其中：n_m为中期均值周期，次；

3）硅含量长期均值：

${\mathrm{Si}}_i^l=\frac{1}{n_l}*\underset{j=i-n_l-1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

其中：n_l为长期均值周期，次；

4）含硅量短期、中期及长期影响因素由以下三个多项式表示：

${\mathrm{Si}}_{i+1}^A=K_n*({\mathrm{Si}}_i+{\mathrm{Si}}_i^n)/2+K_m*({\mathrm{Si}}_i+{\mathrm{Si}}_i^m)/2+K_l*({\mathrm{Si}}_i+{\mathrm{Si}}_i^l)/2$

其中：为含硅量均线系统影响因素；

K_n短期均线影响因素权重；

K_m中期均线影响因素权重；

K_l长期均线影响因素权重；

所述的前次铁水对应的风口理论燃烧温度因素的参数自变量通过下列方法得出：

1）前次铁水对应的风口理论燃烧温度：

风口理论燃烧温度与高炉的热风参数、焦炭理化参数、喷煤情况及富氧情况有关，在炉况变动加大时是决定铁水含硅量的重要因素；

设风口理论燃烧温度序列为：T={T₁,T₂,T₃,,,,,T_i}

其中：T_i为前次铁水硅对应风口理论燃烧温度℃；

设T_AVR为风口理论燃烧温度序列的平均值

；

前次铁水对应的风口理论燃烧温度因素的公式：

${\mathrm{Si}}_{i+1}^T=K_t*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i$

其中：为前次铁水对应的风口理论燃烧温度影响因素；

K_t前次铁水对应的风口理论燃烧温度影响因素权重；

所述的前次铁水含硫量因素的参数自变量通过下列方法得出：

前次铁水含硫量：

设铁水含硫量序列为：S={S₁,S₂,S₃,,,,,S_i}

其中：S_i为前次铁水含硫量，重量百分比；

设S_AVR为铁水含硫量的平均值

；

前次铁水含硫量影响因素公式：

${\mathrm{Si}}_{i+1}^S=K_s*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i$

其中：

为前次铁水含硫量影响因素；

K_s前次铁水含硫量影响因素权重；

所述的预测算法采用5种参数加权平均预报下次铁水硅含量；

硅预报函数为：

${\mathrm{Si}}_{i+1}=({\mathrm{Si}}_{i+1}^A+{\mathrm{Si}}_{i+1}^T+{\mathrm{Si}}_{i+1}^S)/$   $(K_n+K_m+K_l+K_t*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_s*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right))$

$=(K_n*({\mathrm{Si}}_i+{\mathrm{Si}}_i^n)/2+K_m*({\mathrm{Si}}_i+{\mathrm{Si}}_i^m)/2+K_l*({\mathrm{Si}}_i+{\mathrm{Si}}_i^l)/2$

$+K_t*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_{\mathrm{AVR}}+K_s*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_{\mathrm{AVR}})/$

$(K_n+K_m+K_l+K_t*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_s*\mathrm{Arc}\cot \left(\frac{S_i-S_{\mathrm{AVR}}}{S_{\mathrm{AVR}}}\right))$ 。

2.根据权利要求1所述的一种高炉铁水含硅量的预报方法，其特征在于，预测算法中的权重系数K_n,K_m,K_l,K_t,K_s采用多元回归或神经元网络训练获得。

Images