CN103320559A - 一种高炉铁水硫含量预报方法 - Google Patents

Abstract

本发明提供一种高炉铁水硫含量预报方法，包括参数选取、数据预处理、预测算法设计、结果输出四个步骤。以硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭S含量、入炉煤粉S含量作为铁水含硫预报的输入变量，利用高炉形成铁水的化学反应过程，结合RBF神经网络，预报下一次铁水的含硫量，在炉况波动小时依靠均线系统，在炉况波动大时自动加入炉渣碱度及前次铁水含硅量，以较少的自变量，最大限度地消除炉况波动对硫含量的影响，获得较好的预报精度，提高高炉铁水硫含量的预报命中率，实现对生铁中硫含量的有效控制，避免出现生铁中硫含量过高的情况。

Description

一种高炉铁水硫含量预报方法

技术领域

本发明属于高炉冶炼自动化控制领域，特别涉及一种用于高炉铁水硫含量的预报方法。

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。生铁中的硫含量是评定生铁质量的主要指标之一，因此保证生铁中的硫含量合格是高炉冶炼的重要任务之一。而准确预测高炉铁水硫含量，能帮助操作者及时采取措施，防止出现生铁中硫含量过高的情况。

王炜等发表的“神经网络在高炉铁水硫含量预报中的应用”（钢铁,2006年第41卷,第10期）论文中，采用3层BP神经网络来预报高炉铁水硫含量,根据高炉冶炼的实际生产数据,选取风温、风量、炉顶温度、焦炭负荷、喷煤量、矿石硫含量、焦炭硫含量、煤粉硫含量和上一炉铁水硅含量9个因素作为输入变量,为提高神经网络预报的准确率,对输入参数进行时滞处理，采取附加动量项和自适应学习步长的措施,解决了BP神经网络局部收敛和学习时间过长的问题.模型预报结果表明：当允许绝对误差不大于0.001时,预报命中率为70.7%：当允许绝对误差不大于0.005时,命中率为90%,证明了模型的有效性。

张慧书等发表的“基于改进BP神经网络的铁水预处理终点硫含量预报模型”（钢铁,2007年第42卷,第3期）论文中，对梅山钢铁股份有限公司铁水包喷吹CaO+Mg粉剂复合脱硫过程,通过采用自适应调整学习率和最大误差学习法对标准BP算法进行了改进,建立了基于改进BP神经网络的铁水预处理终点硫含量预报模型.用梅钢的1154炉数据进行模型训练,经100炉数据现场验证表明,改进的BP算法比标准BP算法预报误差≤0.003%，精度提高28%,有19%的炉次预报值与实际值完全一致,有90%的炉次误差≤0.003%,平均误差为0.0017%.改进的BP算法在铁水预脱硫终点硫含量预报模型应用中获得了更好的使用效果。

于艳忠等发表的“鞍钢铁水终点硫含量神经网络预报模型”（金属材料与冶金工程,2009年,第37卷,第3期）论文中，建立了基于BP神经网络的铁水预处理终点硫含量预报模型.用鞍钢的1000炉数据进行模型训练,经60炉数据验证表明,有5%的炉次预报值与实际值完全一致,有76.67%的炉次误差≤0.003%.平均误差为0.002 5%。

上述第一篇论文中提到的方法容易使模型陷入局部最优，当前后2次出铁含硫量波动较大时，模型的准确性将受到很大影响。而后两篇论文中涉及的都是炼钢工序中铁水

方法，并未涉及高炉中铁水硫含量的预报。

专利公开号CN102031319A公开了“一种高炉铁水含硅量的预报方法”，使用移动平均法对高炉铁水中的硅含量进行预报。该方法采用铁水含硅量短期、中期、长期的均值作为预报的模型的基本数据，然后结合神经网络对模型进行训练，得到模型中连接权值。然而，该方法只能预报铁水中硅的含量，并未涉及铁水中硫含量的预报。铁水硅含量反映的是高炉炉温的变化，而非高炉铁水中硫含量的变化，因此预报铁水中硫含量的高低与预报铁水中硅含量的高低在原理上是不同的，硫含量预报更多的是利用入炉原燃料、炉渣碱度等因素对铁水的化学方法和时序方法来进行预报，而铁水中硅含量预报则更多的是基于短期、中期、长期等炉温变化情况的物理方法来进行预报。

以上方法要么是在炼钢工序实现的铁水脱硫模型，要么是预报铁水中硅含量的方法，都不能有效解决铁水中硫含量的预报问题，表现为炉况平稳时命中率高、炉况波动大时则命中率显著降低。

发明内容

传统的高炉铁水硫含量预报主要是基于与铁水含硫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硫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，从而导致硫含量预测的结果不理想，表现为炉况平稳时命中率高、炉况波动大时命中率低。

本发明提供一种高炉铁水硫含量预报方法，其目的旨在以合理的参数选择和较少的自变量，最大限度地消除炉况波动的影响，以获得较好的预报精度，从而提高高炉铁水硫含量预报命中率，实现对生铁中硫含量的有效控制。

为此，本发明所采取的技术解决方案是：

一种高炉铁水硫含量预报方法，其特征在于，以硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭S含量、入炉煤粉S含量作为铁水含硫预报的输入变量，利用高炉形成铁水的化学反应过程，结合RBF神经网络，预报下一次铁水的含硫量，在炉况波动小时依靠均线系统，在炉况波动大时自动加入炉渣碱度及前次铁水含硅量，以较少的自变量，获得较好的预报精度，提高高炉铁水硫含量的预报命中率。包括参数选取、数据预处理、预测算法设计、结果输出四个步骤。

参数选取：

参数选取采用能够反映高炉铁水中硫含量受高炉化学变化影响的变量，包括硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含

炉焦炭硫含量及入炉煤粉硫含量。

结合高炉冶炼周期的不同选取和计算不同的时间周期内硫含量的均值，且计算时间周期可以调整。

设铁水硫序列为：S={S₁,S₂,S₃,,,,,,S_i,S_i+1}

其中：S_i为当前铁水硫含量，%；S_i+1为要预报的下次铁水硫含量，%。

设S_AVG为铁水硫序列的平均值，

$S_{\mathrm{AVG}}=\frac{1}{i}\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

S_j为铁水中硫含量。

（1）硫含量短期均值：

$S_i^n=\frac{1}{n_n}\underset{j=i-n_n-1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

其中：n_n为短期均值周期，次；参考值为平均冶炼周期1/4。

（2）硫含量中期均值：

$S_i^m=\frac{1}{n_m}\underset{j=i-n_m-1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

其中：n_m为中期均值周期，次；参考值为平均冶炼周期1/2；

（3）硫含量长期均值：

$S_i^l=\frac{1}{n_l}\underset{j=i-n_l-1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

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预测下次铁水硫含量的影响因素。

数据预处理：

数据预处理利用反正切和反余切函数，体现前次铁水对应的炉渣碱度和前次铁水含硅量作为对炉况波动大时的影响参数，炉渣碱度与铁水硫含量的结果有明显的负相关。

（1）炉渣碱度在炉况变动加大时是决定铁水含硫量的重要因素：

设炉渣碱度序列为：T={T₁,T₂,T₃,,,,,T_i}

其中：T_i为前次铁水硫对应炉渣碱度。

设T_AVR为炉渣碱度的平均值

（2）前次铁水含硅量：

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

设铁水含硅量序列为：Si={Si₁,Si₂,Si₃,,,,,Si_iSi_i+1}

其中：Si_i为前次铁水含硅量，%。

设Si_AVG为铁水含硅量的平均值：

${\mathrm{Si}}_{\mathrm{AVG}}=\frac{1}{i}\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

（3）前次铁水对应的炉渣碱度及前次铁水含硅量影响因素分别为：

$S_{i+1}^{\mathrm{Si}}=K_{\mathrm{Si}}*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot (\frac{{\mathrm{Si}}_i-S}{{\mathrm{Si}}_A}*$

其中：

为前次铁水对应的炉渣碱度影响因素；

为前次铁水含硅量影响因素；K_T前次铁水对应的炉渣碱度影响因素权重；K_Si前次铁水含硅量影响因素权重。

（4）入炉焦炭S含量、入炉煤粉S含量对铁水硫含量的影响因素分别为：

$S_{i+1}^{\mathrm{Sj}}=K_{\mathrm{Sj}}*{\mathrm{Sj}}_i$

$S_{i+1}^{\mathrm{Sm}}=K_{\mathrm{Sm}}*{\mathrm{Sm}}_i$

其中：

为入炉焦炭S含量对铁水硫含量影响因素；

为入炉煤粉S含量对铁水硫含量影响因素；K_Si为入炉焦炭S含量对铁水硫含量影响因素权重；K_Sm为入炉焦炭S含量对铁水硫含量影响因素权重。

（5）含硫量短期、中期及长期影响因素由以下三个多项式表示：

$S_{i+1}^A=K_n*(S_i+S_i^n)+K_m*(S_i+S_i^m)+K_l*(S_i+S_i^l)$

其中：

为含硫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。

预测算法设计：

预测算法设计根据高炉冶炼的化学原理结合高炉冶炼的物理过程预报下次铁水硫含量；其中，硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度是基于高炉化学反应来考虑的，而前次铁水含硅量、入炉焦炭硫含量、入炉煤粉硫含量则是根据高炉冶炼过程中温度和原燃料变化来考虑的。

硫预报函数为：

$S_{i+1}=(S_{i+1}^A+S_{i+1}^T+S_{i+1}^{\mathrm{Si}}+S_{i+1}^{\mathrm{Sj}}+S_{i+1}^{\mathrm{Sm}})/$

$[K_n+K_m+K_l+K_{\mathrm{Sj}}+K_{\mathrm{Sm}}+$

$K_T*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_{\mathrm{Si}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-S}{{\mathrm{Si}}_A}\right]$

$=[K_n*\left({S_i+S}_i^n\right)+K_m*(S_i+S_i^m)+K_l*(S_i+S_i^l)+K_{\mathrm{Sj}}*{\mathrm{Sj}}_i+K_{\mathrm{Sm}}*{\mathrm{Sm}}_i+$

$K_T*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*T_i+K_{\mathrm{Si}}*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-{\mathrm{Si}}_{\mathrm{AVR}}}{{\mathrm{Si}}_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i]/$

$[K_n+K_m+K_l+K_{\mathrm{Sj}}+K_{\mathrm{Sm}}+$

$K_T*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_{\mathrm{Si}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-{\mathrm{Si}}_{\mathrm{AVR}}}{{\mathrm{Si}}_{\mathrm{AVR}}}\right)]$

预测算法中的权重系数K_n，K_m，K_l,K_T,K_Si,K_Sj,K_Sm，采用RBF神经网络训练获得。

结果输出：

结果输出以曲线和数字形式显示在操作屏上，指导炉长对相关参数进行调节，达到稳定炉温使炉况顺行的目的。

本发明的有益效果为：

本发明以硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭S含量、入炉煤粉S含量等参数作为输入，在炉况波动小时依靠均线系统，在炉况波动大时自动加入炉渣碱度及前次铁水含硅量，从而以合理的参数选择和较少的自变量，最大限度地消除了炉况波动对硫含量的影响，获得较好的预报精度，极大提高高炉铁水硫含量的预报命中率，预报准确率较以往方法提高了27%，达到了90%以上，便于高炉操作者及时采取措施，实现对生铁中硫含量的有效控制，避免出现生铁中硫含量过高达到0.005%的情况，并在高炉使用中获得了满意的效果。

具体实施方式

本发明高炉铁水硫含量预报方法，主要是以硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭S含量、入炉煤粉S含量作为铁水含硫预报的输入变量，利用高炉形成铁水的化学反应过程，结合RBF神经网络，预报下一次铁水的含硫量，在炉况波动小时依靠均线系统，在炉况波动大时自动加入

及前次铁水含硅量，以较少的自变量，获得较好的预报精度，提高高炉铁水硫含量

中率。

下面，以某3200m³高炉为例，对本发明做进一步说明。

1、高炉铁水硫含量预报采用硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭S含量、入炉煤粉S含量等参数作为自变量。

设铁水硫序列为：S=PS₁，S₂，S₃，，，，，，S_i,S_i+1}

其中:S_i为当前铁水硫含量，％;S_i+1为要预报的下次铁水硫含量，％。

设S_AVG为铁水硫序列的平均值，则

$S_{\mathrm{AVG}}=\frac{1}{i}\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

S_AVG也可以根据设计资料确定，本例中取s_AVG为0.025%。

1）硫含量短期均值：

$S_i^n=\frac{1}{n_n}\underset{j=i-n_n-1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

其中：n_n为短期均值周期，次。

2）硫含量中期均值：

$S_i^m=\frac{1}{n_m}\underset{j=i-n_m-1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

其中：n_m为中期均值周期，次。

3）硫含量长期均值：

$S_i^l=\frac{1}{n_l}\underset{j=i-n_l-1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

其中：n_l为长期均值周期，次。

本例根据此3200m³高炉的冶炼周期大约为8小时，每50分钟大约出铁一次，每个冶炼周期大约出9次铁，因此取：n_n=2；n_m=5；n_l=9。

4）前次铁水对应的炉渣碱度：

设炉渣碱度序列为：T={T₁,T₂,T₃,,,,,T_i}

其中：T_i为前次铁水硫对应炉渣碱度，%。

设T_AVR为炉渣碱度序列的平均值

也可以根据设计资料确定。

本例中取T_AVR为1.12。

5）前次铁水含硅量：

设铁水含硅量序列为：Si={Si₁,Si₂,Si₃,,,,,Si_iSi_i+1}

其中：Si_i为前次铁水含硅量，%；

设Si_AVG为铁水含硅量的平均值：

${\mathrm{Si}}_{\mathrm{AVG}}=\frac{1}{i}\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

也可以根据设计资料确定。本例中取Si_AVG为0.45%；

2、采用步骤1中提到的参数加权平均预报下次铁水硫含量。

1）短期、中期及长期影响因素由以下三个多项式表示：

$S_{i+1}^A=K_n*(S_i+S_i^n)+K_m*(S_i+S_i^m)+K_l*(S_i+S_i^l)$

其中：

为含硫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）前次铁水对应的炉渣碱度及前次铁水含硅量影响因素：

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

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

其中：

为前次铁水对应的炉渣碱度影响因素；

为前次铁水含硅量影响因素；K_T前次铁水对应的炉渣碱度影响因素权重；K_Si前次铁水含硅量影响因素权重。

3）入炉焦炭S含量、入炉煤粉S含量对铁水硫含量的影响因素分别为：

$S_{i+1}^{\mathrm{Sj}}=K_{\mathrm{Sj}}*{\mathrm{Sj}}_i$

$S_{i+1}^{\mathrm{Sm}}=K_{\mathrm{Sm}}*{\mathrm{Sm}}_i$

其中：为入炉焦炭S含量对铁水硫含量影响因素；

为入炉煤粉S含量对铁水硫含量影响因素；K_Sj为入炉焦炭S含量对铁水硫含量影响因素权重；

K_Sm为入炉焦炭S含量对铁水硫含量影响因素权重。

4）硫预报函数为：

$S_{i+1}=(S_{i+1}^A+S_{i+1}^T+S_{i+1}^{\mathrm{Si}}+S_{i+1}^{\mathrm{Sj}}+S_{i+1}^{\mathrm{Sm}})/$

$[K_n+K_m+K_l+K_{\mathrm{Sj}}+K_{\mathrm{Sm}}+$

$K_T*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_{\mathrm{Si}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-S}{{\mathrm{Si}}_A}\right]$

$=[K_n*\left({S_i+S}_i^n\right)+K_m*(S_i+S_i^m)+K_l*(S_i+S_i^l)+K_{\mathrm{Sj}}*{\mathrm{Sj}}_i+K_{\mathrm{Sm}}*{\mathrm{Sm}}_i+$

$K_T*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*T_i+K_{\mathrm{Si}}*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-{\mathrm{Si}}_{\mathrm{AVR}}}{{\mathrm{Si}}_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i]/$

$[K_n+K_m+K_l+K_{\mathrm{Sj}}+K_{\mathrm{Sm}}+$

$K_T*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_{\mathrm{Si}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-{\mathrm{Si}}_{\mathrm{AVR}}}{{\mathrm{Si}}_{\mathrm{AVR}}}\right)]$

3、权重K_n,K_m,K_l,K_T，K_Si,K_Sj,K_Sm可以采用RBF神经网络训练获得。

本例利用历史数据采用RBF神经网络训练获得：

k_n=0.4286 K_m=0.2735 K_l=0.3424

K_T=0.1988 K_Si=0.3821 K_Sj=0.6852 K_Sm=0.2578。

4、本例中的硫预报函数为：

$S_{i+1}=(S_{i+1}^A+S_{i+1}^T+S_{i+1}^{\mathrm{Si}}+S_{i+1}^{\mathrm{Sj}}+S_{i+1}^{\mathrm{Sm}})/$

$[K_n+K_m+K_l+K_{\mathrm{Sj}}+K_{\mathrm{Sm}}+$

$K_T*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_{\mathrm{Si}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-S}{{\mathrm{Si}}_A}\right]$

$=[K_n*\left({S_i+S}_i^n\right)+K_m*(S_i+S_i^m)+K_l*(S_i+S_i^l)+K_{\mathrm{Sj}}*{\mathrm{Sj}}_i+K_{\mathrm{Sm}}*{\mathrm{Sm}}_i+$

$K_T*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*T_i+K_{\mathrm{Si}}*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-{\mathrm{Si}}_{\mathrm{AVR}}}{{\mathrm{Si}}_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i]/$

$[K_n+K_m+K_l+K_{\mathrm{Sj}}+K_{\mathrm{Sm}}+$

$K_T*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_{\mathrm{Si}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-{\mathrm{Si}}_{\mathrm{AVR}}}{{\mathrm{Si}}_{\mathrm{AVR}}}\right)]$

代入本例已知数据：

$S_{i+1}=[0.4286*(S_i+\frac{1}{2}*{\mathrm{\Σ}}_{j=i-3}^i{S}_j)+0.2735*(S_i+\frac{1}{5}*{\mathrm{\Σ}}_{j=i-6}^i{S}_j)+0.3424*(S_i+\frac{1}{9}*{\mathrm{\Σ}}_{j=i-10}^i{S}_j)+$

$0.6852*{\mathrm{Sj}}_i+0.2578*{\mathrm{Sm}}_i+0.1988*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-1.12}{1.12}\right)*1.12+0.3821*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-0.45}{0.45}\right)*0.45]/[$

$0.4286+0.2735+0.3424+0.6852+0.2578+0.1988*\mathrm{Arc}\tan \left(\frac{T_i-1.12}{1.12}\right)+0.3821*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-0.45}{0.45}\right)]$

5、硫预报以数字和曲线的形式提供给炉长（操作屏画面），炉长根据预报结果对相关的参数进行操作，达到稳定炉温使炉况顺行的目的。本发明方法在鞍钢某高炉实施后，在高炉铁水硫含量较高和较低的情况下都取得了满意的预报效果。

Claims (1)

1.一种高炉铁水硫含量预报方法，其特征在于，以硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭S含量、入炉煤粉S含量作为铁水含硫预报的输入变量，利用高炉形成铁水的化学反应过程，结合RBF神经网络，预报下一次铁水的含硫量，在炉况波动小时依靠均线系统，在炉况波动大时自动加入炉渣碱度及前次铁水含硅量，以较少的自变量，获得较好的预报精度，提高高炉铁水硫含量的预报命中率；包括参数选取、数据预处理、预测算法设计、结果输出四个步骤；

参数选取：

参数选取采用能够反映高炉铁水中硫含量受高炉化学变化影响的变量，包括硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭硫含量及入炉煤粉硫含量；

结合高炉冶炼周期的不同选取和计算不同的时间周期内硫含量的均值，且计算时间周期可以调整；

设铁水硫序列为：S={S₁，S₂，S₃，，，，，，S_i，S_i十1}

其中:S_i为当前铁水硫含量，％；S_i+1为要预报的下次铁水硫含量，％；

设S_AVG为铁水硫序列的平均值，

$S_{\mathrm{AVG}}=\frac{1}{i}\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

S_j为铁水中硫含量；

（1）硫含量短期均值：

$S_i^n=\frac{1}{n_n}\underset{j=i-n_n-1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

其中：n_n为短期均值周期，次；参考值为平均冶炼周期1/4；

（2）硫含量中期均值：

$S_i^m=\frac{1}{n_m}\underset{j=i-n_m-1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

其中：n_m为中期均值周期，次；参考值为平均冶炼周期1/2；

（3）硫含量长期均值：

$S_i^l=\frac{1}{n_l}\underset{j=i-n_l-1}{\overset{i}{\mathrm{\Σ}}}{S}_j$

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预测下次铁水硫含量的影响因素；

数据预处理：

数据预处理利用反正切和反余切函数，体现前次铁水对应的炉渣碱度和前次铁水含硅量作为对炉况波动大时的影响参数，炉渣碱度与铁水硫含量的结果有明显的负相关；

（1）炉渣碱度在炉况变动加大时是决定铁水含硫量的重要因素：

设炉渣碱度序列为：T={T₁,T₂,T₃,,,,,T_i}

其中：T_i为前次铁水硫对应炉渣碱度；

设T_AVR为炉渣碱度的平均值

（2）前次铁水含硅量：

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

设铁水含硅量序列为：Si={Si₁,Si₂,Si₃,,,,,Si_iSi_i+1}

其中：Si_i为前次铁水含硅量，%；

设Si_AVG为铁水含硅量的平均值：

${\mathrm{Si}}_{\mathrm{AVG}}=\frac{1}{i}\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{Si}}_j$

（3）前次铁水对应的炉渣碱度及前次铁水含硅量影响因素分别为：

$S_{i+1}^{\mathrm{Si}}=K_{\mathrm{Si}}*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot (\frac{{\mathrm{Si}}_i-S}{{\mathrm{Si}}_A}*$

其中：

为前次铁水对应的炉渣碱度影响因素；

为前次铁水含硅量影响因素；K_T前次铁水对应的炉渣碱度影响因素权重；K_Si前次铁水含硅量影响因素权重；

（4）入炉焦炭S含量、入炉煤粉S含量对铁水硫含量的影响因素分别为：

$S_{i+1}^{\mathrm{Sj}}=K_{\mathrm{Sj}}*{\mathrm{Sj}}_i$

$S_{i+1}^{\mathrm{Sm}}=K_{\mathrm{Sm}}*{\mathrm{Sm}}_i$

其中：

为入炉焦炭S含量对铁水硫含量影响因素；

为入炉煤粉S含量对铁水硫含量影响因素；K_Sj为入炉焦炭S含量对铁水硫含量影响因素权重；K_Sm为入炉焦炭S含量对铁水硫含量影响因素权重；

（5）含硫量短期、中期及长期影响因素由以下三个多项式表示：

$S_{i+1}^A=K_n*(S_i+S_i^n)+K_m*(S_i+S_i^m)+K_l*(S_i+S_i^l)$

其中：为含硫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；

预测算法设计：

预测算法设计根据高炉冶炼的化学原理结合高炉冶炼的物理过程预报下次铁水硫含量；其中，硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度是基于高炉化学反应来考虑的，而前次铁水含硅量、入炉焦炭硫含量、入炉煤粉硫含量则是根据高炉冶炼过程中温度和原燃料考虑的；

硫预报函数为：

$S_{i+1}=(S_{i+1}^A+S_{i+1}^T+S_{i+1}^{\mathrm{Si}}+S_{i+1}^{\mathrm{Sj}}+S_{i+1}^{\mathrm{Sm}})/$

$[K_n+K_m+K_l+K_{\mathrm{Sj}}+K_{\mathrm{Sm}}+$

$K_T*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_{\mathrm{Si}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-S}{{\mathrm{Si}}_A}\right]$

$=[K_n*\left({S_i+S}_i^n\right)+K_m*(S_i+S_i^m)+K_l*(S_i+S_i^l)+K_{\mathrm{Sj}}*{\mathrm{Sj}}_i+K_{\mathrm{Sm}}*{\mathrm{Sm}}_i+$

$K_T*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)*T_i+K_{\mathrm{Si}}*\frac{2}{\mathrm{\π}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-{\mathrm{Si}}_{\mathrm{AVR}}}{{\mathrm{Si}}_{\mathrm{AVR}}}\right)*{\mathrm{Si}}_i]/$

$[K_n+K_m+K_l+K_{\mathrm{Sj}}+K_{\mathrm{Sm}}+$

$K_T*\mathrm{Arc}\tan \left(\frac{T_i-T_{\mathrm{AVR}}}{T_{\mathrm{AVR}}}\right)+K_{\mathrm{Si}}*\mathrm{Arc}\cot \left(\frac{{\mathrm{Si}}_i-{\mathrm{Si}}_{\mathrm{AVR}}}{{\mathrm{Si}}_{\mathrm{AVR}}}\right)]$

预测算法中的权重系数K_n,K_m,K_l,K_T,K_Si，K_Sj,K_Sm,采用RBF神经网络训练获得；

结果输出：

结果输出以曲线和数字形式显示在操作屏上，指导炉长对相关参数进行调节，达到稳定炉温使炉况顺行的目的。