[发明专利]一种高炉铁水硫含量预报方法

说明书

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：