一种基于BP神经网络的转炉提钒模型的设计

开篇：润墨网以专业的文秘视角，为您筛选了一篇一种基于BP神经网络的转炉提钒模型的设计范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘 要】本文通过对现场设备状况、控制系统、生产情况等的分析与研究，设计了一种基于bp神经网络的转炉提钒模型，实现对提钒重要控制参数的计算，从而不断优化参数来满足现场生产的需要。

【关键词】神经网络 提钒模型 控制系统

目前我国转炉提钒炉装备均以人工经验操作，导致提钒工艺效率不高。本文以转炉提钒为研究对象，结合转炉提钒的工艺特点，通过BP神经网络建立了提钒冷却剂控制模型、供氧控制模型以及吹炼终点半钢成分和温度的预测模型。

一、 冷却剂模型

提钒过程的热量主要来源于铁水本身带来的物理热和铁水内各元素反应放出的化学热，由于提钒过程中化学反应放出的热量高于提钒过程中的散热，因此整个过程中吹炼温度将逐渐升高，当温度超过了钒与碳氧化顺序交换的转化温度时，铁水中的碳将大量氧化，从而抑制了钒的氧化，为使吹炼温度不高于转化温度，可在吹炼过程中加入冷却剂来调节温度。

（一）在实时控制时，取半钢成分和半钢温度的目标值作为模型的输入。

（二）冷却剂尽量在吹炼前期加入，吹炼后期不再加入任何冷却剂使熔池温度接近或稍超过转化温度。冷却剂主要分两批加入：兑铁前生铁块、绝废渣等用废钢槽由转炉炉口加入，冷固球团在吹炼前3分钟之内从炉顶料仓加入炉内。

（三）在吹炼过程中，溶解于铁水中的氧和铁水中的氧化元素发生的氧化反应都是放热反应，会使铁水温度升高，为了反映上述氧化反应的热效应，就必须将铁水和半钢中的上述元素的含量作为神经网络的输入参数，但这样会大大增加神经网络的输入节点数目，增加训练的负担。为了减少神经网络的输入变量数目，可以将上述元素按照其化学反应的反应热进行折算。

二、供氧模型

根据不同的铁水成分和吹炼方式，耗氧量有很大差别，同时耗氧量的多少也影响着半钢中的碳和余钒的多少。

（一） 在实时控制时，取半钢成分和半钢温度的目标值作为模型的输入；料仓中冷却剂的加入量以冷却剂加入模型的输出量作为本模型的输入量。

（二）冷却剂除了具有冷却能力外，还具有氧化能力，冷却剂中的FeO等物质既是冷却剂又是氧化剂。因此，供氧量的多少不仅和铁水成分、重量有关还与冷却剂的携氧量密切相关。

（三）吹炼完毕后，说铁水中的Si、Mn、Ti变成了氧化产物。为了减少神经网络的输入变量数目，可以按照这些元素的耗氧量将其折算成钒。

三、 终点预测模型

终点预测模型如图2所示。

（一）耗氧量和冷却剂加入量在训练时使用实际的加入量作为输入参数，在实时控制时使用冷却剂加入模型和供氧模型的输出作为本模型的输入参数。

（二）各种加入的冷却剂要分别转换为冷却剂热效应和冷却剂携氧量。

四、模型集成

模型包括冷却剂模型、吹氧模型和终点预测模型3个子模型，通过VC++建立了模型的动态链接库。

链接库主要由4个类组成， 其中类CBpNeuralNetworks为基类，主要用于神经网络的建立、训练、存储和模拟，其它3个派生类分别为：冷却剂控制模型、吹氧控制模型以及半钢成分与温度预测模型，3个派生类的主要功能是完成各自模型的数据预处理和后处理功能。

五、结论

本文利用BP神经网络设计了转炉提钒冷却剂模型、供氧模型、终点预测模型，生产现场的应用情况证实了这一方法的有效性。结果表明，该模型具有较高的一致性和泛化能力。

参考文献：

[1]黄云，齐振亚，董履仁利用人工神经网络系统预报钢水温度[J].炼钢，2001，Vol.17， No.5， 43-46.

[2]陶钧，谢书明，柴天佑.基于遗传算法和径向基函数神经网络的转炉炼钢模型[J].系统仿真学报，2000，Vol.12， No.3， 241-244.

作者简介：1.盛维涛（1985-）男，山东临沂人，1985年1月，四川工程职业技术学院助教，研究方向为模式识别与智能控制。2.张文君（1986-）女，四川工程职业技术学院助教，研究方向为智能感知与智能系统。3.罗光伟（1970-），男，四川工程职业技术学院副教授，主要从事设备自动化控制应用研究工作。