高炉铁水硅含量预测模型
一、摘要
1.模型概述：
高炉炼铁是钢铁工业的上游主体工序，作为国民经济支柱产业的重要组成部分，它对钢铁工业的发展与节能降耗都有重要的地位。高炉冶炼过程是一个高度复杂的过程，其运行机制往往具有非线性、时变、高维、大噪声、分布参数等特性，其自动化是20世纪下半叶以来冶金自动化领域一直没有攻下的自动化学科难题。高炉炉温预测模型是炼铁过程自动控制的核心数学模型，而提高炉温预测命中率是模型开发的关键难题。
本文针对高炉炼铁过程中铁水温度的高低问题，寻找炉温，即高炉铁水硅含量，与各个参数之间的关系，试图建立铁水硅含量的预测模型。该模型将主要采用回归模型的思路，利用最小二乘法等算法，根据所给的实际生产数据计算出料速、透气性指数、铁量差、风温与风量之间的关系，并通过这些参数与高炉铁水硅含量的关系对炉温进行有效的预测
本文在高炉炉温控制方程的基础上，将其离散差分方程视作一种变系数的线性方程，利用变系数回归的相关理论，对该方程进行参数估计，从而建立了高炉铁水w(Si)预测控制的变系数回归模型。
2．关键字：
变系数，回归模型，最小二乘法，铁水硅含量
二、问题的提出
基本情况与问题重述
高炉生产时从炉顶装入铁矿石、焦炭、造渣用熔剂（石灰石），从位于炉子下部沿炉周的风口吹入经预热的空气。在高温下焦炭（有的高炉也喷吹煤粉、重油、天然气等辅助燃料）中的碳同鼓入空气中的氧燃烧生成的一氧化碳和氢气，在炉内上升过程中除去铁矿石中的氧，从而还原得到铁。炼出的铁水从铁口放出。铁矿石中未还原的杂质和石灰石等熔剂结合生成炉渣，从渣口排出。产生的煤气从炉顶排出，经除尘后，作为热风炉、加热炉、焦炉、锅炉等的燃料。高炉冶炼的主要产品是生铁，还有副产高炉渣和高炉煤气。
本文将根据某一组特定的高炉生产数据，建立铁水硅含量与各影响参数的数学预测模型。事实上，影响铁水硅含量（即炉温）的因素很多，大体上分为两大类：状态参数和控制参数。状态参数包括料速、透气性指数、风口状况、铁水与炉渣成分等；控制参数包括入炉原料的性质(成分、比重、配料比等)、装料方式、风量、风温、富氧量等，各个因素之间也存在交互影响。这些参数能反映高炉炉温的变化。在正常状态下，炉温向凉时，风量会有所上升、风压平稳逐步下降、料速增大、透气性指数增大。
从大量的资料查阅获知如下情况：
1．料速的变化可以反映炉温的状态。当炉温向热时，料速由快变慢，当炉温向凉时，料速由慢变快。料速的大小可以通过每小时下料批次来计算获得。
2．透气性指数的值在某一范围内，表示炉况顺行，小于某一数值，表示炉况难行，更小时就表明炉子悬料。
3．铁量差指的是理论出铁量与实际出铁量之差。当铁量差为一个较大的正值时，说明炉缸里还有一定量的铁水未出尽，这些滞留的铁水使铁水硅含量升高。如果铁量差保持在较小的范围内，表示炉缸保持热平衡状态。当铁量差为较大的负值时，炉缸的热平衡被打破，导致铁水硅含量降低。
4．风温主要是直接影响到炉缸温度，并间接的影响高炉高度方向上温度分布的变化，以及影响到炉顶温度水平。高炉鼓风的温度。风温越高，鼓风带入炉内的热量越多，高炉的燃料比越低。因此，通常都将风温用到高炉可能接受的最高水平。高炉接受风温的程度主要决定于冶炼条件。原料、燃料质量越好，喷吹燃料越多，鼓风湿度越高，炉况越稳定、顺行，高炉能接受的风温越高。中国高炉风温多在900～1250℃之间；工业发达国家的高炉风温多在1150～1350℃之间。增减风温是调节炉况的重要手段，提高风温可以使炉温升高，降低风温可以使炉温降低。但先进的高炉多把风温稳定在最高水平，而用调整燃料喷吹量或鼓风湿度的办法来调节炉况。只有在非常必要时才降低风温。这样可以获得较低的燃料比。
5．风量引起的炉料下降速度和初渣中FeO的含量的增减，以及煤气流分布的变化，都会影响到煤气能的利用程度和炉况顺行情况，这也表示对高炉内直接还原和间接还原的比例有一定的影响，这些都会影响到炉缸温度。单位时间进入高炉的风在标准状态下的体积(m3/min或m3/h)。在相同条件下，风量越大，产量越高。高炉风量首先取决于高炉容积，一般是每立方米炉容2．0～2．2m3/min。由于风量的测定常因漏风和仪表本身误差而失准，而风量又与焦炭和喷吹燃料的消耗量成正比，故高炉操作人员多习惯于以冶炼强度来估量风量。又因在同一条件下，高炉上料批数与风量成正比，故高炉操作者实际上是按上料批数来控制风量的。冶炼强度取决于原料、燃料质量和冶
炼的铁种，一般在0．9～1．2t/(m3?d)之间。原料、燃料质量好时取上限；反之，取下限。冶炼铸造生铁时的冶炼强度应比冶炼炼钢生铁时的低，冶炼锰铁时又比冶炼铸造生铁时的低。这是因为炉温越高，炉内煤气实际体积越大，穿过料柱越困难。当高炉需要限产时，冶炼强度和风量根据额定生铁产量来确定。鼓入高炉的风量和每小时上料的批数(炉内下料速度)应力求稳定。风量波动会影响料速和炉温波动，进一步会引起风压波动和炉况不稳。为此，高炉风量选定在某一适当水平后不宜随意增减。只有在炉凉、下料不顺或设备故障需要减风处理时才减风。减风后一旦条件允许恢复风量时，应及时逐步恢复。
三、模型的假设与符号说明
1．假设
假设一：高炉铁水硅含量在此处受且仅受料速、透气性指数、铁量差、风量和风温5个因素的影响，其他因素忽略不计。
假设二：认为每炉所给的铁水温度在所在炉内是稳定不变的
假设三：认为每次炼铁期间，下料批次之间的时间间隔相同，且每次下料数量相同，即视为均匀下料。
2．符号说明及名词意义
S：料速指数
L
b：料速指数的百分比变化函数
LS
S：料速，即每小时下料批次；S(t)为料速的影响函数
F：透气性指数
F
b：透气性指数的百分比变化函数
FF
F(t):为透气性指数的影响函数
F：风量指数
Q
b：风量指数的百分比变化函数
FQ
m，即单位时间进入高炉的风在标准状态下的体积；Q(t)：风量/3
Q:风量，单位为min
的影响系数
T P ：铁量差指数
PT b ：铁量差指数的百分比变化函数
P：铁量差，单位为t，是理论出铁量与实际出铁量之差；P(t)是铁量差的影响系数
W F ：风温指数
FW b ：风温指数的百分比变化函数
W：风温，单位为摄氏度，即高炉鼓风温度；W(t)是风温的影响系数
)(Si ω：高炉铁水)(t i β：变系数t:参变量
p x x x ,,,21?:自变量y:因变量
),(0v v i ρ:i v 到0v 的欧氏距离
四．模型的建立与求解
高炉炼铁过程中存在着流体动力学参数与化学反应参数之间的“耦合”关系，根据炼铁工艺过程参数的可检测性和可控性的实际情况，可以建立了在混合动力学机理上的铁水)(Si ω的混合控制偏微分方程:
t b t W t b t P t b t Q t b t F t b t S t d Si d FW PT FQ FF SL ??+??+??+??+??=)()()()()()()
(ω，(1)
式中
)
()
(t d Si d ω是铁水)(Si ω的变动值，反映炉温的变化。LS b 、FF b 、FQ b 、PT b 、FW b 分别为料速指数L S 、透气指数F F 、风量指数Q F 、铁量差指数T P 和风温指数W
F 的百分比
变化率函数，而)()()(t Q t F t S 、、、P(t)、W(t)分别是它们的影响系数，是非线性函数，随炉温及各项指数的条件不同而变化。
由于要预测的铁水)(Si ω是一个离散变量，需要对数据进行离散化处理。将上述连
续型微分方程进行差分离散，得
)
1()1()()()1()1()()()
1()
1()()
()
1()
1()()()1()1()()())((???+???+???+
???+???=?n F n F n F n W n P n P n P n P n F n F n F n Q n F n F n F n F n S n S n S n S n Si W W W
T T T Q Q Q F F F L L L ω(2)式(2)可
视为一种变系数方程系数L(n)、F(n)、Q(n)、P(n)、W(n)均随着时间的变化而变化。
本文提出了在每一时间点上将这些系数线性化的思想建立起各时间点上的线性控制方程，从而计算得到该时间点的铁水)(Si ω预测值并且给出了相应的控制策略。变系数回归模型的参数估计
在实际问题中，多数情况下变量之间的线性关系将随着另一个协变量而变化(例如时间、温度等)，由于下一协变量变化时的数据信息未知，因此产生了这样一个问题：如何利用已知的历史数据对下一协变量变化时的线性模型进行参数估计。
关于变系数回归模型的参数估计，可以利用局部加权最小二乘法，引进变系数加权可估函数的概念，来构造参数的估计量。本文是在局部加权最小二乘法的基础上，对变系数进行加权最小二乘估计。变系数回归模型
假定在参变量t 处自变量p x x x ,,,21?与因变量y 满足线性关系
p p x t x t t y )()()(110βββ+++=?,
(3)
式中:)(t i β,(i=0,1,2,…,p)为一维(或多维)实变量t 的有界连续函数,且具有连续导数,则称)(t i β为变系数。假定n t t t t ,,,,321?是某指定点0t 附近的n 个点,在每个点处观测得到样本观测值),,,,(1ip i i i x x t y ?则
i ip i p i i i i x t x t t y εβββ++++=)()()(110?;i=0,1,2,…,n.
(4)
其中2,0σεε==i i Var E ,i=0,1,2,…,n.式(4)即为变系数回归模型。权函数
模型(4)可利用0t 附近的点i t 处的观测值),,,,(1ip i i i x x t y ?来估计0t 处的参数)(t i β。由于不同i t 处的观测值相对于0t 来说“重要程度”不同需要用权函数)(0t W i 来进行度量。
本文用i t 处的观测值与0t 处的距离来定义它们之间的关系，即
))
,(()(00v v W t W i i ρ=其中:),(0v v i ρ表示:i v 到0v 的欧氏距离权函数)(0t W i 的估计
最常用的权函数估计是核估计和近邻估计，本文选择的是核估计。
由Nadaraya 等人提出的一种既适合解释变量是确定性变量,也适合解释变量是随机变量的核估计,其思路如下：选定概率密度K （·），其中∫=1)(du u K 为核函数及窗宽h>0,定义核权函数为
∑???=p
j j h h i x x K x x K x W 1)
010(/)()((6)
i=1,2,…,p
式中：)()(11??=uh K h u K h 也是一个概率密度核函数的估计
若K （·）是[+∞∞?,]上原点对称的标准正态密度函数则Nadaraya-Watson 核估计就是
i Y 的加权算术平均值，当i X 离x 越近时，权就越大；离i X 越远时，权就越小；当i X 落在[x-3h,x+3h]之外时权基本上为零，因此核估计的核心问题就是核权函数的选择和窗宽的选择。
窗宽是控制核估计精度的重要参数，由于回归函数估计的渐近方差随着窗宽减小而增大，渐近偏差随着窗宽减小而减小，为了在估计的偏核方差中寻求平衡使得均方误差达到最小，最佳理论窗宽应具有如下形式
5
/1?=cn h 由于对c 进行估计会产生偏差,实际应用中最佳的窗宽的选择是不断地调整c 以使得采用窗宽5/1?=cn h 的核估计达到满意的估计结果.
而核权函数在核估计中起光滑的作用,即消除扰动的随机因素,使所得曲线能反映变量之间的实际关系.
本文选择的核函数是Epanechnikov 核：
+
?=)1(75.0)(2u u K （8）
其中,(+≤)1u 为显示性函数,当括号内的不等式成立时,取值为1,否则取值为0.)(?0
t β的加权最小二乘估计称)(?0t β为)(0t β的加权最小二乘估计若)(?0
t β满足))
(())(?(0)
(0min 0t Q t Q t βββ=(9)
其中
∑=??=????=n
i T ip i p i i i i i t X Y t W t X Y x t x t t y t W t Q 1
000211000))
()(())((])()()()[())((ββββββ?(10)
由
)()(2)(2)
())
((00000=?=??t X t W X Y t W X t t Q T T βββ(11)
可得
)
()()(000t X t W X Y t W X T T β=(12)
当X t W X T )(0可逆时,得
Y t W X X t W X t T T )())(()(?0
100?=β(13)
这样就得到了变系数回归模型的加权最小二乘估计)(?0
t β预测模拟结果
由于所给的大量的生产数据中，我们就其中20组做了模型检验，进行了预测控制模拟，模拟结果如下所示。
序号
)
(Si p ω)
(Si f ω是否命中控制方程的相应系数
)
(n S )
(n F )
(n Q )
(n P )
(n W 10.560.5210.0000-0.00290.00800.00030.001120.590.621-0.0013-0.0022-0.02840.00030.001830.630.6210.0010-0.0008-0.04990.00120.002340.500.6100.0004-0.00580.0023-0.00090.000950.900.921-0.0012-0.0004-0.02550.0005-0.002260.540.561-0.0008-0.0009-0.02940.0004-0.001370.910.9410.0002-0.0013-0.02840.00020.000880.720.8110.0005-0.0025-0.00830.00030.001490.810.7510.0009-0.00460.01880.00020.0007100.630.5810.0007-0.0016-0.01380.00040.0035110.550.5310.0010-0.0007-0.0294-0.0001-0.0041120.650.561-0.0006-0.00410.0102-0.00020.0003130.660.6610.00010.00060.03450.0003-0.0050140.610.6510.0000-0.0024-0.02180.00000.0014150.600.561-0.0008-0.00110.00950.00020.0018160.720.5700.0006-0.00400.00140.0004-0.0012170.540.4510.0000-0.0005-0.01820.00050.0043180.560.5410.0005-0.00040.0157-0.00010.0001190.540.5510.0007-0.0045-0.00840.00020.001020
0.50
0.45
1
0.00013
-0.0014
0.0347
0.0004
0.0021
连续20组的预测值与实际值的变化趋势如图所示，通过与表中实际生产数据的对比，模型得出的数据与实际生产数据的大小和变化趋势基本一致，可以较为直观而清晰地看出模型拟合的结果。
可以将高炉炉温控制的混合动力学方程的差分方程看作是常数项为
归方程，利用上述结论进行参数估计。在每一出铁时刻，计算出相应的控制方程的参数，进而利用已知的S L 、F F 、Q F 、T P 、W F 计算得到该时刻的铁水w(Si)。
五、模型优缺点1．模型优点：
本文在混合动力学控制方程的差分方程的基础上，提出将该方程在每一预测时刻上线性化的思想，并将该差分方程视作一变系数线性方程，结合变系数回归模型参数估计的相关结论，给出了在每个预测时刻的局部线性方程，得到高炉炉温预测控制的变系数回归模型。
同时，该模型给出的混合动力学控制方程的局部线性方程，得到了每一预测时刻下料速指数L S 、透气指数F F 、风量指数Q F 、铁量差指数T P 和风温指数W F 对w(Si)的影响权重，定量地给出了该时刻各因素对w(Si)值变化影响的程度，使得现场工长可以根据模型做出调整,确保炉温的变化平稳，保证了高炉炼铁顺利进行。所以本模型对预测之后的控制具有实际指导价值，做到了将预测与控制相结合，为进一步实现炉温的闭环控制提供了模型基础。2．模型缺点：
模型需要大量数据和条件，如精要稳定的原料，先进的高炉装备，精良的检测仪表，高性能的计算机系统等，只适用于部分情形，抗干扰性较差，且相当来说比较复杂，不容易掌握。
六、参考文献
[1]冯婷,刘祥官,马祥,赵斌《高炉炉温预测控制的变系数回归模型》浙江大学学报（工学版）2007年10月
[2]孙璐,那树人《铁水含硅量预报模型》内蒙古科技大学学报2008年6月
[3]刘文辉，李望祥，谢杰智《炼钢铁水硅含量的确定》炼钢2002年4月第18卷第2期
[4]李晓红《降低高炉铁水硅含量的简要分析》山西焦煤科技2010年2月
[5]阳海彬，张丙怀，王立芬，刁岳川，廖东海《高炉铁水硅含量预测系统》重庆大学学报（自然科学版）2005年3月
[6]高小强，王逸名，郑忠《高炉铁水硅含量预测评价与模型选择》钢铁研究学报2007年5月
[7]王华秋，廖晓峰，曹长修，李梁《基于鲁棒LS-SVM的ARMA时序模型研究》系统仿真学报2007年4月
七、附录：
生产时长
(h)
料速
(t/h)
透气性指数
KPa
m?
min
/3
铁量差
(t)
风温
(°C)
风量
(min
/3
m)
1.2510.416.46974099-19.161005.481663.405 1.8333338.181818216.4697409913.851007.481663.405 1.333333916.93041083 3.361008.141686.508 1.3333338.2515.33898564 6.531011.471605.288 27.515.4555207239.851010.81611.374
0.9166678.727272715.3970878-4.251006.151608.325
1.333333915.338985647.13101
2.131605.288 1.5833338.210526315.28121173-10
3.551012.131602.262 11115.1951609763.561012.81597.744 28.515.6030666213.021007.481619.048 1.1666679.428571415.2237636226.3100
4.821599.247 1.759.14285711
5.08155269-23.11004.821591.76 1.59.333333315.75273547-7.141004.15162
6.794 1.8333339.272727315.5733889-61.821008.14161
7.507 1715.51428691-0.921004.151614.435 2.333333
8.571428615.78292758-35.51006.811628.352 1.25
9.615.6328292630.731004.151620.591 1.5833339.473684215.722629928.571008.141625.239 1.8333338.727272715.60306662-1.931006.151619.048
0.7510.66666715.90456819-31.281004.151634.615
1.8333338.727272715.8132065749.591004.151629.914 1.8333338.727272715.7829275816.241005.481628.352 1.5833338.842105315.69261058-21.341004.151623.687 1.2510.415.42626276-1.481004.821609.848 1.8333338.181818215.87402654261003.491633.045 1.0833339.230769215.72262992-36.051007.481625.239 1.5833338.842105315.75273547 4.441004.151626.794
0.91666710.90909115.78292758 2.71002.821628.352
1.58.666666715.78292758-50.28100
2.821628.352 1.9166678.869565215.66267714-41.931005.481622.137 1.1666678.571428615.84357278-4.1100
3.491631.478 1.9166678.347826115.90456819-20.931006.81163
4.615 1.8333337.636363616.73064372-34.27100
5.48167
6.529
0.9166679.818181816.7636919-6.941004.151678.184
1.259.616.8634260937.03100
2.16168
3.168 1.59.333333316.8634260910.011006.811683.168 1.6666677.816.79683809-72.98100
4.821679.842 1.758.571428616.6320834450.651001.491671.583
1.08333315.69230816.83008269-19.81009.471681.503
2.666667 5.62515.72262992-29.651007.481625.239 1.758.571428615.72262992-35.451004.151625.239 0.020********.6328292631.721006.811620.591
0.9166677.636363615.66267714-8.021010.81622.137
1.6666678.415.1951609738.761004.151597.744 1.6666679.615.662677145
2.741005.481622.137 1.4166679.176470615.8132065722.42100
3.491629.914 1.666667916.56685965-73.64100
4.151668.302 1.5833339.473684216.50201877-2.981002.82166
5.034 1.1666679.42857141
6.4375578216.5899
7.51661.779 1.833333
8.181818216.59942349-0.711004.82166
9.941 1.666667916.21489391-38.751000.831650.485 1.666667916.4054689-41.71004.151660.156 28.515.7829275866.061004.821628.352 1.5833338.842105315.66267714-79.331006.151622.137 1.6666678.415.66267714-13.531008.141622.137 1.5815.6328292672.961012.81620.591
1.758.571428615.72262992-1.251007.481625.239
2.3333338.571428615.78292758-16.421008.141628.352 2.0833338.6415.75273547-15.11004.151626.794 1.9166678.347826115.69261058-18.791010.8162
3.687 1.59.333333315.99672387-38.48100
4.821639.344 1.59.33333331
5.84357278-63.341002.161631.478 1.3333338.2515.6626771478.011000.831622.137 1.3333339.7515.87402654-4.131003.491633.045 1.2510.415.7226299229.331002.161625.239 1.58.666666715.81320657-63.291000.831629.914 1.59.33333331
6.12084929-36.891004.151645.692 1.5833339.473684216.02762048-2
7.751006.151640.927 1.416667
8.470588216.18345448 3.771004.821648.885
1.59.333333316.05860669-20.211008.81164
2.512 1.758.571428616.02762048-29.651006.811640.927 1.5833338.842105316.027*******.291012.131640.927 1.758.571428616.08968285-56.051004.151644.101 1.8333338.181818215.252447190.751004.821600.753
1.58333310.10526315.252447119.061001.491600.753
2.1666678.307692315.16663885-20.44100
3.491596.244 1.5833338.842105315.10983501-6.21100
4.821593.252 0.666667121
5.1666388542.281002.16159
6.244 29.515.19516097-44.561005.48159
7.744
1.8333338.181818214.72099527-45.651006.15157
2.618
2.4166678.275862114.8305464842.21007.481578.459 1.0833339.230769214.85812536-6
3.91001.491579.926
2.4166678.275862114.9692137754.11006.151585.821 1.8333338.181818214.9413251634.81002.161584.343 1.6666677.814.94132516-10.91007.481584.343
1.5814.32080571-45.661016.121551.095 1.59.333333314.2947085849.531003.491549.681 1.4166679.176470614.803044327.711014.131576.994 1.6666678.414.2947085811.63100
2.161549.681 1.8333338.181818214.34697438-4.81008.811552.511 1.4166678.470588214.37321484-38.981001.49155
3.931 1.51015.0815526917.41006.151591.76 1.58.666666715.10983501-69.86100
4.151593.252 1.6666678.41
5.16663885-75.171000.83159
6.244 1.8333339.272727314.9971805373.481000.16158
7.302 1.666667
8.415.31005781-64.291005.481603.774 1.5833338.842105315.10983501-54.491007.481593.252 1.4166678.470588214.99718053-90.381006.811587.302 1.333333914.91351441-17.131004.151582.868 1.916667
9.391304314.74826899-15.421009.471574.074 1.8333338.727272714.6396265-23.791005.481568.266 1.5833338.842105314.5589305-14.711003.491563.937 1.8333339.272727314.6666743-34.631003.491569.714 1.666667914.69379713-20.351004.821571.165
2914.72099527-48.271002.161572.618 1.8333338.727272715.51428691-81.461006.151614.435 1.8333338.181818215.5142869144.251001.491614.435 1.251215.397087850.11006.151608.325 1.4166678.470588215.3970878-12.531004.821608.325
1.666667915.3970878-5.7100
2.821608.325
2.0833338.6415.36799553-56.171008.141606.805
1.759.142857115.1381969723.861004.151594.747
2.0833338.6414.997180531
3.381006.151587.302 1.58.666666715.0815526926.09100
4.821591.76 1.58.66666671
5.025*******.361003.491588.785 1.759.714285714.94132516-89.08100
6.151584.343 1.6666678.415.08155269-48.23999.4951591.76 28.514.83054648-43.291006.151578.459 2.1666678.769230814.94132516-14.531004.821584.343 0.8333339.614.9692137728.241004.151585.821 2.333333914.91351441-75.021003.491582.868 1.6666679.614.997180533
7.881006.811587.302 1.759.142857114.99718053-40.47100
8.811587.302 1.8333338.181818218.0588015624.251002.821741.803 1.258.818.207739513.691004.151748.971 1.666667917.62279024-34.81001.491720.648
1.59.333333318.02185261-50.531003.491740.02
2.0833339.1217.9116836296.371004.151734.694 2.3333338.142857118.05880156-61.251002.161741.803 1.758.571428616.53439153-27.351004.151666.667
0.023333685.7142916.43755782-39.551007.481661.779
1.5833337.578947416.3734738439.41004.151658.537 1.258.816.43755782-4
2.81004.821661.779
0.025833658.0645216.50201877-88.821003.491665.034
1.758.571428616.37347384-18.051001.491658.537 28.516.437557822
2.051005.481661.779 1.259.614.639626576.451007.481568.266 1.5833339.473684214.7756185871004.151575.533 1.16666710.28571414.830546487
3.91006.811578.459 1.1666678.57142861
4.6666743-11.05100
5.481569.714 1.759.142857114.74826899-22.051009.471574.074 1.58.666666714.7482689943.31004.821574.074 1.759.142857115.025*******.771010.141588.785 1.758.571428615.0533497-23.151002.821590.271 1.08333310.15384614.9971805351.41010.81587.302 1.666667914.99718053 4.251008.811587.302 1.4166677.764705914.83054648-33.251009.471578.459 1.59.333333314.94132516-43.371008.141584.343 1.9166678.869565215.053349720.25100
6.151590.271 1.5814.85812536-28.81005.481579.926 1.2510.415.1666388556.611016.791596.244 0.9166679.818181814.7756185825.43100
7.481575.533 2.25814.6396265-33.031010.14156
8.266 1.416667
9.176470615.22376362-15.481008.141599.247
1.08333310.15384614.9135144196.691009.47158
2.868
2.4166679.103448314.39952735-135.571008.141555.352 1.6666678.414.42591219-44.541006.811556.777 1.259.614.4259121932.081004.151556.777 1.8333338.181818214.37321484-8.15100
3.491553.931
炉前铁水碳硅含量的测定 一般来说，在碳硅分析仪实际测定钢铁合金时，碳、硫的连续测定中，难点是硫。其3个原因。原因如下： 一、铁中硫的含量比碳低得多，含量越低，测定越困难； 二、钢铁中的硫化物（MnS、FeS)比相应的碳化物的燃烧反应比相应的碳化物要困难得多， 三、比较燃烧后的产物，二氧化硫有有副反应发生，在一定的条件下易转化成三氧化硫，而二氧化碳无此现象。由于这些原因硫的测定比碳困难得多，而且测定的准确度也有效期。这种情况后来我们工程师经过多方认证在电弧炉使用添加剂，添加剂在电弧炉中的作用除助熔剂外还有引弧、稳燃、改性，供热等性能，一般添加剂是锡粒、硅粉、三氧化钼的混合物。更多碳硅分析仪连续测定钢铁合金时的注意事项的资料，可咨询南京诺金高速分析仪器厂技术部。 碳硅分析仪产品特点： 1、碳硅分析仪测量结果数显直读，测量时间为2-3分钟，便于
铸造工程师现场配料。 2、仪器测温范围：C%：2.8%-4.2%，Si%：0.9%-3.0%，CE%： 3.2%- 4.83%。 3、仪器操作简单，免维护，一般的炉工即可现场使用。 4、仪器可测量孕育前或孕育后的铁水，这是国内仪器无法做到的,这项技术填补了国内空白。 5、仪器能自动控制重要冶金参数。它对灰白凝固铸铁自动进行测量，免去了人工操作。可以连接大型远程显示器、信号灯、计算机、打印机。 碳硅分析仪测量原理： 通过微处理器进行温度曲线的采集，通过铁水结晶法来测量计算碳硅成份及铁水品质，通过改进的求值方法进行工作，能自动控制重要的冶金参数，弥补“光谱"难以测准非金属元素（C、Si）之不足，以及常规分析仪器不能满足炉前快速分析的时间要求，满足铸造生产的质量控制要求。 南京诺金高速分析仪器厂 2018年9月20日
高炉铁水硅含量的预测模型 摘要 本文针对高炉炼铁的实际问题，综合考虑料速，透气性指数，铁量差，风温，风量等对铁水硅含量影响，根据资料和数据分析提取主要参数，建立了BP神经网络和RBF 网络的组合预报模型对铁水硅含量进行预测。 首先，建立BP神经网络模型，根据提取出来的主要因素，确定高炉铁水硅含量的三层网络模型，利用题目给出的近期某高炉的159组生产数据，将数据标准化，进行归一化处理，然后采用前109组数据对BP神经网络进行训练，最后用后50组数据进行数据预测，运用SPSS软件将预测结果与实际结果进行对比，结果显示此网络模型对铁水硅含量的预测命中率达到74%。 其次，针对BP神经网络收敛速度慢和易于陷入极小值的问题，应用RBF网络模型对其进行改进，引用高斯函数来替代隐含层的经验计算公式，运用MATLAB软件对前109组数据进行函数逼近，增加神经元数量，经过逐次逼近，到达预期的精确度。然后再用此网络后50组数据进行预测，把预测结果与真实结果相比较，得到相应的比较图，结果表明RBF网络模型的预测结果比BP神经网络模型精度提高了很多，命中率达到了82%，基本可以反映高炉的生产实际。 最后，本文把BP神经网络模型和RBF网络模型的预测结果进行了对比，同时根据高炉内部反应机理的特点，结合两个模型优势，建立了组合预报模型，即把两种方法预测出来的结果取平均值。将组合预报模型预测的铁水硅含量与实际值相对比，结果显示命中率提高到了90%，使预测模型更加具有生产实际应用价值。 关键词：BP神经网络归一化 RBF网络组合预报 MATLAB SPSS
一问题的重述 高炉炼铁是应用焦炭、含铁矿石和溶剂（石灰石、白云石）在竖式反应器——高炉内连续生产液态生铁的方法。它是现代钢铁生产的重要环节。 高炉炼铁是一个非常复杂、高度藕合的非线性系统，影响正常生产的因素非常多，而高炉炉温（即铁水硅含量）是决定高炉生产是否顺行的主要指标。控制高炉炉温（即铁水硅含量）是控制铁水数量和质量的有效手段。 事实上，影响铁水硅含量（即炉温）的因素很多，大体上分为两大类：状态参数和控制参数。状态参数包括料速、透气性指数、风口状况、铁水与炉渣成分等；控制参数包括入炉原料的性质(成分、比重、配料比等)、装料方式、风量、风温、富氧量等，各个因素之间也存在交互影响。这些参数能反映高炉炉温的变化。在正常状态下，炉温向凉时，风量会有所上升、风压平稳逐步下降、料速增大、透气性指数增大。下面简要介绍几种与铁水硅含量有关的重要参数： 1.料速是判断高炉炉况的一个重要参数。料速的变化可以反映炉温的状态。当炉温向热时，料速由快变慢，当炉温向凉时，料速由慢变快。 2.透气性指数是判断炉温与炉况顺行的一个重要参数，它的值在某一范围内，表示炉况顺行，小于某一数值，表示炉况难行，更小时就表明炉子悬料。 3.铁量差指的是理论出铁量与实际出铁量之差。当铁量差为一个较大的正值时，说明炉缸里还有一定量的铁水未出尽，这些滞留的铁水使铁水硅含量升高。如果铁量差保持在较小的范围内，表示炉缸保持热平衡状态。当铁量差为较大的负值时，炉缸的热平衡被打破，导致铁水硅含量降低。 4.风温对高炉冶炼过程的影响，主要是直接影响到炉缸温度，并间接的影响高炉高度方向上温度分布的变化，以及影响到炉顶温度水平。 5.风量引起的炉料下降速度和初渣中F eO的含量的增减，以及煤气流分布的变化，都会影响到煤气能的利用程度和炉况顺行情况，这也表示对高炉内直接还原和间接还原的比例有一定的影响，这些都会影响到炉缸温度。 表中给出近期某高炉的生产数据，试根据生产数据建立铁水硅含量与各影响参数的数学预测模型。 二问题的分析 此题是一个数学预测模型，根据近期某高炉的生产数据，建立合理的模型来预测铁水硅含量，从而通过控制铁水硅含量来控制控制铁水数量和质量。 首先，我们需要找出影响铁水硅含量的各影响因素。根据题意可以提取出影响铁水硅的主要因素为料速，透气性指数，铁量差，风温，风量，而表格中给出的数据却没有直接的数据。因此需要查阅资料分析计算得到这些参数。 其次，综合考虑影响铁水硅含量的相关因素，对数据进行处理，建立模型并求解。具体可分三步进行： ⑴建立基本模型BP神经网络模型，取前109组数据进行学习训练，后50组数据用来预测铁水硅含量。 ⑵分析BP神经网络模型的缺陷，在此基础上将计算隐含层经验函数用高斯函数，即为RBF网络模型，使训练时间减少，并提高预测精度。 ⑶综合上述两个改进模型，提出组合预报模型，综合两个模型的优点，得出更精
《高炉铁水硅含量》阳海彬，张炳怀等。 Si CO SiO f P a T Si lg 303.2ln 2ln 114.6294.34]ln[2--+- = （1） T 为高炉内炉渣温度（单位K ），可近似看做与铁水温度相等，计算时采用铁水温度。 查书可得到元素i 对铁水中Si 的一级相互作用系数i Si e ，铁水中Si 的活度系数 可以根据对数加和率进行计算： ] [03.0][025.0][058.0][056.0] [11.0][002.0])[023.0380( ])[089.05.34( lg Ti V Al S P Mn C T Si T f Si ++++++-++= （2） SiO2在CaO-MgO-Al2O33-SiO2-MnO-TiO2-V2O5渣系中的活度2SiO a 可由下列半经验公式确定： )7552.0364.4()1( 2 23 21 2SiO SiO n SiO N N K a -= （3） 其中，K 1为系数；N SiO2为CaO-MgO-Al2O33-SiO2-MnO-TiO2-V2O5渣系中SiO2的mol 分率；n 为可调参数： 182 80i 711024060i 56102 4060i 56 5223223 22 1O V O T MnO O Al MgO O S CaO O Al MgO O S CaO K ++++++ + + = （4） 182 80 i 71 102 40 60 i 56 60 i 5223222 2O V O T MnO O Al MgO O S CaO O S N SiO +++ ++= （5） 根据高炉的一些历史数据，选用合适的可调参数n 可以对计算值起到一定的修正作用。n 是通过预测数据与历史数据的误差进行调节的。要在工厂运行期间调试。 因此，由炉渣成分可计算2SiO a ，由铁水温度及成分可计算铁水中Si 的活度系数Si f 。炉内CO 分压CO P 可近似看做与鼓风压力相等。一般在2~3之间。
高炉铁水含硅量 刘晓英 西安建筑科技大学冶金工程学院陕西西安 摘要：为了有效地控制高炉冶炼过程，多年以来，对铁水Si含量预测方法的研究始终是生铁生产中的重要课题。目前，混沌时间序列预测法①在天气水电等方面得到成功的应用，本文基于混沌加权一阶局部预测法模型②，在预测器拟合过程中，采用矩阵、向量拟合取代单一变量拟合，对预测模型进行了一定的修正，随后选取国内有代表性的中型高炉为例，对[Si]含量数据进行离散预报，取得良好效果，并得出混沌特征参数Kolmogorov熵③的大小直接影响着预报命中率的高低。其越大，系统越复杂，Si含量预报命中率就越低，而对同一座高炉，熵值决定后续Si含量序列的波动情况，也会对预报命中率产生影响。 关键词：高炉冶炼铁水含硅[Si]量可预测性混沌预测模型 中图分类号：TF 对高炉复杂系统的建模与控制是当今冶金科技发展的前沿课题，其中对高炉炉温的预测与控制是难点所在。长期以来，多数工作是将高炉冶炼过程视为随机过程加以建模和控制，建立了一系列的高炉铁水含硅量[si]预测模型。这些模型在不同时期及不同生产条件下都曾起到一定的作用，但同时也各有一定的局限性，因此有必要建立新的[si]预测模型．非线性动力学的研究 表明，一些看起来貌似随机的过程实际并不是随机的而是混沌的。因此，可以尝试从混沌动力学的角度智能地剖析高炉冶炼过程来预测[si]。 文献④通过计算饱和关联维数定量的证明了山东莱钢1号高炉、山西临钢6号高炉冶炼过程具有混沌性，这为将混沌时间序列预测方法用于这两座高炉的[si]预测提供了理论依据．本文在文献④的基础上，对前述两座高炉的[si]进行了混沌局部线性一步、二步预测，取得了很好的效果。 高炉冶炼过程是一个高度复杂的非线性过程，仅从化学反应动力学⑤角度考察，据不完全统计，炉内发生的主要学反应就多达108种。高炉炼铁工艺中，通常以铁水[si]含量反映高炉炉缸的物理温度，简称炉温，把它作为冶炼程控制的主要指标．由于铁水[si]的控制与高炉冶炼过程的炉况稳定性、生产效率(利用系数)、能耗(比)和铁水质量([Js])之间关系密切，因此，对[si]的操作控制技术成为衡量高炉工长操作水平高低的重要依据⑥。国内外开发出来的“炉炼铁优化专家系统”，衡量其水平高低的关键指标之一就是看[si]预报和控制效果。 目前，对铁水[si]的预报工作大多建立在随机性序列基础上，效果并不理想，特别是对于我国现有的大量炉况波动较大的中小高炉，[si]预报和控制依然是个难题．自从Mandelbrotl975年提出分形(fractal)概念以来，以邯郸钢铁公司7号高炉在线采集的2000炉铁水含硅量[si]数据为样本，对[Si]时间序列作了基于逆序数的平稳性检验．然后，在关联积分的基础上，定义了衡量不同时间序列间动力学相似性的“距离”，通过等分采集得到的[si]序列，计算子序列间的“距离”，发现了高炉冶炼过程中存在显著的动力学结构突变性，最后应用DVV算法分析动力学性质变动下，高炉铁水含硅量[Si]的可预测性⑦。 混沌局部线性预测模型能够很好地用于莱钢1号高炉、临钢6号高炉铁水含硅量预测，在『Si]+0．1％的范围内，一步预测的命中率均在80．0％以上，有的甚至近90．O％，对于国内中小型高炉的其他预测模型还难以达到如此命中效果，对实际生产有很好的指导作用．分析结果表明[si]序列的方差不具备平稳性；然后，从高炉冶炼过程内部动力学突变性的角度解释[Si]序列的不平稳性，通过关联积分定义了度量时间序列间动力学“距离”的物理量d。，从而有效地检测了高炉冶炼规律发生突变的具体炉次；最后运用DVV算法对[Si]序列做定性的确定性分析；虽然高炉冶炼过程的内部动力学结构变动频繁造成诸多预报和控制模型应用效果不理想归1，但是这种演化过程是由众多有序行为(喷煤、调节风量、高炉热惯性等)组合而成的，DVV检验结果体现出较强的确定性，对[si]序列做满足工业要求的短期预测控制1剖是可行的． 利用重标级差分析(R／S)和盒维数计算方法，以山东莱钢1号高炉和山西临钢6号高炉在线采集的[si]时间序列为样本，证明高炉[si]时间序列长程负相关的分形时间序列，找到了以往把[si]序列当作随机序列处理的诸多预报和控制模型应用效果不理想的根源．同时对统
高炉铁水硅含量预测模型 一、摘要 1.模型概述： 高炉炼铁是钢铁工业的上游主体工序，作为国民经济支柱产业的重要组成部分，它对钢铁工业的发展与节能降耗都有重要的地位。高炉冶炼过程是一个高度复杂的过程，其运行机制往往具有非线性、时变、高维、大噪声、分布参数等特性，其自动化是20世纪下半叶以来冶金自动化领域一直没有攻下的自动化学科难题。高炉炉温预测模型是炼铁过程自动控制的核心数学模型，而提高炉温预测命中率是模型开发的关键难题。 本文针对高炉炼铁过程中铁水温度的高低问题，寻找炉温，即高炉铁水硅含量，与各个参数之间的关系，试图建立铁水硅含量的预测模型。该模型将主要采用回归模型的思路，利用最小二乘法等算法，根据所给的实际生产数据计算出料速、透气性指数、铁量差、风温与风量之间的关系，并通过这些参数与高炉铁水硅含量的关系对炉温进行有效的预测 本文在高炉炉温控制方程的基础上，将其离散差分方程视作一种变系数的线性方程，利用变系数回归的相关理论，对该方程进行参数估计，从而建立了高炉铁水w(Si)预测控制的变系数回归模型。 2．关键字： 变系数，回归模型，最小二乘法，铁水硅含量
二、问题的提出 基本情况与问题重述 高炉生产时从炉顶装入铁矿石、焦炭、造渣用熔剂（石灰石），从位于炉子下部沿炉周的风口吹入经预热的空气。在高温下焦炭（有的高炉也喷吹煤粉、重油、天然气等辅助燃料）中的碳同鼓入空气中的氧燃烧生成的一氧化碳和氢气，在炉内上升过程中除去铁矿石中的氧，从而还原得到铁。炼出的铁水从铁口放出。铁矿石中未还原的杂质和石灰石等熔剂结合生成炉渣，从渣口排出。产生的煤气从炉顶排出，经除尘后，作为热风炉、加热炉、焦炉、锅炉等的燃料。高炉冶炼的主要产品是生铁，还有副产高炉渣和高炉煤气。 本文将根据某一组特定的高炉生产数据，建立铁水硅含量与各影响参数的数学预测模型。事实上，影响铁水硅含量（即炉温）的因素很多，大体上分为两大类：状态参数和控制参数。状态参数包括料速、透气性指数、风口状况、铁水与炉渣成分等；控制参数包括入炉原料的性质(成分、比重、配料比等)、装料方式、风量、风温、富氧量等，各个因素之间也存在交互影响。这些参数能反映高炉炉温的变化。在正常状态下，炉温向凉时，风量会有所上升、风压平稳逐步下降、料速增大、透气性指数增大。 从大量的资料查阅获知如下情况： 1．料速的变化可以反映炉温的状态。当炉温向热时，料速由快变慢，当炉温向凉时，料速由慢变快。料速的大小可以通过每小时下料批次来计算获得。 2．透气性指数的值在某一范围内，表示炉况顺行，小于某一数值，表示炉况难行，更小时就表明炉子悬料。 3．铁量差指的是理论出铁量与实际出铁量之差。当铁量差为一个较大的正值时，说明炉缸里还有一定量的铁水未出尽，这些滞留的铁水使铁水硅含量升高。如果铁量差保持在较小的范围内，表示炉缸保持热平衡状态。当铁量差为较大的负值时，炉缸的热平衡被打破，导致铁水硅含量降低。 4．风温主要是直接影响到炉缸温度，并间接的影响高炉高度方向上温度分布的变化，以及影响到炉顶温度水平。高炉鼓风的温度。风温越高，鼓风带入炉内的热量越多，高炉的燃料比越低。因此，通常都将风温用到高炉可能接受的最高水平。高炉接受风温的程度主要决定于冶炼条件。原料、燃料质量越好，喷吹燃料越多，鼓风湿度越高，炉况越稳定、顺行，高炉能接受的风温越高。中国高炉风温多在900～1250℃之间；工业发达国家的高炉风温多在1150～1350℃之间。增减风温是调节炉况的重要手段，提高风温可以使炉温升高，降低风温可以使炉温降低。但先进的高炉多把风温稳定在最高水平，而用调整燃料喷吹量或鼓风湿度的办法来调节炉况。只有在非常必要时才降低风温。这样可以获得较低的燃料比。 5．风量引起的炉料下降速度和初渣中FeO的含量的增减，以及煤气流分布的变化，都会影响到煤气能的利用程度和炉况顺行情况，这也表示对高炉内直接还原和间接还原的比例有一定的影响，这些都会影响到炉缸温度。单位时间进入高炉的风在标准状态下的体积(m3/min或m3/h)。在相同条件下，风量越大，产量越高。高炉风量首先取决于高炉容积，一般是每立方米炉容2．0～2．2m3/min。由于风量的测定常因漏风和仪表本身误差而失准，而风量又与焦炭和喷吹燃料的消耗量成正比，故高炉操作人员多习惯于以冶炼强度来估量风量。又因在同一条件下，高炉上料批数与风量成正比，故高炉操作者实际上是按上料批数来控制风量的。冶炼强度取决于原料、燃料质量和冶
高炉炼铁影响铁水含硫量因素的分析 赵亮何志军靳晓勤依卓李远游靳恩东 （辽宁科技大学，鞍山 114051） 摘要本文运用Minitab进行数学分析某炼铁厂高炉生产数据，确定得出影响高炉铁水硫含量的因素有富氧率、铁水温度、焦炭灰分、铁水硅含量以及风温；同时对铁水硫含量以及其影响因素进行回归分析、方差分析和稳定性分析得出高炉铁水硫含量与其影响因素的关系式为：S%=0.3137-0.00018555T-0.002781X-0.031342Y，其中T为高炉铁水温度，℃；X为富氧率；Y为铁水硅含量。 关键词 Minitab 硫含量高炉冶炼 Analysis of Blast Furnace Ironmaking Factors Affecting Sulphur Content in Hot Metal Zhao Liang He Zhijun Jin Xiaoqin Yi Zhuo Li Yuanyou Jin Endong (University of Science and Technology Liaoning, Anshan, 114051) Abstract This paper mathematically analyzed the production data of the iron blast furnace with Minitab, which indicates that the factors affecting the sulfur content in hot metal are the ratio of oxygen enrichment, the molten iron’s temperature, coke ash, the silicon content of molten iron as well as the blast temperature. At the same time, it carried out regression analysis, variance analysis and stability analysis to investigate the sulfur content in hot metal and its influence factors, from which it can conclude the relation of the sulfur content in blast furnace and its influence factors is as following: ℃S%=0.3137-0.00018555T-0.002781X-0.03Si%. The T is for the temperature of the molten iron in blast furnace , and the X is for the ratio of oxygen enrichment. Key words Minitab, sulfur content, blast furnace process 1 前言 随着世界经济的发展，高新技术的广泛应用，各个行业对钢材质量的要求越来越高。一般地说，市场要求钢材具有强度高、低温韧性好、冷成型性能和焊接性能良好等特性。硫是钢铁产品中的一种有害元素，它对钢的性能存在多方面的影响。从冶炼角度考虑，要求每道工序都要尽可能地降低产品中的硫含量，从而达到降低成本，增加效益的目的，而高炉炼铁中，无论从动力学还是热力学来讲都有利于硫的脱除。因此在目前形势下，对高炉炼铁这一工序而言，怎样降低铁水中硫含量是一项重要的课题。高炉铁水的脱硫是整个钢铁生产中最重要的脱硫环节，也是冶炼优质生铁的首要问题。所以探究高炉生产因素对高炉铁水硫含量的影响规律就显得尤为重要。经过相关分析和高炉操作者的经验得到在高炉生产诸多影响因素中铁水硅含量、铁水温度、富氧率、焦炭灰分以及风温对铁水硫含量影响较大，其中硅含量可以影响到硫的活度，使硫可以更辽宁省教育厅基金（L2011041）和辽宁科技大学重点基金（2012CX05）。 赵亮，男，硕士，从事钢铁冶金研究工作，934063251@https://www.doczj.com/doc/573487596.html,
太钢高炉降低铁水硅含量的实践 1. 概况 太钢不锈钢股份有限公司目前有三座高炉，炉容分别为3号炉1800m3、4号炉1650m3、5号炉4350m3。1991年~1998年上半年，4号高炉第一代(1350m3)烧结矿配比只有55％~65％，大量使用了进口球团矿。2002年底尖山铁矿提铁降硅工程投入使用，烧结矿品位提高到59%~60.3%，SiO2降低到4.5~5%，将烧结碱度提高到1.75~1.85%。2003年一季度高炉入炉品位达到60.36%，之后高炉综合入炉品位长期保持在60％左右，渣铁比减少到270~290kg/t。4号高炉第二代(1650m3)2000年11月扩容大修后投产，目前已到炉役后期。5号高炉2006年10月份投产后利用系数、煤比和燃料比逐年进步，但铁水硅含量平均值高且稳定性差，2008年平均[Si]0.52％，σ[Si]达0.193％，个别月份高达0.247％。3号高炉2007年7月扩容大修后投产，顺行状况相对最好，但使用的料种杂，成分、粒度及性能变化区间宽。煤比提高到190kg/t以上时，干除尘灰碳含量增加，在高系数、高煤比、较低燃料比冶炼条件下，渣铁排放的负荷加重。 2008年下半年以来，钢铁产品出厂价格和使用的原燃料价格比以往发生了较大幅度的变化，炼铁系统降低生产成本提升EV A成为生产的主流。许多降低铁水含硅量的措施与降成本提升EV A的方向是一致的，如多用烧结矿，少用球团矿，喷吹用煤多配烟煤，少配无烟煤。为确保各高炉不同生产条件下，实现长周期炉况稳定顺行和低硅低硫高温铁水冶炼，太钢进行了较长时间的探索，并取得了一定的阶段成效。 2. 太钢高炉铁水硅含量长期偏高的原因分析 2.1. 原燃料条件相对较差 太钢三烧的烧结矿与宝钢比，同样碱度时转鼓强度低3％以上，酸性氧化球团矿SiO2含量比宝钢使用的酸性球团矿高0.9％。2008年5号高炉综合含铁炉料的三元碱度(CaO＋MgO)/SiO2平均为1.54，3号、4号高炉平均分别为1.52、1.58。各高炉含铁炉料中峨口铁矿自产的酸性氧化球团配比较高，虽然综合入炉品位在60％左右，但软熔温度偏低，造成软融带位置高，软熔层厚，初渣过早形成，滴落行程长，铁水增硅过程长，初渣中