高炉铁水硅含量的预测模型

高炉铁水硅含量的预测模型

摘 要

高炉铁水的硅含量是衡量生铁质量和冶炼技术水平的一个重要指标，同时硅含量变化的幅度和频率又直接反映了冶炼生产过程的稳定性。对高炉炉温水平和炉温变化趋势做出及时准确的预测是高炉过程控制的前提。高炉铁水硅含量作为表征高炉产品质量和炉热状况的重要指标，其预测问题一直是人们所重视的。所以我们建立模型来预测高炉中的铁水硅含量。

本文根据料速、透气性指数、铁量差、风温、风量及高炉中各元素的含量为参数，建立了多元线性回归模型和BP 神经网络模型。其中多元线性回归只是用于和BP 神经网络进行对比。

模型一：多元线性回归模型

我们选取了24个变量做预测，由于各变量之间的相关性，在做多元线性回归模型前，我们先对变量进行了主成分分析，最后确定了8个主成分，用i F 表示第i 个主成分，（8,,2,1 =i ）这8个主成分包含了24个变量近80%的信息。最后得出了多元线性回归模型：

8765321041.0011.0025.0005.0058.0070.0003.0183.63F F F F F F F Y -+---++=

模型二：BP 神经网络模型

在模型一拟合度检验时发现，模型一虽然通过了显著性检验，但某些变量显著性水平不高，且拟合效果不良好。对于这种多参数的预测问题，命中率不是很准确，所以我们建立了BP 神经网络模型，正好解决这种预测逼近的问题。

由于高炉炼铁中影响正常生产的因素非常的多，而且非常的杂乱，因此我们首先筛选影响参数，根据主成分分析结果，我们确定了9个参数为输入向量，在输入至网络前，需要先对数据进行处理，得到网络可用数据后开始在MATLAB 中对网络进行训练，附件中数据有159个样本，我们选取前100个样本作为训练样本，后59个作为检验预测结果的样本，对训练样本数据进行处理后，将可用数据输入网络，对网络进行训练，训练完成之后，得到的网络就具有预测功能，网络得到后，开始检验网络预测的准确性，将检验样本数据处理后输入网络，使网络对输入向量进行结果预测，将预测结果与样本进行比对，得出预测结果的误差，对最终的误差进行分析可知BP 网络模型对高炉炼铁的铁水硅含量预测有比较准确的命中率。

关键字：铁水硅含量 多元线性回归模型 BP 神经网络模型 拟合度 预测

一、问题的重述

高炉炼铁是现代钢铁生产的重要环节，且是个复杂的高温物理化学过程，精确掌握炉内的温度分布上不可能，所以一般要通过预报高炉炉温(铁水硅含量)来间接地反映炉内的温度变化，判断高炉炉缸热状态，并以此来调控高炉行程、能量消耗及生铁质量。

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。

其中几个重要的影响参数为：

（1）料速是判断高炉炉况的一个重要参数；

（2）透气性指数是判断炉温与炉况顺行的一个重要参数；

（3）铁量差指的是理论出铁量与实际出铁量之差；

（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。

现在要求我们根据表中给出的近期某高炉的生产数据，试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

高炉铁水硅含量的高低反映了高炉冶炼过程的热状态及燃烧比。维持稳定且较低的铁水硅含量是炉况稳定并产生较低燃烧比的直接保证。

对于本问题中铁水硅含量的预报有很多方法，如传统的ARMA模型，但是由于高炉生产过程的复杂性，尤其在不断提高喷煤量之后，炉况的波动更加剧烈和复杂，采用ARMA模型已经很难准确的描述铁水硅含量的预测模型。然而最近提出的神经网络模型能够以实验数据为基础，经过有限次迭代，就可以获得一个反映实验数据内在规律性的参数组，尤其是对于参数众多的，规律性不明显的生产过程能发挥其独特性，此方法正好解决本文中参数众多且无规律的问题，所以本文采用神经网络的方法对铁水硅含量进行预报。为了使得我们建立的BP神经网络模型更具有说服力，同时建立了一个多元线性回归模型与之进行对比。

三、模型的假设和符号说明

（一）模型假设

1、铁硅量与原料混合时间有关，与起始时间无关；

2、用料全部都倒进高炉内，在反应开始前无残留；

3、原始各变量相互不独立，具有相关性。

（二）符号说明

a：第i个主成分，第j个变量的权数

ij

0β：为回归常数

i

β：多元线性回归系数（i =1,2，…p ） ij

X ：第i 个主成分的第j 个变量值

i F ：第

i 个主成分

四、模型的建立及求解

（一）模型一：多元线性回归模型

1.模型一的建立

多元线性回归模型的一般形式

01122p p y x x x ββββε=+++++

式中，0β为回归常数，i β（i =1,2，…p ）称为回归系数，y 称为被解释变量，

即因变量；而p x x x ，，

， 21是p 个可以精确测量并可控制的一般变量，称为解释变量，即自变量。

对于一个实际问题，如果我们获得n 组观测数据（i 21y ；，，

，ip i i x x x ）（i =1,2，…，n ）则线性回归模型可表示为

?

???

?

?+++++=+++++=+++++=n

np p n n n p p p p x x x y x x x y x x x y εββββεββββεββββ 2211022222211021112211101 （1.1）

由于大量的参数变量间并非相互独立，各个因素之间也存在交互影响，因此

我们采用主成分分析法，把各变量之间互相关联的复杂关系进行简化分析。

建立主成分函数

∑

==

24

1

j ij

ij x a Fi （1.2）

最后将i F 看做一个新的变量，建立多元回归分析模型

m m F F F Y ββββ++++= 22110 （1.3）

2.模型一的求解

根据上面原理，利用SPSS 软件进行主成分分析求解，结果如表1。

表1 主成分矩阵

根据表1结果，得到主成分i F 的表达式。

??????

??????

?

??

?

?+++=-+----+-=+-+----+++--+++--++++-+-=-++-+--++-++++++++++++-=824

82818324373635343332313224223222221220219218217216

215214************

29282726252423222121241231221211201191181171161151141131121111101918171615141312111763.0022.0004.0192.0424.0521.0533.0530.0416.0202.0151.0234.0217.0045.0096.0161.0010.0038.0075.0092.0031.0296.0243.0926.0927.0929.0105.0173.0105.0096.0150.0141.0195.0094.0095.0215295.0413.0364.0327.0246.0216.0107.0065.0047.0416.0563.0166.0163.0161.0516.0555.0658.0680.0745.0772.0789.0811.0828.0X X X F X X X X X X X X F X X X X X X X X X X X X X X X X X X X X X X X X F X X X X X X X X X X X X X X X X X X X X X X X X F （1.4）

同时将求得的i F 值多元回归分析，结果如表2： 故拟合多元线性回归方程

8

765321041.0011.0025.0005.0058.0070.0003.0183.63F F F F F F F Y -+---++=（1.5）

表2 回归系数

3.模型一的检验

要看回归效果如何，对回归方程进行显著性检验，即看自变量

m

F F F ，，， 21从整

y

是否有显著的影响。为此提出原假设

0H ：021===m βββ （1.6）

如果0H 被接受，则表示随机变量y 与m F F F ，，， 21之间的关系由线性回归模型

表示不合适。为了建立对0H 进行检验的F 统计量，利用总离差平方和的分解式

21

2

1

2

1

)?()?()(i n

i i

n

i i

n

i i

y

y

y y

y y

-+

-=

-∑∑∑-== （1.7） 简写为

SSE SSR SST += （1.8）

构造F 检验统计量如下

)

1/(/--=

m n SSE m SSR F （1.9）

在正态假设下，当原假设0H ：021===m βββ 成立时，F 服从自由度为

)1,(--m n m 的F

分布。于是，可以利用F 统计量对回归方程的总体显著性进行

检验。给定的显著性水平α（取α=0.05），查F 分布表，得临界值)1,(--m n m F α.

当F >)1,(--m n m F α时，拒绝原假设0H ，认为在显著性水平α下，y 对，1F 2F …m F 有显著的线性；

反之，当F ≤)1,(--m n m F α,则认为回归方程不显著。

表3方差分析表

。

表4

Sig为显著性水平检验，Sig<0.05表示变量回归性显著。由表4可看出变量通过了显著性水平检验，但表2却反映，虽然变量通过了显著性水平检验，但某些变量，即F1、F2、F5、F7显著性水平较弱，（F1、F2、F5、F7分别对应表五中的Y1、Y2、Y5、Y7）。

将预测值和实际值汇在散点图上可直观的反映拟合效果，散点构成的直线基本倾斜向右上方，但离散程度过大，故方程的拟合效果不尽理想。此方法不适合用于此类的预测问题。

图1 炉温指数散点图

（二）模型二：BP神经网络模型

1. 模型结构的确定

BP神经网络模型可以拟合任意一个非线性映射，由输入层、隐藏层和输出层三部分组成。其基本的结构如图2所示。

图2 BP神经网络层次图

（1）输入层的确定

神经网络的输入层起缓冲存储器的作用，其向量的数目相当于所研究问题的独立变量数目。为了有效地进行铁水硅含量的预报，本模型结合题目本身所给的数据，同时考虑到不同参数对铁水硅含量的时间滞后性，对其作了精心的筛选，共选择9个参数作为网络模型的输入结点，如表5所示。

（2）隐含层的确定

隐含层神经元代表网络输入与输出之间的非线性程度，对模型的训练速度和预报能力有着重要影响，神经元数太少影响网络在输入层提取有价值的特征，网络可能训练不出来或网络不“强壮”，容错性差。但神经元个数太多又使学习时间过长，误差也不一定最佳。所以没有统一的理论依据，本文中我们根据Kolmogorov定理，确定隐含层神经元个数为19。

（3）输出层的确定

输出层神经元的个数取决于系统对网络功能的要求，本模型要实现铁水硅含量的预测，故输出变量为铁水硅含量，即输出层神经元的个数为1。

因此在本文中，我们建立的神经网络模型结构为：9-19-1。

2. 样本集的确定

为完成对目标函数的逼近，在网络的构建训练和检测及结果评价的整个过程，首先要为网络提供一组适当数量的可靠样本。本文中给出了160组数据，由于数据太多，我们选取了部分数据，如表4所示。选定其中的1~100组作为训练样本，101~160组作为测试样本。

3. 数据处理

数据处理的目的是为神经网络的推理提供较为准确的参数。一般方法包括：时序化处理、归一化处理。

表5 铁水硅含量影响因子数据表

（1）时序化处理：

由于给出的数据中只有每铁次的值，因此需要将铁次的值转化成对应小时或序号的值，作为样本的中的输入参数。

（2）归一化处理

为避免由于输入变量单位不同、绝对值相差很大对神经网络模型的影响，需要对输入输出参数进行归一化处理。本模型的BP 网络采用Sigmoid 函数作为激发函数，即各节点的输入输出值应在[0,1]之间。因此，要对每一参数进行相应的转换，在不失其变化规律的前提下，把参数值都转换到[0,1]上。对于输入层的参数值采用如下式的线性转换方式。

(,)()0.9min ,() 1.1()0.9

max min x p i x i x p i x i x i -??-?act ()=

（2.1）

式中,x p i ()——样本P 中参数i 的样本值；(,)x p i act ——样本P 中参数i 的实际值；()m in x i ——样本集中参数i 的最小值；()m ax x i ——样本集中参数i 的最大值。

按上述方法得到的归一化数据如表6。(仅为每个样本输出层的数据，完整数据见附件)

表6 处理后输出层数据表

4.网络学习

（1）学习参数的确定

学习速率η和冲量系数α是两个学习时可供选择的参数，二者大小的选取直接影响网络的收敛稳定性和学习效率，合理选择η和α，可避免或减少系统误差的振荡。经过多次训练，我们选取η=0.14。

（2）BP 网络学习的步骤：

BP 网络学习的目的就是要获得最终的权值矩阵。归一化后的数据即可作为可靠性样本进行训练，本文中使用train 函数进行训练，经过数次训练后得出训练图3

图3 训练图

从图3中可知经过15步训练就达到了性能指标要求。最终炉温指数拟合如图

4

图4 炉温指数拟合图

05

1015

10

10

10

10

15 Epochs

T r a i n i n g -B l u e G o a l -B l a c k

Performance is 0.0018014, Goal is 0.002

图4中的误差情况如图5

图5 误差情况图

由图5中的数据可以看出，模型二的误差值最大时也仅仅为0 .1，其余误差大多集中在0附近，因此模型二作为一个预测模型有比较准确的命中率。

五、 模型的评价与改进

1. 模型评价

多元线性回归模型在选取变量时先进行了主成分分析，保证821F F F 、、、 这8个变量相互独立，满足多元线性回归的要求。可多元线性回归模型最终结果拟合度不高，对该问题的预测效果不佳。

本文其后运用了BP 神经网络模型进行预测，BP 神经网络具有模拟多变量而不需要对输入变量做复杂的相关假定的能力。它不依靠专家经验，只利用观察到的数据，可以从训练过程中通过学习来抽取和逼近隐含的输入／输出非线性关系。符合本题对模型的要求。从模型的预测结果也可以看出本模型具有很高的命中率。

2. 模型改进

（1） 模型一线性拟合效果不佳，可利用最小二乘法进行曲线方程拟合，对各种曲线模型的拟合度进行比较，选择拟合效果最好的模型。

（2） 本文中采用的BP 神经网络模型可以用RBF 网络来代替用来对模型的 改进。RBP 网络与BP 网络相比最大的不同在于，隐层的装换函数是局部响应的高斯函数，径向基网络所需要的训练时间比BP 网络要少。

（3） 模型二也可用BP 神经网络模型与时差方法相结合的方法对本模型的改进。

参考文献

[1] 薛薇，spss统计分析方法及应用（第二版），电子工业出版社，2009年；

[2] 何晓群，多元统计分析（第二版），中国人民大学出版社，2008年；

[3] 何晓群，应用回归分析（第二版），中国人民大学出版社，2007年；

[4] 马莉，MATLAB数学实验与建模，清华大学出版社，2010年；

[5] https://www.doczj.com/doc/6e296329.html,/p-1654695.html。

[6] https://www.doczj.com/doc/6e296329.html,/p-15743819.html。

[7] https://www.doczj.com/doc/6e296329.html,/view/9d127dd184254b35eefd3419.html。

[8] https://www.doczj.com/doc/6e296329.html,/viewthread-5767.html。

附录一：数据归一化处理程序代码

function Y=guiyihua(y,m,n)

%y为要处理的数据矩阵

%m为y矩阵行数

%n为y矩阵列数

%Y为返回处理后的矩阵

Y=zeros(m,n);

for j=1:n

min=10000;

max=-10000;

for i=1:m

if y(i,j)

min=y(i,j); % 求列最小值

end

if y(i,j)>max

max=y(i,j); %求列最大值

end

end

for k=1:m

Y(k,j)=(y(k,j)-min*0.9)/(max*1.1-min*0.9); %归一化函数end

end

附件二：主成分相关公式

F1=0.828*Ls-0.811*S+0.789*Ti+0.772*R+0.745*RR+0.680*Sz+0.658*CaO+0.555*铁水温度+0.516*F+0.161*K2O+0.163*FeO+0.166*Na2O+0.563*Si+0.416*P-0.047*实际产量+0.065*水渣量+0.107*铁量差-0.216*铁口工作深度-0.246*混合时间+0.327*Mn-0.364*SiO2+0.413*Al2O3+0.295*MgO-0.215*铁口工作泥量

F2=-0.095*Ls+0.094*S-0.195*Ti+0.141*R+0.150*RR+0.096*Sz+0.105*CaO-0.173*铁水温度-0.105*F+0.929*K2O+0.927*FeO+0.926*Na2O-0.243*Si-0.296*P+0.031*实际产量+0.092*水渣量+0.075*铁量差-0.038*铁口工作深度-0.010*混合时间-0.161*Mn-0.096*SiO2+0.045*Al2O3-0.217*MgO+0.234*铁口工作泥量

F3=0.151*Ls-0.202*S+0.416*Ti-0.530*R-0.533*RR-0.521*Sz-0.424*CaO+0.369*铁水温度-0.090*F+0.305*K2O+0.307*FeO+0.304*Na2O+0.596*Si+0.599*P+0.177*实际产量+0.197*水渣量-0.067*铁量差+0.013*铁口工作深度-0.147*混合时间+0.232*Mn+0.300*SiO2-0.275*Al2O3+0.075*MgO-0.192*铁口工作泥量

F4=0.057*Ls-0.220*S+0.024*Ti+0.210*R+0.245*RR-0.128*Sz+0.371*CaO-0.108*铁水温度-0.372*F-0.084*K2O-0.073*FeO-0.094*Na2O-0.053*Si-0.018*P+0.831*实际产量+0.761*水渣量-0.544*铁量差+0.196*铁口工作深度+0.368*混合时间+0.203*Mn+0.208*SiO2-0.223*Al2O3-0.335*MgO+0.174*铁口工作泥量

F5=-0.241*Ls+0.289*S-0.045*Ti-0.001*R-0.011*RR-+0.250Sz-0.263*CaO+0.206*铁水温度+0.078*F+0.047*K2O+0.045*FeO+0.033*Na2O+0.252*Si+0.116*P+0.269*实际产量+0.000*水渣量-0.472*铁量差+0.502*铁口工作深度+0.156*混合时间-0.277*Mn-0.418*SiO2+0.373*Al2O3+0.345*MgO-0.038*铁口工作泥量

F6=-0.098*Ls-0.053*S-0.072*Ti+0.148*R+0.186*RR-0.077*Sz+0.011*CaO+0.223*铁水温度-0.486*F+0.023*K2O+0.023*FeO+0.009*Na2O+0.061*Si+0.274*P-0.329*实际产量-0.339*水渣量+0.163*铁量差+0.371*铁口工作深度+0.436*混合时间+0.376*Mn-0.257*SiO2-0.280*Al2O3-0.067*MgO-0.226*铁口工作泥量

F7=0.033*Ls-0.077*S-0.098*Ti-0.091*R-0.081*RR-0.024*Sz+0.254*CaO-0.162*铁水温度-0.051*F+0.051*K2O+0.049*FeO+0.037*Na2O-0.136*Si+0.071*P-0.069*实际产量+0.034*水渣量+0.187*铁量差+0.331*铁口工作深度+0.232*混合时间+0.192*Mn+0.559*SiO2+0.484*Al2O3-0.475*MgO-0.061*铁口工作泥量

F8=0.004*Ls+0.022*S+0.125*Ti-0.067*R-0.082*RR+0.103*Sz+0.015*CaO+0.018*铁水温度+0.190*F-0.047*K2O-0.044*FeO-0.061*Na2O+0.187*Si+0.140*P-0.053*实际产量+0.111*水渣量+0.212*铁量差+0.203*铁口工作深度-0.082*混合时间-0.208*Mn+0.150*SiO2+0.157*Al2O3-0.283*MgO+0.763*铁口工作泥量

附件三：主成分及相应回归值

炉前铁水碳硅含量的测定

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

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

(采用)高炉铁水硅含量

《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

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

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

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/6e296329.html,

太钢高炉降低铁水硅含量的实践

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