转 基于RBF神经网络的转炉炼钢终点预报.pdf

第9卷第4期中国有色金属学报1999年12月

Vol.9No.4TheChineseJournalofNonferrousMetalsDec.1999

文章编号:1004-0609(1999)04-0868-05

基于RBF神经网络的转炉炼钢终点预报¹

1122
柴天佑谢书明杜斌任德祥
(1.东北大学自动化研究中心,沈阳1100062.宝山钢铁公司自动化研究所,上海201900)

摘要:转炉炼钢终点温度和成分是转炉炼钢的控制目标,它与吹氧量、铁水加入量等多个变量之间存
在着严重的非线性关系,且无法在线连续测量。作者提出了基于RBF神经网络的转炉炼钢终点温度及碳
含量预报模型,并结合某钢铁企业一座180t转炉的实际数据进行模型验证研究。结果表明,该方法收敛
速度快,预报精度高。
关键词:转炉;炼钢;预报;神经网络
中图分类号:TF721文献标识码:A

转炉炼钢是一个非常复杂的周期性降碳升陷入局部极值点。本文采用收敛速度快、逼近
温过程,其间存在很多难以定量的因素,建立能力强的RBF三层前馈网络[7~9],建立转炉
准确的数学模型非常困难[1],同时由于在整个炼钢终点温度及碳含量预报模型,解决了上述
冶炼过程中难以连续不断地获得准确的温度与问题。
成分的测量信息,难以实现对终点温度和碳含
量的有效控制,因而采用炼钢过程中的吹氧1炼钢过程动态模型
量、加入铁水量、副枪测得的钢水温度和碳含
量等输入量来预报终点温度及碳含量。基于炉转炉炼钢就是将含有较多杂质(主要为碳
[2]
气分析并采用卡尔曼(Kalman)滤波及自适和硅)的铁水,通过吹入氧气使其发生反应,
[3]
应最小二乘(ALS)算法的传统方法和基于吹达到去除杂质的目的,从而获得要求的钢水成
[4]
炼终点钢中自由氧含量的[O]F法对转炉炼分和温度。由于氧与这些杂质的反应大多为放
钢终点碳含量进行预报的方法精度比较低,且热反应,因而在冶炼过程中会产生大量的富余
不能预报终点温度。而基于副枪检测获得钢水热量。为了充分利用这部分热量,提高转炉炼
[4]
光谱分析的QV法对转炉炼钢终点碳含量进钢效率,冶炼前需要加入一些废钢,同时为了
行预报的精度虽然有了提高,但同样不能预报保证冶炼的顺利进行,造出有利于脱除杂质的
终点温度。若采用线性CARMA模型及对参数碱性渣,中间还要分批加入一些副原料(如石
的在线辩识自适应[5]来预报终点钢水温度及灰、白云石、萤石、矿石等)。因此,转炉炼钢

碳含量,则建模过于复杂,不易推广。当炼钢终点温度y1和碳含量y2与装入的铁水量x1,

工况变化大,影响预报精度时,采用对非线性废钢量x2,副枪测得的钢水温度x3,副枪测

系统具有很强逼近能力的神经网络)BP网对得的钢水碳含量x4,补吹氧气量x5,补吹石
[1,6]
转炉炼钢终点温度及碳含量预报,可提高灰加入量x6,补吹混料加入量x7,补吹铁皮

其预报精度;但是,BP网收敛速度慢,且容易加入量x8,补吹矿石加入量x9,补吹白云石

¹国家自然科学基金资助及国家/九五0重点攻关课题收稿日期:1998-11-10;修回日期:1999-08-09
柴天佑(1947-),男,博士生导师
第9卷第4期柴天佑等:基于RBF神经网络的转炉炼钢终点预报#869#

加入量x10有关。由于整个冶炼过程既有化学含量y^2。
反应又有物理变化,因此转炉炼钢是一个具有m
y^i=wio+6wij5(X-cj)(4)
多输入多输出、存在严重非线性的复杂系统,j=1
可用下列非线性系统方程来表示

y=f(x1,x2,,,x10)(1)

y1(t)
式中y(t)=,f(#)为参数与结构
y2(t)
未知的非线性函数。
由于神经网络可以逼近任意非线性函数,

因此可以用下列神经网络建模来预报y1(t)和

y2(t)

2基于RBF神经网络的终点预报
方法

图1终点预报神经网络
2.1RBF神经网络
Fig.1Neuralnetworkforendpointprediction
RBF网络是一个三层前向网络,包括输入
层、隐含层和输出层。为叙述方便,设网络的2.3网络中心与权值的确定
输入节点数为n,隐含节点数为m,输出节点RBF网络的输入层到隐含层为径向基函
数为1。数,而隐含层到输出层为线性关系,因而网络
中心对于网络实现非线性映射起着非常重要的
设RBF网络的输入为X=[x1,x2,,,
T作用,必须合理地确定网络的中心。网络中心
xn],则网络的输出为
m的确定有很多方法,这里采用如下k-均值聚
y=w0+6wj5(X-cj)(2)
j=1类算法确定网络中心:

式中w0IR为偏置项;wjIR(j=1,2,,,第(1)步从输入样本X(k)(k=1,2,,,
m)为隐含层到输出层的权值;5(#)为径向基