应用统计模式识别和人工神经网络研究转炉炼钢中的脱磷
|
摘要
模式识别和人工神经网络方法是处理数据的有用技术。特别适用于影响因素多、错综复杂的数据集，以提取有用信息。将模式识别和人工神经网络技术应用到转炉炼钢过程控制中，可在一定程度上克服常规模型的不足，提高终点命中率，为生产优化提供指导。
论文通过模式识别中的PLS(偏最小二乘法)分析，建立了转炉冶炼终点磷含量统计模型，由主成分映照图中找出提高磷分配比的参数优化方向。为了预测终点磷含量，建立了基于改进BP(前向反馈)网络算法的磷含量人工神经网络模型。调整网络参数，结合现场数据训练和预报，终点磷含量在偏差±0.002％的预测命中率达到74％。同时，利用模式识别和神经网络结合的PLS-BP降维网络设计了4个冶炼工艺参数点，预测的结果与理论和实际都比较符合。
PR (Pattern Recognition) and ANN (Artificial Neural Network) are effective methods of data processing. They are especially useful to the extraction of information from complicated data set influenced by many factors. Applying PR and ANN in the converter steel-making process has the advantages, which could get over deficiencies in general models in a certain extent, improve the hit rate of the end molten steel and guide optimization in production.
Through PLS(Partial Least Squares) belongs to PR, a statistical model of phosphorus distribution ratio Lp in LD converter processing was established and the optimized direction of parameters that improves Lp was confirmed from the principal components' mapping fig. For predicting end phosphorus content, an ANN model of end phosphorus content was established based on the improved BP(Background Propagation) network arithmetic. The hit rate of end phosphorus content gets 74% when error of predicting value range is from -0.002% to 0.002% through regulating network parameters and using real-time data. Moreover, four parameters points was designed using PLS-BP method, and its results accord with theory and practice preferably.
论文通过模式识别中的PLS(偏最小二乘法)分析，建立了转炉冶炼终点磷含量统计模型，由主成分映照图中找出提高磷分配比的参数优化方向。为了预测终点磷含量，建立了基于改进BP(前向反馈)网络算法的磷含量人工神经网络模型。调整网络参数，结合现场数据训练和预报，终点磷含量在偏差±0.002％的预测命中率达到74％。同时，利用模式识别和神经网络结合的PLS-BP降维网络设计了4个冶炼工艺参数点，预测的结果与理论和实际都比较符合。
PR (Pattern Recognition) and ANN (Artificial Neural Network) are effective methods of data processing. They are especially useful to the extraction of information from complicated data set influenced by many factors. Applying PR and ANN in the converter steel-making process has the advantages, which could get over deficiencies in general models in a certain extent, improve the hit rate of the end molten steel and guide optimization in production.
Through PLS(Partial Least Squares) belongs to PR, a statistical model of phosphorus distribution ratio Lp in LD converter processing was established and the optimized direction of parameters that improves Lp was confirmed from the principal components' mapping fig. For predicting end phosphorus content, an ANN model of end phosphorus content was established based on the improved BP(Background Propagation) network arithmetic. The hit rate of end phosphorus content gets 74% when error of predicting value range is from -0.002% to 0.002% through regulating network parameters and using real-time data. Moreover, four parameters points was designed using PLS-BP method, and its results accord with theory and practice preferably.
引文
[1] H. Trenkler:Practice of steelmaking, Springer-Verlog, 1984
[2] 余志祥：现代转炉炼钢技术(一)，炼钢，2001，17(1)：13—18
[3]R．D．佩尔克：氧气顶吹转炉炼钢(下册)，冶金工业出版社，1983
[4] 陈晨：转炉炼钢快速成渣工艺探讨，武钢技术，1998，7：9—13
[5] R.G. Ward:An Introduction to the Physical Chemistry of Iron & Stee] Making, Edward Arnold, 1962
[6] 梁连科等：冶金热力学及动力学，东北工学院出版社，1990
[7] 黄希轱：钢铁冶金原理，冶金工业出版社，1990
[8] G. Thornton and D. Anderson:Low phosphorue basic oxygen steelmaking practices in British Steel, Ironmaking and steelmaking, 1994,21(3): 247—251
[9] E.T. TURKDOGAN:Slag Composition Variation Cuasing Variations in Steel Dephoshorisation and Desulphurisation in Oxygen Steelmaking, ISIJ International, 2000, 40(9): 827—832
[10] 汪大洲：钢铁生产中的脱磷，冶金工业出版社，1986
[11] 李远洲：转炉炼钢工艺造渣制度的改善，钢铁，1985(1)
[12] 王惠文：偏最小二乘回归方法及其应用，国防工业出版社，1999
[13] 刘洪霖，包宏：化工冶金过程人工智能优化，冶金工业出版社，1999
[14] Sun-Mo JUNG:Foaming Characteristics of BOF Slags, ISIJ International, 2000, Vol. 40, No. 4:348—355
[15] 李远洲、孙亚琴：顶底复吹转炉合理造渣工艺的探讨，钢铁，1990，25(7)：16-21
[16] 苏天森等：转炉溅渣护炉技术，冶金工业出版社，1999
[17] 许东、吴铮：基于matlab6.x的系统分析与设计—神经网络，西安电子科技大学出版社，2002
[18] 杨尚宝等：铁水含硅量预报神经网络模型，北京科技大学学报，1995，17(6)：524-528
[19] 姚兵，杨天均：铁水硅预报神经网络专家系统的遗传优化生成，钢铁，2000，35(4)：13-17
[20] 刘金琨等：神经网络高炉铁水含硅量预报模型，东北大学学报，1996，17(6)：589-593
[21] 孙铁栋等：神经网络方法在预报高炉铁水硅含量上的应用研究，钢铁，31(3)：18-21
[22] 李家新等：神经网络在梅山高炉铁水硅含量预报中的应用，钢铁，36(5)：14-16
[23]王玉涛等：神经网络模型与时差方法结合预报铁水硅含量，钢铁，34(11)：7-11
[24]艾立群：人工神经网络在钢铁工业中的应用，钢铁研究学报，1997，9(4)：60-63
[25]W.E.Staib：智能电弧炉，国外钢铁，1994，19(3)
[26]刘贺平等：遗传机理神经网络在电弧炉炼钢模型识别中的应用，北京科技大学学报，1999，21(6)：588—561
[27]杨自厚：神经网络技术及其在钢铁工业中的应用第7讲，冶金自动化，1997，21(4)：45—49
[28]钢铁研究总院等：转炉炼钢过程控制中的人工智能技术，炼钢，1998，3：59-63
[29]柴天佑等：基于RBF神经网络的转炉炼钢终点预报，中国有色金属学报，1999，9(4)：868-872
[30]陶钧等：基于遗传算法和径向基函数神经网络的转炉炼钢模型，系统仿真学报，2000，12(3)：241-245
[31]黄云等：利用人工神经网络系统预报钢水温度，炼钢，2001，17(5)：43-46
[32]S.Y.Yun：运用神经网络对氧气顶吹转炉自动化进行动态预报，武钢技术，1997，35(6)：55-59
[33]杨立红等：基于自适应模糊神经网络系统的转炉终点磷的预报控制模型，钢铁研究学报，2002，14(4)：47-51
[34]原隆康：转炉终点动态磷控制技术开发，世界钢铁，2000，2：53-59
[35]郭进、刘洪霖等：计算机辅助材料设计的偏最小二乘法—人工神经网络研究，计算机与应用化学，1996，13(4)：253-256
[36]刘洪霖等：PLS模式空间返回方法及其应用于优化控制，模式识别与人工智能，1993，6(4)：339-342
[2] 余志祥：现代转炉炼钢技术(一)，炼钢，2001，17(1)：13—18
[3]R．D．佩尔克：氧气顶吹转炉炼钢(下册)，冶金工业出版社，1983
[4] 陈晨：转炉炼钢快速成渣工艺探讨，武钢技术，1998，7：9—13
[5] R.G. Ward:An Introduction to the Physical Chemistry of Iron & Stee] Making, Edward Arnold, 1962
[6] 梁连科等：冶金热力学及动力学，东北工学院出版社，1990
[7] 黄希轱：钢铁冶金原理，冶金工业出版社，1990
[8] G. Thornton and D. Anderson:Low phosphorue basic oxygen steelmaking practices in British Steel, Ironmaking and steelmaking, 1994,21(3): 247—251
[9] E.T. TURKDOGAN:Slag Composition Variation Cuasing Variations in Steel Dephoshorisation and Desulphurisation in Oxygen Steelmaking, ISIJ International, 2000, 40(9): 827—832
[10] 汪大洲：钢铁生产中的脱磷，冶金工业出版社，1986
[11] 李远洲：转炉炼钢工艺造渣制度的改善，钢铁，1985(1)
[12] 王惠文：偏最小二乘回归方法及其应用，国防工业出版社，1999
[13] 刘洪霖，包宏：化工冶金过程人工智能优化，冶金工业出版社，1999
[14] Sun-Mo JUNG:Foaming Characteristics of BOF Slags, ISIJ International, 2000, Vol. 40, No. 4:348—355
[15] 李远洲、孙亚琴：顶底复吹转炉合理造渣工艺的探讨，钢铁，1990，25(7)：16-21
[16] 苏天森等：转炉溅渣护炉技术，冶金工业出版社，1999
[17] 许东、吴铮：基于matlab6.x的系统分析与设计—神经网络，西安电子科技大学出版社，2002
[18] 杨尚宝等：铁水含硅量预报神经网络模型，北京科技大学学报，1995，17(6)：524-528
[19] 姚兵，杨天均：铁水硅预报神经网络专家系统的遗传优化生成，钢铁，2000，35(4)：13-17
[20] 刘金琨等：神经网络高炉铁水含硅量预报模型，东北大学学报，1996，17(6)：589-593
[21] 孙铁栋等：神经网络方法在预报高炉铁水硅含量上的应用研究，钢铁，31(3)：18-21
[22] 李家新等：神经网络在梅山高炉铁水硅含量预报中的应用，钢铁，36(5)：14-16
[23]王玉涛等：神经网络模型与时差方法结合预报铁水硅含量，钢铁，34(11)：7-11
[24]艾立群：人工神经网络在钢铁工业中的应用，钢铁研究学报，1997，9(4)：60-63
[25]W.E.Staib：智能电弧炉，国外钢铁，1994，19(3)
[26]刘贺平等：遗传机理神经网络在电弧炉炼钢模型识别中的应用，北京科技大学学报，1999，21(6)：588—561
[27]杨自厚：神经网络技术及其在钢铁工业中的应用第7讲，冶金自动化，1997，21(4)：45—49
[28]钢铁研究总院等：转炉炼钢过程控制中的人工智能技术，炼钢，1998，3：59-63
[29]柴天佑等：基于RBF神经网络的转炉炼钢终点预报，中国有色金属学报，1999，9(4)：868-872
[30]陶钧等：基于遗传算法和径向基函数神经网络的转炉炼钢模型，系统仿真学报，2000，12(3)：241-245
[31]黄云等：利用人工神经网络系统预报钢水温度，炼钢，2001，17(5)：43-46
[32]S.Y.Yun：运用神经网络对氧气顶吹转炉自动化进行动态预报，武钢技术，1997，35(6)：55-59
[33]杨立红等：基于自适应模糊神经网络系统的转炉终点磷的预报控制模型，钢铁研究学报，2002，14(4)：47-51
[34]原隆康：转炉终点动态磷控制技术开发，世界钢铁，2000，2：53-59
[35]郭进、刘洪霖等：计算机辅助材料设计的偏最小二乘法—人工神经网络研究，计算机与应用化学，1996，13(4)：253-256
[36]刘洪霖等：PLS模式空间返回方法及其应用于优化控制，模式识别与人工智能，1993，6(4)：339-342