专利名称：一种判断高炉炉缸过凉的方法
技术领域：
本发明涉及高炉炼铁监测领域，尤其是一种判断高炉炉缸过凉的方法。
背景技术：
高炉炼铁是现代钢铁企业生产生铁的主要方式，其生产过程伴随着大量的强耦合、非线性、大时滞的物理和化学反应，高炉内部的这种工艺复杂的特点导致了很难用常规的检测设备和检测手段来直接获取高炉内部的物理和化学状态。而高炉内部的热状态又是高炉稳定顺行的最直接体现，高炉过凉不利于顺利出铁和渣铁分离，过热不仅造成高炉难行而且造成大量的能源浪费。因此，提早获取高炉炉缸的热状态可以更早地对高炉实施干预，可以保证在高炉顺行的前提下减少能源消耗，降低焦比，减少有害气体的排放，对于钢铁企业实现绿色低碳生产和适应国家环境保护政策有着重要意义。鉴于高炉热状态是反映高炉工作状态的重要指标，尽早判断高炉炉缸过凉对于高炉操作人员非常重要，但高炉内部的复杂多变决定了高炉炉缸过凉状况不能直接被高炉操作人员获取。常规的判断高炉炉缸过凉状况的手段都是借助于高炉铁水中的硅含量来间接判断高炉炉缸是否过凉，但这种方法需要求解高炉各种过程变量与高炉铁水中的硅含量之间的数学模型，而无论数学模型是使用时间序列模型还是使用人工神经网络等模型来判断高炉炉缸都存在判断结果不理想的情况。
发明内容
本发明的目的是提供一种判断高炉炉缸过凉的方法，旨在区别对待影响高炉炉缸过凉的影响因素，从闻炉炼铁工艺的实际出发，综合考虑闻炉布料、闻炉鼓风、历史铁水娃含量对高炉炉缸过凉的影响，结合RBF神经网络和高炉专家知识各自的优点，形成高效的综合的数学模型，从而尽早判断高炉炉缸过凉的状况，据此结果对高炉实施控制。
实现本发明的目的共设计三个技术方案，分别是高炉铁水中的Si含量与高炉炉缸过凉的判断方案、高炉料速计算模型计算结果与高炉炉缸过凉判断方案、理论燃烧温度计算模型计算结果与高炉炉缸过凉的判断方案。1、高炉铁水中的Si含量与高炉炉缸过凉的判断方案:此方案包括以下步骤:I)选取RBF神经网络计算模型的输入变量。由于高炉实际操作中涉及的参数众多，因此为了简化模型的结构，提高模型的运算速度和泛化能力，经删减后确定的输入变量包括冷风流量、热风温度、风压、压差、透气性、顶压、顶温、小时煤粉喷吹量、前两次出铁时铁水中的Si含量-Si (1-1)，Si⑴。2)对输入变量实施进行归一化处理。由于输入变量之间数量级相差较大和RBF神经网络对输入数据的要求，确定采用均值方法处理输入变量:τ: = T7^
其中^为归一化后的数据，Se [￡U]，X为输入变量，Xmin为输入变量的最小值，Xmax为输入变量的最大值。3)确定RBF神经网络结构。RBF神经网络结构的确定主要包括输入层神经元的个数、隐含层神经元的个数、输出层神经元的个数、RBF中心的选取、RBF中心宽度。输入层神经元的个数实际就是网络输入变量的个数，输出层神经元的个数可以根据网络的预报能力和实际需求来选取。RBF中心宽度r可以先选为1，取值可以适当放宽或降低，其对网络实际的预报能力影响不是很大，而且其影响还可以通过网络权值和RBF中心的优化来补偿。RBF神经网络的中心可以通过最近邻聚类方法学习来获得。最近 邻聚类法的具体过程如下:首先选择一个适当的高斯函数宽度r，定义一个矢量A(I)用于存放属于各类的输出矢量之和，定义一个计数器B (I)用于统计属于各类的样本个数，其中I为类别数。从第一个数据对(XpY1)开始，在Xl上建立一个聚类中心，令C1 = X1, A⑴=Y1;B(1) =1。这样建立的RBF网络只有一个隐含单元，该隐含单元的中心是仏，该隐含单元到输出层的权矢量为W1 = A⑴/B⑴。考虑第二个样本数据对(X2，Y2)，求出X2到C1这个聚类中心的距离
X2-C2 I。如果 I X2-C2 I < r，则 C1S X2 的最邻近聚类。令 A (I) =YjY2，则 B(I) =2，W1 =A(I)/B(I);如果IlX2-C2II >r，则将X2作为一个新的聚类中心。令C2 = X2，A⑵=Y2, B(2) = 1，在上述建立的RBF神经网络中在添加一个隐单元，则该隐单元到输出层的权矢量为为W2 = A (2)/B (2)。假设我们考虑第k个样本数据对(Xk, Yk) (k = 3，4，...，N)时，存在H个聚类中心，其中心点分别为CnC2,...，Ch，在上述建立的RBF网络中已有H个隐单元。再分别求出Xk到这H个聚类中心的距离I IXk-CiI I，i = 1，2，...，H，设I Ixk-CjI I为这些距离中的最小距离，即G为Xk的最近邻聚类，则:如果||Xk-C」| >r，则将Xk作为一个新聚类中心。C(H+1) =Xk，A(H+l) =Yk，B(H+l) = 1，并保持 A(i)，B(i)的值不变，i = 1，2，...，H，在上述建立的RBF网络中再添加第H+1个隐单元，该隐单元到输出层的权矢量为WH+1 = A (H+1) /B (H+1)。如果 I I Xk-Cj I I 彡 r，令:A (j) = A (j) +Yk, B (j) = B (j) +1。当 i 关 j时，i = 1，2，...，H，保持A(i)，B(i)的值不变。隐单元到输出层的权矢量为Wi = A⑴/B(i)，i = 1，2，...，H。这样建立起来的RBF神经网络输出为:
权利要求
1.一种判断高炉炉缸过凉的方法，其特征在于分别建立高炉铁水中的Si含量的RBF神经网络计算模型、高炉料速计算模型、理论燃烧温度计算模型，然后利用3个模型对高炉炉缸过凉结果的判断-1ndexl、Index2、Index3来综合判断高炉炉缸是否过凉，如果δ I.Indexl+δ 2.Index2+ δ 3.Index3 ≥ 1，其中 δ I e
、δ 2 e
、δ 3 e [O,I]，则可以判断高炉炉缸过凉。
2.根据权利要求1所述的一种判断高炉炉缸过凉的方法，其特征在于高炉铁水中的Si含量与高炉炉缸过凉的判断方案包括以下步骤: 1)选取RBF神经网络计算模型的输入变量； 2)对输入变量实施进行归一化处理； 3)确定RBF神经网络结构，主要包括输入层神经元的个数、隐含层神经元的个数、输出层神经元的个数的确定，还包括使用最近邻聚类法确定的RBF中心的选取、RBF中心宽度； 4)收集单位采样周期内的归一化后的输入变量，输入到RBF神经网络中，预报得到下一次出铁高炉铁水的硅含量Si (i+1)，Si(1-l)代表前一次出铁高炉铁水的硅含量，Si(i)代表当前一次出铁高炉铁水的硅含量: 如果满足条件 I:Si (1-1)≤ al，Si (i) < a2，Si (i+1) < a3 则:1ndexl = I 如果不满足条件1，而满足条件2:Si(i)≤a4，Si (i+1)≤a5 则:1ndexl = 0.5 如果即不满足条件1，又不满足条件2 则:1ndexl = O 其中，al代表前一次出铁时Si的阈值，a2代表当前出铁时Si的阈值1，a3代表下一次出铁时Si的阈值l，a4代表当前出铁时Si的阈值2，a5代表下一次出铁时Si的阈值2，al < a2 < a3 ； 指数Indexl的结果直接关系到最终对高炉炉缸过凉的判断。
3.根据权利要求1所述的一种判断高炉炉缸过凉的方法，其特征在于所建立的高炉料速计算模型的输入变量包括探尺下降的深度，输出即为该模型对高炉炉缸过凉的判断，依据高炉下料速度对高炉热炉缸状态的影响来获得指数Index2，Index2的结果直接关系到最终对高炉炉缸过凉的判断，依据高炉下料速度对高炉炉缸热状态的影响: 如果高炉的各个探尺都满足条件1:a(j) > (bl+astd)则:Index2 = 0.3 如果高炉的各个探尺都满足条件2:a(j) > (b2+astd)则:Index2 = 0.5 如果高炉的各个探尺都满足条件3:a(j) > (b3+astd)则:Index2 = 0.7如果以上三个条件都不满足， 则:Index2 = O 其中:a(j)代表探尺在第j时刻的下料加速度，bl、b2、b3分别代表下料加速度的阈值.1、阈值2、阈值3，astd代表加速度偏差数据，j = 1，2，3...η; 指数Index2的结果直接关系到最终对高炉炉缸过凉的判断。
4.根据权利要求1所述的一种判断高炉炉缸过凉的方法，其特征在于所建立的理论燃烧温度计算模型是基于理论燃烧温度与高炉的炉缸热状态关系度来设计的，根据高炉理论燃烧温度计算公式:
全文摘要
本发明公开一种判断高炉炉缸过凉的方法，分别建立高炉铁水中的Si含量的RBF神经网络计算模型、高炉料速计算模型、理论燃烧温度计算模型，然后利用3个模型对高炉炉缸过凉的判断-Index1、Index2、Index3来综合判断高炉炉缸是否炉缸过凉，如果δ1·Index1+δ2·Index2+δ3·Index3≥1，其中δ1∈
、δ2∈
、δ3∈
，则高炉炉缸过凉。本发明综合考虑高炉中物理因素和化学因素对高炉炉缸过凉的判断，较现有技术可以更早更准确的判断高炉炉缸过凉，据此可以采取措施控制高炉炉温在合理的范围内，避免了不同操作人员对高炉运行状况所产生的偏差或误判，对高效高炉操作非常有益。
文档编号C21B7/24GK103160626SQ20111041923
公开日2013年6月19日 申请日期2011年12月14日 优先权日2011年12月14日
发明者孙鹏, 车玉满, 李连成, 郭天永, 姚硕, 孙波 申请人:鞍钢股份有限公司