一种精确计算铁水脱硫用镁粉量的方法与流程

技术特征：

1.一种精确计算铁水脱硫用镁粉量的方法，其特征在于,所述方法包括以下步骤：

a、采集距离当前炉次最近的历史数据，建立五个样本集U₁、U₂、U₃、U₄、U₅作为学习组，U₁～U₄为样本量均为m的条件样本集，70≤m≤140，判定条件分别为倒罐铁水硫含量＜0.03％且脱硫目标硫含量≤0.002％、倒罐铁水硫含量＜0.03％且脱硫目标硫含量＞0.002％、倒罐铁水硫含量≥0.03％且脱硫目标硫含量≤0.002％、倒罐铁水硫含量≥0.03％且脱硫目标硫含量＞0.002％；U₅为样本量为n的全样本，40≤n≤100，用于神经网络模型学习；

b、对样本集U₅中的数据进行预处理，以消除硫含量、温度、重量数据因数量级不同而对神经网络造成影响，减少神经网络学习时出现平台现象，具体处理方法如下：

式中，x_1k～y_k为样本集中第k炉的倒罐铁水温度、倒罐铁水重量、倒罐铁水硫含量、脱硫目标硫含量、钢种上限硫含量、镁粉量，x_1,min～y_min为样本集中倒罐铁水温度最小值、倒罐铁水重量最小值、倒罐铁水硫含量最小值、脱硫目标硫含量最小值、钢种上限硫含量最小值、镁粉量最小值，x_1,max～y_max为样本集中倒罐铁水温度最大值、倒罐铁水重量最大值、倒罐铁水硫含量最大值、脱硫目标硫含量最大值、钢种上限硫含量最大值、镁粉量最大值，为处理后的第k炉的倒罐铁水温度、倒罐铁水重量、倒罐铁水硫含量、脱硫目标硫含量、钢种上限硫含量、镁粉量；

c、建立BP神经网络模型，BP神经网络模型为包含输入层、隐含层和输出层的三层网络，其中输入层用于接收输入信号，其变量为倒罐铁水温度x₁、倒罐铁水重量x₂、倒罐铁水硫含量x₃、脱硫目标硫含量x₄、钢种上限硫含量x₅；输出层用于输出信号即计算结果，其变量为镁粉量Y₁；隐含层的神经节点数f根据公式确定，p为输入层的神经节点数，q为输出层神经节点数，r为1～10之间的常数；

d、训练BP神经网络模型，根据网络实际输出结果与期望结果的误差，调整神经网络输入层与隐含层的权值w_ih、隐含层与输出层的权值w_ho、隐含层各神经元的阈值θ_h、输出层各神经元的阈值θ_o，使误差减小；

e、建立镁粉量的回归计算模型，采用分段多元非线性回归方程，自变量为倒罐铁水温度x₁、倒罐铁水重量x₂、倒罐铁水硫含量x₃、脱硫目标硫含量x₄，具体的计算公式为：

当倒罐铁水硫含量x₃＜0.03％、脱硫目标硫含量x₄≤0.002％时：

当倒罐铁水硫含量x₃＜0.03％、脱硫目标硫含量x₄＞0.002％时：

当倒罐铁水硫含量x₃≥0.03％、脱硫目标硫含量x₄≤0.002％时：

Y₂＝c₀+c₁×x₁+c₂×x₂+c₃×x₃+c₄×x₄

当倒罐铁水硫含量x₃≥0.03％、脱硫目标硫含量x₄＞0.002％时：

f、利用样本集U₁～U₄中的数据分别计算参数a₀～a₅、b₀～b₆、c₀～c₄、d₀～d₅，在计算时脱硫目标硫含量x₄用脱硫后硫含量x₆代替；

计算a₀～a₅的公式如下，其中x_1i、x_2i、x_3i、x_6i为样本集U₁中第i炉的x₁、x₂、x₃、x₆：

计算b₀～b₆的公式如下，其中x_1i、x_2i、x_3i、x_6i为样本集U₂中第i炉的x₁、x₂、x₃、x₆：

计算c₀～c₄的公式如下，其中x_1i、x_2i、x_3i、x_6i为样本集U₃中第i炉的x₁、x₂、x₃、x₆：

计算d₀～d₅的公式如下，其中x_1i、x_2i、x_3i、x_6i为样本集U₄中第i炉的x₁、x₂、x₃、x₆：

g、计算神经网络模型的镁粉量Y₁，当收到铁水预处理作业开始信号后，采集当前炉次的倒罐铁水温度、倒罐铁水重量、倒罐铁水硫含量、脱硫目标硫含量、钢种上限硫含量等数据，输入至已训练好的神经网络模型中，输出层的输出值经变换后得到镁粉量Y₁，

h、计算回归模型的镁粉量Y₂，判断倒罐铁水硫含量是否＜0.03％、脱硫目标硫含量是否≤0.002％，根据判定结果选择选择相应的回归方程，并将倒罐铁水温度、倒罐铁水重量、倒罐铁水硫含量、脱硫目标硫含量代入方程中，计算得出镁粉量Y₂；

i、输出镁粉量的最终结果，用回归模型计算的镁粉量判定神经网络模型计算的镁粉量是否合适，以防止神经网络出现局部极小或极大值，具体判定逻辑为，当0.7Y₂＜Y₁＜1.2Y₂时，取神经网络模型的镁粉量计算值Y₁，否则取回归模型的镁粉量计算值Y₂；

j、更新学习组，当前炉次结束后，判断当前炉次是否符合进入学习组的条件，判定条件为：倒罐铁水硫含量在0.005～0.1％、倒罐铁水温度在1201～1480℃、倒罐铁水重量在(转炉公称吨位-15)～(转炉公称吨位+25)t、脱硫后硫含量在0.0005～0.015％、镁粉利用率在15～65％，若符合条件，替换回归模型学习样本集U₁、U₂、U₃、U₄和神经网络模型的学习样本集U₅中的最旧的炉次，保持样本数不变，其中，当前炉次进入U₁、U₂、U₃、U₄中的哪一个样本集，根据倒罐铁水硫含量和脱硫目标硫含量的大小而定；

k、模型重新启动学习，当回归模型学习样本集U₁、U₂、U₃、U₄每更新1炉，返回步骤f，重新计算参数a₀～a₅、b₀～b₆、c₀～c₄、d₀～d₅。当神经网络模型样本集U₅每更新5炉，返回步骤d，重新训练网络，以确保计算得到的镁粉用量自动适应铁水预处理脱硫能力的变化。

2.根据权利要求1所述的精确计算铁水脱硫用镁粉量的方法，其特征在于，所述步骤a中，为防止含有异常数据的炉次进入学习组U₁～U₅，采集距离当前炉次最近的历史数据时，对炉次进行筛选，筛选条件包括：倒罐铁水硫含量0.005～0.1％、倒罐铁水温度在1201～1480℃、铁水重量在为：转炉公称吨位-15吨～转炉公称吨位+25吨、脱硫后硫含量在0.0005～0.015％、镁粉利用率在15％～65％。

3.根据权利要求2所述的精确计算铁水脱硫用镁粉量的方法，其特征在于，所述步骤a中，镁粉利用率为用于脱硫反应的镁粉量占总镁粉量的比率，计算公式为：(倒罐铁水硫含量－脱硫后硫含量)×倒罐铁水量×0.75÷总镁粉量。

4.根据权利要求3所述的精确计算铁水脱硫用镁粉量的方法，其特征在于，所述步骤d中，权值和阈值的调整方法相同，具体如下：

(1)初始化网络，分别给w_ih、w_ho、θ_h、θ_o赋一个区间(-1，1)内的随机数，设定计算精度值α、最大学习次数T、学习率η，其中学习率影响着网络收敛的速度，以及网络能否收敛，学习率设置偏小可以保证网络收敛，但是收敛速度变慢，训练时间增加，相反，学习率设置偏大则有可能使网络训练不收敛，影响识别效果；

(2)选取样本集U₅中经预处理后的第k炉输入样本及对应的期望输出

(3)计算隐含层和输出层各神经元的输入和输出，其中隐含层的输出采用函数

隐含层各神经元输入hi_h(k)和输出ho_h(k)，

输出层各神经元输人yi(k)和输出yo(k)，

(4)计算全局误差判断E是否满足要求，如果E＞学习精度α时，进入步骤(4)和步骤(5)，调整权值和阈值，当E≤α或学习次数t＞T时调整结束；

(5)计算误差函数对权值和阈值的偏导数

其中，e_k为网络输出误差函数

δ_h(k)＝δ_o(k)w_hof'(hi_h(k))＝δ_o(k)w_hohi_h(k)(1-hi_h(k))

(6)利用迭代法调整权值w_ho(k)、w_ih(k)和阈值θ_o、θ_h，t为学习次数，

5.根据权利要求4所述的精确计算铁水脱硫用镁粉量的方法，其特征在于，所述步骤g中，当倒罐铁水温度、倒罐铁水重量以及倒罐铁水硫含量缺失时，计算样本集U₅中距离当前炉次最近的20炉数据的倒罐铁水温度、倒罐铁水重量、倒罐铁水硫含量的平均值，将倒罐铁水温度平均值和倒罐铁水重量平均值作为当前炉次的倒罐铁水温度和倒罐铁水重量，将1.1倍的倒罐铁水硫含量平均值作为当前炉次的倒罐铁水硫含量。