[发明专利]高炉炉渣粘度预报方法

说明书

技术领域

本发明涉及冶金领域，尤其涉及一种高炉炉渣粘度预报方法。

背景技术

现有的高炉渣粘度预报方法主要是经验公式法，或称为回归分析法，即通过对已有的高炉渣粘度数据进行线性回归分析，得出炉渣粘度和熔化性温度关于炉渣成分的线性公式，即经验公式，然后通过经验公式对炉渣进行性能预测，该方法运算简便，容易掌握。缺点是误差较大，应用的成分范围较窄，适应性较差。

例如，专利号为ZL200820100327.6的中国专利揭示了一种测量炉渣和钢水粘度的高温粘度计。该粘度计利用旋转圆柱体（钼探头）法，通过测量探头在炉渣内旋转的力矩，间接算出炉渣的粘度值。此专利仅提供了一种粘度测量的方法，不具有在炉渣粘度测量之前对炉渣粘度进行性能预测的功能。

又比如，公开号为CN102479290A的中国专利申请揭示了一种计算炉渣的熔化性温度的方法。该方法利用数理统计的方法，在获取炉渣的多组粘度及其所对应温度的数据后，得到多组粘度及其所对应温度的数据以及粘度随温度变化的函数关系，拟合出粘度-温度曲线，在该粘度-温度曲线所位于的坐标系中，以及取斜率为-1/(50～70)的直线与粘度-温度曲线的切点所对应的温度为所述炉渣的熔化性温度。该方法利用的是数理统计方法分析得出粘度与温度的非线性关系，误差较大，即使用于炉渣粘度预报，也不能适应炉渣成分的变化，是一种无法自我更新的预测方法。

神经元网络技术研究起始于上世纪80年代末期，至今理论已经成熟，也有很多应用实例，并取得了很好的应用成果。例如基于BP算法的多层前馈网络被应用在在催化剂配方建模、煤与瓦斯突出预测、磨煤机料位监测、项目投资风险评价、大气环境质量评价等领域。

但是，到目前为止，国内外还未见有将神经元网络模型运用在高炉炉渣性能预报领域。在实际的高炉冶炼过程中，如果增加块矿比例，则会使得炉渣中Al₂O₃含量升高、渣量增大、炉渣流动性变差。此时，传统的基于经验公式的炉渣性能预报无法反应这一变化，预报结果会出现较大误差。因此需要一种能及时准确预测炉渣粘度和熔化性性温度等参数，为高炉冶炼提供合理的渣系组成及造渣制度的炉渣性能预报模型，为提高高炉块矿比例、减少渣量及降低原料成本提供依据。

发明内容

针对上述问题，本发明的目的在于及时预报炉渣性能，提供合理渣系组成及造渣工艺。本发明提出一种基于改进BP算法的神经元网络模型而建立的高炉炉渣粘度预报方法。

根据本发明的一实施例，提出一种高炉炉渣粘度预报方法，包括如下的步骤：

神经元网络构建步骤，构建的神经元网络结构包含输入层、隐含层和输出层，输入层、隐含层和输出层之间由连接权值连接，隐含层具有阈值，输入层的输入参数为炉渣中各成分的百分含量，输出层的输出参数为不同温度下的炉渣粘度、熔化性温度和脱硫系数；

初始化步骤，获取训练数据，并对训练数据、连接权值和阈值进行初始化，所述训练数据包括参考输入参数和参考输出参数；

神经元网络自学习步骤，提取一个训练数据，将其中的参考输入参数导入神经元网络，经由输入层、隐含层和输出层输出训练输出参数，比较训练输出参数和该训练数据中的参考输出参数，计算各层的误差和局部梯度，根据误差和局部梯度以设定步长调整连接权值和阈值，根据局部梯度调整设定步长，提取下一个训练数据并重复上述过程，直至所有的训练数据都被使用，保存连接权值和阈值的最终值；

炉渣粘度预报步骤，将神经元网络的连接权值和阈值固定在最终值，输入实际的炉渣中各成分的百分含量，输出预报的不同温度下的炉渣粘度、熔化性温度和脱硫系数。

在一个实施例中，炉渣中各成分的百分含量包括SiO₂、Al₂O₃、CaO、MgO的百分含量；不同温度下的炉渣粘度包括1500℃的炉渣粘度η_1500℃、1475℃的炉渣粘度η_1475℃和1450℃的炉渣粘度η_1450℃。

在一个实施例中，对训练数据进行初始化包括对训练数据进行归一化处理，对连接权值和阈值进行初始化包括将连接权值和阈值设定为初始值。

在一个实施例中，根据局部梯度调整设定步长包括：对局部梯度连续迭代两次，如果两次符号相同，则增加设定步长；如果两次符号相反，则减小设定步长。