摘要：以理论模型为基础，建立了转炉炼钢静态控制模型，并将人工神经网络模型应用到转炉控制中，以Visual Basic为开发语言，开发了相应的软件。通过BP神经网络预报了终点的碳含量，当碳命中误差±0．02％时，命中率达到了66．7％。

关键词：转炉炼钢；静态模型；BP网络

      氧气转炉炼钢目前已成为世界上主要的炼钢方法。其特点是炉内反应速度快，冶炼周期短，影响因素多而反应复杂，

人工操作不易控制。为了提高钢的产量和质量，降低原料消耗，改善作业环境，国外从20世纪60年代开始就采用了计算机控制，到7()年代已从静态控制发展为动态控制。吹炼终点的命中率目前已达到90％以上。在国内，武汉钢铁(集团)公司第三炼钢厂计算机控制炼钢已经达到较好的水平，但是大多数转炉的控制水平还比较低。由于资金和技术两方面的原因，我国的中、小型转炉无法采用动态控制。而且目前由于缺乏可靠的测试手段，特别是温度和碳含量尚不能可靠地连续测定，无法将信息正确、迅速、连续地传送到计算机中去。因此，世界各国在实现动态控制之前都先设计静态控制。

  将人工智能应用到静态模型中，以理论模型为基础，开发出理论模型+神经网络控制软件。在软件中，以现场数据为基础，建立数据库并对数据库定时更新，再以这些数据为参考，对模型中的各种参数进行修正。计算结果表明，该程序是切实可行的，能够满足现场的需求。

1   模型建立原理

    模型以理论模型为基础，用BP校正其计算值(主要是终点温度、碳含量)，提高终点命中率。

    理论模型是根据提供的输人数据计算所需的输出数据(包括铁水重，石灰量，轻烧重，镁球重，废钢重，生铁重，氧气体积等)。即为了获得某一终点钢水温度和成分，计算进入转炉的金属料和吹人的氧气量；模型考虑到出钢量和设定的转化率；为保证渣碱度(BI)，模型要求加入与金属料保持适当比例的石灰；为了保证炉渣中含有适当的MgO含量，模型还要求加入适当的轻烧白云石与镁球。

    BP(Error Back Propagation Training)网络一误差逆传播算法是利用实际输出与期望输出之差对网络的各层连接权由后向前逐层进行校正的1种方法。理论上讲，这种方法可以使用于任意多层的网络。本静态炼钢模型的建立，采用了三层网络模型。

        BP网络按有教师学习方式进行训练，当一对学习模式提供给网络后，其神经元的激活值将从输入层经各中间层向输出层传播，在输出层的各神经元输出对应于输入模式的网络响应。然后，按减少希望输出与实际输出误差的原则，从输出层经各中间层、最后回到输入层逐层修正各连接权。由于这种修正过程是从输出到输入逐层进行的。所以称它为“误差逆传播算法”。随着这种误差逆传播训练的不断进行，网络对输入模式响应的正确率也不断提高。

首先利用理论模型计算出满足本炉钢目标碳含量所需的吹氧量，根据终渣碱度要求和终渣MgO含量要求计算出各种造渣剂的加入量。将计算结果以及本炉铁水成分作为神经网络的输入节点，然后调用训练好的网络。将计算结果与本炉目标碳含量比较，根据比较结果对计算吹氧量进行调整。如果网络输出的终点碳含量在本炉目标值控制精度范围内，则认为理论模型计算的本炉吹氧量是可行的。如果网络输出结果不在本炉目标控制精度范围内，则需要对理论模型计算的吹氧量进行调整。将修改后的吹氧量重新代人理论模型进行热量平衡和氧平衡计算。将模型计算结果重新输入神经网络进行计算，根据网络输出结果判断校正后的吹氧量是否合适。如果合适，则输出计算结果。如果还不合适则重复上述过程，直到网络输出值达到本炉目标控制精度范围内。

2软件的结构

    转炉静态模型控制软件由1个主程序和7个子程序构成，其逻辑关系如图2所示。

各程序的主要功能如表1所示：

其中：一次加料计算以转炉热平衡为基础，以出钢终点T、成分以及出钢量、铁水成分、T、废钢成分、生铁成分为输人值，计算最优化的铁水、废钢、生铁的装入量配比，目标是在吹炼过程中保证热量平衡，在吹炼过程中尽量不加冷却剂或发热剂。一次加料计算的结果由转炉的计算机分别发送到铁水倒罐站和废钢跨。调度人员在装料前可以根据实际的废钢、铁水情况重新计算或人为修改计算结果。

二次加料计算的基础是热平衡、渣平衡，热平衡主要计算吹炼期的总供量，渣平衡主要根据终渣碱度、终渣MgO含量、铁水成分计算石灰和轻烧白云石以及其他造渣料的用量。热平衡、渣平衡交替叠代计算：先算渣平衡，再根据加入的石灰量计算热平衡，如果热量富余或不足，则计算要加多少冷却剂或发热剂，根据热平衡结果再计算要补充多少石灰，如此叠代计算直到热平衡与渣平衡计算的石灰量误差在30 kg以下，计算结束。转炉计算机将计算的吹氧量、造渣剂用量显示出来并传给控制系统进行吹炼、加料。

3   对现场数据的验证

在某厂现场共采集了200余炉数据，从其中选取了51炉数据进行模型的计算。

3．1散装料加入量的计算

根据现场的实际情况，在通过调整碱度、热损失等参数的基础上，根据热平衡和物料平衡原理，计算出所需的造渣料、冷却剂及吹氧量。从计算的结果可以看出，模型所计算的结果与实际的加入量和现场程序结果与实际的加入量相比，命中率更高。可以认为所设定的碱度、热损失等参数是合适的。

3．2模型碱度的确定

在转炉静态模型中，最重要的1个参数就是炉渣碱度的确定，而影响碱度的最重要因素就是铁水中的硅含量。根据模型的计算结果，作者推出了铁水中硅含量与炉渣碱度m(CaO/m(SiO₂：)的关系。如图3所示。

从图3可以看出，铁水Si含量与碱度有明显的对应关系，即随着铁水Si含量的升高，碱度呈下降的趋势。这也可以从理论分析得出，随着铁水Si含量的增高，如果碱度不变，则必然需要加入更多的造渣料。而炉渣的脱P、脱S率除了与炉渣的物理化学性质有关，还与炉渣的量有关。炉渣量大，则脱P、脱S率高，炉渣量小，则相反。由于加入了更多的造渣料，产生了更多的炉渣，必然可以达到更高的脱P、脱S率。而合格钢水P含量并不需要如此高的水平，因此也并不需要如此高的碱度。

    从图3中的曲线可以拟合出如下的曲线公式。

  y=2．882 5+4．272 1e^(－x/0.24)

  相关系数R=0．89003

  标准差：0．255 34

  式中，y为炉渣碱度；x为铁水硅的质量分数。

3．3  通过BP网络预报终点C含量

  图4为终点C含量实际值与预报值的比较图。

  在所选取的51炉数据，其中预报误差在±0．01％以内的占19炉，为37．2%；预报误差在±0．02％以内的占34炉，为66．7％；预报误差在±0．04％以内的占45炉，为88．2％。

 从预报结果中看出，预报的终点C含量一般总比实际的终点C含量高，这主要是因为网络训练过程中存在一些误差以及现场条件的复杂。

4  结论

    (1)转炉计算机控制静态模型，软件结构清晰、明了，软件输出输入界面直观、简洁，更易于操作，使用更稳定、方便；

    (2)根据现场的实际情况，在通过调整碱度、热损失等参数的基础上，根据物料平衡和热平衡原理，计算出所需的造渣料、冷却剂及吹氧量。从计算的结果可以看出，模型所计算的结果与实际的加入量和现场程序计算的结果与实际的加入量相比，命中率更高。

    (3)通过对现场数据的调试，得出了铁水中Si含量与炉渣碱度的关系：

                     y=2．882 5+4．272 1e^(－x/0.24)

  (4)通过神经网络对终点的C含量进行预报，当预报误差为±0．02％时，命中率达到了66．7％。

(5)由于现场复杂，模型应根据生产实际不断优化调整，从模型的自适应能力、现场生产条件、加入料条件和工人素质等多方面提高，才能达到理想的结果。