PS转炉铜锍吹炼过程智能决策与终点预报系统.pdf

“转炉铜锍吹炼过程 智能决策与终点预报系统 胡志坤， 梅炽， 彭小奇 （中南大学应用物理与热能工程系， 长沙 “ ） 摘要利用建立的基于神经网络与自适应残差补偿的组合预报模型对吹炼终点范围进行预报， 采用物料衡算与模糊推理 方法在线推算预报结果的校验范围。在此基础上开发炼铜转炉优化操作智能决策支持系统。应用表明， 终点范围预报准确率在 以上， 转炉产量提高） 转炉。转炉吹炼是间歇式作业过程， 工艺技术相对复杂， 是一个涉及到化学反应、 传热、 传质、 流体流动等诸多作用的非线性、 大滞后、 弱鲁 棒性的非封闭系统。吹炼过程中物料变化范围大、 影响因素多。因此， 火法炼铜的前后两个工序， 即铜 锍闪速熔炼及阳极炉精炼系统均已实现了生产过程 的计算机在线控制， 但在转炉吹炼过程中还有一定 困难。由于转炉吹炼过程是一个快速的自热过程， 当检测和计量手段不能充分配合时， 控制模型不能 及时获得准确的数据源 熔锍和冷料的质量和成 分、 熔体和炉体的温度等信息， 这就给在线控制， 尤 其是吹炼终点预报带来了极大的困难。造铜期吹炼 终点是整个吹炼过程各种影响因素的综合体现， 利 用计算机进行判断决策难度较大， 特别是对于卧式 炼铜转炉， 至今未有进行计算机终点预报的成功实 例。利用仪器进行辅助判断也还存在一些技术问 题。目前造铜期吹炼的终点还依赖人工用钢钎取样 判断。 研究中采用多方法、 多角度对铜锍吹炼造铜期 吹炼终点进行计算机预报与决策， 并开发了卧式转 炉铜锍吹炼过程智能决策与支持系统。 - 终点预报模型 “ 神经网络预报器 - - - 数据预处理 〔-〕 。由于原始样本集的变量量 纲不同， 不同变量数据值的大小差别很大， 数据分布 范围也不一样， 数据平均值和方差的较大差异， 会导 致夸大某些变量对目标的作用， 掩盖某些变量对目 标的贡献， 不能有效地进行数据处理 （如神经网络学 习） 。因此， 必须对原始数据进行标准化 （也称数据 标度） 。数据标准化常用自标准化和范围标准化两 种方法。研究中均用自标准化来标度自变量 （以下 简称变量） ， 用范围标准化来标度因变量 （以下称目 标量） 。 对神经网络这类智能系统来说， 变量的数目选 择存在着这样的矛盾 变量的数目较多时， 会使系统 较好地拟合目标， 但会降低系统的预报能力 （外推能 力） ； 变量数目较少时， 会增强拟合函数的稳定性和 系统的预报能力， 但会降低学习效率。因此， 选取能 拟合目标量的尽量少的特征变量是非常重要的。采 用 * A A B “C 0 E - * 5 G 6 H I 6 J// 万方数据 图预报模型神经网络结构图 “ 的氧气） 作为预报 目标， 以此算出吹炼所需时间， 从而判断吹炼终点。 定义某吹炼周期（“ 、 8、或全期） 的 氧气利用率 ’为 “ ］ 计算机与应用化学，7 A A , C C , A , F - AE A F * - F J F , B FE C F - , I , C - , L J* C K A A E ,， / ,E * E J- . , - A F * - 2 9， / , - * * - . - A I , , A , E F , FD JE . E . - - . 3 9， E A / ,M * E A J- . - - CB E , E C F , E , F , F D JE . E . - - . 5 9 5 ’ /6 . B E , - A I , A ；, A - A , - A；A , * E C A , G - H； A , C C , A , F - AE A F * - F J F , B 有色金属第2 卷 万方数据