基于機理和數(shù)據(jù)驅(qū)動的轉(zhuǎn)爐輸入-輸出混合模型

1、基于機理和數(shù)據(jù)驅(qū)動的轉(zhuǎn)爐輸入-輸出混合模型收稿日期：基金項目：國家自然科學基金項目（51574032）；國家重點研發(fā)計劃項目（2016YFB0601301）作者簡介：賀東風(1975)，男，教授，博士生導(dǎo)師，主要從事冶金流程工程學煉鋼-連鑄過程數(shù)值模擬與優(yōu)化、冶金流程系統(tǒng)節(jié)能，E-mail：劉遠洋，賀東風，馮凱，魯曉旭（北京科技大學冶金與生態(tài)工程學院，北京100083）摘要：為了實現(xiàn)能量流網(wǎng)絡(luò)的精細化控制，建立了基于機理和數(shù)據(jù)驅(qū)動的轉(zhuǎn)爐輸入-輸出模型。對轉(zhuǎn)爐工序進行物質(zhì)的輸入和輸出解析，根據(jù)實際生產(chǎn)數(shù)據(jù)利用數(shù)理統(tǒng)計和回歸的方法，得到轉(zhuǎn)爐冶煉相關(guān)參數(shù)，包括：氧氣利用率、爐渣堿度、渣中氧化鎂含量、

2、鋼水終點氧含量、轉(zhuǎn)爐熱效率。進而利用冶煉機理以轉(zhuǎn)爐冶煉的鐵水和廢鋼數(shù)據(jù)，以及目標鋼水的成分和溫度為輸入量，計算得到吹氧量、造渣劑加入等信息作為模型的輸出量。根據(jù)機理模型計算的部分輸出參數(shù)，利用神經(jīng)網(wǎng)絡(luò)預(yù)測鋼水終點溫度，并與機理模型采用的目標鋼水溫度進行對比，進而對機理模型進行校正，以提高模型的精確度。采用C#語言將模型程序化，模型計算結(jié)果表明，相同誤差范圍內(nèi)，混合模型的石灰加入量、輕燒白云石加入量、氧化球團加入量命中率相較于機理模型分別提高了11.1%、8.3%、8.3%。關(guān)鍵詞：轉(zhuǎn)爐；數(shù)據(jù)驅(qū)動；輸入-輸出；神經(jīng)網(wǎng)絡(luò)Converter Input - Output Mixture Model

3、Based on Mechanism and Data-DrivenLIU Yuanyang HE Dongfeng FENG Kai LU Xiaoxu（School of Metallurgical and Ecological Engineering，University of Science and Technology Beijing，Beijing 100083，China）Abstract: In order to realize the fine control of the energy flow network, a converter input - output mod

4、el is established based on mechanism and data model.In this paper, the input and output of the material in the converter process are analyzed. According to the actual production data, the converter smelting relevant parameters, including oxygen utilization rate, slag basicity, magnesium content in s

5、lag, converter thermal efficiency, are obtained by mathematical statistics and regression method. By applying the smelting mechanism the input-output model is established with the conditions of molten iron and scrap of smelting, the target molten steel composition and temperature as the inputs; the

6、information of calculated amount of oxygen and slag as the outputs. The accuracy of the model is improved through revising the mechanism model by comparing the parameters calculated by the mechanism model and the neural network respectively. The model is programed through the C # language. The resul

7、ts of model calculation show that ,in the mixed model, the hit rates of the adding amounts of lime, dolomite and the oxidizd pellets incresed 11.1%, 8.3% and 8.3% respectively compared with the mechanism model in the same error range.Key Words: Converter;Data-Driven;input- Output; Neural Networks鋼鐵行

8、業(yè)是我國的國民經(jīng)濟支柱產(chǎn)業(yè)，同時也是能源消耗大戶，能源消耗量占全國總能耗的15%1。鋼鐵行業(yè)節(jié)能一直是研究的重點，從20世紀80年代的單體性技術(shù)技節(jié)能到目前以“能源轉(zhuǎn)換功能”為主要指導(dǎo)時期的系統(tǒng)節(jié)能2。2010年殷瑞鈺院士指出應(yīng)注重與鐵素流相關(guān)的碳素能量流的輸入/輸出特點和能量流網(wǎng)絡(luò)的構(gòu)建3。目前對于鋼鐵企業(yè)中能量流的研究較多，蔡九菊教授4針對物質(zhì)和能量流動過程，構(gòu)建了冶金工序的物質(zhì)流圖和能量流圖；蒼大強5對冶金工業(yè)節(jié)能新技術(shù)進行了深入分析；趙業(yè)清6利用混合petri網(wǎng)建模方法，構(gòu)建了鋼鐵企業(yè)能量流網(wǎng)絡(luò)系統(tǒng)混合Petri網(wǎng)模型；王懿等7對鋼鐵企業(yè)能量流網(wǎng)絡(luò)的特點進行詳細分析并指出未來發(fā)展趨勢；

9、鄭忠等8對鋼鐵企業(yè)信息系統(tǒng)進行分析，探討了基于信息流的物質(zhì)流和能量流的協(xié)同優(yōu)化機制；稅烺等9利用分析和傳統(tǒng)熱平衡分析對冶金生產(chǎn)的余能回收進行研究；孫彥廣等10借助能量流網(wǎng)絡(luò)仿真對鋼鐵工業(yè)中的能源介質(zhì)進行優(yōu)化調(diào)配；張利娜等11對轉(zhuǎn)爐石灰石替代石灰造渣進行了研究；常立忠等12借助BP神經(jīng)網(wǎng)絡(luò)建立了轉(zhuǎn)爐靜態(tài)模型，對轉(zhuǎn)爐終點C含量進行預(yù)報研究；嚴良濤等13以基于遺傳算法的核偏最小二乘回歸方法，建立轉(zhuǎn)爐終點C含量預(yù)測模型；Xu L F等14采用支持向量機建立了轉(zhuǎn)爐終點的預(yù)測模型；其他學者也分別采用不同的方法對轉(zhuǎn)爐的終點控制進行了研究15-18。隨著節(jié)能研究的深入，鋼鐵企業(yè)節(jié)能空間進一步縮減，因此需要對能

10、量流網(wǎng)絡(luò)進行精細化控制研究以達到優(yōu)化節(jié)能的目的，其中冶金工序的輸入-輸出模型作為能量流網(wǎng)絡(luò)精細化控制的底層支持。雖然目前對于能量流網(wǎng)絡(luò)的研究較多，但是缺乏對冶金工序輸入-輸出模型的研究，因此本文以轉(zhuǎn)爐工序為例，以機理和數(shù)據(jù)驅(qū)動相結(jié)合的方法構(gòu)建轉(zhuǎn)爐輸入-輸出模型，為能量流網(wǎng)絡(luò)的精細化控制提供研究基礎(chǔ)。1 模型構(gòu)建轉(zhuǎn)爐在鋼鐵流程中作為一個中轉(zhuǎn)裝置，用于承載來自上一工序的能量流，并在該裝置中產(chǎn)生一個輸入-輸出行為，在承載上一工序的能量流時，同時接受外加物質(zhì)流。按照輸入物質(zhì)/能量流，外加物質(zhì)/能流量、輸出物質(zhì)/能量流的流程模式對轉(zhuǎn)爐工序進行解析，轉(zhuǎn)爐工序的輸入為：下游工序返回流：廢鋼上游工序順流：來自

11、KR預(yù)處理工序的鐵水外加消耗流：輔料（造渣劑、冷卻劑）、合金、能源介質(zhì)（氧氣）輸出為：順流下游工序：鋼水返流上游工序：無回收處理流：爐渣、爐氣直接排放流：煙塵在工序解析的基礎(chǔ)上，將已知量視為模型的輸入，未知量作為模型的輸出，則轉(zhuǎn)爐工序的輸入-輸出模型如圖1所示，由于轉(zhuǎn)爐工序的合金料是在出鋼過程中加入，于是本模型不考慮合金項。圖1 轉(zhuǎn)爐工序輸入-輸出模型Fig.1 Converter input-output model1.1模型思路本模型將機理方法與數(shù)據(jù)方法相結(jié)合，對模型輸出項進行計算。先采用機理方法對模型的輸出項進行機理計算，再采用以實際生產(chǎn)數(shù)據(jù)訓練好的神經(jīng)網(wǎng)絡(luò)對出鋼溫度進行預(yù)測，以預(yù)測溫度

12、和機理計算時采用的目標溫度進行對比，若差值的絕對值小于等于10，則滿足要求，輸出各計算項，若差值的絕對值大于10，則不滿足要求，返回機理模型對熱損失參數(shù)進行修正，直至差值達到要求，熱損失參數(shù)的修正按照式1進行。(1)式中：為修正后的熱損失參數(shù)；為修正前的熱損失參數(shù)；c為鋼水比熱容，kJ/(kg）；為鋼水量，kg；T為數(shù)據(jù)模型的預(yù)測溫度與目標鋼水溫度之差，T=T1-T0，；為機理模型計算的熱收入，kJ。模型的具體流程如圖2所示。圖2 模型計算流程Fig.2 Model calculation process1.2機理模型控制方程轉(zhuǎn)爐冶煉造渣劑主要有石灰、輕燒白云石、氧化球團等。石灰是轉(zhuǎn)爐冶煉的主

13、要造渣料，它的主要成分為CaO，具有很強的脫磷和脫硫能力，石灰的加入量主要依據(jù)鐵水中Si含量和終渣堿度R來確定：(2)式中：為石灰加入量，kg；為爐渣堿度；為除石灰外的其他物料帶入的及氧化生成SiO2量總和，kg；為除石灰外的其他物料帶入的CaO量之和，kg；為石灰中CaO的成分含量，%；為石灰中SiO2的成分含量，%。輕燒白云石的主要成分為MgO和CaO，可以替代一部分石灰，加入輕燒白云石的主要目的是保證渣中有一定含量的MgO，減少前期酸性渣對轉(zhuǎn)爐爐襯的侵蝕。輕燒白云石的加入量根據(jù)爐渣中所要求的MgO含量來確定，渣中MgO含量一般控制在7%10%。(3)式中：為輕燒白云石加入量，kg；為轉(zhuǎn)爐

14、爐渣量，kg；為爐渣MgO成分含量，%；為除輕燒白云石外其他物料帶入的MgO含量，kg；為輕燒白云石中MgO的成分含量，%。氧化球團作為一種優(yōu)良的冷卻劑，不僅可以吸收富余熱量，還能減少鐵水的氧化，球團的加入量根據(jù)熱平衡來計算：(4)式中：為球團加入量，kg；為除球團吸熱外的其他熱支出之和，kJ；為單位質(zhì)量球團吸熱量，kJ/kg。轉(zhuǎn)爐氧氣的消耗主要用于鐵水中元素的氧化，元素氧化所需的氧大部分來源于氧槍吹入，小部分來源于球團供氧，氧氣的吹氧量為：(5)式中：為轉(zhuǎn)爐吹氧量，m；為鐵水中元素氧化耗氧量，m3；為冷固球團供氧量，m3；為氧氣利用系數(shù)。轉(zhuǎn)爐冶煉吹損主要有非Fe元素氧化損失、渣中鐵損失、煙塵

15、鐵損失、噴濺鐵損，假設(shè)球團中鐵氧化物全被還原為Fe，則出鋼量為：(6)式中：為入爐鐵水量，t；為入爐廢鋼量，t；為渣中全鐵量，t；為非Fe元素氧化量總和，t，其中i為C、Si、Mn、P；為煙塵中全鐵量，t；為氧化球團中全鐵量，t。轉(zhuǎn)爐爐渣主要來源于造渣劑和球團中非Fe成分固態(tài)氧化物、鐵水中各元素氧化物，渣量的計算公式為：(7)式中：為爐渣量，kg；為石灰中固態(tài)氧化物總量，kg；為輕燒白云石中固態(tài)氧化物總量，kg；為球團中非Fe固態(tài)氧化物總量，kg；為鐵水中非Fe元素氧化生成物總量，kg；為渣中FeO成分含量，%；為渣中Fe2O3成分含量，%。轉(zhuǎn)爐爐氣的主要成分為CO和CO2、N2，還有少許SO

16、2、H2O和自由O2，其中CO和CO2來源于鐵水中C的氧化，N2、自由O2來源于吹氧帶入，SO2、H2O來源于鐵水中S元素氧化和外加物料，冶煉一爐鋼產(chǎn)生的爐氣量為：(8)式中：為爐氣量，m3；為C氧化生成的CO量，m3；為C氧化生成的CO2量，m3；為氧氣帶入的N2量，m3；為鐵水氧化生產(chǎn)和輔料中元素生成SO2量，m3；為輔料帶入的水汽量，m3；自由氧量，m3；鋼中溶氧量，m3。在傳統(tǒng)的計算模型中，一般是先假定爐渣量，計算出輕燒白云石，然后計算出石灰，球團等，由于輕燒白云石能替代部分石灰，所以在計算中需要重復(fù)迭代計算。本模型計算對傳統(tǒng)計算模型進行改進，不假定渣量，將上述式（2）、（3）、（4）

17、轉(zhuǎn)換為以輔料成分和已知參數(shù)為系數(shù)的方程組見式（9），進而轉(zhuǎn)換為（10）所示的矩陣形式進行求解，因為渣量、鋼水量、爐氣量貫穿在式（4）中，所以式（5）（8）在輔料計算后再單獨計算。(9)(10)2模型參數(shù)的取值2.1機理模型參數(shù)取值以S鋼廠的4#轉(zhuǎn)爐為研究對象，對該轉(zhuǎn)爐一年的實際生產(chǎn)數(shù)據(jù)進行分析，為了避免不同鋼種帶來的差異影響，本模型僅以該廠生產(chǎn)最多的SPHC-W1鋼種為例，采集到原始數(shù)據(jù)1311組，刪除數(shù)據(jù)缺失項后，再采用拉依達準則（準則）對數(shù)據(jù)進行處理，刪除掉異常數(shù)據(jù)后剩余813組。在該轉(zhuǎn)爐實際生產(chǎn)中，造渣劑的加入種類有石灰、輕燒白云石、白云石、氧化球團、含碳菱鎂球、灰石渣 6種，813組數(shù)

18、據(jù)中，加入各種輔料的爐次占比情況分布如圖3所示。圖3 輔料加入情況Fig.3 The situation ofaccessories add從圖中可以看出，在統(tǒng)計的813爐數(shù)據(jù)中，加入石灰和氧化球爐次占比100%，加入輕燒白云石的爐次占比92.4%，加入含碳菱鎂球、灰石渣、白云石的爐次占比均低于13%，因此可知，生產(chǎn)過程中加入的物料主要有石灰、輕燒白云石、氧化球團三種，加入其它輔料的爐次視為物料水平不穩(wěn)定，于是保留物料水平穩(wěn)定的爐次699組，對該699爐分別計算它們的物料平衡和熱平衡，計算時相關(guān)參數(shù)設(shè)定情況如下：C生成CO和CO2的比例為9:1；爐氣溫度：1520；爐襯侵蝕量：0.3%；煙塵損

19、失量1.6%，其中FeO占比77%，F(xiàn)e2O3占比20%；氧氣純度：99.5%；爐氣中自由氧含量：0.05%；根據(jù)爐渣化驗情況，確定渣中FeO占比17%，F(xiàn)e2O3占比7%；對鋼水終點O和C數(shù)據(jù)擬合，得到終點O（ppm）與終點C（%）的關(guān)系：(10)通過物料平衡和熱平衡的計算，冶煉相關(guān)參數(shù)結(jié)果統(tǒng)計如表1所示。表1 冶煉參數(shù)統(tǒng)計結(jié)果Table 1 Statistical results of smelting parameters項目平均值標準差變異系數(shù)氧氣利用率0.990.0593.24%渣中MgO質(zhì)量占比0.1120.01412%熱效率0.7850.0202.54%其中：變異系數(shù)=標準差/平

20、均值，用以表征某項目的波動情況；熱效率=（鋼水物理熱+廢鋼物理熱+氧化球團物理熱）/熱收入。從表中可以看出氧氣利用率、渣中MgO和熱效率三個參數(shù)比較穩(wěn)定，模型中直接取其平均值作為模型中冶煉參數(shù)。堿度由于鐵水中Si含量的波動而產(chǎn)生較大的波動，另外堿度還與鐵水中的P含量和鐵水溫度有關(guān)，所以根據(jù)實際渣料加入量計算出的堿度與鐵水中Si、P以及鐵水溫度T進行多元回歸，得到式（11）所示關(guān)系，于是模型中堿度參數(shù)按照式（11）進行賦值。(11)2.2數(shù)據(jù)驅(qū)動模型參數(shù)取值在采用神經(jīng)網(wǎng)絡(luò)對出鋼溫度進行預(yù)測時，首先需要確定輸入?yún)?shù)，由機理分析可知，熱收入主要有鐵水物理熱和元素氧化熱，除去鋼水物理熱外，熱支出有冷卻

21、劑（廢鋼、氧化球團）吸熱、爐渣熱、熱損失，鐵水物理熱由鐵水溫度和鐵水量決定，元素氧化熱由鐵水成分含量、目標鋼水成分含量決定，爐渣熱包含造渣劑的吸熱量，熱損失則與轉(zhuǎn)爐設(shè)備有關(guān)，因此可知出鋼溫度與鐵水量、鐵水成分、目標鋼水成分、冷卻劑量、造渣劑加入量以及爐齡都有關(guān)系，為了減少輸入變量個數(shù)，對鐵水成分和目標鋼水成分進行計算，以元素百分氧化量替代相應(yīng)輸入變量，最終確定以鐵水量、C氧化量、Si氧化量、Mn氧化量、P氧化量、鐵水溫度、石灰加入量、輕燒白云石加入量、廢鋼、氧化球團加入量、吹氧量、爐齡作為輸入變量，以650爐生產(chǎn)數(shù)據(jù)作為訓練數(shù)據(jù)，49爐作為測試數(shù)據(jù)。利用MATLAB軟件建立一個多輸入單輸出的3

22、層BP神經(jīng)網(wǎng)絡(luò)，輸入層節(jié)點數(shù)和輸出層節(jié)點數(shù)分別為輸入的變量個數(shù)和輸出的變量個數(shù)，即輸入層節(jié)點數(shù)為12，輸出層節(jié)點數(shù)為1，以logsig函數(shù)和tansig函數(shù)作為傳遞函數(shù)，traingdx作為訓練函數(shù)，通過試湊法確定最佳隱含層節(jié)點數(shù)為9，測試結(jié)果如圖4所示。圖4 測試結(jié)果對比圖Fig.4 Comparison of test results測試結(jié)果精度匯總于表2。表2 測試結(jié)果精度匯總Table 2 Summary of test results誤差35710精度22.45%48.98%63.27%75.51%用機理方法對上述49爐終點鋼水溫度進行計算，誤差在10范圍內(nèi)的爐次只有5爐，占比為10

23、.20%，對比表2知，神經(jīng)網(wǎng)絡(luò)預(yù)測精度在10誤差范圍內(nèi)為75.51%，明顯優(yōu)于機理計算，于是將訓練好的神經(jīng)網(wǎng)絡(luò)模型保存，用于后續(xù)模型計算。3模型驗證將相關(guān)參數(shù)取值帶入模型中，并采用C#編程語言，將模型的輸出項控制方程程序化，在計算出鋼溫度時，直接調(diào)用訓練好的神經(jīng)網(wǎng)絡(luò)，以機理計算出的輸出參數(shù)作為數(shù)據(jù)驅(qū)動模型的輸入變量，對出鋼進行預(yù)測計算，并將結(jié)果與目標溫度進行對比，若誤差未滿足要求則返回調(diào)整熱損失參數(shù)繼續(xù)計算，直至誤差在要求范圍內(nèi)。簡易的程序界面如圖5所示。圖5 轉(zhuǎn)爐工序輸入-輸出模型簡易計算界面Fig.5 Thesimple calculation interfaceofconverter p

24、rocess input - output model 為了驗證本文中模型的可行性，以數(shù)據(jù)驅(qū)動模型中預(yù)測精度在10誤差范圍內(nèi)的36爐數(shù)據(jù)進行驗證計算。對該36爐數(shù)據(jù)分別采用單一的機理模型和本文的混合模型進行計算，結(jié)果見表3和表4。表3 模型渣料計算命中率Table3 The hit rate of the slag in the model項目機理模型（誤差1t）本文混合模型（誤差1t）石灰加入量75.0%86.1%輕燒白云石加入量80.5%88.8%氧化球團加入量69.4%77.7%表4 吹氧量命中率Table4 The hit rate of oxygen consumption誤差機理模

25、型本文混合模型5%80.5%83.3%7%88.8%91.7%生產(chǎn)數(shù)據(jù)中未采集單爐爐氣量和爐渣量數(shù)據(jù)，因此無法對比；出鋼量由于鋼包容量限制的原因，鋼水產(chǎn)量與出鋼量并不一定相等，于是模型結(jié)果不做比較。由表3可知，在相同誤差范圍內(nèi)，本文混合模型的命中率相較于機理模型都有所提高，石灰加入量命中率提高11.1%，輕燒白云石加入量命中率提高8.3%，氧化球團加入量命中率提高8.3%；轉(zhuǎn)爐吹氧量主要用于鐵水中碳氧化，與渣料加入量的多少關(guān)系不大，因此兩種模型計算出的結(jié)果差距不大。4結(jié)論構(gòu)建了基于機理和數(shù)據(jù)驅(qū)動的轉(zhuǎn)爐輸入-輸出混合模型，以數(shù)據(jù)驅(qū)動模型對機理模型進行校正，提高了模型精度。以C#語言將模型程序化，

26、以簡易界面可視化顯示，并用該程序?qū)?6爐數(shù)據(jù)進行輸入-輸出計算，在1t誤差范圍內(nèi)，石灰加入量命中率為86.1%，輕燒白云石加入量命中率為88.8%，球團加入量命中率為77.7%，相較于純機理模型分別提高了11.1%、8.3%、8.3%；吹氧量命中率在7%誤差范圍內(nèi)為91.7%，比純機理模型提高2.9%。參考文獻王俊嶺, 張新社. 中國鋼鐵工業(yè)經(jīng)濟增長、能源消耗與碳排放脫鉤分析J. 河北經(jīng)貿(mào)大學學報, 2017, 38(4):77-82.殷瑞鈺. 從開放系統(tǒng)、耗散結(jié)構(gòu)到鋼廠的能量流網(wǎng)絡(luò)化集成J. 中國冶金, 2010, 20(8):1-14.殷瑞鈺. 鋼鐵制造流程的能量流行為和能量流網(wǎng)絡(luò)問題J.

27、 工程研究-跨學科視野中的工程, 2010, 2(1):1-4.蔡九菊, 王建軍, 陸鐘武,等. 鋼鐵企業(yè)物質(zhì)流與能量流及其相互關(guān)系J. 東北大學學報(自然科學版), 2006, 27(9):979-982.蒼大強. 國內(nèi)外冶金工業(yè)源頭節(jié)能減排的新方法、新技術(shù)J. 有色金屬科學與工程,2015,6(06):1-6.趙業(yè)清. 基于混合Petri網(wǎng)的鋼鐵企業(yè)能量流網(wǎng)絡(luò)模型研究J. 冶金自動化,2014,38(05):27-32.王懿, 蘆永明. 鋼鐵企業(yè)能量流網(wǎng)絡(luò)研究現(xiàn)狀與發(fā)展趨勢J. 冶金能源, 2016, 35(3):3-8.鄭忠, 黃世鵬, 李曼琛,等. 鋼鐵制造流程的物質(zhì)流和能量流協(xié)同優(yōu)化J. 鋼鐵研究學報, 2016, 28(4):1-7.稅烺,賀東風,艾立翔,徐安軍,田乃媛. 冶金生產(chǎn)余能回收的一種新的能量分析法J. 有色金屬科學與工程,2012,3(01):43-48.孫彥廣, 梁青艷, 李文兵,等. 基于能量流網(wǎng)絡(luò)仿真的鋼鐵工業(yè)多能源介質(zhì)優(yōu)化調(diào)配J.