高炉炉况的重要参数

《高炉炉况的重要参数》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、一、问题的重述高炉炼铁是现代钢铁生产的重要环节，且是个复杂的高温物理化学过程，精确掌握炉内的温度分布上不可能，所以一般要通过预报高炉炉温(铁水硅含量)来间接地反映炉内的温度变化，判断高炉炉缸热状态，并以此来调控高炉行程、能量消耗及生铁质量。事实上，影响铁水硅含量（即炉温）的因素很多，大体上分为两大类：状态参数和控制参数。状态参数包括料速、透气性指数、风口状况、铁水与炉渣成分等；控制参数包括入炉原料的性质(成分、比重、配料比等)、装料方式、风量、风温、富氧量等，各个因素之间也存在交互影响。其中几个重要的影响参数为

2、：（1）料速是判断高炉炉况的一个重要参数；（2）透气性指数是判断炉温与炉况顺行的一个重要参数；（3）铁量差指的是理论出铁量与实际出铁量之差；（4）风温对高炉冶炼过程的影响，主要是直接影响到炉缸温度，并间接的影响高炉高度方向上温度分布的变化，以及影响到炉顶温度水平；（5）风量引起的炉料下降速度和初渣中FeO的含量的增减，以及煤气流分布的变化，都会影响到煤气能的利用程度和炉况顺行情况。现在要求我们根据表中给出的近期某高炉的生产数据，试建立铁水硅含量与各影响参数的数学预测模型。二、问题的分析高炉铁水硅含量的高低反映了

3、高炉冶炼过程的热状态及燃烧比。维持稳定且较低的铁水硅含量是炉况稳定并产生较低燃烧比的直接保证。对于本问题中铁水硅含量的预报有很多方法，如传统的ARMA模型，但是由于高炉生产过程的复杂性，尤其在不断提高喷煤量之后，炉况的波动更加剧烈和复杂，采用ARMA模型已经很难准确的描述铁水硅含量的预测模型。然而最近提出的神经网络模型能够以实验数据为基础，经过有限次迭代，就可以获得一个反映实验数据内在规律性的参数组，尤其是对于参数众多的，规律性不明显的生产过程能发挥其独特性，此方法正好解决本文中参数众多且无规律的问题，所以本文

4、采用神经网络的方法对铁水硅含量进行预报。为了使得我们建立的BP神经网络模型更具有说服力，同时建立了一个多元线性回归模型与之进行对比。三、模型的假设和符号说明（一）模型假设1、铁硅量与原料混合时间有关，与起始时间无关；2、用料全部都倒进高炉内，在反应开始前无残留；3、原始各变量相互不独立，具有相关性。（二）符号说明：第i个主成分，第j个变量的权数：为回归常数：多元线性回归系数（=1,2，…）：第i个主成分的第j个变量值：第i个主成分四、模型的建立及求解（一）模型一：多元线性回归模型1.模型一的建立多元线性回归模型

5、的一般形式式中，为回归常数，（=1,2，…）称为回归系数，称为被解释变量，即因变量；而是个可以精确测量并可控制的一般变量，称为解释变量，即自变量。对于一个实际问题，如果我们获得组观测数据（）（=1,2，…，）则线性回归模型可表示为（1.1）由于大量的参数变量间并非相互独立，各个因素之间也存在交互影响，因此我们采用主成分分析法，把各变量之间互相关联的复杂关系进行简化分析。建立主成分函数（1.2）最后将看做一个新的变量，建立多元回归分析模型（1.3）2.模型一的求解根据上面原理，利用SPSS软件进行主成分分析求解，

6、结果如表1。表1主成分矩阵根据表1结果，得到主成分的表达式。（1.4）同时将求得的值多元回归分析，结果如表2：故拟合多元线性回归方程（1.5）表2回归系数3.模型一的检验要看回归效果如何，对回归方程进行显著性检验，即看自变量从整体上对随机变量是否有显著的影响。为此提出原假设：（1.6）如果被接受，则表示随机变量与之间的关系由线性回归模型表示不合适。为了建立对进行检验的统计量，利用总离差平方和的分解式（1.7）简写为（1.8）构造检验统计量如下（1.9）在正态假设下，当原假设：成立时，服从自由度为的分布。于是，可

7、以利用统计量对回归方程的总体显著性进行检验。给定的显著性水平（取=0.05），查分布表，得临界值.当>时，拒绝原假设，认为在显著性水平下，对…有显著的线性；反之，当,则认为回归方程不显著。表3方差分析表方差来源自由度平方和均方值值回归残差总和。表4Sig为显著性水平检验，Sig<0.05表示变量回归性显著。由表4可看出变量通过了显著性水平检验，但表2却反映，虽然变量通过了显著性水平检验，但某些变量，即F1、F2、F5、F7显著性水平较弱，（F1、F2、F5、F7分别对应表五中的Y1、Y2、Y5、Y7）。将预测值

8、和实际值汇在散点图上可直观的反映拟合效果，散点构成的直线基本倾斜向右上方，但离散程度过大，故方程的拟合效果不尽理想。此方法不适合用于此类的预测问题。图1炉温指数散点图（二）模型二：BP神经网络模型1.模型结构的确定BP神经网络模型可以拟合任意一个非线性映射，由输入层、隐藏层和输出层三部分组成。其基本的结构如图2所示。图2BP神经网络层次图（1）输入层的确定神经网络的输入层起缓冲存储器的