一种LF炉精炼过程钢水合金成分预测方法.pdf

(19)中华人民共和国国家知识产权局*CN103060517A*(12)发明专利申请(10)申请公布号(10)申请公布号CNCN103060517103060517A(43)申请公布日2013.04.24(21)申请号201310032795.X(22)申请日2013.01.28(71)申请人山西太钢不锈钢股份有限公司地址030003山西省太原市尖草坪街2号(72)发明人杨斌虎赵小彦郝旭明张振祥韩晓东郝娜程宵白小霞(74)专利代理机构太原市科瑞达专利代理有限公司14101代理人卢茂春(51)Int.Cl.C21C7/00(2006.01)权权利要求书2页利要求书2页说明书5页说明书5页附图1页附图1页(54)发明名称一种LF炉精炼过程钢水合金成分预测方法(57)摘要一种LF炉精炼过程钢水合金成分预测方法，属于冶金技术领域，包括：（1）采集精炼前的上一工序结束时钢水成分化验数据与预熔物的质量数据；（2）精炼过程中建立人工神经网络模型；（3）进行模型训练。本发明以LF炉上工序化验合金成分数据作为初始值，以精炼过程中钢水化验值作为取样时刻标准值，考虑计划关联预熔物，加入合金料成分、造渣料、丝线以及脱氧脱硫剂对钢水成分的影响，利用BP神经网络对非取样时刻的钢水合金成分进行预测。本发明的方法在LF精炼过程中，能实时预测钢水合金成分，可以有效缩短LF精炼时间，降低精炼成本，使得LF精炼过程快速完成。CN103060517ACN103657ACN103060517A权利要求书1/2页1.一种LF炉精炼过程钢水合金成分预测方法，包括：（1）、采集精炼前的上一工序结束时钢水成分化验数据与预熔物的质量数据；（2）、精炼过程中建立人工神经网络模型；（3）、进行模型训练。2.根据权利要求1所述的一种LF炉精炼过程钢水合金成分预测方法，其特征是所述钢水成分化验数据包括C、Si、Mn、P、S元素的成分值；所述预熔物的质量数据包括CaO、Al2O3、CaF2SiO2、MgO、MnO、FeO、Fe2O3、Cr2O3、TiO2、S、P2O5。3.根据权利要求1所述的一种LF炉精炼过程钢水合金成分预测方法，其特征是所述人工神经网络模型为三层BP神经网络模型。4.根据权利要求3所述的一种LF炉精炼过程钢水合金成分预测方法，其特征是所述三层BP神经网络模型的输入层为C、Si、Mn、P、S各元素的成分值、钢水温度、钢水重量、合金加入量，合金中所含C、Si、Mn、P、S元素含量及该元素的收得率；三层BP神经网络模型的隐含层为输入层变量个数的2倍；三层BP神经网络模型的输出层即为包括C、Si、Mn、P、S元素的成分预测值。5.根据权利要求1所述的一种LF炉精炼过程钢水合金成分预测方法，其特征是所述模型训练为误差逆传播训练。6.根据权利要求1所述的一种LF炉精炼过程钢水合金成分预测方法，其特征是所述误差逆传播训练包括（1）输入模式顺传播：输入模式向量为：其中k＝1，2，…，m；m是学习模式对数，n是输入层单元个数，为元素C、Si、Mn、P、S成分值、钢水温度、钢水重量、合金加入量，合金中所含主要元素含量及该元素的收得率中的某个量；并通过激活对数S型传递函数计算中间层各单元的输出；输出向量为：其中q是输出层单元数；中间层各神经元的激活值为：式中：j＝1，2，…，p；wij为权值；θj为阈值；中间层j单元的输出值则为式中：j＝1，2，…，p；输出层的输出为式中：t=1，2，…，q；vjt为中间层到输出层的权值；rt为中间层到输出层的阈值）（2）输出误差逆传播输出层的误差矫正误差为2CN103060517A权利要求书2/2页式中，t＝1，2，…，q，k＝1，2，…，m；为希望输出，为实际输出；中间层各单元的校正误差为：式中：j＝1，2，…，p；k＝1，2，…，m；对于输出层至中间层连接权和输出层阈值的矫正量为式中，a是学习系数，满足：0<a＜1，中间层至输入层的矫正量为：式中，β是学习系数，满足：0<β<1；（3）循环记忆训练反复重复上述的输入输出模式顺传播和输出误差逆传播过程使得网络的输出误差趋于极小值。（4）学习结果判别当每次循环记忆训练结束时，都要对学习结果进行判定，判定的目的是检查输出误差是否已经小到允许的程度；如果小到了允许的程度，就可以结束整体学习过程，否则还要进行循环训练。7.根据权利要求6所述的一种LF炉精炼过程钢水合金成分预测方法，其特征是所述其循环训练包括：（1）初始化，给各网络权值、阈值赋[-1,+1]之间的随机值；（2）随机选取一模式对提供给网络；（3）用输入模式，初始连接权值，阈值计算中间层各个神经元的激活值，然后通过激活对数S型传递函数计算中间层各单元的输出；（4）用中间层的输出、连接权值、阈值计算输出层各单元的输入，然后计算输出层各单元的响应；（5）