[发明专利]一种高炉铁水硫含量预报方法

权利要求书

1.一种高炉铁水硫含量预报方法，其特征在于，以硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭S含量、入炉煤粉S含量作为铁水含硫预报的输入变量，利用高炉形成铁水的化学反应过程，结合RBF神经网络，预报下一次铁水的含硫量，在炉况波动小时依靠均线系统，在炉况波动大时自动加入炉渣碱度及前次铁水含硅量，以较少的自变量，获得较好的预报精度，提高高炉铁水硫含量的预报命中率；包括参数选取、数据预处理、预测算法设计、结果输出四个步骤；

参数选取：

参数选取采用能够反映高炉铁水中硫含量受高炉化学变化影响的变量，包括硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭硫含量及入炉煤粉硫含量；

结合高炉冶炼周期的不同选取和计算不同的时间周期内硫含量的均值，且计算时间周期可以调整；

设铁水硫序列为：S={S₁，S₂，S₃，，，，，，S_i，S_i十1}

其中:S_i为当前铁水硫含量，％；S_i+1为要预报的下次铁水硫含量，％；

设S_AVG为铁水硫序列的平均值，

SAVG=1iΣj=1iSj]]>

S_j为铁水中硫含量；

（1）硫含量短期均值：

Sin=1nnΣj=i-nn-1iSj]]>

其中：n_n为短期均值周期，次；参考值为平均冶炼周期1/4；

（2）硫含量中期均值：

Sim=1nmΣj=i-nm-1iSj]]>

其中：n_m为中期均值周期，次；参考值为平均冶炼周期1/2；

（3）硫含量长期均值：

Sil=1nlΣj=i-nl-1iSj]]>

其中：n_l为长期均值周期，次；参考值为平均冶炼周期；

均值系统在炉况稳定时是预测下次铁水硫含量的影响因素；

数据预处理：

数据预处理利用反正切和反余切函数，体现前次铁水对应的炉渣碱度和前次铁水含硅量作为对炉况波动大时的影响参数，炉渣碱度与铁水硫含量的结果有明显的负相关；

（1）炉渣碱度在炉况变动加大时是决定铁水含硫量的重要因素：

设炉渣碱度序列为：T={T₁,T₂,T₃,,,,,T_i}

其中：T_i为前次铁水硫对应炉渣碱度；

设T_AVR为炉渣碱度的平均值

（2）前次铁水含硅量：

在炉况变动加大时前次铁水含硅量是决定铁水含硫量的重要因素，特别在硫含量变化剧烈时，硫和硅有明显的负相关，而在硫均值附近硫和硅没有明显的相关性；

设铁水含硅量序列为：Si={Si₁,Si₂,Si₃,,,,,Si_iSi_i+1}

其中：Si_i为前次铁水含硅量，%；

设Si_AVG为铁水含硅量的平均值：

SiAVG=1iΣj=1iSij]]>

（3）前次铁水对应的炉渣碱度及前次铁水含硅量影响因素分别为：

Si+1Si=KSi*2π*Arccot(Sii-SSiA*]]>

其中：为前次铁水对应的炉渣碱度影响因素；为前次铁水含硅量影响因素；K_T前次铁水对应的炉渣碱度影响因素权重；K_Si前次铁水含硅量影响因素权重；

（4）入炉焦炭S含量、入炉煤粉S含量对铁水硫含量的影响因素分别为：

Si+1Sj=KSj*Sji]]>

Si+1Sm=KSm*Smi]]>

其中：为入炉焦炭S含量对铁水硫含量影响因素；为入炉煤粉S含量对铁水硫含量影响因素；K_Sj为入炉焦炭S含量对铁水硫含量影响因素权重；K_Sm为入炉焦炭S含量对铁水硫含量影响因素权重；

（5）含硫量短期、中期及长期影响因素由以下三个多项式表示：

Si+1A=Kn*(Si+Sin)+Km*(Si+Sim)+Kl*(Si+Sil)]]>

其中：为含硫量均线系统影响因素；K_n短期均线影响因素权重；K_m中期均线影响因素权重；K_l长期均线影响因素权重；

预测算法设计：

预测算法设计根据高炉冶炼的化学原理结合高炉冶炼的物理过程预报下次铁水硫含量；其中，硫含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度是基于高炉化学反应来考虑的，而前次铁水含硅量、入炉焦炭硫含量、入炉煤粉硫含量则是根据高炉冶炼过程中温度和原燃料考虑的；

硫预报函数为：

Si+1=(Si+1A+Si+1T+Si+1Si+Si+1Sj+Si+1Sm)/]]>

[Kn+Km+Kl+KSj+KSm+]]>

KT*Arctan(Ti-TAVRTAVR)+KSi*Arccot(Sii-SSiA]]]>

=[Kn*(Si+Sin)+Km*(Si+Sim)+Kl*(Si+Sil)+KSj*Sji+KSm*Smi+]]>

KT*2π*Arctan(Ti-TAVRTAVR)*Ti+KSi*2π*Arccot(Sii-SiAVRSiAVR)*Sii]/]]>

[Kn+Km+Kl+KSj+KSm+]]>

KT*Arctan(Ti-TAVRTAVR)+KSi*Arccot(Sii-SiAVRSiAVR)]]]>

预测算法中的权重系数K_n,K_m,K_l,K_T,K_Si，K_Sj,K_Sm,采用RBF神经网络训练获得；

结果输出：

结果输出以曲线和数字形式显示在操作屏上，指导炉长对相关参数进行调节，达到稳定炉温使炉况顺行的目的。