[发明专利]一种基于神经网络的高炉炉温预测及指导操作的方法

说明书

本发明公开了一种基于神经网络的高炉炉温预测及指导操作的方法，所述方法具体如下：A、数据准备，B、lstm模型框架搭建，C、模型训练与参数调优，D、模型打包发布，本发明的基于神经网络的高炉炉温预测及指导操作的方法，通过建立一个高炉铁水硅含量的预测模型，基于高炉操作制度和高炉状态表征参数来预测高炉热状态的未来走势，指导高炉冶炼操作，实现降低铁水硅含量的目的；本发明采用LSTM模型建立热风、喷煤等操作变量和温度、压力、透气性等炉内状态变量与铁水硅含量间的影响关系。数据采样品率为0.5小时，时间序列长度为8，即开口前4小时。

技术领域

本发明涉及一种高炉炉温预测方法，具体涉及一种基于神经网络的高炉炉温预测及指导操作的方法，属于高炉硅含量控制技术领域。

背景技术

在高炉冶炼工艺中，对高炉炉温水平和炉温变化趋势做出及时准确的预测是高炉过程控制的前提；由于高炉铁水硅含量是表征高炉产品质量和炉热状况的重要指标，降低铁水硅含量并保持合理的低水平有着非常重要的意义；它不仅有利于缩短炼钢时间、提高转炉炉衬寿命、降低铁水及辅助材料消耗和吨钢成本，还能降低炼铁入炉焦比、增加生铁产量；因此，高炉铁水中的硅含量不仅是衡量产品质量的一个重要指标，而且反映了高炉能量利用的好坏；铁水硅含量的准确预测，能够指导高炉配料和高炉冶炼操作，实现降低铁水硅含量的目的；高炉冶炼过程是一个高度复杂的过程，其运行机制往往具有非线性、时变、高维、大噪声、分布参数等特性，高炉生产时从炉顶装入铁矿石、焦炭、造渣用熔剂(石灰石)，从位于炉子下部沿炉周的风口吹入经预热的空气；高温下焦炭中的碳同鼓入空气中的氧燃烧生成的一氧化碳和氢气，在炉内上升过程中除去铁矿石中的氧，从而还原得到铁；炼出的铁水从铁口放出；铁矿石中未还原的杂质和石灰石等熔剂结合生成炉渣，从渣口排出；产生的煤气从炉顶排出，经除尘后，作为热风炉、加热炉、焦炉、锅炉等的燃料；高炉冶炼的主要产品是生铁，还有副产高炉渣和高炉煤气；影响高炉热状态的因素很多，既有入炉原料性质、装料方式等基本条件(由于这些基本条件相对稳定且不易采集数据进行量化，故本发明暂未考虑这些因素)，又有风量、风温等操作制度，且各个参数之间也相互影响；另外高炉冶炼是个连续过程，数据多为时间序列，一些操作无法立即产生效果，存在一定程度的时间迟滞现象。

发明内容

为解决上述问题，本发明提出了一种基于神经网络的高炉炉温预测及指导操作的方法，采用长短期记忆网络(LSTM)模型建立影响因素与铁水硅含量间的关系，从而达到对高炉炉温预测及后期指导操作的目的。

本发明的基于神经网络的高炉炉温预测及指导操作的方法，所述方法具体如下：

A、数据准备：所述数据包括由传感器采集的表征高炉状态数据和影响高炉状态变化数据；及由现场操作工手动录入的手工数据；所述表征高炉状态数据包括炉顶温度数据、炉顶压力数据、煤气利用率数据和透气性指数数据；所述影响高炉状态变化数据包括风量、喷煤量和富氧含量；各传感器安装于高炉采集数据的安装位；所述手工数据包括开口和堵口时间数据、炉次号数据；通过所述炉次号数据从ERP系统中获取相应炉次的硅含量数据；

B、lstm模型框架搭建：

lstm模型为长短期记忆网络，其是一种特殊的RNN模型，其特殊的结构设计使得它可以避免长期依赖问题；在LSTM中，采用专门设计的“门”来引入或者去除细胞状态C_t中的信息；门是一种让信息选择性通过的方法；LSTM主要包括三个不同的门结构：遗忘门、记忆门和输出门；这三个门用来控制LSTM的信息保留和传递，最终反映到细胞状态C_t和输出信号h_t；

采用pytorch深度学习框架，构造lstmRNN类，定义初始化函数__init__()用来声明输入层、隐藏层和输出层的神经元个数，记忆细胞个数，改写forward()方法，用来计算神经网络的误差从而迭代优化神经元间的连接权使网络误差降低；

C、模型训练与参数调优，