摘要：高炉炉温是衡量高炉运行状态的重要参数，而炉温是不能直接预测的。在高炉中发生的一系列化学反应中，最终通过铁水中的硅含量来预测炉温是比较准确的，而影响硅含量的主要因素有喷煤、风量以及硅本身。通过分析这三个影响因素来预测出硅含量的变化趋势，最终为工长做出优质的决策。高炉炼铁是一个极其复杂的时间序列问题，在这里通过BP神经网络和NARX动态神经网络对炉温进行预测分析，NARX动态神经网络的的命中率达到74%，BP神经网络的命中率为
62.12% 发现NARX动态神经网络预测的结果准确度较高；由此得出用NARX动态神经网络预测炉温较为适合这一结论。
关键词：硅含量；BP神经网络；NARX动态神经网络
1 高炉炼铁机理及硅含量分析
1.1 高炉炼铁机理
首先将焦炭，铁矿石，石灰石，白云石，锰矿等一些溶剂通过入炉原料供应系统从高炉顶部装入高炉，当焦炭到达风口回旋区时，会与风口鼓入的氧，煤油，重油等一些辅助燃料发生化学反应，产生一氧化碳和氢气。高炉中的气体从底部上升到高炉顶部，最终进入高炉气体处理装置进行二次利用或者净化除尘后排放。在煤气自下而上的运动过程中，会与铁矿石发生传热，还原，熔化，脱碳等一系列反应，最终会产生一些炉渣落到炉缸区，漂浮在铁水上，最后从铁水中排出，排出后通过撇渣器实现炉渣和铁水分离。铁水经过合理取样检验，检验合格后进入炼钢过程[4]。如图1所示：
高炉冶炼过程中的化学反应是流体下的动态化学反应[3]，因此不同于静态实验室的化学应，从数学建模的角度看，将高炉内发生的100多种主要化学反应进行抽象化，得到一个通用方程式，即：
1.3 硅含量分析
2 模型的建立
2.1 NARX动态神经网络适合炉温预测的概述
1.在静态神经网路中，输入信号向量从输入层开始从前往后依次经过各层处理，最终通过输出层输出结果。当神经网络的输出信号反过来作为输入信号继续训练时，成为动态神经网络，动态神经网络具有“记忆”前一次或前几次的输出结果的能力，因此动态神经网络在处理复杂的时间序列问题上是具有很大优势的，[1]NARX动态神经网络带有一个后向反馈，从闭合的神经网络上形成一个循环，它的性能往往优于传统的人工神经网络，有着更快的收敛性和泛化能力。NARX动态神经网作为一种非线性表示工具，已经成功的运用于现实世界中的许多问题。
2.关于预测的神经网络类型而言[8]，如果输出滞后介数dy=o，那么NARX动态神经网络就简化了TDNN结构神经网络，这种简化削弱了其固有的预测能力，其自身时间序列的历史值也会对当前值产生影响。在许多实际问题中，网络必须有能力存储相当时间长的噪音。NARX动态神经网络在训练过程中，不丢弃序列中被处理的历史数据，在解决复杂的时间序列问题中，NARX动态神经网络的性能远优于传统的神经网络，有着更快的收敛性和更好的泛化能力。
3.[6-7]炉温预测是依时间顺序采集工艺参数的，并且工艺参数是一个高维的大数据时间序列，而且炼铁过程是一个复杂的化学反应链，在某个时间上的化学反应不确定，有些因素影响着硅的预测，因此动态神经网络解决炉温预测具有绝对的优势。
2.2 基于NARX动态神经网络的预测分析
1.基本实现方法：用硅，喷煤，风量作为输入量来预测第二步的硅作为输出量，根据炉温所测的数据是一个完整的系统数据，需要对所测得1000组数据需要进行全部处理才有意义，分别对699组数据进行训练，150组数据进行测试以及150组数据进行检验。
2.经过反复训练测试，发现当隐含层取7层，输入节点为（1:2）时，NARX动态神经网络的效果会更好一些，通过仿真值与输出值作比较，发现无论是训练，测试，检验，它们的拟合程度都挺好，同时也发现总误差也挺小，因此 动态神经网络对炉温具有很好的预测效果。
3.通过对网络进行训练，误差超不过20%，都集中在目标误差左右。训练，检验，测试集看起来效果良好，再次证明此网络对于复杂的时间序列具有很好的很好的仿真效果，能对工长进行炉温预测提供一个数据保障。
3 结论分析
高炉炼铁中炉内发生了许多化学反应，主要是从 到二氧化硅的还原反应为主要反应，
而炉温预测经过许多科学家认可认为以硅含量判断为标准较准确，本文通过对硅含量的影响因素分析可知，主要是时间，喷煤和风量，同时采集了基于时间序列的1000组数据，由于高炉炼铁是一个复杂的时间序列问题，需要考虑一些较小的影响因素，而NARX动态神经网络带有一个后向反馈，从闭合的神经网络上形成一个循环，它的性能往往优于传统的人工神经网络，有着更快的收敛性和泛化能力，对复杂的时间序列问题具有很好的处理能力，BP神经网络具有很强的非线性映射能力和柔性的网络结构，也是在时间问题处理上具有很好的性能，通过两种网络对数据的处理发现NARX动态神经网络在预测炉温中比BP神经网络更胜一筹，命中率达到74%，同时残差值也有90%的可信度，通过预测炉温可以提高铁水的质量，保证钢的高效生产，提高国民经济，推动社会发展。
参考文献
[1]赵晨.动态神经网络在量化投资预测中的应用[D].复旦大学,2014.
[2]张伟.高炉炼铁过程的Exergy分析[D].东北大学,2009.
[3]冯婷.基于非参数回归的高炉炉温预测控制模型研究[D].浙江大学,2008
论文作者:王子超1 郭一霄1 桑贺2
论文发表刊物:《新材料·新装饰》2018年8月上
论文发表时间:2019/3/13
标签：神经网络论文; 炉温论文; 高炉论文; 动态论文; 序列论文; 化学反应论文; 时间论文; 《新材料·新装饰》2018年8月上论文;