专利名称：电熔镁炉极心圆直径预测方法
技术领域：
本发明属于工艺参数预测技术领域，特别是涉及一种电熔镁炉极心圆直径预测方
法，适用于电熔镁炉生产过程中工艺参数的设定。
背景技术：
电熔镁炉是当前电熔镁砂生产行业中应用最为广泛的生产设备之一。在电熔镁炉的生产过程中，电耗在其生产成本中占到了 60%，而影响电耗指标的最直接的因素就是电极的极心圆直径，因此，如何确定最优的极心圆直径对于电熔镁炉的节能降耗具有重大意义。 目前，在工业现场中，电熔镁炉电极的极心圆直径的确定主要是依靠现场操作人员的长期工作经验，很难预测到生产产品的质量品位，更无法根据市场需求来进行有针对性地生产而获得最大的经济效益。因此，研究电熔镁炉熔炼过程中工艺参数的预测方法和开发电熔镁炉熔炼过程中工艺参数的预测软件来指导现场工艺参数中极心圆直径的设定，是企业实现节能降耗，提高企业经济效益的迫切需要。
发明内容
针对现有的极心圆直径的确定主要是依靠现场操作人员的长期工作经验，很难预测到生产产品的质量品位，更无法根据市场需求来进行有针对性地生产而获得最大的经济效益的问题，本发明提供一种可指导现场工艺参数中极心圆直径的设定的电熔镁炉极心圆直径预测方法。 为了实现上述目的，本发明采用如下技术方案，一种电熔镁炉极心圆直径预测方
法，包括如下步骤 步骤一 采集过程数据 采集Mg0含量在98. 5%以上的质量百分数Xl、MgO含量在98%的质量百分数X2、MgO含量在97 % 98%的质量百分数X3、极心圆直径D、单位电耗E、原料烧减量L、原料中直径小于3mm的质量百分比S、电极直径d以及炉壳新旧程度k ;
步骤二 基于BP神经元网络建立单位电耗预测模型
(1)神经元网络的训练 采用含有隐含层的三层BP神经元网络进行建模，以Mg0含量在98. 5%以上的质量百分数Xl、MgO含量在98%的质量百分数X2、MgO含量在97% _98%的质量百分数X3和极心圆直径D为输入，单位电耗E为输出；其结构采用4-8-l，其中隐含层和输入层的激励函数采用s型双正切函数tansig，输出层的激励函数采用s型对数函数logsig ;设定期望误差最小值err-goal为10—6，网络的学习率为自适应调节，网络结构和函数随时可更改；当神经元网络权值修正后的误差平方和MSE达到期望误差最小值err-goal时，学习结束；
(2)神经元网络模型的检验 采用步骤一中采集到的现场100组有效数据中的25组作为验证数据，进行神经元网络模型的检验，经过60步的网络训练，该模型输出的单位电耗E的预测值与步骤一中采 集到的单位电耗E的实际值的相对误差在5.0%以内，绝对误差为1.2X10—皿，则认为该模 型与实际情况相符； 步骤三进行极心圆直径的预测 首先，设定质量系数XI、 X2、 X3，然后在一定范围内向模型输入多组极心圆直径D， 对应获得多组单位电耗E的预测值，从中选出最小单位电耗E对应的极心圆直径D，即为极 心圆直径的预测值； 步骤四采用"原型分析"方法，建立规则库 提取各种电熔镁炉工艺参数的"原型"，整理成专家规则存储在规则库中；并随 着系统的运行，不断更新和升级规则库，保证知识的一致连续性以及规则推理结果的准确 性； 步骤五利用步骤一中采集的原料烧减量L、原料中直径小于3mm的质量百分比S、 电极直径d以及炉壳新旧程度k，匹配规则库中的规则，用来补充极心圆直径的预测值，得 到最终的极心圆直径；
Dfintimai DBp+Druie Optimal
表示最终的极心圆直径，
Optimal
式中:D'
Dep表示极心圆直径的预测值，
表示极心圆直径的补偿值。 步骤四中所述的专家规则如下
规则1 :97%《M+L < 97. 8% and d
250 and S < 10%，则Q
规则2 :Q = 规则3 :Q = 规则4 :Q =
规则5 :Q = 规则6 :Q = 规则7 :Q = 规则8 :Q = 规则9 :Q = 规则10 :Q 规则11 :Q 规则12 :Q 规则13 :Q 规则14 :Q 规则15 :Q 规则16 :Q 规则17 :Q 规则18 :Q 规则19 :Q 规则20 :Q
1 and 7%《L < 9% and k = 1 and P = 1 and 7%《L < 9% and k = 0 and P = 1 and 9%《L < 12% and k = 1 and P 1 and 9%《L < 12% and k = 0 and P 1 and 4%《L < 7% and k = 0 and P = land 4%《L < 7% and k = 1 and P =
land L < 4% and k = Oand P = l，贝U Dru land L < 4% and k = land P = l，则Dru =1 and 7%《L < 9% and k = land P = =1 and 7%《L < 9% and k = Oand P = =1 and 9%《L < 12% and k = 1 and P =1 and 9%《L < 12% and k =1 and 4%《L < 7% and k = =1 and 4%《L < 7% and k = =1 and L < 4% and k = 0 and P =1 and L < 4% and k = 1 and P
:l，rul :l，rul =l，r =l，r :l，rul l，则D一 le = 40， le = 45， :OJUDrale = :OJUDrale = 二O，则D她 :0 and P = O，贝U Drule
0 and P = O，贝U Drule
1 and P = O，贝U Drule 0JUDrale = 30， 0JUDrale = 35，
1，
=10， =0，
=-io，
=-20， =15， 25，
5， 0，
-5， -10，
5， 15，
1 and 7%《L < 9% and k = 1 and P = O，贝U Dr land 7%《L < 9% and k = 0 and P = O，则Drule land 9%《L < 12% and k = 1 and P = O，则Drul
规则21 :Q = land 9%《L < 12% and k = 0 and P = 0，贝U Drule = —15，
规则22 :Q = 1 and 4%《L < 7% and k = 0 and P = O，则Drule = 10，
规则23 :Q = 1 and 4%《L < 7% and k = 1 and P = O，则Drule = 20，
规则24 :Q = 1 and L < 4% and k = 0 and P = 0，则Drule = 35，
规则25 :Q = 1 and L < 4% and k = 1 and P = O，则Drule = 40，
规则26 :Q - 1 and k = 1，则Drule = -15，
规则27 :Q - 1 and k = 0，则Drule = -20， 其中，L :原料烧减量，M :MgO含量，S :原料中直径小于3mm的质量百分比， Q :原料成分是否合格，合格为1 ; k:炉壳新旧程度，新为l，旧为O ; P:原料颗粒直径，大为l，中为O，小为-l ; Drale :极心圆直径的补偿值，单位mm ; d :电极直径，单位mm。 本发明的有益效果 本发明的预测方法摆脱了传统的电熔镁炉熔炼过程中极心圆直径的预测方法对 人工经验的依赖，其确定参数的误差均在预定的范围之内，能够满足现场生产工艺的要求， 对生产操作具有现实的指导意义。 而且本发明的预测方法易于实施、可靠性与准确度较高，为电熔镁炉生产过程的 自动控制和稳定运行打下了基础；减少了电熔镁炉在生产过程中的故障率，提高了电熔镁 炉的产量和质量，降低了电熔镁炉的电耗，提高了企业的经济效益，取代了人工经验设定， 达到及时准确设定极心圆直径的目的。
图1为本发明的电熔镁炉极心圆直径预测方法的原理图；
图2为本发明的电熔镁炉极心圆直径预测方法的程序流程图。
具体实施例方式
下面结合附图和具体实施例对本发明做进一步的说明。 如图1所示，一种电熔镁炉极心圆直径预测方法，包括如下步骤 步骤一 采集过程数据 电熔镁砂的单位电耗和质量品位系数是整个工艺水平的总体体现，一旦单位电耗 和质量品位系数有所提高，企业的经济效益将大幅改善。在具体的质量品位系数中，MgO含 量在98. 5%以上的质量百分数Xl、MgO含量在98%的质量百分数X2和MgO含量在97% 98X的质量百分数X3占产量的绝大多数，三个质量百分数代表了熔炼产品的质量品位。同 时，三个质量百分数相互制约，此消彼长，不能同时涨落。单位电耗和质量品位系数受多种 控制因素的影响，关系十分复杂，有极心圆直径D、电极直径d、原料烧减量L、电熔镁炉炉体 直径R、原料颗粒直径P和电熔镁炉的输入电压V。 当考虑到一旦电熔镁炉建成，其大部分参数将基本不发生变化，如电极直径d、电 熔镁炉炉体直径R和输入电压V ;于是可以得到单位电耗E与其他参数的关系式
E = F(D， XI， X2， X3， L， X5， P)。 Mg0含量在98. 5%以上的质量百分数XI、 Mg0含量在98%的质量百分数X2、 Mg0含量在97X 98X的质量百分数X3、极心圆直径D、单位电耗E、原料烧减量L、原料中直径小于3mm的质量百分比S、电极直径d以及炉壳新旧程度k的数据来自工业现场实际生产报表。 步骤二 基于BP神经元网络建立单位电耗预测模型
(1)神经元网络的训练 采用含有隐含层的三层BP神经元网络进行建模，以Mg0含量在98. 5%以上的质量百分数Xl、MgO含量在98%的质量百分数X2、MgO含量在97% _98%的质量百分数X3和极心圆直径D为输入，单位电耗E为输出；其结构采用4-8-l，其中隐含层和输入层的激励函数采用s型双正切函数tansig，输出层的激励函数采用s型对数函数logsig ;设定期望误差最小值err-goal为10—6，网络的学习率为自适应调节，网络结构和函数随时可更改；当神经元网络权值修正后的误差平方和MSE达到期望误差最小值err-goal时，学习结束；
(2)神经元网络模型的检验 采用步骤一中采集到的现场100组有效数据中的25组作为验证数据，进行神经元网络模型的检验，经过60步的网络训练，该模型输出的单位电耗E的预测值与步骤一中采集到的单位电耗E的实际值的相对误差在5.0%以内，绝对误差为1.2X10—皿，在考虑到实验测量误差等因素的影响后，认为该模型与实际情况相符。 本发明在网络训练与检验的基础上优选出了具有强泛化能力和预测能力的多层网络模型、训练算法和传输函数，对不同因素水平组合条件下的单位电耗进行了预测。质量品位系数中MgO含量在98. 5%以上的百分数XI、 MgO含量在98%的百分数X2和MgO含量在97% 98%的百分数X3是相互影响的，根据所得到的生产数据发现，它们之间有下列关系 參98. 5%《Xl+X2+X3《100%
參7%《乂1《20%
參30%《乂2《55%
參35%《乂3《50% 这也就说明预测模型的输入应该有一定的范围，而不是随意设置，必须符合相应的边界条件。极心圆直径也应有边界条件，它是受电路变压器的额定容量和炉体直径的限制，根据现场调查发现极心圆直径在[600mm，800mm]的区间内变化，单位电耗应在[2500kwh/t，3000kwh/t]变化。在此区间以外，将不符合熔炼实际情况。
步骤三进行极心圆直径的预测 极心圆直径的大小直接影响电熔镁炉的操作和工艺指标，即影响到电熔镁砂的单位能耗，质量和经济效益。这就需要根据所要熔炼产品的质量，获得一个最低单位能耗的极心圆直径。 首先，设定质量系数XI、 X2、 X3，然后在一定范围内向模型输入多组极心圆直径D，对应获得多组单位电耗E的预测值，从中选出最小单位电耗E对应的极心圆直径D，即为极心圆直径的预测值； 步骤四采用"原型分析"方法，建立规则库
7Optimal
式中:D'
Optimal
表示最终极心圆直径的预测值；基于BP神经元网络建立单位电耗预
DBP表示基于BP神经元网络建立的单位电耗预测模型的极心圆直径预测值，
D一表示极心圆直径的补偿值。 步骤四中所述的专家规则如下 在建立极心圆直径的BP神经元网络单位电耗预测模型时，假定原料的成分变化 很小或认为基本不变化，而在实际生产过程中，当原料的成分发生很大的变化时，极心圆直 径的BP神经元网络单位电耗预测模型将不能准确确定最优的极心圆直径。而由于实际原 料成分的复杂性，使得很难定量描述其成分的变化，因此，本发明采用基于规则推理的方法 对BP神经元网络单位电耗预测模型的输出进行补偿。 采用"原型分析"方法，结合电熔镁熔炼过程的特点，基于工艺参数设置专家的现 场经验，提取各种电熔镁炉工艺参数的"原型"，整理成专家规则存储在规则库中；并随着系 统的运行，不断更新和升级规则库，保证知识的一致连续性以及规则推理结果的准确性
步骤五利用步骤一中采集的原料烧减量L、原料中直径小于3mm的质量百分比S、 电极直径d以及炉壳新旧程度k，匹配规则库中的规则，得出极心圆直径的补偿值，并确定 最终极心圆直径的预测值；
= DRP+Dr
测模型，
[O川]
规则1:97%《M+L < 97. 8% and d = 250and S < 10%，则Q =1，
规则2 :Q ==1 Mid7%《L < 9% and k =1 and P = l，则Dru丄e ==10，
规则3 :Q ==1 Mid7%《L < 9% and k =0 and P = l，则Drule ==0，
规则4 :Q ==1 Mid9%《L < 12% and k ==1 and P = UUDrule=-io，
规则5 :Q ==1 Mid9%《L < 12% and k ==0 and P = l，则Drule=-20，
规则6 :Q ==1 Mid4%《L < 7% and k =0 and P = l，则Drule ==15，
规则7 :Q ==1 Mid4%《L < 7% and k =1 and P = l，则Dru丄e ==25，
规则8 :Q ==1 MidL < 4%肌d k = 0肌dP= lJjDrale = 40，
规则9 :Q ==1 MidL < 4%肌d k = 1肌dP= lJUDrule = 45，
规则10:Q=1 and7%《L < 9% and k ==1 and P = O，贝U Drule=5，
规则11:Q=1 and7%《L < 9% and k ==0 and P = O，贝U Drule=0，
规则12:Q=1 and9%《L < 12% and k=1 and P = O，则Drule = _5，
规则13:Q=1 and9%《L < 12% and k=0 and P = O，贝U Drule = _10，
规则14:Q=1 and4%《L < 7% and k=0 and P = O，贝U Drule = 5，
规则15:Q=1 and4%《L < 7% and k ==1 and P = O，贝U Drule=15，
规则16:Q=1 andL < 4% and k = 0 and P = 0，贝U Drule = 30，
规则17:Q=1 andL < 4% and k = 1 and P = 0，则Drule = 35，
规则18:Q=1 and7%《L < 9% and k ==1 and P = O，贝U Drule=10，
规则19:Q=1 and7%《L < 9% and k ==0 and P = O，贝U Drule=0，
规则20:Q=1 and9%《L < 12% and k=1 and P = O，则Drule = _5，
规则21:Q=1 and9%《L < 12% and k=0 and P = O，贝U Drule = _15，
规则22:Q=1 and4%《L < 7% and k ==0 and P = O，贝U Drule=10，
8
1 and 4%《L < 7% and k = 1 and P = O，则Drule = 20， 1 and L < 4% and k = 0 and P = 0，则Drule = 35， 1 and L < 4% and k = 1 and P = 0，则Drule = 40，
二 -15， 二 -20，
S :原料中直径小于3mm的质量百分比，
规则23 :Q 规则24 :Q 规则25 :Q
规则26 1 and k = 1，则0 规则27 :Q^ 1 and k = O，则Dn 其中，L :原料烧减量，M :MgO含量 Q :原料成分是否合格，合格为1 ; k:炉壳新旧程度，新为l，旧为O ; P:原料颗粒直径，大为l，中为O， D,ule :极心圆直径的补偿值，单位
d:电极直径，单位mm。
'为—权利要求
一种电熔镁炉极心圆直径预测方法，其特征在于，包括如下步骤步骤一采集过程数据采集MgO含量在98.5％以上的质量百分数X1、MgO含量在98％的质量百分数X2、MgO含量在97％～98％的质量百分数X3、极心圆直径D、单位电耗E、原料烧减量L、原料中直径小于3mm的质量百分比S、电极直径d以及炉壳新旧程度k；步骤二基于BP神经元网络建立单位电耗预测模型(1)神经元网络的训练采用含有隐含层的三层BP神经元网络进行建模，以MgO含量在98.5％以上的质量百分数X1、MgO含量在98％的质量百分数X2、MgO含量在97％-98％的质量百分数X3和极心圆直径D为输入，单位电耗E为输出；其结构采用4-8-1，其中隐含层和输入层的激励函数采用s型双正切函数tansig，输出层的激励函数采用s型对数函数logsig；设定期望误差最小值err-goal为10-6，网络的学习率为自适应调节，网络结构和函数随时可更改；当神经元网络权值修正后的误差平方和MSE达到期望误差最小值err-goal时，学习结束；(2)神经元网络模型的检验采用步骤一中采集到的现场100组有效数据中的25组作为验证数据，进行神经元网络模型的检验，经过60步的网络训练，该模型输出的单位电耗E的预测值与步骤一中采集到的单位电耗E的实际值的相对误差在5.0％以内，绝对误差为1.2×10-101，则认为该模型与实际情况相符；步骤三进行极心圆直径的预测首先，设定质量系数X1、X2、X3，然后在一定范围内向模型输入多组极心圆直径D，对应获得多组单位电耗E的预测值，从中选出最小单位电耗E对应的极心圆直径D，即为极心圆直径的预测值；步骤四采用“原型分析”方法，建立规则库提取各种电熔镁炉工艺参数的“原型”，整理成专家规则存储在规则库中；并随着系统的运行，不断更新和升级规则库，保证知识的一致连续性以及规则推理结果的准确性；步骤五利用步骤一中采集的原料烧减量L、原料中直径小于3mm的质量百分比S、电极直径d以及炉壳新旧程度k，匹配规则库中的规则，用来补充极心圆直径的预测值，得到最终的极心圆直径；DOptimal＝DBP+Drule式中DOptimal表示最终的极心圆直径，DBp表示极心圆直径的预测值，Drule表示极心圆直径的补偿值。
2. 根据权利要求1所述的一种电熔镁炉极心圆直径预测方法，其特征在于步骤四中所述的专家规则如下规则1 :97%《M+L < 97. 8% and d = 250 and S < 10%，则Q = 1，规则2 :Q = 1 and 7%《L < 9% and k = 1 and P = l，则Drule = 10，规则3 :Q = 1 and 7%《L < 9% and k = 0 and P = l，则Drule = 0，规则4 :Q = 1 and 9%《L < 12% and k = 1 and P = l，则Drule = -10，规则5 :Q = 1 and 9%《L < 12% and k = 0 and P = l，则Drule = -20，规则6 :Q = 1 and 4%《L < 7% and k = 0 and P = l，则Drule = 15，规则7 :Q = 1 and 4%《L < 7% and k = 1 and P = l，则Drule = 25，规则8 :Q = 1 and L < 4% and k = 0 and P = 1，则Drule = 40，规则9 :Q = 1 and L < 4% and k = 1 and P = l，则Drule = 45，规则10:Q =1arid7%《L < 9% and k =1肌d P ==0JUDrale=5，规则11:Q =1arid7%《L < 9% and k =0肌d P ==0JUDrale=0，规则12:Q =1arid9%《L < 12% and k ==1肌d Pe = _5，规则13:Q =1arid9%《L < 12% and k ==0肌d Pe = _10，规则14:Q =1arid4%《L < 7% and k =0肌d P ==0JUDrale=5，规则15:Q =1arid4%《L < 7% and k =1肌d P ==0JUDrale=15，规则16:Q =1aridL < 4%肌d k = 0肌dP = o，则Drule = 30，规则17:Q =1aridL < 4%肌d k = 1肌dP = o，则Druie — 35，规则18:Q =1arid7%《L < 9% and k =1肌d P =O，则D一=10，规则19:Q =1arid7%《L < 9% and k =0肌d P ==0JUDrale=0，规则20:Q =1arid9%《L < 12% and k ==1肌d Pe = _5，规则21:Q =1arid9%《L < 12% and k ==0肌d Pe = _15，规则22:Q =1arid4%《L < 7% and k =0肌d P ==0JUDrale=10，规则23:Q =1arid4%《L < 7% and k =1肌d P ==0JUDrale=20，规则24:Q =1aridL < 4%肌d k = 0肌dP = o，则Druie — 35，规则25:Q =1aridL < 4%肌d k = 1肌dP = o，则Drule = 40，规则261aridk= lJUDrule = -15，规则271aridk = O，则Di = -20，其中，L :原料烧减量，M :MgO含量，S :原料中直径小于3mm的质量百分比，Q :原料成分是否合格，合格为1 ;k:炉壳新旧程度，新为l，旧为O;P :原料颗粒直径，大为l，中为O，小为-1 ;Drale :极心圆直径的补偿值，单位mm ;d:电极直径，单位mm。
全文摘要
电熔镁炉极心圆直径预测方法，属于工艺参数预测技术领域，适用于电熔镁炉生产过程中工艺参数的设定。本发明提供一种可指导现场工艺参数中极心圆直径的设定的电熔镁炉极心圆直径预测方法。本发明包括如下步骤步骤一采集过程数据；步骤二基于BP神经元网络建立单位电耗预测模型(1)神经元网络的训练，(2)神经元网络模型的检验；步骤三进行极心圆直径的预测；步骤四采用“原型分析”方法，建立规则库；步骤五利用步骤一中采集的原料烧减量L、原料中直径小于3mm的质量百分比S、电极直径d以及炉壳新旧程度k，匹配规则库中的规则，用来补充极心圆直径的预测值，得到最终的极心圆直径。
文档编号G01B21/10GK101762258SQ20091024887
公开日2010年6月30日 申请日期2009年12月30日 优先权日2009年12月30日
发明者吴永健, 宋志泉, 岳恒, 柴天佑, 王富力 申请人:东北大学