CN103160629A - 一种预报高炉趋热的方法 - Google Patents

Abstract

本发明公开一种预报高炉趋热的方法，分别建立高炉铁水中的Si含量的RBF神经网络计算模型、高炉料速计算模型、理论燃烧温度计算模型，然后利用3个模型对高炉趋热结果的判断-Index1、Index2、Index3来综合判断高炉是否趋热，如果δ1·Index1+δ2·Index2+δ3·Index3≥1，其中δ1∈[0，1]、δ2∈[0，1]、δ3∈[0，1]，则高炉向热发展。本发明综合考虑高炉中物理因素和化学因素对高炉向热发展的判断，较现有技术可以更准确的提前预知高炉即将向热发展的趋势，据此可以采取措施控制高炉炉温在合理的范围内，避免了不同操作人员对高炉运行状况所产生的偏差或误判，对高效高炉操作非常有益。

Description

一种预报高炉趋热的方法

技术领域

本发明涉及高炉炼铁监测领域，尤其是一种预报高炉趋热的方法。

背景技术

高炉炼铁是现代钢铁企业生产生铁的主要方式，其生产过程伴随着大量的强耦合、非线性、大时滞的物理和化学反应，高炉内部的这种工艺复杂的特点导致了很难用常规的检测设备和检测手段来直接获取高炉内部的物理和化学状态。而高炉内部的热状态又是高炉稳定顺行的最直接体现，高炉过凉不利于顺利出铁和渣铁分离，过热不仅造成高炉难行而且造成大量的能源浪费。因此，提前预知高炉向热的发展趋势可以及早地对高炉实施干预，可以保证在高炉顺行的前提下减少能源消耗，降低焦比，减少有害气体的排放，对于钢铁企业实现绿色低碳生产和适应国家环境保护政策有着重要意义。鉴于高炉热状态是反映高炉工作状态的重要指标，预知高炉向热发展的趋势对于高炉操作人员非常重要，但高炉内部的复杂多变决定了其向热发展的趋势不能直接被高炉操作人员获取。常规的预测高炉向热发展趋势的手段都是借助于高炉铁水中的硅含量来间接判断高炉的向热趋势，但这种方法需要求解高炉各种过程变量与高炉铁水中的硅含量之间的数学模型，而无论数学模型是使用时间序列模型还是使用人工神经网络等模型来预测高炉向热的发展趋势都存在预测的结果不理想。

发明内容

本发明的目的是提供一种预报高炉趋热的方法，旨在区别对待影响高炉向热发展的影响因素，从高炉炼铁工艺的实际出发，综合考虑高炉布料、高炉鼓风、历史铁水硅含量对高炉向热发展的影响，结合RBF神经网络和高炉专家知识各自的优点，形成高效的综合的数学模型，以预知高炉向热发展的趋势，据此结果对高炉实施控制。

本发明的目的是这实现的，一种预报高炉趋热的方法共设计三个技术方案，分别是高炉铁水中的Si含量与高炉向热发展趋势方案、高炉料速计算模型计算结果与高炉向热趋势判断方案、理论燃烧温度计算模型计算结果与高炉向热趋势判断方案。

1、高炉铁水中的Si含量与高炉向热发展判断方案：

此方案包括以下步骤：

1)选取RBF神经网络计算模型的输入变量。由于高炉实际操作中涉及的参数众多，因此为了简化模型的结构，提高模型的运算速度和泛化能力，经删减后确定的输入变量包括冷风流量、热风温度、风压、压差、透气性、顶压、顶温、小时煤粉喷吹量、前两次出铁时铁水中的Si含量-Si(i-1)，Si(i)。

2)对输入变量实施进行归一化处理。由于输入变量之间数量级相差较大和RBF神经网络对输入数据的要求，确定采用均值方法处理输入变量：

$\stackrel{\‾}{X}=\frac{X-X_{\min }}{X_{\max }-X_{\min }}$

其中：

为归一化后的数据，

X为输入变量，X_min为输入变量的最小值，X_max为输入变量的最大值。

3)确定RBF神经网络结构。RBF神经网络结构的确定主要包括输入层神经元的个数、隐含层神经元的个数、输出层神经元的个数、RBF中心的选取、RBF中心宽度。输入层神经元的个数实际就是网络输入变量的个数，输出层神经元的个数可以根据网络的预报能力和实际需求来选取。RBF中心宽度r可以先选为1，取值可以适当放宽或降低，其对网络实际的预报能力影响不是很大，而且其影响还可以通过网络权值和RBF中心的优化来补偿。RBF神经网络的中心可以通过最近邻聚类方法学习来获得。

最近邻聚类法的具体过程如下：

首先选择一个适当的高斯函数宽度r，定义一个矢量A(1)用于存放属于各类的输出矢量之和，定义一个计数器B(1)用于统计属于各类的样本个数，其中1为类别数。从第一个数据对(X₁，Y₁)开始，在X1上建立一个聚类中心，令C₁＝X₁，A(1)＝Y₁，B(1)＝1。这样建立的RBF网络只有一个隐含单元，该隐含单元的中心是C₁，该隐含单元到输出层的权矢量为W₁＝A(1)/B(1)。考虑第二个样本数据对(X₂，Y₂)，求出X₂到C₁这个聚类中心的距离‖X₂-C₁‖。如果‖X₂-C₁‖≤r，则C₁为X₂的最邻近聚类。令A(1)＝Y₁+Y₂，则B(1)＝2，W₁＝A(1)/B(1)；如果‖X₂-C₁‖＞r，则将X₂作为一个新的聚类中心。令C₂＝X₂，A(2)＝Y₂，B(2)＝1，在上述建立的RBF神经网络中在添加一个隐单元，则该隐单元到输出层的权矢量为W₂＝A(2)/B(2)。假设我们考虑第k个样本数据对(X_k，Yk)(k＝3，4，…，N)时，存在H个聚类中心，其中心点分别为C₁，C₂，…，C_H，在上述建立的RBF网络中已有H个隐单元。再分别求出X_k到这H个聚类中心的距离‖X_k-C_i‖，i＝1，2，…，H，设‖X_k-C_j‖为这些距离中的最小距离，即C_j为X_k的最近邻聚类，则：如果‖X_k-C_j‖＞r，则将X_k作为一个新聚类中心。C(H+1)＝X_k，A(H+1)＝Y_k，B(H+1)＝1，并保持A(i)，B(i)的值不变，i＝1，2，…，H，在上述建立的RBF网络中再添加第H+1个隐单元，该隐单元到输出层的权矢量为W_H+1＝A(H+1)/B(H+1)。如果‖X_k-C_j‖≤r，令：A(j)＝A(j)+Y_k，B(j)＝B(j)+1。当i≠j时，i＝1，2，…，H，保持A(i)，B(i)的值不变。隐单元到输出层的权矢量为W_i＝A(i)/B(i)，i＝1，2，…，H。

这样建立起来的RBF神经网络输出为：

$f\left(X_k\right)=\frac{{\mathrm{\Σ}}_i^H{W}_i\exp (-\frac{{\left|\right|X_k-C_i\left|\right|}^2}{r^2})}{{\mathrm{\Σ}}_i^H\exp (-\frac{{\left|\right|X_k-C_i\left|\right|}^2}{r^2})}$

其中，f(X_k)即为所求下一个次高炉出铁时铁水中硅含量。

4)收集单位采样周期内的归一化后的输入变量，输入到RBF神经网络中，预报得到下一次出铁高炉铁水的硅含量Si(i+1)。Si(i-1)代表前一次出铁高炉铁水的硅含量，Si(i)代表当前一次出铁高炉铁水的硅含量：

如果满足条件1：Si(i-1)＞a1，Si(i)＞a2，Si(i+1)＞a3

则：Index1＝1

如果不满足条件1，而满足条件2：Si(i)＞a3，Si(i+1)＞a4

则：Index1＝0.5

如果即不满足条件1，又不满足条件2

则：Index1＝0

其中，a1代表前一次出铁时Si的阈值，a2代表当前出铁时Si的阈值，a3代表下一次出铁时Si的阈值1，a4代表下一次出铁时Si的阈值2，a1＜a2＜a3＜a4；

指数Index1的结果直接关系到最终对高炉向热趋势判断。

2、高炉料速计算模型计算结果与高炉向热趋势判断方案

高炉料速计算模型的输入变量包括探尺下降的深度，输出即为该模型对高炉向热发展趋势的预报。根据高炉下料和高炉向热发展的原理，模型的算法如下：从识别探尺形状、探尺深度时间序列数据提取特征值，做出料尺移动速度、加速度判断异常炉况和评价下料状态。特征值是用来表示探尺形状特征的数据，识别不同时间序列数据。首先计算瞬时速度、最大速度、最小速度、速度偏差、瞬时加速度、最大加速度、最小加速度以及加速度偏差等数据，数据均来源于以ΔT为周期收集的探尺深度数据，然后，将数据值和下降速度按不同探尺深度-时间序列排列数据。

$v_i\left(j\right)=\frac{\mathrm{\Δ}{l}_i\left(j\right)}{\mathrm{\ΔT}}$

$a_i\left(j\right)=\frac{v_i(j+1)-v_i\left(j\right)}{\mathrm{\ΔT}}$

v_max＝max(v_i(j))

v_min＝min(v_i(j))

$v_{\mathrm{aver}}=\frac{v_{\max }-v_{\min }}{\mathrm{\ΔT}}$

$v_{\mathrm{std}}=\frac{\sqrt{\mathrm{\Σ}{(v_i\left(j\right)-v_{\mathrm{aver}})}^2}}{n-1}$

a_max＝max(a_i(j))

a_min＝min(a_i(j))

$a_{\mathrm{aver}}=\frac{a_{\max }-a_{\min }}{\mathrm{\ΔT}}$

$a_{\mathrm{std}}=\frac{\sqrt{\mathrm{\Σ}{(a_i\left(j\right)-a_{\mathrm{aver}})}^2}}{n-1}$

公式中：i＝1，2，3…n；j＝1，2，3…n。v、v_max、v_min、v_aver、v_std分别代表下料速度、速度最大值、速度最小值、速度平均值、速度标准偏差；a、a_min、a_max、a_aver、a_std分别代表下料加速度、加速度最小值、加速度最大值、加速度平均值、加速度标准偏差。其中速度偏差和加速度偏差取上一个周期的值。

如果高炉的各个探尺都满足条件：a(j)＜-(b+a_std)

则：Index2＝0.5

否则：Index2＝0

其中：a(j)代表探尺在第j时刻的下料加速度，b代表下料加速度的阈值，a_std代表加速度偏差数据，j＝1，2，3…n。

指数Index2的结果直接关系到最终对高炉向热趋势判断。

3、理论燃烧温度计算模型计算结果与高炉向热趋势判断方案

碳素(包括其它可燃物质)在风口区域燃烧是在含有湿分的热风中不完全燃烧，燃烧产物为CO、H₂和N₂，风口理论燃烧温度是衡量燃烧放热和鼓风带入的热量全部传给煤气所能够达到的水平，理论燃烧温度与高炉的热状态紧密相关。理论燃烧温度是高炉各种操作参数作用下的瞬时函数，不存在时间滞后性，它可以作为随时掌握高炉热状态的一种参考，但正是由于其变化受各种高炉参数的影响较为频繁，因此理论燃烧温度不能单一的作为衡量高炉热状态的指标，需配合其他手段共同预报高炉的热状态。理论燃烧温度计算模型是基于理论燃烧温度与高炉的热状态关系度来设计的，根据高炉理论燃烧温度计算公式：

$T_L=\frac{Q_C+Q_F+Q_R-Q_X}{V_g\·c_p^t}$

其中：T_L为理论燃烧温度，℃；

Q_C为碳素在风口前燃烧生产CO放出的热量，KJ/t；

Q_F为鼓风及喷煤载气带入的物理热，KJ/t；

Q_R为焦炭进入燃烧带时带入的显热，KJ/t；

Q_X为鼓风中水分分解和喷吹燃料的分解吸热，KJ/t；

V_g、为燃烧生产煤气体积及其在T_L温度时的比热容，m³/t和KJ/(m³·℃)。

如果满足条件：T_L＞c

则：Index3＝0.5

否则：Index3＝0

其中，c代表理论燃烧温度的阈值，指数Index3的结果直接关系到最终对高炉向热趋势判断。

4、综合预报高炉向热发展

由RBF神经网络计算模型、高炉料速计算模型、理论燃烧温度计算模型等三个计算模型可以分别获得各自对高炉向热发展趋势的预报，分别是Index1、Index2、Index3。因此：

如果：δ1·Index1+δ2·Index2+δ3·Index3≥1，其中δ1∈[0，1]、δ2∈[0，1]、δ3∈[0，1]

则：高炉向热发展

本发明的实施是在综合考虑高炉中物理因素和化学因素对高炉向热发展的判断，较现有技术可以更准确的提前预知高炉即将向热发展的趋势，据此可以采取措施控制高炉炉温在合理的范围内，避免了不同操作人员对高炉运行状况所产生的偏差或误判，对高效高炉操作非常有益。

附图说明

图1是高炉向热发展预报模型示意图；

图2是本发明中RBF神经网络训练流程图。

具体实施方式

下面结合具体实施例对本发明的预报高炉趋热的方法作进一步的说明：

本发明共设计三个计算方案，分别是高炉铁水中的Si含量与高炉向热发展趋势方案、高炉料速计算模型计算结果与高炉向热趋势判断方案、理论燃烧温度计算模型计算结果与高炉向热趋势判断方案。根据方案的计算原理，如图1所示，共需要三个计算模型，分别是RBF神经网络计算模型、高炉料速计算模型、理论燃烧温度计算模型。RBF神经网络计算模型可以计算出高炉下一个出铁时高炉铁水中硅含量的高低程度，从而得出该模型对高炉即将向热发展的预报。高炉料速计算模型可以根据高炉料尺的下降情况得出该模型对高炉即将向热发展的预报。理论燃烧温度计算模型可以根据燃烧产物燃烧获得燃烧生产热以及燃料带入的物理热得出该模型对高炉即将向热发展的预报。由于三个模型分别从物理传热、化学传热、历史数据等角度考虑高炉向热发展的趋势，基本囊括了影响高炉向热发展的所有因素，因此综合三个模型的预报结果，就可以比较准确的预报高炉向热发展的趋势。

1、高炉铁水中的Si含量与高炉向热发展判断方案：

利用RBF这种非线性的逼近能力来预报下一个冶炼周期高炉铁水中硅含量的高低。包含以下步骤：

1)选取RBF神经网络计算模型的输入变量。由于高炉实际操作中涉及的参数众多，因此为了简化模型的结构，提高模型的运算速度和泛化能力，经删减后确定的输入变量包括冷风流量、热风温度、风压、压差、透气性、顶压、顶温、小时煤粉喷吹量、前两次出铁时铁水中的Si含量-Si(i-1)，Si(i)。

2)对输入变量实施进行归一化处理。确定采用均值方法处理输入变量：

$\stackrel{\‾}{X}=\frac{X-X_{\min }}{X_{\max }-X_{\min }}$

其中：

为归一化后的数据，

X为输入变量，X_min为输入变量的最小值，X_max为输入变量的最大值。冷风流量、热风温度、风压、压差、透气性、顶压、顶温、小时煤粉喷吹量、前两次出铁时铁水中的Si含量-Si(i-1)，Si(i)等输入数据经过归一化处理后，其数值可以全部落入[0，1]之间。

3)确定RBF神经网络结构。由于网络训练需要的样本数量比较多，本例中共选用300炉数据，其中200高炉数据用于对网络结构进行训练，100炉数据用于对网络进行验证，样本数据为归一化后的输入变量和输出变量，用矢量(X，Y)表示：

(X，Y)＝[冷风流量热风温度风压压差透气性顶压顶温小时煤粉喷吹量Si(i-1)Si(i)Si(i+1)]

使用最近邻聚类法训练RBF神经网络的具体过程如图2所示：

首先高斯函数宽度r为0.06，定义一个矢量A(1)用于存放属于各类的输出矢量之和，定义一个计数器B(1)用于统计属于各类的样本个数，其中1为类别数。从第一个数据对(X₁，Y₁)开始，在X1上建立一个聚类中心，令C₁＝X₁，A(1)＝Y₁，B(1)＝1。这样建立的RBF网络只有一个隐含单元，该隐含单元的中心是C₁，该隐含单元到输出层的权矢量为W₁＝A(1)/B(1)。考虑第二个样本数据对(X₂，Y₂)，求出X₂到C₁这个聚类中心的距离‖X₂-C₁‖。如果‖X₂-C₁‖≤r，则C₁为X₂的最邻近聚类。令A(1)＝Y₁+Y₂，则B(1)＝2，W₁＝A(1)/B(1)；如果‖X₂-C₁‖＞r，则将X₂作为一个新的聚类中心。令C₂＝X₂，A(2)＝Y₂，B(2)＝1，在上述建立的RBF神经网络中在添加一个隐单元，则该隐单元到输出层的权矢量为为W₂＝A(2)/B(2)。假设我们考虑第k个样本数据对(X_k，Yk)(k＝3，4，…，N)时，存在H个聚类中心，其中心点分别为C₁，C₂，…，C_H，在上述建立的RBF网络中已有H个隐单元。再分别求出X_k到这H个聚类中心的距离‖X_k-C_i‖，i＝1，2，…，H，设‖X_k-C_j‖为这些距离中的最小距离，即C_j为X_k的最近邻聚类，则：如果‖X_k-C_j‖＞r，则将X_k作为一个新聚类中心。C(H+1)＝X_k，A(H+1)＝Y_k，B(H+1)＝1，并保持A(i)，B(i)的值不变，i＝1，2，…，H，在上述建立的RBF网络中再添加第H+1个隐单元，该隐单元到输出层的权矢量为W_H+1＝A(H+1)/B(H+1)。如果‖X_k-C_j‖≤r，令：A(j)＝A(j)+Y_k，B(j)＝B(j)+1。当i≠j时，i＝1，2，…，H，保持A(i)，B(i)的值不变。隐单元到输出层的权矢量为W_i＝A(i)/B(i)，i＝1，2，…，H。

这样建立起来的RBF神经网络输出为：

$f\left(X_k\right)=\frac{{\mathrm{\Σ}}_i^H{W}_i\exp (-\frac{{\left|\right|X_k-C_i\left|\right|}^2}{r^2})}{{\mathrm{\Σ}}_i^H\exp (-\frac{{\left|\right|X_k-C_i\left|\right|}^2}{r^2})}$

其中，f(X_k)即为所求下一次高炉出铁时铁水中硅含量。

本实施例中，经训练后的神经网络结构为输入层神经元个数为10个，中间层神经元个数为14个，输出层神经元个数为1个。

4)依据RBF神经网络预报得到的下一次出铁高炉铁水的硅含量Si(i+1)，同时根据如下规则得出RBF神经网络对高炉向热发展的预报判断：

如果满足条件1：Si(i-1)＞a1，Si(i)＞a2，Si(i+1)＞a3

则：Index1＝1

如果不满足条件1，而满足条件2：Si(i)＞a3，Si(i+1)＞a4

则：Index1＝0.5

如果即不满足条件1，又不满足条件2

则：Index1＝0

其中，a1代表前一次出铁时Si的阈值，a2代表当前出铁时Si的阈值，a3代表下一次出铁时Si的阈值1，a4代表下一次出铁时Si的阈值2，a1＜a2＜a3＜a4，本例中，a1＝0.5，a2＝0.55，a3＝0.6，a4＝0.65。

2、高炉料速计算模型计算结果与高炉向热趋势判断方案

根据高炉下料和高炉向热发展的原理，模型的算法如下：从识别探尺形状、探尺深度时间序列数据提取特征值，做出料尺移动速度、加速度判断异常炉况和评价下料状态。特征值是用来表示探尺形状特征的数据，识别不同时间序列数据。首先计算瞬时速度、最大速度、最小速度、速度偏差、瞬时加速度、最大加速度、最小加速度以及加速度偏差等数据，数据均来源于以ΔT为周期收集的探尺深度数据，然后，将数据值和下降速度按不同探尺深度-时间序列排列数据。

假定高炉有3个探尺，定义探尺下降的深度分别为l₁，l₂，l₃，单位周期内3个探尺下降深度的变化分别为Δl₁(j)，Δl₂(j)，Δl₃(j)，一个计算周期为ΔT，高炉向热发展趋势预报为Index2。则可以计算出单位时间内探尺下降的速度V_i(j)和加速度α_i(j)。

$v_i\left(j\right)=\frac{\mathrm{\Δ}{l}_i\left(j\right)}{\mathrm{\ΔT}}$

$a_i\left(j\right)=\frac{v_i(j+1)-v_i\left(j\right)}{\mathrm{\ΔT}}$

$v_{\mathrm{aver}}=\frac{v_{\max }-v_{\min }}{\mathrm{\ΔT}}$

v_max＝max(v_i(j))

v_min＝min(v_i(j))

$v_{\mathrm{std}}=\frac{\sqrt{\mathrm{\Σ}{(v_i\left(j\right)-v_{\mathrm{aver}})}^2}}{n-1}$

a_max＝max(a_i(j))

a_min＝min(a_i(j))

$a_{\mathrm{aver}}=\frac{a_{\max }-a_{\min }}{\mathrm{\ΔT}}$

$a_{\mathrm{std}}=\frac{\sqrt{\mathrm{\Σ}{(a_i\left(j\right)-a_{\mathrm{aver}})}^2}}{n-1}$

公式中：i＝1，2，3；j＝1，2，3…n。v、v_max、v_min、v_aver、v_std分别代表下料速度、速度最大值、速度最小值、速度平均值、速度标准偏差；a、a_min、a_max、a_aver、a_std分别代表下料加速度、加速度最小值、加速度最大值、加速度平均值、加速度标准偏差。其中速度偏差和加速度偏差取上一个周期。

依据高炉下料速度对高炉热状态的影响：

如果满足条件：

a₁(j)＜-(b+a_std)，a₂(j)＜-(b+a_std)，a₃(j)＜-(b+a_std)

则：Index2＝0.5

否则：Index2＝0

其中：a₁(j)代表1号探尺在第j时刻的下料加速度。

a₂(j)代表2号探尺在第j时刻的下料加速度。

a₃(j)代表3号探尺在第j时刻的下料加速度，j＝1，2，3…n，b＝0.007。

通过以上计算既可以获得高炉料速计算模型对高炉向热发展的预报。

3、理论燃烧温度计算模型计算结果与高炉向热趋势判断方案

根据高炉理论燃烧温度计算公式：

$T_L=\frac{Q_C+Q_F+Q_R-Q_X}{V_g\·c_p^t}$

其中：Q_C为碳素在风口前燃烧生产CO放出的热量，KJ/t；

Q_F为鼓风及喷煤载气带入的物理热，KJ/t；

Q_R为焦炭进入燃烧带时带入的显热，KJ/t；

Q_X为鼓风中水分分解和喷吹燃料的分解吸热，KJ/t；

V_g、

为燃烧生产煤气体积及其在T_L温度时的比热容，m³/t和KJ/(m³·℃)。

理论燃烧温度就可以指定出如下规则：

如果满足条件：T_L＞c

则：Index3＝0.5

否则：Index3＝0

其中，c代表理论燃烧温度的阈值，c＝2350，指数Index3的结果直接关系到最终对高炉向热趋势判断。

4、综合预报高炉向热发展

由RBF神经网络计算模型、高炉料速计算模型、理论燃烧温度计算模型等三个计算模型可以分别获得各自对高炉向热发展趋势的预报，分别是Index1、Index2、Index3。因此：

如果：δ1·Index1+δ2·Index2+δ3·Index3≥1，其中δ1∈[0，1]、δ2∈[0，1]、δ3∈[0，1]

则：高炉向热发展

在高炉实际生产中，高炉的炉料结构、操作制度等都会发生变化，因此模型的自我学习修正能力与模型的预报能力同样重要。因此本发明中的计算模型会定期检验预报结果与实际结果的吻合程度。如果计算模型在运行了一段时间后，其预报精度不能满足高炉生产需求时，RBF神经网络计算模型可以从新收集样本，对网络结构进行更新和修正，形成新的RBF神经网络计算模型。理论燃烧温度计算模型也会根据高炉原燃料的情况重新计算以满足高炉工况。整个预报模型具有较好的适应性和鲁棒性，可以满足现在大高炉生产的要求。

Claims (4)

1.一种预报高炉趋热的方法，其特征在于分别建立高炉铁水中的Si含量的RBF神经网络计算模型、高炉料速计算模型、理论燃烧温度计算模型，然后利用3个模型对高炉趋热结果的判断-Index1、Index2、Index3来综合判断高炉是否趋热，如果δ1·Index1+δ2·Index2+δ3·Index3≥1，其中δ1∈[0，1]、δ2∈[0，1]、δ3∈[0，1]，则高炉向热发展。

2.根据权利要求1所述的一种预报高炉趋热的方法，其特征在于建立高炉铁水中的Si含量的RBF神经网络计算模型的步骤如下：

1)选取RBF神经网络计算模型的输入变量；

2)对输入变量实施进行归一化处理；

3)确定RBF神经网络结构，主要包括输入层神经元的个数、隐含层神经元的个数、输出层神经元的个数的确定，还包括使用最近邻聚类法确定的RBF中心的选取、RBF中心宽度；

4)收集单位采样周期内的归一化后的输入变量，输入到RBF神经网络中，预报得到下一次出铁高炉铁水的硅含量Si(i+1)，Si(i-1)代表前一次出铁高炉铁水的硅含量，Si(i)代表当前一次出铁高炉铁水的硅含量：

如果满足条件1：Si(i-1)＞a1，Si(i)＞a2，Si(i+1)＞a3

则：Index1＝1

如果不满足条件1，而满足条件2：Si(i)＞a3，Si(i+1)＞a4

则：Index1＝0.5

如果即不满足条件1，又不满足条件2

则：Index1＝0

其中，a1代表前一次出铁时Si的阈值，a2代表当前出铁时Si的阈值，a3代表下一次出铁时Si的阈值1，a4代表下一次出铁时Si的阈值2，a1＜a2＜a3＜a4；

指数Index1的结果直接关系到最终对高炉向热趋势判断。

3.根据权利要求1所述的一种预报高炉趋热的方法，其特征在于所建立的高炉料速计算模型的输入变量包括探尺下降的深度，输出即为该模型对高炉向热发展趋势的预报，依据高炉下料速度对高炉热状态的影响来获得指数Index2，Index2的结果直接关系到最终对高炉向热趋势判断，依据高炉下料速度对高炉热状态的影响：

如果高炉的各个探尺都满足条件：a(j)＜-(b+a_std)

则：Index2＝0.5

否则：Index2＝0

其中：a(j)代表探尺在第j时刻的下料加速度，b代表下料加速度的阈值，a_std代表加速度偏差数据，j＝1，2，3…n。

4.根据权利要求1所述的一种预报高炉趋热的方法，其特征在于所建立的理论燃烧温度计算模型是基于理论燃烧温度与高炉的热状态关系度来设计的，根据高炉理论燃烧温度计算公式：

$T_L=\frac{Q_C+Q_F+Q_R-Q_X}{V_g\·c_p^t}$

其中：T_L代表理论燃烧温度，℃；

Q_C为碳素在风口前燃烧生产CO放出的热量，KJ/t；

Q_F为鼓风及喷煤载气带入的物理热，KJ/t；

Q_R为焦炭进入燃烧带时带入的显热，KJ/t；

Q_X为鼓风中水分分解和喷吹燃料的分解吸热，KJ/t；

V_g、为燃烧生产煤气体积及其在T_L温度时的比热容，m³/t和KJ/(m³·℃)；

如果满足条件：T_L＞c

则：Index3＝0.5

否则：Index3＝0

其中，c代表理论燃烧温度的阈值，指数Index3的结果直接关系到最终对高炉向热趋势判断。

Images