件以及对于某些区域的故障进行报警等。这样

, 我们可以通过组态软件来对现场

进行实时监控和报警

,从而使得转炉炼钢的自动化控制显得更易于操作和控制。

这里

,我们主要研究下基于神经网络技术的转炉炼钢技术自动化控制。其中,我们

主要研究了副原料量预报模型和终点动态控制模型。我国目前的钢铁冶炼过程中

使用的两种模型在精度方面都有一定的局限性

, 而具有在线学习能力的神经网

络能够在一定程度上解决以上提到的不足

, 以任意精度接近非线性系统。因而, 

这种基于神经网络技术的转炉炼钢技术能够提高冶炼过程中的一次命中率

,缩短

冶炼时间

,减少成本消耗等。我们目前更多的在控制钢铁冶炼过程中的吹氧量和

副原料加入量的预测的时候

,

 

应用

RBF 神经网络, 

 

以提高冶炼过程中碳、温的一

次命中率。所谓的神经网络系统

, 是指一种高度复杂的非线性动力学网络系统,由

大量的基本神经元和不同的互联方式连结而成。迄今为止

,人们已经提出了多种

神经网络系统

, 

 

本文主要探讨

RBF 神经网络系统, 

 

即径向基网络。

　　这种网络技术是在上个世纪八十年代末提出的

, 具有单隐层的三层前馈网

络

, 它可以迅速的构建网络拓扑图而基本消除局部最小问题的产生。RBF 网络模

型的具体结构有三层

, 第一层为输入层, 第二层为隐含层,第三层为输出层。这三

种层次的前馈网络都是静态的结构。此外

, RBF 神经网络还有映射关系。具体应

用到副原料量静态预报中去的话

, 我们要注意实现碳温的双命中。我们要在转炉

炼钢过程中

,把副枪检测以前的定位为静态控制过程, 之后的定位为动态调整过

程。静态控制的过程很关键

, 因为,一旦该过程的目标不能趋近于目标值,那么, 后

期的动态调整就很难达到目标。针对这种情况

, 我们构建了两个 RBF 网络模型,

一个是吹氧量、造渣剂加入量预测模型和合金加入量预测模型。前一个模型主要

是准确控制吹氧量

,有效去除钢水中杂质。后一个模型主要是简化了转炉炼钢过

 

程的难度。

 

 

　　五、 结束语

　　总之，要生产出高质量的钢材，就必须提高自动化的应用程度。然而这个过

程并不是一蹴而就的，需要广大钢铁从业人员解放思想，提高认识。只有这样，

 

才能让我国的钢材在国家市场上占据一席之地。

 

　　

 

　　参考文献：