烧结生产的配料模型和质量预测烧结矿化学成分波动较大是目前高炉原料存在的突出问题，它不但影响烧结矿质量，而且由于波动大而严重影响高炉炉况稳定以及生铁成分，我国不少厂家建立了混匀料场，有一定的效果，但只能
烧结生产的配料模型和质量预测
烧结矿化学成分波动较大是目前高炉原料存在的突出问题，它不但影响烧结矿质量，而且由于波动大而严重影响高炉炉况稳定以及生铁成分，我国不少厂家建立了混匀料场，有一定的效果，但只能为烧结厂提供有限天数的稳定成分原料。此外由于各种原料化学成分随机波动，烧结产品取样，分析时间滞后大，且配料计算相当复杂，一般是设计时或生产时由技术部门计算，然后下料单，而无在线随时计算，这些都使得烧结矿化学成分稳定控制相当困难。
由于计算机的出现使在线即时计算和预测成分成为可能。目前有下列几种方法：
(1)基于传统的配料计算，加入自适应修正的数学模型。通常配料计算是按已知的原料成分和规定的烧结矿成分计算所需的原料配合比例，并得出烧结矿的化学成分，计算的原则是根据‘质量守恒’原理，按不同成分的平衡，列出一系列方程，然后求解。
按Fe平衡可列出下列方程(以单位重量烧结矿计)：
Fe烧=∑Fei×i
按碱度平衡可列出下列方程：
R0×∑SiO2i×i=∑CaOi×i
按MgO平衡可列出下列方程：
MgO烧=∑MgOi×i
式中Fe烧和MgO烧—烧结矿Fe及MgO含量；
R0—碱度；
i—单位质量烧结矿的有关原料量，如矿粉、石灰石、白云石及燃料等；
Fei，SiO2i，CaOi，MgOi—各原料中相应成分含量，%。
对于烧结矿的冶金指标，如转鼓指标和筛分指标是用回归法组成数学模型的，但影响这两个指标的参数很多，包括料种(精矿粉，石灰石等)，一、二次混合加水量、混合料水分，配炭量，台车速度(最敏感值)、点火温度、层厚、废气温度以及风箱负压等，采用多元回归法对如此多参数是很困难的，应该予以简化。例如把配料配比变化，原料水分变化，加水量等归结为透气性变化，某些数值可以认为不变如点火温度等。以把回归的多元减少至最低限度。
这种数学模型较易实现，但前提必须是原料分析要正确，最好采用X—荧光在线分析仪进行分析和在线自适应修正。
(2)神经元网络烧结矿成分预测模型。选择与烧结矿质量有直接关系的碱度，全铁和FeO含量作为预报值。它把烧结过程看作是一个系统，即当一定的原料参数、操作参数作用于设备参数(统称工艺参数)时，将有一定的状态参数和指标参数与之对应。其中原料参数包括混匀矿配比，石灰石配比，焦粉配比，生石灰配比等，设备参数包括风机能力、漏风率、混合制粒能力，操作参数包括一二次混合加水量，料层厚度，台车速度等；状态参数包括烟道负压，废气温度，返矿率等，指标参数包括碱度，全铁含量、FeO含量、转鼓指数，利用系数等。将预报的指标参数作为神经网络输出，并把某些与之相关的原料参数、操作参数作为神经网络输入，并忽略设备参数(设备参数变化小，可视为不变，混合料温度变化小，亦可以忽略等等)，最后可整理出各输出与所需输入如下：
1)碱度预报输入参数为：混匀矿SiO2和CaO含量，石灰石配比，消石灰配比，焦炭配比，一二混加水量，料层厚度，台车速度，原料中FeO含量共9个。
2)全铁预报输入参数为：混匀矿全铁含量，料层厚度，焦炭配比，台车速度共4个。
3)FeO预报输入参数为：混匀矿SiO2及CaO含量，石灰石配比，焦炭配比，一二混加水量，料层厚度，台车速度共7个。然后使用BP神经元网络分别以上述输入和输出的实际数字进行训练以建立神经元网络模型，其中碱度预报样本个数为100、隐层节点个数为50、学习率为0.0005、训练步数为8000、指标函数为误差平方和、隐层激发函数采用sigomid函数。全铁预报隐层节点个数为50。学习率为0.0001，训练步数为10000；FeO预报隐层节点个数为80。学习率为0.0001。训练步数为8000等。然后以所建立的3个神经元模型分别对新的输入进行预报，预报结果见图1。从图中可以看出预报结果与实际值相对误差很小，均在允许工艺范围之内。
(3)自适应预报模型。本预报是基于现代控制理论，把烧结过程看作是一个‘灰箱’系统，用输入-输出模型来反映系统的动态特性。选择受控的自回归模型(CAR模型)和带外生可观变量受控自回归模型(CARX模型)作为系统模型。
SISO的CAR模型：
A(z-1)y(k)=B(z-1)u(k)z-d+e(k)
.jpg)
图1 碱度、全铁、FeO预报偏差曲线
MISO的CARX模型：
A(z-1)y(k)=B(z-1)u(k)z-d+C(z-1)v(k)z-d+e(k)
式中A(z-1)=1+a1z-1+…+anz-n；
B(z-1)=b0+b1z-1+…+bnz-n；
c(z-1)=c0+c1z-1+…+cnz-n；
y(k)—输出变量；
u(k)—控制变量；
v(k)—可观测变量；
a,h,c—模型参数；
n—模型阶数；
e(k)—零均值高斯白噪声；
d，d’—时滞。
整个系统的输入量是原料变量，输出量是要求提前预报的烧结矿成分的化验值，现场每0.5h自动取样一次，化学成分每2h化验一次，故系统采样间隔为2h，原料变量每15min从DCS在线数据采集一次，2h内采样平均值作为该步的点。
系统结构包括；1)数据处理器。用以判断生产数据合理性，对异常点滤波处理，以及计算处理生产数据；2)估计器是用辨识方法估计模型的结构和参数，采用递推最小二乘法估计模型参数，并用渐消记忆法(指数遗忘法)以解决数据饱和现象，计算时滞选择为d=1，对模型阶数n估计是使用损失函数法；3)预报器将预报2h后的烧结矿化学成分，并检验预报值是否合理，计算预报值和目标值的偏差，计算预报命中率。
本自适应预报系统于1993年6月13～22日在鞍钢新三烧进行烧结矿化学成分预报，结果见表1。
表1 各成分预报命中率(%)
预报类别
TFe
SiO2
CaO
MgO
FeO
R
常规法
75.47
80.19
77.36
77.36
-
76.42
自适应
84.91
86.70
83.96
87.70
73.58
83.96
