基于RBFNN的烧结矿氧化亚铁含量实时检测系统的研究

摘要

当前，随着经济建设的加快，对钢材的需求量与日俱增，这就在客观上促进了我国钢铁产业的蓬勃发展，而炼铁的原料是铁矿石，这就决定了对铁矿石的需求也在不断增加。我们知道铁矿石基本有两种，第一是天然铁矿石，第二是人工把劣质铁矿石进行烧结后所得的烧结矿。天然优质富矿铁矿石是不可再生资源，可以直接入炉炼铁，但随着开采越来越少，产量逐年降低。而品质比较低劣的铁矿石(贫铁矿)，不能直接入炉炼铁，必须先用烧结的方法造块，先炼成烧结矿，提高其品质，然后才可以入炉炼铁。所以现在用于入炉炼铁的铁矿石大部分都是烧结矿。
　　 烧结矿的质量直接影响高炉炼铁的各项指标，而决定烧结矿质量的一个重要参数就是烧结矿的氧化亚铁含量。用化学检验的方法来检测烧结矿氧化亚铁含量的方法是指在烧结矿生产完成，并冷却后对烧结矿取样进行化学分析，然后检测出氧化亚铁含量，再根据氧化亚铁含量的情况调节烧结过程参数，从而达到调节氧化亚铁含量的目的。该方法检测的氧化亚铁含量是最精确的，但是它对于烧结过程的调节具有滞后性，我们知道，从混合料烧结成烧结矿，再等烧结矿冷却加上化学分析，大概需要2到3个小时，所以某时刻检测出的氧化亚铁含量是前2到3个小时的烧结过程参数决定的。现在还有采用人工在烧结机尾处，直接观察烧结矿断面图像特征，凭借经验定性给出氧化亚铁含量，然后反馈到烧结起点，来调节烧结过程参数，达到控制氧化亚铁含量的目的。但是该方法因人的主客观因素，往往偏差较大。
　　 因此开发一套基于计算机的烧结矿氧化亚铁含量自动实时检测系统是非常有必要的。论文运用径向基函数神经网络网络(RBFNN)和模糊C均值聚类相结合的方法来实时预报烧结矿氧化亚铁含量。RBFNN网络的特点是结构简单并且收敛速度快，而C均值聚类的特点是聚类精度高。首先对烧结矿断面图像样本特征参数进行聚类，进而把氧化亚铁含量样本划分成4类，对于4个不同类别的样本集，用相应的烧结过程参数集来训练RBFNN网络，从而获得4个参数散布率相对较小的RBFNN网络模型。烧结矿氧化亚铁含量预报步骤如下：第一，运用C均值聚类初步判定该断面氧化亚铁含量等级，第二，把各烧结过程参数输进相应的RBFNN网络模型，给出氧化亚铁含量。