高炉炉况的重要参数
高炉炉况的重要参数
一、问题的重述高炉炼铁是现代钢铁生产的重要环节，且是个复杂的高温物理化学过程，精确掌握炉内的温度分布上不可能，所以一般要通过预报高炉炉温(铁水硅含量)来间接地反映炉内的温度变化，判断高炉炉缸热状态，并以此来调控高炉行程、能量消耗及生铁质量。
事实上，影响铁水硅含量（即炉温）的因素很多，大体上分为两大类：状态参数和控制参数。
状态参数包括料速、透气性指数、风口状况、铁水与炉渣成分等；控制参数包括入炉原料的性质(成分、比重、配料比等)、装料方式、风量、风温、富氧量等，各个因素之间也存在交互影响。
其中几个重要的影响参数为：（1）料速是判断高炉炉况的一个重要参数；（2）透气性指数是判断炉温与炉况顺行的一个重要参数；（3）铁量差指的是理论出铁量与实际出铁量之差；（4）风温对高炉冶炼过程的影响，主要是直接影响到炉缸温度，并间接的影响高炉高度方向上温度分布的变化，以及影响到炉顶温度水平；（5）风量引起的炉料下降速度和初渣中FeO的含量的增减，以及煤气流分布的变化，都会影响到煤气能的利用程度和炉况顺行情况。
现在要求我们根据表中给出的近期某高炉的生产数据，试建立铁水硅含量与各影响参数的数学预测模型。
二、问题的分析高炉铁水硅含量的高低反映了高炉冶炼过程的热状态及燃烧比。
维持稳定且较低的铁水硅含量是炉况稳定并产生较低燃烧比的直接保证。
对于本问题中铁水硅含量的预报有很多方法，如传统的ARMA模型，但是由于高炉生产过程的复杂性，尤其在不断提高喷煤量之后，炉况的波动更加剧烈和复杂，采用ARMA模型已经很难准确的描述铁水硅含量的预测模型。
然而最近提出的神经网络模型能够以实验数据为基础，经过有限次迭代，就可以获得一个反映实验数据内在规律性的参数组，尤其是对于参数众多的，规律性不明显的生产过程能发挥其独特性，此方法正好解决本文中参数众多且无规律的问题，所以本文采用神经网络的方法对铁水硅含量进行预报。
为了使得我们建立的BP神经网络模型更具有说服力，同时建立了一个多元线性回归模型与之进行对比。
高炉的规格
高炉的规格可以根据具体项目和需求而有所不同，以下是一些常见的高炉规格参数：
1.容积：高炉容积是指高炉内部可容纳冶炼物料的体积大小，通常以立方米（m³）为单位进行表示。
高炉的容积大小直接关系到其生产能力和冶炼效率。
2.高度：高炉的高度是指从高炉顶部到高炉底部的垂直距离，通常以米（m）为单位进行表示。
高度直接影响高炉内部的气体流动和冶炼物料的下降速度。
3.内径：高炉的内径是指高炉内部炉身的直径，通常以米（m）为单位进行表示。
内径直接关系到高炉内部冶炼物料的堆积状况和煤气在高炉内的流动速度。
4.排气温度：高炉的排气温度是指高炉顶部排出的煤气温度，通常以摄氏度（℃）为单位进行表示。
排气温度直接影响高炉冶炼过程中的热能损失和冶炼效率。
5.炉龄：高炉的炉龄是指高炉建成至今的运行时间，通常以年为单位进行表示。
炉龄直接关系到高炉的使用寿命和维护保养情况。
需要注意的是，高炉的规格参数会根据不同的冶炼过程和技术要求而有所差异，例如煤气发生量、燃料种类、冶炼产量等因素都会对高炉的规格造成影响。
因此，在具体项目中，需要根据冶炼工艺设计和工程要求进行详细的规格确定。
高炉操作03炉况的判断与调节
高炉操作第3章 炉况的判断与调节保持高炉高产、优质、低耗和炉况顺行，从操作方面看主要是选择好各种操作制度与搞好日常调剂。
怎样正确地判断各种操作制度是否合理和正确地进行日常调剂，熟练地掌握综合判断高炉行程的方法与调剂规律，是一项非常重要的工作。
一般观察炉况的内容是：炉况的动向与波动幅度。
这两者相比，首先要掌握变化的方向，使调剂不发生方向性的差错。
其次，要掌握波动的幅度，有了量的概念，调剂才能既对症下药又恰如其分。
3.1 直接观测法3.1.1 看风口风口是唯一可以直接看到炉内局部冶炼现象的窗口，可以随时观察，比看铁、看渣所显示的炉况波动也早。
（1）炉缸温度。
炉热时风口明亮、无大块和生料下降；炉凉时风口发暗，炉料少降与大块多，甚至出现风口前涌渣、挂渣现象。
还要注意边缘发展时风口明亮但炉温不高。
（2）下料速度。
（3）循环区大小。
（4）炉缸圆周工作均匀性，其中包括各个风口的温度均匀性，煤气分布均匀性，下料状态均匀性。
（5）风口冷却器漏水情况。
3.1.2 看铁水每次出铁，必须观看铁水变化，其内容主要看以下几方面：（1）看炉温；铁水明亮，炉温适中，铁水暗红，炉温低。
（2）看[Si]含量，也是看炉温。
（3）看铁水[S]含量，铁水是否要炉外脱硫或是否符合要求，一般在炉前可以判断出来。
3.1.3 看炉渣从炉渣的流动状态与断口颜色可以判明炉缸热度、渣碱度及渣中FeO、MnO 等的含量。
（1）炉热时，渣流动性好、光亮耀眼，从炉子流出时表面冒出火苗、水渣白色。
（2）炉凉时，渣流动性差、颜色发红，从炉内流出来时无火苗而有小火星、水渣变黑。
（3）炉渣成分不同时其颜色不同，断面状态不同。
（4）液态炉渣时，酸性渣可拉丝，碱性渣成滴状滴下，因此前者叫长涪后者叫短渣。
固态炉渣时，玻璃渣为酸性渣；石头渣为碱性渣。
3.2 间接观测法随着科学技术的发展，高炉监测内容越来越多，精度越来越高，已成为观察判断炉况的主要手段。
监测高炉生产的主要仪表，按测量对象可分为以下几类：压力计类：有热风压力计、炉顶煤气压力计、炉身静压力计、压差计等。
高炉各项标准指标
生产中常用差值置换比来评价，R差=（k1-k2）/（M2-M1），R理与R差对比可以分析煤粉在炉内利用率的水平。
应指出，置换比服从高炉内的普遍规律—递减规律。
即随着喷煤量的增加，置换比会有所降低。
例如，某高炉喷煤150kg/t左右时，置换比在0.95左右，而煤比上升到180kg/t，置换比降到0.9左右。
而超过200kg/t时，超过部分的置换比降到0.6以下。
这时，置换比就成为限制喷煤量的决定性因素，一些高炉出现了超过一定喷煤量以后，煤比提高了，而燃料比不但不降，反而升高的现象。
炼铁工作者曾设定的目标是：燃料比＜500kg/t，其中焦比＜250kg/t，煤比＞250kg/t。
通过半个世纪的实践，国内外曾有两座高炉实现最高煤比为月平均266-263kg/t，但仅维持一个月。
至今稳定喷吹煤粉量一般维持在130-160kg/t，高的达到200kg/t左右，但是还没有一座高炉能长期喷吹煤粉220kg/t以上。
而且在燃料比低于500kg/t时，喷吹煤粉一般在200kg/t以下。
保证炉缸具有充沛的高温热量是喷吹煤粉的必要条件，良好的炉缸热状态的标志为：风口前理论燃烧温度t理=（2200±50）℃；焦炭进入燃烧带时的温度tc达到0.75t理，足够的热贮备约630kg/kJ，而其中最重要的是t理。
例如，喷吹混合煤200kg/t，则t理降低250-280℃，如果喷煤前t理维持在2200℃，则喷煤后t理降到2000℃以下，在我国的高炉生产实践中，这个温度是不允许的。
为此，必须采取措施来补偿，常用手段是提高风温，既带来热量又提高t理。
实践表明，风温提高100℃可提高t理（50±10）℃。
现在中国高炉生产中风温已达到1100℃左右，而在现代热风炉上承受的最高风温为1250-1300℃，显然单靠提高100-200℃风温已无法完全补偿t 理的下降，需要采用富氧鼓风。
富氧并不能增加热量的来源，但可以提高t理，每1%富氧可提高t理45℃左右。
高炉技术参数
R
1.85 (±0.05)
残C含量
≤0.4%
转鼓
≥75%
粒度
5~50mm
筛分（≤5mm）
≤5%
球团矿
TFe%
≥65
FeO%
≤5
SiO2%
8~10
CaO%
1~2
Al2O3%
≤1
碱度波动
＜±0.005
转鼓
≥90%
粒度(mm)
10~15
天然铁矿石
TFe%
Al2O3%
SiO2%
P%
S%
Cu%
碱金属%
±3~4%
石灰石
±100㎏
∓20~30kg
∓5~7%
渣量
±100㎏
±20kg
∓3%
碎铁
±100㎏
∓30kg
±5%
炉顶温度
±100℃
±30kg
直接还原度
±0.1
±8~9kg
∓8~9%
炉渣碱度
±0.1
±2.5kg
∓2.5%
混合煤气
±1%
∓10~1.5kg
±3.5%
≥65
≤2
≤3.5
≤0.06
≤0.05
≤0.05
≤0.015
喷吹用煤
灰份%
挥发分%
硫%
H2O%
≤11.0
≤18.0
≤0.70
≤1.0
锰矿
锰含量
≥25%
粒度范围
≥6mm
石灰石矿、白云石矿
CaO
MgO
SiO2
粒度（mm）
石灰石
≥52%
≤2%
10~30
白云石
高炉炉况判断总结剖析
高炉炉况判断总结常见的炉况判断方法：直接判断法和利用仪器仪表进行判断。
一．直接观测法1.看出铁主要看铁中含硅与含硫情况。
◆看火花判断含硅量①冶炼铸造生铁时：当[Si]大于2.5%时，铁水流动时没有火花飞溅；当[Si]为2.5%～l.5%时，铁水流动时出现火花，但数量少，火花呈球状；当[Si]小于1．5%时，铁水流动时出现的火花较多，跳跃高度降低，呈绒球状火花。
②冶炼炼钢生铁时：当[Si]为1．0%～0．7%时，铁水流动时火花急剧增多，跳跃高度较低；当[Si]小于0．7%时，铁水表面分布着密集的针状火花束，非常多而跳得很低，可从铁口一直延伸到铁水罐。
◆看试样断口及凝固状态判断含硅量看断口①冶炼铸造铁时：当[Si]为1.5%～2.5%时，模样断口为灰色，晶粒较细；当[Si]大于2.5%时，断口表面晶粒变粗，呈黑灰色；当[Si]大于3.5%时，断口逐渐变为灰色，晶粒又开始变细。
②冶炼炼钢生铁时：当[Si]小于l.0%时，断口边沿有白边；当[Si]小于0.5%时，断口呈全白色；当[Si]为0.5%～l.0%时，为过渡状态，中心灰白，[Si]越低，白边越宽。
看凝固状态铁水注入模内，待冷凝后，可以根据铁模样的表面情况来判断。
当[Si] 小于1.0%时，冷却后中心下凹，生铁含[Si]越低，下凹程度越大；当[Si]为1.0%～l.5%时，中心略有凹陷；当[Si]为1.5%～2.0%时，表面较平；当[si]大于2.0%以后，随着[Si]的升高，模样表面鼓起程度越大。
◆用铁水流动性判断含硅量①冶炼铸造生铁时：当[Si]为1.5%～2.0%时，铁水流动性良好，但比炼钢铁黏些；当[Si]大于2.5%时，铁水变黏，流动性变差，随着[Si]的升高黏度增大。
②冶炼炼钢生铁时：铁水流动性良好，不粘沟。
◆生铁含[S]的判断①看铁水凝固速度及状态：当[S]小于0.04%时，铁水很快凝固；当[S]在0.04%～0.06%时，稍过一会儿铁水即凝固，生铁含[S]越高，凝固越慢，含[S]越低，凝固越快；当[S]在0.03%以下时，铁水凝固后表面很光滑；当[S]在0.05%～0.07%时，铁水凝固后表面出现斑痕，但不多；当[S]大于0.1%时，表面斑痕增多，[S]越高，表面斑痕越多。
高炉炼铁行业指标
高炉炼铁行业指标
1. 炉温：高炉炉温是指高炉内部的温度，一般在1400-1600℃之间。
炉温的高低直接影响着炼铁的效率和质量。
2. 铁口温度：高炉出铁口温度是指高炉内铁水流出的温度，一般在1300-1500℃之间。
铁口温度的高低直接影响着铁水的成分和质量。
3. 出铁量：高炉炼铁时，每小时流出的铁水量称为出铁量。
出铁量的高低直接影响着炼铁的效率和经济效益。
4. 炉渣率：高炉炼铁时，产生的废渣量称为炉渣。
炉渣率是指每吨铁水产生的炉渣量，一般在150-200kg之间。
炉渣率的高低直接影响着炼铁的效率和经济效益。
5. 铁品位：高炉炼铁时，铁水中的铁含量称为铁品位，一般在90%以上。
铁品位的高低直接影响着铁水的质量和经济效益。
6. 煤气利用率：高炉炼铁时，煤气是主要的燃料之一。
煤气利用率是指高炉利用煤气的效率，一般在60%以上。
煤气利用率的高低直接影响着炼铁的经济效益。
7. 炉缸压力：高炉内部的压力称为炉缸压力，一般在0.1-0.2MPa之间。
炉缸压力的高低直接影响着高炉的安全性和炼铁的效率。
高炉炉况判断总结
高炉炉况判断总结常见的炉况判断方法：直接判断法和利用仪器仪表进行判断。
一．直接观测法1.看出铁主要看铁中含硅与含硫情况。
◆看火花判断含硅量①冶炼铸造生铁时：当[Si]大于2.5%时，铁水流动时没有火花飞溅；当[Si]为2.5%～l.5%时，铁水流动时出现火花，但数量少，火花呈球状；当[Si]小于1．5%时，铁水流动时出现的火花较多，跳跃高度降低，呈绒球状火花。
②冶炼炼钢生铁时：当[Si]为1．0%～0．7%时，铁水流动时火花急剧增多，跳跃高度较低；当[Si]小于0．7%时，铁水表面分布着密集的针状火花束，非常多而跳得很低，可从铁口一直延伸到铁水罐。
◆看试样断口及凝固状态判断含硅量看断口①冶炼铸造铁时：当[Si]为1.5%～2.5%时，模样断口为灰色，晶粒较细；当[Si]大于2.5%时，断口表面晶粒变粗，呈黑灰色；当[Si]大于3.5%时，断口逐渐变为灰色，晶粒又开始变细。
②冶炼炼钢生铁时：当[Si]小于l.0%时，断口边沿有白边；当[Si]小于0.5%时，断口呈全白色；当[Si]为0.5%～l.0%时，为过渡状态，中心灰白，[Si]越低，白边越宽。
看凝固状态铁水注入模内，待冷凝后，可以根据铁模样的表面情况来判断。
当[Si] 小于1.0%时，冷却后中心下凹，生铁含[Si]越低，下凹程度越大；当[Si]为1.0%～l.5%时，中心略有凹陷；当[Si]为1.5%～2.0%时，表面较平；当[si]大于2.0%以后，随着[Si]的升高，模样表面鼓起程度越大。
◆用铁水流动性判断含硅量①冶炼铸造生铁时：当[Si]为1.5%～2.0%时，铁水流动性良好，但比炼钢铁黏些；当[Si]大于2.5%时，铁水变黏，流动性变差，随着[Si]的升高黏度增大。
②冶炼炼钢生铁时：铁水流动性良好，不粘沟。
◆生铁含[S]的判断①看铁水凝固速度及状态：当[S]小于0.04%时，铁水很快凝固；当[S]在0.04%～0.06%时，稍过一会儿铁水即凝固，生铁含[S]越高，凝固越慢，含[S]越低，凝固越快；当[S]在0.03%以下时，铁水凝固后表面很光滑；当[S]在0.05%～0.07%时，铁水凝固后表面出现斑痕，但不多；当[S]大于0.1%时，表面斑痕增多，[S]越高，表面斑痕越多。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、问题的重述高炉炼铁是现代钢铁生产的重要环节，且是个复杂的高温物理化学过程，精确掌握炉内的温度分布上不可能，所以一般要通过预报高炉炉温(铁水硅含量)来间接地反映炉内的温度变化，判断高炉炉缸热状态，并以此来调控高炉行程、能量消耗及生铁质量。
事实上，影响铁水硅含量（即炉温）的因素很多，大体上分为两大类：状态参数和控制参数。
状态参数包括料速、透气性指数、风口状况、铁水与炉渣成分等；控制参数包括入炉原料的性质(成分、比重、配料比等)、装料方式、风量、风温、富氧量等，各个因素之间也存在交互影响。
其中几个重要的影响参数为：（1）料速是判断高炉炉况的一个重要参数；（2）透气性指数是判断炉温与炉况顺行的一个重要参数；（3）铁量差指的是理论出铁量与实际出铁量之差；（4）风温对高炉冶炼过程的影响，主要是直接影响到炉缸温度，并间接的影响高炉高度方向上温度分布的变化，以及影响到炉顶温度水平；（5）风量引起的炉料下降速度和初渣中FeO的含量的增减，以及煤气流分布的变化，都会影响到煤气能的利用程度和炉况顺行情况。
现在要求我们根据表中给出的近期某高炉的生产数据，试建立铁水硅含量与各影响参数的数学预测模型。
二、问题的分析高炉铁水硅含量的高低反映了高炉冶炼过程的热状态及燃烧比。
维持稳定且较低的铁水硅含量是炉况稳定并产生较低燃烧比的直接保证。
对于本问题中铁水硅含量的预报有很多方法，如传统的ARMA模型，但是由于高炉生产过程的复杂性，尤其在不断提高喷煤量之后，炉况的波动更加剧烈和复杂，采用ARMA模型已经很难准确的描述铁水硅含量的预测模型。
然而最近提出的神经网络模型能够以实验数据为基础，经过有限次迭代，就可以获得一个反映实验数据内在规律性的参数组，尤其是对于参数众多的，规律性不明显的生产过程能发挥其独特性，此方法正好解决本文中参数众多且无规律的问题，所以本文采用神经网络的方法对铁水硅含量进行预报。
为了使得我们建立的BP神经网络模型更具有说服力，同时建立了一个多元线性回归模型与之进行对比。
三、模型的假设和符号说明（一）模型假设1、铁硅量与原料混合时间有关，与起始时间无关；2、用料全部都倒进高炉内，在反应开始前无残留；3、原始各变量相互不独立，具有相关性。
（二）符号说明ij a ：第i 个主成分，第j 个变量的权数0β：为回归常数i β：多元线性回归系数（i =1,2，…p ）ij X ：第i 个主成分的第j 个变量值i F ：第i 个主成分四、模型的建立及求解（一）模型一：多元线性回归模型1.模型一的建立多元线性回归模型的一般形式01122p p y x x x ββββε=+++++ 式中，0β为回归常数，i β（i =1,2，…p ）称为回归系数，y 称为被解释变量，即因变量；而p x x x ，，， 21是p 个可以精确测量并可控制的一般变量，称为解释变量，即自变量。
对于一个实际问题，如果我们获得n 组观测数据（i 21y ；，，，ip i i x x x ）（i =1,2，…，n ）则线性回归模型可表示为⎪⎪⎩⎪⎪⎨⎧+++++=+++++=+++++=nnp p n n n p p p p x x x y x x x y x x x y εββββεββββεββββ 2211022222211021112211101 （1.1） 由于大量的参数变量间并非相互独立，各个因素之间也存在交互影响，因此我们采用主成分分析法，把各变量之间互相关联的复杂关系进行简化分析。
建立主成分函数∑==241j ij ijx aFi （1.2）最后将i F 看做一个新的变量，建立多元回归分析模型m m F F F Y ββββ++++= 22110 （1.3）2.模型一的求解根据上面原理，利用SPSS 软件进行主成分分析求解，结果如表1。
表1 主成分矩阵根据表1结果，得到主成分i F 的表达式。
⎪⎪⎪⎪⎪⎪⎪⎩⎪⎪⎪⎪⎪⎪⎪⎨⎧+++=-+----+-=+-+----+++--+++--++++-+-=-++-+--++-++++++++++++-=8248281832437363534333231322422322222122021921821721621521421321221121029282726252423222121241231221211201191181171161151141131121111101918171615141312111763.0022.0004.0192.0424.0521.0533.0530.0416.0202.0151.0234.0217.0045.0096.0161.0010.0038.0075.0092.0031.0296.0243.0926.0927.0929.0105.0173.0105.0096.0150.0141.0195.0094.0095.0215295.0413.0364.0327.0246.0216.0107.0065.0047.0416.0563.0166.0163.0161.0516.0555.0658.0680.0745.0772.0789.0811.0828.0X X X F XX X X X X X X F X X X X X X X X X X X X X X X X X X X X X X X X F XX X X X X X X X X X X X X X X X X X X X X X X F （1.4）同时将求得的i F 值多元回归分析，结果如表2： 故拟合多元线性回归方程8765321041.0011.0025.0005.0058.0070.0003.0183.63F F F F F F F Y -+---++=（1.5）表2 回归系数3.模型一的检验要看回归效果如何，对回归方程进行显著性检验，即看自变量m F F F ，，， 21从整体上对随机变量y 是否有显著的影响。
为此提出原假设0H ：021===m βββ （1.6）如果0H 被接受，则表示随机变量y 与m F F F ，，， 21之间的关系由线性回归模型表示不合适。
为了建立对0H 进行检验的F 统计量，利用总离差平方和的分解式212121)ˆ()ˆ()(i ni i n i i ni iy y y yy y-+-=-∑∑∑-== （1.7） 简写为SSE SSR SST += （1.8）构造F 检验统计量如下)1/(/--=m n SSE mSSR F （1.9）在正态假设下，当原假设0H ：021===m βββ 成立时，F 服从自由度为)1,(--m n m 的F 分布。
于是，可以利用F 统计量对回归方程的总体显著性进行检验。
给定的显著性水平α（取α=0.05），查F 分布表，得临界值)1,(--m n m F α.当F >)1,(--m n m F α时，拒绝原假设0H ，认为在显著性水平α下，y 对，1F 2F …m F 有显著的线性；反之，当F ≤)1,(--m n m F α,则认为回归方程不显著。
表3方差分析表。
表4Sig 为显著性水平检验，Sig<0.05表示变量回归性显著。
由表4可看出变量通过了显著性水平检验，但表2却反映，虽然变量通过了显著性水平检验，但某些变量，即F1、F2、F5、F7显著性水平较弱，（F1、F2、F5、F7分别对应表五中的Y1、Y2、Y5、Y7）。
将预测值和实际值汇在散点图上可直观的反映拟合效果，散点构成的直线基本倾斜向右上方，但离散程度过大，故方程的拟合效果不尽理想。
此方法不适合用于此类的预测问题。
图1 炉温指数散点图（二）模型二：BP神经网络模型1. 模型结构的确定BP神经网络模型可以拟合任意一个非线性映射，由输入层、隐藏层和输出层三部分组成。
其基本的结构如图2所示。
图2 BP神经网络层次图（1）输入层的确定神经网络的输入层起缓冲存储器的作用，其向量的数目相当于所研究问题的独立变量数目。
为了有效地进行铁水硅含量的预报，本模型结合题目本身所给的数据，同时考虑到不同参数对铁水硅含量的时间滞后性，对其作了精心的筛选，共选择9个参数作为网络模型的输入结点，如表5所示。
（2）隐含层的确定隐含层神经元代表网络输入与输出之间的非线性程度，对模型的训练速度和预报能力有着重要影响，神经元数太少影响网络在输入层提取有价值的特征，网络可能训练不出来或网络不“强壮”，容错性差。
但神经元个数太多又使学习时间过长，误差也不一定最佳。
所以没有统一的理论依据，本文中我们根据Kolmogorov定理，确定隐含层神经元个数为19。
（3）输出层的确定输出层神经元的个数取决于系统对网络功能的要求，本模型要实现铁水硅含量的预测，故输出变量为铁水硅含量，即输出层神经元的个数为1。
因此在本文中，我们建立的神经网络模型结构为：9-19-1。
2. 样本集的确定为完成对目标函数的逼近，在网络的构建训练和检测及结果评价的整个过程，首先要为网络提供一组适当数量的可靠样本。
本文中给出了160组数据，由于数据太多，我们选取了部分数据，如表4所示。
选定其中的1~100组作为训练样本，101~160组作为测试样本。
3. 数据处理数据处理的目的是为神经网络的推理提供较为准确的参数。
一般方法包括：时序化处理、归一化处理。
表5铁水硅含量影响因子数据表（1）时序化处理：由于给出的数据中只有每铁次的值，因此需要将铁次的值转化成对应小时或序号的值，作为样本的中的输入参数。
（2）归一化处理为避免由于输入变量单位不同、绝对值相差很大对神经网络模型的影响，需要对输入输出参数进行归一化处理。
本模型的BP 网络采用Sigmoid 函数作为激发函数，即各节点的输入输出值应在[0,1]之间。
因此，要对每一参数进行相应的转换，在不失其变化规律的前提下，把参数值都转换到[0,1]上。
对于输入层的参数值采用如下式的线性转换方式。
(,)()0.9min ,()1.1()0.9max min x p i x i x p i x i x i -⨯⨯-⨯act ()=（2.1）式中,x p i ()——样本P 中参数i 的样本值；(,)x p i act ——样本P 中参数i 的实际值；()min x i ——样本集中参数i 的最小值；()max x i ——样本集中参数i 的最大值。
按上述方法得到的归一化数据如表6。
(仅为每个样本输出层的数据，完整数据见附件)表6 处理后输出层数据表4.网络学习（1）学习参数的确定学习速率η和冲量系数α是两个学习时可供选择的参数，二者大小的选取直接影响网络的收敛稳定性和学习效率，合理选择η和α，可避免或减少系统误差的振荡。
经过多次训练，我们选取 =0.14。