CN101319256A - 高炉冷却壁智能监测方法 - Google Patents

Abstract

本发明的高炉冷却壁智能监测方法包括如下步骤：建立冷却壁传热模型，通过非线性回归方式提炼出传热核心模型，结合核心模型与人工神经网络得出冷却壁热面最高温度值的监测模型并形成监测软件，运用传热模型与现场传感器测试点温度值结合对冷却壁的运行状况、局部高温位置及冷却壁的安全性进行评估。采用该方法获得了理论分析采集数据简单、产生结果迅速准确、对高炉外壳损坏较少的优点。

Description

高炉冷却壁智能监测方法

技术领域

本发明涉及的是一种高炉冷却壁智能监测方法。属于高炉监测方法技术领域。

背景技术

高炉冷却壁的现场监测遇到了三个难点：一是理论分析的复杂性与生产实际要求快速、简单和准确的矛盾；二是理论分析需要足够的数据与现场数据较少、数据不完整的矛盾。在生产实际中，冷却壁通常只有一个温度测点并且其它可知参数又十分缺乏；三是增加温度测点可以提高在线监测的准确度与炉壳开孔太多易造成炉壳应力集中，严重时易造成炉壳破损的矛盾。因此，冷却壁状况的在线监测一直是个难题。

国内外高炉冷却壁在线热态状况监测一般有四种方法：

1)在冷却壁壁体厚度一半处安装一到两支热电偶来测试冷却壁壁体温度。该方法只能反映一个倾向值，无法直接用来判断冷却壁热面的温度状况；

2)通过两个纵向测温点值来推测冷却壁热面温度。这种方法对冷却壁热面温度进行递推计算，该方法与方法1)相似；

3)通过传感器直接触到冷却壁热表面。这种方法在冷却壁表面工作初期使用效果不错，一旦传感器暴露在高炉炉体内，传感器易烧损；

4)用冷却壁热负荷来评估冷却壁的热面状态。该种方法因热流强度与水流量、水温差及冷却壁的面积及热面状况有关，其值仅能描述整块冷却壁冷却的宏观状态，加上现场许多冷却壁串连或以其他复杂形式连接的，实际上热流强度描述的是一块或几块冷却壁的宏观状况。

经文献检索发现，国内外现在还没有有关高炉冷却壁智能监测及安全性评估的报告。

发明内容

本发明针对现有技术的不足和缺乏，提供一种高炉冷却壁在线智能监测的方法，在高炉炉壳只需开一个孔引出热电偶传感器，把冷却壁与监测系统合为一体，采用冷却壁现有传热数学模型与人工神经网络技术结合起来，优势互补，形成一种功能强大且易于实用化的新型智能监测和安全评估技术，具体是：

一种高炉冷却壁智能监测方法，其中含有如下步骤，

(1)设立冷却壁传热实物模型，

在冷却壁的边角点、中心位置和分区域中心点分别安装测温热电偶，封装热电偶、引出引线，各电偶丝封装汇集到总管引出，总管从炉壳开孔引出；以此建立冷却壁传热实物模型；

(2)通过三维稳态导热微分方程和实物模型的结构参数建立传热模型；

(3)根据(2)的结果提炼出传热冷却壁简化核心模型；

(4)传热冷却壁简化核心模型与人工神经网络结合得到高炉冷却壁智能监测模型；

(5)收集数据计算并且评估，运用传热模型与现场传感器测试点温度值结合对冷却壁的运行状况、局部高温位置及冷却壁的安全性评估和反馈。

如上所述的方法，其中传热实物模型具体的结构为：在冷却壁的边角处和分区域中心安装热电偶，其深度离冷却壁冷面30-100mm，在冷却壁中心安装一支热电偶，其深度为冷却壁厚度的一半；测温偶的封装采用不锈钢管，全部电偶采用与冷却壁冷面垂直的不锈钢管引出，汇集后再从炉壳孔中穿出。

如上所述的方法，其中步骤(3)中根据(2)利用非线性回归模型处理提炼出传热冷却壁简化核心模型。

如上所述的方法，其中步骤(3)中用非线性回归模型处理后得到传热冷却壁简化核心模型为：

$T_{\mathrm{top}}=1.2959\×T_w^a\×\mathrm{\Σ}{T}_i^b\×v^c,$ R＝0.99

式中，v_w为冷却水流速度，m/s；T_w为冷却水温度，℃；T_i为壁体测点温度值，℃；T_top为冷却壁热面最高温度，℃，a，b，c为回归常数。

如上所述的方法，其中步骤(4)传热冷却壁简化核心模型与人工神经网络结合得到高炉冷却壁智能监测模型的结合方式包括：

(1)输入参数通过基本数学模型计算出热面最高温度的初步结果，再经过智能仿真模型得到一个温度补偿值dT，通过两者的线性之和得到冷却壁热面最高温度的最终仿真结果，或；

(2)输入参数经过基本数学模型计算出热面最高温度的初步结果，再把这个结果当作输入与开始的输入参数一起作为智能仿真模型的输入，直接得出最终的仿真结果，或；

(3)输入参数通过基本数学模型计算出热面最高温度的初步结果，然后再把初步结果当作智能仿真模型的输入，经过仿真模型计算得出最终的仿真结果。

根据权利要求1所述的方法，其特征在于步骤(5)中需收集的数据包括：水温、流速、和各电偶测点温度。

如上所述的方法，其中步骤(5)中对冷却壁的安全性评估是传热模型计算得到的冷却壁温度场数据库与热电偶测点数据进行比较，判断出冷却壁的热面最高温度、局部高温位置及冷却壁工作安全性。

通过采用以上方法获得了理论分析采集数据简单、产生结果迅速准确、对高炉外壳损坏较少的优点。

附图说明

图1是冷却壁测点布置图；

图2是热电偶的封装及引线的引出示意图；

图3是冷却壁复合体的结构示意图；

图4是冷却壁本体与冷却水之间的传热示意图；

图5是基本模型与智能仿真模型结合形式之一；

图6是基本模型与智能仿真模型结合形式之二；

图7是基本模型与智能仿真模型结合形式之三；

图8是BM&NN冷却壁智能仿真方法框图。

具体实施方式：

以下对本发明作进一步的说明，具体内容如下：

(1)冷却壁监测点位置分布、热电偶封装及引线引出的方法

监测点的位置分布考虑如图1所示。1、2、3、4点为冷却壁的边角点，离冷却壁冷面50mm；5、6、7、8点分别为冷却壁A、B、C、D区的中心点，离冷却壁冷面50mm，基本能反映四个区局部高温时的状况；9点为整块冷却壁的中心点，安装在冷却壁厚度一半的位置，为保证壁体内温度测量的精确性，热电偶用电容冲击焊接机将热接点焊到测温孔底部。

热电偶的封装及引线的引出采用如图2所示的方法)。所采用的热电偶丝为镍铬镍硅且要求正负极都有绝缘层，封装采用不锈钢管，各钢管都有一沟槽以便放入电偶丝并且封装管必须焊接在冷却壁上。各电偶丝封装管汇集到A管引出，A管从炉壳一个小开孔引出。

(2)冷却壁传热基本模型的建立

高炉冷却壁复合体的传热可视为导热问题，其三维稳态导热微分方程为：

$\frac{\∂}{\∂x_i}\left(\mathrm{\λ}\left(T\right)\frac{\∂T}{\∂x_i}\right)=0$

式中λ是与温度有关的导热系数，W/(m.℃)；i＝1，2，3，分别表示三维，即x，y，z轴，冷却壁复合体的三维模型计算示意图见图3。图中，A1～A8为冷却水管接头，B1～B3为固定接头。

相应的边界条件为：

炉壳与大气 $\mathrm{\λ}\frac{\∂T}{\∂x}=h_k(T_k-T_a)$

炉渣与高温气流 $-\mathrm{\λ}\frac{\∂T}{\∂x}=h_z(T_z-T_f)$

冷却壁与冷却水之间： $\mathrm{\λ}\frac{\∂T}{\∂n}=h_{\mathrm{wb}}(T_{\mathrm{wb}}-T_w)$

y＝0，S $\mathrm{\λ}\frac{\∂T}{\∂y}=0$

z＝0，H $\mathrm{\λ}\frac{\∂T}{\∂z}=0$

式中S-冷却壁的宽度，m；

L-炉壳、冷却壁和砖衬的总厚度，m；

H-冷却壁的高度，m；

h_k-炉壳与周围大气间的换热系数，W/(m².℃)；

T_k-炉壳表面温度，℃；

T_a-高炉周围大气温度，℃；

T_z-高炉砖衬表面温度，℃；

T_f-高炉炉气温度，℃；

T_wb-冷却壁与冷却水管接触处的温度，℃；

T_w-冷却水水温，℃；

h_wb-冷却壁和冷却水之间的综合传热系数，W/(m².℃)；

h_z-炉渣表面与炉气、炉料间的换热系数，W/(m².℃)，且

h_z＝h′_c+h′_r

h′_c-炉渣表面与炉气、炉料间的自然对流换热系数，W/(m².℃)；

h′_r-炉渣表面与炉气、炉料间的辐射换热系数，W/(m².℃)；

-水管表面法线方向的温度梯度，℃/m。

以下就分别讨论模型中使用的各换热系数：

1.炉壳外表面与周围空气间的换热系数为

h_k＝h_k1+h_k2

式中h_k1-炉壳外表面与周围空气间的自然对流换热系数，W/(m².℃)；

h_k2-炉壳外表面与周围空气间的辐射换热系数，W/(m².℃)。

对于自然对流换热系数h_k1其原则性准则方程式可表示为Nu＝C(Gr·Pr)ⁿ，因此可得出

式中λ_空气-空气的导热系数，W/(m.℃)；

Pr-普朗特准数；

Gr-格拉晓夫准数；

Nu-努塞尔准数；

l-换热面的特征性尺寸，这里就是冷却壁的高度，m；

c、n-常数，由Gr数查表获得。

对于辐射换热系数h_k2的计算，有

$h_{k2}=\mathrm{\ϵ}{C}_0[{\left(\frac{T_k}{100}\right)}^4-{\left(\frac{T_a}{100}\right)}^4]/(T_k-T_a)$

式中ε-炉壳表面的黑度；

C₀-黑体辐射系数。

2.冷却壁和冷却水之间的传热系数h_wb

冷却壁与冷却水之间传热比较复杂，它们之间的热阻由五部分组成，如图4所示。

冷却壁与冷却水之间总换热系数可以用下式表示：

h_wb＝1/R

式中R-冷却壁与冷却水之间的总热阻，(m².℃)/W；可表示成

R＝R₁+R₂+R₃+R₄+R₅

式中R₁，R₂，R₃，R₄，R₅分别表示水管内表面与水的对流换热热阻、水垢热阻、水管管壁导热热阻、水管表面涂层导热热阻和气隙层热阻；(m².℃)/W。

(1)冷却水管内表面与水的对流换热热阻R₁

R₁＝(1/α_w)·(d₀/d₁)

式中α_w-水管内表面与水之间的对流换热系数，W/(m².℃)。

由于是管内湍流强制对流换热，可采用迪图斯-贝尔特(Dittus-Boelter)公式计算

Nu＝α_wd₁/λ_w＝0.023Re^0.8Pr^0.4＝0.023(vd₁/v)^0.8Pr^0.4

α_w＝0.023(v^0.8λ_wPr^0.4)/(d₁ ^0.2v^0.8)

式中d₁-冷却水管内径，m。

(2)水垢热阻R₂

R₂＝δ_d/λ_d

式中δ_d-水垢的厚度，m；

λ_d-水垢的导热系数，W/(m.℃)。

(3)水管管壁的导热热阻R₃

R₃＝(d₀/2λ_管)In(d₀/d₁)

式中λ_管-水管管壁的导热系数，W/(m.℃)；

d₀-水管外径，m。

(4)水管表面涂层的导热热阻R₄

水管表面涂层是为防止水管渗碳而喷涂的，厚度一般为0.2-0.7mm，由于涂层厚度很小，热阻可按平壁导热处理，简单表示为

R₄＝δ_c/λ_c

式中δ_c-涂层的厚度，m；

λ_c-涂层的导热系数，W/(m.℃)。

(5)气隙层的热阻R₅

冷却壁本体和水管间的气隙层是在铸造冷却壁时，因本体和水管温度不同，以及膨胀系数不同而产生的间隙，一般为0.1-0.3mm。由于气隙很薄，在考虑热阻时，可按平壁传热处理。气隙层中的传热由两部分组成：气隙层中气体的导热和冷却壁本体与涂层外表面的辐射换热，所以根据热量平衡有

$\frac{t_2-t_c}{\frac{{\mathrm{\δ}}_g}{{\mathrm{\λ}}_e}}=\frac{t_2-t_c}{\frac{{\mathrm{\δ}}_g}{{\mathrm{\λ}}_g}}+\frac{c_0[{\left(\frac{T_2}{100}\right)}^4-{\left(\frac{T_c}{100}\right)}^4]}{(\frac{1}{{\mathrm{\ϵ}}_1}+\frac{1}{{\mathrm{\ϵ}}_c}-1)(t_2-t_c)}$

因此得出气隙层的热阻为

$R_5={\mathrm{\δ}}_g/{\mathrm{\λ}}_e=\frac{1}{\frac{1}{\frac{{\mathrm{\δ}}_g}{{\mathrm{\λ}}_g}}+\frac{\frac{c_0}{{100}^4}({T_2}^2+{T_C}^2)(T_2+T_C)}{(\frac{1}{{\mathrm{\ϵ}}_1}+\frac{1}{{\mathrm{\ϵ}}_C}-1)(t_2-t_c)}}$

式中λ_e-气隙的当量导热系数，W/(m.℃)；

λ_g-气隙层中气体的导热系数，W/(m.℃)；

δ_g-气隙层厚度，m；

ε₂-冷却壁的黑度；

ε_c-涂层的黑度；

t₂，t_c-分别为冷却壁本体与涂层接触面和涂层表面温度，℃；

T₂，T_c-与t₂和t_c相对应的绝对温度，K；

因而冷却壁本体与冷却水之间的换热系数为

h_wb＝1/R＝1/[(1/α)(d₀/d₁)+δ_d/λ_d+(d₀/2λ_w)In(d₀/d₁)+δ_c/λ_c+δ_g/λ_e]

3.高炉煤气与砖衬之间的换热系数

据资料，在高炉煤气温度为1200℃时，高炉煤气和砖衬之间的换热系数h_z＝320W/(m².℃)。

(3)冷却壁核心模型的建立

由于现场监测使用复杂传热模型的困难，因此，采用冷却壁简化核心模型。这里使用非线性回归模型形式。非线性回归模型就是通过冷却壁数值仿真计算，找出冷却壁热面状况与参数之间的关系模型。众所周知，高炉冷却壁在高炉内工作其结构参数已经确定，它们是不变参数，而可变参数是炉气温度、炉衬厚度、炉渣厚度、水速、水温、水垢及冷却壁上测点温度。这些参数的变化将直接影响到仿真的定量计算精度。在这些可变参数中，唯有水速、水温和测点温度可以现场测试，其它参数都是不可知参数。但分析这些参数的特性可以知道，炉气温度、炉衬厚度以及水垢厚度的变化都与冷却壁各测试点温度有关。

核心模型将探讨热面气流温度均匀和各区域异常高温下的热面最高温度与各测温点之间的关系以及某个测温点与其它测温点之间的关系。

根据模型计算结果，可拟合得到

$T_{\mathrm{top}}=1.2959\×{T_w}^a\×\mathrm{\Σ}{T}_i^b\×v^c,$ R＝0.99

式中，v_w为冷却水流速度，m/s；T_w为冷却水温度，℃；T_i为壁体测点温度值，℃；T_top为冷却壁热面最高温度，℃，a，b，c为回归常数。

(4)核心模型与人工神经网络结合的方式

智能仿真与传统数学模型的结合，反映了现代方法与传统理论的结合，可望实现方法上的优势互补，以取得更好的实用效果。基本模型与人工神经网络的结合的基本思想就是基于数学模型，以数学模型为基础，人工神经网络模型作为补偿部分来修正数学模型与实际系统的偏差。

数学模型与人工神经网络模型的结合方式是方法实现的关键环节。而结合方式必须简单并易于实现，从以下三种方案进行实验比较并选定一种结合方式：

图5结合形式是输入参数通过基本数学模型计算出热面最高温度的初步结果，再经过智能仿真模型得到一个温度补偿值dT，通过两者的线性之和得到冷却壁热面最高温度的最终仿真结果；图6结合形式是输入参数经过基本数学模型计算出热面最高温度的初步结果，再把这个结果当作输入与开始的输入参数一起作为智能仿真模型的输入，直接得出最终的仿真结果；图7结合形式是输入参数通过基本数学模型计算出热面最高温度的初步结果，然后再把初步结果当作智能仿真模型的输入，经过仿真模型计算得出最终的仿真结果。

(5)基于模型的高炉冷却壁智能监测模型的建立

采用模型与人工智能相结合的方法，即BM&NN方法，如图8所示。用数学模型保证定量计算上的正确、通用，而将一些难以描述的环节用神经网络来代替。

这种结合人工神经网络的高炉冷却壁传热模型可分为两大部分：一部分为基本模型，反映冷却壁传热的基本机理。另一部分为人工神经网络，用于自适应地补偿基本模型与实验数据之间的差距。基本模型保证通用性，可采用适当简化的回归关系式，以使计算简易；人工神经网络通过对试验数据的学习，可提高模型与实际物理过程的吻合程度。

系统仿真实例计算-基于参数修正因子的高炉冷却壁智能仿真如下：

采用非线性核心模型，基本模型与智能仿真模型的结合形式采用图5方式，输入参数经过数学模型得到初步结果，同时也经过智能仿真得到一个温度修正因子dT，修正因子的精确与否直接影响仿真模型的精度。最后，通过两者的线性之和就得到最终的仿真结果-热面最高温度。

表1是基于模型的智能仿真软件得出的热面最高温度与试验所测温度比较，两者基本吻合，相对误差在3％以内，因而可以认为，基于模型的智能仿真是有效的，可以满足高炉冷却壁现场监测的需要。

表1仿真模型输出和试验数据结果比较

(6)冷却壁安全性评估分析

在冷却壁传热模型的基础上，模拟高炉内各种复杂状况(热面均匀及局部高温状态)，计算出冷却壁的温度，借助计算数据与监测数据信息，通过数据处理程序及分析方法(主要是各种反演分析法)来实时地识别结构当前工作状态，做出对结构局部破损的位置和程度的识别，进而作出冷却壁结构的安全性评估。

本发明的实施方式都在发明内容里说明，实施概述为：建立冷却壁传热模型，通过非线性回归方式提炼出传热核心模型，结合核心模型与人工神经网络得出冷却壁热面最高温度值的监测模型并形成监测软件，运用传热模型与现场传感器测试点温度值结合对冷却壁的运行状况、局部高温位置及冷却壁的安全性进行评估。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (7)

1.一种高炉冷却壁智能监测方法，其特征在于含有如下步骤，

(1)设立冷却壁传热实物模型，在冷却壁的边角点、中心位置和分区域中心点分别安装测温热电偶，封装热电偶、引出引线，各电偶丝封装汇集到总管引出，总管从炉壳开孔引出；以此建立冷却壁传热实物模型；

(2)通过三维稳态导热微分方程和实物模型的结构参数建立传热模型；

(3)根据(2)的结果提炼出传热冷却壁简化核心模型；

(4)传热冷却壁简化核心模型与人工神经网络结合得到高炉冷却壁智能监测模型；

(5)收集数据计算并且评估，运用传热模型与现场传感器测试点温度值结合对冷却壁的运行状况、局部高温位置及冷却壁的安全性评估和反馈。

2.根据权利要求1所述的方法，其特征在于传热实物模型具体的结构为：在冷却壁的边角处和分区域中心安装热电偶，其深度距离冷却壁冷面30-100mm，在冷却壁中心安装一支热电偶，其深度为冷却壁厚度的一半；测温偶的封装采用不锈钢管，全部电偶采用与冷却壁冷面垂直的不锈钢管引出，汇集后再从炉壳孔中穿出。

3.根据权利要求1所述的方法，其特征在于步骤(3)中根据(2)利用非线性回归模型处理提炼出传热冷却壁简化核心模型。

4.根据权利要求1所述的方法，其特征在于步骤(3)中用非线性回归模型处理后得到传热冷却壁简化核心模型为：

$T_{\mathrm{top}}=1.2959\×{T_w}^a\×\mathrm{\Σ}{T}_i^b\×v^c,$ R=0.99

式中，v_w为冷却水流速度，m/s；T_w为冷却水温度，℃；T_i为壁体测点温度值，℃；T_top为冷却壁热面最高温度，℃，a，b，c为回归常数。

5.根据权利要求1所述的方法，其特征在于步骤(4)传热冷却壁简化核心模型与人工神经网络结合得到高炉冷却壁智能监测模型的结合方式包括：

(1)输入参数通过基本数学模型计算出热面最高温度的初步结果，再经过智能仿真模型得到一个温度补偿值dT，通过两者的线性之和得到冷却壁热面最高温度的最终仿真结果，或；

(2)输入参数经过基本数学模型计算出热面最高温度的初步结果，再把这个结果当作输入与开始的输入参数一起作为智能仿真模型的输入，直接得出最终的仿真结果，或；

(3)输入参数通过基本数学模型计算出热面最高温度的初步结果，然后再把初步结果当作智能仿真模型的输入，经过仿真模型计算得出最终的仿真结果。

6.根据权利要求1所述的方法，其特征在于步骤(5)中需收集的数据包括：水温、流速、和各电偶测点温度。

7.根据权利要求1所述的方法，其特征在于步骤(5)中对冷却壁的安全性评估是传热模型计算得到的冷却壁温度场数据库与热电偶测点数据进行比较，判断出冷却壁的热面最高温度、局部高温位置及冷却壁工作安全性。

Images