CN102889944A - 一种电石生产炉温监测方法 - Google Patents

Abstract

本发明涉及一种电石炉温监测方法，属于电石生产技术领域。本发明首先根据电视冶炼原理和上产工艺过程得到炉热指数，再根据炉热指数和其它电石生产参数利用BP神经网络预测电石液温度，最后根据预测到的电石液温度判断炉温所处的状态。本发明利用物料平衡和热平衡计算推导出综合反应炉热状态的炉热指数，然后利用BP神经网络预测电石液温度，根据预测到的电石液温度判断炉温状态指导电石生产，稳定了电石炉操作，避免和减少了电石炉严重失常，对降低电能消耗发挥了重要作用。

Description

一种电石生产炉温监测方法

技术领域

本发明涉及一种电石生产炉温监测方法，属于电石生产技术领域。

背景技术

电石的主要成分是CaC₂，是有机合成工业的重要原料，在化学工业中具有重要作用。电石的熔炼过程是一个高温物理化学变化过程，将焦炭和石灰按一定比例投入炉内，在高温下发生化学反应，产生碳化钙。电石冶炼通过三相电极向炉内导入电流，产生电弧电阻热，使原料在一定温度下发生化学还原反应生成电石。

电石作为的主要化工原料已经成为我国各地重要的支柱产业之一，尤其是西北地区电石行业近些年发展迅速，规模不断扩大，电石产业也不断壮大。生产电石的方法主要有电热法和氧热法，目前工业上生产电石的方法主要是电热法。电热法生产电石的主要设备是矿热电弧炉，大量消耗电热，被称为“电老虎”，电石行业普遍存在高能耗、低效率、操作水平低的问题，随着国家对电石行业能耗的控制，电石生产的节能改造势在必行。

电石炉冶炼操作的关键是控制合理的炉温，炉温对炉况和各项技术经济指标起着决定性的影响。炉温高，冶炼的效率高，然而会增加炉子的热损失；炉温低，炉子的热损失降低，但是冶炼效率也相应降低。因此要使炉温控制在一个合理的范围。而炉温是一个系统的概念，不是定值。当前的技术水平要精确的掌握这个温度场是不可能的。在实际生产过程中工人根据经验判断炉温的高低。由于操作水平的不同，造成操作的不稳定和能量利用率不高。这就需要开发一种监测系统实时监测炉温的状况，为工人操作电石炉提供指导，从而达到稳定操作和提高能量利用率的目的。

电石冶炼的热能主要来自电能，在电石炉中都变为热能。电石生产的热量供给要满足加热炉料和进行化学反应的能量要求和不可避免的能量损失的要求，这是电炉能够运行良好的重要条件。而且，进入电石炉内电能一部分用于反应区，决定该区的温度，促进该区化学反应的进行外;另一部分，则用于未熔化的炉料区，提高炉料的温度，并进而熔化炉料，为熔池区的反应，创造良好条件。因此，合理的电能供给和这电能的合理分配是影响电石炉炉温的重要参数。

电石炉属于大惯性、大滞后系统，由于操作参数的变化，对操作结果的影响往往需要一定的时间后表现出来。在生产过程中需要对这种变化结果提前做出判断。各操作参数对炉温的影响结果最终表现在电石液温度的高低，电石液温度时炉温高低的直接表现。因此，对电石液温度的预测至关重要。

发明内容

本发明的目的是提供一种电石生产炉温监测方法，以解决目前实际生产过程中根据工人经验判断炉温的高低所造成的造成操作的不稳定和能量利用率不高。

本发明为解决上述技术问题而提供一种电石生产炉温监测方法，该炉温监测方法的步骤如下：

1）.根据电石冶炼生产原理和电石生产工艺过程，采集冶炼过程中的物料成分、电参数和状态参数，利用电石冶炼过程中物料平衡和热平衡原理，计算并确定炉热指数；

2）.将采集到的电石冶炼过程中的影响电石液温度的状态参数和电参数以及计算得到的炉热指数作为神经网络的输入参数建立BP神经网络模型；

3）.采集训练数据输入到BP神经网络模型进行神经网络训练，将采集到影响电石液温度的实时状态参数和电参数以及计算得到的炉热指数输入到训练好的BP神经网络模型中，得到电石液温度的预测值；

4）.设定炉温趋势判断阈值，根据该判断阈值和电石液温度的预测值建立炉温状态判断准则，根据炉温判断规则和预测的电石液温度值判断炉温所处的状态。

2.根据权利要求1所述的电石生产炉温监测方法，其特征在于：所述步骤1）中的物料成分主要包括碳材、生石灰、电极糊、煤气和电石的化学成分；电参数包括变压器档位、电极电流、电极电压、电极视在功率、有功功率、无功功率、COSφ、电极升降累计值和电极压放量，状态参数包括炉内压力、烟气温度、烟气流量、炉体温度、炉底温度、冷却水状态、料斗重量、下料量和电石液温度。

3. 根据权利要求1所述的电石生产炉温监测方法，其特征在于：所述的步骤2）中的BP神经网络模型为三层BP网络模型，包括输入层、隐含层和输出层，输入层包括8个输入变量，分别为料面温度、炉压、下料速率、二次电流、二次电压、原料配比、配热系数和上一炉电石液温度，隐含层神经元数为6，输出层神经元个数为1，其输出变量为电石液温度。

所述步骤4）中的炉温趋势判断准则为：

当T>c时，判断炉温为已热；当T<a时，判断炉温为已凉；当a<T<b-Δt时，判断炉温为向凉；当b+Δt<T<c时，判断炉温为向热；其他情况时，判断炉温为正常炉温；其中T为电石液温度预测值，a、b和c为炉温趋势判断阀值，可以根据冶炼经验设定，且a<b<c。

所述的步骤1）中的炉热指数包括炉料配热系数和高温区热盈余，所述炉料配热系数为炉料区分得的能量与进入炉内总能量的比值，所述的高温区热盈余为电石液的最终显热与电石液的初始显热的差值。

所述的监测方法还将炉热指数、电石液冶炼过程的状态参数和电石液温度以及炉温状态存储到数据库中并显示在显示器上，方便操作人员直接了解炉内各种状态的变化。

本发明的有益效果是: 本发明利用物料平衡和热平衡计算推导出综合反应炉热状态的炉热指数，然后利用BP神经网络预测电石液温度，根据预测到的电石液温度判断炉温状态指导电石生产，稳定了电石炉操作，避免和减少了电石炉严重失常，对降低电能消耗发挥了重要作用。

附图说明

图1是两端电石炉平衡计算模型图；

图2是本发明电石炉温监测方法中所用的BP神经网络结构图；

图3是本发明电石炉温监测方法中所用的神经网络模型的计算流程图；

图4是本发明电石炉温监测方法中炉温趋势判断窗口图；

图5是本发明电石炉温监测方法中炉热指数状态显示窗口图；

图6是本发明电石炉温监测方法中电石液温度显示窗口图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的说明。

电石生产是生石灰和碳素原料凭借电弧热和电阻热在1800～2200℃的高温下反应而制得碳化钙，碳化钙的生成反应是CaO + 3C = CaC₂ + CO -466kJ，同时电石炉内还进行着一系列的副反应，电石炉内电路可归纳为电极下端与炉底（熔池）间构成的星形回路和每两电极间炉料形成的三角形回路，电石炉被分为炉料区和反应区两个区，炉料在炉料区保持固体状态，CaC₂的生成反应是在进入反应区后大量进行的，氧化物的还原反应全部在反应区进行，炉料区和反应区之间没有对流换热和辐射换热。

本发明的电石生产炉温监测方法的具体步骤如下：

1.根据电石生产原理以及电石生产工艺过程，将电石炉分为两个区，分别是炉料区和反应区，假设炉料区与反应区的理论分界线为1800℃，炉料由炉料区进入反应区的温度为1800℃，由反应区上升到炉料区的煤气温度为1900℃，炉料在炉料区保持固体状态，氧化物的还原反应全部在反应区进行，炉料区和反应区之间没有对流换热和辐射换热；采集冶炼过程中的状态参数和操作参数，状态参数包括炉内压力、烟气温度、烟气流量、炉体温度、炉底温度、冷却水状态、料斗重量和下料量，计算炉料配热系数和高温区热盈余，炉料配热系数反应能力啊哦在炉内的分配情况，其值等于炉料区分得的能量与进入炉内总能量的比值：

C=Q _料/Q _总 

其中C代表炉料配热系数，Q _料代表炉料区分得的能量，Q _总代表进入炉内的总能量，高温区热盈余的大小反映了炉内的热状态，未进入电石炉内的能量除去首先要满足加热炉料和进行化学反应的能量要求和损失的能量外，还要用于加热电石液，使电石液的温度升高的热量，设以满足CaC₂生成的低位温度1800℃为电石液的初始温度，电石液的初始显热为Q ₁₈₀₀ ，电石液的最终温度为T，电石液的最终显热为Q _显，则反应区的热盈余q=Q _显-Q ₁₈₀₀。

2.建立BP神经网络模型，该神经网络模型如图2所示，由输入层、隐含层和输出层构成，其中输入层包括8个输入变量，分别为料面温度、炉压、下料速率、二次电流、二次电压、原料配比、配热系数和上一炉电石液温度，隐含层神经元数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，神经元太少会影响网络输入层提取有价值的特征，使得神经网络训练不出来或网络不强壮，容错性差，但神经元数太多又使学习时间过长，且误差也不一定最佳，根据公式L<N-1，N为神经网络的输入层神经元个数，L为隐含层神经元个数，这里选取隐含层的神经元个数为6，输出层神经元的个数取决与对网络功能的眼球，本模型要实现电石液温度的预测，故输出变量为电石液温度，即输出层神经元的个数为1，本发明中选取的神经网络模型的结构为8-6-1。

该神经网络模型的计算流程如图3所示，首先采集神经网络模型的训练数据，这里训练数据包括料面温度、炉压、下料速率、二次电流、二次电压、原料配比、配热系数和上一炉电石液温度，采集到的上述数据经处理后制作成样本对，输入到神经网络模型进行神经网络训练，神经网络模型通过不断的调节各参数的权值，减小误差，当误差小于设定值时，采集实时数据推导电石液的温度，同时将实时数据存储到数据库中，制作成样本对，对该神经网络继续训练，以提高神经网络的精度，神经网络模型根据实时采集到的数据经过推导后预测出电石液的温度值。

3.以电石液温度的预测值为标准判断炉温所处的状态，首先将炉温状态分为五个区域，即：

1）.当T>c时，炉温状态为“已热”；

2）.当T<a时，炉温状态为“已凉”；

3）.当a<T<b-Δt时，炉温状态为“向凉”；

4）.当b+Δt<T<c时，炉温状态为“向热”；

5）.其余为为正常炉温状态。

其中T为由神经网络模型预测处的电石液的温度值，a、b和c为炉温趋势判断阀值，该阀值根据冶炼经验设定，且a<b<c。

4.根据炉温判断规则和预测的电石液温度判断炉温所处的状态，并通过直观的画面和语言表达当前的实际炉况，将炉温的最终判断结果以指示灯的形式通过显示器显示出来，如图4所示，绿灯代表炉温正常，黄灯代表炉温向热或者向凉，红灯代表已热或已凉，并将由平衡计算得到的实时电石液温度、预测电石液温度、采集的出炉电石液温度值以及配热系数值通过曲线显示出来，如图5和图6所示，能够直接地反映出电石炉内各种状态的变化，方便操作人员实时了解电石生产过程中的相关参数，稳定电石生产过程中电石炉的操作，避免和减少了电石炉严重失常。

Claims (6)

1. 一种电石生产炉温监测方法，其特征在于：该炉温监测方法的步骤如下：

1）.根据电石冶炼生产原理和电石生产工艺过程，采集冶炼过程中的物料成分、电参数和状态参数，利用电石冶炼过程中物料平衡和热平衡原理，计算并确定炉热指数；

2）.将采集到的电石冶炼过程中的影响电石液温度的状态参数和电参数以及计算得到的炉热指数作为神经网络的输入参数建立BP神经网络模型；

3）.采集训练数据输入到BP神经网络模型进行神经网络训练，将采集到影响电石液温度的实时状态参数和电参数以及计算得到的炉热指数输入到训练好的BP神经网络模型中，得到电石液温度的预测值；

4）.设定炉温趋势判断阈值，根据该判断阈值和电石液温度的预测值建立炉温状态判断准则，根据炉温判断规则和预测的电石液温度值判断炉温所处的状态。

2.根据权利要求1所述的电石生产炉温监测方法，其特征在于：所述步骤1）中的物料成分主要包括碳材、生石灰、电极糊、煤气和电石的化学成分；电参数包括变压器档位、电极电流、电极电压、电极视在功率、有功功率、无功功率、COSφ、电极升降累计值和电极压放量，状态参数包括炉内压力、烟气温度、烟气流量、炉体温度、炉底温度、冷却水状态、料斗重量、下料量和电石液温度。

3. 根据权利要求1所述的电石生产炉温监测方法，其特征在于：所述的步骤2）中的BP神经网络模型为三层BP网络模型，包括输入层、隐含层和输出层，输入层包括8个输入变量，分别为料面温度、炉压、下料速率、二次电流、二次电压、原料配比、配热系数和上一炉电石液温度，隐含层神经元数为6，输出层神经元个数为1，其输出变量为电石液温度。

4. 根据权利要求2所述的电石生产炉温监测方法，其特征在于：所述步骤4）中的炉温趋势判断准则为：

当T>c时，判断炉温为已热；当T<a时，判断炉温为已凉；当a<T<b-Δt时，判断炉温为向凉；当b+Δt<T<c时，判断炉温为向热；其他情况时，判断炉温为正常炉温；其中T为电石液温度预测值，a、b和c为炉温趋势判断阀值，可以根据冶炼经验设定，且a<b<c。

5.根据权利要求3所述的电石生产炉温监测方法，其特征在于：所述的步骤1）中的炉热指数包括炉料配热系数和高温区热盈余，所述炉料配热系数为炉料区分得的能量与进入炉内总能量的比值，所述的高温区热盈余为电石液的最终显热与电石液的初始显热的差值。

6.根据权利要求4所述的电石生产炉温监测方法，其特征在于：所述的监测方法还将炉热指数、电石液冶炼过程的状态参数和电石液温度以及炉温状态存储到数据库中并显示在显示器上，方便操作人员直接了解炉内各种状态的变化。

Images