CN103276136A - 一种基于副枪系统的转炉炼钢钢水定磷方法 - Google Patents
一种基于副枪系统的转炉炼钢钢水定磷方法 Download PDFInfo
- Publication number
- CN103276136A CN103276136A CN2013101818963A CN201310181896A CN103276136A CN 103276136 A CN103276136 A CN 103276136A CN 2013101818963 A CN2013101818963 A CN 2013101818963A CN 201310181896 A CN201310181896 A CN 201310181896A CN 103276136 A CN103276136 A CN 103276136A
- Authority
- CN
- China
- Prior art keywords
- converter
- phosphorus content
- neural network
- sublance
- converter terminal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明涉及一种基于副枪系统的转炉炼钢钢水定磷方法,属于冶金炼钢技术领域。技术方案是:采用转炉副枪检测炉内钢水温度、氧化性和二级计算机系统加料等信息,利用BP神经网络模型,在吹炼终点实时在线预报转炉终点磷含量。在吹炼终点能在线实时预报转炉终点磷含量,预报精度高,并能直接指导转炉冶炼终点判断,减少补吹次数,缩短转炉冶炼周期,减少转炉终点“不等样”直接出钢的负面影响,提高生产效率。BP神经网络模型建立过程简单,仅依托现有的副枪系统和二级计算机系统就可以实现在线应用,成本低,维护方便,稳定性好。在吹炼终点可快速有效预报炼钢钢水磷含量,计算响应时间小于30s,预报误差在±0.007%之内的命中率可达95%以上。
Description
技术领域
本发明涉及一种基于副枪系统的转炉炼钢钢水定磷方法,是采用转炉副枪检测炉内钢水温度、氧化性和二级计算机系统加料等信息进行转炉炼钢钢水磷含量的实时在线检测预报方法,属于冶金炼钢技术领域。
背景技术
转炉炼钢过程是一个复杂的高温物理化学变化过程,通过向熔池吹氧,将金属液中的杂质元素氧化,同时搅拌熔池,实现脱碳升温和改变钢水成分,最终目的是获得合格的钢水温度和成分。随着钢品种质量的提高,钢水磷含量也作为转炉吹炼终点判定依据之一,所以,对转炉终点磷含量的准确控制非常重要。目前,用于转炉炼钢终点钢水定磷的方法有两类,一类是通过取钢水试样进行分析定磷;这种方法需要从转炉取钢水试样,然后送往实验室采用离线分析设备对试样进行分析,测定钢样的磷含量,该方法所需时间长,影响转炉的生产效率。另一类是通过数学模型、智能技术对转炉终点磷含量进行预报,实现钢水定磷,为转炉终点判定提供一定的依据;利用数学模型对转炉终点磷含量预报有非常重要的意义,但是,由于数学模型涉及到很多假设和有些参数无法取得,并且转炉终点磷含量和其影响因素之间往往存在很强的非线性关系,所以通过数学模型预报转炉终点磷含量的精度往往不理想。
发明内容
本发明目的是提供一种基于副枪系统的转炉炼钢钢水定磷方法,转炉冶炼采用副枪动态控制,对转炉终点磷含量的准确预报可以减少补吹次数,缩短转炉冶炼周期,减少直接出钢的负面影响,满足转炉终点“不等样”直接出钢的需求,解决背景技术存在的上述问题。
本发明的技术方案是:一种基于副枪系统的转炉炼钢钢水定磷方法,包含如下工艺步骤:
a. 通过转炉冶炼过程和转炉生产数据的分析,确定转炉终点磷含量的影响因素;通过转炉终点磷含量的影响因素和转炉二级历史生产数据收集整理获得有效样本;
b.利用所获得的有效样本,采用BP神经网络建立转炉终点磷含量的预报模型,并通过实验测试模型的预报精度;
c.在线应用,通过实时采集转炉二级系统中入炉铁水废钢信息、过程吹氧量、加料信息以及副枪在主吹结束和二次吹炼结束测量信息,在转炉吹炼终点实时预报转炉终点磷含量,并在用户界面显示所有过程数据信息和转炉终点磷含量,同时可以对历史炉次预报结果和实际值等进行查询。
所述的利用所获得的有效样本,采用BP神经网络建立转炉终点磷含量的预报模型,其步骤如下:
(1) BP神经网络模型输入和输出变量的确定:
对于转炉终点磷含量预测模型,输出变量是终点磷含量,输入变量由终点磷含量的影响因素确定;
转炉从原料加入到吹炼终点整个冶炼过程,根据冶金理论、实际生产过程和生产数据,转炉终点磷含量决定于废钢总重量、钢渣、重废、中废、生铁块四种主要废钢的重量、铁水重量、铁水中Si、S、P、Mn含量、铁水温度、石灰、白云石、烧结矿、压块、铁矿石、副枪测量温度(TSC)、副枪测量C含量(TSC)、转炉终点温度(TSO)、转炉终点C含量(TSO)、转炉终点定氧量(TSO)、总耗氧量,终点磷含量,共有22个影响因素;因此,这22个影响因素为模型输入变量;
(2) BP神经网络模型网络结构的确定:
采用三层网络结构,分别是输入层、隐含层和输出层;关于BP神经网络各层节点数,通过上述步骤得知,BP神经网络模型有22个输入变量和1个输出变量,所以BP神经网络模型有22个输入节点,1个输出节点,隐含层节点经过多次尝试,确定隐含层有6个节点;关于传递函数,隐含层使用S型正切传递函数,输出层使用线性传递函数;训练函数采用LM优化算法的trainlm训练函数;最后,得到网络结构为8×6×1的转炉终点P含量的BP神经网络预报模型。
采用BP神经网络建立转炉终点磷含量的预报模型,进行仿真实验:
根据转炉二级生产数据获得1980炉的有效样本,其中,1600炉样本用来训练模型,380炉样本用来测试模型的预报精度;测试结果见表1。由表1可知,测试样本的转炉终点磷含量预报误差在±0.007%之内的命中率达到96.30%,在±0.005%之内的命中率达到93.65%,在±0.004%之内的命中率达到88.89%。由测试结果可知,基于BP神经网络的转炉终点磷含量预报模型预报精度高,可以有效的预报转炉终点磷含量。
本发明采用智能技术作为处理非线性复杂问题的一种有效手段,为提高转炉终点磷含量预报精度提供了可能。在智能技术中,BP(Back Propagation)神经网络是一种典型的多层前馈神经网络,具有逼近任意连续函数和非线性映射的能力。其模型的拓扑结构包括输入层、隐含层和输出层。相邻层之间各神经元全连接,而同一层各神经元之间无连接。BP神经网络的原理是根据所给的训练样本输入和输出向量不断学习并调整神经元之间的连接权值与阈值,使网络不断逼近样本输入输出之间的映射关系。其训练过程实质上是信息的正向传播与根据误差的逆向修正权值和阈值的过程。由于BP神经网络容错性好、具有很强的联想记忆能力等特点,能更深入的处理一些复杂的非线性问题。
本发明有益效果为:本发明采用转炉副枪检测炉内钢水温度、氧化性和二级计算机系统加料等信息,利用BP神经网络模型,在吹炼终点实时在线预报转炉终点磷含量。在吹炼终点能在线实时预报转炉终点磷含量,预报精度高,并能直接指导转炉冶炼终点判断,减少补吹次数,缩短转炉冶炼周期,减少转炉终点“不等样”直接出钢的负面影响,提高生产效率。BP神经网络模型建立过程简单,仅依托现有的副枪系统和二级计算机系统就可以实现在线应用,成本低,维护方便,稳定性好。在吹炼终点可快速有效预报炼钢钢水磷含量,计算响应时间小于30S, 预报误差在±0.007%之内的命中率可达95%以上。
附图说明
图1为本发明实施例预测值与实际值的比较图。
具体实施方式
以下通过实施例对本发明做进一步说明。
实施例为250吨顶底复吹转炉,转炉冶炼采用副枪动态控制,转炉终点出钢采用“不等样”直接出钢。由于此转炉冶炼对品种质量的要求高,为了稳定控制钢水质量,实现快速出钢,缩短转炉冶炼周期,减少直接出钢的负面影响,对转炉终点磷的准确预报显得非常重要。因此,利用此发明方法对该转炉终点磷含量进行了预报,建立了基于BP神经网络的转炉终点磷含量预报模型,该模型实现了在线应用,统计了100个炉次的预报结果,见表2、表3和附图1。
由表2可知,利用本系统预报的钢水磷含量误差在±0.007%之内的命中率可达95%。
表3 实施例200炉次的应用结果
表3中,本实施例统计了100个炉次的预报结果,其中的“序号”、“炉次号”就是100个炉次的序号和炉次号,在表3中,以预测误差在±0.007%之内的为命中,命中情况记为1。
Claims (2)
1.一种基于副枪系统的转炉炼钢钢水定磷方法,其特征在于包含如下工艺步骤:
a. 通过转炉冶炼过程和转炉生产数据的分析,确定转炉终点磷含量的影响因素;通过转炉终点磷含量的影响因素和转炉二级历史生产数据收集整理获得有效样本;
b.利用所获得的有效样本,采用BP神经网络建立转炉终点磷含量的预报模型,并通过实验测试模型的预报精度;
c.在线应用,通过实时采集转炉二级系统中入炉铁水废钢信息、过程吹氧量、加料信息以及副枪在主吹结束和二次吹炼结束测量信息,在转炉吹炼终点实时预报转炉终点磷含量,并在用户界面显示所有过程数据信息和转炉终点磷含量,同时可以对历史炉次预报结果和实际值等进行查询。
2.根据权利要求1所述的一种基于副枪系统的转炉炼钢钢水定磷方法,其特征在于所述的利用所获得的有效样本,采用BP神经网络建立转炉终点磷含量的预报模型,其步骤如下:
(1) BP神经网络模型输入和输出变量的确定:
对于转炉终点磷含量预测模型,输出变量是终点磷含量,输入变量由终点磷含量的影响因素确定,下列22个影响因素为模型输入变量;
废钢总重量、钢渣、重废、中废、生铁块四种主要废钢的重量、铁水重量、铁水中Si、S、P、Mn含量、铁水温度、石灰、白云石、烧结矿、压块、铁矿石、副枪测量温度(TSC)、副枪测量C含量(TSC)、转炉终点温度(TSO)、转炉终点C含量(TSO)、转炉终点定氧量(TSO)、总耗氧量,终点磷含量,共有22个影响因素;
(2) BP神经网络模型网络结构的确定:
采用三层网络结构,分别是输入层、隐含层和输出层;BP神经网络模型有22个输入节点,1个输出节点,隐含层有6个节点;传递函数,隐含层使用S型正切传递函数,输出层使用线性传递函数;训练函数采用LM优化算法的trainlm训练函数;最后,得到网络结构为8×6×1的转炉终点P含量的BP神经网络预报模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101818963A CN103276136A (zh) | 2013-01-02 | 2013-05-16 | 一种基于副枪系统的转炉炼钢钢水定磷方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310000315 | 2013-01-02 | ||
CN201310000315.1 | 2013-01-02 | ||
CN2013101818963A CN103276136A (zh) | 2013-01-02 | 2013-05-16 | 一种基于副枪系统的转炉炼钢钢水定磷方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103276136A true CN103276136A (zh) | 2013-09-04 |
Family
ID=49058751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101818963A Pending CN103276136A (zh) | 2013-01-02 | 2013-05-16 | 一种基于副枪系统的转炉炼钢钢水定磷方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103276136A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104894328A (zh) * | 2014-03-05 | 2015-09-09 | 鞍钢股份有限公司 | 一种转炉终点磷含量预报方法 |
TWI643957B (zh) * | 2016-07-14 | 2018-12-11 | 新日鐵住金股份有限公司 | 熔鋼中磷濃度推定方法及轉爐吹煉控制裝置 |
CN111334636A (zh) * | 2020-03-27 | 2020-06-26 | 宝钢湛江钢铁有限公司 | 基于副枪检测的转炉终点动态控制方法及系统 |
CN113192568A (zh) * | 2021-03-15 | 2021-07-30 | 山东钢铁股份有限公司 | 一种精炼炉脱硫终点预报方法和系统 |
CN113362903A (zh) * | 2021-06-02 | 2021-09-07 | 邯郸钢铁集团有限责任公司 | 一种大型转炉tsc阶段智能添加石灰的方法 |
-
2013
- 2013-05-16 CN CN2013101818963A patent/CN103276136A/zh active Pending
Non-Patent Citations (4)
Title |
---|
冯聚和 等: "基于神经网络的转炉冶炼终点锰、磷静态预报模型", 《河北理工学院学报》 * |
徐辉 等: "基于BP神经网络的钢液终点磷含量预测模型", 《鞍山科技大学学报》 * |
李长荣等: "基于L-M算法BP神经网络的转炉炼钢终点磷含量预报", 《钢铁》 * |
杨立红 等: "基于自适应模糊神经网络系统的转炉终点磷的预报控制模型", 《钢铁研究学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104894328A (zh) * | 2014-03-05 | 2015-09-09 | 鞍钢股份有限公司 | 一种转炉终点磷含量预报方法 |
TWI643957B (zh) * | 2016-07-14 | 2018-12-11 | 新日鐵住金股份有限公司 | 熔鋼中磷濃度推定方法及轉爐吹煉控制裝置 |
CN111334636A (zh) * | 2020-03-27 | 2020-06-26 | 宝钢湛江钢铁有限公司 | 基于副枪检测的转炉终点动态控制方法及系统 |
CN111334636B (zh) * | 2020-03-27 | 2022-04-08 | 宝钢湛江钢铁有限公司 | 基于副枪检测的转炉终点动态控制方法及系统 |
CN113192568A (zh) * | 2021-03-15 | 2021-07-30 | 山东钢铁股份有限公司 | 一种精炼炉脱硫终点预报方法和系统 |
CN113362903A (zh) * | 2021-06-02 | 2021-09-07 | 邯郸钢铁集团有限责任公司 | 一种大型转炉tsc阶段智能添加石灰的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108676955B (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
CN109447346B (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
CN104630410B (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
Wang et al. | Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction | |
CN103276136A (zh) | 一种基于副枪系统的转炉炼钢钢水定磷方法 | |
CN103103309B (zh) | 一种辅助预报转炉炼钢终点的方法 | |
CN106096788B (zh) | 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统 | |
CN108647407B (zh) | 一种转炉炼钢烟气分析定碳方法 | |
CN109359723A (zh) | 基于改进正则化极限学习机的转炉终点锰含量预测方法 | |
CN102163261A (zh) | 一种基于案例推理的钢水温度预测方法 | |
CN106834593A (zh) | 一种以参考炉次法确定rh精炼炉脱碳工艺数据的方法 | |
CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
CN113192568A (zh) | 一种精炼炉脱硫终点预报方法和系统 | |
CN112036081A (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
CN102373310B (zh) | 一种指导转炉补吹过程操作的方法 | |
CN101592650B (zh) | 电炉炼钢炉内钢水碳含量的连续测定方法 | |
CN101403567A (zh) | 基于svm的电弧炉终点温度预报系统 | |
CN102758052B (zh) | 一种rh轻处理模式的控制方法 | |
CN107630122B (zh) | 一种基于烟气分析的rh动态脱碳优化方法 | |
CN113961865A (zh) | 一种大型转炉精确控制tsc阶段调温剂加入量的方法 | |
CN107502698A (zh) | 一种适用于少渣冶炼的自动化炼钢方法 | |
CN104060024A (zh) | 一种转炉提钒过程中转炉实时温度的预报方法 | |
Yang et al. | Study of optimizing combined-blowing in EAF based on K-medoids clustering algorithm | |
CN101592651B (zh) | 电炉炼钢炉内钢水碳含量的测定方法 | |
Wang et al. | Based on BP network terminal quality prediction for BOF steelmaking process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130904 |