CN103276147A - 一种lf精炼过程钢水温度的预报方法 - Google Patents

Abstract

本发明涉及冶金过程的生产与控制领域，特别涉及一种LF精炼过程钢水温度的预报方法，其特征在于，按照以下步骤计算LF处理期间任意时刻的钢液温度相对于初始温度的变化量：(1)计算可用冶金学机理模型或现场经验公式加以计算的LF炉精炼过程钢液温度变化分量；(2)利用神经网络模型计算难以用冶金学机理模型或现场经验公式加以计算的LF精炼过程温度变化分量；(3)　将步骤(1)和(2)计算得到的变化分量相加得到该时刻的LF精炼炉钢液温度相对于初始温度的变化量。与现有技术相比，本发明的有益效果是：可预报整个LF处理过程钢水温度的变化情况，可以减少过程1~2次测温，降低了钢水测温成本，可实现LF温度的在线实时预报。

Description

一种LF精炼过程钢水温度的预报方法

技术领域

本发明涉及冶金过程的生产与控制领域，特别涉及一种LF精炼过程钢水温度的预报方法。

背景技术

LF炉设备简单，生产中可根据钢水质量控制的需要，采用多种不同的工艺操作制度，满足最终产品质量控制的要求。目前，LF炉所处理的钢种几乎涉及到从特钢到普钢的所有钢种。随着用户对钢材的质量、品种与性能的要求越来越高，对LF精炼处理工艺的过程控制也提出了更高的要求。在实际生产中，面对现场复杂的环境，传统的人工操作已经很难满足现代LF精炼高效能的要求，因此有必要对LF精炼过程钢水成分和温度进行优化控制，因此，国内外学者在LF精炼钢水温度预报方面进行了一系列的工作。

目前针对LF精炼钢水的温度预报通常采用“机理模型”、“黑箱模型”和“灰箱模型”三种方法。机理模型以LF精炼过程的冶金机理出发，但难以准确计算过程中诸多非线性因素对钢水温度的影响。黑箱模型则过分依赖数据，移植性差，缺乏工艺指导。灰箱模型将冶金机理与数据统计相结合，克服了单纯机理模型参数获得不准确和黑箱模型过分依赖数据的不足，预报精度明显好于其它两个模型，是LF钢水温度预报最有效的方法。

检索到一篇论文：谢树元，杜斌，林云等.LF炉过程控制模型的开发与应用[J].冶金自动化，2006，增刊S2：47-50。论文中介绍的LF钢水温度预报方法是建立在人工智能技术与冶金学机理的基础上，主要包括人工智能子模型与冶金机理子模型。冶金机理子模型为比较简单的初等数学模型，人工智能子模型主要计算LF精炼过程中影响温度的一些复杂的非线性因素。将两部分因素对温度的影响进行叠加，即可准确预报LF处理过程中钢水温度的变化。

发明内容

本发明的目的是提供一种LF精炼过程钢水温度的预报方法，能实现LF温度在线实时预报，达到速度快、精度高的目标，减少现场测温操作次数、提高LF精炼处理结束时的温度命中率，简化LF精炼操作。

为实现上述目的，本发明的技术方案是：

一种LF精炼过程钢水温度的预报方法，按照以下步骤计算LF处理期间任意时刻的钢液温度相对于初始温度的变化量：

(1)　计算可用冶金学机理模型或现场经验公式加以计算的LF炉精炼过程钢液温度变化分量；

(2)　利用神经网络模型计算难以用冶金学机理模型或现场经验公式加以计算的LF精炼过程温度变化分量，神经网络模型输入参数为：钢种，钢水重量，钢水初始温度，预计处理时间，钢包烘烤温度，钢包级别，钢包使用次数，钢包运输时间，改质剂加入量，渣量，钢水初始碳、硅、铝含量；网络输出参数为：难以用机理或经验公式加以计算的温度变化分量；

(3)　将步骤(1)和(2)计算得到的变化分量相加得到该时刻的LF精炼炉钢液温度相对于初始温度的变化量。

所述可用冶金学机理模型或现场经验值加以计算的部分包括：电极加热对钢液温度的影响、顶渣成渣过程、非脱氧合金、渣料对钢液温度的影响、钢液表面散热对钢液温度的影响。

所述难以用冶金学机理模型或现场经验值加以计算的部分包括：炉体耐火材料的蓄热、顶渣改质过程中改质剂氧化放热对钢水温度的影响、烟气、烟尘带走的热量以及钢水其它热损失。

所述神经网络模型采用三层反向传播BP人工神经网络结构，其传递函数为S型，其结构为： $f\left(x\right)=\frac{1}{1+e^{-x}}$ 。

与现有技术相比，本发明的有益效果是：可预报整个LF处理过程钢水温度的变化情况，一方面可以减少过程1~2次测温，降低了钢水测温成本，另外可以通过钢水温度的准确控制，降低不必要的钢水温度控制成本，缩短LF处理时间，可实现LF温度的在线实时预报，具有速度快、精度高、可移植性强的特点。

附图说明

图1是本发明计算流程示意图。

图2是实施例中软件在线计算画面。

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说明：

在本发明一种LF精炼过程钢水温度的预报方法的技术方案中，将影响钢液温度的因素分为两类，一类是可以利用冶金机理模型或现场经验值加以计算的，包括：电极加热对钢液温度的影响、顶渣成渣过程、非脱氧合金、渣料对钢液温度的影响、钢液表面散热对钢液温度的影响。另一类影响因素具有复杂的非线性特征，难以用冶金机理模型或现场经验值加以精确计算，包括：炉体耐火材料的蓄热、顶渣改质过程中改质剂氧化放热对钢水温度的影响、烟气、烟尘带走的热量以及钢水其它热损失。

由于神经网络模型具有极强的非线性拟合能力，三层BP神经网络可以逼近任意函数，因此本发明将后一类影响因素都采用神经网络模型加以计算，也就是说，通过利用网络对一系列实测数据的学习建立起输入变量与温度变化之间的非线性关系，减少冶金机理模型或现场经验公式计算的误差，提高模型的计算精度，达到快速、实时预报LF精炼钢液温度的目的。

首先采用MINITAB软件进行单因素方差分析，同时对比网络精度进行一系列网络输入参数调整实验，确定网络的输入参数为：钢种，钢水重量，钢水初始温度，预计处理时间，钢包烘烤温度，钢包级别，钢包使用次数，钢包运输时间，改质剂加入量，渣量，钢水初始碳、硅、铝含量。采用以上输入参数可以充分刻画非线性因素引起的温度变化分量，精度完全可以满足现场实际应用的需要，计算LF处理期间任意时刻的钢液温度相对于初始温度的变化量。网络输出参数为：难以用机理或经验值加以计算的温度变化分量。

实施例：

输入体系的电能为：

$Q_{\mathrm{se}}=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{C}_{\mathrm{arc},i}{P}_{\mathrm{arc},i}=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{C}_{\mathrm{arc},i}{I}_{\mathrm{arc},i}{U}_{\mathrm{arc},i}---\left(1\right)$

式(1)中：

Q_se——输入体系的电能，W；

C_arc,i——某相电弧电能对熔池的热交换系数，描述了电弧向熔池输送能量的效率，其大小主要与钢包顶渣的厚度和埋弧程度有关，取值为0≤C_arc,i≤1；

P_arc,i——输入体系的电功率，W；

I_arc,i——输入体系的电流，A；

U_arc,i——输入体系的电压，V。

根据现场生产经验，电弧向熔池输送能量的效率取值为：0.75≤C_arc,i≤1。因此电极加热对钢液温度的影响可用下式计算：

$\mathrm{\Δ}{T}_1=\frac{Q_{\mathrm{se}}}{C(m+\mathrm{\Δm})}---\left(2\right)$

式(2)中：C——钢液比热容，J/kg·K；

m——钢液初始质量，kg；

Δm——钢液质量变化量，kg。

ΔT₁——电极加热对钢水温度的影响，K；

非脱氧合金进入钢水后，合金由常温加热到高温，其间可能发生合金的相变、熔化、溶解等过程，并伴随有吸热和放热现象。可根据理论计算出加入各元素在此过程中的吸热或放热量，表1中为加入1kg元素对钢水温度的影响，其中“-”代表降温，“+”代表升温，结果如下：

表1

因此，可以根据LF合金中含有的各元素的百分含量得到各种非脱氧合金对钢水温度的影响，根据渣料组成计算加入渣料对钢水温度的影响。

LF脱硫以及合金化过程中，需要大气量底吹搅拌，会将钢液表面的渣层吹开，使部分钢液裸露，裸露部分钢水温降较大，而电极升温处理阶段，底吹气量较小，可近似认为钢液表面无裸露，未裸露部分钢水有顶渣的保温作用，热损较小。裸露钢水与未裸露钢水的散热差异体现在钢水辐射散热量不同。钢液的辐射散热量为：

$Q=5.67\×[{\left(\frac{T_1}{100}\right)}^4-{\left(\frac{T_2}{100}\right)}^4]---\left(3\right)$

式(3)中：Q——钢液辐射散热量，J/(m²·s)；

T₁——钢液温度，K；

T₂——熔渣温度(未裸露)或大气温度(裸露)，K。

一般熔渣温度比钢液温度低300~400℃，为了简化计算，取钢液温度为1873K，熔渣温度为1573K，大气温度为373K，将根据(3)式计算得到的Q值带入下式：

$\mathrm{\Δ}{T}_2=\frac{Q}{C\·(m+\mathrm{\Δm})}---\left(4\right)$

式(4)中：ΔT₂为钢水辐射散热对钢水温度的影响，K。

对于250吨钢水，裸露钢水和未裸露钢水由于辐射带来的温降速度分别为0.199℃/(m²·min)和0.100℃/(m²·min)。根据现场经验，大气量底吹裸露30%液面，小气量底吹裸露5%液面，则大气量底吹由于辐射带来的温降为0.7℃/min，小气量底吹由于辐射带来的温降为0.1℃/min。因此，有

ΔT₂=0.7×t₁+0.1×t₂(5)

式(5)中：t₁——大气量底吹时间，min；t₂——小气量底吹时间，min。

其他温度变化分量ΔT₃采用BP人工神经网络加以计算。所述神经网络模型输入节点为13个，分别对应以下几个输入变量：钢种，钢水重量，钢水初始温度，预计处理时间，钢包烘烤温度，钢包级别，钢包使用次数，钢包运输时间，改质剂加入量，渣量，钢水初始碳、硅、铝含量。网络输出节点为1个，对应以下输出参数：难以用机理或经验公式加以计算的温度变化分量。所述三层BP神经网络的传递函数为S型，其结构为：

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(6\right)$

向网络提供包括13个输入变量和1个输出变量的大量数据组成的数据库，经过网络学习，建立起网络输入—输出关系。在后续预报过程中，向网络输入具体的输入变量，即可利用已建立的输入—输出关系计算出相应的温度变化分量。

值得指出的是，处理非线性因素引起的温度变化分量所用神经网络并不局限于BP结构，传递函数也不局限于公式(6)所示的形式，采用其他类型网络替代本实施例所采用三层BP神经网络皆可达到快速、精确预报非线性温降的目的，属于等同替换。

针对250t钢水的LF处理过程，本实施例在线计算50罐，模型预报温度与现场实测温度偏差在±5℃内的比例达到90%，减少2次现场测温，达到了速度快、精度高的预报目标，有效简化了LF精炼操作。图2为在线计算画面。

Claims (4)

1.一种LF精炼过程钢水温度的预报方法，其特征在于，按照以下步骤计算LF处理期间任意时刻的钢液温度相对于初始温度的变化量：

(1)　计算可用冶金学机理模型或现场经验公式加以计算的LF炉精炼过程钢液温度变化分量；

(2)　利用神经网络模型计算难以用冶金学机理模型或现场经验公式加以计算的LF精炼过程温度变化分量，神经网络模型输入参数为：钢种，钢水重量，钢水初始温度，预计处理时间，钢包烘烤温度，钢包级别，钢包使用次数，钢包运输时间，改质剂加入量，渣量，钢水初始碳、硅、铝含量；网络输出参数为：难以用机理或经验公式加以计算的温度变化分量；

(3)　将步骤(1)和(2)计算得到的变化分量相加得到该时刻的LF精炼炉钢液温度相对于初始温度的变化量。

2.根据权利要求1所述的一种LF精炼过程钢水温度的预报方法，其特征在于，所述可用冶金学机理模型或现场经验值加以计算的部分包括：电极加热对钢液温度的影响、顶渣成渣过程、非脱氧合金、渣料对钢液温度的影响、钢液表面散热对钢液温度的影响。

3.根据权利要求1所述的一种LF精炼过程钢水温度的预报方法，其特征在于，所述难以用冶金学机理模型或现场经验值加以计算的部分包括：炉体耐火材料的蓄热、顶渣改质过程中改质剂氧化放热对钢水温度的影响、烟气、烟尘带走的热量以及钢水其它热损失。

4.根据权利要求1所述的一种LF精炼过程钢水温度的预报方法，其特征在于，所述神经网络模型采用三层反向传播BP人工神经网络结构，其传递函数为S型，其结构为： $f\left(x\right)=\frac{1}{1+e^{-x}}$ 。

Images