CN107630122A - 一种基于烟气分析的ｒｈ动态脱碳优化方法 - Google Patents
一种基于烟气分析的ｒｈ动态脱碳优化方法 Download PDFInfo
- Publication number
- CN107630122A CN107630122A CN201610562221.7A CN201610562221A CN107630122A CN 107630122 A CN107630122 A CN 107630122A CN 201610562221 A CN201610562221 A CN 201610562221A CN 107630122 A CN107630122 A CN 107630122A
- Authority
- CN
- China
- Prior art keywords
- molten steel
- formula
- decarburization
- carbon content
- fuzzy
- 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.)
- Granted
Links
Landscapes
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明涉及一种基于烟气分析的RH动态脱碳优化方法，包括：1)数据采集处理系统实时采集、分析、处理RH生产过程中的废气组分、废气流量数据，并传送到RH控制系统中；2)在RH控制系统中依据RH生产系统数据和生产实际需求建立RH动态脱碳模型；3)RH控制系统中设有数据分析与推理模块，应用基于神经网络的模糊控制方法对RH动态脱碳模型的输出结果进行进一步分析处理；4)根据对钢水中碳含量的准确监控，及时调整脱碳工艺参数，最终提高终点碳含量的命中率。本发明为RH真空精炼生产条件下控制和改善钢水处理质量提供了重要技术手段，可操作性强，实际应用效果良好。
Description
技术领域
本发明涉及钢铁冶金RH精炼技术领域，尤其涉及一种基于烟气分析的RH动态脱碳优化方法。
背景技术
随着汽车、家电以及机械等制造业的发展，对超低碳钢的需求越来越大。RH真空精炼工艺以其良好的脱碳能力成为国内外生产超低碳钢普遍采用的手段之一，脱碳反应发生在真空室熔池内的钢水中。由于提升气体的吹人和真空室压力的降低导致钢水以一定循环流量在钢包和真空室之间进行循环，期间发生脱碳反应，生成产物随废气排出，从而达到脱碳的目的。但RH真空精炼工艺至今缺少精炼过程实时测量钢水中碳含量的方法，在实际生产过程中，多是根据操作经验来控制脱碳过程，其结果只能在取样化验后才能获得，这延长了精炼时间，而产品的质量也受到工艺条件波动的影响。
申请号为201010219747.8的中国专利(申请日为2010年7月2日)，公开了“一种RH钢水温度、成分闭环控制系统”，包括在线检测预报控制的硬件和软件处理模块，其脱碳模块是基于冶炼机理和生产经验，采用动态模型方法，在钢水初始碳的基础上减去从废气中排出的碳来推断钢水中剩余的碳；采用废气分析测量系统，及时获取真空脱碳过程中的废气信息，及处理前初始碳含量，处理过程中碳含量、游离氧、钢水重量、钢水温度数据，准确的预报钢水中当前碳含量、脱碳速度、脱碳总量，保证动态脱碳的计算精度；脱碳模块可实现如下步骤：(1)以钢水初始碳含量为计算起点；(2)实时采集废气分析测量系统中的废气信息，以及废气中CO、CO2等百分含量，计算脱碳变化值；(3)当发生强制吹氧脱碳时，废气中CO2百分含量发生显著变化，脱碳变化量与吹氧速度、燃烧速度成比例关系，燃烧速度与废气中的CO和CO2的典型含量有关；(4)预报碳含量＝化验碳含量-脱碳变化量。该专利虽然提出了依据废气中CO、CO2含量对钢水碳含量进行预测的思路，但是没有提供具体的实现方法，因此没有可操作性。
发明内容
本发明提供了一种基于烟气分析的RH动态脱碳优化方法，根据实测的提升气体流量和真空室压力的变化计算钢水循环流量，同时通过采集、计算废气中CO、CO2含量建立RH动态脱碳模型，并将计算结果经模糊控制方法进一步进行分析，从而实现对钢水中碳含量的准确监控，最终达到提高终点碳含量的命中率的目的；本发明为RH真空精炼生产条件下控制和改善钢水处理质量提供了重要技术手段，可操作性强，实际应用效果良好。
为了达到上述目的，本发明采用以下技术方案实现：
一种基于烟气分析的RH动态脱碳优化方法，包括如下步骤：
1)数据采集处理系统实时采集、分析、处理RH生产过程中的废气组分、废气流量数据，并传送到RH控制系统中；
2)在RH控制系统中依据RH生产系统数据和生产实际需求建立RH动态脱碳模型；具体过程如下：
钢包内钢水和真空室内钢水的碳含量分别为CL、Cv，对于钢包内的钢水来说，根据钢水中碳含量的质量守恒原理，其脱碳数学方程可用公式1表示：
W(dCl/dt)＝Q(Cv-Cl)…公式1；
式中：W—钢包内钢水质量,t；
Q—钢水循环流量,t/min，；
Cl—钢包内钢水碳质量分数,％；
Cv—真空室内钢水碳质量分数,％；
而对于真空室内的钢水来说，其发生脱碳反应生成了CO和CO2气体，根据数据采集处理系统得到的废气中CO、CO2的含量可以计算出由废气带走的碳量，从而根据质量守恒原理，建立真空室内钢水脱碳的数学方程，如公式2所示：
w(dCv/dt)＝Q(Cl-Cv)-(Wco+Wco2)…公式2；
式中：w—真空室内钢水质量，t；
Wco、Wco2—每一时刻由烟气带走的CO、CO2质量，t；
公式1和公式2联立可用于表示钢包内和真空室内钢水碳含量随时间的连续变化规律，即基于废气分析的RH脱碳数学模型:
公式1、公式2中的钢水循环流量Q由公式3计算得出：
Q＝11.4G1/3·d4/3·(lnp/Pv)1/3…公式3；
式中：G—提升气体流量，L\min；
p—大气压力，Pa；
Pv—真空室压力，Pa；
d—浸渍管直径，m；
3)RH控制系统中设有数据分析与推理模块，应用基于神经网络的模糊控制方法对RH动态脱碳模型的输出结果进行进一步分析处理；具体步骤如下:
步骤a.比较高速差分计算系统给定值即数据采集处理系统采集处理后输送到RH动态脱碳模型的输入值与上一周期反馈值即RH动态脱碳模型的输出值之间的差值，得出系统的误差e；
步骤b.计算误差变化率de/dt；即对误差求微分，得到在一个A/D采样周期内的误差变化率△e；
步骤c.输入量的模糊化；由步骤a和步骤b得到的误差e及误差变化率△e都是精确值，必须将其模糊化变成模糊量E及EC；同时，把E、EC的语言值转化为论域上的模糊子集；
步骤d.制定控制规则R，作为模糊推理的依据；
步骤e.进行模糊推理；将模糊化后的语言变量E、EC作为模糊推理的输入，再由E、EC和控制规则R，并根据推理合成规则进行模糊推理得到模糊控制量U：
U＝(E×EC)T1·R…公式4
步骤f.逆模糊化；为了对被控对象施加精确的控制，必须将模糊控制量U转化为精确量u，即逆模糊化；
步骤g.计算机执行完步骤a-g后，即完成了一次A/D采样周期内对钢包内钢水碳含量CL和真空室内钢水碳含量Cv连续变化值的预测，然后等到下一次A/D采样，再进行第二次预测，如此循环，可对钢水中碳含量的变化进行实时准确监控；
4)根据对钢水中碳含量的准确监控，及时调整脱碳工艺参数，最终提高终点碳含量的命中率。
所述数据采集处理系统为质谱仪，其配有数据采集卡，并通过OPC协议与连铸机的数据通讯接口连接。
所述模糊控制方法通过模糊控制器实现。
与现有技术相比，本发明的有益效果是：
1)根据实测的提升气体流量和真空室压力的变化计算钢水循环流量，同时通过采集、计算废气中CO、CO2含量建立RH动态脱碳模型，并将计算结果经模糊控制方法进一步进行分析，从而实现对钢水中碳含量的准确监控，最终达到提高终点碳含量的命中率的目的；
2)为RH真空精炼生产条件下控制和改善钢水处理质量提供了重要技术手段，可操作性强；
3)利用RH控制系统即可实现，人机界面友好，操作简洁，提供对应的查询、导出功能；可实现对RH精炼过程中碳含量的全时、动态、可视化分析；
4)大幅提升冶金过程分析水准，实际应用效果良好，既有很好的经济效益又有广泛的社会效益，具有较大的推广价值。
附图说明
图1是本发明所述模糊控制器的原理图。
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说明：
一种基于烟气分析的RH动态脱碳优化方法，包括如下步骤：
1)数据采集处理系统实时采集、分析、处理RH生产过程中的废气组分、废气流量数据，并传送到RH控制系统中；
2)在RH控制系统中依据RH生产系统数据和生产实际需求建立RH动态脱碳模型；具体过程如下：
钢包内钢水和真空室内钢水的碳含量分别为CL、Cv，对于钢包内的钢水来说，根据钢水中碳含量的质量守恒原理，其脱碳数学方程可用公式1表示：
W(dCl/dt)＝Q(Cv-Cl)…公式1；
式中：W—钢包内钢水质量,t；
Q—钢水循环流量,t/min，；
Cl—钢包内钢水碳质量分数,％；
Cv—真空室内钢水碳质量分数,％；
而对于真空室内的钢水来说，其发生脱碳反应生成了CO和CO2气体，根据数据采集处理系统得到的废气中CO、CO2的含量可以计算出由废气带走的碳量，从而根据质量守恒原理，建立真空室内钢水脱碳的数学方程，如公式2所示：
w(dCv/dt)＝Q(Cl-Cv)-(Wco+Wco2)…公式2；
式中：w—真空室内钢水质量，t；
Wco、Wco2—每一时刻由烟气带走的CO、CO2质量，t；
公式1和公式2联立可用于表示钢包内和真空室内钢水碳含量随时间的连续变化规律，即基于废气分析的RH脱碳数学模型:
公式1、公式2中的钢水循环流量Q由公式3计算得出：
Q＝11.4G1/3·d4/3·(lnp/Pv)1/3…公式3；
式中：G—提升气体流量，L\min；
p—大气压力，Pa；
Pv—真空室压力，Pa；
d—浸渍管直径，m；
3)RH控制系统中设有数据分析与推理模块，应用基于神经网络的模糊控制方法对RH动态脱碳模型的输出结果进行进一步分析处理；具体步骤如下:
步骤a.比较高速差分计算系统给定值即数据采集处理系统采集处理后输送到RH动态脱碳模型的输入值与上一周期反馈值即RH动态脱碳模型的输出值之间的差值，得出系统的误差e；
步骤b.计算误差变化率de/dt；即对误差求微分，得到在一个A/D采样周期内的误差变化率△e；
步骤c.输入量的模糊化；由步骤a和步骤b得到的误差e及误差变化率△e都是精确值，必须将其模糊化变成模糊量E及EC；同时，把E、EC的语言值转化为论域上的模糊子集；
步骤d.制定控制规则R，作为模糊推理的依据；
步骤e.进行模糊推理；将模糊化后的语言变量E、EC作为模糊推理的输入，再由E、EC和控制规则R，并根据推理合成规则进行模糊推理得到模糊控制量U：
U＝(E×EC)T1·R…公式4
步骤f.逆模糊化；为了对被控对象施加精确的控制，必须将模糊控制量U转化为精确量u，即逆模糊化；
步骤g.计算机执行完步骤a-g后，即完成了一次A/D采样周期内对钢包内钢水碳含量CL和真空室内钢水碳含量Cv连续变化值的预测，然后等到下一次A/D采样，再进行第二次预测，如此循环，可对钢水中碳含量的变化进行实时准确监控；
4)根据对钢水中碳含量的准确监控，及时调整脱碳工艺参数，最终提高终点碳含量的命中率。
所述数据采集处理系统为质谱仪，其配有数据采集卡，并通过OPC协议与RH的数据通讯接口连接。
所述模糊控制方法通过模糊控制器实现。(如图1所示)
本发明中，数据采集处理系统采用基于OPC协议的多通道并行数据带宽设计与连铸机的数据通讯接口连接，并行的数据流设计理念，允许大通量数据流，较传统的工业通讯系统数据传输速度更快、并具备毫秒级实时性，数据传输更稳定。能够实现废气分析参数高速、大通量、分布式、高波特率、采集与传输。
本发明采用龙格一库塔法(Runge-Kutta)，将冶金机理模型程序化，借助计算机进行计算，预测钢水碳含量的连续变化值，并充分利用模糊逻辑具有较强结构性知识表达能力，即描述系统定性知识的能力，以及神经网络强大的学习能力与定量数据的直接处理能力，实现对钢水中碳含量的准确监控，为RH真空精炼脱碳过程工艺参数调整提供可靠的依据，最终达到提高终点碳含量的命中率的目的。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于烟气分析的RH动态脱碳优化方法，其特征在于，包括如下步骤：
1)数据采集处理系统实时采集、分析、处理RH生产过程中的废气组分、废气流量数据，并传送到RH控制系统中；
2)在RH控制系统中依据RH生产系统数据和生产实际需求建立RH动态脱碳模型；具体过程如下：
钢包内钢水和真空室内钢水的碳含量分别为CL、Cv，对于钢包内的钢水来说，根据钢水中碳含量的质量守恒原理，其脱碳数学方程可用公式1表示：
W(dCl/dt)＝Q(Cv-Cl)…公式1；
式中：W—钢包内钢水质量,t；
Q—钢水循环流量,t/min，；
Cl—钢包内钢水碳质量分数,％；
Cv—真空室内钢水碳质量分数,％；
而对于真空室内的钢水来说，其发生脱碳反应生成了CO和CO2气体，根据数据采集处理系统得到的废气中CO、CO2的含量可以计算出由废气带走的碳量，从而根据质量守恒原理，建立真空室内钢水脱碳的数学方程，如公式2所示：
w(dCv/dt)＝Q(Cl-Cv)-(Wco+Wco2)…公式2；
式中：w—真空室内钢水质量，t；
Wco、Wco2—每一时刻由烟气带走的CO、CO2质量，t；
公式1和公式2联立可用于表示钢包内和真空室内钢水碳含量随时间的连续变化规律，即基于废气分析的RH脱碳数学模型:
公式1、公式2中的钢水循环流量Q由公式3计算得出：
Q＝11.4G1/3·d4/3·(lnp/Pv)1/3…公式3；
式中：G—提升气体流量，L\min；
p—大气压力，Pa；
Pv—真空室压力，Pa；
d—浸渍管直径，m；
3)RH控制系统中设有数据分析与推理模块，应用基于神经网络的模糊控制方法对RH动态脱碳模型的输出结果进行进一步分析处理；具体步骤如下:
步骤a.比较高速差分计算系统给定值即数据采集处理系统采集处理后输送到RH动态脱碳模型的输入值与上一周期反馈值即RH动态脱碳模型的输出值之间的差值，得出系统的误差e；
步骤b.计算误差变化率de/dt；即对误差求微分，得到在一个A/D采样周期内的误差变化率△e；
步骤c.输入量的模糊化；由步骤a和步骤b得到的误差e及误差变化率△e都是精确值，必须将其模糊化变成模糊量E及EC；同时，把E、EC的语言值转化为论域上的模糊子集；
步骤d.制定控制规则R，作为模糊推理的依据；
步骤e.进行模糊推理；将模糊化后的语言变量E、EC作为模糊推理的输入，再由E、EC和控制规则R，并根据推理合成规则进行模糊推理得到模糊控制量U：
U＝(E×EC)T1·R…公式4
步骤f.逆模糊化；为了对被控对象施加精确的控制，必须将模糊控制量U转化为精确量u，即逆模糊化；
步骤g.计算机执行完步骤a-g后，即完成了一次A/D采样周期内对钢包内钢水碳含量CL和真空室内钢水碳含量Cv连续变化值的预测，然后等到下一次A/D采样，再进行第二次预测，如此循环，可对钢水中碳含量的变化进行实时准确监控；
4)根据对钢水中碳含量的准确监控，及时调整脱碳工艺参数，最终提高终点碳含量的命中率。
2.根据权利要求1所述的一种基于烟气分析的RH动态脱碳优化方法，其特征在于，所述数据采集处理系统为质谱仪，其配有数据采集卡，并通过OPC协议与RH本体的数据通讯接口连接。
3.根据权利要求1所述的一种基于烟气分析的RH动态脱碳优化方法，其特征在于，所述模糊控制方法通过模糊控制器实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610562221.7A CN107630122B (zh) | 2016-07-18 | 2016-07-18 | 一种基于烟气分析的rh动态脱碳优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610562221.7A CN107630122B (zh) | 2016-07-18 | 2016-07-18 | 一种基于烟气分析的rh动态脱碳优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107630122A true CN107630122A (zh) | 2018-01-26 |
| CN107630122B CN107630122B (zh) | 2019-10-29 |
Family
ID=61112808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610562221.7A Active CN107630122B (zh) | 2016-07-18 | 2016-07-18 | 一种基于烟气分析的rh动态脱碳优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107630122B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110306008A (zh) * | 2019-07-23 | 2019-10-08 | 辽宁工业大学 | 一种用于精炼炉炼钢的分阶段在线监测方法 |
| CN112522476A (zh) * | 2020-11-23 | 2021-03-19 | 首钢集团有限公司 | 一种预测rh精炼钢水碳含量的方法 |
| CN112680566A (zh) * | 2020-12-18 | 2021-04-20 | 北京首钢自动化信息技术有限公司 | 一种精炼炉脱碳终点检测方法及检测系统 |
| CN114196800A (zh) * | 2021-12-03 | 2022-03-18 | 本钢板材股份有限公司 | 一种基于热水井一氧化碳模型的rh脱碳预报方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6119726A (ja) * | 1984-07-04 | 1986-01-28 | Nippon Steel Corp | 溶鋼の真空脱ガス精錬方法 |
| JP2003247016A (ja) * | 2002-02-26 | 2003-09-05 | Jfe Steel Kk | 溶鋼の脱炭方法 |
| US20040097761A1 (en) * | 2002-08-15 | 2004-05-20 | Can Erkey | Catalysis by water-soluble organometallic complexes in water-in-densified fluid microemulsions |
| CN101881981A (zh) * | 2010-07-02 | 2010-11-10 | 北京首钢自动化信息技术有限公司 | 一种rh钢水温度、成分闭环控制系统 |
| CN104215334A (zh) * | 2014-08-14 | 2014-12-17 | 合肥瑞石测控工程技术有限公司 | 一种rh精炼炉钢水温度实时在线监测方法 |
-
2016
- 2016-07-18 CN CN201610562221.7A patent/CN107630122B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6119726A (ja) * | 1984-07-04 | 1986-01-28 | Nippon Steel Corp | 溶鋼の真空脱ガス精錬方法 |
| JPH0312127B2 (zh) * | 1984-07-04 | 1991-02-19 | Nippon Steel Corp | |
| JP2003247016A (ja) * | 2002-02-26 | 2003-09-05 | Jfe Steel Kk | 溶鋼の脱炭方法 |
| US20040097761A1 (en) * | 2002-08-15 | 2004-05-20 | Can Erkey | Catalysis by water-soluble organometallic complexes in water-in-densified fluid microemulsions |
| CN101881981A (zh) * | 2010-07-02 | 2010-11-10 | 北京首钢自动化信息技术有限公司 | 一种rh钢水温度、成分闭环控制系统 |
| CN104215334A (zh) * | 2014-08-14 | 2014-12-17 | 合肥瑞石测控工程技术有限公司 | 一种rh精炼炉钢水温度实时在线监测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110306008A (zh) * | 2019-07-23 | 2019-10-08 | 辽宁工业大学 | 一种用于精炼炉炼钢的分阶段在线监测方法 |
| CN112522476A (zh) * | 2020-11-23 | 2021-03-19 | 首钢集团有限公司 | 一种预测rh精炼钢水碳含量的方法 |
| CN112680566A (zh) * | 2020-12-18 | 2021-04-20 | 北京首钢自动化信息技术有限公司 | 一种精炼炉脱碳终点检测方法及检测系统 |
| CN112680566B (zh) * | 2020-12-18 | 2022-10-21 | 北京首钢自动化信息技术有限公司 | 一种精炼炉脱碳终点检测方法及检测系统 |
| CN114196800A (zh) * | 2021-12-03 | 2022-03-18 | 本钢板材股份有限公司 | 一种基于热水井一氧化碳模型的rh脱碳预报方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107630122B (zh) | 2019-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN107630122B (zh) | 一种基于烟气分析的rh动态脱碳优化方法 | |
| CN101881981A (zh) | 一种rh钢水温度、成分闭环控制系统 | |
| Das et al. | Process control strategies for a steel making furnace using ANN with bayesian regularization and ANFIS | |
| CN101592964B (zh) | 一种双工位lf炉钢水温度预报控制方法 | |
| CA2894813C (en) | Method and device for predicting, controlling and/or regulating steelworks processes | |
| CN102766728B (zh) | 钢包精炼炉精炼过程钢水硫含量实时预测的方法及装置 | |
| CN113192568B (zh) | 一种精炼炉脱硫终点预报方法和系统 | |
| CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
| 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 | |
| CN101592650B (zh) | 电炉炼钢炉内钢水碳含量的连续测定方法 | |
| Xin et al. | Predicting the alloying element yield in a ladle furnace using principal component analysis and deep neural network | |
| JP6063058B2 (ja) | 冷間圧延における酸洗のための酸濃度制御方法および装置 | |
| CN102382937B (zh) | 一种基于炉气分析的电弧炉冶炼过程控制方法 | |
| CN103194574B (zh) | 一种vod精炼终点碳含量预报模型的动态调整方法 | |
| CN103276136A (zh) | 一种基于副枪系统的转炉炼钢钢水定磷方法 | |
| Xin et al. | Modeling of LF refining process: a review | |
| CN104267600B (zh) | 钢包精炼炉电极调节控制系统及其控制方法 | |
| Zhang | Optimal control problem of converter steelmaking production process based on operation optimization method | |
| Visuri et al. | Preliminary experiences from the application of model predictive control for the EAF process in stainless steelmaking | |
| Song et al. | Temperature prediction of molten iron transporting process based on extended Kalman filter | |
| CN105404146A (zh) | 一种电石炉炉况诊断方法和系统 | |
| Song et al. | A Novel Operation Optimization Method Based on Mechanism Analytics for the Quality of Molten Steel in the BOF Steelmaking Process | |
| Ai-jun et al. | Fault diagnosis expert system using neural networks for roasting process | |
| CN104131126B (zh) | 基于模糊模型的高炉熔渣流量检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |