CN108676955A - 一种转炉炼钢终点碳含量和温度控制方法 - Google Patents
一种转炉炼钢终点碳含量和温度控制方法 Download PDFInfo
- Publication number
- CN108676955A CN108676955A CN201810410253.4A CN201810410253A CN108676955A CN 108676955 A CN108676955 A CN 108676955A CN 201810410253 A CN201810410253 A CN 201810410253A CN 108676955 A CN108676955 A CN 108676955A
- Authority
- CN
- China
- Prior art keywords
- carbon content
- temperature
- sublance
- endpoint carbon
- oxygen
- 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
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
- C21C5/28—Manufacture of steel in the converter
- C21C5/30—Regulating or controlling the blowing
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C2300/00—Process aspects
- C21C2300/06—Modeling of the process, e.g. for control purposes; CII
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明提供了一种转炉炼钢终点碳含量和温度控制方法和设备,以副枪第一次检测点为分界点,将转炉炼钢过程分为第一阶段和第二阶段,在第一阶段中,根据铁水初始状态的特征参数和冶炼目标钢种的要求,基于吹氧量预测模型和终点碳含量预测模型,对终点碳含量和温度进行控制,克服了人工经验预测,导致精度不足的缺点,同时考虑了钢水喷溅、后期脱碳反应偏离平衡等不确定因素的影响,若第一阶段完毕时副枪第一次检测点对应的碳含量和温度不满足出钢要求,进行第二阶段,直至碳含量和温度满足出钢要求,提高了冶炼控制的精度;另外,终点碳含量预测模型中用于训练样本的炉次较多,训练神经网络的参数复杂,得到的神经网络误差较小。
Description
技术领域
本发明涉及钢铁冶金领域,尤其涉及一种转炉炼钢终点碳含量和温度控制方法。
背景技术
钢铁工业属于基础原材料工业,是国民经济的支柱产业。转炉炼钢是世界上最主要的炼钢方法,目前全世界有60%、我国有90%左右的钢是由转炉冶炼的。近十几年来,转炉炼钢规模迅速扩大,产量不断增长,技术不断更新,以转炉为核心的高炉-铁水预处理-氧气转炉-炉外精炼-连铸连轧工艺,经过优化组合、结构调整,已成为现代大型钢铁厂普遍采用的、具有钢铁产品制造、能源转换、社会部分大宗废弃物的处理、消纳等功能的模式。钢铁行业的智能制造正处在积极探索的过程之中,炼钢过程的智能化是未来钢铁工业实现智能制造的一个重要内容,而转炉炼钢终点的稳定与准确控制是智能炼钢亟需解决的问题之一。
转炉炼钢是一个复杂的高温、多相的物理化学反应过程。转炉炼钢的优点是吹炼时间短,热效率高、升温速率快,但在实际炼钢过程中存在着一些不确定因素,如冶炼过程容易发生炉渣和金属喷溅,中期炉渣容易返干,后期脱碳反应容易偏离平衡等,同时转炉冶炼在1300℃以上的温度下进行,难以实现在线连续测量,检测信号缺乏,闭环控制实现困难。这些因素使得转炉终点碳含量和温度的准确控制一直是转炉控制的难点之一。
准确地控制炼钢终点碳含量和温度,对保证钢水质量,缩短冶炼时间,减少生产返工,降低冶炼成本,增加炉衬使用寿命等方面具有重要意义。
目前,转炉终点的控制基本都是基于模型的控制,而现有的转炉终点控制模型主要有机理控制模型,统计控制模型和人工智能控制模型。机理控制模型根据对转炉炼钢生产过程中的热平衡、物料平衡等冶金过程的物理化学分析及假设处理建立模型,但是由于做了很多假设处理,因此模型精度比较低。统计建模直接来源于人工控制的操作知识,用统计方法建立的模型往往只能针对某一个具体的转炉,通用性较差。人工智能方法如神经网络具有的对非线性过程拟合的能力以及易实现性,许多学者已经将其用于对转炉炼钢过程的建模,基本能反映钢水的碳含量和温度的实际变化,但由于训练神经网络的参数较杂不够精确,导致得到的神经网络存在较大的预测误差,不能全面地解释炼钢过程中已知或未知的物理化学反应过程。
因此,目前转炉终点使用的控制模型往往存在精度较低、存在较大误差或通用性较差的缺点。
发明内容
为了解决目前转炉终点使用的控制模型往往存在精度较低、存在较大误差或通用性较差的缺点,一方面,本发明提供了一种转炉炼钢终点碳含量和温度控制方法,包括:根据铁水初始状态的特征参数和冶炼目标钢种的要求,基于转炉冶炼终点碳含量和温度控制模型,进行终点碳含量和温度控制;转炉冶炼终点碳含量和温度控制模型以副枪第一次检测点为分界点,分为第一阶段和第二阶段;第一阶段包括吹氧量预测模型和终点碳含量预测模型,第二阶段包括对碳含量进行逻辑控制或对温度进行PID控制。
优选地,第一阶段具体包括:S1、根据铁水初始状态的特征参数和冶炼目标钢种的要求,基于吹氧量预测模型,获得操作量吹氧量和冷却剂加入量;根据操作量吹氧量和现场吹氧流量,计算吹氧时间;S2、若吹氧时间在预设时间范围内,则按照吹氧时间和冷却剂加入量进行冶炼,直至副枪第一次检测点。
优选地,步骤S2还包括:若吹氧时间不在预设时间范围内,则设置初始吹氧时间,基于终点碳含量预测模型,获得预测终点碳含量;若预测终点碳含量和目标终点碳含量的偏差值不大于预设偏差值,则按照初始吹氧时间进行冶炼,直至副枪第一次检测点;若预测终点碳含量和目标终点碳含量的偏差值大于预设偏差值,则将初始吹氧时间与预设时间步长相加,形成新的初始吹氧时间;根据新的吹氧时间,获得新的预测终点碳含量,直至获得不大于预设偏差值对应的吹氧时间;按照不大于预设偏差值对应的吹氧时间和冷却剂加入量进行冶炼,直至副枪第一次检测点。
优选地,第二阶段具体包括:若副枪第一次检测点对应的碳含量和温度满足出钢要求,则直接出钢;若副枪第一次检测点对应的碳含量不满足出钢要求,则对碳含量进行逻辑控制;若副枪第一次检测点对应的温度不满足出钢要求,则对温度进行PID控制。
优选地,对温度进行PID控制具体包括:根据期望温度值与实际温度值的差值,基于温度PID控制器,确定冷却剂加入量后进行冶炼,直至副枪第二次检测点;若副枪第二次检测点对应的温度满足出钢要求,则直接出钢;若副枪第二次检测点对应的温度不满足出钢要求,则重复上一步骤,直至温度满足出钢要求。
优选地,温度PID控制器的处理方程为:
其中,u为冷却剂加入量,e(t)为期望温度值与实际温度值的差值;Kp,Ki和Kd分别为温度PID控制器的性能参数。
优选地,Kp,Ki和Kd性能参数由PSO算法进行优化,包括:随机产生初始的粒子群,并分别赋值给Kp,Ki和Kd;通过T=f(u)的关系方程,计算出粒子的适应度函数值;其中,u为冷却剂加入量,T为钢水温度;若T和预设温度T0之间的差值是否小于阈值ε,则PSO算法结束;若T和预设温度T0之间的差值是否不小于阈值ε,则更新粒子群,并重复上述步骤。
优选地,T=f(u)的关系方程由热平衡方程Qscrap=Q放求解而得,其中,
Qscrap=Mscrap×[CsteelSolw×(Rg-Tcon)+QsteelMeltw+CsteelLiqw×(T-Rg)]
Q放=CsteelLiq×MsteelLiq×(T0-T)
其中,Qscrap为冷却剂吸热量,Q放为钢水放热量,CsteelSlow为废钢固热容,Rg为废钢熔点,Tcon为废钢初始温度,QsteelMeltw为废钢的熔化潜热,CsteelLiqw为废钢液热容,T为钢水最终温度;CsteelLiq为钢水比热容,MsteelLiq为钢水重量,T0为副枪检测的钢水温度。
优选地,铁水初始状态的特征参数包括碳、硅、锰、磷、硫含量,氧气流量,底吹气体流量,副原料加入量和温度。
另一方面,本发明还提供一种转炉炼钢终点碳含量和温度控制设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,处理器、存储器、通信接口通过总线完成相互间的通信;通信接口用于该测试设备与显示装置的通信设备之间的信息传输;存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行一种转炉炼钢终点碳含量和温度控制方法。
本发明还提供一种非暂态计算机可读存储介质,非暂态非计算机可读存储介质存储计算机指令,计算机指令使计算机执行一种转炉炼钢终点碳含量和温度控制方法。
本发明提供了一种转炉炼钢终点碳含量和温度控制方法和设备,以副枪第一次检测点为分界点,将转炉炼钢过程分为第一阶段和第二阶段,在第一阶段中,基于吹氧量预测模型和终点碳含量预测模型,对终点碳含量和温度进行控制,克服了人工经验预测,导致精度不足的缺点,同时考虑了钢水喷溅、后期脱碳反应偏离平衡等不确定因素的影响,若第一阶段完毕时副枪第一次检测点对应的碳含量和温度不满足出钢要求,进行第二阶段,直至碳含量和温度满足出钢要求,提高了冶炼控制的精度;另外,终点碳含量预测模型中用于训练样本的炉次较多,训练神经网络的参数复杂,得到的神经网络误差较小。
附图说明
图1为根据本发明一个优选实施例的转炉炼钢终点碳含量和温度控制方法的流程示意框图;
图2为根据本发明一个优选实施例的转炉炼钢终点碳含量预测模型的建立流程图;
图3为根据本发明一个优选实施例的吹氧时间的修正流程图;
图4为根据本发明一个优选实施例的温度PID控制框图;
图5为根据本发明一个优选实施例的温度PID控制器的参数流程图;
图6为根据本发明一个优选实施例的碳含量预测模型中的箱线图示意图;
图7为根据本发明一个优选实施例的RBF神经网络结构示意图;
图8为根据本发明一个优选实施例的转炉炼钢终点碳含量和温度控制设备的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为根据本发明一个优选实施例的转炉炼钢终点碳含量和温度控制方法的流程示意框图,如图1所示,一方面,本发明提供了一种转炉炼钢终点碳含量和温度控制方法,包括:根据铁水初始状态的特征参数和冶炼目标钢种的要求,基于转炉冶炼终点碳含量和温度控制模型,进行终点碳含量和温度控制;转炉冶炼终点碳含量和温度控制模型以副枪第一次检测点为分界点,分为第一阶段和第二阶段;第一阶段包括吹氧量预测模型和终点碳含量预测模型,第二阶段包括对碳含量进行逻辑控制或对温度进行PID控制。
具体地,本实施例以转炉为研究对象,以副枪第一次检测点为分界点,将副枪第一次检测点之前划分为第一阶段,将副枪第一次检测点之后划分为第二阶段;针对第一阶段,基于吹氧量预测模型和终点碳含量预测模型,对终点碳含量和温度进行控制,直至副枪第一次检测点;若副枪第一次检测点对应的碳含量和温度满足出钢要求,则直接出钢,若副枪第一次检测点对应的碳含量或温度不满足出钢要求,则进行第二阶段,直至碳含量和温度满足出钢要求。
本实施例以副枪第一次检测点为分界点,将转炉炼钢过程分为第一阶段和第二阶段,在第一阶段中,基于吹氧量预测模型和终点碳含量预测模型,对终点碳含量和温度进行控制,克服了人工经验预测,导致精度不足的缺点,同时考虑了钢水喷溅、后期脱碳反应偏离平衡等不确定因素的影响,若第一阶段完毕时副枪第一次检测点对应的碳含量和温度不满足出钢要求,进行第二阶段,直至碳含量和温度满足出钢要求,提高了冶炼控制的精度。
基于上述实施例,图2为根据本发明一个优选实施例的转炉炼钢终点碳含量预测模型的建立流程图,如图2所示,第一阶段包括:S1、根据铁水初始状态的特征参数和冶炼目标钢种的要求,基于吹氧量预测模型,获得操作量吹氧量和冷却剂加入量;根据操作量吹氧量和现场吹氧流量,计算吹氧时间;S2、若吹氧时间在预设时间范围内,则按照吹氧时间和冷却剂加入量进行冶炼,直至副枪第一次检测点。
进一步地,图3为根据本发明一个优选实施例的吹氧时间的修正流程图,如图3所示,步骤S2还包括:若吹氧时间不在预设时间范围内,则设置初始吹氧时间和目标终点碳含量,根据初始吹氧时间和预测冷却剂加入量,基于终点碳含量预测模型,获得预测终点碳含量;若预测终点碳含量和目标终点碳含量的偏差值不大于预设偏差值,则按照初始吹氧时间进行冶炼,直至副枪第一次检测点;若预测终点碳含量和目标终点碳含量的偏差值大于预设偏差值,则将初始吹氧时间与预设时间步长相加,形成新的初始吹氧时间;根据新的吹氧时间,获得新的预测终点碳含量,直至获得不大于预设偏差值对应的吹氧时间;按照不大于预设偏差值对应的吹氧时间和冷却剂加入量进行冶炼,直至副枪第一次检测点。
具体地,在转炉终点吹氧量预测模型给出吹氧量后,由于吹氧流量一定,可计算出吹氧时间。在炼钢的总过程中除去转炉工序,还有后面的LF钢包精炼炉、RH真空精炼炉和连铸工序等。各个工序间的生产需要保证连铸不能断浇,对单个工序都有一定的时间要求,时间既不能过长,也不能太短。所以,转炉的冶炼对吹氧时间有着一定的要求范围。在计算出吹氧时间t之后需要判断t是否在工艺所允许的时间范围[t1,t2]之内,若t在可允许的范围内,则按照吹氧时间t和冷却剂加入量M进行操作冶炼至副枪检测点;若t不在可允许的范围之内,则先设置初始吹氧时间t0,冷却剂加入量M,将其输入到转炉终点碳含量预测模型中,对吹氧时间t进行修正。
吹氧时间具体的修正步骤如下:
初始化吹氧时间t=t1,t1为所允许范围的最小值,此处也可以将t初始化为t2,相应的后面的步长为负值,冷却剂加入量为M,设定正在冶炼的目标钢种的终点碳含量为C1;
将吹氧时间t和冷却剂加入量M输入到转炉终点碳含量预测模型中,得到预测的终点碳含量C2,并计算C1和C2差值的绝对值是否小于预设偏差值ε,若是,则修正结束;若否,则转Step3;
设置步长α,此处步长为正值(如果初始化的t=t1,则为负值),更新吹氧时间t=t+α,之后转向上一个步骤。
进一步地,经过了第一阶段的控制之后,如果在副枪的检测点满足出钢要求,那么直接出钢,这样可以减少副枪的消耗,节省成本,如果不满足出钢要求,经过一个无模型的PID控制使钢水满足出钢的要求,再出钢。
在转炉的冶炼后期,会用副枪进行检测,如果不达到要求,会对吹氧和加料进行调整,之后再次进行检测,直到满足出钢条件为止,这样的工艺过程为第二阶段对温度和碳含量的控制提供了可能。
基于上述实施例,如图1所示,第二阶段具体包括:若副枪第一次检测点对应的碳含量和温度满足出钢要求,则直接出钢;若副枪第一次检测点对应的碳含量不满足出钢要求,则对碳含量进行逻辑控制;若副枪第一次检测点对应的温度不满足出钢要求,则对温度进行PID控制。
具体地,第一阶段的冶炼过程中,虽然根据预测终点碳含量和目标终点碳含量的偏差,对吹氧时间进行了修正,然后根据修正的吹氧时间和冷却剂加入量进行冶炼,但还是会由于钢水喷溅、后期脱碳反应偏离平衡等不确定因素的影响,使得副枪第一次检测点对应的碳含量和温度不一定满足出钢要求。若副枪第一次检测点对应的碳含量和温度不满足出钢要求,则继续进行第二阶段的冶炼过程,进一步对碳含量和温度进行调整控制,即若副枪第一次检测点对应的碳含量不满足出钢要求,则继续调整吹氧时间,直至碳含量满足出钢要求;若副枪第一次检测点对应的温度不满足出钢要求,则对温度进行PID控制,直至温度满足出钢要求。
进一步地,图4为根据本发明一个优选实施例的温度PID控制框图,如图4所示,温度PID控制模型通过下述步骤获取:根据期望温度值与实际温度值的差值,基于温度PID控制器,确定冷却剂加入量后进行冶炼,直至副枪第二次检测点;若副枪第二次检测点对应的温度满足出钢要求,则直接出钢;若副枪第二次检测点对应的温度不满足出钢要求,则重复上一步骤,直至温度满足出钢要求。
基于上述实施例,温度PID控制器的处理方程为:
其中,u为冷却剂加入量,e(t)为期望温度值与实际温度值的差值;Kp,Ki和Kd分别为温度PID控制器的性能参数。
具体地,图5为根据本发明一个优选实施例的温度PID控制器的参数流程图,如图5所示,控制器输出控制信号u来驱动受控对象;PID控制器的三个性能参数由PSO算法进行优化,具体的优化步骤如下:
随机产生初始的粒子群,将粒子分别赋值给Kp,Ki和Kd三个参数;
通过T=f(u)的关系,计算出粒子的适应度函数值;
判断比较计算的T和设定的温度T0之间的差值是否小于阈值ε,如果满足条件,则算法结束,如果不满足,转到下一步骤;
更新粒子群,包括速度更新和位置更新,然后按顺序重复上述三个步骤。
进一步地,Kp,Ki和Kd性能参数由PSO算法进行优化,包括:随机产生初始的粒子群,并分别赋值给Kp,Ki和Kd;通过T=f(u)的关系方程,计算出粒子的适应度函数值;其中,u为冷却剂加入量,T为钢水温度;若T和预设温度T0之间的差值是否小于阈值ε,则PSO算法结束;若T和预设温度T0之间的差值是否不小于阈值ε,则更新粒子群,并重复上述步骤。
基于上述实施例,T=f(u)的关系方程由热平衡方程Qscrap=Q放求解而得,其中,
Qscrap=Mscrap×[CsteelSolw×(Rg-Tcon)+QsteelMeltw+CsteelLiqw×(T-Rg)] (2)
Q放=CsteelLiq×MsteelLiq×(T0-T) (3)
其中,Qscrap为冷却剂吸热量,Q放为钢水放热量,CsteelSlow为废钢固热容,Rg为废钢熔点,Tcon为废钢初始温度,QsteelMeltw为废钢的熔化潜热,CsteelLiqw为废钢液热容,T为钢水最终温度;CsteelLiq为钢水比热容,MsteelLiq为钢水重量,T0为副枪检测的钢水温度。
具体地,函数T=f(u)表示冷却剂的量u与钢水温度T的关系,在此方案中运用热平衡的方法建立函数关系式。由于冷却剂有多种,假设这里的冷却剂只使用一种(若是冷却剂有多种,则采取多个冷却剂的平均热容进行计算),即废钢,则冷却剂吸热Qscrap的计算式如下:
Qscrap=Mscrap×[CsteelSolw×(Rg-Tcon)+QsteelMeltw+CsteelLiqw×(T-Rg)] (2)
式中,CsteelSlow------废钢固热容,Rg------废钢熔点,Tcon------废钢初始温度,QsteelMeltw------废钢的熔化潜热,CsteelLiqw------废钢液热容,T------钢水最终温度
而由Q=CMΔT有钢水放热Q放。
Q放=CsteelLiq×MsteelLiq×(T0-T) (3)
式中,CsteelLiq------钢水比热容,MsteelLiq------钢水重量,T0------副枪检测的钢水温度,T------钢水最终温度。
由热平衡原理,根据Qscrap=Q放,求得T=f(u)。
基于上述实施例,铁水初始状态的特征参数进行预处理的具体步骤包括:
1)采集铁水初始状态的特征参数;
建立转炉冶炼终点碳含量预报模型需先确定输入变量。转炉中的碳和氧气发生氧化反应,生成一氧化碳和二氧化碳,作为气体排出,吹氧流量和碳元素的含量是影响碳氧反应速率的直接因素。
在转炉冶炼过程中,发生的反应较为复杂,其他化学元素(硅、锰、磷、硫)也会与氧气进行反应,影响碳与氧气反应的占比,进而影响终点的碳含量;在转炉冶炼过程中需加入副原料(副原料含有碳元素)调节钢液的成分和温度,会引入额外的碳;底吹气体和氧气射流会影响熔池的搅拌程度,影响脱碳速率。综上所述,影响转炉冶炼终点碳含量的因素有碳、硅、锰、磷、硫含量,氧气流量,底吹气体流量,副原料加入量和温度。
2)采用箱线图法,去除特征参数中的异常值;
如图6所示,Q2为中位数,Q1表示下四分位数,Q3表示上四分位数,本方法中将属于极端异常点的部分进行剔除。
异常值数据的产生会在一定程度上影响数据的变化趋势,使得计算结果不能够正确地反映变量的内部关系,影响模型的准确性,因此需要对异常值进行处理。传统的3σ准则和z分数方法都是假定数据服从正态分布为前提的,其判断异常值的方法是以数据均值和标准差为基础的,而异常值本身就会对数据样本总体均值和方差造成较大的影响;如果数据不服从正态分布,则上述方法有效性极其有限。
此处,异常值处理采用箱线图法,它不需要数据服从某种分布形式,可以真实表现数据分布特点。
3)对去除异常值的特征参数进行归一化处理;
选取的变量量纲不同,会对模型的复杂度和收敛速度造成很大影响,在建模前需对变量进行归一化处理,处理方法如下:
其中,xi *为第i个变量归一化后的结果,xmin和xmax分别为第i个变量在样本数据总体的最小值和最大值。
4)采用最大信息系数分析归一化后的特征参数之间的相关程度。
由于转炉炼钢过程中化学反应复杂,各种影响因素之间的相互关联也非常复杂,导致输入与输出变量之间不仅存在线性的关系,还存在非线性的关系。传统的皮尔逊相互关系仅能描述变量之间的线性关系,而对非线性关系却无能为力。
为此本方案采用最大信息系数(MIC)来分析各个变量之间的相关程度,它不仅可以表征变量之间的线性关系,还可以用来表征变量之间的非线性关系。最大信息系数是以互信息(MI)为基础的。
对于两个随机变量X,Y,他们之间的互信息I(X,Y)为:
其中,p(x,y)为随机变量X和Y的联合概率密度。X和Y之间的互信息有如下关系:
I(X,Y)=H(X)+H(Y)-H(X,Y) (6)
其中,H(X)、H(Y)为变量X和Y的信息熵,H(X,Y)为X和Y的联合信息熵。信息熵和联合信息熵的定义:
而最大信息系数的计算公式如下:
具体计算采用python的minepy库进行最大信息系数的计算。分别计算出输入变量与输出变量的最大信息系数,然后利用交叉验证法确定最大信息系数的阈值,大于该阈值的变量为最终的模型输入变量。
基于上述实施例,终点碳含量预测模型采用RBF神经网络获取,具体步骤包括:
1、将预处理后的影响终点碳含量的特征参数分为训练集和测试集;
其中,终点碳含量预测模型的输入包括碳、硅、锰、磷、硫含量,氧气流量,底吹气体流量,副原料加入量和温度。
2、运用聚类算法,根据建立的目标函数获得聚类中心;
本方案采用监督性的FCM,即模糊c均值聚类算法,它是c均值聚类的改进版,普通C均值聚类对数据进行硬性划分,一个数据样本明确的属于某一类,而FCM对数据进行模糊划分,使用隶属度表示一个样本属于某一类的程度,不仅可以很好地反映输入输出情况,而且采用软的模糊聚类方式,更符合变量特性。
FCM引入了隶属度的概念,每一个样本不是确定地属于某一个聚类中心,而是属于所有的聚类中心,只是隶属度不同。对于n个样本,c个模糊聚类中心,在归一化的规定下,隶属度u满足如下约束条件:
该算法的目标函数是:
其中,uij是介于0到1之间的数,ci是第i个聚类中心,dij是第i个聚类中心和第j个数据样本之间的距离,即相似度,传统使用的是欧氏距离,这里自定义距离dij。
式中,m为输入向量的维数,xk为数据样本的第k维变量值,ck为聚类中心的第k维变量值,ωk为第k维的权重,该权重的值由下式确定
式中,Ik为第k个变量的互信息值。
为求式(11)在(10)的约束条件下的极值,构造拉格朗日函数:
分别对λj求导,令其偏导数为0,可得
和
RBF神经网络在训练前需要确定隐含层的数据中心,具体步骤包括:
Step1:用值在0,1之间的随机数初始化隶属矩阵U,使其满足式(10)的约束条件;
Step2:根据式(15)和式(16)计算c个聚类中心;
Step3:根据式(11)计算目标函数,如果它满足相比上次目标函数的改变量小于一个阈值(这里取10-5),则算法停止,否则执行Step4;
Step4:用式(16)计算新的U矩阵,返回step2。
将经过聚类算法得到的聚类中心作为RBF神经网络的数据中心,网络中心的宽度β由公式(17)确定:
其中,dmax是所得到的数据中心间的最大距离,c为数据中心个数。
在确定了数据中心和宽度之后,对RBF神经网络进行训练。图3为RBF神经网络结构图。
图7为根据本发明一个优选实施例的RBF神经网络结构示意图,如图7所示,X1,X2,Xm分别为第1个,第2个和第m个输入样本行向量,形如[铁水重量,铁水碳含量,…废钢加入量],具体的输入有铁水重量,铁水初始成分(化学元素碳、硅、锰、磷、硫等的含量),初始温度,吹氧量,冷却剂(白云石块,冶金石灰块,废钢等)加入量。
3、根据聚类中心确定RBF神经网络隐含层的数据中心;
采用RBF神经网络进行建模。RBFNN从输入层到隐含层是径向基函数,从隐含层到输出层为线性关系,可以采用线性调整技术,使得收敛速度快且不易陷入局部极值点。
4、根据RBF神经网络隐含层的数据中心,基于训练集对RBF神经网络进行训练,获取输出权值矩阵;
本方案采用监督性的FCM,即模糊c均值聚类算法,它是c均值聚类的改进版,普通C均值聚类对数据进行硬性划分,一个数据样本明确的属于某一类,而FCM对数据进行模糊划分,使用隶属度表示一个样本属于某一类的程度,不仅可以很好地反映输入输出情况,而且采用软的模糊聚类方式,更符合变量特性。
5、根据输出权值矩阵,获取终点碳含量预测方程;
使用训练集对网络进行训练确定网络输出权值矩阵[ω1,ω2,…ωk],网络输出y即转炉终点碳含量Ce为:
其中,ωC0∈R为偏置项;ωCj∈R(j=1,2,…,m)为隐含层到输出层的权值;φ(·)为径向基函数;||·||为欧式范数;cCj为网络中心。
径向基函数φ有多种形式,本方案选用如下的高斯函数:
φ(v)=exp(-v2/β2) (19)
其中,β为隐含层宽度,其计算如公式(14),v表示数据样本与网络中心的欧式距离。
6、根据终点碳含量预测方程预测终点碳含量样本,并根据测试集对终点碳含量样本进行测试。终点碳含量预测模型的输出为终点碳含量。
基于上述实施例,吹氧量预测模型同样采用RBF神经网络获取,该模型和终点碳含量终点预测模型的输入和输出不同。
输入包括铁水重量、碳、硅、锰、磷、硫含量,温度及目标终点碳含量,输出包括吹氧量和冷却剂加入量。该模型可在冶炼前根据铁水初始状态和冶炼的目标钢种质量要求给出吹氧量和冷却剂加入量,用于指导冶炼过程。
基于上述实施例,另一方面,本发明还提供了一种转炉炼钢终点碳含量和温度控制设备,图8为根据本发明一个优选实施例的一种转炉炼钢终点碳含量和温度控制设备的结构示意图,如图8所示,该设备包括:处理器(processor)801、通信接口(CommunicationsInterface)802、存储器(memory)803和总线804,其中,处理器801、通信接口802、存储器803通过总线804完成相互间的通信。处理器801可以调用存储器803中的逻辑指令,以执行如下转炉炼钢终点碳含量和温度控制方法:根据铁水初始状态的特征参数和冶炼目标钢种的要求,基于转炉冶炼终点碳含量和温度控制模型,进行终点碳含量和温度控制。
基于上述实施例,本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:根据铁水初始状态的特征参数和冶炼目标钢种的要求,基于转炉冶炼终点碳含量和温度控制模型,进行终点碳含量和温度控制。
本发明提供了一种转炉炼钢终点碳含量和温度控制方法和设备,在第一阶段中,先基于吹氧量预测模型,获得操作量吹氧量和冷却剂加入量,计算吹氧时间,若吹氧时间在预设范围内,则按照吹氧时间和冷却剂加入量进行冶炼,直至副枪第一次检测点;若吹氧时间不在预设范围,则设置初始吹氧时间,基于终点碳含量预测模型,获得预测终点碳含量并与目标终点碳含量对比,若两者偏差值不大于预设偏差值,则按照初始吹氧时间进行冶炼,直至副枪第一次检测点;若两者偏差值大于预设偏差值,则将初始吹氧时间与预设时间步长相加,形成新的初始吹氧时间,根据新的吹氧时间,获得新的预测终点碳含量,直至获得不大于预设偏差值对应的吹氧时间,按照不大于预设偏差值对应的吹氧时间和冷却剂加入量进行冶炼,直至副枪第一次检测点。在第二阶段中,若副枪第一次检测点对应的碳含量和温度满足出钢要求,则直接出钢;若副枪第一次检测点对应的碳含量不满足出钢要求,则对碳含量进行逻辑控制;若副枪第一次检测点对应的温度不满足出钢要求,则对温度进行PID控制。
本发明以副枪第一次检测点为分界点,将转炉炼钢过程分为第一阶段和第二阶段,在第一阶段中,基于吹氧量预测模型和终点碳含量预测模型,对终点碳含量和温度进行控制,克服了人工经验预测,导致精度不足的缺点,同时考虑了钢水喷溅、后期脱碳反应偏离平衡等不确定因素的影响,若第一阶段完毕时副枪第一次检测点对应的碳含量和温度不满足出钢要求,进行第二阶段,直至碳含量和温度满足出钢要求,提高了冶炼控制的精度;另外,终点碳含量预测模型中用于训练样本的炉次较多,训练神经网络的参数复杂,得到的神经网络误差较小。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种转炉炼钢终点碳含量和温度控制方法,其特征在于,包括:
根据铁水初始状态的特征参数和冶炼目标钢种的要求,基于转炉冶炼终点碳含量和温度控制模型,进行终点碳含量和温度控制;
所述转炉冶炼终点碳含量和温度控制模型以副枪第一次检测点为分界点,分为第一阶段和第二阶段;所述第一阶段包括吹氧量预测模型和终点碳含量预测模型,所述第二阶段包括对碳含量进行逻辑控制或对温度进行PID控制。
2.根据权利要求1所述的一种转炉炼钢终点碳含量和温度控制方法,其特征在于,所述第一阶段具体包括:
S1、根据所述铁水初始状态的特征参数和冶炼目标钢种的要求,基于所述吹氧量预测模型,获得操作量吹氧量和冷却剂加入量;根据所述操作量吹氧量和现场吹氧流量,计算吹氧时间;
S2、若所述吹氧时间在预设时间范围内,则按照所述吹氧时间和所述冷却剂加入量进行冶炼,直至所述副枪第一次检测点。
3.根据权利要求2所述的一种转炉炼钢终点碳含量和温度控制方法,其特征在于,所述步骤S2还包括:
若所述吹氧时间不在所述预设时间范围内,则设置初始吹氧时间,基于所述终点碳含量预测模型,获得预测终点碳含量;
若所述预测终点碳含量和所述目标终点碳含量的偏差值不大于预设偏差值,则按照初始吹氧时间进行冶炼,直至所述副枪第一次检测点;
若所述预测终点碳含量和所述目标终点碳含量的偏差值大于所述预设偏差值,则将初始吹氧时间与预设时间步长相加,形成新的初始吹氧时间;根据所述新的吹氧时间,获得新的预测终点碳含量,直至获得不大于所述预设偏差值对应的吹氧时间;
按照不大于所述预设偏差值对应的吹氧时间和所述冷却剂加入量进行冶炼,直至所述副枪第一次检测点。
4.根据权利要求1所述的一种转炉炼钢终点碳含量和温度控制方法,其特征在于,所述第二阶段具体包括:
若所述副枪第一次检测点对应的碳含量和温度满足出钢要求,则直接出钢;
若所述副枪第一次检测点对应的碳含量不满足所述出钢要求,则对碳含量进行所述逻辑调控;若所述副枪第一次检测点对应的温度不满足出钢要求,则对温度进行所述PID控制。
5.根据权利要求4所述的一种转炉炼钢终点碳含量和温度控制方法,其特征在于,所述对温度进行所述PID控制具体包括:
根据期望温度值与实际温度值的差值,基于温度PID控制器,确定所述冷却剂加入量后进行冶炼,直至副枪第二次检测点;
若所述副枪第二次检测点对应的温度满足出钢要求,则直接出钢;若所述副枪第二次检测点对应的温度不满足出钢要求,则重复上一步骤,直至温度满足出钢要求。
6.根据权利要求5所述的一种转炉炼钢终点碳含量和温度控制方法,其特征在于,所述温度PID控制器的处理方程为:
其中,u为冷却剂加入量,e(t)为期望温度值与实际温度值的差值;Kp,Ki和Kd分别为所述温度PID控制器的性能参数。
7.根据权利要求6所述的一种转炉炼钢终点碳含量和温度控制方法,其特征在于,所述Kp,Ki和Kd性能参数由PSO算法进行优化,包括:
随机产生初始的粒子群,并分别赋值给所述Kp,Ki和Kd;
通过T=f(u)的关系方程,计算出所述粒子的适应度函数值;其中,u为冷却剂加入量,T为钢水温度;
若T和预设温度T0之间的差值是否小于阈值ε,则所述PSO算法结束;
若T和预设温度T0之间的差值是否不小于阈值ε,则更新所述粒子群,并重复上述步骤。
8.根据权利要求7所述的一种转炉炼钢终点碳含量和温度控制方法,其特征在于,所述T=f(u)的关系方程由热平衡方程Qscrap=Q放求解而得,其中,
Qscrap=Mscrap×[CsteelSolw×(Rg-Tcon)+QsteelMeltw+CsteelLiqw×(T-Rg)]
Q放=CsteelLiq×MsteelLiq×(T0-T)
其中,Qscrap为冷却剂吸热量,Q放为钢水放热量,CsteelSlow为废钢固热容,Rg为废钢熔点,Tcon为废钢初始温度,QsteelMeltw为废钢的熔化潜热,CsteelLiqw为废钢液热容,T为钢水最终温度;CsteelLiq为钢水比热容,MsteelLiq为钢水重量,T0为副枪检测的钢水温度。
9.根据权利要求1所述的一种转炉炼钢终点碳含量和温度控制方法,其特征在于,所述铁水初始状态的特征参数包括碳、硅、锰、磷、硫含量,氧气流量,底吹气体流量,副原料加入量和温度。
10.一种转炉炼钢终点碳含量和温度控制设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-9任一项所述的一种转炉炼钢终点碳含量和温度控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810410253.4A CN108676955B (zh) | 2018-05-02 | 2018-05-02 | 一种转炉炼钢终点碳含量和温度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810410253.4A CN108676955B (zh) | 2018-05-02 | 2018-05-02 | 一种转炉炼钢终点碳含量和温度控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108676955A true CN108676955A (zh) | 2018-10-19 |
CN108676955B CN108676955B (zh) | 2019-07-12 |
Family
ID=63802690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810410253.4A Active CN108676955B (zh) | 2018-05-02 | 2018-05-02 | 一种转炉炼钢终点碳含量和温度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108676955B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109234491A (zh) * | 2018-11-20 | 2019-01-18 | 北京科技大学 | 一种基于极限学习机的转炉炼钢终点锰含量预测方法 |
CN109628679A (zh) * | 2019-02-15 | 2019-04-16 | 山东钢铁股份有限公司 | 一种转炉出钢判定方法 |
CN109858780A (zh) * | 2019-01-14 | 2019-06-07 | 沈阳建筑大学 | 一种炼钢-连铸生产调度优化方法 |
CN110042188A (zh) * | 2019-04-30 | 2019-07-23 | 马鞍山钢铁股份有限公司 | 一种转炉吹炼终点温度补偿的方法 |
CN110208207A (zh) * | 2019-06-28 | 2019-09-06 | 四川工程职业技术学院 | 一种碳硫含量检测方法及检测系统 |
CN110373510A (zh) * | 2019-07-16 | 2019-10-25 | 中南大学 | 一种基于双模态切换的钢水质量窄窗口控制方法及系统 |
CN111047202A (zh) * | 2019-12-13 | 2020-04-21 | 首钢集团有限公司 | 一种铁水碳含量的校正方法 |
CN111104856A (zh) * | 2019-11-18 | 2020-05-05 | 中冶赛迪技术研究中心有限公司 | 一种转炉冶炼喷溅监控方法、系统、存储介质和设备 |
CN111581190A (zh) * | 2020-04-01 | 2020-08-25 | 本钢板材股份有限公司 | 一种基于历史数据下的转炉冶炼工艺指导及事故预警方法 |
CN111893237A (zh) * | 2020-07-08 | 2020-11-06 | 北京科技大学 | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 |
CN112322842A (zh) * | 2020-11-02 | 2021-02-05 | 福建三宝钢铁有限公司 | 一种炉外精炼造渣工艺 |
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 |
CN112668234A (zh) * | 2020-12-07 | 2021-04-16 | 辽宁科技大学 | 一种转炉炼钢终点智能控制方法 |
CN113113088A (zh) * | 2021-04-08 | 2021-07-13 | 西安道法数器信息科技有限公司 | 一种基于人工智能的转炉碳含量指标评估及温度分析方法 |
CN113239482A (zh) * | 2021-04-23 | 2021-08-10 | 北京科技大学 | 一种转炉后吹碳含量动态预测方法及装置 |
CN114196795A (zh) * | 2020-09-17 | 2022-03-18 | 上海梅山钢铁股份有限公司 | 一种转炉出钢过程中合金加入量的控制方法 |
CN114472546A (zh) * | 2020-10-27 | 2022-05-13 | 宝山钢铁股份有限公司 | 一种基于大数据对轧制力进行优化的方法及系统 |
CN114854929A (zh) * | 2022-05-07 | 2022-08-05 | 北京科技大学 | 一种转炉喷吹co2钢液成分与温度实时动态预测的方法 |
CN114875196A (zh) * | 2022-07-01 | 2022-08-09 | 北京科技大学 | 一种转炉出钢量的确定方法和系统 |
CN115074490A (zh) * | 2022-07-20 | 2022-09-20 | 山东钢铁股份有限公司 | 一种转炉炼钢脱碳方法 |
WO2022198594A1 (zh) * | 2021-03-25 | 2022-09-29 | 北京凯德恒源科技发展有限公司 | 基于气体分析的转炉冶炼全过程终点碳动态控制方法 |
CN115125363A (zh) * | 2022-06-09 | 2022-09-30 | 北京同创信通科技有限公司 | 一种智能识别废钢料斗中配料检测系统及方法 |
CN115456264A (zh) * | 2022-09-01 | 2022-12-09 | 北京科技大学 | 一种中小型转炉的终点碳含量和终点温度预测方法 |
CN116434856A (zh) * | 2023-03-17 | 2023-07-14 | 北京科技大学 | 一种基于分段式氧气脱碳效率的转炉供氧量预测方法 |
CN117476136A (zh) * | 2023-12-28 | 2024-01-30 | 山东松盛新材料有限公司 | 一种高纯羧酸酯合成工艺参数优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101845531A (zh) * | 2010-05-07 | 2010-09-29 | 北京首钢自动化信息技术有限公司 | 一种转炉冶炼终点钢水碳、温度控制系统及其方法 |
CN103031398A (zh) * | 2011-09-30 | 2013-04-10 | 鞍钢股份有限公司 | 一种转炉冶炼终点碳含量预报装置及预报方法 |
CN103642972A (zh) * | 2013-12-16 | 2014-03-19 | 新余钢铁集团有限公司 | 转炉出钢温度智能优化控制系统 |
CN105925750A (zh) * | 2016-05-13 | 2016-09-07 | 南阳理工学院 | 一种基于神经网络的炼钢终点预测方法 |
-
2018
- 2018-05-02 CN CN201810410253.4A patent/CN108676955B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101845531A (zh) * | 2010-05-07 | 2010-09-29 | 北京首钢自动化信息技术有限公司 | 一种转炉冶炼终点钢水碳、温度控制系统及其方法 |
CN103031398A (zh) * | 2011-09-30 | 2013-04-10 | 鞍钢股份有限公司 | 一种转炉冶炼终点碳含量预报装置及预报方法 |
CN103642972A (zh) * | 2013-12-16 | 2014-03-19 | 新余钢铁集团有限公司 | 转炉出钢温度智能优化控制系统 |
CN105925750A (zh) * | 2016-05-13 | 2016-09-07 | 南阳理工学院 | 一种基于神经网络的炼钢终点预测方法 |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109234491A (zh) * | 2018-11-20 | 2019-01-18 | 北京科技大学 | 一种基于极限学习机的转炉炼钢终点锰含量预测方法 |
CN109858780A (zh) * | 2019-01-14 | 2019-06-07 | 沈阳建筑大学 | 一种炼钢-连铸生产调度优化方法 |
CN109858780B (zh) * | 2019-01-14 | 2023-01-31 | 沈阳建筑大学 | 一种炼钢-连铸生产调度优化方法 |
CN109628679B (zh) * | 2019-02-15 | 2020-07-31 | 山东钢铁股份有限公司 | 一种转炉出钢判定方法 |
CN109628679A (zh) * | 2019-02-15 | 2019-04-16 | 山东钢铁股份有限公司 | 一种转炉出钢判定方法 |
CN110042188A (zh) * | 2019-04-30 | 2019-07-23 | 马鞍山钢铁股份有限公司 | 一种转炉吹炼终点温度补偿的方法 |
CN110208207A (zh) * | 2019-06-28 | 2019-09-06 | 四川工程职业技术学院 | 一种碳硫含量检测方法及检测系统 |
CN110208207B (zh) * | 2019-06-28 | 2022-03-29 | 四川工程职业技术学院 | 一种碳硫含量检测方法及检测系统 |
CN110373510B (zh) * | 2019-07-16 | 2020-04-24 | 中南大学 | 一种基于双模态切换的钢水质量窄窗口控制方法及系统 |
CN110373510A (zh) * | 2019-07-16 | 2019-10-25 | 中南大学 | 一种基于双模态切换的钢水质量窄窗口控制方法及系统 |
CN111104856A (zh) * | 2019-11-18 | 2020-05-05 | 中冶赛迪技术研究中心有限公司 | 一种转炉冶炼喷溅监控方法、系统、存储介质和设备 |
CN111104856B (zh) * | 2019-11-18 | 2023-06-30 | 中冶赛迪技术研究中心有限公司 | 一种转炉冶炼喷溅监控方法、系统、存储介质和设备 |
CN111047202A (zh) * | 2019-12-13 | 2020-04-21 | 首钢集团有限公司 | 一种铁水碳含量的校正方法 |
CN111581190A (zh) * | 2020-04-01 | 2020-08-25 | 本钢板材股份有限公司 | 一种基于历史数据下的转炉冶炼工艺指导及事故预警方法 |
CN111581190B (zh) * | 2020-04-01 | 2024-01-26 | 本钢板材股份有限公司 | 一种基于历史数据下的转炉冶炼工艺指导及事故预警方法 |
CN111893237A (zh) * | 2020-07-08 | 2020-11-06 | 北京科技大学 | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 |
CN111893237B (zh) * | 2020-07-08 | 2021-11-09 | 北京科技大学 | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 |
CN114196795A (zh) * | 2020-09-17 | 2022-03-18 | 上海梅山钢铁股份有限公司 | 一种转炉出钢过程中合金加入量的控制方法 |
CN114472546A (zh) * | 2020-10-27 | 2022-05-13 | 宝山钢铁股份有限公司 | 一种基于大数据对轧制力进行优化的方法及系统 |
CN114472546B (zh) * | 2020-10-27 | 2023-06-13 | 宝山钢铁股份有限公司 | 一种基于大数据对轧制力进行优化的方法及系统 |
CN112322842A (zh) * | 2020-11-02 | 2021-02-05 | 福建三宝钢铁有限公司 | 一种炉外精炼造渣工艺 |
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 |
CN112668234B (zh) * | 2020-12-07 | 2023-08-15 | 辽宁科技大学 | 一种转炉炼钢终点智能控制方法 |
CN112668234A (zh) * | 2020-12-07 | 2021-04-16 | 辽宁科技大学 | 一种转炉炼钢终点智能控制方法 |
WO2022198594A1 (zh) * | 2021-03-25 | 2022-09-29 | 北京凯德恒源科技发展有限公司 | 基于气体分析的转炉冶炼全过程终点碳动态控制方法 |
CN113113088B (zh) * | 2021-04-08 | 2024-03-08 | 山西晋钢智造科技实业有限公司 | 一种基于人工智能的转炉碳含量指标评估及温度分析方法 |
CN113113088A (zh) * | 2021-04-08 | 2021-07-13 | 西安道法数器信息科技有限公司 | 一种基于人工智能的转炉碳含量指标评估及温度分析方法 |
CN113239482A (zh) * | 2021-04-23 | 2021-08-10 | 北京科技大学 | 一种转炉后吹碳含量动态预测方法及装置 |
CN114854929A (zh) * | 2022-05-07 | 2022-08-05 | 北京科技大学 | 一种转炉喷吹co2钢液成分与温度实时动态预测的方法 |
CN115125363A (zh) * | 2022-06-09 | 2022-09-30 | 北京同创信通科技有限公司 | 一种智能识别废钢料斗中配料检测系统及方法 |
CN115125363B (zh) * | 2022-06-09 | 2023-10-20 | 北京同创信通科技有限公司 | 一种智能识别废钢料斗中配料检测系统及方法 |
CN114875196A (zh) * | 2022-07-01 | 2022-08-09 | 北京科技大学 | 一种转炉出钢量的确定方法和系统 |
CN114875196B (zh) * | 2022-07-01 | 2022-09-30 | 北京科技大学 | 一种转炉出钢量的确定方法和系统 |
CN115074490A (zh) * | 2022-07-20 | 2022-09-20 | 山东钢铁股份有限公司 | 一种转炉炼钢脱碳方法 |
CN115074490B (zh) * | 2022-07-20 | 2024-04-02 | 山东钢铁股份有限公司 | 一种转炉炼钢脱碳方法 |
CN115456264A (zh) * | 2022-09-01 | 2022-12-09 | 北京科技大学 | 一种中小型转炉的终点碳含量和终点温度预测方法 |
CN116434856A (zh) * | 2023-03-17 | 2023-07-14 | 北京科技大学 | 一种基于分段式氧气脱碳效率的转炉供氧量预测方法 |
CN116434856B (zh) * | 2023-03-17 | 2024-04-16 | 北京科技大学 | 一种基于分段式氧气脱碳效率的转炉供氧量预测方法 |
CN117476136B (zh) * | 2023-12-28 | 2024-03-15 | 山东松盛新材料有限公司 | 一种高纯羧酸酯合成工艺参数优化方法及系统 |
CN117476136A (zh) * | 2023-12-28 | 2024-01-30 | 山东松盛新材料有限公司 | 一种高纯羧酸酯合成工艺参数优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108676955B (zh) | 2019-07-12 |
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 | |
He et al. | Prediction model of end-point phosphorus content in BOF steelmaking process based on PCA and BP neural network | |
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 | |
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 | |
Wang et al. | Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction | |
US20090193936A1 (en) | Methods and apparatus for an oxygen furnace quality control system | |
CN113239482B (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
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 | |
CN107368125B (zh) | 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法 | |
CN110598958B (zh) | 一种钢包分级管理分析方法及系统 | |
CN105807741A (zh) | 一种工业生产流程预测方法 | |
CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
KR20150079971A (ko) | 제강 공정들의 예측, 개루프 제어 및/또는 폐루프 제어 방법 및 그 장치 | |
JP4093934B2 (ja) | モデルパラメータ決定方法及びそのプログラム,モデル予測方法及びそのプログラム | |
Li et al. | Burden surface decision using MODE with TOPSIS in blast furnace ironmkaing | |
CN110373510A (zh) | 一种基于双模态切换的钢水质量窄窗口控制方法及系统 | |
CN103194574B (zh) | 一种vod精炼终点碳含量预报模型的动态调整方法 | |
Wu et al. | Intelligent integrated optimization and control system for lead–zinc sintering process | |
CN107164597A (zh) | 一种无副枪无炉气检测一键式转炉自动炼钢方法 | |
CN107502698A (zh) | 一种适用于少渣冶炼的自动化炼钢方法 | |
KR100328937B1 (ko) | 신경망을이용한전로취련예측방법 | |
JP2001294928A (ja) | 転炉吹錬の終点制御方法 | |
CN116127345B (zh) | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 | |
Wang et al. | Predicting tapping temperature in electric arc furnace based on an ensemble pruning framework | |
CN114418464B (zh) | 一种基于案例推理的二步法冶金流程能源评价方法及系统 |
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 |