CN113435114B - 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法 - Google Patents

一种精确控制cv-rh-cc工艺路径钢种氮含量的方法 Download PDF

Info

Publication number
CN113435114B
CN113435114B CN202110694954.7A CN202110694954A CN113435114B CN 113435114 B CN113435114 B CN 113435114B CN 202110694954 A CN202110694954 A CN 202110694954A CN 113435114 B CN113435114 B CN 113435114B
Authority
CN
China
Prior art keywords
nitrogen content
nitrogen
steel
molten steel
layer
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.)
Active
Application number
CN202110694954.7A
Other languages
English (en)
Other versions
CN113435114A (zh
Inventor
胡晓光
付尚红
李应江
熊华报
邓勇
李宝庆
谢大为
张雷
杨明
吕永林
吴亚男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maanshan Iron and Steel Co Ltd
Original Assignee
Maanshan Iron and Steel Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Maanshan Iron and Steel Co Ltd filed Critical Maanshan Iron and Steel Co Ltd
Priority to CN202110694954.7A priority Critical patent/CN113435114B/zh
Publication of CN113435114A publication Critical patent/CN113435114A/zh
Application granted granted Critical
Publication of CN113435114B publication Critical patent/CN113435114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • C21C7/00—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00
    • C21C7/04—Removing impurities by adding a treating agent
    • C21C7/06—Deoxidising, e.g. killing
    • 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
    • C21C7/00—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00
    • C21C7/04—Removing impurities by adding a treating agent
    • C21C7/068—Decarburising
    • 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
    • C21C7/00—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00
    • C21C7/10—Handling in a vacuum
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Treatment Of Steel In Its Molten State (AREA)
  • Carbon Steel Or Casting Steel Manufacturing (AREA)

Abstract

本发明公开了一种精确控制CV‑RH‑CC工艺路径钢种氮含量的方法，涉及精炼技术领域，为解决遇到新钢种开发需要大量取样重新摸索增氮规律，且过程十分复杂繁琐的问题；本发明包括通过转炉工艺优化稳定RH进站条件，并确定RH基本工艺，利用BP神经网络建立钢液氮含量预测模型，利用钢液氮含量预测模型对样本集以外的转炉冶炼原始数据进行仿真，并将仿真的结果与已知的氮含量数据进行对比测试，确认训练所得结果的误差是否满足要求；将待预测氮含量的钢液的各参数，输入到钢液氮含量预测模型中，输出预测的氮含量；根据预测的氮含量以及目标值，指导RH处理时间；本发明适用于任意钢种，且方法简单、预测方便准确。

Description

一种精确控制CV-RH-CC工艺路径钢种氮含量的方法
技术领域
本发明涉及精炼技术领域，具体为一种精确控制CV-RH-CC工艺路径钢种氮含量的方法。
背景技术
氮元素对钢性能存在两个方面的影响，氮含量变化会影响HCM2S钢组织和性能，当HCM2S钢中氮含量大于71×10-6时会和硼元素反应生成BN夹杂物，从而使钢中“有效硼”量减少，降低钢的淬透性，最终影响组织和性能降低钢的成型和冷弯性能，降低钢材的韧性和塑性。在脱氮、减少增氮等方面有很多研究。另一方面，氮可以被作为一种合金元素以合金或渗入的方法加入钢中以提高钢质量分数的硬度强度，耐磨性抗蚀性，由于氮具有细化晶粒、固溶强化和缩短二次枝晶臂间距等能力，可提高锰钢的机械强度。氮在晶界上的吸附会降低锰钢的塑性。但是,因氮吸附起到细化晶粒和缩短二次枝晶臂间距的作用以及氮的固溶强化作用，又可提高冲击韧性。氮微合金化钢中可以促进V(C、N)析出，有效地细化析相的颗粒尺寸，从而大大增强钒的沉淀强化效果。氮质量分数的稳定控制对合理控制钢的性能有重要意义，钢液吸氮速率随氮分压的增大而增大，随钢液温度降低而增大,常压下吹氮10min，钢液含氮量即可超过0.10％。由于Mn元素可提高钢液中氮的溶解度且扩大奥氏体相区，Cr元素可增加钢液中氮的溶解度而缩小奥氏体相区，Ni元素可扩大奥氏体相区而减小钢液中氮的溶解度。
对于需要精确控制氮含量的CV-CT-RH-CC工艺路径钢种，采用RH提升气体增氮的方法使氮含量符合钢种要求，实际生产过程中氮含量受钢种成分、进站钢种条件、提升气体流量、真空度等很多因素的影响，很难精确控制钢水氮含量。
例如公开号为CN102296160A，名称为一种低成本RH钢水增氮控氮工艺的发明专利申请，其采用“转炉-钢包炉精炼-RH精炼-连铸”的工艺路线进行冶炼，转炉出钢采用脱氧合金化，出钢过程按钢种目标值加入钒铁合金配钒，钢包炉按正常工艺进行钢水升温、合金微调及深脱硫处理，钢水吊至RH炉后，将RH炉提升气体设置为氮气，流量按照800-1200NL/min控制，抽真空处理时间8-10min，真空结束后进行正常喂线、软吹操作，可以达到钢中氮含量在80-120ppm水平。但是该方法用于Q345C、Q345E钢种，钢种局限性大，且真空度等重要参数未进行控制。
再例如公告号为CN102634643B，名称为一种高磁导率级取向电工钢带氮含量的控制方法的发明专利，其中公开了对底吹氮气流量控制、RH极限真空度控制、RH真空室氮气循环控制，同时采用增氮冶金模型计算增氮所需要时间，预测钢液过程氮含量。但是该方法用于取向电工钢，钢种局限性大，且需要在RH处理前进行钢包增氮，钢液热量损失较大。
市面上现有的方法，在遇到新钢种开发时，无一例外地需要大量取样重新摸索增氮规律，且过程十分复杂繁琐，想要获得可靠的结果成本很高，这已经逐渐不能满足现代化的生产需求；因此，亟需一种精确控制CV-RH-CC工艺路径钢种氮含量的方法来解决这个问题。
发明内容
本发明的目的在于提供一种精确控制CV-RH-CC工艺路径钢种氮含量的方法，以解决遇到新钢种开发需要大量取样重新摸索增氮规律，且过程十分复杂繁琐的问题。
为实现上述目的，本发明提供如下技术方案：一种精确控制CV-RH-CC工艺路径钢种氮含量的方法，包括以下具体步骤：
1)通过转炉工艺优化稳定RH进站条件，并确定RH基本工艺；
2)利用包括依次连接的输入层、隐含层和输出层的BP神经网络建立钢液氮含量预测模型，建立步骤如下：
2.1)确定参数，并以参数总量作为神经元节点数m；确定输出值为氮含量一项，即输出层的节点数为n＝1；隐含层的节点数的初始值为
Figure BDA0003127863620000031
选定学习速率η；
2.2)收集多组已知的转炉冶炼参数和氮含量作为样本集，并选用MATLAB中mapminmax函数，将各参数和氮含量归一化处理为-1～1之间的数，公式为：
Figure BDA0003127863620000032
2.3)将归一化后的参数作为输入值，氮含量作为输出值，选用newff函数创建前向神经网络；输入层与隐含层之间的神经元采用logsig传递函数，激励函数为S型的对数函数；隐含层与输出层之间的神经元模型采用purelin函数；性能函数选用mse函数，训练得到钢液氮含量预测模型；
3)利用钢液氮含量预测模型对样本集以外的转炉冶炼原始数据进行仿真，并将仿真的结果与对应的氮含量数据进行对比测试，确认训练所得结果的误差是否满足要求；
4)将待预测氮含量的钢液的各参数，输入到钢液氮含量预测模型中，输出预测的氮含量；
5)根据预测的氮含量以及目标值，指导RH处理时间。
在一种较优的方案中，参数包括转炉补吹时间、钢液化学成分、真空度、钢液温度、提升气体种类及流量、真空保持期内吹氮时间、工位、真空槽编号、精炼工位、合金种类及加入量，钢液化学成分至少包括氮的理论溶解度、钢水硫含量和钢水氧含量。
在一种较优的方案中，步骤1)中转炉工艺包括转炉底吹模式，硅锰氧化期底吹流量0.03-0.06Nm3/t.min，气体类型氮气；碳氧化前期0.01-0.04Nm3/t.min，气体类型氩气；碳氧化中期0.05-0.09Nm3/t.min，气体类型氩气；碳氧化后期0.07-0.11Nm3/t.min，气体类型氩气；副吹阶段0.12-0.18Nm3/t.min，气体类型氩气。
在一种较优的方案中，步骤1)中转炉工艺包括对于产品碳含量不大于0.030％的钢种，转炉出钢不进行脱氧；对于产品碳含量大于0.030％的钢种，转炉出钢用铝粒进行脱氧及初步硅、锰合金化，出钢后底吹氮气10min。
在一种较优的方案中，步骤1)中RH基本工艺包括对于产品碳含量不大于0.010％的钢种，RH进站提升气体采用氩气，流量为130～150Nm3/h，真空度不大于2.6mbar，脱碳时间5-8min，脱碳结束后采用铝进行脱氧，真空度调整为50mar，提升气体采用氮气，流量为160～180Nm3/h；对于产品碳含量大于0.01％且不大于0.030％的钢种，RH进站提升气体采用氩气，流量为130～150Nm3/h，真空度设定50mbar，脱碳时间5-8min，脱碳结束后采用铝进行脱氧，真空度调整为50mar，提升气体采用氮气，流量为160～180Nm3/h；对于产品碳含量大于0.030％的钢种，RH进站提升气体采用氮气，流量为130～150Nm3/h，真空度不大于50mbar，提升气体采用氮气，流量为140～160Nm3/h。
在一种较优的方案中，步骤2.1)中学习速率η为0.01～0.1。
在一种较优的方案中，步骤2.3)中BP神经网络包括正向传播和反向传播，在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态；如果输出层的实际输出值与设置输出值存在的误差超过设定范围，则BP神经网络转入反向传播，将误差信号沿着原来的连接通道返回；其中误差反向传播算法即权值与阈值的学习算法采用learngdm函数，公式如下：
Figure BDA0003127863620000041
Figure BDA0003127863620000042
Figure BDA0003127863620000051
Figure BDA0003127863620000052
其中wij为输入层神经元与隐含层神经元之间的网络权值，wjk为隐含层神经元与输出层神经元之间的网络权值，代表神经元之间的连接强度；bij为输入层与隐含层之间的网络阈值，bjk为隐含层与输出层之间的网络阈值，神经元必须达到一定的阈值才能触发；E为网络输出与实际输出样本之间的误差平方和；网络通过负梯度下降学习规则自行修正权值和阈值使误差平方和逐步变小并最终达到理想误差；
隐含层输入信号从输入层节点依次传过各隐含层点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。
在一种较优的方案中，步骤3)中，运用trainlm算法进行仿真，仿真的对比测试结果误差若不满足要求则需返回步骤2.3)重新训练，直到获得满足要求的钢液氮含量预测模型。
在一种较优的方案中，步骤4)中，使用钢液氮含量预测模型，输入各输入参量，其中设输入的RH处理时间一为y1，预测出该时间钢液氮含量N1，之后输入RH处理时间二为y2，预测出该时间钢液氮含量N2；那么便能得到钢液的表观增氮速率：v＝v增氮-v脱氮＝(N2-N1)/(y2-y1)；其中v是钢液的表观增氮速率，单位为％/min；v增氮是增氮速率，单位为％/min；v脱氮是脱氮速率，单位为％/min。
在一种较优的方案中，钢液氮含量预测模型预测的氮含量与实际氮含量的偏差在±15ppm范围内。
与现有技术相比，本发明的有益效果是：
1、该精确控制CV-RH-CC工艺路径钢种氮含量的方法，适用于任意钢种，训练之后的钢液氮含量预测模型，不仅可以用于目前钢种生产过程氮含量预测，还可以用于新钢种、新工艺的开发，为将来的生产进步铺平了道路。
2、该精确控制CV-RH-CC工艺路径钢种氮含量的方法，具有方法简单、预测方便准确的特点，预测值与实际值的偏差在±15ppm范围内，且合金成分控制稳定，可有效提高产品质量，具有可观的经济效益。
附图说明
图1为本发明的BP神经网络结构示意；
图2为本发明的实施例1中的钢液氮含量预测模型预测的氮含量与实际氮含量对比，图中横坐标为RH处理时间，单位为分钟，纵坐标为氮含量百分比。
具体实施方式
一种精确控制CV-RH-CC工艺路径钢种氮含量的方法，包括以下具体步骤：
1)通过转炉工艺优化稳定RH进站条件，并确定RH基本工艺；
2)利用包括依次连接的输入层、隐含层和输出层的BP神经网络建立钢液氮含量预测模型，建立步骤如下：
2.1)确定参数，并以参数总量作为神经元节点数m；确定输出值为氮含量一项，即输出层的节点数为n＝1；隐含层的节点数的初始值为
Figure BDA0003127863620000061
选定学习速率η；
2.2)收集多组已知的转炉冶炼参数和氮含量作为样本集，并选用MATLAB中mapminmax函数，将各参数和氮含量归一化处理为-1～1之间的数，公式为：
Figure BDA0003127863620000062
2.3)将归一化后的参数作为输入值，氮含量作为输出值，选用newff函数创建前向神经网络；输入层与隐含层之间的神经元采用logsig传递函数，激励函数为S型的对数函数；隐含层与输出层之间的神经元模型采用purelin函数；性能函数选用mse函数，训练得到钢液氮含量预测模型；
3)利用钢液氮含量预测模型对样本集以外的转炉冶炼原始数据进行仿真，并将仿真的结果与对应的氮含量数据进行对比测试，确认训练所得结果的误差是否满足要求；
4)将待预测氮含量的钢液的各参数，输入到钢液氮含量预测模型中，输出预测的氮含量；
5)根据预测的氮含量以及目标值，指导RH处理时间。
上述的参数可以包括转炉补吹时间、钢液化学成分、真空度、钢液温度、提升气体种类及流量、真空保持期内吹氮时间、工位、真空槽编号、精炼工位、合金种类及加入量；其中钢液化学成分至少包括氮的理论溶解度、钢水硫含量和钢水氧含量。
上述步骤1)中，转炉工艺可包括转炉底吹模式，具体地：硅锰氧化期底吹流量0.03-0.06Nm3/t.min，气体类型氮气；碳氧化前期0.01-0.04Nm3/t.min，气体类型氩气；碳氧化中期0.05-0.09Nm3/t.min，气体类型氩气；碳氧化后期0.07-0.11Nm3/t.min，气体类型氩气；副吹阶段0.12-0.18Nm3/t.min，气体类型氩气。
上述步骤1)中，转炉工艺还可以包括：对于产品碳含量不大于0.030％的钢种，转炉出钢不进行脱氧；对于产品碳含量大于0.030％的钢种，转炉出钢用铝粒进行脱氧及初步硅、锰合金化，出钢后底吹氮气10min。
上述步骤1)中可选的，RH基本工艺包括：对于产品碳含量不大于0.010％的钢种，RH进站提升气体采用氩气，流量为130～150Nm3/h，真空度不大于2.6mbar，脱碳时间5-8min，脱碳结束后采用铝进行脱氧，真空度调整为50mar，提升气体采用氮气，流量为160～180Nm3/h；对于产品碳含量大于0.01％且不大于0.030％的钢种，RH进站提升气体采用氩气，流量为130～150Nm3/h，真空度设定50mbar，脱碳时间5-8min，脱碳结束后采用铝进行脱氧，真空度调整为50mar，提升气体采用氮气，流量为160～180Nm3/h；对于产品碳含量大于0.030％的钢种，RH进站提升气体采用氮气，流量为130～150Nm3/h，真空度不大于50mbar，提升气体采用氮气，流量为140～160Nm3/h。
上述步骤2.1)中，学习速率η不能选择太大，否则会出现算法不收敛；但也不能太小，会拉长训练时间，最好选择在0.01～0.1之间，具体还可以在此范围内再根据训练过程中梯度变化和均方误差来确定；MATLAB中通过确定net.trainparam.lr值，给定学习速率。
具体的，上述步骤2.3)中BP神经网络包括正向传播和反向传播，在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态；如果输出层的实际输出值与设置输出值存在的误差超过设定范围，则BP神经网络转入反向传播，将误差信号沿着原来的连接通道返回；其中误差反向传播算法即权值与阈值的学习算法采用learngdm函数，公式如下：
Figure BDA0003127863620000081
Figure BDA0003127863620000082
Figure BDA0003127863620000083
Figure BDA0003127863620000084
其中wij为输入层神经元与隐含层神经元之间的网络权值，wjk为隐含层神经元与输出层神经元之间的网络权值，代表神经元之间的连接强度；bij为输入层与隐含层之间的网络阈值，bjk为隐含层与输出层之间的网络阈值，神经元必须达到一定的阈值才能触发；E为网络输出与实际输出样本之间的误差平方和；t代表任一节点；网络通过负梯度下降学习规则自行修正权值和阈值使误差平方和逐步变小并最终达到理想误差；
隐含层输入信号从输入层节点依次传过各隐含层点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。
上述步骤3)中可选的，运用trainlm算法进行仿真，仿真的对比测试结果误差若不满足要求则需返回步骤2.3)重新训练，直到获得满足要求的钢液氮含量预测模型。
钢液氮含量预测模型预测的氮含量与实际氮含量的偏差基本很容易控制在±15ppm范围内。
进一步地，上述步骤4)中，使用钢液氮含量预测模型，输入各输入参量，其中设输入的RH处理时间一为y1，预测出该时间钢液氮含量N1，之后输入RH处理时间二为y2，预测出该时间钢液氮含量N2；那么便能得到钢液的表观增氮速率：v＝v增氮-v脱氮＝(N2-N1)/(y2-y1)；其中v是钢液的表观增氮速率，单位为％/min；v增氮是增氮速率，单位为％/min；v脱氮是脱氮速率，单位为％/min。
在步骤3)对比测试之前，还可以先制作使用界面，包括参数输入、训练和氮含量预测，MATLAB中，GUI界面的编制以基本的MATLAB程序设计为主，其使用方法可以为：
A.将含有BP神经网络训练数据的“xunlian”EXCEL文件夹独立放置于磁盘；
B.在运行界面选择需要预测的氮含量；
C.点击“训练”按钮开始训练BP神经网络预测模型；当模型训练完毕，即钢液氮含量预测模型建立完毕，点击“训练”按钮可再次进行训练，直到获得需要的预测模型后，停止训练；
D.输入想要预测钢种的转炉补吹时间、钢液化学成分、真空度、钢液温度、提升气体种类及流量、真空保持期内吹氮时间、工位、真空槽编号、精炼工位、合金种类及加入量。
实施例1：
300TRH精炼炉处理钢水、钢包、真空槽的条件：
(1)钢种类型：DC01EK；
(2)DC01EK钢RH破空钢水成分要求，具体见表1：
表1 DC01EK钢RH破空钢水成分要求
成分 C Si Mn P S Als N
要求 0.010～0.030 ≤0.03 0.20～0.30 ≤0.015 ≤0.012 0.020～0.070 0.050～0.075
(3)钢水量：312吨，钢水进RH碳含量：0.025％；
(4)转炉底吹模式：硅锰氧化期底吹流量0.03Nm3/t.min，气体类型氮气；碳氧化前期0.02Nm3/t.min，气体类型氩气；碳氧化中期0.07Nm3/t.min，气体类型氩气；碳氧化后期0.07Nm3/t.min，气体类型氩气；副吹阶段0.13Nm3/t.min，气体类型氩气；
(5)对于产品[C]≤0.030％的钢种，转炉出钢不进行脱氧。
(6)对于产品0.01％＜[C]≤0.030％的钢种，RH进站提升气体采用氩气，流量为130～150Nm3/h，真空度设定50mbar，脱碳时间5-8min，脱碳结束后采用铝进行脱氧，真空度调整为50mar，提升气体采用氮气，流量为160～180Nm3/h；
(7)对于产品[C]≤0.030％的钢种，RH进站提升气体采用氮气，流量为130～150Nm3/h，真空度≤2.6mbar，脱碳时间5-8min，脱碳结束后采用铝进行脱氧，提升气体采用氮气，流量为140～160Nm3/h。
(8)梳理影响CV-RH-CC钢种在RH处理过程中增氮的因素，包括转炉补吹时间、钢液化学成分、真空度、钢液温度、提升气体种类及流量、真空保持期内吹氮时间、工位、真空槽编号、精炼工位、合金种类及加入量，其中对化学成分部分进行整理形成理论溶解度C1、钢水硫含量C2、钢水氧含量C3三个影响因素，在MATLAB中建立钢液氮含量预测模型，输出项目为钢液氮含量；
(9)选取500炉需精确控制氮含量钢种的实际生产数据，对钢液氮含量预测模型的训练和仿真；
(10)GUI界面的编制；
(11)钢液氮含量预测；
(12)根据预测的氮含量以及目标值，指导RH处理时间，当预测值达到目标值时([N]＝0.0060％)，RH破空停止处理，破空后取全氧样分析钢水氮含量，结果显示钢水氮含量为0.0065％，仅相差5ppm，符合钢水成分要求；
钢液氮含量预测模型预测的氮含量与实际氮含量对比如图2所示，从图中可以看出氮含量预测值与实际值几乎完全重叠，准确度极高。
实施例2：
300TRH精炼炉处理钢水、钢包、真空槽的条件：
(1)钢种类型：MCGO；
(2)MCGO钢RH破空钢水成分要求，具体见表2：
表2 MCGO钢RH破空钢水成分要求
成分 C Si Mn P S Als N
要求 0.020～0.050 3.00～3.40 0.20～0.50 ≤0.015 0.002～0.008 0.010～0.030 0.070～0.0100
(3)钢水量：313吨，钢水进RH碳含量：0.025％；
(4)转炉底吹模式：硅锰氧化期底吹流量0.03Nm3/t.min，气体类型氮气；碳氧化前期0.03Nm3/t.min，气体类型氩气；碳氧化中期0.06Nm3/t.min，气体类型氩气；碳氧化后期0.08Nm3/t.min，气体类型氩气；副吹阶段0.14Nm3/t.min，气体类型氩气；
(5)对于产品[C]＞0.030％的钢种，转炉出钢用铝粒进行脱氧及初步硅、锰合金化，出钢后底吹氮气10min。
(6)对于产品[C]＞0.030％的钢种，RH进站提升气体采用氩气，流量为130～150Nm3/h，真空度≤50mbar，提升气体采用氮气，流量为140～160Nm3/h。
(7)梳理影响CV-RH-CC钢种在RH处理过程中增氮的因素，包括转炉补吹时间、钢液化学成分、真空度、钢液温度、提升气体种类及流量、真空保持期内吹氮时间、工位、真空槽编号、精炼工位、合金种类及加入量，其中对化学成分部分进行整理形成理论溶解度C1、钢水硫含量C2、钢水氧含量C3三个影响因素，在MATLAB中建立钢液氮含量预测模型，输出项目为钢液氮含量；
(8)选取500炉需精确控制氮含量钢种的实际生产数据，对钢液氮含量预测模型的训练和仿真；
(9)GUI界面的编制；
(10)钢液氮含量预测；
(11)根据预测的氮含量以及目标值，指导RH处理时间，当预测值达到目标值时([N]＝0.0080％)，RH破空停止处理，破空后取全氧样分析钢水氮含量，结果显示钢水氮含量为0.0082％，仅相差2ppm，符合钢水成分要求。
以上仅为本发明的较佳实施例，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求所界定的保护范围为准。
本发明未详述之处，均为本技术领域技术人员的公知技术。

Claims (7)

1.一种精确控制CV-RH-CC工艺路径钢种氮含量的方法，其特征在于，包括以下具体步骤：
1)通过转炉工艺优化稳定RH进站条件，并确定RH基本工艺；
2)利用包括依次连接的输入层、隐含层和输出层的BP神经网络建立钢液氮含量预测模型，建立步骤如下：
2.1)确定参数，并以参数总量作为神经元节点数m；确定输出值为氮含量一项，即输出层的节点数为n＝1；隐含层的节点数的初始值为
Figure FDA0003844312610000011
选定学习速率η；
2.2)收集多组已知的转炉冶炼参数和氮含量作为样本集，并选用MATLAB中mapminmax函数，将各参数和氮含量归一化处理为-1～1之间的数，公式为：
Figure FDA0003844312610000012
2.3)将归一化后的参数作为输入值，氮含量作为输出值，选用newff函数创建前向神经网络；输入层与隐含层之间的神经元采用logsig传递函数，激励函数为S型的对数函数；隐含层与输出层之间的神经元模型采用purelin函数；性能函数选用mse函数，训练得到钢液氮含量预测模型；
3)利用钢液氮含量预测模型对样本集以外的转炉冶炼原始数据进行仿真，并将仿真的结果与对应的氮含量数据进行对比测试，确认训练所得结果的误差是否满足要求；
4)将待预测氮含量的钢液的各参数，输入到钢液氮含量预测模型中，输出预测的氮含量；
5)根据预测的氮含量以及目标值，指导RH处理时间；
所述步骤1)中，转炉工艺包括转炉底吹模式，硅锰氧化期底吹流量0.03-0.06Nm3/t.min，气体类型氮气；碳氧化前期0.01-0.04Nm3/t.min，气体类型氩气；碳氧化中期0.05-0.09Nm3/t.min，气体类型氩气；碳氧化后期0.07-0.11Nm3/t.min，气体类型氩气；副吹阶段0.12-0.18Nm3/t.min，气体类型氩气；
所述步骤1)中，转炉工艺包括对于产品碳含量不大于0.030％的钢种，转炉出钢不进行脱氧；对于产品碳含量大于0.030％的钢种，转炉出钢用铝粒进行脱氧及初步硅、锰合金化，出钢后底吹氮气10min；
所述步骤1)中，RH基本工艺包括对于产品碳含量不大于0.010％的钢种，RH进站提升气体采用氩气，流量为130～150Nm3/h，真空度不大于2.6mbar，脱碳时间5-8min，脱碳结束后采用铝进行脱氧，真空度调整为50mar，提升气体采用氮气，流量为160～180Nm3/h；对于产品碳含量大于0.01％且不大于0.030％的钢种，RH进站提升气体采用氩气，流量为130～150Nm3/h，真空度设定50mbar，脱碳时间5-8min，脱碳结束后采用铝进行脱氧，真空度调整为50mar，提升气体采用氮气，流量为160～180Nm3/h；对于产品碳含量大于0.030％的钢种，RH进站提升气体采用氮气，流量为130～150Nm3/h，真空度不大于50mbar，提升气体采用氮气，流量为140～160Nm3/h。
2.根据权利要求1所述的一种精确控制CV-RH-CC工艺路径钢种氮含量的方法，其特征在于：所述参数包括转炉补吹时间、钢液化学成分、真空度、钢液温度、提升气体种类及流量、真空保持期内吹氮时间、工位、真空槽编号、精炼工位、合金种类及加入量，所述钢液化学成分至少包括氮的理论溶解度、钢水硫含量和钢水氧含量。
3.根据权利要求1所述的一种精确控制CV-RH-CC工艺路径钢种氮含量的方法，其特征在于：所述步骤2.1)中，学习速率η为0.01～0.1。
4.根据权利要求1所述的一种精确控制CV-RH-CC工艺路径钢种氮含量的方法，其特征在于：所述步骤2.3)中，BP神经网络包括正向传播和反向传播，在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态；如果输出层的实际输出值与设置输出值存在的误差超过设定范围，则BP神经网络转入反向传播，将误差信号沿着原来的连接通道返回；其中误差反向传播算法即权值与阈值的学习算法采用learngdm函数，公式如下：
Figure FDA0003844312610000031
Figure FDA0003844312610000032
Figure FDA0003844312610000033
Figure FDA0003844312610000034
其中wij为输入层神经元与隐含层神经元之间的网络权值，wjk为隐含层神经元与输出层神经元之间的网络权值，代表神经元之间的连接强度；bij为输入层与隐含层之间的网络阈值，bjk为隐含层与输出层之间的网络阈值，神经元必须达到一定的阈值才能触发；E为网络输出与实际输出样本之间的误差平方和；网络通过负梯度下降学习规则自行修正权值和阈值使误差平方和逐步变小并最终达到理想误差；
所述隐含层输入信号从输入层节点依次传过各隐含层点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。
5.根据权利要求1所述的一种精确控制CV-RH-CC工艺路径钢种氮含量的方法，其特征在于：所述步骤3)中，运用trainlm算法进行仿真，仿真的对比测试结果误差若不满足要求则需返回步骤2.3)重新训练，直到获得满足要求的钢液氮含量预测模型。
6.根据权利要求1所述的一种精确控制CV-RH-CC工艺路径钢种氮含量的方法，其特征在于：所述步骤4)中，使用钢液氮含量预测模型，输入各输入参量，其中设输入的RH处理时间一为y1，预测出该时间钢液氮含量N1，之后输入RH处理时间二为y2，预测出该时间钢液氮含量N2；那么便能得到钢液的表观增氮速率：v＝v增氮-v脱氮＝(N2-N1)/(y2-y1)；其中v是钢液的表观增氮速率，单位为％/min；v增氮是增氮速率，单位为％/min；v脱氮是脱氮速率，单位为％/min。
7.根据权利要求1所述的一种精确控制CV-RH-CC工艺路径钢种氮含量的方法，其特征在于：所述钢液氮含量预测模型预测的氮含量与实际氮含量的偏差在±15ppm范围内。
CN202110694954.7A 2021-06-23 2021-06-23 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法 Active CN113435114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110694954.7A CN113435114B (zh) 2021-06-23 2021-06-23 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110694954.7A CN113435114B (zh) 2021-06-23 2021-06-23 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法

Publications (2)

Publication Number Publication Date
CN113435114A CN113435114A (zh) 2021-09-24
CN113435114B true CN113435114B (zh) 2022-11-22

Family

ID=77757287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110694954.7A Active CN113435114B (zh) 2021-06-23 2021-06-23 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法

Country Status (1)

Country Link
CN (1) CN113435114B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114107608B (zh) * 2021-11-02 2023-03-24 北京首钢股份有限公司 一种炉外精炼中氮含量的控制方法
CN114107610B (zh) * 2021-11-26 2022-09-09 宝武集团鄂城钢铁有限公司 一种真空增氮精炼的方法
CN114689816A (zh) * 2022-04-22 2022-07-01 湖南华菱涟源钢铁有限公司 一种预测rh增氮量的方法
CN116640906B (zh) * 2023-07-27 2023-10-20 江苏永钢集团有限公司 一种基于5g技术的钢包底吹二氧化碳冶炼方法及系统
CN117634340B (zh) * 2023-11-20 2024-05-24 北京科技大学 一种底吹氩钢包脱硫效果的判定方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102787202A (zh) * 2011-12-07 2012-11-21 鞍钢股份有限公司 一种控制低氮钢氮含量的方法
CN102787215A (zh) * 2011-05-19 2012-11-21 宝山钢铁股份有限公司 搪瓷钢的rh增氮控制方法
CN103361460A (zh) * 2012-12-18 2013-10-23 莱芜钢铁集团有限公司 一种有效控制异型坯中气体含量的生产方法
CN103468857A (zh) * 2013-08-29 2013-12-25 攀钢集团攀枝花钢铁研究院有限公司 一种转炉冶炼控制钢水中氮含量的方法
CN108763848A (zh) * 2018-02-10 2018-11-06 江西航天经纬化工有限公司 一种基于bp人工神经网络的推进剂力学性能预测方法
CN109957637A (zh) * 2019-03-27 2019-07-02 北京科技大学 一种rh喷吹co2精炼超低碳钢的动态控制方法
CN110106304A (zh) * 2019-04-23 2019-08-09 邯郸钢铁集团有限责任公司 超低氮if钢的转炉冶炼方法
KR20200035550A (ko) * 2018-09-27 2020-04-06 현대제철 주식회사 인공신경망 기법을 활용한 전로 출강 온도 예측 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1279356C (zh) * 2004-05-12 2006-10-11 浙江大学 基于限定记忆部分最小二乘算法的4－cba含量在线软测量建模方法
DE102009011490A1 (de) * 2008-12-11 2010-06-17 Envicon Klärtechnik Verwaltungsgesellschaft mbH Verfahren zur belastungsabhängigen Regelung der Nitrifikation und Denitrifikation in Abwasserbehandlungsanlagen mit vorgeschalteter Denitrifikation
CN107169599B (zh) * 2017-05-12 2020-04-14 东北大学 一种基于钢铁企业能源系统的多目标优化调度方法
CN112481551B (zh) * 2020-11-04 2022-05-03 河南中原特钢装备制造有限公司 一种电站用钢wb36v及其冶炼连铸生产工艺

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102787215A (zh) * 2011-05-19 2012-11-21 宝山钢铁股份有限公司 搪瓷钢的rh增氮控制方法
CN102787202A (zh) * 2011-12-07 2012-11-21 鞍钢股份有限公司 一种控制低氮钢氮含量的方法
CN103361460A (zh) * 2012-12-18 2013-10-23 莱芜钢铁集团有限公司 一种有效控制异型坯中气体含量的生产方法
CN103468857A (zh) * 2013-08-29 2013-12-25 攀钢集团攀枝花钢铁研究院有限公司 一种转炉冶炼控制钢水中氮含量的方法
CN108763848A (zh) * 2018-02-10 2018-11-06 江西航天经纬化工有限公司 一种基于bp人工神经网络的推进剂力学性能预测方法
KR20200035550A (ko) * 2018-09-27 2020-04-06 현대제철 주식회사 인공신경망 기법을 활용한 전로 출강 온도 예측 방법
CN109957637A (zh) * 2019-03-27 2019-07-02 北京科技大学 一种rh喷吹co2精炼超低碳钢的动态控制方法
CN110106304A (zh) * 2019-04-23 2019-08-09 邯郸钢铁集团有限责任公司 超低氮if钢的转炉冶炼方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
100 t BOF-LF-RH-CC工艺冶炼结构钢时钢中氮的行为及控制;陆锦祥等;《特殊钢》;20091201(第06期);第26-28页 *
300 t转炉IF钢低枪位低终点氧冶炼工艺实践;邱在军;《特殊钢》;20201231;第51-54页 *
An accuracy model for on-line prediction of effluent ammonia nitrogen in anammox treatment system based on pca-bp algorithm;Bin Xie等;《2017 2nd IEEE International Conference on Computational Intelligence and Applications (ICCIA)》;20171207;第402-406页 *
RH精炼过程钢水全氧量变化研究;朱万军等;《冶金自动化》;20141231;第33-36页 *
鞍钢260t转炉底吹工艺优化与实践;朱国强等;《鞍钢技术》;20161215(第06期);第45-48页 *

Also Published As

Publication number Publication date
CN113435114A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN113435114B (zh) 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法
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
CN113343576B (zh) 基于深度神经网络的钙处理过程中钙的收得率的预测方法
JP5397154B2 (ja) 高強度・高耐食性油井管用鋼材の溶製方法
EP3770279B1 (en) Molten metal component estimation device, molten metal component estimation method, and molten metal production method
Sala et al. Multivariate time series for data-driven endpoint prediction in the basic oxygen furnace
CN110714164A (zh) 一种高品质煤矿链环用Cr54钢及其生产方法
CN112011716A (zh) 一种稀土铈微合金化生产h40钢的制备方法
CN114540716A (zh) 一种壁厚≥600mm高强韧高寿命水下采油树阀体用钢及其热处理方法和生产方法
CN107663562A (zh) 超低碳超低硅钢冶炼过程中防止硅含量增加的方法
JP5087840B2 (ja) 真空脱ガス設備における脱炭終点判定方法
CN116469481A (zh) 一种基于XGBoost算法的LF精炼钢水成分预报方法
CN104087705B (zh) 控制高氮钢氮含量的方法
CN112442570A (zh) 一种钢包钛铁加入装置及钢包钛铁加入工艺
CN105160127B (zh) 基于csp流程热连轧生产线q235b钢种的性能预测方法
CN100507018C (zh) 一种确定rh精炼过程中吹氧量和冷材加入量的方法
JP6436121B2 (ja) ステンレス鋼溶湯の二次精錬方法
CN104532103B (zh) 一种保淬透性齿轮钢的成分控制方法
CN113151737B (zh) 一种抗氢致裂纹的08Ni3DR钢板及其制造方法
CN110846470A (zh) 一种准确控制rh精炼低碳钢中碳含量的方法
CN117437989A (zh) 一种提高钢水中元素收得率的方法
EP4209601A1 (en) Smelting process control device and smelting process control method
CN116987838A (zh) 一种大型转炉冶炼超低锰钢的锰含量控制方法
CN114713640A (zh) 一种含Nb成分热轧直条HRB400钢筋的生产控制方法
CN117551932A (zh) 含铌钢及低铁水单耗下提高含铌钢中铌收得率的方法

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