CN113961865A - 一种大型转炉精确控制tsc阶段调温剂加入量的方法 - Google Patents
一种大型转炉精确控制tsc阶段调温剂加入量的方法 Download PDFInfo
- Publication number
- CN113961865A CN113961865A CN202111051341.8A CN202111051341A CN113961865A CN 113961865 A CN113961865 A CN 113961865A CN 202111051341 A CN202111051341 A CN 202111051341A CN 113961865 A CN113961865 A CN 113961865A
- Authority
- CN
- China
- Prior art keywords
- temperature regulator
- heat
- temperature
- tsc
- addition amount
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/30—Automatic controllers with an auxiliary heating device affecting the sensing element, e.g. for anticipating change of temperature
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Materials Engineering (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明涉及一种大型转炉精确控制TSC阶段调温剂加入量的方法,属于冶金控制方法技术领域。本发明的技术方案是:冶炼计划下达后,进行调温剂控制系数的计算,根据热平衡模型指导下的BP神经网络计算计划生产炉次的调温剂加入量预测值,根据调温剂系数以及热平衡模型指导下的BP神经网络计算,最终得出调温剂加入量。本发明的有益效果是:构建转炉各影响因素间的内在联系,实现在不同物料条件下,预测大型转炉TSC阶段控制调温剂加入量,解决了大型转炉在物料种类、物料成分变化较大,操作人员工艺操作水平存在差异的不稳定条件下,TSC阶段温度控制问题,减少质量事故和生产事故,降低冶炼成本。
Description
技术领域
本发明涉及一种大型转炉精确控制TSC阶段调温剂加入量的方法,属于冶金控制方法技术领域。
背景技术
对于采用副枪控制的转炉冶炼工艺,冶炼过程分为两阶段,以副枪采用TSC探头测量为分界点,副枪测量之前的冶炼阶段称为TSC阶段。温度控制是TSC阶段的主要任务,该阶段合理的温度控制,便于转炉终点温度控制、终点碳含量控制、终点磷含量以及终点钢水氧含量的稳定控制,有利于转炉整体过程的稳定控制,有利于产品质量稳定,有利于冶炼成本降低。
转炉TSC阶段主要采用调温剂对温度进行调节,对于废钢定量装入转炉,一般热量富裕,主要采用矿石作为冷却剂,调节冶炼温度。但是在大废钢比条件下,会出现热量不足现象,此时采用硅铁作为升温剂。
调温剂加入种类以及加入量的控制,受班组冶炼水平、转炉炉龄、废钢加入量及物料稳定性的影响,涉及不同物料的溶解热,不同元素的化学反应热,冶炼过程喷溅热损失、烟气热损失等问题,不确定性因素较多,无法用普通线性规律进行预测。尤其在环保要求日益严格的情况下,炼钢工序一般会配吃钢渣类物料,该物料成分和温降效果不稳定,无法通过理论计算预测其对温度的确切影响,该物料加入量增大后,不仅会导致TSC阶段温度控制失常,严重时会导致转炉喷。
同时,由于国内各钢厂均在大量采购废钢,导致冶炼用废钢资源量不稳定,转炉用废钢加入量存在波动,普通模型计算适应性较差,导致无法准确预测TSC阶段调温剂加入量,最终导致转炉终点控制偏差。
申请号201810410253.4的专利公开了“一种转炉炼钢终点碳含量和温度控制方法”其中TSC阶段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。
申请号201611020342.5的专利公开了“一种转炉炼钢温度预报方法及服务器”该方法根据物料平衡及热平衡原理建立的理论模型,计算获得第一钢水温度,根据当前炉次信息和第一预设数量的历史炉次信息,计算获得第二钢水温度结合第一温度和第二温度最终评估终点温度。
文献[刘冬梅,邹宗树,余艾冰.基于减法聚类的模糊神经网络转炉终点温度预报模型,材料与冶金学报,2006]通过铁水碳、石灰加入量、炉耗氧量、矿石加入量、铁水初始温度和废钢比建立预测模型。
以上文献只考虑冷却剂即矿石对于转炉冶炼温度的影响,未涉及大废钢比条件下升温剂加入计算,没有考虑钢渣类非稳定物料对温度影响,没有考虑不同钢种、不同炉龄状况、不同操作人员技术水平对于温度控制的影响。无法精确控制大型转炉TSC阶段温度。
因此,需要寻找合理的方法,精确控制不同工艺和不同物料条件下调温剂加入量,最终解决TSC阶段温度控制问题。
发明内容
本发明目的是提供一种大型转炉精确控制TSC阶段调温剂加入量的方法,采用带有温度调节系数A的调温剂加入模型,通过热平衡计算与BP神经网络智能算法,构建转炉各影响因素间的内在联系,实现在不同物料条件下,预测大型转炉TSC阶段控制调温剂加入量,解决了大型转炉在物料种类、物料成分变化较大,操作人员工艺操作水平存在差异的不稳定条件下,TSC阶段温度控制问题,减少质量事故和生产事故,降低冶炼成本,有效地解决了背景技术中存在的上述问题。
本发明的技术方案是:一种大型转炉精确控制TSC阶段调温剂加入量的方法,包含以下步骤:
其中:A为调温剂控制系数,Tj为预测炉次前一炉与预测炉次生产时间间隔;Ms为实际调温剂加入量;My为预测调温剂加入量;
(2)根据热平衡模型指导下的BP神经网络计算计划生产炉次的调温剂加入量预测值,其中调温剂加入量的热平衡模型公式如下:
Qs=Qstw+Qsty+Qy
式中:Qs为热收入,Qstw为铁水物理热,Qsty为铁水元素热,Qy为烟尘热;
Qz=Qzg+Qf+Qlz+Qlq+Qzy+Qzt+Qpj+Qss
式中:Qz为热支出,Qzg为钢液物理热,Qf为废钢支出热,Qlz为炉渣支出热,Qlq为炉气支出热,Qzy为烟尘支出热,Qzt为渣铁珠喷出热,Qpj为喷溅支出热,Qss为冶炼热损失;
M=(|Qs-Qz|)/k
式中:M为调温剂加入量,k为调温剂热值;
(3)根据调温剂系数以及热平衡模型指导下的BP神经网络计算,最终得出调温剂加入量,调温剂加入量计算公式如下:
Mt=Mm×(1-A×500)
式中:Mt为调温剂最终预测加入量;Mm为调温剂模型预测加入量;A为调温剂控制系数。
所述步骤(1)中,参与调温剂控制系数A计算的训练数据为实际生产炉次的前3炉,其训练数据筛选规则为:①计算数据为计划生产前3炉,且为相同炉座生产;②当存在|Ai-A|≥35时,则将该炉次删除出训练数据,同时将预测炉次前第4炉加入训练数据参与预测,并以此类推;③当筛选至第8炉时,如依然不足3炉,则停止筛选,选择前一炉所用系数进行计算。
所述步骤(2)中,当Qs>Qz时,加入矿石降温剂,k取值为5235313;当Qs<Qz时,加入硅铁升温剂,k取值为3641289。
所述步骤(2)中,BP神经网络模型进行预测,主要架构为输入是17维数据,输出是1维数据,17维输入数据分别为机理模型调温剂加入量、班组、炉座、转炉寿命,废钢、铁水温度、铁水重量、铁水锰、铁水硅、铁水磷、钢渣、白云石加入量、石灰加入量、TSC磷、TSC锰、TSC碳和TSC温度,1维输出数据为调温剂加入量;输入数据以机理模型为基础,进行标准化处理,处理方式如下:
①根据历史数据集,求得历史数据的数据特征,以及必要的物理冶金原理,定义最大值ymax和最小值ymin。
②当遇到新的数据时,根据历史数据对齐进行归一化处理:
y是需要标准化的参数值,ymax是这一组参数自定义的最大值,ymin是这组参数自定义的最小值;
神经网络模型结构为3个隐藏层的结构,第一个隐藏层的节点数量为5个,第二个隐藏的节点数量为20个,第三个隐藏层节点数量为15个。
为提高数据精度,对预测的训练数据进行筛选,筛选规则如下:
①铁水测温时间与转炉铁水装入时间间隔大于3小时,筛选出训练数据组;
②对于铁水采用铁水喷吹脱硫工艺的炉次,如铁水预处理后温度缺失,则训练模型中,采用铁水温度减20℃;
③通过一倒吹氧量和氧枪吹氧流量计算吹氧时间,与一倒吹炼时间进行对比,如时间相差大于±5min则筛选出训练数据组。
本发明的有益效果是:采用带有温度调节系数A的调温剂加入模型,通过热平衡计算与BP神经网络智能算法,构建转炉各影响因素间的内在联系,实现在不同物料条件下,预测大型转炉TSC阶段控制调温剂加入量,解决了大型转炉在物料种类、物料成分变化较大,操作人员工艺操作水平存在差异的不稳定条件下,TSC阶段温度控制问题,减少质量事故和生产事故,降低冶炼成本。
附图说明
图1是本发明的工作流程图;
图2是本发明的BP神经网络架构图。
具体实施方式
为了使发明实施案例的目的、技术方案和优点更加清楚,下面将结合实施案例中的附图,对本发明实施案例中的技术方案进行清晰的、完整的描述,显然,所表述的实施案例是本发明一小部分实施案例,而不是全部的实施案例,基于本发明中的实施案例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施案例,都属于本发明保护范围。
一种大型转炉精确控制TSC阶段调温剂加入量的方法,包含以下步骤:
其中:A为调温剂控制系数,Tj为预测炉次前一炉与预测炉次生产时间间隔;Ms为实际调温剂加入量;My为预测调温剂加入量;
(2)根据热平衡模型指导下的BP神经网络计算计划生产炉次的调温剂加入量预测值,其中调温剂加入量的热平衡模型公式如下:
Qs=Qstw+Qsty+Qy
式中:Qs为热收入,Qstw为铁水物理热,Qsty为铁水元素热,Qy为烟尘热;
Qz=Qzg+Qf+Qlz+Qlq+Qzy+Qzt+Qpj+Qss
式中:Qz为热支出,Qzg为钢液物理热,Qf为废钢支出热,Qlz为炉渣支出热,Qlq为炉气支出热,Qzy为烟尘支出热,Qzt为渣铁珠喷出热,Qpj为喷溅支出热,Qss为冶炼热损失;
M=(|Qs-Qz|)/k
式中:M为调温剂加入量,k为调温剂热值;
(3)根据调温剂系数以及热平衡模型指导下的BP神经网络计算,最终得出调温剂加入量,调温剂加入量计算公式如下:
Mt=Mm×(1-A×500)
式中:Mt为调温剂最终预测加入量;Mm为调温剂模型预测加入量;A为调温剂控制系数。
所述步骤(1)中,参与调温剂控制系数A计算的训练数据为实际生产炉次的前3炉,其训练数据筛选规则为:①计算数据为计划生产前3炉,且为相同炉座生产;②当存在|Ai-A|≥35时,则将该炉次删除出训练数据,同时将预测炉次前第4炉加入训练数据参与预测,并以此类推;③当筛选至第8炉时,如依然不足3炉,则停止筛选,选择前一炉所用系数进行计算。
所述步骤(2)中,当Qs>Qz时,加入矿石降温剂,k取值为5235313;当Qs<Qz时,加入硅铁升温剂,k取值为3641289。
所述步骤(2)中,BP神经网络模型进行预测,主要架构为输入是17维数据,输出是1维数据,17维输入数据分别为机理模型调温剂加入量、班组、炉座、转炉寿命,废钢、铁水温度、铁水重量、铁水锰、铁水硅、铁水磷、钢渣、白云石加入量、石灰加入量、TSC磷、TSC锰、TSC碳和TSC温度,1维输出数据为调温剂加入量;输入数据以机理模型为基础,进行标准化处理,处理方式如下:
①根据历史数据集,求得历史数据的数据特征,以及必要的物理冶金原理,定义最大值ymax和最小值ymin。
②当遇到新的数据时,根据历史数据对齐进行归一化处理:
y是需要标准化的参数值,ymax是这一组参数自定义的最大值,ymin是这组参数自定义的最小值;
神经网络模型结构为3个隐藏层的结构,第一个隐藏层的节点数量为5个,第二个隐藏的节点数量为20个,第三个隐藏层节点数量为15个。
为提高数据精度,对预测的训练数据进行筛选,筛选规则如下:
①铁水测温时间与转炉铁水装入时间间隔大于3小时,筛选出训练数据组;
②对于铁水采用铁水喷吹脱硫工艺的炉次,如铁水预处理后温度缺失,则训练模型中,采用铁水温度减20℃;
③通过一倒吹氧量和氧枪吹氧流量计算吹氧时间,与一倒吹炼时间进行对比,如时间相差大于±5min则筛选出训练数据组。
实施例:
实施单位共有三座260t顶底复吹转炉,分别为1、2、3。均采用副枪控制,操作人员员工分别为1、2、3、4四个班组。原料信息如下:
TSC阶段辅料加入量、TSC温度、TSC碳以及调温剂加入量如下:
从实施例的预测结果观察,在不同炉龄、不同班组、不同装入条件下,矿石预测加入量与实际加入量偏差在2t以内,硅铁偏差在200kg以内,实际温度较设定温度偏差在±15℃以内,满足现场使用要求。
Claims (5)
1.一种大型转炉精确控制TSC阶段调温剂加入量的方法,其特征在于包含以下步骤:
其中:A为调温剂控制系数,Tj为预测炉次前一炉与预测炉次生产时间间隔;Ms为实际调温剂加入量;My为预测调温剂加入量;
(2)根据热平衡模型指导下的BP神经网络计算计划生产炉次的调温剂加入量预测值,其中调温剂加入量的热平衡模型公式如下:
Qs=Qstw+Qsty+Qy
式中:Qs为热收入,Qstw为铁水物理热,Qsty为铁水元素热,Qy为烟尘热;
Qz=Qzg+Qf+Qlz+Qlq+Qzy+Qzt+Qpj+Qss
式中:Qz为热支出,Qzg为钢液物理热,Qf为废钢支出热,Qlz为炉渣支出热,Qlq为炉气支出热,Qzy为烟尘支出热,Qzt为渣铁珠喷出热,Qpj为喷溅支出热,Qss为冶炼热损失;
M=(|Qs-Qz|)/k
式中:M为调温剂加入量,k为调温剂热值;
(3)根据调温剂系数以及热平衡模型指导下的BP神经网络计算,最终得出调温剂加入量,调温剂加入量计算公式如下:
Mt=Mm×(1-A×500)
式中:Mt为调温剂最终预测加入量;Mm为调温剂模型预测加入量;A为调温剂控制系数。
2.根据权利要求1所述的一种大型转炉精确控制TSC阶段调温剂加入量的方法,其特征在于:所述步骤(1)中,参与调温剂控制系数A计算的训练数据为实际生产炉次的前3炉,其训练数据筛选规则为:①计算数据为计划生产前3炉,且为相同炉座生产;②当存在|Ai-A|≥35时,则将该炉次删除出训练数据,同时将预测炉次前第4炉加入训练数据参与预测,并以此类推;③当筛选至第8炉时,如依然不足3炉,则停止筛选,选择前一炉所用系数进行计算。
3.根据权利要求1所述的一种大型转炉精确控制TSC阶段调温剂加入量的方法,其特征在于:所述步骤(2)中,当Qs>Qz时,加入矿石降温剂,k取值为5235313;当Qs<Qz时,加入硅铁升温剂,k取值为3641289。
4.根据权利要求1所述的一种大型转炉精确控制TSC阶段调温剂加入量的方法,其特征在于:所述步骤(2)中,BP神经网络模型进行预测,主要架构为输入是17维数据,输出是1维数据,17维输入数据分别为机理模型调温剂加入量、班组、炉座、转炉寿命,废钢、铁水温度、铁水重量、铁水锰、铁水硅、铁水磷、钢渣、白云石加入量、石灰加入量、TSC磷、TSC锰、TSC碳和TSC温度,1维输出数据为调温剂加入量;输入数据以机理模型为基础,进行标准化处理,处理方式如下:
①根据历史数据集,求得历史数据的数据特征,以及必要的物理冶金原理,定义最大值ymax和最小值ymin;
②当遇到新的数据时,根据历史数据对齐进行归一化处理:
y是需要标准化的参数值,ymax是这一组参数自定义的最大值,ymin是这组参数自定义的最小值;
神经网络模型结构为3个隐藏层的结构,第一个隐藏层的节点数量为5个,第二个隐藏的节点数量为20个,第三个隐藏层节点数量为15个。
5.根据权利要求1所述的一种大型转炉精确控制TSC阶段调温剂加入量的方法,其特征在于:为提高数据精度,对预测的训练数据进行筛选,筛选规则如下:
①铁水测温时间与转炉铁水装入时间间隔大于3小时,筛选出训练数据组;
②对于铁水采用铁水喷吹脱硫工艺的炉次,如铁水预处理后温度缺失,则训练模型中,采用铁水温度减20℃;
③通过一倒吹氧量和氧枪吹氧流量计算吹氧时间,与一倒吹炼时间进行对比,如时间相差大于±5min则筛选出训练数据组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111051341.8A CN113961865A (zh) | 2021-09-08 | 2021-09-08 | 一种大型转炉精确控制tsc阶段调温剂加入量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111051341.8A CN113961865A (zh) | 2021-09-08 | 2021-09-08 | 一种大型转炉精确控制tsc阶段调温剂加入量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113961865A true CN113961865A (zh) | 2022-01-21 |
Family
ID=79461030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111051341.8A Pending CN113961865A (zh) | 2021-09-08 | 2021-09-08 | 一种大型转炉精确控制tsc阶段调温剂加入量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113961865A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637267A (zh) * | 2022-03-16 | 2022-06-17 | 包头钢铁(集团)有限责任公司 | 用于生产控制的物热平衡模型构建方法及生产控制方法 |
CN115522012A (zh) * | 2022-08-25 | 2022-12-27 | 邯郸钢铁集团有限责任公司 | 一种大型转炉控制tsc阶段吹氧量的方法 |
-
2021
- 2021-09-08 CN CN202111051341.8A patent/CN113961865A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637267A (zh) * | 2022-03-16 | 2022-06-17 | 包头钢铁(集团)有限责任公司 | 用于生产控制的物热平衡模型构建方法及生产控制方法 |
CN114637267B (zh) * | 2022-03-16 | 2024-01-30 | 包头钢铁(集团)有限责任公司 | 用于生产控制的物热平衡模型构建方法及生产控制方法 |
CN115522012A (zh) * | 2022-08-25 | 2022-12-27 | 邯郸钢铁集团有限责任公司 | 一种大型转炉控制tsc阶段吹氧量的方法 |
CN115522012B (zh) * | 2022-08-25 | 2024-01-12 | 邯郸钢铁集团有限责任公司 | 一种大型转炉控制tsc阶段吹氧量的方法 |
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 | |
Radhakrishnan et al. | Neural networks for the identification and control of blast furnace hot metal quality | |
CN109447346A (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 | |
CN113961865A (zh) | 一种大型转炉精确控制tsc阶段调温剂加入量的方法 | |
CN108647407B (zh) | 一种转炉炼钢烟气分析定碳方法 | |
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 | |
Lin et al. | Consideration of green intelligent steel processes and narrow window stability control technology on steel quality | |
CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
CN103194553A (zh) | 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法 | |
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 | |
CN105714014A (zh) | 转炉氧枪/加料/温度制度综合简化模型系统及操作方法 | |
CN108004368A (zh) | 智能化自动炼钢方法及装置 | |
CN107703743B (zh) | 烧结矿碱度自动控制方法 | |
CN110358888B (zh) | 基于参考炉次分组的转炉冶炼控制装置及控制方法 | |
JP2012136767A (ja) | 転炉りん濃度推定方法 | |
CN107502698A (zh) | 一种适用于少渣冶炼的自动化炼钢方法 | |
CN110059940B (zh) | 一种炼钢-连铸界面衔接节能方法及系统 | |
CN116911057A (zh) | 一种转炉炼钢吹炼过程熔池温度实时预测方法 | |
CN115927784A (zh) | 一种基于co2动态混合喷吹的转炉炼钢终点控制方法 | |
CN115933567A (zh) | 一种智能冶炼炼钢工艺 | |
CN105242545B (zh) | 一种基于工艺批次模型的转炉用氧流量的预测方法 | |
CN114144532A (zh) | 工艺的控制方法、操作指导方法、高炉的操作方法、铁水的制造方法及工艺的控制装置 | |
Mariiash et al. | Model predictive control application in the energy saving technology of basic oxygen furnace | |
JP4484717B2 (ja) | 製鋼設備の操業方法 | |
Jiang et al. | Improved multivariable reasoning control method for carbon content control of argon–oxygen refining ferrochrome |
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 |