CN115011759A - 一种铁水预处理脱硫扒渣智能方法 - Google Patents
一种铁水预处理脱硫扒渣智能方法 Download PDFInfo
- Publication number
- CN115011759A CN115011759A CN202210745279.0A CN202210745279A CN115011759A CN 115011759 A CN115011759 A CN 115011759A CN 202210745279 A CN202210745279 A CN 202210745279A CN 115011759 A CN115011759 A CN 115011759A
- Authority
- CN
- China
- Prior art keywords
- desulfurization
- model
- intelligent
- molten iron
- slagging
- 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
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 182
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 112
- 230000023556 desulfurization Effects 0.000 title claims abstract description 111
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003756 stirring Methods 0.000 claims abstract description 37
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 238000007418 data mining Methods 0.000 claims abstract description 20
- 230000003009 desulfurizing effect Effects 0.000 claims abstract description 19
- 238000003780 insertion Methods 0.000 claims abstract description 18
- 230000037431 insertion Effects 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 17
- 239000002184 metal Substances 0.000 claims abstract description 13
- 229910052751 metal Inorganic materials 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims abstract description 9
- 229910052717 sulfur Inorganic materials 0.000 claims abstract description 9
- 239000011593 sulfur Substances 0.000 claims abstract description 9
- 230000008878 coupling Effects 0.000 claims abstract description 7
- 238000010168 coupling process Methods 0.000 claims abstract description 7
- 238000005859 coupling reaction Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims abstract description 7
- 239000002893 slag Substances 0.000 claims description 59
- 239000003795 chemical substances by application Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004090 dissolution Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010406 interfacial reaction Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 238000009628 steelmaking Methods 0.000 abstract description 11
- 229910000831 Steel Inorganic materials 0.000 description 10
- 239000010959 steel Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 1
- 229910004261 CaF 2 Inorganic materials 0.000 description 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- MBMLMWLHJBBADN-UHFFFAOYSA-N Ferrous sulfide Chemical compound [Fe]=S MBMLMWLHJBBADN-UHFFFAOYSA-N 0.000 description 1
- 102000005298 Iron-Sulfur Proteins Human genes 0.000 description 1
- 108010081409 Iron-Sulfur Proteins Proteins 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 239000010436 fluorite Substances 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010907 mechanical stirring Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
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
- 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
- C21C7/064—Dephosphorising; Desulfurising
-
- 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
- C21C1/00—Refining of pig-iron; Cast iron
- C21C1/02—Dephosphorising or desulfurising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- 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
- Y02P10/20—Recycling
Abstract
本发明公开一种铁水预处理脱硫扒渣智能方法。包括以下步骤：铁水罐车行走至处理位，并获取铁水数据；利用智能倾翻模型，自动倾翻铁水罐；通过智能扒渣模型，进行脱硫前扒渣；使用测温取样机器人进行脱硫前测温取样，获取脱硫前铁水数据；通过智能倾翻模型，自动回位铁水罐；根据目标硫含量，计算脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度；根据历史大数据，使用机器学习算法进行数据挖掘，优化脱硫数据挖掘模型；耦合机理模型和数据挖掘模型，建立具备自学习功能的智能脱硫模型，将脱硫数据作为指令下发至脱硫控制系统；脱硫控制系统通过PLC控制完成脱硫过程。本发明实现了脱硫扒渣的智能闭环控制和全程无人干预，降低炼钢生产成本。
Description
技术领域
本发明涉及钢铁冶金和智能制造技术领域，更具体地说，涉及一种铁水预处理脱硫扒渣智能方法。
背景技术
铁水预处理脱硫可以在炼钢工序前进行铁水炉外预处理脱硫，使铁水中的硫含量在进入转炉之前达到较低水平，从而减小炼钢和精炼的脱硫压力，提高钢材的产品质量和使用性能，有效提高炼钢的经济技术水平。在现代钢铁生产流程中，铁水预处理脱硫工艺已经成为生产高品质钢的关键工序之一，在提高钢铁企业综合竞争力中发挥重要作用。
KR法作为一种具有脱硫剂消耗低、脱硫效果好、处理周期短等优点的机械搅拌脱硫法，广泛应用于钢铁企业。目前，国内大部分钢铁企业的KR法铁水预处理脱硫工艺，脱硫剂加入量和搅拌参数都是根据生产经验设定，生产模式较为粗放，脱硫剂利用率低，脱硫效果未能达到预期水平。并且，各项操作尤其是倾翻、扒渣，需要手动控制，工作环境恶劣，劳动强度较高，高度依赖人工经验，距离自动化和智能化程度仍有较大差距。
因此，本发明提出一种铁水预处理脱硫扒渣智能方法，通过智能倾翻模型、智能脱硫模型和智能扒渣模型，实现脱硫扒渣的智能闭环控制和全程无人干预，进而实现一键脱硫扒渣，降低脱硫剂消耗，提高脱硫扒渣效果，减轻操作人员劳动强度，降低钢铁企业人力成本，降低炼钢生产成本。
发明内容
针对现有技术存在的缺陷与不足，本发明提供一种铁水预处理脱硫扒渣智能方法，通过智能倾翻模型、智能脱硫模型和智能扒渣模型，实现脱硫扒渣的智能闭环控制和全程无人干预，进而实现一键脱硫扒渣，降低脱硫剂消耗，提高脱硫扒渣效果，减轻操作人员劳动强度，降低钢铁企业人力成本，降低炼钢生产成本。
为达到上述目的，本发明铁水预处理脱硫扒渣智能方法，包括以下步骤：
步骤一：铁水罐车行走至处理位，并获取铁水数据；
步骤二：利用智能倾翻模型，结合基于机器视觉的渣铁溢出预警AI，自动倾翻铁水罐；
步骤三：通过智能扒渣模型，基于机器视觉智能规划扒渣路径，进行脱硫前扒渣；
步骤四：使用测温取样机器人进行脱硫前测温取样，获取脱硫前铁水数据；
步骤五：通过智能倾翻模型，结合基于机器视觉的渣铁溢出预警AI，自动回位铁水罐；
步骤六：根据目标硫含量，使用脱硫机理模型计算脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度；
步骤七：根据历史大数据，使用机器学习算法进行数据挖掘，通过模型训练以及迭代训练，建立、优化脱硫数据挖掘模型，计算脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度；
步骤八：耦合机理模型和数据挖掘模型，建立具备自学习功能的智能脱硫模型，将脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度等数据作为指令下发至脱硫控制系统；
步骤九：脱硫控制系统根据下发指令，通过PLC，完成脱硫过程。
进一步的，所述的方法还包括以下步骤：
步骤十：通过智能倾翻模型，结合基于机器视觉的渣铁溢出预警AI，自动倾翻铁水罐；
步骤十一：通过智能扒渣模型，基于机器视觉智能规划扒渣路径，进行脱硫后扒渣；
步骤十二：使用测温取样机器人进行脱硫后测温取样，获取脱硫后铁水温度、硫含量等数据；
步骤十三：通过智能倾翻模型，结合基于机器视觉的渣铁溢出预警AI，自动回位铁水罐；
步骤十四：铁水罐车行走至吊罐位，完成铁水预处理脱硫扒渣。
进一步的，所述的步骤一中，是通过铁水罐号查询铁前MES，自动获取铁水重量、炉渣重量数据。
进一步的，所述的智能倾翻模型根据铁水重量、炉渣重量数据，结合铁水罐结构尺寸，自动计算倾动力矩，设定最优倾动角度；渣铁溢出预警AI基于工业相机和机器视觉，在倾翻过程中实时监控，提前发出渣铁溢出预警信号。
进一步的，所述的智能扒渣模型通过工业相机和机器视觉，自动识别炉渣分布、厚度和粘度信息，通过专家系统和遗传算法，规划扒渣路径，自动控制扒渣设备完成脱硫前、脱硫后扒渣，根据扒渣质量判定，进行自学习，智能优化扒渣路径。
进一步的，所述的测温取样机器人包括测温取样枪和测温取样枪自动升降装置，通过PLC，完成测温取样数据采集。
进一步的，所述脱硫机理模型包括脱硫反应热力学模型和动力学模型，其中，热力学模型根据热力学平衡，计算脱硫剂加入量，动力学模型根据界面反应动力学和溶解反应动力学，以及两者权重，计算搅拌器插入深度、搅拌时间和搅拌速度。
进一步的，所述的步骤七中，根据历史大数据，以炉次作为单位，根据工艺要求剔除异常数据后，构建样本集，随机抽取部分样本作为训练集，剩余样本作为验证集和测试集，使用机器学习算法进行数据挖掘，通过模型训练，建立脱硫数据驱动模型，计算脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度数据。
进一步的，所述的步骤八中，根据历史大数据积累，优化样本集，进行模型迭代训练，优化脱硫数据驱动模型，修正脱硫机理模型；耦合机理模型和数据挖掘模型，建立具备自学习功能的智能脱硫模型，将脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度作为指令下发至脱硫控制系统。
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
本发明可以通过耦合机理模型和数据挖掘模型，基于大数据和机器学习算法，建立具备自学习功能的智能脱硫模型，解决传统脱硫模型高度依赖生产经验、模型精度难以满足生产要求等问题，降低脱硫剂消耗，提高脱硫效果，降低生产成本。通过智能倾翻模型、智能扒渣模型、机器人等，结合智能传感、智能装备、工业相机、机器视觉等，解决传统脱硫操作尤其扒渣操作高度依靠人工操作、作业模式较为粗放等问题，降低扒渣铁损，缩短扒渣周期。实现脱硫扒渣的智能闭环控制和全程无人干预，降低炼钢生产成本，提高自动化和智能化水平。
附图说明
图1为本发明的工艺流程图；
图2为本发明的智能倾翻模型示意图；
图3为本发明的智能扒渣模型示意图；
图4为本发明的智能脱硫模型示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明的一实施例，实施例1
本实施例的一种铁水预处理脱硫扒渣智能方法，包括智能倾翻模型、智能脱硫模型、智能扒渣模型、机器人等。某钢铁企业转炉公称容量150t，使用KR法进行铁水预处理脱硫，采用石灰、萤石等作为脱硫剂，铁水经过脱硫处理，提高产品质量和连铸坯合格率，减轻高炉、转炉和精炼的脱硫负担，扩大冶炼品种，降低生产成本，优化生产工艺。铁水供应采用一罐制，由铁水罐车经铁路运输至炼钢加料跨，由天车吊运至脱硫台车上，进入脱硫工序，通过本发明的铁水预处理脱硫扒渣智能方法，进行脱硫扒渣，其步骤为：
步骤一：铁水罐车行走至处理位，使用射频识别技术进行铁水罐号自动识别，查询铁前MES，自动获取铁水重量～150t、炉渣重量等数据；
步骤二：根据铁水罐结构尺寸，以及铁水重量和炉渣重量等数据，通过智能倾翻模型，自动计算倾动力矩，设定最优倾动角度，使用激光测距仪进行定位，自动倾翻至扒渣位；通过工业相机实时监控倾翻过程，通过渣铁溢出预警AI，提前发出渣铁溢出预警信号，预防渣铁溢出；
步骤三：通过基于工业相机和机器视觉的智能扒渣模型，识别炉渣分布、厚度和粘度等信息，通过专家系统和遗传算法，智能规划扒渣路径，完成脱硫前扒渣；根据扒渣质量判定，进行自学习，智能优化扒渣路径，进行智能扒渣模型自学习；
步骤四：使用机器人进行测温取样，获取脱硫前铁水温度1250℃～1350℃、硫含量0.030～0.040％等数据；测温取样机器人包括测温取样枪和测温取样枪自动升降装置，通过PLC，完成测温取样数据采集；
步骤五：通过智能倾翻模型，使用激光测距仪进行定位，自动回位铁水罐；
步骤六：查询钢后MES，获取目标硫含量为0.005％以下，使用脱硫机理模型计算脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度等数据；其中，脱硫剂组分为CaO≥80％，CaF2：3％～5％，以及Al2O3等其他组分；脱硫机理模型包括脱硫反应热力学模型和动力学模型，其中，热力学模型根据热力学平衡，计算脱硫剂加入量等数据，动力学模型根据界面反应动力学和溶解反应动力学，以及两者权重，计算搅拌器插入深度、搅拌时间和搅拌速度等数据；
步骤七：根据历史大数据，使用机器学习算法进行数据挖掘，通过模型训练以及迭代训练，建立、优化脱硫数据挖掘模型，计算脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度等数据；具体的：根据历史大数据，以炉次作为单位，根据工艺要求剔除异常数据后，构建样本集，随机抽取部分样本作为训练集，剩余样本作为验证集和测试集，使用机器学习算法进行数据挖掘，通过模型训练，建立脱硫数据驱动模型，计算脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度等数据；上述的机器学习算法包括线性回归、Logistic回归、决策树、朴素贝叶斯、K近邻、支持向量机、人工神经网络等中的一种或多种；
步骤八：当样本数量不足时，使用机理模型，进行脱硫参数计算，当样本数量足够时，通过机器学习算法训练数据挖掘模型，进行脱硫参数计算，同时修正机理模型参数；耦合机理模型和数据挖掘模型，建立具备自学习功能的智能脱硫模型，计算脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度等数据，作为指令下发至脱硫控制系统；计算脱硫后铁水重量、炉渣重量等数据，下发至智能倾翻模型；其中，样本数量70％作为训练集，20％作为验证集，10％作为测试集；步骤九：脱硫控制系统根据下发指令，通过PLC，自动完成脱硫过程；
步骤十：根据脱硫后铁水重量、炉渣重量等信息，通过智能倾翻模型，自动计算倾动力矩，设定最优倾动角度，使用激光测距仪进行定位，自动倾翻至；通过工业相机实时监控倾翻过程，通过渣铁溢出预警AI，提前发出渣铁溢出预警信号，预防渣铁溢出；
步骤十一：通过基于工业相机和机器视觉的智能扒渣模型，自动识别炉渣分布、厚度和粘度等信息，通过专家系统和遗传算法，智能规划扒渣路径，完成脱硫后扒渣；根据扒渣质量判定，进行自学习，智能优化扒渣路径，进行智能扒渣模型自学习；
步骤十二：使用机器人进行测温取样，获取脱硫后铁水温度、硫含量等数据；
步骤十三：通过智能倾翻模型，使用激光测距仪进行定位，自动回位铁水罐；
步骤十四：铁水罐车行走至吊罐位，完成铁水预处理脱硫扒渣；天车根据铁水罐起吊信号和转炉炼钢信号，吊起铁水罐送去转炉炼钢；
基于机理模型、数据挖掘模型，结合工业相机和机器视觉，建立智能倾翻模型、智能脱硫模型和智能扒渣模型，结合智能传感、智能装备、机器人等，实现智能闭环控制和全程无人干预，提高脱硫扒渣效果，实现减员增效，降低炼钢生产成本，提高自动化和智能化水平。
本发明通过铁水预处理脱硫扒渣智能方法，全程自动化率达到99.6％以上，脱硫终点命中率达到98％以上，铁水硫含量降低至0.005％以下，脱硫剂消耗量5～7kg/t，脱硫时间降低3～5min，扒渣时间降至8～12min，铁损降低15～25％，操作人员减少2～3人，实现智能闭环控制和全程无人干预，提高脱硫扒渣效果，降低过程铁损，提高自动化和智能化水平。
在本说明书的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，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以所述权利要求的保护范围为准。
Claims (9)
1.一种铁水预处理脱硫扒渣智能方法，其特征在于，所述的方法包括以下步骤：
步骤一：铁水罐车行走至处理位，并获取铁水数据；
步骤二：利用智能倾翻模型，结合基于机器视觉的渣铁溢出预警AI，自动倾翻铁水罐；
步骤三：通过智能扒渣模型，基于机器视觉智能规划扒渣路径，进行脱硫前扒渣；
步骤四：使用测温取样机器人进行脱硫前测温取样，获取脱硫前铁水数据；
步骤五：通过智能倾翻模型，结合基于机器视觉的渣铁溢出预警AI，自动回位铁水罐；
步骤六：根据目标硫含量，使用脱硫机理模型计算脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度；
步骤七：根据历史大数据，使用机器学习算法进行数据挖掘，通过模型训练以及迭代训练，建立、优化脱硫数据挖掘模型，计算脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度；
步骤八：耦合机理模型和数据挖掘模型，建立具备自学习功能的智能脱硫模型，将脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度等数据作为指令下发至脱硫控制系统；
步骤九：脱硫控制系统根据下发指令，通过PLC，完成脱硫过程。
2.如权利要求1所述的铁水预处理脱硫扒渣智能方法，其特征在于，所述的方法还包括以下步骤：
步骤十：通过智能倾翻模型，结合基于机器视觉的渣铁溢出预警AI，自动倾翻铁水罐；
步骤十一：通过智能扒渣模型，基于机器视觉智能规划扒渣路径，进行脱硫后扒渣；
步骤十二：使用测温取样机器人进行脱硫后测温取样，获取脱硫后铁水温度、硫含量等数据；
步骤十三：通过智能倾翻模型，结合基于机器视觉的渣铁溢出预警AI，自动回位铁水罐；
步骤十四：铁水罐车行走至吊罐位，完成铁水预处理脱硫扒渣。
3.根据权利要求1所述的一种铁水预处理脱硫扒渣智能方法，其特征在于，所述的步骤一中，是通过铁水罐号查询铁前MES，自动获取铁水重量、炉渣重量数据。
4.根据权利要求1所述的一种铁水预处理脱硫扒渣智能方法，其特征在于，所述的智能倾翻模型根据铁水重量、炉渣重量数据，结合铁水罐结构尺寸，自动计算倾动力矩，设定最优倾动角度；渣铁溢出预警AI基于工业相机和机器视觉，在倾翻过程中实时监控，提前发出渣铁溢出预警信号。
5.根据权利要求1所述的一种铁水预处理脱硫扒渣智能方法，其特征在于，所述的智能扒渣模型通过工业相机和机器视觉，自动识别炉渣分布、厚度和粘度信息，通过专家系统和遗传算法，规划扒渣路径，自动控制扒渣设备完成脱硫前、脱硫后扒渣，根据扒渣质量判定，进行自学习，智能优化扒渣路径。
6.根据权利要求1所述的一种铁水预处理脱硫扒渣智能方法，其特征在于，所述的测温取样机器人包括测温取样枪和测温取样枪自动升降装置，通过PLC，完成测温取样数据采集。
7.根据权利要求1所述的一种铁水预处理脱硫扒渣智能方法，其特征在于，所述脱硫机理模型包括脱硫反应热力学模型和动力学模型，其中，热力学模型根据热力学平衡，计算脱硫剂加入量，动力学模型根据界面反应动力学和溶解反应动力学，以及两者权重，计算搅拌器插入深度、搅拌时间和搅拌速度。
8.根据权利要求1所述的一种铁水预处理脱硫扒渣智能方法，其特征在于，所述的步骤七中，根据历史大数据，以炉次作为单位，根据工艺要求剔除异常数据后，构建样本集，随机抽取部分样本作为训练集，剩余样本作为验证集和测试集，使用机器学习算法进行数据挖掘，通过模型训练，建立脱硫数据驱动模型，计算脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度数据。
9.根据权利要求1所述的一种铁水预处理脱硫扒渣智能方法，其特征在于，所述的步骤八中，根据历史大数据积累，优化样本集，进行模型迭代训练，优化脱硫数据驱动模型，修正脱硫机理模型；耦合机理模型和数据挖掘模型，建立具备自学习功能的智能脱硫模型，将脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度作为指令下发至脱硫控制系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210745279.0A CN115011759A (zh) | 2022-06-27 | 2022-06-27 | 一种铁水预处理脱硫扒渣智能方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210745279.0A CN115011759A (zh) | 2022-06-27 | 2022-06-27 | 一种铁水预处理脱硫扒渣智能方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115011759A true CN115011759A (zh) | 2022-09-06 |
Family
ID=83077641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210745279.0A Pending CN115011759A (zh) | 2022-06-27 | 2022-06-27 | 一种铁水预处理脱硫扒渣智能方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115011759A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104313246A (zh) * | 2014-11-24 | 2015-01-28 | 武汉钢铁(集团)公司 | 一种应用于kr脱硫法的控制方法 |
| CN111349753A (zh) * | 2020-05-08 | 2020-06-30 | 衡阳镭目科技有限责任公司 | 铁水罐扒渣控制系统、扒渣机及铁水罐自动扒渣控制方法 |
| CN111979375A (zh) * | 2020-08-19 | 2020-11-24 | 武汉钢铁有限公司 | 铁水kr搅拌混合特性量化表征方法及智能脱硫方法 |
| CN112017145A (zh) * | 2019-05-31 | 2020-12-01 | 宝山钢铁股份有限公司 | 一种高效的铁水预处理自动扒渣方法和系统 |
| CN112522466A (zh) * | 2020-12-01 | 2021-03-19 | 攀钢集团西昌钢钒有限公司 | 一种脱硫最优参数的确定方法 |
| JP2021110016A (ja) * | 2020-01-14 | 2021-08-02 | 日本製鉄株式会社 | モデル構築装置、予測装置、モデル構築方法、予測方法及びコンピュータプログラム |
| CN113755667A (zh) * | 2020-06-02 | 2021-12-07 | 宝山钢铁股份有限公司 | 一种铁水预处理自动扒渣动态控制方法和系统 |
-
2022
- 2022-06-27 CN CN202210745279.0A patent/CN115011759A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104313246A (zh) * | 2014-11-24 | 2015-01-28 | 武汉钢铁(集团)公司 | 一种应用于kr脱硫法的控制方法 |
| CN112017145A (zh) * | 2019-05-31 | 2020-12-01 | 宝山钢铁股份有限公司 | 一种高效的铁水预处理自动扒渣方法和系统 |
| JP2021110016A (ja) * | 2020-01-14 | 2021-08-02 | 日本製鉄株式会社 | モデル構築装置、予測装置、モデル構築方法、予測方法及びコンピュータプログラム |
| CN111349753A (zh) * | 2020-05-08 | 2020-06-30 | 衡阳镭目科技有限责任公司 | 铁水罐扒渣控制系统、扒渣机及铁水罐自动扒渣控制方法 |
| CN113755667A (zh) * | 2020-06-02 | 2021-12-07 | 宝山钢铁股份有限公司 | 一种铁水预处理自动扒渣动态控制方法和系统 |
| CN111979375A (zh) * | 2020-08-19 | 2020-11-24 | 武汉钢铁有限公司 | 铁水kr搅拌混合特性量化表征方法及智能脱硫方法 |
| CN112522466A (zh) * | 2020-12-01 | 2021-03-19 | 攀钢集团西昌钢钒有限公司 | 一种脱硫最优参数的确定方法 |
Non-Patent Citations (4)
| Title |
|---|
| 张愉等: "铁水脱硫机械搅拌法一键脱硫技术", 冶金设备, no. 208, pages 112 - 114 * |
| 郭金恒等: "钢厂KR铁水脱硫自动化控制系统开发应用", 智慧工厂, no. 2020, pages 55 - 58 * |
| 阮艳等: "KR法铁水脱硫自动控制系统软件的编制及调试", 工业安全与环保, vol. 2004, no. 11, pages 19 - 21 * |
| 陈建: "基于数据挖掘技术的宝钢铁水脱硫数学模型的建立与应用", 中国优秀硕士学位论文全文数据库, no. 2015, pages 138 - 1688 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110413013B (zh) | 一种智能吹氩系统及其控制方法 | |
| CN110438287B (zh) | 一种用于生产sphc钢种的转炉工序控制方法 | |
| CN107937658A (zh) | 一种转炉冶炼自动智能控制系统 | |
| CN110702193A (zh) | 一种天车运输铁水智能计量方法 | |
| CN115011759A (zh) | 一种铁水预处理脱硫扒渣智能方法 | |
| CN107765550B (zh) | 一种基于钢包自动定位的稳定出钢温度的方法 | |
| CN102758052B (zh) | 一种rh轻处理模式的控制方法 | |
| CN112560218B (zh) | Lf精炼造渣石灰加入量预测方法、系统及lf精炼方法 | |
| CN115576285A (zh) | 一种lf精炼全自动生产的方法及系统 | |
| CN114150099A (zh) | 一种炼钢智慧集控方法 | |
| Liu et al. | Fine production in steelmaking plants | |
| CN115584375A (zh) | 一种基于图像识别的转炉自动出钢的方法及系统 | |
| CN115933567A (zh) | 一种智能冶炼炼钢工艺 | |
| CN113836746B (zh) | 一种稳定高炉内加料优化用流程仿真方法 | |
| JP3501293B2 (ja) | 製鋼方法および製鋼設備 | |
| CN113435037B (zh) | 一种判断300t转炉铸余冶炼前期倒渣时机的方法 | |
| CN215481043U (zh) | 一种实现铁水包加废钢的数据传输系统 | |
| CN110991772B (zh) | 一种预测转炉终渣粘度模型的高效护炉方法 | |
| CN112947114A (zh) | 一种钢包周转仿真系统及其使用方法 | |
| CN110069899A (zh) | 一种提升转炉出钢率的方法 | |
| CN116574867A (zh) | 一种超低碳钢高效rh精炼生产的方法及系统 | |
| CN115386678A (zh) | 一种基于“eaf-lf-vd-cc”炼钢流程的冶炼状态和炉号识别方法 | |
| CN114317876B (zh) | 一种转炉炼钢钢包自动配包的方法 | |
| CN115740383A (zh) | 一种钢铁精炼工序生产节奏智能控制方法及系统 | |
| CN113778035B (zh) | 一种智能粗锡冶炼系统 |
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 |