CN115576285A - 一种lf精炼全自动生产的方法及系统 - Google Patents
一种lf精炼全自动生产的方法及系统 Download PDFInfo
- Publication number
- CN115576285A CN115576285A CN202211298322.XA CN202211298322A CN115576285A CN 115576285 A CN115576285 A CN 115576285A CN 202211298322 A CN202211298322 A CN 202211298322A CN 115576285 A CN115576285 A CN 115576285A
- Authority
- CN
- China
- Prior art keywords
- slag
- calculating
- molten steel
- state
- time
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 28
- 238000007670 refining Methods 0.000 title claims abstract description 24
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 112
- 239000010959 steel Substances 0.000 claims abstract description 112
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000002893 slag Substances 0.000 claims description 92
- 238000004364 calculation method Methods 0.000 claims description 66
- 238000003723 Smelting Methods 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000007728 cost analysis Methods 0.000 claims description 28
- 238000006477 desulfuration reaction Methods 0.000 claims description 27
- 230000023556 desulfurization Effects 0.000 claims description 27
- 238000003756 stirring Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 20
- 230000000007 visual effect Effects 0.000 claims description 18
- 238000005275 alloying Methods 0.000 claims description 17
- 239000000956 alloy Substances 0.000 claims description 16
- 229910045601 alloy Inorganic materials 0.000 claims description 16
- 230000003749 cleanliness Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 13
- 238000010438 heat treatment Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 229910052786 argon Inorganic materials 0.000 claims description 10
- 238000007664 blowing Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000007667 floating Methods 0.000 claims description 10
- 238000005187 foaming Methods 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 238000009529 body temperature measurement Methods 0.000 claims description 8
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 6
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 6
- 229910052698 phosphorus Inorganic materials 0.000 claims description 6
- 239000011574 phosphorus Substances 0.000 claims description 6
- 229910052717 sulfur Inorganic materials 0.000 claims description 6
- 239000011593 sulfur Substances 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000011272 standard treatment Methods 0.000 claims description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 3
- 239000011575 calcium Substances 0.000 claims description 3
- 229910052791 calcium Inorganic materials 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000004925 denaturation Methods 0.000 claims description 3
- 230000036425 denaturation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000005485 electric heating Methods 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims description 3
- 238000010310 metallurgical process Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000001179 sorption measurement Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 2
- 238000009847 ladle furnace Methods 0.000 abstract description 39
- 230000008901 benefit Effects 0.000 abstract description 6
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
-
- 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
- C21C7/064—Dephosphorising; Desulfurising
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明公开了一种LF精炼全自动生产的方法及系统,包括如下模块:信息获取模块、吹氩搅拌模块、冶炼状态检测模块、脱硫计算模块、脱氧计算模块、造渣计算模块、循环计算模块、温度计算控制模块、洁净度计算模块、合金化计算模块、成本分析模块、自学习模块,本发明提出的冶金LF精炼控制的方法及系统,实现LF的全自动化智能化生产,进一步优化LF生产过程,进而降低成本、提高钢水质量、节约人力,具有较大的经济效益和社会效益,形成一套具有普遍适用性的LF全自动化智能控制系统,较大的实践意义和推广意义。
Description
技术领域
本发明属于炉外精炼自动化控制技术领域,具体涉及一种LF精炼全自动生产的方法及系统。
背景技术
在现在钢铁企业中,在LF工序可以进行脱氧剂加入、造渣剂加入、吹氩搅拌、电极加热、合金加入、喂线等操作,对应着LF承担着脱硫、脱氧、调温、成分控制、洁净度控制和缓冲节奏等功能,是钢铁生产链过程中重要的一环。LF操作灵活,工艺操作多变,处理时间不固定,冶炼状态依靠人工判断,造成了LF不能够实现全自动一键式生产,模式没有固定,冶炼过程成本也没有到最优化。目前,在全世界范围内,没有具有普遍适应性的LF全自动化生产控制系统。
随着人工智能、大数据等技术的不断成熟,钢铁全产线智能化大势所趋,在此技术背景下,实现LF的全自动化智能化生产,进一步优化LF生产过程,进而降低成本、提高钢水质量、节约人力,具有较大的经济效益和社会效益,形成一套具有普遍适用性的LF全自动化智能控制系统,较大的实践意义和推广意义,为此本发明提出了一种LF精炼全自动生产的方法及系统。
发明内容
本发明的目的在于提供一种LF精炼全自动生产的方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种LF精炼全自动生产系统,包括如下模块:信息获取模块、吹氩搅拌模块、冶炼状态检测模块、脱硫计算模块、脱氧计算模块、造渣计算模块、循环计算模块、温度计算控制模块、洁净度计算模块、合金化计算模块、成本分析模块、自学习模块;
信息获取模块:循环获取生产计划信息、目标出站时间、目标钢水成分和温度、目标钢水洁净度、辅料合金信息和设备信息;
吹氩搅拌模块:计算并控制LF冶炼过程中各阶段适宜氩气搅拌;
冶炼状态视觉检测模块:通过深度学习视觉算法,获取渣状态、渣厚、钢水搅拌状态、发泡状态,获取回渣量及其成分和钢包状态信息;
脱硫计算模块:计算脱硫所需的渣要求、碱度、必要的脱硫时间;
脱氧计算模块:计算钢水钢渣中的实时氧含量,计算脱氧剂需要量;
造渣计算模块:计算熔渣的碱度、氧化性、粘度、流动性、界面张力、活性、发泡能力、渣量、夹杂物容量,根据现有原料条件计算钢渣的加料组合,实现熔渣精确控制;
循环计算模块:由事件触发,在设定的周期内循环计算显示钢水状态信息和钢渣状态信息;
温度计算控制模块:根据能量守恒原理,由循环计算和时间触发,计算周期内能量变化,实时计算和显示钢水的计算温度和达到目标温度所需的加热操作;
洁净度计算模块:计算钢水冶炼过程各因素对夹杂物产生影响,根据热力学动力学原理和大数据算法计算钢水中的夹杂物的数量、形态和种类;
合金化计算模块:以成本最优为目标,计算要达到目标钢水成分时需要各种合金量;
自学习模块:对冶炼状态较好的炉次进行滚动自学习,修正自学习参数,完善各个模型性能;
成本分析模块:计算冶炼各阶段的成本组成,合金收得率和电加热效率,并对冶炼操作进行成本最优分析,通过启发式算法寻求最优成本操作。
优选的,所述系统依据冶金原理、深度学习算法和大数据算法建立LF精炼模型,包括脱硫模型、脱氧模型、温度模型、合金化模型、钢水钢渣计算模型、夹杂物模型以及成本分析优化模型,在计算符合冶金过程的基础上,提高模型计算精度和适用性。
优选的,采用深度学习视觉算法,建立冶炼状态视觉检测模块,获取渣状态、渣厚、钢水搅拌状态、发泡状态,获取回渣量和钢包状态信息;实现冶炼过程状态信息的自动精确获取。
一种LF精炼全自动生产的方法,包含以下步骤:
步骤S1,获取钢水信息,如果有测温取样信息和钢渣化验信息,则采用最新的测温取样信息作为此炉钢水的状态信息,如果没有则采用上次采样信息和过程事件信息通过模型计算作为钢水的状态信息;
步骤S2,获取钢水目标出站信息,获取钢水目标的成分要求、温度要求和洁净度要求,并结合时间因素,计算目前钢水各项指标距离出站指标差距,计算脱硫、脱氧、合金化、升温,夹杂物变性及上浮时间;
步骤S3,判断磷元素是否超过允许上限,如果超过,则进行磷成分报警;
步骤S4,判断钢包是否在进站位,判断钢包是否摘盖成功,根据机器视觉算法,计算钢包回渣量,传入系统,根据钢包号炉次跟踪,将回渣成分传入系统;
步骤S5,更新LF冶炼过程物料信息和设备信息,更新料仓可用性、物料成分、温降系数、电极变压器数据和钢包信息;
步骤S6,判断是否需要脱氧,进行脱氧计算,计算钢水氧位和钢渣氧位,计算脱氧剂加入量、脱氧产物量及实时夹杂物含量,计算钢中夹杂物数量和上浮时间;
步骤S7,判断是否需要脱硫,如需要脱硫,则根据初始硫和目标硫需要设定熔渣碱度和夹杂物吸附能力特性,计算所需的造渣料;
步骤S8,判断是否需要加入合金元素,计算各元素处理时间内的变化量,将变化量修正进元素控制计算中;以成本最优为目标,按照冶炼工艺对特定元素触发,计算合金加入量;
步骤S9,判断是否需要升温,进行升温计算,计算在规定出站时间内各种因素造成的温度损失,结合电极效率,计算温度达到目标需要的加热时间,并对加热时间进行分配;
步骤S10,计算升温必要时间,夹杂物处理及上浮必要时间,合金化必要时间,脱氧、脱硫必要时间,除去重叠时间,计算达标处理必须时间,如果必须时间大于出站要求时间,则进行处理时间报警,转为按照优先级设定,按照成分、温度、洁净度优先级逻辑进行处理,生成预计算的冶炼处理步骤、钢水钢渣状态计算和冶炼时间的关系轴;
步骤S11,将钢包车开至处理位,降下炉盖,开始处理过程;
步骤S12,冶炼状态视觉检测模块监控渣状态、渣厚、渣状态、搅拌状态,并传入系统,反馈搅拌控制;
步骤S13,进行测温取样,更新最新的钢水钢渣成分信息,循环进行S1-S10,直至钢水符合要求;
步骤S14,温度和成分达到要求以后,则进行软吹等待钙处理时机;
步骤S15,到达预定时间后,升起炉盖,出站,生成炉次成本详细信息,进行成本分析和自学习参数优化。
优选的,根据大数据算法和启发式算法,建立成本分析优化模型,通过对冶炼微观操作成本分析和炉次整体成本分析,结合模拟冶炼程序,全局搜索最优成本组合操作方案。
与现有技术相比,本发明的有益效果是:本发明提出的冶金LF精炼控制的方法及系统,实现LF的全自动化智能化生产,进一步优化LF生产过程,进而降低成本、提高钢水质量、节约人力,具有较大的经济效益和社会效益,形成一套具有普遍适用性的LF全自动化智能控制系统,较大的实践意义和推广意义。
附图说明
图1为本发明的系统结构示意图;
图2为本发明的工作流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
请参阅图1至图2,本发明提供一种技术方案:一种LF精炼全自动生产系统,包括如下模块:信息获取模块、吹氩搅拌模块、冶炼状态检测模块、脱硫计算模块、脱氧计算模块、造渣计算模块、循环计算模块、温度计算控制模块、洁净度计算模块、合金化计算模块、成本分析模块、自学习模块;
信息获取模块:循环获取生产计划信息、目标出站时间、目标钢水成分和温度、目标钢水洁净度、辅料合金信息和设备信息;
吹氩搅拌模块:计算并控制LF冶炼过程中各阶段适宜氩气搅拌;
冶炼状态视觉检测模块:通过深度学习视觉算法,获取渣状态、渣厚、钢水搅拌状态、发泡状态,获取回渣量及其成分和钢包状态信息;
脱硫计算模块:计算脱硫所需的渣要求、碱度、必要的脱硫时间;
脱氧计算模块:计算钢水钢渣中的实时氧含量,计算脱氧剂需要量;
造渣计算模块:计算熔渣的碱度、氧化性、粘度、流动性、界面张力、活性、发泡能力、渣量、夹杂物容量,根据现有原料条件计算钢渣的加料组合,实现熔渣精确控制;
循环计算模块:由事件触发,在设定的周期内循环计算显示钢水状态信息和钢渣状态信息;
温度计算控制模块:根据能量守恒原理,由循环计算和时间触发,计算周期内能量变化,实时计算和显示钢水的计算温度和达到目标温度所需的加热操作;
洁净度计算模块:计算钢水冶炼过程各因素对夹杂物产生影响,根据热力学动力学原理和大数据算法计算钢水中的夹杂物的数量、形态和种类;
合金化计算模块:以成本最优为目标,计算要达到目标钢水成分时需要各种合金量;
自学习模块:对冶炼状态较好的炉次进行滚动自学习,修正自学习参数,完善各个模型性能;
成本分析模块:计算冶炼各阶段的成本组成,合金收得率和电加热效率,并对冶炼操作进行成本最优分析,通过启发式算法寻求最优成本操作。
本实施例中,优选的,所述系统依据冶金原理、深度学习算法和大数据算法建立LF精炼模型,包括脱硫模型、脱氧模型、温度模型、合金化模型、钢水钢渣计算模型、夹杂物模型以及成本分析优化模型,在计算符合冶金过程的基础上,提高模型计算精度和适用性。
本实施例中,优选的,采用深度学习视觉算法,建立冶炼状态视觉检测模块,获取渣状态、渣厚、钢水搅拌状态、发泡状态,获取回渣量和钢包状态信息;实现冶炼过程状态信息的自动精确获取。
一种LF精炼全自动生产的方法,包含以下步骤:
步骤S1,硬件和环境设置:在LF平台安装两台高清摄像机,一台对准LF炉的观察孔,视角和成像范围与工人视角观察范围相同;一台对着钢车出站位置,用于监测计算回渣量、钢包号和钢包状态;配置服务器系统运行环境,完善一级程序自动执行逻辑,将系统与LF一级程序进行匹配连接。
步骤S2,基于卷积神经网络和图像监测算法,建立冶炼状态视觉检测模块,获取渣状态、渣厚、钢水搅拌状态、发泡状态,获取回渣量和钢包状态信息;实现冶炼过程状态信息的自动精确获取。
步骤S3,依据冶金原理、深度学习算法和大数据算法建立LF精炼模型,包括脱硫模型、脱氧模型、温度模型、合金化模型、钢水钢渣计算模型、夹杂物模型以及成本分析优化模型。
步骤S4,根据大数据算法和启发式算法,建立成本分析优化模型,通过对冶炼微观操作成本分析和炉次整体成本分析,结合模拟冶炼程序,模型可全局搜索最优成本组合操作方案。
步骤S5,建立预计算的冶炼处理步骤、钢水钢渣状态计算和冶炼时间的关系轴,计算升温必要时间,夹杂物处理及上浮必要时间,合金化必要时间,脱氧、脱硫必要时间,除去重叠时间,计算达标处理必须时间,如果必须时间大于出站要求时间,则进行处理时间报警,转为按照优先级设定,按照成分、温度、洁净度优先级逻辑进行处理。
步骤S6,获取钢水状态信息,如果有测温取样信息和钢渣化验信息,则采用最新的测温取样信息作为此炉钢水的状态信息,如果没有则采用上次采样信息和过程事件信息通过模型计算作为钢水的状态信息。
步骤S7,获取钢水目标出站信息,获取钢水目标的成分要求、温度要求和洁净度要求,并结合时间因素,计算目前钢水各项指标距离出站指标差距,计算脱硫、脱氧、合金化、升温,夹杂物变性及上浮等时间。
步骤S8,判断磷元素是否超过允许上限,如果超过,则进行磷成分报警;
步骤S9,判断钢包是否在进站位,判断钢包是否摘盖成功,根据机器视觉算法,计算钢包回渣量,传入系统,根据钢包号炉次跟踪,将回渣成分传入系统。
步骤S10,更新LF冶炼过程物料信息和设备信息,更新料仓可用性、物料成分、温降系数、电极变压器数据和钢包信息等。
步骤S11,判断是否需要脱氧,进行脱氧计算,计算钢水氧位和钢渣氧位,计算脱氧剂加入量、脱氧产物量及实时夹杂物含量,计算钢中夹杂物数量和上浮时间,进行相关控制操作。
步骤S12,判断是否需要脱硫,如需要脱硫,则根据初始硫和目标硫需要设定熔渣碱度和夹杂物吸附能力等特性,计算所需的造渣料,进行相关控制操作。
步骤S13,判断是否需要加入合金元素,计算各元素处理时间内的变化量,将变化量修正进元素控制计算中。以成本最优为目标,按照冶炼工艺对特定元素触发,计算合金加入量,进行相关控制操作。
步骤S14,判断是否需要升温,进行升温计算,计算在规定出站时间内各种因素造成的温度损失,结合电极效率,计算温度达到目标需要的加热时间,并对加热时间进行分配,进行相关控制操作。
步骤S15,计算升温必要时间,夹杂物处理及上浮必要时间,合金化必要时间,脱氧、脱硫必要时间,除去重叠时间,计算达标处理必须时间,如果必须时间大于出站要求时间,则进行处理时间报警,转为按照优先级设定,按照成分、温度、洁净度优先级逻辑进行处理,生成预计算的冶炼处理步骤、钢水钢渣状态计算和冶炼时间的关系轴。
步骤S16,将钢包车开至处理位,降下炉盖,开始处理过程。
步骤S17,冶炼状态视觉检测模块监控渣状态、渣厚、渣状态、搅拌状态,并传入系统,反馈搅拌控制。
步骤S18,进行测温取样,更新最新的钢水钢渣成分信息,循环进行S16-S15,直至钢水符合要求。
步骤S19,温度和成分达到要求以后,则进行软吹等待钙处理时机。
步骤S20,到达预定时间后,升起炉盖,出站,生成炉次成本详细信息,进行成本分析和自学习参数优化。
本实施例中,优选的,根据大数据算法和启发式算法,建立成本分析优化模型,通过对冶炼微观操作成本分析和炉次整体成本分析,结合模拟冶炼程序,全局搜索最优成本组合操作方案。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种LF精炼全自动生产系统,其特征在于:包括如下模块:信息获取模块、吹氩搅拌模块、冶炼状态检测模块、脱硫计算模块、脱氧计算模块、造渣计算模块、循环计算模块、温度计算控制模块、洁净度计算模块、合金化计算模块、成本分析模块、自学习模块;
信息获取模块:循环获取生产计划信息、目标出站时间、目标钢水成分和温度、目标钢水洁净度、辅料合金信息和设备信息;
吹氩搅拌模块:计算并控制LF冶炼过程中各阶段适宜氩气搅拌;
冶炼状态视觉检测模块:通过深度学习视觉算法,获取渣状态、渣厚、钢水搅拌状态、发泡状态,获取回渣量及其成分和钢包状态信息;
脱硫计算模块:计算脱硫所需的渣要求、碱度、必要的脱硫时间;
脱氧计算模块:计算钢水钢渣中的实时氧含量,计算脱氧剂需要量;
造渣计算模块:计算熔渣的碱度、氧化性、粘度、流动性、界面张力、活性、发泡能力、渣量、夹杂物容量,根据现有原料条件计算钢渣的加料组合,实现熔渣精确控制;
循环计算模块:由事件触发,在设定的周期内循环计算显示钢水状态信息和钢渣状态信息;
温度计算控制模块:根据能量守恒原理,由循环计算和时间触发,计算周期内能量变化,实时计算和显示钢水的计算温度和达到目标温度所需的加热操作;
洁净度计算模块:计算钢水冶炼过程各因素对夹杂物产生影响,根据热力学动力学原理和大数据算法计算钢水中的夹杂物的数量、形态和种类;
合金化计算模块:以成本最优为目标,计算要达到目标钢水成分时需要各种合金量;
自学习模块:对冶炼状态较好的炉次进行滚动自学习,修正自学习参数,完善各个模型性能;
成本分析模块:计算冶炼各阶段的成本组成,合金收得率和电加热效率,并对冶炼操作进行成本最优分析,通过启发式算法寻求最优成本操作。
2.根据权利要求1所述的一种LF精炼全自动生产系统,其特征在于:所述系统依据冶金原理、深度学习算法和大数据算法建立LF精炼模型,包括脱硫模型、脱氧模型、温度模型、合金化模型、钢水钢渣计算模型、夹杂物模型以及成本分析优化模型,在计算符合冶金过程的基础上,提高模型计算精度和适用性。
3.根据权利要求1所述的一种LF精炼全自动生产系统,其特征在于:采用深度学习视觉算法,建立冶炼状态视觉检测模块,获取渣状态、渣厚、钢水搅拌状态、发泡状态,获取回渣量和钢包状态信息;实现冶炼过程状态信息的自动精确获取。
4.一种如权利要求1-3任一项的LF精炼全自动生产的方法,其特征在于:包含以下步骤:
步骤S1,获取钢水信息,如果有测温取样信息和钢渣化验信息,则采用最新的测温取样信息作为此炉钢水的状态信息,如果没有则采用上次采样信息和过程事件信息通过模型计算作为钢水的状态信息;
步骤S2,获取钢水目标出站信息,获取钢水目标的成分要求、温度要求和洁净度要求,并结合时间因素,计算目前钢水各项指标距离出站指标差距,计算脱硫、脱氧、合金化、升温,夹杂物变性及上浮时间;
步骤S3,判断磷元素是否超过允许上限,如果超过,则进行磷成分报警;
步骤S4,判断钢包是否在进站位,判断钢包是否摘盖成功,根据机器视觉算法,计算钢包回渣量,传入系统,根据钢包号炉次跟踪,将回渣成分传入系统;
步骤S5,更新LF冶炼过程物料信息和设备信息,更新料仓可用性、物料成分、温降系数、电极变压器数据和钢包信息;
步骤S6,判断是否需要脱氧,进行脱氧计算,计算钢水氧位和钢渣氧位,计算脱氧剂加入量、脱氧产物量及实时夹杂物含量,计算钢中夹杂物数量和上浮时间;
步骤S7,判断是否需要脱硫,如需要脱硫,则根据初始硫和目标硫需要设定熔渣碱度和夹杂物吸附能力特性,计算所需的造渣料;
步骤S8,判断是否需要加入合金元素,计算各元素处理时间内的变化量,将变化量修正进元素控制计算中;以成本最优为目标,按照冶炼工艺对特定元素触发,计算合金加入量;
步骤S9,判断是否需要升温,进行升温计算,计算在规定出站时间内各种因素造成的温度损失,结合电极效率,计算温度达到目标需要的加热时间,并对加热时间进行分配;
步骤S10,计算升温必要时间,夹杂物处理及上浮必要时间,合金化必要时间,脱氧、脱硫必要时间,除去重叠时间,计算达标处理必须时间,如果必须时间大于出站要求时间,则进行处理时间报警,转为按照优先级设定,按照成分、温度、洁净度优先级逻辑进行处理,生成预计算的冶炼处理步骤、钢水钢渣状态计算和冶炼时间的关系轴;
步骤S11,将钢包车开至处理位,降下炉盖,开始处理过程;
步骤S12,冶炼状态视觉检测模块监控渣状态、渣厚、渣状态、搅拌状态,并传入系统,反馈搅拌控制;
步骤S13,进行测温取样,更新最新的钢水钢渣成分信息,循环进行S1-S10,直至钢水符合要求;
步骤S14,温度和成分达到要求以后,则进行软吹等待钙处理时机;
步骤S15,到达预定时间后,升起炉盖,出站,生成炉次成本详细信息,进行成本分析和自学习参数优化。
5.根据权利要求4所述的一种LF精炼全自动生产的方法,其特征在于:根据大数据算法和启发式算法,建立成本分析优化模型,通过对冶炼微观操作成本分析和炉次整体成本分析,结合模拟冶炼程序,全局搜索最优成本组合操作方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211298322.XA CN115576285A (zh) | 2022-10-23 | 2022-10-23 | 一种lf精炼全自动生产的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211298322.XA CN115576285A (zh) | 2022-10-23 | 2022-10-23 | 一种lf精炼全自动生产的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115576285A true CN115576285A (zh) | 2023-01-06 |
Family
ID=84586035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211298322.XA Pending CN115576285A (zh) | 2022-10-23 | 2022-10-23 | 一种lf精炼全自动生产的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115576285A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745308A (zh) * | 2024-02-06 | 2024-03-22 | 张家港广大特材股份有限公司 | 一种基于产品性能分析的特种钢冶炼工艺溯源优化方法 |
-
2022
- 2022-10-23 CN CN202211298322.XA patent/CN115576285A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745308A (zh) * | 2024-02-06 | 2024-03-22 | 张家港广大特材股份有限公司 | 一种基于产品性能分析的特种钢冶炼工艺溯源优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413013B (zh) | 一种智能吹氩系统及其控制方法 | |
CN110747306A (zh) | 转炉出钢过程中的溢渣控制方法、装置、设备及存储介质 | |
CN110322057B (zh) | 一种100t直流电弧炉出钢碳成分的预测系统及预测方法 | |
CN115576285A (zh) | 一种lf精炼全自动生产的方法及系统 | |
CN110766452B (zh) | 一种测算废钢金属收得率的方法 | |
CN112560218B (zh) | Lf精炼造渣石灰加入量预测方法、系统及lf精炼方法 | |
CN115659709A (zh) | 一种lf精炼炉精炼过程钢水温度预测的方法及系统 | |
CN107765550B (zh) | 一种基于钢包自动定位的稳定出钢温度的方法 | |
CN110991772B (zh) | 一种预测转炉终渣粘度模型的高效护炉方法 | |
CN115584375B (zh) | 一种基于图像识别的转炉自动出钢的方法及系统 | |
CN116911057A (zh) | 一种转炉炼钢吹炼过程熔池温度实时预测方法 | |
CN107164597A (zh) | 一种无副枪无炉气检测一键式转炉自动炼钢方法 | |
CN115906538A (zh) | 一种钢包精炼炉钢水成分预测的方法 | |
CN113805537B (zh) | 一种冶炼合金成分控制系统及控制方法 | |
CN110069899B (zh) | 一种提升转炉出钢率的方法 | |
CN110453035B (zh) | 一种改善钢加工性能的夹杂物控制方法 | |
CN116574867A (zh) | 一种超低碳钢高效rh精炼生产的方法及系统 | |
CN111304521A (zh) | 提高球墨铸铁熔炼铁水纯净度的方法 | |
CN115679042A (zh) | 一种lf炉精炼过程冶炼状态监控的方法和系统 | |
CN112280925B (zh) | 一种硅钢炼钢冶炼用钛元素管控方法 | |
CN115011759A (zh) | 一种铁水预处理脱硫扒渣智能方法 | |
CN115740383A (zh) | 一种钢铁精炼工序生产节奏智能控制方法及系统 | |
CN113652525B (zh) | 一种根据aod化钢样准确控制铬含量的方法 | |
CN117165735A (zh) | 多目标协同预测的转炉终点控制系统、方法、设备及介质 | |
CN117688757A (zh) | 一种基于人工智能和冶金机理的转炉炼钢控制系统及方法 |
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 |