CN117077545A - 一种基于含硅量控制的钢水流动性优化方法及系统 - Google Patents
一种基于含硅量控制的钢水流动性优化方法及系统 Download PDFInfo
- Publication number
- CN117077545A CN117077545A CN202311322159.0A CN202311322159A CN117077545A CN 117077545 A CN117077545 A CN 117077545A CN 202311322159 A CN202311322159 A CN 202311322159A CN 117077545 A CN117077545 A CN 117077545A
- Authority
- CN
- China
- Prior art keywords
- molten steel
- temperature
- constraint
- data
- fluidity
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 184
- 239000010959 steel Substances 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 title claims abstract description 50
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 40
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 40
- 239000010703 silicon Substances 0.000 title claims abstract description 40
- 230000004048 modification Effects 0.000 claims abstract description 80
- 238000012986 modification Methods 0.000 claims abstract description 80
- 238000004519 manufacturing process Methods 0.000 claims abstract description 79
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 230000005855 radiation Effects 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 24
- 238000005266 casting Methods 0.000 claims abstract description 17
- 230000002452 interceptive effect Effects 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 31
- 238000004140 cleaning Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 20
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 18
- 229910052748 manganese Inorganic materials 0.000 claims description 18
- 239000011572 manganese Substances 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 229910001208 Crucible steel Inorganic materials 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000001960 triggered effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 5
- 238000007728 cost analysis Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000009749 continuous casting Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004514 thermodynamic simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 229910000519 Ferrosilicon Inorganic materials 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000004401 flow injection analysis Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- PYLLWONICXJARP-UHFFFAOYSA-N manganese silicon Chemical compound [Si].[Mn] PYLLWONICXJARP-UHFFFAOYSA-N 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 229910052761 rare earth metal Inorganic materials 0.000 description 1
- 150000002910 rare earth metals Chemical class 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于含硅量控制的钢水流动性优化方法及系统,属于智能制造领域,其中方法包括:交互铸钢控制系统,配置约束区间;建立产线数据集,并布设温度传感装置,建立温度数据集;以产线数据集作为拟合数据,进行温度损失分析,建立温度损失节点;进行损失验证,并进行溯源分析,确定温度影响源及影响辐射因子;对钢水进行分布取样,根据分布取样结果生成改性约束;以约束区间对改性网络初始化,并提取钢水基础数据,将钢水基础数据和改性约束输入改性网络,输出改性补偿数据;根据改性补偿数据和温度影响源及影响辐射因子进行钢水流动性优化。本申请解决了现有技术中钢水流动性差的技术问题,达到了提升钢水流动性的技术效果。
Description
技术领域
本发明涉及智能制造领域,具体涉及一种基于含硅量控制的钢水流动性优化方法及系统。
背景技术
随着社会经济的快速发展,钢铁工业对钢材性能要求越来越高,钢水流动性直接影响浇铸过程中的浇注速度、铸坯质量的稳定等,进而影响最终铸件的质量。现有的钢水流动性控制主要通过控制钢水温度来实现,这种仅依靠温度调节缺乏对钢水流动性的影响分析,难以实现钢水流动性的精细化控制,导致钢水的流动性差,从而影响最终产品的质量。
发明内容
本申请通过提供了一种基于含硅量控制的钢水流动性优化方法及系统,旨在解决现有技术中钢水流动性差的技术问题。
鉴于上述问题,本申请提供了一种基于含硅量控制的钢水流动性优化方法及系统。
本申请公开的第一个方面,提供了一种基于含硅量控制的钢水流动性优化方法,该方法包括:交互铸钢控制系统,生成铸钢性能约束,并以性能约束作为约束条件,配置含硅量和含锰量的约束区间;建立产线数据集,并布设温度传感装置,根据温度传感装置的分布位置和测量结果建立温度数据集;以产线数据集作为拟合数据,对钢水流动全程进行温度损失分析,建立温度损失节点;通过温度数据集对温度损失节点进行损失验证,并基于损失验证结果进行溯源分析,确定温度影响源及影响辐射因子;对钢水进行分布取样,根据分布取样结果生成改性约束;以约束区间作为判定极值,对改性网络初始化,并基于产线数据集提取钢水基础数据,将钢水基础数据和改性约束输入改性网络,输出改性补偿数据;根据改性补偿数据和温度影响源及影响辐射因子进行钢水流动性优化。
本申请公开的另一个方面,提供了一种基于含硅量控制的钢水流动性优化系统,该系统包括:约束区间配置单元,用于交互铸钢控制系统,生成铸钢性能约束,并以性能约束作为约束条件,配置含硅量和含锰量的约束区间;温度数据获取单元,用于建立产线数据集,并布设温度传感装置,根据温度传感装置的分布位置和测量结果建立温度数据集;温度损失分析单元,用于以产线数据集作为拟合数据,对钢水流动全程进行温度损失分析,建立温度损失节点;损失验证溯源单元,用于通过温度数据集对温度损失节点进行损失验证,并基于损失验证结果进行溯源分析,确定温度影响源及影响辐射因子;改性约束生成单元,用于对钢水进行分布取样,根据分布取样结果生成改性约束;改性补偿数据单元,用于以约束区间作为判定极值,对改性网络初始化,并基于产线数据集提取钢水基础数据,将钢水基础数据和改性约束输入改性网络,输出改性补偿数据;钢水流动性优化单元,用于根据改性补偿数据和温度影响源及影响辐射因子进行钢水流动性优化。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过交互铸钢控制系统生成铸钢性能约束,配置含硅量和含锰量的约束区间,为优化钢水流动性提供基础信息;对钢水流动全程温度变化进行监测,建立温度数据集,为定位流动性影响因素奠定数据基础;利用产线数据集分析钢水温度损失,建立温度损失节点,准确定位钢水流动性的影响因素;通过温度数据集验证温度损失节点,确定温度影响源和辐射因子,精确找到钢水流动性的影响因素;对钢水取样生成改性约束,为流动性优化提供样本依据,计算改性补偿数据;基于改性补偿数据和温度影响源及影响辐射因子进行钢水流动性优化,实现了含硅量控制下的钢水流动性精确优化的技术方案,解决了现有技术中钢水流动性差的技术问题,达到了提升钢水流动性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于含硅量控制的钢水流动性优化方法的一种流程示意图;
图2为本申请实施例提供了一种基于含硅量控制的钢水流动性优化方法中执行水口清理的一种流程示意图;
图3为本申请实施例提供了一种基于含硅量控制的钢水流动性优化系统的一种结构示意图。
附图标记说明:约束区间配置单元11,温度数据获取单元12,温度损失分析单元13,损失验证溯源单元14,改性约束生成单元15,改性补偿数据单元16,钢水流动性优化单元17。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于含硅量控制的钢水流动性优化方法及系统。首先,配置含硅量和含锰量的约束区间,为优化控制奠定约束基础。然后,建立钢水生产线的温度数据集,实现对钢水流动全程温度变化过程的监测,为确定流动性影响因素提供数据支持。接着,基于产线数据集分析确定钢水流动过程中的温度损失节点,并通过温度数据集进行验证与溯源分析,确定温度影响源和影响辐射因子,从而准确定位影响钢水流动性的因素。之后,对钢水进行分布取样并生成改性约束,为钢水流动性优化提供了样本依据。最后,建立改性网络,根据钢水基础数据和改性约束计算输出改性补偿数据,并根据改性补偿数据和确定的温度影响源和影响辐射因子实现钢水流动性的精确优化。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于含硅量控制的钢水流动性优化方法,该方法包括:
交互铸钢控制系统,生成铸钢性能约束,并以所述性能约束作为约束条件,配置含硅量和含锰量的约束区间;
在本申请实施例中,铸钢控制系统是指整个钢铁生产控制的计算机系统,可根据工艺参数和质量标准,生成对铸钢成品性能的各项指标约束,如抗拉强度、延伸率等机械性能范围,作为铸钢性能约束。然后,通过回归分析建立含硅量、含锰量与铸钢性能的关系模型。接着,将铸钢性能约束数据代入关系模型中,转换为含硅量和含锰量的约束区间,包括保证铸钢性能的含硅量和含锰量的最大值和最小值,从而避免盲目减少含硅量以增加钢水流动性,平衡钢水中的硅锰含量。
建立产线数据集,并布设温度传感装置,根据所述温度传感装置的分布位置和测量结果建立温度数据集;
在本申请实施例中,产线数据集是指整个钢铁铸造生产线的工艺参数、设备运行数据的集合。温度传感装置是指安装在铸造产线各部位的各种温度检测传感器,如红外热像仪、热电偶传感器等,这些传感器的分布位置覆盖钢水从炉口到成型的整个流动链路,为获取温度数据集提供装置支持。
首先,收集产线的工艺参数设定数据,包括铸造工艺路线、设备参数等;安装产线运行数据的采集系统,对各关键设备的运行数据进行检测和存储,如流量、压力、温度等;对采集的数据进行汇总整理,建立结构化的数据库,形成产线数据集。然后,根据产线工艺流程和设备布局,确定需要监测温度的关键部位,如炉口、模具入口、次级冷却区等,确定监测点;根据部位的工作环境和监测需求,选择合适的温度传感器,如耐高温的热电偶、精确的红外测温仪等。接着,在产线确定的监测点上安装选择的温度传感器,并对温度传感器进行分布位置标识,进行信号调试和校准,保证其测量精度满足要求,实现温度传感装置的布设。
随后,将各温度传感装置按照产线生产顺序进行存储,并标识温度传感装置的唯一位置,记录其的分布位置。在产线生产过程中,各温度传感装置对产线上各位置的温度数据进行采集,并将采集的测量数据与对应温度传感装置的分布位置进行绑定,形成温度数据集,为损失验证提供基础数据支持。
以所述产线数据集作为拟合数据,对钢水流动全程进行温度损失分析,建立温度损失节点;
在本申请实施例中,以构建的产线数据集作为拟合数据,对钢水从炉口到成型的整个流动全程进行温度损失分析,最终建立温度损失节点。首先,确定钢水的初始温度,以产线数据集拟合钢水在产线的流动过程,在流动过程中分析影响钢水温度降低的各个节点,确定为温度损失节点,反映钢水在流经产线各部位时的热损耗规律。
通过建立温度损失节点,有助于找出热损耗敏感区域,为后续的钢水流动性优化控制奠定基础。
通过所述温度数据集对所述温度损失节点进行损失验证,并基于损失验证结果进行溯源分析,确定温度影响源及影响辐射因子;
在本申请实施例中,通过构建的温度数据集,对确定的温度损失节点进行损失验证,并根据损失验证结果进行溯源分析,以确定温度影响的根源因素。
首先,从温度数据集中提取温度损失节点位置前后两个传感器的实际测量温度数据,计算两个位置之间的实际温度差值,得到节点的温度损失量。然后,将该温度损失量与历史统计值进行比较,判断是否超出正常损失范围。如果损失过大,则证明该节点温度控制异常,需要进行溯源。此时,详细调研温度损失节点的设备情况,确认周边所有可能引起温度变化的影响源,分析各影响源的工作状态与节点温度关系,确定主要的温度影响设备。然后,检测获知温度影响设备输出的热流或冷量,计算其对节点的热负荷贡献,再根据贡献情况,评估各影响源的影响辐射因子。同时对其他温度损失节点也进行同样的溯源分析,得到全线的温度影响源及影响辐射因子。
对钢水进行分布取样,根据分布取样结果生成改性约束;
在本申请实施例中,在钢水流动管道的不同位置设置取样口,钢水流经取样口时提取部分钢水样品。其中,取样口位置分布覆盖钢水流动的全部管道区域;取样口根据产线长度设定固定的取样频率,如每5分钟取样1次。然后,对所有取样点的钢水成分进行分析,获取各取样点的成分分析结果,作为分布取样结果,为钢水流动过程中钢水成分随时间和空间的分布规律,反映钢水在流动管道中的化学变化情况
改性约束是指在钢水连续铸造过程中,为优化钢水流动性能和保证铸件质量,需要对钢水成分进行在线调整或改性时所需要遵守的约束条件。例如,改性元素的类型及其添加量的约束区间,如镁、钙、硫、稀土等改性元素的添加量范围;改性时间节点的约束,指明在钢水流动的何时何地进行改性添加等。根据分布取样结果,提取出钢水成分变化剧烈的部位和超阈值成分,将其作为改性约束,限定后续改性所需达到的目标,比如在某一管道位置处,钢水硅含量不得超过2%,为改性网络的训练提供目标和依据。
通过准确获取钢水在流动过程中的实时成分分布变化情况,并以此产生改性网络所需的改性约束条件,为改性计算和控制奠定了基础。
以所述约束区间作为判定极值,对改性网络初始化,并基于所述产线数据集提取钢水基础数据,将所述钢水基础数据和所述改性约束输入所述改性网络,输出改性补偿数据;
在本申请实施例中,改性网络是多层神经网络模型;约束区间是确定的含硅量和含锰量的允许浓度上下限范围,该约束区间作为改性网络训练的判定极值,使网络输出满足约束区间的含硅量和含锰量。
对改性网络初始化,需要确定网络输出层的激活函数,优选tanh函数作为激活函数,tanh函数的输出范围为(-1,1),把这个范围映射到约束区间,即含硅量和含锰量的上下限。假设含硅量约束区间为(1%,3%),含锰量约束区间为(0.5%,2%),则将tanh函数的(-1,1)映射到这两个约束区间,即当改性网络输出为-1时,映射到含硅量下限1%,输出为1时,映射到含硅量上限3%;含锰量也进行类似映射。通过这种映射关系,保证改性网络输出必然在约束区间内,即通过改性网络初始化将约束区间作为判定极值。
然后,从产线数据集中提取反映钢水流动状态的相关数据,比如流量、压力、温度等,这些数据组成钢水基础数据。将钢水基础数据进行数据格式化处理,作为改性网络输入层的一部分。同时,将改性约束进行格式化处理作为网络输入的另一部分。随后,改性网络以钢水基础数据和改性约束作为输入,经过网络内部的前向计算,输出满足约束区间的改性补偿数据,即给出了针对当前钢水状态,要添加的硅铁、锰矿石等材料的量,为钢水流动性优化提供支持。
根据所述改性补偿数据和所述温度影响源及影响辐射因子进行钢水流动性优化。
在本申请实施例中,改性补偿数据为改性网络的模拟计算结果,给出了针对当前钢水成分达到流动性目标的精准改性方案;温度影响源和辐射因子为钢水流动性的温度场控制提供了依据。
在生产控制时,根据改性网络的输出结果,精确配置和添加材料,实时调节钢水成分,以提高其流动性能。同时,根据影响源信息,通过设备状态优化和调节影响辐射因子等手段,例如添加隔热材料、预热下游节点等,对钢水的温度进行控制,减少流动中对流动性的负面影响。
通过成分精准改性和温度场调控的双重作用,有效提升钢水从炉口到成型过程中的流动性能,降低热损耗,改善连铸过程,实现钢水流动性的整体优化。
进一步的,本申请实施例还包括:
对所述温度影响源进行源优化成本分析,建立优化效果与成本的映射集合;
以所述影响辐射因子作为补偿控制数据,生成补偿效果与成本的映射集合;
建立温度控制的稳定约束,并以所述稳定约束作为执行标准,对优化效果与成本的映射集合和补偿效果与成本的映射集合进行组合成本寻优;
根据组合成本寻优结果生成温度控制数据;
以所述温度控制数据进行钢水流动性优化。
进一步的,建立温度控制的稳定约束包括:
对所述产线数据集进行数据解析,建立关键产线节点,并生成关键产线节点的关联区间;
以所述关键产线节点的关键值配置关键稳定约束,并以所述关联区间生成温度控制的稳定约束。
进一步的,根据组合成本寻优结果生成温度控制数据包括:
建立控制稳态与成本的平衡系数集合,所述平衡系数集合与关键值具有映射关系;
以所述平衡系数集合对组合成本寻优结果进行稳态和成本的平衡筛选,根据平衡筛选结果生成温度控制数据。
在一种优选的实施方式中,首先,针对温度影响源设计多套改造方案,包括设备结构调整、制程参数优化等,每套方案都会伴随一定经济成本,用于改造设备或调整参数;同时,通过热力学模型模拟每套改造方案,记录每套方案带来的温度损失减少的优化效果。然后,建立起影响源各改造方案的成本与效果作用的映射集合,即哪种程度的资金投入可以带来相应程度的损失减少效果。其次,以影响辐射因子作为依据,针对性设计补偿控制方案,例如增加冷却水量,调整冷却速率等。同时,对于不同的补偿组合,评估其实施所需要的资源成本,构建补偿控制方案及其效果和成本之间的对应关系表,生成补偿效果与成本的映射集合。
然后,计算产线数据集中各节点参数的特征值,进行相关性分析,确定对钢水流动性影响最大的关键产线节点,即钢水流动的关键控制点。同时,分析关键产线节点间参数变化的关联性,建立节点之间的关联区间模型,即当上游节点温度改变量,会导致下游节点温度变化一个什么范围。随后,以关键产线节点的关键值配置关键稳定约束,即以关键产线节点的温度控制目标值配置关键稳定约束,例如,节点A的关键温度值是1500℃,则配置节点A的关键稳定约束为温度控制在1480-1520℃范围内。接着,将单个关键产线节点的关键稳定约束和关联区间结合,扩展生成钢水在整个产线各段的温度控制的稳定约束。例如,节点A和B之间温度呈负相关,相关区间为-20℃到+10℃,当节点A温度变化时,计算节点B的温度变化范围。之后,将稳定约束作为方案筛选的执行标准,即只有满足稳定约束的控制方案才可选;将优化效果与成本的映射集合和补偿效果与成本的映射集合中的方案进行组合,形成多个组合方案,对每个组合方案进行热力学模拟,判断效果是否满足稳定约束,只保留满足稳定约束的可行方案,得到组合成本寻优结果。
接着,定义控制稳态指标来评价不同控制方案能达到的稳态程度,用温度波动范围、波动频率等参数来量化;定义成本指标评价控制方案的实施成本,包括设备改造成本、运行成本等。然后,将控制稳态指标和成本指标归一化,映射到0-1范围内,根据历史控制方案,将每个方案的控制稳态指标值和成本指标值作为坐标,映射到二维空间,形成映射点,通过曲线拟合,找到这些映射点的内在映射关系,建立控制稳态-成本映射函数。随后,求出控制稳态-成本映射函数在不同位置的斜率,作为平衡系数集合。其中,平衡系数集合与关键值具有映射关系,即与关键产线节点的温度控制目标值相对应。接下来,利用平衡系数集合对组合成本寻优结果进行筛选过滤,保留既符合稳定性要求,又兼顾成本效益的最优温控方案组合,作为平衡筛选结果,即为当前工艺条件下的最优决策方案。将其详细转换成过程控制需要的温度设定曲线、设备参数数据集等格式,形成最终的温度控制数据。
最后,以确定的温度控制数据为依据,在实际钢水生产线中进行温度控制,以优化钢水流动性。即分别对温度影响源进行改造,对各影响区域实施补偿措施,均按照温度控制数据的详细方案要求进行。改造和补偿措施实施后,再次启动钢水流动,使钢水在流动全程中的温度损失明显减小,温度保持在更加稳定的区间。提高了钢水的流动性能,缓解了管道阻塞问题,避免了生产中断。
进一步的,如图2所示,本申请实施例还包括:
依据所述产线数据集进行产线结构解析,建立水口结构特征集;
对钢水执行流速监测,并建立流速触发阈值;
若在钢水流动性优化完成后,钢水流速监测结果触发所述流速触发阈值,则生成水口清理指令;
依据所述水口结构特征集配置清理方案,并通过所述水口清理指令触发执行水口清理。
在一种优选的实施方式中,产线数据集中包含了钢水连铸产线的详细结构数据,例如钢包水口的尺寸参数、出水口形状等结构特征。依据产线数据集,建立产线结构的三维模型,对水口的结构特征进行数字化解析和提取,分析模型获取水口的关键参数,如出口截面积、水流喷射角度、曲率半径、材料等,得到水口结构特征集,全面反映水口的几何、材料等信息,为水口状态分析和处理提供基础数据支撑。然后,在水口位置布置多点激光流速传感器实现对钢水进行流速检测;同时针对钢水流速特征数据,由专家组根据经验确定流速的最低阈值,作为流速触发阈值,当钢水流速超出正常范围时,触发生成水口清理指令,实现对钢水流速的精确监控,为水口状态的智能判断及时提供数据支持。
当执行完优化的温度控制数据后,持续监测钢水流速,得到钢水流速检测结果,如果钢水流速检测结果触发,触发流速触发阈值时,则立即生成水口清理的执行命令,即水口清理指令。该指令通过工业互联网等网络装置实时发送到水口清理执行机构,触发快速响应的水口清理。此时,依据水口结构特征集中水口出口形状、喷射角度等特征数据,配置最合适的水口清理方案。例如,对于矩形出口选择水刀清理;圆形出口通过带压空气的喷射清理。当接收到水口清理指令后,该清理方案被调用执行,完成对水口的自动清理。例如,控制高压水泵启动向水口喷射高压水流或气流,按最优角度和压强进行清洗,有效清除水口阻塞,实现了水口状态的快速诊断和处理,避免生产中断,提高钢水生产线的可靠性和智能化程度。
进一步的,本申请实施例还包括:
根据所述损失验证结果建立流速与温度损失的关联系数;
通过所述稳定约束进行速度恢复拟合,生成拟合结果;
根据所述关联系数和所述拟合结果输入稳定约束的补偿网络;
通过所述补偿网络对所述稳定约束优化,根据优化结果完成寻优。
在一种优选的实施方式中,在多个流速条件下,检测关键节点的温度损失量,获取流速与温度损失的样本数据。再使用曲线拟合等方法,分析样本数据的相关趋势,从而获得流速与温度损失的定量关联系数。然后,通过稳定约束,针对可能发生的流速下降情况,进行速度恢复拟合,以评估不同方案在出现流速下降时是否能满足稳定约束。具体的,假设几种不同程度的流速下降情况,针对每一种情况,采用热力学仿真分析速度恢复后温度变化情况,比较仿真结果与稳定约束的要求,判断该方案下是否能满足稳定约束,得到拟合结果。
接着,将关联系数和拟合结果作为输入预先搭建好的温度稳定约束的补偿网络中,该网络通过多层卷积网络结构,经过大量训练学习,掌握了流速变化对稳定约束满足的影响机理。随后,补偿网络经过前向计算,输出经过优化的稳定约束。该优化后的稳定约束同时考虑了流速影响和满足温度控制需求,使稳定约束更加合理和可行。然后,以经过补偿网络优化的稳定约束搜索最优方案。通过先对稳定约束进行优化更新,再对控制方案进行优化,实现温度控制的动态智能优化,增强稳定性,保证钢水生产的平稳连续。
进一步的,本申请实施例还包括:
记录异常数据集,并以所述异常数据集生成钢水流动性优化的注意约束;
以所述注意约束执行改性网络的网络参数优化,根据网络参数优化结果执行后续改性补偿处理。
在一种优选的实施方式中,在钢水生产过程中,会出现设备故障、供料异常等不良情况,形成异常数据,通过记录实际出现的异常数据,进行汇总归类,形成异常数据集。然后,分析异常数据之间的关联模式和规律,判断导致钢水流动性问题的关键异常特征组合,根据关键异常特征组合,提取出若干异常触发模式,生成对应的钢水流动性优化的注意约束。
接着,将注意约束作为附加输入节点,加入改性网络中,在训练时,注意约束激活则增加网络误差,触发网络参数自动优化。采用梯度下降法逐层调整网络权重、偏置等参数,直至误差最小化。通过多轮训练,网络学习到注意约束下的响应机制。当注意约束被激活时,调用经优化的网络计算相应的改性补偿方案,该方案考虑了异常情况下的特殊需求,输出精准的成分改性措施,根据该措施,控制实际的材料加入量,执行改性补偿处理,提高钢水流动性控制的稳定性和鲁棒性。
综上所述,本申请实施例所提供的一种基于含硅量控制的钢水流动性优化方法具有如下技术效果:
交互铸钢控制系统,生成铸钢性能约束,并以性能约束作为约束条件,配置含硅量和含锰量的约束区间,为优化控制提供约束信息。建立产线数据集,并布设温度传感装置,根据温度传感装置的分布位置和测量结果建立温度数据集,为定位影响因素提供数据支持。以产线数据集作为拟合数据,对钢水流动全程进行温度损失分析,建立温度损失节点,实现对流动性影响因素的定位。通过温度数据集对温度损失节点进行损失验证,并基于损失验证结果进行溯源分析,确定温度影响源及影响辐射因子,为钢水流动性优化提醒信息基础。对钢水进行分布取样,根据分布取样结果生成改性约束,为改性优化提供样本基础。以约束区间作为判定极值,对改性网络初始化,并基于产线数据集提取钢水基础数据,将钢水基础数据和改性约束输入改性网络,输出改性补偿数据,以实现对钢水流动性的精准控制。根据改性补偿数据和温度影响源及影响辐射因子进行钢水流动性优化,从而提高钢水流动性。
实施例二
基于与前述实施例中一种基于含硅量控制的钢水流动性优化方法相同的发明构思,如图3所示,本申请实施例提供了一种基于含硅量控制的钢水流动性优化系统,该系统包括:
约束区间配置单元11,用于交互铸钢控制系统,生成铸钢性能约束,并以所述性能约束作为约束条件,配置含硅量和含锰量的约束区间;
温度数据获取单元12,用于建立产线数据集,并布设温度传感装置,根据所述温度传感装置的分布位置和测量结果建立温度数据集;
温度损失分析单元13,用于以所述产线数据集作为拟合数据,对钢水流动全程进行温度损失分析,建立温度损失节点;
损失验证溯源单元14,用于通过所述温度数据集对所述温度损失节点进行损失验证,并基于损失验证结果进行溯源分析,确定温度影响源及影响辐射因子;
改性约束生成单元15,用于对钢水进行分布取样,根据分布取样结果生成改性约束;
改性补偿数据单元16,用于以所述约束区间作为判定极值,对改性网络初始化,并基于所述产线数据集提取钢水基础数据,将所述钢水基础数据和所述改性约束输入所述改性网络,输出改性补偿数据;
钢水流动性优化单元17,用于根据所述改性补偿数据和所述温度影响源及影响辐射因子进行钢水流动性优化。
进一步的,钢水流动性优化单元17包括以下执行步骤:
对所述温度影响源进行源优化成本分析,建立优化效果与成本的映射集合;
以所述影响辐射因子作为补偿控制数据,生成补偿效果与成本的映射集合;
建立温度控制的稳定约束,并以所述稳定约束作为执行标准,对优化效果与成本的映射集合和补偿效果与成本的映射集合进行组合成本寻优;
根据组合成本寻优结果生成温度控制数据;
以所述温度控制数据进行钢水流动性优化。
进一步的,钢水流动性优化单元17还包括以下执行步骤:
对所述产线数据集进行数据解析,建立关键产线节点,并生成关键产线节点的关联区间;
以所述关键产线节点的关键值配置关键稳定约束,并以所述关联区间生成温度控制的稳定约束。
进一步的,钢水流动性优化单元17还包括以下执行步骤:
建立控制稳态与成本的平衡系数集合,所述平衡系数集合与关键值具有映射关系;
以所述平衡系数集合对组合成本寻优结果进行稳态和成本的平衡筛选,根据平衡筛选结果生成温度控制数据。
进一步的,本申请实施例还包括水口清理单元,该单元包括以下执行步骤:
依据所述产线数据集进行产线结构解析,建立水口结构特征集;
对钢水执行流速监测,并建立流速触发阈值;
若在钢水流动性优化完成后,钢水流速监测结果触发所述流速触发阈值,则生成水口清理指令;
依据所述水口结构特征集配置清理方案,并通过所述水口清理指令触发执行水口清理。
进一步的,钢水流动性优化单元17还包括以下执行步骤:
根据所述损失验证结果建立流速与温度损失的关联系数;
通过所述稳定约束进行速度恢复拟合,生成拟合结果;
根据所述关联系数和所述拟合结果输入稳定约束的补偿网络;
通过所述补偿网络对所述稳定约束优化,根据优化结果完成寻优。
进一步的,本申请实施例还包括改性补偿处理单元,该单元包括以下执行步骤:
记录异常数据集,并以所述异常数据集生成钢水流动性优化的注意约束;
以所述注意约束执行改性网络的网络参数优化,根据网络参数优化结果执行后续改性补偿处理。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于含硅量控制的钢水流动性优化方法,其特征在于,所述方法包括:
交互铸钢控制系统,生成铸钢性能约束,并以所述性能约束作为约束条件,配置含硅量和含锰量的约束区间;
建立产线数据集,并布设温度传感装置,根据所述温度传感装置的分布位置和测量结果建立温度数据集;
以所述产线数据集作为拟合数据,对钢水流动全程进行温度损失分析,建立温度损失节点;
通过所述温度数据集对所述温度损失节点进行损失验证,并基于损失验证结果进行溯源分析,确定温度影响源及影响辐射因子;
对钢水进行分布取样,根据分布取样结果生成改性约束;
以所述约束区间作为判定极值,对改性网络初始化,并基于所述产线数据集提取钢水基础数据,将所述钢水基础数据和所述改性约束输入所述改性网络,输出改性补偿数据;
根据所述改性补偿数据和所述温度影响源及影响辐射因子进行钢水流动性优化。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
对所述温度影响源进行源优化成本分析,建立优化效果与成本的映射集合;
以所述影响辐射因子作为补偿控制数据,生成补偿效果与成本的映射集合;
建立温度控制的稳定约束,并以所述稳定约束作为执行标准,对优化效果与成本的映射集合和补偿效果与成本的映射集合进行组合成本寻优;
根据组合成本寻优结果生成温度控制数据;
以所述温度控制数据进行钢水流动性优化。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
对所述产线数据集进行数据解析,建立关键产线节点,并生成关键产线节点的关联区间;
以所述关键产线节点的关键值配置关键稳定约束,并以所述关联区间生成温度控制的稳定约束。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
建立控制稳态与成本的平衡系数集合,所述平衡系数集合与关键值具有映射关系;
以所述平衡系数集合对组合成本寻优结果进行稳态和成本的平衡筛选,根据平衡筛选结果生成温度控制数据。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
依据所述产线数据集进行产线结构解析,建立水口结构特征集;
对钢水执行流速监测,并建立流速触发阈值;
若在钢水流动性优化完成后,钢水流速监测结果触发所述流速触发阈值,则生成水口清理指令;
依据所述水口结构特征集配置清理方案,并通过所述水口清理指令触发执行水口清理。
6.如权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述损失验证结果建立流速与温度损失的关联系数;
通过所述稳定约束进行速度恢复拟合,生成拟合结果;
根据所述关联系数和所述拟合结果输入稳定约束的补偿网络;
通过所述补偿网络对所述稳定约束优化,根据优化结果完成寻优。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
记录异常数据集,并以所述异常数据集生成钢水流动性优化的注意约束;
以所述注意约束执行改性网络的网络参数优化,根据网络参数优化结果执行后续改性补偿处理。
8.一种基于含硅量控制的钢水流动性优化系统,其特征在于,用于实施权利要求1-7任意一项的一种基于含硅量控制的钢水流动性优化方法,所述钢水流动性优化系统包括:
约束区间配置单元,所述约束区间配置单元用于交互铸钢控制系统,生成铸钢性能约束,并以所述性能约束作为约束条件,配置含硅量和含锰量的约束区间;
温度数据获取单元,所述温度数据获取单元用于建立产线数据集,并布设温度传感装置,根据所述温度传感装置的分布位置和测量结果建立温度数据集;
温度损失分析单元,所述温度损失分析单元用于以所述产线数据集作为拟合数据,对钢水流动全程进行温度损失分析,建立温度损失节点;
损失验证溯源单元,所述损失验证溯源单元用于通过所述温度数据集对所述温度损失节点进行损失验证,并基于损失验证结果进行溯源分析,确定温度影响源及影响辐射因子;
改性约束生成单元,所述改性约束生成单元用于对钢水进行分布取样,根据分布取样结果生成改性约束;
改性补偿数据单元,所述改性补偿数据单元用于以所述约束区间作为判定极值,对改性网络初始化,并基于所述产线数据集提取钢水基础数据,将所述钢水基础数据和所述改性约束输入所述改性网络,输出改性补偿数据;
钢水流动性优化单元,所述钢水流动性优化单元用于根据所述改性补偿数据和所述温度影响源及影响辐射因子进行钢水流动性优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322159.0A CN117077545B (zh) | 2023-10-13 | 2023-10-13 | 一种基于含硅量控制的钢水流动性优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322159.0A CN117077545B (zh) | 2023-10-13 | 2023-10-13 | 一种基于含硅量控制的钢水流动性优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077545A true CN117077545A (zh) | 2023-11-17 |
CN117077545B CN117077545B (zh) | 2023-12-26 |
Family
ID=88702765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311322159.0A Active CN117077545B (zh) | 2023-10-13 | 2023-10-13 | 一种基于含硅量控制的钢水流动性优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077545B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107043842A (zh) * | 2017-01-20 | 2017-08-15 | 中钢集团鞍山热能研究院有限公司 | 一种lf精炼炉最优经济配料和智能控制模型 |
CN107765550A (zh) * | 2017-10-17 | 2018-03-06 | 安徽工业大学 | 一种基于钢包自动定位的稳定出钢温度的方法 |
CN116469481A (zh) * | 2023-06-19 | 2023-07-21 | 苏州方兴信息技术有限公司 | 一种基于XGBoost算法的LF精炼钢水成分预报方法 |
-
2023
- 2023-10-13 CN CN202311322159.0A patent/CN117077545B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107043842A (zh) * | 2017-01-20 | 2017-08-15 | 中钢集团鞍山热能研究院有限公司 | 一种lf精炼炉最优经济配料和智能控制模型 |
CN107765550A (zh) * | 2017-10-17 | 2018-03-06 | 安徽工业大学 | 一种基于钢包自动定位的稳定出钢温度的方法 |
CN116469481A (zh) * | 2023-06-19 | 2023-07-21 | 苏州方兴信息技术有限公司 | 一种基于XGBoost算法的LF精炼钢水成分预报方法 |
Non-Patent Citations (1)
Title |
---|
肖尊湖: "转炉供CSP钢水脱氧工艺与氧含量的控制研究", 湖南冶金, vol. 34, no. 2, pages 27 - 32 * |
Also Published As
Publication number | Publication date |
---|---|
CN117077545B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190019096A1 (en) | Estimator, estimation method, program and storage medium where program stored for model parameter estimation and model parameter estimation system | |
US20170315543A1 (en) | Evaluating petrochemical plant errors to determine equipment changes for optimized operations | |
CN105759719B (zh) | 一种基于无偏估计拆分模型的数控机床热误差预测方法及系统 | |
CN107627152B (zh) | 一种基于bp神经网络的数控加工切屑控制方法 | |
CN103038714B (zh) | 模拟工业过程的方法、跟踪模拟器和自动化系统 | |
CN107430706A (zh) | 高级数据清理系统和方法 | |
CN102736558A (zh) | 基于时间序列算法的数控机床热误差实时补偿建模方法 | |
CN105300923A (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
JP7027536B2 (ja) | 解析システム及び解析方法 | |
CN110066895A (zh) | 一种基于Stacking的高炉铁水质量区间预测方法 | |
CA2386120A1 (en) | A computer based method and system for controlling an industrial process | |
CN116638166B (zh) | 一种用于高精度焊接加工的温度智能控制方法及系统 | |
CN117312816A (zh) | 一种特种钢材的冶炼效果评估方法及系统 | |
CN117077545B (zh) | 一种基于含硅量控制的钢水流动性优化方法及系统 | |
CN117066496B (zh) | 一种铸造冷却控制方法及系统 | |
JP2005242818A (ja) | 品質影響要因解析方法、品質予測方法、品質制御方法、品質影響要因解析装置、品質予測装置、品質制御装置、品質影響要因解析システム、品質予測システム、品質制御システム、及びコンピュータプログラム | |
JP3999467B2 (ja) | 燃焼振動予測装置 | |
KR101858860B1 (ko) | 고로 노열 제어 장치 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
US10578023B2 (en) | Controlling a water bath heater for fuel gas | |
Jamrozik | Contextual reliability discounting in welding process diagnostic based on DSmT | |
CN113358236A (zh) | 一种提高温度测量精度的方法及装置 | |
RU2782689C1 (ru) | Аналитическая система и способ анализа | |
CN105259135B (zh) | 适用于实时在线的无测点温度补偿近红外测量方法 | |
CN117171922B (zh) | 一种钢结构制作中平行矫正的方法及系统 |
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 |