CN1298458C - 一种rh精炼炉钢液温度实时预测方法 - Google Patents
一种rh精炼炉钢液温度实时预测方法 Download PDFInfo
- Publication number
- CN1298458C CN1298458C CNB031514367A CN03151436A CN1298458C CN 1298458 C CN1298458 C CN 1298458C CN B031514367 A CNB031514367 A CN B031514367A CN 03151436 A CN03151436 A CN 03151436A CN 1298458 C CN1298458 C CN 1298458C
- Authority
- CN
- China
- Prior art keywords
- temperature
- refining furnace
- molten steel
- steel
- liquid steel
- 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.)
- Expired - Lifetime
Links
Images
Classifications
-
- 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
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明提供一种RH精炼炉钢液温度实时预测方法,它能够实时、准确地预测RH精炼炉的钢液温度,从而既提高了精炼处理结束时的温度命中率,又减少了测温次数。该方法包含以下步骤:(1)计算可用冶金学机理模型或生产数据量化的因素引起的RH精炼炉钢液温度变化分量;(2)利用神经网络模型计算自然温降引起的RH精炼炉钢液温度变化分量,所述神经网络模型输入层的输入变量包含从处理开始时刻至该时刻的时间间隔、RH精炼炉周围环境温度和钢液重量,输出层的输出变量为自然温降引起的RH精炼炉钢液温度的变化分量;(3)将步骤(1)和(2)计算得到的变化分量相加以得到该时刻的RH精炼炉钢液温度相对于处理开始时刻的变化量。
Description
技术领域
本发明涉及冶金过程的生产与控制领域,特别涉及一种RH精炼炉钢液温度的实时预测方法。
背景技术
RH精炼炉是高等级钢种精炼处理的主要工艺设备,该工艺的主要特点是通过钢水在真空槽与钢包内的循环流动,并辅之以顶枪吹氧,实现脱碳、脱气、调整钢液温度和成分、去除钢水中的杂质等冶金功能。图1示出了一种典型的RH精炼炉的示意图。如图1所示,真空系统1与RH真空槽3相连接,当真空槽3的下口完全浸入钢包2中的钢液时,将形成一个密闭系统。真空槽3上还设置与合金加料系统4和氧枪5相接的端口。当RH处理开始时,启动真空系统1排气抽真空。在随后的处理过程中,为了达到各项工艺要求,可通过合金加料系统4加入一定种类和数量的合金,并通过氧枪5向钢液中吹氧。最后,当钢液成分和温度达到目标要求时,使真空系统1停止排气从而结束整个RH处理过程。
作为实现转炉与连铸中间工序的工艺设备,RH精炼炉承担了调整钢水温度的任务,由于钢水温度对于保证钢液质量及后续连铸的生产至关重要,因此必须能够准确地预测RH精炼炉内的钢液温度。
在目前实际生产中,操作人员常使用一次性热电偶测温来获取整个RH处理期间的钢液温度信息。由于RH处理周期较长,因此需要操作人员进行多次测温,这势必增加了热电偶的损耗,提高了生产成本。而且这种测温方式只能获得整个处理周期内几个时间点的温度,缺乏整个RH处理周期的连续温度信息,这使得操作人员往往要通过多次吹氧升温或加冷材降温,才能命中处理结束时所要达到的目标温度,从而增加了精炼处理的生产成本。
已经有人研究利用理论模型预测RH精炼炉钢液温度的方法来代替或减少实际的温度测量,这类方法大多停留在纯粹的物理计算上,或者是根据热力学与热平衡理论建立的传热模型来预测温降速度,从而预报出RH精炼炉钢液的温度。但是由于RH处理工艺异常复杂,影响温度变化的因素多,为了能获得钢液温度的实时预测值,现有预测方法对计算过程作了大量的假设和简化,从而导致所建立的物理模型与真实情况相差较大,另外,为了减少非线性因素导致的复杂性,现有的预测方法需将许多非线性因素作线性化处理,将不稳态的因素作稳态化处理。上述这些简化处理大大影响了钢液温度预测精度,因此到目前为止,尚未有能够达到实际工业应用要求的预测方法。
发明内容
本发明的目的是提供一种RH精炼炉钢液温度实时预测方法,它能够实时、准确地预测RH精炼炉的钢液温度,从而既提高了精炼处理结束时的温度命中率,又减少了测温次数。
本发明的发明目的通过下列技术方案实现:
一种RH精炼炉钢液温度实时预测方法,按照以下步骤计算RH处理期间任一时刻的RH精炼炉钢液温度相对于处理开始时刻的变化量:
(1)计算可用冶金学机理模型或生产数据量化的因素引起的RH精炼炉钢液温度变化分量;
(2)利用神经网络模型计算自然温降引起的RH精炼炉钢液温度变化分量,所述神经网络模型输入层的输入变量包含从处理开始时刻至该时刻的时间间隔、RH精炼炉周围环境温度和钢液重量,输出层的输出变量为自然温降引起的RH精炼炉钢液温度的变化分量;
(3)将步骤(1)和(2)计算得到的变化分量相加以得到该时刻的RH精炼炉钢液温度相对于处理开始时刻的变化量。
比较好的是,在上述RH精炼炉钢液温度实时预测方法中,所述可用冶金学机理模型或生产数据描述的因素包括向钢液中加入合金的种类和数量以及吹氧量。
比较好的是,在上述RH精炼炉钢液温度实时预测方法中,所述可用冶金学机理模型或生产数据描述的因素包括钢包上一炉浇注结束至本炉出钢开始的时间间隔和钢包底部冷钢数量。
比较好的是,在上述RH精炼炉钢液温度实时预测方法中,所述神经网络模型采用三层反向传递(BP)网络神经结构。更好的是,所述三层BP网络神经结构的激励函数为对数S形传递函数,其结构为:
本发明的预测方法可准确预报钢液温度,使得操作人员根据温度预报值对处理过程进行有效的控制,提高了处理过程结束时的温度命中率,减少了处理过程中的测温次数,对于降低生产成本具有重要意义。
附图说明
通过以下结合附图对本发明较佳实施例的描述,可以进一步理解本发明的目的、特征和优点,其中:
图1为一种典型RH精炼炉的示意图。
图2为本发明第一实施例采用的三层反向传递(BP)神经网络的拓朴结构示意图。
图3示出了第一实施例应用于实际生产得到的预测准确性评价结果示意图。
具体实施方式
在本发明的预测方法中,将影响钢液温度的因素归并为两类,一类是可基于冶金学机理模型或生产数据进行量化的,例如合金的数量、种类以及吹氧量等,另一类因素往往具有非常复杂的非线性特征,难以用物理模型或热力学模型以及生产数据进行精确地描述,以下我们将其称为自然温降因素。对于前一类因素,只要采用基于公知的冶金学机理模型或生产数据推导得出的代数学模型进行计算即可,而对于后一类因素,本发明则将其都归结到神经网络模型中而避免采用物理模型进行描述,也就是说,通过使神经网络对一系列实测数据的学习建立起外界变量与自然温降导致的温度变化量之间的输入—输出关系。由此可在减少计算复杂度的前提下提高预测精度,从而达到实时、准确地预测RH精炼炉钢液温度的目的。
值得指出的是,发明人经过研究发现,神经网络模型的输入变量只要包含从RH处理开始时刻至所要预测时刻的时间间隔、RH精炼炉周围环境温度和钢液重量就可充分地刻画自然温降因素引起的温度变化量,精度完全可满足实际应用的需要。
以下借助附图进一步描述本发明预测方法的较佳实施例。
第一实施例
假定RH处理过程发生于图1所示的RH精炼炉内,为简单起见,将处理开始时刻设定为0,则时刻t时RH精炼炉内钢液温度相对时刻为0的变化量f(t)可表示为:
f(t)=TMATURAL(t)+TALLOY+TKTB (1)
其中,TNATURAL(t)为自然温降因素引起的RH精炼炉钢液温度变化分量,该变化分量需要采用下面将作进一步描述的神经网络模型进行计算,TALLOY为加入合金的种类和数量引起的RH精炼炉钢液温度变化分量,TKTB为吹氧量引起的RH精炼炉钢液温度变化分量,它们都可以根据公知的冶金学机理模型计算得到,下面也将作具体描述。
在本实施例中,采用具有图2所示拓朴结构的三层反向传递(BP)网络神经结构来处理自然温降因素引起的变化分量TNATURAL(t),该网络神经结构是一种误差反向传播的多层前馈神经网络,可实现从输入到输出的任意非线性映射。如图2所示,该神经网络的拓朴结构包括输入层、隐含层和输出层三层,其中,输入层包含三个输入节点,分别对应从RH处理开始时刻至所要预测时刻的时间间隔、RH精炼炉周围环境温度和钢液重量这三个输入变量,输出层包含1个输出节点,对应自然温降因素引起的变化分量TNATURAL(t);此外,图2所示神经网络中的激励函数采用对数S形(Sigmoid)传递函数,其结构为:
为了建立起自然温降的变化曲线,向该神经网络提供多组实测数据作为学习样本,每组数据包括作为输入变量的从RH处理开始时刻至所要预测时刻的时间间隔、RH精炼炉周围环境温度和钢液重量和作为输出变量的自然温降因素引起的变化分量TNATURAL(t)。经过学习,该神经网络将建立起一定的输入—输出关系。在预测钢液温度时,只要将具体的输入变量输入该神经网络,即可利用已经建立的输入—输出关系计算出自然温降的变化分量TNATURAL(t)。
值得指出的是,处理自然温降因素引起的变化分量TNATURAL(t)所用的神经网络并不局限于图2所示的结构,激励函数也不局限于公式(2)所示的形式,对于本领域内的技术人员来说,在认识到采用神经网络模型来处理自然温降因素可有效避免计算复杂性和提高温度预测的实时性、准确性这一关键点之后,根据具体情况采用合适类型的神经网络结构是显而易见的,因此以其它类型的神经网络替代本实施例所采用的三层BP神经网络皆属于等同替换。
以下描述合金加入引起的钢液温度变化量TALLOY的计算方法。在RH精炼处理过程中,加入的合金一般根据所起的化学作用分成两类:普通合金和特殊合金。普通合金是指加入的合金仅作为钢液中的成分元素而存在(即仅起到合金化作用),本身并不参与脱氧。特殊合金则既是钢液中的成分元素,又起到脱氧剂的作用。在计算合金加入引起的钢液温度变化量时,首先应根据加入时钢液所处的状态判断加入合金的作用是作为脱氧剂还是成分元素,或者是既作为脱氧剂又作为成分元素。表1~3列出了各种合金在不同情况下的温降计算公式,单位为℃/千克/吨,即每千克合金的加入量使每吨钢液的温度改变量。在确定温降计算公式之后,将每种合金的加入量和钢液重量代入相应的温降计算公式即可计算出每种合金的加入所引起的钢液温度变化分量。最后,将这些温度变化分量相加即得到TALLOY。
(1)特殊合金
特殊合金主要有铝(Al)、硅铁(FeSi)和碳粉(C-PW),当其既作为脱氧剂又作为成分元素时,温降计算公式如表1所示。
表1
加入的合金 | 加入目的 | 每千克合金使吨钢的温度改变量(℃/kg/t) |
Al | 脱氧及合金化 | 0.144×WAl/WSTEEL+3.353×10-2×Δ[O] |
FeSi(77%) | 脱氧及合金化 | 0.81×WFeSi/WSTEEL+2.32×10-2×Δ[O] |
C-PW | 脱氧及合金化 | -5.92×WC-PW/WSTEEL+0.178×10-2×Δ[O] |
若特殊合金仅用于钢液的合金化,则其温降计算公式如表2所示。
表2
加入的合金 | 加入目的 | 每千克合金使吨钢的温度改变量(℃/kg/t) |
Al | 合金化 | 0.144×WAl/WSTEEL |
FeSi(77%) | 合金化 | 0.81×WFeSi/WSTEEL |
C-PW | 合金化 | -5.92×WC-PW/WSTEEL |
表1和表2中的WSTEEL为钢液重量;WAl、WFeSi、WC-PW分别为加入的铝、硅铁和碳粉的重量。Δ[O]为脱去的游离氧浓度,单位为ppm。
(2)普通合金
普通合金主要有冷材、锰铁、钛铁、硼铁、磷铁、铬铁、钼铁和铌铁,它们的作用是合金化,其温降计算公式如表3所示。
表3
加入的合金 | 加入目的 | 每千克合金使吨钢的温度改变量(℃/kg/t) |
H-Mn | 合金化 | -2.26×WH-Mn/WSTEEL |
M-Mn | 合金化 | -2.01×WM-Mn/WSTEEL |
L-Mn | 合金化 | -2.0×WL-Mn/WSTEEL |
LCTi(25%) | 合金化 | 0.1×WLCTi/WSTEEL |
Fe-B | 合金化 | -4.02×WFe-B/WSTEEL |
Fe-P | 合金化 | -3.53×WFe-P/WSTEEL |
LCCr | 合金化 | -2.0×WLCCr/WSTEEL |
Fe-Mo | 合金化 | -1.21×WFe-Mo/WSTEEL |
ScHP | 合金化 | -2.1×WScHP/WSTEEL |
FeSi(77%) | 合金化 | 0.81×WFeSi/WSTEEL |
表3中的WSTEEL为钢液重量;WH-Mn、WM-Mn、WL-Mn、WL-CTi、WFe-B、WLCCr、WFe-Mo、WScHP、WFeSi分别为加入的各种普通合金的重量。
在RH处理过程中,吹氧主要有两个目的:脱碳和升温。对于已脱碳的钢液,吹氧主要用来升温。对于未脱碳的超低碳钢液,处理前期的吹氧主要用来提供脱碳所需要的氧和促进脱碳反应的进行,处理后期由于钢液已经完成脱碳而成为已脱碳钢液,因此吹氧的主要作用是升温。以下分别描述这两种情况下吹氧引起的钢液温度变化量TKTB的计算方法。
(1)已脱碳钢液的吹氧
当向已脱碳钢液吹入氧气时,钢液中的金属元素将与氧发生化学反应,这些化学反应将吸收或释放热量从而引起钢液温度的变化。为了确定这种温度变化,首先可根据生产数据确定吹入氧气的利用率,即有多少数量的氧气参与化学反应和每种化学反应耗用的氧气比例,然后根据每种化学反应吸收或释放的热量计算出吹入氧气引起的钢液温度变化分量TKTB。
(2)未脱碳钢液的吹氧
当向未脱碳钢液吹入氧气时,吹氧脱碳与没有吹氧时钢液中的脱碳反应热效应相同,因此可以不考虑吹氧脱碳引起的温度变化,需要考虑的仅是溶入钢液中的吹入氧气部分对钢液温度的影响。溶入钢液中的吹入氧气数量可以用钢液中的游离氧浓度表征,通过测量钢液中游离氧浓度的增加量即可确定有多少吹入的氧气溶入钢液,然后根据生产数据获得的游离氧浓度增加量与温度变化量的对应关系,即可计算出吹入氧气引起的钢液温度变化分量TKTB。
图3示出了上述实施例应用于实际生产得到的预测准确性评价结果,其中,纵坐标为炉数,横坐标为实测温度与预测温度之差的绝对值。如图3所示,在总计52炉的RH精炼处理过程中,有45炉的预测温度与实测温度之间的误差小于5℃,有3炉的误差介于5~6℃之间,有3炉的误差介于6~8℃之间,还有1炉的误差介于8~10℃之间。考虑到在RH处理过程中的钢液温度都要在1600℃左右,这样的预测精度是非常高的。
值得指出的是,由于合金和吹氧对钢液温度的影响可以采用冶金学机理模型或生产数据进行精确的描述并且对于本领域内的技术人员来说计算方法也是公知的,因此上述合金加入和吹氧引起的钢液温度变化量的计算方法仅是示意性质的,不应构成对本发明精神和保护范围的限定。
第二实施例
假定RH处理过程发生于图1所示的RH精炼炉内,为简单起见,仍将处理开始时刻设定为0,与第一实施例的不同之处在于,时刻t时RH精炼炉内钢液温度相对时刻为0的变化量f(t)表示为:
f(t)=TNATURAL(t)+TALLOY+TKTB+TLADLEB(t) (3)
其中,TNATURAL(t)为自然温降因素引起的RH精炼炉钢液温度变化分量,该变化分量采用与第一实施例相同的方式计算,TALLOY为加入合金的种类和数量引起的RH精炼炉钢液温度变化分量,TKTB为吹氧量引起的RH精炼炉钢液温度变化分量,它们也采用与第一实施例相同的方式计算。TLADLEB(t)为钢包状态及包底冷钢状态引起的钢液温度变化量,以下将会看到,它们对钢液温度的影响主要是在RH处理前期,并且与钢液温度相比,影响程度也较小。以下对钢包状态及包底冷钢状态引起的钢液温度变化量的计算方式作详细描述。
所谓钢包状态即上一炉浇注结束至本炉出钢开始的时间间隔,当该时间间隔较长时,在RH处理初期,钢包将吸收较多的热量,因此使得钢液温度的降低程度更大,反之,钢包将吸收较少的热量,因此使得钢液温度的降低程度较小。为了简化处理,可以将钢包状态分为1~6共计6级,也即将时间间隔分为6段范围,每级或每段对应一个温度补正量,并且按照下式计算引起的钢液温度变化量:
ΔT1(t)=TB1×t/8(t≤8) (4)
其中,ΔT1(t)为t时刻钢液的温度,TB1为与相应级别和段对应的温度补正量,具体数值根据生产情况确定,表4示出了一个实例。根据生产经验,钢包的吸热主要发生在RH处理的前8分钟,因此这里t≤8分钟。
所谓包底冷钢状态即上一炉浇注结束后留在钢包底部的冷钢数量。从RH处理开始几分钟后钢包内的钢液环流比较明显,持续几分钟后达到循环均匀,因此包底冷钢对处理过程温降的影响局限于这段时间,一般情况下,这段时间为RH处理后的第3~6分钟。如果冷钢数量较多,将吸收较多的热量,因此钢液温度的降低程度更大,反之,冷钢吸收的热量较少,因此钢液温度的降低程度较小。为了简化处理,可以将冷钢状态分为A~B共计5级,也即将冷钢数量分为5段范围,每级或每段对应一个温度补正量,并且按照下式计算引起的钢液温度变化量:
ΔT2(t)=TB2(t-3)/3(3≤t≤6) (5)
其中,ΔT2(t)为t时刻钢液的温度,TB2为与相应级别和段对应的温度补正量,具体数值根据生产情况确定,表4示出了一个实例。这里假设包底冷钢对处理过程温降的影响局限于从RH处理开始的第3~6分钟,即3≤t≤6分钟。
将上述钢包状态和包底冷钢状态引起的温度变化量ΔT1(t)和ΔT2(t)相加即可获得TLADLEB(t)。
表4
钢包状态 | 温度补正(℃) | 包底冷钢 | 温度补正(℃) |
1 | 0 | A | 0 |
2 | 0 | B | -5 |
3 | -3 | C | -8 |
4 | -5 | D | -12 |
5 | -10 | E | 异常处理 |
6 | -10 |
值得指出的是,可以采用冶金学机理模型或根据生产数据精确确定对钢液温度影响程度的并不局限于上述第一和第二实施例所列出的合金加入、吹氧、钢包状态和包底冷钢状态等因素,由于实际应用的多样性,这里无法穷举出各种因素,例如当真空槽长时间搁置后再投入使用时,其对钢液温度的影响因素在说明书中未作详细论述,因此上述第一和第二实施例的描述仅是示意性质的。对于本领域内的技术人员来说,只要通过阅读本说明书就能得到可采用神经网络模型来处理冶金学机理模型或生产数据无法精确描述的温度影响因素的启示,至于如何根据冶金学机理模型或生产数据精确确定这类因素对钢液温度的影响程度则是显而易见的事情,因此上述示意性质的描述不应构成对本发明精神和保护范围的限定。
Claims (6)
1.一种RH精炼炉钢液温度实时预测方法,其特征在于,按照以下步骤计算RH处理期间任一时刻的RH精炼炉钢液温度相对于处理开始时刻的变化量:
(1)计算可用冶金学机理模型或生产数据量化的因素引起的RH精炼炉钢液温度变化分量;
(2)利用神经网络模型计算自然温降引起的RH精炼炉钢液温度变化分量,所述神经网络模型输入层的输入变量包含从处理开始时刻至该时刻的时间间隔、RH精炼炉周围环境温度和钢液重量,输出层的输出变量为自然温降引起的RH精炼炉钢液温度的变化分量;
(3)将步骤(1)和(2)计算得到的变化分量相加以得到该时刻的RH精炼炉钢液温度相对于处理开始时刻的变化量。
2.如权利要求1所述的RH精炼炉钢液温度实时预测方法,其特征在于,所述可用冶金学机理模型或生产数据描述的因素包括向钢液中加入合金的种类和数量以及吹氧量。
3.如权利要求1或2所述的RH精炼炉钢液温度实时预测方法,其特征在于,所述可用冶金学机理模型或生产数据描述的因素包括钢包上一炉浇注结束至本炉出钢开始的时间间隔和钢包底部冷钢数量。
4.如权利要求1或2所述的RH精炼炉钢液温度实时预测方法,其特征在于,所述神经网络模型采用三层反向传递网络神经结构。
5.如权利要求3所述的RH精炼炉钢液温度实时预测方法,其特征在于,所述神经网络模型采用三层反向传递网络神经结构。
6.如权利要求4所述的RH精炼炉钢液温度实时预测方法,其特征在于,所述三层BP网络神经结构的激励函数为对数S形传递函数,其结构为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB031514367A CN1298458C (zh) | 2003-09-29 | 2003-09-29 | 一种rh精炼炉钢液温度实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB031514367A CN1298458C (zh) | 2003-09-29 | 2003-09-29 | 一种rh精炼炉钢液温度实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1603026A CN1603026A (zh) | 2005-04-06 |
CN1298458C true CN1298458C (zh) | 2007-02-07 |
Family
ID=34659943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB031514367A Expired - Lifetime CN1298458C (zh) | 2003-09-29 | 2003-09-29 | 一种rh精炼炉钢液温度实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1298458C (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320031B (zh) * | 2008-05-27 | 2012-09-26 | 上海实达精密不锈钢有限公司 | 一种奥氏体不锈钢精密钢带的终轧变形量预测方法 |
CN101619378B (zh) * | 2008-06-30 | 2011-07-27 | 鞍钢股份有限公司 | 一种钢水的脱氧方法 |
CN102277468B (zh) * | 2010-06-12 | 2013-04-24 | 上海梅山钢铁股份有限公司 | Lf精炼炉钢水温度实时测报方法 |
CN102867220B (zh) * | 2012-06-25 | 2016-09-21 | 攀钢集团研究院有限公司 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
CN103305656B (zh) * | 2013-03-27 | 2016-05-18 | 马钢(集团)控股有限公司 | 一种if钢rh真空脱碳过程控制方法 |
CN103276147A (zh) * | 2013-06-06 | 2013-09-04 | 鞍钢股份有限公司 | 一种lf精炼过程钢水温度的预报方法 |
CN103645633B (zh) * | 2013-12-25 | 2017-01-18 | 中国科学院自动化研究所 | 一种变换炉系统的炉温自学习控制方法 |
CN105652666B (zh) * | 2016-03-09 | 2018-09-11 | 中南大学 | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 |
CN107557535A (zh) * | 2017-07-31 | 2018-01-09 | 唐山钢铁集团有限责任公司 | 一种提高精炼工精准控制钢水温度的方法 |
CN110850915A (zh) * | 2018-08-21 | 2020-02-28 | 上海梅山钢铁股份有限公司 | 一种基于自学习的炼钢钢水过程温度控制系统和控制方法 |
CN110490260B (zh) * | 2019-08-22 | 2022-08-09 | 联峰钢铁(张家港)有限公司 | 一种识别铁包空包温降的方法和装置 |
CN110684882A (zh) * | 2019-11-05 | 2020-01-14 | 山东钢铁集团日照有限公司 | 一种含氧钢rh真空碳粉脱氧降温的方法 |
JP7126078B2 (ja) * | 2019-11-29 | 2022-08-26 | Jfeスチール株式会社 | 取鍋精錬処理の操業方法 |
CN111020118B (zh) * | 2019-12-25 | 2021-09-24 | 武汉科技大学 | 一种基于粒子群优化案例推理的rh终点温度预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1097829A (zh) * | 1993-06-17 | 1995-01-25 | 东芝株式会社 | 配水流量预测装置 |
CN1112693A (zh) * | 1993-03-12 | 1995-11-29 | 株式会社日立制作所 | 过程自适应控制方法及过程控制系统 |
CN1240521A (zh) * | 1996-12-13 | 2000-01-05 | 西门子共同研究公司 | 汽轮机叶片温度预测方法 |
CN1242848A (zh) * | 1996-11-20 | 2000-01-26 | 罗伯特·J·詹恩阿罗尼 | 多内核神经网络并行学习、监视和预报系统 |
-
2003
- 2003-09-29 CN CNB031514367A patent/CN1298458C/zh not_active Expired - Lifetime
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1112693A (zh) * | 1993-03-12 | 1995-11-29 | 株式会社日立制作所 | 过程自适应控制方法及过程控制系统 |
CN1097829A (zh) * | 1993-06-17 | 1995-01-25 | 东芝株式会社 | 配水流量预测装置 |
CN1242848A (zh) * | 1996-11-20 | 2000-01-26 | 罗伯特·J·詹恩阿罗尼 | 多内核神经网络并行学习、监视和预报系统 |
CN1240521A (zh) * | 1996-12-13 | 2000-01-05 | 西门子共同研究公司 | 汽轮机叶片温度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN1603026A (zh) | 2005-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1298458C (zh) | 一种rh精炼炉钢液温度实时预测方法 | |
CN114611844B (zh) | 一种转炉出钢过程合金加入量的确定方法和系统 | |
CN109447346B (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 | |
Gregorutti et al. | Mechanical properties of compacted graphite cast iron with different microstructures | |
JP5527180B2 (ja) | 転炉吹錬方法及び転炉吹錬システム | |
CN111020118B (zh) | 一种基于粒子群优化案例推理的rh终点温度预测方法 | |
Xu et al. | Optimization of heat treatment technique of high-vanadium high-speed steel based on back-propagation neural networks | |
Jenab et al. | The use of ANN to predict the hot deformation behavior of AA7075 at low strain rates | |
Feng et al. | Endpoint temperature prediction of molten steel in RH using improved case-based reasoning | |
Wang et al. | Convolutional Neural Network‐Based Method for Predicting Oxygen Content at the End Point of Converter | |
CN113192568A (zh) | 一种精炼炉脱硫终点预报方法和系统 | |
Li et al. | Dilatometric research on pearlite-to-austenite transformation of Fe–1C–1.44 Cr low-alloy steel | |
Fei et al. | Prediction of oxygen-blowing volume in BOF steelmaking process based on BP neural network and incremental learning | |
CN116469481B (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
CN101905239A (zh) | 一种40Cr线棒材力学性能预报系统 | |
Egorova et al. | Use of industrial monitoring results for predicting mechanical properties of titanium alloy semiproducts | |
Ghasemi et al. | Modelling and simulation of local mechanical properties of high silicon solution-strengthened ferritic compacted graphite iron | |
CN110119595B (zh) | 一种压铸铝合金材料的设计方法 | |
CN111933221A (zh) | 一种预测Nb微合金钢动态再结晶分数的方法 | |
Xu et al. | Prediction of static globularization of Ti-17 alloy with starting lamellar microstructure during heat treatment | |
Trzaska et al. | Computer programme for prediction steel parameters after heat treatment | |
Gumienny et al. | Predicting the microstructure of compacted graphite iron using a fuzzy knowledge-based system | |
CN104775006A (zh) | 基于炉气分析模型的真空吹氧脱碳精炼的脱碳控制方法 | |
CN100507018C (zh) | 一种确定rh精炼过程中吹氧量和冷材加入量的方法 | |
Chen et al. | Modeling of flow stress of high titanium content 6061 aluminum alloy under hot compression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CX01 | Expiry of patent term |
Granted publication date: 20070207 |
|
CX01 | Expiry of patent term |