CN1594601A - 基于平衡点的稳定高炉操作的方法 - Google Patents
基于平衡点的稳定高炉操作的方法 Download PDFInfo
- Publication number
- CN1594601A CN1594601A CN 200410025210 CN200410025210A CN1594601A CN 1594601 A CN1594601 A CN 1594601A CN 200410025210 CN200410025210 CN 200410025210 CN 200410025210 A CN200410025210 A CN 200410025210A CN 1594601 A CN1594601 A CN 1594601A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- trim point
- data
- tfe
- balance point
- 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
Landscapes
- Manufacture Of Iron (AREA)
Abstract
一种基于平衡点的稳定高炉操作的方法,用于高炉炼铁技术领域。本发明利用高炉平衡点数值来调控高炉,首先对高炉现场数据进行筛选并用理论燃烧温度与炉腹煤气量的乘积来表示高炉平衡点,然后确定平衡点影响因素,以确定的平衡点影响参数为输入值,平衡点为输出值并选取高炉现场数据,由输入层到隐含层的学习率为0.30,隐含层到输出层学习率为0.15,动量项系数为0.35,变换函数为正切双曲函数建立高炉平衡点人工神经网络预测模型,最后用神经网络训练样本数据,对高炉有效数据进行拟合,得出平衡点与高炉各因素之间的非线性关系,根据该非线性关系并围绕着高炉平衡点数值来调控高炉。本发明的平衡点数据能保证高炉稳定、顺行工作。
Description
技术领域
本发明涉及的是一种稳定高炉操作的方法,具体是一种基于平衡点的稳定高炉操作的方法,用于高炉炼铁技术领域。
背景技术
随着高炉大型化和对高炉寿命越来越高的要求,迫切需要高炉能正常稳定工作。但是高炉的高产与长寿在实时操作中往往是对立的。对于现存的高炉,在高炉炉体设计、原料状况及设备状况等保持不变的情况下,最重要的一个问题就是如何来稳定高炉操作,即就是如何减少高炉的波动。众所周知,高炉下部热量水平的高低及稳定状况是高炉能否正常稳定工作的重要因素之一,因为高炉下部产生的原始煤气流的温度及分布对整个料柱内的气流分布影响极大,并且原始气流的分布将直接影响高炉的炉缸活跃状态、煤气成份、炉墙状况、料柱的透气性和透液能力等。因此,如何控制高炉下部热状态,确保高炉能始终处于一种“平衡”的状态,就成为高炉操作者首要解决的问题,这对刚开炉不久的高炉尤为重要。
经对现有技术的文献检索发现,吕华民,李子秋在《炼铁》No.3,1991,43-46上发表的“控制理论燃烧温度的生产实践”,该文介绍了:“平衡点”可用风口前的理论燃烧温度Tf来衡量,即采用针对所有高炉的经验公式:Tf=1570+0.808T风-5.85W湿-4.4W油+4.37V氧-(2.37-2.75)W煤,这是个线性关系,而高炉内的变化是不稳定的,内部参数之间的关系是非线性的并且每个高炉有效容积和生产条件不同,统一的并且简单的关系不能概述高炉内部的变化情况。同时,随着高炉的大型化发展,“炉腰病”愈来愈严重,炉墙结厚时有发生,仅用Tf来表示下部热量是不够的,许多高炉因为只重视Tf而忽视高炉下部气流量而导致高炉炉缸不活,炉墙结厚。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于平衡点的稳定高炉操作的方法,并围绕着高炉平衡点数值来调控高炉,从而使高炉稳定、顺行、高产和低耗。
本发明是通过以下技术方案来实现的,利用高炉平衡点数值来调控高炉,首先对高炉现场数据进行筛选并用理论燃烧温度与炉腹煤气量的乘积来表示高炉平衡点,然后确定平衡点影响因素,以确定的平衡点影响参数为输入值,平衡点为输出值并选取高炉现场数据,由输入层到隐含层的学习率为0.30,隐含层到输出层学习率为0.15,动量项系数为0.35,变换函数为正切双曲函数建立高炉平衡点人工神经网络预测模型,最后用神经网络训练样本数据,对高炉有效数据进行拟合,得出平衡点与高炉各因素之间的非线性关系,根据该非线性关系并围绕着高炉平衡点数值来调控高炉,从而使高炉稳定、顺行。
以下对本发明作进一步的说明,具体内容如下:
(1)高炉现场数据进行筛选
对高炉现场操作数据应做必要的筛选,考虑到高炉平衡点操作是为了维持正常的炉况而建立,所以如下情况的操作日数据应作为舍弃对象而不予使用:对高炉现场数据进行筛选,具体为:
1)当日滑料的次数超过两次的,2)高炉利用系数小于2.0t/(day.m3)的,3)休风时间超过1小时的,根据以上原则,得到反映高炉正常生产状况的有用数据。
(2)用理论燃烧温度与炉腹煤气量的乘积来表示高炉平衡点
高炉下部热量表示离不开两个参数:一是热,即煤气温度;二是量,即煤气量。两者的结合才是炉内热量水平的真正体现。因此,采用风口理论燃烧温度与炉腹煤气量的乘积-Tf×Vb来表示高炉下部热量水平即“平衡点”更为合理。Tf×Vb值的大小及稳定一可满足高炉内各种反应需要的热量,二可预防大高炉“炉腰病”的产生,从而使高炉得以稳定顺行。
式中:
Q碳--风口前碳燃烧成CO所放出的热量,KJ/tFe;
Q风--鼓风带入的热量,KJ/tFe;
Q燃--燃料带入的物理热,KJ/tFe;
Q水--鼓风和喷吹燃料中水分分解热,KJ/tFe;
Q分--喷吹燃料分解热,KJ/tFe;
CCO.N2--CO或N2的比热,KJ/m3.℃;
CH2--H2的比热,KJ/m3.℃;
VCO、VN2、VH2--分别为炉缸煤气中CO、N2、H2的含量,m3/tFe。
炉腹煤气量Vb的计算方法:
式中:
V缸CO、V缸N2、V缸H2
--分别为炉缸煤气中CO、N2、H2的体积,m2/tFe;
CO焦挥、N2焦挥、H2焦挥--分别为焦碳挥发分中CO、N2、H2的数量,kg/tFe;
Cd--直接还原消耗的碳量,kg/tFe;
CO2熔--熔剂带入的CO2量,kg/tFe。
(3)平衡点影响因素
考虑到数据获取的方便性及其与Tf×Vb的相关程度,在神经网络模型中选择如下参数:
①送风风量(m3/min)。原燃料的物理性能及化学成分、设备状况和炉缸状况直接影响送风风量,因此风量指标反映了高炉的顺行状况,是一个重要的参数;
②风温(℃)。同送风量有同样的权重,它的变化直接影响高炉软熔带的高度及形状;
③鼓风湿度(g/m3)。作为下部调剂的一种手段,加湿可增加风中氢氧含量,使冶强提高,并降低燃烧焦点温度,使炉缸温度趋于均匀,有利于顺行;
④喷煤量(t/h)。喷煤量的变化直接影响风口前的燃烧状况、风口前的理论燃烧温度和煤气的利用率。合理的喷煤量有利于增产节焦、改进高炉冶炼工艺及促进高炉顺行,它也是一个重要的参数;
⑤负荷(O/C)。它反映了高炉的原燃料及热量状况,是重要的调节手段;
⑥料速(批/h)。它的变化反映了矿批大小、高炉是否正常运行等等,将直接影响高炉炉缸渣铁的温度;
⑦煤气利用率(%)。这是炉料运动和煤气运动结果的最终体现,也是高炉冶炼正常与否的重要指标之一。
(4)建立高炉平衡点人工神经网络数学模型
采用三层误差反向传播(BP)神经网络,BP学习算法流程如下:
①选取学习参数(η=0.30,α=0.35):
②置网络权重和阀值w,θ为[-0.5,0.5]区间内的随机数;
③选取变换函数为正切双曲函数
④提供网络学习的一组实际样本并对每个学习样本进行⑤-⑨;
⑤计算隐含层节点的实际输出和输出层的实际输出;
⑥计算网络输出误差;
⑦若误差满足要求或网络训练达到指定学习数,则结束学习,否则转向⑧;
⑧逆向逐层计算各单元的学习律δ;
⑨按梯度下降方向修正权重和阀值;
⑩转向⑤。
(5)神经网络训练样本数据
考虑BP网络对输入数据要求0~1之间的数据,因此,在应用神经网络之前要对数据进行归一化处理,其方法如下:
式中:
xi为归一化后的第i个节点参数数据,Rxi为原始采集数据,
α=(max(Rxi)+min(Rxi))/2,b=(max(Rxi)-min(Rxi))/2
通过人工神经网络模型对高炉有效数据进行拟合,得出预报模型,也即Tf×Vb=f(风量、风温、湿度、煤量、负荷、煤气利用率及料速)的关系模型,由该模型对生产实际数据进行预报,由高炉平衡点与高炉系数、铁水含硅量和燃料比的关系,得出高炉长期稳定、顺行的平衡点为1.25℃.m3/(min.t.m3),处于这个值下的操作可以保持高炉处于长期良好的状况,在保证平衡点不变的情况下,可以得出各操作参数之间的替代关系,从而为高炉操作参数的定量变动提供指导确保高炉高产、优质、低耗和长寿。
本发明确定了高炉平衡点的值为1.25℃.m3/(min.t.m3),高炉所有的参数调节都必须满足这个值的要求,它解决了高炉工长调节高炉参数凭主观经验没有一个合理的标准而经常导致高炉波动的状况。
附图说明
图1 BP网络结构示意图
具体实施方式
以下结合附图和方法的内容提供具体的实施例:
实施例马钢2500m3高炉平衡点操作方法
首先对马钢2500m3号高炉1996至1997年的现场操作数据做了必要的筛选,考虑到高炉平衡点操作是为了维持正常的炉况而建立,所以如下情况的操作日数据作为舍弃对象而不予使用:1)当日滑料的次数超过两次的,2)高炉利用系数小于2.0t/day.m3的,3)休风时间超过1小时的,根据以上原则,得到反映高炉正常生产状况的有用数据。根据以上原则,共得到可用的数据533组,这些数据基本上可反映高炉正常生产的状况;其次,用理论燃烧温度与炉腹煤气量的乘积来计算出533组高炉平衡点的值;然后选取送风风量(m3/min)、风温(℃)、鼓风湿度(g/m3)、喷煤量(t/h)、负荷(O/C)、料速(批/h)和煤气利用率(%)作为平衡点的影响因素并建立BP神经网络数学模型如附图1。利用533组数据可以训练该网络,得到预报高炉平衡点的非线性关系模型Tf×Vb=f(风量、风温、湿度、煤量、负荷、煤气利用率及料速),这个关系是非线性的,并且不同的高炉其内部参数之间的关系不一样,它随高炉的生产状况不同而变化。但是,平衡点的值1.25℃.m3/(min.t.m3)是核心,所有高炉及高炉的任何生产条件都必须围绕这个值进行。
以此完成了马钢2500m3高炉平衡点操作方法的过程。该操作方法的特征为:由非线性模型关系式可以在线预报高炉现场的Tf×Vb值,若偏离平衡点1.25℃.m3/(min.t.m3),则通过Tf×Vb与各因素的关系式来调节各因素来达到平衡点值,使高炉稳定和顺行;在高炉现场操作中,经常遇到某个因素发生变化,为了维持平衡点,则可以利用关系式来调节其它因素来平衡,这样,对高炉各因素之间的替代关系就实现了科学定量化。通过平衡点操作,马钢2500m3高炉在1998年以后达到了高产、稳定和低耗。
Claims (7)
1、一种基于平衡点的稳定高炉操作的方法,其特征在于,利用高炉平衡点数值来调控高炉,首先对高炉现场数据进行筛选并用理论燃烧温度与炉腹煤气量的乘积来表示高炉平衡点,然后确定平衡点影响因素,以确定的平衡点影响参数为输入值,平衡点为输出值并选取高炉现场数据,由输入层到隐含层的学习率为0.30,隐含层到输出层学习率为0.15,动量项系数为0.35,变换函数为正切双曲函数建立高炉平衡点人工神经网络预测模型,最后用神经网络训练样本数据,对高炉有效数据进行拟合,得出平衡点与高炉各因素之间的非线性关系,根据该非线性关系并围绕着高炉平衡点数值来调控高炉,从而使高炉稳定、顺行。
2、根据权利要求1所述的基于平衡点的稳定高炉操作的方法,其特征是,所述的对高炉现场数据进行筛选,具体为:
对高炉现场操作数据做筛选,如下情况的操作日数据作为舍弃对象:
(1)当日滑料的次数超过两次的,
(2)高炉利用系数小于2.0t/day.m3的,
(3)休风时间超过1小时的,根据以上原则,得到反映高炉正常生产状况的有用数据。
3、根据权利要求1所述的基于平衡点的稳定高炉操作的方法,其特征是,所述的用理论燃烧温度与炉腹煤气量的乘积来表示高炉平衡点,具体为:
采用风口理论燃烧温度与炉腹煤气量的乘积Tf×Vb来表示高炉下部热量水平即平衡点,风口前理论燃烧温度Tf的表示方法:
式中:
Q碳--风口前碳燃烧成CO所放出的热量,KJ/tFe,
Q风--鼓风带入的热量,KJ/tFe,
Q燃--燃料带入的物理热,KJ/tFe,
Q水--鼓风和喷吹燃料中水分分解热,KJ/tFe,
Q分--喷吹燃料分解热,KJ/tFe,
CCO.N2--CO或N2的比热,KJ/m3.℃,
CH2--H2的比热,KJ/m3.℃,
VCO、VN2、VH2、--分别为炉缸煤气中CO、N2、H2的含量,m3/tFe;
炉腹煤气量Vb的计算方法:
式中:
V缸CO、V缸N2、V缸H2--分别为炉缸煤气中CO、N2、H2的体积,m3/tFe,
CO焦挥、N2焦挥、H2焦挥--分别为焦碳挥发分中CO、N2、H2的数量,kg/tFe,
Cd--直接还原消耗的碳量,kg/tFe,
CO2熔--熔剂带入的CO2量,kg/tFe。
4、根据权利要求1所述的基于平衡点的稳定高炉操作的方法,其特征是,所述的确定平衡点影响因素,具体为:
在神经网络模型中选择如下参数:①送风风量,②风温,③鼓风湿度,④喷煤量,⑤负荷,⑥料速,⑦煤气利用率。
5、根据权利要求1所述的稳定高炉操作的方法,其特征是,所述的建立高炉平衡点人工神经网络预测模型,具体为:
以确定的平衡点影响参数为三层误差反向传播神经网络的输入值,平衡点Tf×Vb为输出值,学习算法流程如下:
①选取学习参数,η1=0.30,η2=0.15,α=0.35;
②置网络权重和阀值w,θ为[-0.5,0.5]区间内的随机数;
③选取变换函数为正切双曲函数
④提供网络学习的一组实际样本并对每个学习样本进行⑤-⑨;
⑤计算隐含层节点的实际输出和输出层的实际输出;
⑥计算网络输出误差;
⑦若误差满足要求或网络训练达到指定学习数,则结束学习,否则转向⑧;
⑧逆向逐层计算各单元的学习律δ;
⑨按梯度下降方向修正权重和阀值;
⑩转向⑤。
6、根据权利要求1所述的稳定高炉操作的方法,其特征是,所述的神经网络训练样本数据,具体为:
在应用神经网络之前对数据进行归一化处理,其方法如下:
式中,xi为归一化后的第i个节点参数数据,Rxi为原始采集数据,
α=(max(Rxi)+min(Rxi))/2,b=(max(Rxi)-min(Rxi))/2
通过人工神经网络模型对高炉有效数据进行拟合,平衡点与高炉各因素之间的非线性关系Tf×Vb=f(风量、风温、湿度、煤量、负荷、煤气利用率及料速)。
7、根据权利要求1所述的稳定高炉操作的方法,其特征是,高炉长期稳定、顺行的平衡点为1.25℃.m3/min.t.m3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200410025210 CN1594601A (zh) | 2004-06-17 | 2004-06-17 | 基于平衡点的稳定高炉操作的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200410025210 CN1594601A (zh) | 2004-06-17 | 2004-06-17 | 基于平衡点的稳定高炉操作的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1594601A true CN1594601A (zh) | 2005-03-16 |
Family
ID=34663601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200410025210 Pending CN1594601A (zh) | 2004-06-17 | 2004-06-17 | 基于平衡点的稳定高炉操作的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1594601A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175345A (zh) * | 2011-01-06 | 2011-09-07 | 华东理工大学 | 多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法 |
CN102889944A (zh) * | 2012-09-17 | 2013-01-23 | 许继集团有限公司 | 一种电石生产炉温监测方法 |
CN103559543A (zh) * | 2013-11-13 | 2014-02-05 | 莱芜钢铁集团电子有限公司 | 一种高炉煤气发生量的预测方法及装置 |
CN107119157A (zh) * | 2017-04-27 | 2017-09-01 | 山西太钢不锈钢股份有限公司 | 根据高炉炉腹煤气量指数确定矿批和炉顶压力的方法 |
CN111593155A (zh) * | 2020-05-28 | 2020-08-28 | 江苏省沙钢钢铁研究院有限公司 | 高炉诊断系统及方法 |
-
2004
- 2004-06-17 CN CN 200410025210 patent/CN1594601A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175345A (zh) * | 2011-01-06 | 2011-09-07 | 华东理工大学 | 多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法 |
CN102175345B (zh) * | 2011-01-06 | 2012-08-08 | 华东理工大学 | 多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法 |
CN102889944A (zh) * | 2012-09-17 | 2013-01-23 | 许继集团有限公司 | 一种电石生产炉温监测方法 |
CN103559543A (zh) * | 2013-11-13 | 2014-02-05 | 莱芜钢铁集团电子有限公司 | 一种高炉煤气发生量的预测方法及装置 |
CN103559543B (zh) * | 2013-11-13 | 2016-09-07 | 莱芜钢铁集团电子有限公司 | 一种高炉煤气发生量的预测方法及装置 |
CN107119157A (zh) * | 2017-04-27 | 2017-09-01 | 山西太钢不锈钢股份有限公司 | 根据高炉炉腹煤气量指数确定矿批和炉顶压力的方法 |
CN107119157B (zh) * | 2017-04-27 | 2019-03-29 | 山西太钢不锈钢股份有限公司 | 根据高炉炉腹煤气量指数确定矿批和炉顶压力的方法 |
CN111593155A (zh) * | 2020-05-28 | 2020-08-28 | 江苏省沙钢钢铁研究院有限公司 | 高炉诊断系统及方法 |
CN111593155B (zh) * | 2020-05-28 | 2022-09-20 | 江苏省沙钢钢铁研究院有限公司 | 高炉诊断系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021189739A1 (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN1224720C (zh) | 一种利用智能控制系统控制高炉冶炼的方法 | |
Li et al. | Numerical investigation of burden distribution in ironmaking blast furnace | |
CN109583118B (zh) | 一种烧结配比计算及烧结矿成本优化方法 | |
CN106096788B (zh) | 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统 | |
CN110378064A (zh) | 一种预测炼铁高炉炉芯死料柱温度的方法 | |
CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
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 | |
Hashimoto et al. | Transient model-based operation guidance on blast furnace | |
CN102031319A (zh) | 一种高炉铁水含硅量的预报方法 | |
CN104975118A (zh) | 铁前原料配比优化方法 | |
CN101447001B (zh) | 一种预测焦炭硫分的方法 | |
Zhai et al. | Economic modeling of national energy, water and air pollution nexus in China under changing climate conditions | |
CN112226563A (zh) | 一种炼铁热风炉烟气二氧化硫排放源头管控方法与系统 | |
CN1594601A (zh) | 基于平衡点的稳定高炉操作的方法 | |
CN102136037A (zh) | 基于主成分分析的灰色多因素MGM(1,n)模型的副产煤气发生量预测方法 | |
CN110619931B (zh) | 一种基于多时间尺度优化的烧结过程碳效优化方法 | |
CN105062532B (zh) | 控制焦炭质量的配煤方法 | |
CN115354093A (zh) | 一种低碳高炉的冶炼成本控制方法及系统 | |
CN104951849B (zh) | 一种焦炭热性能预测方法 | |
Ye et al. | New insights into the influence of hydrogen on important parameters of blast furnace | |
CN107557042B (zh) | 高配比弱黏结煤控制焦炭质量的方法 | |
Zhang et al. | The research of sintering ore blending based on profit maximization | |
CN111680932A (zh) | 一种高炉异常炉况成因的获取方法和装置 | |
CN111679584B (zh) | 一种高炉冶炼的调控方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |