WO2025202111A1 - Verfahren zur optimierung einer roheisenentschwefelung - Google Patents

Verfahren zur optimierung einer roheisenentschwefelung

Info

Publication number
WO2025202111A1
WO2025202111A1 PCT/EP2025/057961 EP2025057961W WO2025202111A1 WO 2025202111 A1 WO2025202111 A1 WO 2025202111A1 EP 2025057961 W EP2025057961 W EP 2025057961W WO 2025202111 A1 WO2025202111 A1 WO 2025202111A1
Authority
WO
WIPO (PCT)
Prior art keywords
pig iron
models
agents
treatment
desulfurization
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
Application number
PCT/EP2025/057961
Other languages
English (en)
French (fr)
Inventor
Thomas Schmidt
Andreas Kubbe
Michael Bruns
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SMS Group GmbH
Original Assignee
SMS Group GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SMS Group GmbH filed Critical SMS Group GmbH
Publication of WO2025202111A1 publication Critical patent/WO2025202111A1/de
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • C21C1/00—Refining of pig-iron; Cast iron
    • C21C1/02—Dephosphorising or 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
    • C21C1/025—Agents used for dephosphorising or 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
    • C21C2300/00—Process aspects
    • C21C2300/06—Modeling of the process, e.g. for control purposes; CII

Definitions

  • the invention relates to a method for optimizing pig iron desulfurization, wherein the pig iron desulfurization is carried out by discharging one or more desulfurizing agents into a pig iron ladle or a torpedo car, wherein several treatment patterns are available which differ with regard to the type of desulfurizing agents discharged.
  • Pig iron desulfurization is typically located between the blast furnace and the converter.
  • the desulfurizing agents magnesium (Mg), carbide (CaC2), and lime (CaO) are typically available in different bunkers.
  • the desulfurizing agents can be characterized, for example, by their different desulfurizing effectiveness and material costs.
  • the desulfurizing agents magnesium, carbide, and lime are arranged in descending order of desulfurizing effectiveness and material costs.
  • the desulfurization agents are introduced into the hot metal ladle or torpedo car during treatment by powder injection via a blowing lance.
  • one or more blowing phases may occur, in which either only carbide or lime (mono-injection) or a mixture of carbide or lime with magnesium (co-injection) is added.
  • the respective treatment patterns i.e., lime mono-injection, carbide mono-injection, lime-magnesium co-injection, and carbide-magnesium co-injection, take into account the required desulfurization work, for example, based on the hot metal weight, the starting and target sulfur content, as well as existing constraints regarding material availability and costs, maximum possible blowing rates, and specified discharge times.
  • Analytical and numerical process models are known from practice, which assist the operator in the selection of the treatment pattern to be applied as well as the quantities of desulfurizing agents to be added.
  • These process models usually contain empirical approaches that describe the quantities of desulfurizing agents to be added as a function of several process variables, such as the amount of hot metal, hot metal temperature, starting sulfur content, and target sulfur content.
  • Such empirical approaches naturally have limited accuracy, particularly here because plant-specific influences such as yield factors, which can change over the course of operation, must also be taken into account.
  • the process model is adapted to the specific plant during initial commissioning based on historical treatments. During ongoing operation, however, further model adaptations often prove difficult.
  • the method according to the invention for optimizing a pig iron desulfurization 1 is based on the creation of separate models 8 for each of the several treatment patterns for optimizing the addition quantities of the desulfurizing agents 2, 3, 4 for the respective treatment pattern.
  • the separate models 8 are based on machine learning and predict the achievable sulfur contents for future pig iron desulfurizations 1 and the required quantities of desulfurizing agents 2, 3, 4 to be released.
  • Fig. 2 shows a schematic view of a first embodiment of the method according to the invention at a time when the separate models 8 have already been created and the method for optimizing the pig iron desulfurization 1 is being used.
  • the optimization of pig iron desulfurization 1 on the basis of the created models 8 expediently takes into account the maximum possible addition rates and/or possible release times for the plurality of desulfurization agents 2, 3, 4 as well as the available quantity and/or the costs of the plurality of desulfurization agents 2, 3, 4.
  • the method according to the invention determines, by means of the predictions of the separate models 8, for a specific quantity of pig iron to be desulfurized with a specific starting sulfur content, the required quantities of desulfurization agents 2, 3, 4 for each treatment pattern in order to achieve the target sulfur content and, in particular, selects the treatment pattern which can be implemented on the basis of the available quantities of desulfurization agents 2, 3, 4 and which is associated with the lowest costs.
  • the type(s) of desulfurizing agents 2, 3, 4 released, the quantities of the desulfurizing agents 2, 3, 4 released, and the actually achieved sulfur content (S nde) are recorded.
  • the pig iron weight during the pig iron desulfurization 1 can also be recorded, as this may differ from the determined or predetermined weight of the pig iron to be desulfurized.
  • the associated model 8 is trained for this treatment pattern. Training is performed based on the information stored in the database 10, i.e., the determination of the weight of the hot metal to be desulfurized, the starting sulfur content of the hot metal to be desulfurized, and the target sulfur content of the hot metal to be desulfurized, as well as the recording of the type of desulfurizing agents 2, 3, 4 released, the quantities of the desulfurizing agents 2, 3, 4 released, and the sulfur content actually achieved after hot metal desulfurization 1 has been completed.
  • the optionally recorded hot metal weight during hot metal desulfurization 1 can also be taken into account in the training 9 of the model 8.
  • the trained model 8 for the treatment pattern is compared with the previous model 8 for the treatment pattern.
  • the comparison is performed, for example, based on the data from a specific number of the most recently performed treatments and/or based on generically generated input data sets.
  • the previous model 8 is replaced by the trained model 8 if the comparison yields an improvement in prediction accuracy.
  • the replacement occurs either after manual approval by a user or automatically.
  • the replaced previous model 8 is conveniently stored, for example, in the database 10.
  • models 8 are generated for each treatment pattern, wherein the models 8 are designed as neural networks.
  • the hyperparameters are selected, for example, from the following: number of layers, number of nodes, number of subsets of a k-fold cross-validation, number of training epochs, permissible deviation of the achieved sulfur content from the target sulfur content to consider a treatment for the training phase, learning rate, and momentum.
  • a data set Di is first compiled from all historical treatments (new treatment, i — new treatment, all, i). The data set is then reduced to treatments where the target sulfur content Sziei was achieved with good accuracy, i.e., where
  • the permissible deviation ABW the values ⁇ 0.01, 0.02, 0.05, 0.1, 0.2, 0.5, 1.0, 1.5, 2.0 ⁇ are iterated over, resulting in different sizes of the resulting data set Di, red.
  • a k-th subset K from Di,red is used successively as the test dataset and the set Di,red ⁇ K as the training dataset.
  • the test and training datasets are normalized.
  • a fixed specification can be made for the number and size of the hidden layers, or they can also be defined as hyperparameters over which the model is iterated.
  • the resulting neural network i.e., the determined weights and the corresponding test error determined with the respective test data set, are memorized. After all iterations have been completed, the neural network with the lowest test error is considered as the new regression model 8 M new ,i for treatment pattern i.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Refinement Of Pig-Iron, Manufacture Of Cast Iron, And Steel Manufacture Other Than In Revolving Furnaces (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Optimierung einer Roheisenentschwefelung (1), wobei die Roheisentschwefelung (1) durch die Abgabe von einem oder mehreren Entschwefelungsmitteln (2, 3, 4) in eine Roheisenpfanne (5) oder einen Torpedowagen erfolgt, wobei mehrere Behandlungsmuster zur Verfügung stehen, welche sich hinsichtlich der Art der abgegebenen Entschwefelungsmittel (2, 3, 4) unterscheiden. Die Optimierung basiert auf dem Erstellen eines separaten Modells (8) für jedes der mehreren Behandlungsmuster zur Optimierung der Zugabemengen der Entschwefelungsmittel (2, 3, 4) für das jeweilige Behandlungsmuster, und Trainieren (9) der erstellten separaten Modelle (8) für jedes der mehreren Behandlungsmuster nach einer vorbestimmten Anzahl von durchgeführten Roheisenentschwefelungen (1) mit dem entsprechenden Behandlungsmuster. Die Optimierung von zukünftigen Roheisenentschwefelungen (1) erfolgt auf Basis der Vorhersagen der separaten Modelle (8), wobei die Optimierung ein Behandlungsmuster und die Zugabemengen der Entschwefelungsmittel (2, 3, 4) für das Behandlungsmuster durch einen Vergleich der Vorhersagen der separaten Modelle (8) bestimmt. Die Erfindung betrifft ferner ein System und ein Computerprogramm, welche zur Ausführung des erfindungsgemäßen Verfahrens ausgebildet sind.

Description

Verfahren zur Optimierung einer Roheisenentschwefelung
Die Erfindung betrifft ein Verfahren zur Optimierung einer Roheisenentschwefelung, wobei die Roheisentschwefelung durch die Abgabe von einem oder mehreren Entschwefelungsmitteln in eine Roheisenpfanne oder einen Torpedowagen erfolgt, wobei mehrere Behandlungsmuster zur Verfügung stehen, welche sich hinsichtlich der Art der abgegebenen Entschwefelungsmittel unterscheiden.
Die Roheisenentschwefelung ist üblicherweise zwischen Hochofen und Konverter angeordnet. Üblicherweise stehen die Entschwefelungsmittel Magnesium (Mg), Karbid (CaC2) und Kalk (CaO) in unterschiedlichen Bunkern zur Verfügung. Die Entschwefelungsmittel lassen sich beispielsweise durch unterschiedliche Wirksamkeiten hinsichtlich ihrer Entschwefelungswirkung sowie durch unterschiedliche Materialkosten charakterisieren. Die Reihenfolge der Entschwefelungsmittel Magnesium, Karbid und Kalk stellt für die Entschwefelungswirkung und die Materialkosten eine absteigende Sortierung dar.
Die Entschwefelungsmittel werden während der Behandlung per Pulverinjektion über eine Blaslanze in die Roheisenpfanne oder den Torpedowagen eingetragen. Je nach Behandlung können eine oder mehrere Blasphasen auftreten, in denen entweder nur Karbid oder Kalk (Mono-Injektion) oder ein Gemisch aus Karbid oder Kalk mit Magnesium (Co-Injektion) zugegeben wird. Die jeweiligen Behandlungsmuster, d.h. Kalk-Monoinjektion, Karbid-Monoinjektion, Kalk- Magnesium-Co-Injektion und Karbid-Magnesium-Co-Injektion berücksichtigen die erforderliche Entschwefelungsarbeit, beispielsweise basierend auf dem Roheisengewicht, dem Start- und dem Zielschwefelgehalt, sowie vorhandene Einschränkungen hinsichtlich Matenalverfügbarkeit und -kosten, maximal möglicher Blasraten und vorgegebener Abgabezeitpunkte.
Aus der Praxis sind analytische und numerische Prozessmodelle bekannt, welche den Bediener bei der Wahl des anzuwendenden Behandlungsmusters sowie der hinzuzugebenden Mengen an Entschwefelungsmitteln unterstützen. Diese Prozessmodelle enthalten meist empirische Ansätze, die die Mengen der zuzugebenden Entschwefelungsmittel als Funktion mehrerer Prozessgrößen beschreiben, wie z.B. Roheisenmenge, Roheisentemperatur, Startschwefelgehalt und Zielschwefelgehalt. Solche empirischen Ansätze verfügen naturgemäß über eine begrenzte Genauigkeit, hier im Besonderen, da auch anlagenspezifische Einflüsse wie etwa Ausbringfaktoren mit zu berücksichtigen sind, die sich im Laufe des Betriebes ändern können. Idealerweise erfolgt bei erstmaliger Inbetriebnahme eine anlagenspezifische Anpassung des Prozessmodells auf Basis historischer Behandlungen. Während des laufenden Betriebes hingegen gestalten sich weitere Modellanpassungen oft als schwierig. Dies kann mit einem oder mehreren der folgenden Gründe Zusammenhängen: Intransparenz des eingesetzten Modells bzw. der Einflüsse einzelner Modellparameter, stark nichtlineare Zusammenhänge zwischen Ein- und Ausgangsgrößen des Modells, und Notwendigkeit der strukturierten Auswertung großer Datenmengen. Infolgedessen kommt es bei einzelnen Behandlungen zu nicht zielgerichteten Zugaben von Entschwefelungsmitteln, die kostenungünstig sind und/oder eine Nachbehandlung notwendig machen.
Es ist daher eine Aufgabe der Erfindung bei der Roheisenentschwefelung die Zugabemengen der einzelnen Entschwefelungsmittel dahingehend zu optimieren, dass der Zielschwefelgehalt bei jeder Behandlung möglichst zuverlässig und kostengünstig erreicht wird.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren gemäß Anspruch 1. Vorteilhafte Ausgestaltungen des Verfahrens sind in den abhängigen Ansprüchen definiert. Die Aufgabe wird ferner gelöst durch ein System gemäß Anspruch 21 und ein Computerprogramm gemäß Anspruch 22.
Die Erfindung betrifft ein Verfahren zur Optimierung einer Roheisenentschwefelung, wobei die Roheisentschwefelung durch die Abgabe von einem oder mehreren Entschwefelungsmitteln in eine Roheisenpfanne oder einen Torpedowagen erfolgt, wobei mehrere Behandlungsmuster zur Verfügung stehen, welche sich hinsichtlich der Art der abgegebenen Entschwefelungsmittel unterscheiden, umfassend die Schritte:
Bestimmen des Gewichts des zu entschwefelnden Roheisens, des Startschwefelgehalts des zu entschwefelnden Roheisens und des Zielschwefelgehalts des zu entschwefelnden Roheisens;
Erfassen der Art der abgegebenen Entschwefelungsmittel, der Mengen der abgegebenen Entschwefelungsmittel und des tatsächlich erreichten Schwefelgehalts nach erfolgter Roheisenentschwefelung für durchgeführte Roheisenentschwefelungen;
Erstellen eines separaten Modells für jedes der mehreren Behandlungsmuster zur Optimierung der Zugabemengen der Entschwefelungsmittel für das jeweilige Behandlungsmuster, wobei die separaten Modelle auf maschinellem Lernen basieren und jeweils die erreichbaren Schwefelgehalte für zukünftige Roheisenentschwefelungen und die erforderliche Menge an abzugebenden Entschwefelungsmitteln Vorhersagen;
Trainieren der erstellten separaten Modelle für jedes der mehreren Behandlungsmuster nach einer vorbestimmten Anzahl von durchgeführten Roheisenentschwefelungen mit dem entsprechenden Behandlungsmuster, wobei das Trainieren der separaten Modelle auf Basis der Bestimmung des Gewichts des zu entschwefelnden Roheisens, des Startschwefelgehalts des zu entschwefelnden Roheisens und des Zielschwefelgehalts des zu entschwefelnden Roheisens und der Erfassung der Art der abgegebenen Entschwefelungsmittel, der Mengen der abgegebenen Entschwefelungsmittel und des tatsächlich erreichten Schwefelgehalts nach erfolgter Roheisenentschwefelung für durchgeführte Roheisenentschwefelungen erfolgt; und
Optimieren von zukünftigen Roheisenentschwefelungen auf Basis der Vorhersagen der separaten Modelle, wobei die Optimierung ein Behandlungsmuster und die Zugabemengen der Entschwefelungsmittel für das Behandlungsmuster durch einen Vergleich der Vorhersagen der separaten Modelle bestimmt.
In einem ersten Schritt werden für jede Roheisenentschwefelung das Gewicht des zu entschwefelnden Roheisens, der Startschwefelgehalt des zu entschwefelnden Roheisens und der Zielschwefelgehalt des zu entschwefelnden Roheisens bestimmt.
Gemäß dem erfindungsgemäßen Verfahren werden bei der Durchführung von Roheisenentschwefelungen bestimmte Daten erfasst, insbesondere die Art der abgegebenen Entschwefelungsmittel, die Mengen der abgegebenen Entschwefelungsmittel und der tatsächlich erreichte Schwefelgehalt nach erfolgter Roheisenentschwefelung für durchgeführte Roheisenentschwefelungen. Ferner wird das Roheisengewicht während der Roheisenentschwefelung erfasst. Es werden also historische Daten zu durchgeführten Roheisenentschwefelungen gesammelt, wobei die gesammelten historischen Daten die für die Roheisenentschwefelung relevanten Parameter betreffen. Die gesammelten historischen Daten werden beispielsweise in einer Datenbank gespeichert.
Für jedes der mehreren Behandlungsmuster wird ein separates Modell zur Optimierung der Zugabemengen der Entschwefelungsmittel des jeweiligen Behandlungsmusters erstellt. Die separaten Modelle basieren auf unterschiedlichen Daten, da jedes Modell nur die für das zugehörige Behandlungsmuster relevanten Daten berücksichtigt und die Daten bezüglich der anderen Behandlungsmuster vernachlässigt. Auch werden vorzugsweise zwischen den separaten Modellen keine Daten ausgetauscht. Die separaten Modelle basieren auf maschinellem Lernen, und sagen die erreichbaren Schwefelgehalte für zukünftige Roheisenentschwefelungen und die erforderliche(n) Menge(n) an abzugebenden Entschwefelungsmitteln vorher.
Die erfindungsgemäß erstellten separaten Modelle für jedes der mehreren Behandlungsmuster werden nach einer vorbestimmten Anzahl von durchgeführten Roheisenentschwefelungen mit dem entsprechenden Behandlungsmuster trainiert. Das Trainieren der separaten Modelle erfolgt auf Basis des Gewichts des zu entschwefelnden Roheisens, des Startschwefelgehalts des zu entschwefelnden Roheisens und des Zielschwefelgehalts des zu entschwefelnden Roheisens und der erfassten zugehörigen historischen Daten, insbesondere des Roheisengewichts während der Roheisenentschwefelung, der Art der abgegebenen Entschwefelungsmittel, der Mengen der abgegebenen Entschwefelungsmittel und des tatsächlich erreichten Schwefelgehalts nach erfolgter Roheisenentschwefelung für durchgeführte Roheisenentschwefelungen. Das Training kann ferner das optional während der Roheisenentschwefelung erfasste Roheisengewicht berücksichtigen. Beim Training der separaten Modelle werden nur die Daten von durchgeführten Roheisenentschwefelungen mit dem entsprechenden zugehörigen Behandlungsmuster berücksichtigt, so dass die unterschiedlichen Behandlungsmuster strikt voneinander getrennt betrachtet werden und die Modelle auch getrennt voneinander trainiert werden. Eine gegenseitige Beeinflussung der Behandlungsmuster bzw. Modelle untereinander wird dadurch ausgeschlossen.
Mittels der erstellten Modelle können zukünftige Roheisenentschwefelungen vorhergesagt und optimiert werden. Das Ergebnis der Optimierung ist die Bestimmung eines Behandlungsmusters und der entsprechenden Zugabemengen an Entschwefelungsmittel für das Behandlungsmuster. Die Optimierung erfolgt erfindungsgemäß durch einen Vergleich der Vorhersagen der separaten Modelle für die unterschiedlichen Behandlungsmuster.
Gemäß einer zweckmäßigen Variante der Erfindung sind die Entschwefelungsmittel ausgesucht aus: Magnesium, Karbid und/oder Kalk. Theoretisch könnte die Entschwefelung mit allen Stoffen, die eine höhere Affinität zum Schwefel haben als Eisen selbst, durchgeführt werden (z.B. Magnesium, Cer, Calcium, Natrium, etc.). Aus wirtschaftlichen und technischen Gründen werden in der Praxis die vorgenannten Entschwefelungsmittel Magnesium, Karbid und/oder Kalk bevorzugt. Nach einer Variante der Erfindung berücksichtigt das Verfahren die folgenden Behandlungsmuster: Kalk-Monoinjektion, Karbid-Monoinjektion, Kalk-Magnesium- Co-Injektion, Karbid-Magnesium-Co-Injektion und Karbid-Magnesium-Co-Injektion mit vor- und nachgeschalteter Kalk-Monoinjektion.
In einer bevorzugten Variante der Erfindung sind die separaten Modelle als Regressionsmodelle ausgebildet. Ein Regressionsmodell basiert auf statistischen Analyseverfahren und beschreibt die Beziehungen zwischen einer abhängigen Variable (vorhergesagte Variable) und einer oder mehreren unabhängigen Variablen (Kontrollvariable bzw. Regressor). Regressionsmodelle werden verwendet, um Zusammenhänge quantitativ zu beschreiben und Werte der abhängigen Variablen zu prognostizieren. Insbesondere betrifft die Erfindung lineare Regressionsmodelle. Die Regressionsmodelle lassen sich insbesondere durch maschinelles Lernen implementieren.
Gemäß einer Variante der Erfindung berücksichtigt das Verfahren bei der Optimierung die maximal möglichen Zugaberaten und/oder mögliche Abgabezeitpunkte für die mehreren Entschwefelungsmittel. Dadurch ist gewährleistet, dass sich das ausgewählte Behandlungsmuster in der Praxis technisch umsetzen lässt.
Nach einer weiteren Variante der Erfindung berücksichtigen die separaten Modelle die Verfügbarkeit, die verfügbare Menge und/oder die Kosten der mehreren Entschwefelungsmittel bei der Optimierung. Wenn also für ein Behandlungsmuster nicht die erforderlichen Mengen an Entschwefelungsmittel zur Verfügung stehen, liefert das entsprechende Modell kein Ergebnis, welches bei der Optimierung berücksichtigt wird. Durch die Berücksichtigung der Kosten für die Entschwefelungsmittel lassen sich zu den einzelnen Behandlungsmustern, welche sich hinsichtlich der verwendeten Entschwefelungsmittel unterscheiden, zugehörige Materialkosten bestimmen.
In einer zweckmäßigen Variante der Erfindung bestimmt das Verfahren mittels der Vorhersagen der separaten Modelle für eine bestimmte Menge an zu entschwefelndem Roheisen mit einem bestimmten Startschwefelgehalt die erforderlichen Mengen an Entschwefelungsmitteln für jedes Behandlungsmuster, um den Zielschwefelgehalt zu erreichen. Insbesondere wird nachfolgend das Behandlungsmuster auswählt oder vorgeschlagen, welches auf Basis der verfügbaren Mengen an Entschwefelungsmitteln umsetzbar ist und mit den geringsten Kosten verbunden ist.
Gemäß einer vorteilhaften Variante der Erfindung werden beim Trainieren der erstellten separaten Modelle für jedes der mehreren Behandlungsmuster nur Daten von durchgeführten Roheisenentschwefelungen berücksichtigt, bei welchen der Zielschwefelgehalt mit einer vorbestimmten Genauigkeit erreicht wurde. Mittels der vorbestimmten Genauigkeit kann somit definiert werden, welche durchgeführten Roheisenentschwefelungen beim Training der Modelle berücksichtigt werden. Nur Roheisenentschwefelungen mit einer ausreichenden Genauigkeit beim Zielschwefelgehalt werden berücksichtigt. Dadurch wird erreicht, dass die durch das Modell vorgesagte Roheisenentschwefelung eine vergleichbare Genauigkeit beim Zielschwefelgehalt aufweist. Für das Training werden insbesondere diejenigen Roheisenentschwefelungen berücksichtigt, die auf Basis der Maßstäbe der deskriptiven Statistik nicht als Ausreißer zu identifizieren sind.
Nach einer bevorzugten Variante der Erfindung werden beim Trainieren der erstellten separaten Modelle für jedes der mehreren Behandlungsmuster nur die Daten einer bestimmten Anzahl der letzten durchgeführten Behandlungen berücksichtigt. Auf diese Weise werden Roheisenentschwefelungen aus der jüngeren Vergangenheit stärker beim Modelltraining berücksichtigt. Dadurch werden sich langsam verändernde Bedingungen bei der Roheisentschwefelung, insbesondere Veränderungen an der Roheisenentschwefelungsanlage, beim Modelltraining berücksichtigt. Daten zu älteren Roheisenentschwefelungen mit nicht mehr aktuellen Anlagengegebenheiten werden nach dieser Variante vernachlässigt und nur aktuellere Daten zu Roheisenentschwefelungen werden beim Modelltraining berücksichtigt. In einer erfindungsgemäßen Variante werden nach dem Trainieren der erstellten separaten Modelle für jedes der mehreren Behandlungsmuster die trainierten Modelle mit den bisherigen Modellen für jedes Behandlungsmuster verglichen. Nach einem erfolgen Modelltraining wird dieses trainierte Modell mit dem entsprechenden bisherigen Modell verglichen. Dadurch wird gewährleistet, dass das trainierte Modell wenigstens genauso gut ist wie das bisherige Modell.
Gemäß einer zweckmäßigen Variante der Erfindung erfolgt der Vergleich auf Basis der Daten einer bestimmten Anzahl der letzten durchgeführten Behandlungen und/oder auf Basis generisch erzeugter Eingabedatensätze. Insbesondere erfolgt der Vergleich des trainierten Modells mit dem bisherigen Modell für eine bestimmte Anzahl zufälliger, generisch erzeugter Eingabedatensätze im Bereich vordefinierter Intervalle (Monte-Carlo- Simulationen).
Nach einer besonders vorteilhaften Variante der Erfindung werden die Daten der letzten durchgeführten Behandlungen unterteilt in Trainingsdatensätze und in Testdatendatensätze. Die Trainingsdatensätze werden zum Trainieren der erstellten separaten Modelle für jedes der mehreren Behandlungsmuster verwendet und die Testdatensätze werden zum Vergleichen der trainierten Modelle mit den bisherigen Modellen für jedes Behandlungsmuster verwendet. Dabei handelt es sich um eine sogenannte k-fache-Kreuzvalidierung. Beispielsweise nutzt die Erfindung einen Faktor von 5, wobei der Datensatz je in 4 Trainingsdatensätze und 1 Testdatensatz unterteilt wird. Zweckmäßigerweise werden die Trainings- und/oder Testdatensätze normalisiert.
In einer zweckmäßigen erfindungsgemäßen Variante werden die bisherigen Modelle durch die trainierten Modelle ersetzt, wenn der jeweilige Vergleich eine Verbesserung der Vorhersagegenauigkeit liefert.
Gemäß einer bevorzugten Variante der Erfindung wird das entsprechende bisherige Modell erst nach einer manuellen Freigabe durch das entsprechende trainierte Modell ersetzt. Dies ist insbesondere dann sinnvoll, wenn das trainierte Modell keine besseren oder sogar schlechtere Vergleichsergebnisse als das vorherige Modell aufweist.
Nach einer alternativen Variante der Erfindung wird das entsprechende bisherige Modell automatisiert durch das entsprechende trainierte Modell ersetzt. Dies erfolgt insbesondere dann, wenn das trainierte Modell eindeutig bessere Vergleichsergebnisse liefert als das vorherige Modell.
In einer zweckmäßigen Variante der Erfindung wird das entsprechende bisherige Modell nach dem Ersetzen gespeichert, insbesondere zusammen mit einem Zeitstempel. Es kann also jederzeit auf die vorherigen Modelle zurückgegriffen werden.
Gemäß einer erfindungsgemäßen Variante werden die erstellten separaten Modelle zur Initialisierung auf Basis historischer Daten oder Daten aus vergleichbaren Roheisenentschwefelungen trainiert.
Nach einer vorteilhaften erfindungsgemäßen Variante berücksichtigt das Verfahren weiterhin die chemische Analyse des zu entschwefelnden Roheisens. Dadurch wird die Optimierung der Roheisenentschwefelung nochmals verbessert.
In einer bevorzugten erfindungsgemäßen Variante werden für jedes Behandlungsmuster mehrere Modelle erzeugt, wobei die Modelle als neuronale Netze ausgebildet sind. Es stehen somit für jedes Behandlungsmuster mehrere Modelle zur Verfügung, wobei zur Roheisentschwefelung das Modell ausgewählt wird, welches die besten Ergebnisse liefert.
Gemäß einer zweckmäßigen Variante sind die Hyperparameter ausgewählt aus: Anzahl der Schichten, Anzahl der Knoten, Anzahl der Teilmengen einer k-fachen Kreuzvalidierung, Anzahl der Trainingsepochen, Zulässige Abweichung des erreichten Schwefelgehalts zum Zielschwefelgehalt zur Berücksichtigung einer Behandlung für die Trainingsphase, Lernrate und Momentum.
Die Aufgabe wird nachfolgend anhand von in den Figuren dargestellten Ausführungsbeispielen näher erläutert. Es zeigen: Fig. 1 eine schematische Ansicht einer Roheisenentschwefelung;
Fig. 2 eine schematische Ansicht einer ersten Ausführungsform des erfindungsgemäßen Verfahrens zur Optimierung einer Roheisenentschwefelung;
Fig. 3 ein Ablaufdiagramm eines Trainings 9 von separaten Modellen 8 im Rahmen des erfindungsgemäßen Verfahrens; und
Fig. 4
Fig. 1 zeigt eine schematische Ansicht einer Roheisenentschwefelung 1. Die Roheisenentschwefelung 1 ist üblicherweise zwischen Hochofen und Konverter angeordnet. Die Roheisenentschwefelung 1 erfolgt durch Abgabe von einem oder mehreren Entschwefelungsmitteln 2, 3, 4 in eine Roheisenpfanne 5. Die einzelnen Entschwefelungsmittel 2, 3, 4 werden in entsprechenden Bunkern gelagert und über zugehörige Druckfördergefäße 6 und eine Förderleitung 7 in die Roheisenpfanne 5 abgegeben. Insbesondere werden die Entschwefelungsmittel 2, 3, 4 während der Behandlung per Pulverinjektion über eine mit der Förderleitung 7 verbundene Blaslanze 11 in die Roheisenpfanne 5 eingetragen.
Für die Roheisenentschwefelung 1 stehen mehrere Behandlungsmuster zur Verfügung, welche sich hinsichtlich der Art der abgegebenen Entschwefelungsmittel 2, 3, 4 unterscheiden. Üblicherweise stehen die Entschwefelungsmittel Magnesium (Mg) 2, Karbid (CaC2) 3 und Kalk (CaO) 4 in unterschiedlichen Bunkern zur Verfügung. Die Entschwefelungsmittel 2, 3, 4 lassen sich beispielsweise durch unterschiedliche Wirksamkeiten hinsichtlich ihrer Entschwefelungswirkung sowie durch unterschiedliche Materialkosten charakterisieren. Die Reihenfolge der Entschwefelungsmittel Magnesium 2, Karbid 3 und Kalk 4 stellt für die Entschwefelungswirkung und die Materialkosten eine absteigende Sortierung dar.
Je nach Behandlung können eine oder mehrere Blasphasen auftreten, in denen entweder nur Karbid 3 oder Kalk 4 (Mono-Injektion) oder ein Gemisch aus Karbid 3 oder Kalk 4 mit Magnesium 2 (Co-Injektion) zugegeben wird. Die jeweiligen Behandlungsmuster, d.h. Kalk-Monoinjektion, Karbid-Monoinjektion, Kalk- Magnesium-Co-Injektion und Karbid-Magnesium-Co-Injektion berücksichtigen die erforderliche Entschwefelungsarbeit, beispielsweise basierend auf dem Roheisengewicht, dem Start- und dem Zielschwefelgehalt, sowie vorhandene Einschränkungen hinsichtlich Matenalverfügbarkeit und -kosten, maximal möglicher Blasraten und vorgegebener Abgabezeitpunkte.
Fig. 2 zeigt eine schematische Ansicht einer ersten Ausführungsform des erfindungsgemäßen Verfahrens zur Optimierung einer Roheisenentschwefelung 1 in einem Stahlwerk mit Hochofenroute. Die Roheisenentschwefelung 1 erfolgt durch die Abgabe von einem oder mehreren Entschwefelungsmitteln 2, 3, 4 in die Roheisenpfanne 5 oder den Torpedowagen, wobei mehrere Behandlungsmuster zur Verfügung stehen, welche sich hinsichtlich der Art der abgegebenen Entschwefelungsmittel 2, 3, 4 unterscheiden, wie beispielsweise im Zusammenhang mit Fig. 1 im Detail beschrieben. Insofern wird bezüglich der allgemeinen Ausgestaltung der Roheisenentschwefelung auf Fig. 1 Bezug genommen.
Das erfindungsgemäße Verfahren zur Optimierung einer Roheisenentschwefelung 1 basiert auf der Erstellung von separaten Modellen 8 für jedes der mehreren Behandlungsmuster zur Optimierung der Zugabemengen der Entschwefelungsmittel 2, 3, 4 für das jeweilige Behandlungsmuster. Die separaten Modelle 8 basieren auf maschinellem Lernen, und sagen jeweils die erreichbaren Schwefelgehalte für zukünftige Roheisenentschwefelungen 1 und die erforderlichen Mengen an abzugebenden Entschwefelungsmittel 2, 3, 4 vorher. Fig. 2 zeigt eine schematische Ansicht einer ersten Ausführungsform des erfindungsgemäßen Verfahrens zu einem Zeitpunkt, zu welchem die separaten Modelle 8 bereits erstellt wurden und das Verfahren zur Optimierung der Roheisenentschwefelung 1 genutzt wird. Das Erstellen der separaten Modelle 8 kann als Initialisierungsschritt angesehen werden und nachfolgend werden die erstellten Modelle 8 wie weiter unten beschrieben trainiert und hinsichtlich der Vorhersagegenauigkeit verbessert. Die Initialisierung erfolgt beispielsweise auf Basis historischer Daten oder Daten aus vergleichbaren Roheisenentschwefelungen 1 .
Zur Optimierung der Roheisenentschwefelung 1 werden das Gewicht des zu entschwefelnden Roheisens, der Startschwefelgehalt (Sstart) des zu entschwefelnden Roheisens und der Zielschwefelgehalt (Sziei) des zu entschwefelnden Roheisens bestimmt. Die genannten Informationen können auch von einer übergeordneten Produktionsplanung oder Prozesssteuerung zur Verfügung gestellt werden, was entsprechend einer Bestimmung im Sinne der Erfindung gleichgesetzt ist.
Auf Basis dieser Informationen wird erfindungsgemäß die Roheisenentschwefelung 1 optimiert, indem die separaten Modelle 8 für die unterschiedlichen Behandlungsmuster eine Vorhersage für den erreichbaren Schwefelgehalt und die erforderlichen Menge(n) an abzugebenden Entschwefelungsmittel(n) 2, 3, 4 liefern. Es wird beispielsweise das Behandlungsmuster ausgewählt, welches den geringsten Schwefelgehalt voraussagt und/oder mit den geringsten Kosten bezüglich des Verbrauchs an Entschwefelungsmittel(n) 2, 3, 4 verbunden ist.
Die Optimierung von Roheisenentschwefelungen 1 auf Basis der erstellten Modelle 8 berücksichtigt zweckmäßigerweise die maximal möglichen Zugaberaten und/oder mögliche Abgabezeitpunkte für die mehreren Entschwefelungsmittel 2, 3, 4 sowie die verfügbare Menge und/oder die Kosten der mehreren Entschwefelungsmittel 2, 3, 4. Das erfindungsgemäße Verfahren bestimmt mittels der Vorhersagen der separaten Modelle 8 für eine bestimmte Menge an zu entschwefelndem Roheisen mit einem bestimmten Startschwefelgehalt die erforderlichen Mengen an Entschwefelungsmitteln 2, 3, 4 für jedes Behandlungsmuster, um den Zielschwefelgehalt zu erreichen und wählt insbesondere das Behandlungsmuster aus, welches auf Basis der verfügbaren Mengen an Entschwefelungsmitteln 2, 3, 4 umsetzbar ist und mit den geringsten Kosten verbunden ist. Nach einer erfolgten bzw. während einer Roheisenentschwefelung 1 werden die Art(en) der abgegebenen Entschwefelungsmittel 2, 3, 4, die Mengen der abgegebenen Entschwefelungsmittel 2, 3, 4 und der tatsächlich erreichte Schwefelgehalt (S nde) erfasst. Optional kann ferner das Roheisengewicht während der Roheisenentschwefelung 1 erfasst werden, da sich dieses von dem bestimmten oder vorgegebenen Gewicht des zu entschwefelnden Roheisens unterscheiden kann. Die gesammelten Daten zu einer Roheisenentschwefelung 1 , insbesondere das Gewicht des zu entschwefelnden Roheisens, der Startschwefelgehalt (Sstart) des zu entschwefelnden Roheisens und der Zielschwefelgehalt (Sziei) des zu entschwefelnden Roheisens, die Art(en) der abgegebenen Entschwefelungsmittel 2, 3, 4, die Mengen der abgegebenen Entschwefelungsmittel 2, 3, 4 und der tatsächlich erreichte Schwefelgehalt (S nde), werden in einer Datenbank 10 gespeichert.
Nach einer vorbestimmten Anzahl von durchgeführten Roheisenentschwefelungen 1 mit einem entsprechenden Behandlungsmuster wird das zugehörige Modell 8 zu diesem Behandlungsmuster trainiert. Das Trainieren erfolgt auf Basis der in der Datenbank 10 gespeicherten Informationen, also der Bestimmung des Gewichts des zu entschwefelnden Roheisens, des Startschwefelgehalts des zu entschwefelnden Roheisens und des Zielschwefelgehalts des zu entschwefelnden Roheisens und der Erfassung der Art der abgegebenen Entschwefelungsmittel 2, 3, 4, der Mengen der abgegebenen Entschwefelungsmittel 2, 3, 4 und des tatsächlich erreichten Schwefelgehalts nach erfolgter Roheisenentschwefelung 1 . Das optional erfasste Roheisengewicht während der Roheisenentschwefelung 1 kann ebenfalls bei dem Training 9 des Modells 8 berücksichtigt werden. Jedes Modell 8 wird separat trainiert, da die vorbestimmte Anzahl an erforderlichen durchgeführten Roheisenentschwefelungen 1 zu unterschiedlichen Zeitpunkten für die einzelnen Behandlungsmuster erreicht werden. Die durchgeführten Roheisenentschwefelungen 1 und die erstellten Modelle 8 beziehen sich jeweils auf ein bestimmtes Behandlungsmuster, so dass sich die Modelle 8 für unterschiedliche Behandlungsmuster nicht gegenseitig beeinflussen. Beim Trainieren der erstellten separaten Modelle 8 für jedes der mehreren Behandlungsmuster werden nur Daten von durchgeführten Roheisenentschwefelungen 1 berücksichtigt, bei welchen der Zielschwefelgehalt mit einer vorbestimmten Genauigkeit erreicht wurde. Es werden also Roheisenentschwefelungen 1 vernachlässigt, bei welchen der Zielschwefelgehalt nicht mit einer vorgegebenen Genauigkeit erreicht wurde. Ferner kann die Anzahl der fürs Training 9 berücksichtigten Roheisenentschwefelungen 1 begrenzt werden, insbesondere auf eine bestimmte Anzahl der letzten durchgeführten Roheisenentschwefelungen 1 .
Nach einem erfolgten Training 9 eines Modells 8, wird das trainierte Modell 8 für das Behandlungsmuster mit dem bisherigen Modell 8 für das Behandlungsmuster verglichen. Der Vergleich erfolgt beispielsweise auf Basis der Daten einer bestimmten Anzahl der letzten durchgeführten Behandlungen und/oder auf Basis generisch erzeugter Eingabedatensätze. Das bisherige Modell 8 wird durch das trainierte Modell 8 ersetzt, wenn der Vergleich eine Verbesserung der Vorhersagegenauigkeit liefert. Das Ersetzen erfolgt entweder nach manueller Freigabe durch einen Benutzer oder automatisch. Das ersetzte bisherige Modell 8 wird zweckmäßigerweise gespeichert, beispielsweise in der Datenbank 10.
Nach einer vorteilhaften Variante der Erfindung werden für jedes Behandlungsmuster mehrere Modelle 8 erzeugt, wobei die Modelle 8 als neuronale Netze ausgebildet sind. Die Hyperparameter sind beispielsweise ausgewählt aus: Anzahl der Schichten, Anzahl der Knoten, Anzahl der Teilmengen einer k-fachen Kreuzvalidierung, Anzahl der Trainingsepochen, Zulässige Abweichung des erreichten Schwefelgehalts zum Zielschwefelgehalt zur Berücksichtigung einer Behandlung für die Trainingsphase, Lernrate und Momentum.
Fig. 3 zeigt ein Ablaufdiagramm eines Trainings 9 von separaten Modellen 8 im Rahmen des erfindungsgemäßen Verfahrens. Im Folgenden werden die in dem Ablaufdiagramm verwendeten Abkürzungen erläutert:
Auswahl historischer Behandlungen für den Datensatz für das Modelltraining:
Für jedes Behandlungsmuster wird ein Datensatz Di zunächst aus allen historischen Behandlungen zusammengesetzt (Nßehandiung ,neu,i — N ßehandiung, alle, i). Danach erfolgt eine Reduzierung des Datensatzes auf Behandlungen, bei denen der Zielschwefelgehalt Sziei mit guter Genauigkeit erreicht wurde, also bei denen | Sziei-SEnde|/SZiei < ABW gilt. Für die zulässige Abweichung ABW wird über die Werte {0.01 , 0.02, 0.05, 0.1 , 0.2, 0.5, 1.0, 1.5, 2.0} iteriert, wobei sich unterschiedliche Größen des resultierenden Datensatzes Di, red ergeben.
Teilmengen und jeweils komplementäre Teilmengen des Datensatzes für Test bzw. Training:
Um die Wahrscheinlichkeit einer Überanpassung des Regressionsmodells 8 zu verringern, wird eine k-fache-Kreuzvalidierung angewendet (hier k=5). Dabei wird nacheinander je eine k-te Teilmenge K aus Di, red als Testdatensatz und die Menge Di,red\K als Trainingsdatensatz verwendet. Test- und Trainingsdatensatz werden normalisiert.
Danach erfolgen weitere Iterationen über vordefinierte Werte für bestimmte Hyperparameter des Algorithmus.
Für jede Kombination aus ABW, Aufteilung in Test- und Trainingsdatensatz sowie der Hyperparameter erfolgen eine Initialisierung und ein Training 9 eines als neuronales Netz ausgebildeten Modells 8. Als Eingangsparameter stehen die chemische Analyse, die Temperatur und Menge des zu entschwefelnden Roheisens zur Verfügung. Die Ausgabeparameter sind die Mengen der Entschwefelungsmittel 2, 3, 4.
Für die Anzahl und Größe der versteckten Schichten kann eine feste Vorgabe gemacht werden oder diese ebenfalls als Hyperparameter festgelegt werden, über die iteriert wird. Im Zuge jeder Iteration wird sich das resultierende neuronale Netz, sprich die ermittelten Gewichte sowie der zugehörige, mit dem jeweiligen Testdatensatz ermittelte, Testfehler gemerkt. Nach Beendigung aller Iterationen wird dasjenige neuronale Netz mit dem geringsten Testfehler als neues Regressionsmodell 8 Mneu,i für Behandlungsmuster i in Betracht gezogen. Beim
Vergleich des neuen Regressionsmodells 8 Mneu mit dem bislang verwendeten Mait, i wird wiederum ein Testfehler basierend auf dem nicht reduzierten Datensatz Di herangezogen.
Die Schrittfolge gemäß dem Ablaufdiagramm aus Fig. 3 wurde beispielhaft auf einen Datensatz aus 4898 Behandlungen mit ABW=1.1 gemäß Behandlungsmuster 3 aus realen Betreiberdaten angewendet. Dabei erfolgte jeweils ein Modelltraining 9 mit den ersten 1000, 2000 bzw. 3000 Behandlungen, um eine sukzessive Modellanpassung während des Betriebes zu simulieren. Die Vorgaben der jeweils ermittelten Regressionsmodelle 8 gegenüber den tatsächlich zugegebenen Mengen an Kalk 4 und Magnesium 2 in kg sind in Fig. 4 dargestellt. Dabei enthalten die Spalten von links nach rechts die Modellergebnisse in aufsteigender Reihenfolge der für das Training 9 zugrundegelegten Anzahl an Behandlungen. Die gezeigten Vergleiche beinhalten jeweils alle Behandlungen, die nicht beim Training 9 bzw. Testen des jeweiligen Modells 8 berücksichtigt wurden. Es zeigt sich, dass von links nach rechts eine sukzessive Modellverbesserung erreicht wird. Der jeweilige Fehler wurde dabei wie folgt berechnet
Bezugszeichenliste
1 Roheisenentschwefelung
2 Entschwefelungsmittel (Magnesium - Mg) 3 Entschwefelungsmittel (Karbid - CaC2)
4 Entschwefelungsmittel (Kalk - CaO)
5 Roheisenpfanne
6 Druckfördergefäße
7 Förderleitung 8 Modell
9 Trainieren
10 Datenbank
11 Blaslanze

Claims

Ansprüche
1. Verfahren zur Optimierung einer Roheisenentschwefelung (1), wobei die Roheisentschwefelung (1) durch die Abgabe von einem oder mehreren Entschwefelungsmitteln (2, 3, 4) in eine Roheisenpfanne (5) oder einen Torpedowagen erfolgt, wobei mehrere Behandlungsmuster zur Verfügung stehen, welche sich hinsichtlich der Art der abgegebenen Entschwefelungsmittel (2, 3, 4) unterscheiden, umfassend die Schritte:
Bestimmen des Gewichts des zu entschwefelnden Roheisens, des Startschwefelgehalts des zu entschwefelnden Roheisens und des Zielschwefelgehalts des zu entschwefelnden Roheisens;
Erfassen der Art der abgegebenen Entschwefelungsmittel (2, 3, 4), der Mengen der abgegebenen Entschwefelungsmittel (2, 3, 4) und des tatsächlich erreichten Schwefelgehalts während der Roheisenentschwefelung (1), nach erfolgter Roheisenentschwefelung (1 ) für durchgeführte Roheisenentschwefelungen (1 );
Erstellen eines separaten Modells (8) für jedes der mehreren Behandlungsmuster zur Optimierung der Zugabemengen der Entschwefelungsmittel (2, 3, 4) für das jeweilige Behandlungsmuster, wobei die separaten Modelle (8) auf maschinellem Lernen basieren, und jeweils die erreichbaren Schwefelgehalte für zukünftige Roheisenentschwefelungen (1) und die erforderlichen Mengen an abzugebenden Entschwefelungsmittel (2, 3, 4) Vorhersagen;
Trainieren (9) der erstellten separaten Modelle (8) für jedes der mehreren Behandlungsmuster nach einer vorbestimmten Anzahl von durchgeführten Roheisenentschwefelungen (1 ) mit dem entsprechenden Behandlungsmuster, wobei das Trainieren (9) der separaten Modelle (8) auf Basis der Bestimmung des Gewichts des zu entschwefelnden Roheisens, des Startschwefelgehalts des zu entschwefelnden Roheisens und des Zielschwefelgehalts des zu entschwefelnden Roheisens und der Erfassung der Art der abgegebenen Entschwefelungsmittel (2, 3, 4), der Mengen der abgegebenen Entschwefelungsmittel (2, 3, 4) und des tatsächlich erreichten Schwefelgehalts nach erfolgter Roheisenentschwefelung (1 ) für durchgeführte Roheisenentschwefelungen (1) erfolgt; und
Optimieren von zukünftigen Roheisenentschwefelungen (1) auf Basis der Vorhersagen der separaten Modelle (8), wobei die Optimierung ein Behandlungsmuster und die Zugabemengen der Entschwefelungsmittel (2, 3, 4) für das Behandlungsmuster durch einen Vergleich der Vorhersagen der separaten Modelle (8) bestimmt.
2. Verfahren nach Anspruch 1 , wobei die Entschwefelungsmittel (2, 3, 4) ausgesucht sind aus: Magnesium, Karbid und/oder Kalk.
3. Verfahren nach Anspruch 2, wobei das Verfahren die folgenden Behandlungsmuster berücksichtigt: Kalk-Monoinjektion, Karbid- Monoinjektion, Kalk-Magnesium-Co-Injektion, Karbid-Magnesium-Co- Injektion und Karbid-Magnesium-Co-Injektion mit vor- und nachgeschalteter Kalk-Monoinjektion.
4. Verfahren nach einem der Ansprüche 1 bis 3, wobei die separaten Modelle (8) als Regressionsmodelle ausgebildet sind.
5. Verfahren nach einem der Ansprüche 1 bis 4, wobei das Verfahren bei der Optimierung die maximal möglichen Zugaberaten und/oder mögliche Abgabezeitpunkte für die mehreren Entschwefelungsmittel (2, 3, 4) berücksichtigt.
6. Verfahren nach einem der Ansprüche 1 bis 5, wobei die separaten Modelle (8) die Verfügbarkeit, die verfügbare Menge und/oder die Kosten der mehreren Entschwefelungsmittel (2, 3, 4) bei der Optimierung berücksichtigen.
7. Verfahren nach einem der Ansprüche 1 bis 6, wobei das Verfahren mittels der Vorhersagen der separaten Modelle (8) für eine bestimmte Menge an zu entschwefelndem Roheisen mit einem bestimmten Startschwefelgehalt die erforderlichen Mengen an Entschwefelungsmitteln (2, 3, 4) für jedes Behandlungsmuster bestimmt, um den Zielschwefelgehalt zu erreichen und insbesondere das Behandlungsmuster auswählt oder vorschlägt, welches auf Basis der verfügbaren Mengen an Entschwefelungsmitteln (2, 3, 4) umsetzbar ist und mit den geringsten Kosten verbunden ist.
8. Verfahren nach einem der Ansprüche 1 bis 7, wobei beim Trainieren (9) der erstellten separaten Modelle (8) für jedes der mehreren Behandlungsmuster nur Daten von durchgeführten Roheisenentschwefelungen (1 ) berücksichtigt werden, bei welchen der Zielschwefelgehalt mit einer vorbestimmten Genauigkeit erreicht wurde.
9. Verfahren nach einem der Ansprüche 1 bis 8, wobei beim Trainieren (9) der erstellten separaten Modelle (8) für jedes der mehreren Behandlungsmuster nur die Daten einer bestimmten Anzahl der letzten durchgeführten Behandlungen berücksichtigt werden.
10. Verfahren nach einem der Ansprüche 1 bis 9, wobei nach dem Trainieren (9) der erstellten separaten Modelle (8) für jedes der mehreren Behandlungsmuster die trainierten Modelle (8) mit den bisherigen Modellen (8) für jedes Behandlungsmuster verglichen werden.
11 . Verfahren nach Anspruch 10, wobei der Vergleich auf Basis der Daten einer bestimmten Anzahl der letzten durchgeführten Behandlungen und/oder auf Basis generisch erzeugter Eingabedatensätze erfolgt.
12. Verfahren nach Anspruch 11 , wobei die Daten der letzten durchgeführten Behandlungen unterteilt werden in Trainingsdatensätze und in Testdatendatensätze, wobei die Trainingsdatensätze zum Trainieren (9) der erstellten separaten Modelle (8) für jedes der mehreren Behandlungsmuster verwendet werden und die Testdatensätze zum Vergleichen der trainierten Modelle (8) mit den bisherigen Modellen (8) für jedes Behandlungsmuster verwendet werden.
13. Verfahren nach einem der Ansprüche 10 bis 12, wobei die bisherigen Modelle (8) durch die trainierten Modelle (8) ersetzt werden, wenn der jeweilige Vergleich eine Verbesserung der Vorhersagegenauigkeit liefert.
14. Verfahren nach Anspruch 13, wobei das entsprechende bisherige Modell (8) erst nach einer manuellen Freigabe durch das entsprechende trainierte Modell (8) ersetzt wird.
15. Verfahren nach Anspruch 13, wobei das entsprechende bisherige Modell (8) automatisiert durch das entsprechende trainierte Modell (8) ersetzt wird.
16. Verfahren nach einem der Ansprüche 12 bis 15, wobei das entsprechende bisherige Modell (8) nach dem Ersetzen gespeichert wird, insbesondere zusammen mit einem Zeitstempel.
17. Verfahren nach einem der Ansprüche 1 bis 16, wobei die erstellten separaten Modelle (8) zur Initialisierung auf Basis historischer Daten oder Daten aus vergleichbaren Roheisenentschwefelungen (1 ) trainiert werden.
18. Verfahren nach einem der Ansprüche 1 bis 17, wobei das Verfahren weiterhin die chemische Analyse des zu entschwefelnden Roheisens berücksichtigt.
19. Verfahren nach einem der Ansprüche 1 bis 18, wobei für jedes Behandlungsmuster mehrere Modelle (8) erzeugt werden, wobei die Modelle (8) als neuronale Netze ausgebildet sind und sich hinsichtlich ihrer Hyperparameter voneinander unterschieden.
20. Verfahren nach Anspruch 19, wobei die Hyperparameter ausgewählt sind aus: Anzahl der Schichten, Anzahl der Knoten, Anzahl der Teilmengen einer k-fachen Kreuzvalidierung, Anzahl der Trainingsepochen, Zulässige Abweichung des erreichten Schwefelgehalts zum Zielschwefelgehalt zur Berücksichtigung einer Behandlung für die Trainingsphase, Lernrate und Momentum.
21. System zur Optimierung einer Roheisenentschwefelung (1), wobei die Roheisentschwefelung durch die Abgabe von einem oder mehreren Entschwefelungsmitteln (2, 3, 4) in eine Roheisenpfanne (5) oder einen Torpedowagen erfolgt, wobei mehrere Behandlungsmuster zur Verfügung stehen, welche sich hinsichtlich der Art der abgegebenen Entschwefelungsmittel (2, 3, 4) unterscheiden, wobei das System ausgebildet ist um das erfindungsgemäße Verfahren gemäß einem der Ansprüche 1 bis 20 auszuführen.
22. Computerprogramm umfassend Befehle, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen, das Verfahren nach einem der Ansprüche 1 bis 20 auszuführen.
PCT/EP2025/057961 2024-03-25 2025-03-24 Verfahren zur optimierung einer roheisenentschwefelung Pending WO2025202111A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102024202839.8A DE102024202839A1 (de) 2024-03-25 2024-03-25 Verfahren zur Optimierung einer Roheisenentschwefelung
DE102024202839.8 2024-03-25

Publications (1)

Publication Number Publication Date
WO2025202111A1 true WO2025202111A1 (de) 2025-10-02

Family

ID=95155003

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2025/057961 Pending WO2025202111A1 (de) 2024-03-25 2025-03-24 Verfahren zur optimierung einer roheisenentschwefelung

Country Status (2)

Country Link
DE (1) DE102024202839A1 (de)
WO (1) WO2025202111A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121072342A (zh) * 2025-11-03 2025-12-05 北京中科辉丰科技有限公司 基于ai的最佳脱硫环境模拟方法与系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6607577B2 (en) * 2000-08-11 2003-08-19 Dofasco Inc. Desulphurization reagent control method and system
CN117153281A (zh) * 2023-08-31 2023-12-01 浪潮云洲工业互联网有限公司 一种预测合金推荐率和收得率的方法、设备及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6607577B2 (en) * 2000-08-11 2003-08-19 Dofasco Inc. Desulphurization reagent control method and system
CN117153281A (zh) * 2023-08-31 2023-12-01 浪潮云洲工业互联网有限公司 一种预测合金推荐率和收得率的方法、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121072342A (zh) * 2025-11-03 2025-12-05 北京中科辉丰科技有限公司 基于ai的最佳脱硫环境模拟方法与系统

Also Published As

Publication number Publication date
DE102024202839A1 (de) 2025-09-25

Similar Documents

Publication Publication Date Title
DE69209622T2 (de) Verfahren zum Entkohlen einer Stahlschmelze mit Hilfe neuronaler Netzwerke
WO2020260361A1 (de) Industrielle anlage, insbesondere anlage der metallerzeugenden industrie oder der aluminium- oder stahlindustrie und verfahren zum betreiben einer industriellen anlage, insbesondere einer anlage der metallerzeugenden industrie oder der aluminium- oder stahlindustrie
EP2789960B1 (de) Verfahren zur Bestimmung des Zustandes einer feuerfesten Auskleidung eines metallurgischen Schmelzgefässes
DE19881711C5 (de) Verfahren und Einrichtung zur Steuerung einer Hüttentechnischen Anlage
DE102010032185A1 (de) Verfahren und Vorrichtung zum Koordinieren von zwei aufeinanderfolgenden Herstellungsstufen eines Produktionsprozesses
DE4008510A1 (de) Regeleinheit mit optimal-entscheidungsmitteln
EP4150419B1 (de) System und verfahren zur steuerung einer aus mehreren anlagenteilen bestehenden produktionsanlage, insbesondere einer produktionsanlage zur erzeugung von industriegütern wie metallischem halbzeug
EP1324845B1 (de) Verfahren zum betreiben einer anlage der grundstoffindustrie
DE102024202839A1 (de) Verfahren zur Optimierung einer Roheisenentschwefelung
DE102016224291A1 (de) Verfahren zur rechnergestützten Adaption eines vorgegebenen teilautomatisierten Fahrsystems eines Kraftfahrzeugs
DE19637917A1 (de) Verfahren und Einrichtung zum Entwurf oder zur Steuerung des Prozeßablaufs einer Anlage der Grundstoffindustrie
DE19930446C1 (de) Diagnoseverfahren und Diagnosesystem zur Überwachung der verfügbaren Resourcen in einem Herstellungsprozeß
WO2021239429A1 (de) WARTUNGSPLANUNGSSYSTEM, VERFAHREN UND COMPUTERPROGRAMM ZUR BESTIMMUNG VON WARTUNGSMAßNAHMEN FÜR EINE PRODUKTIONSANLAGE, INSBESONDERE EINER PRODUKTIONSANLAGE DER METALLERZEUGENDEN INDUSTRIE, DER NICHT-EISEN- ODER STAHLINDUSTRIE ODER DER VORLEGIERUNGSHERSTELLUNG
WO2015161975A2 (de) Auf modellierung einer beizlinie beruhende optimierung einer sequenz von zu beizenden bändern
EP1302823B1 (de) Rechnergestützter Konfigurator zum Konfigurieren einer Anlage der Grundstoffindustrie
WO1999013999A1 (de) Verfahren und einrichtung zur kühlung von metallen in einem hüttenwerk
AT411068B (de) Verfahren zur herstellung einer metallschmelze in einer hüttentechnischen anlage
DE19623671C2 (de) Verfahren und Einrichtung zum Führen eines Prozesses in der Grundstoffindustrie
DE19643884C2 (de) Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen
EP1593010A2 (de) Mathematisches modell für eine hüttentechnische anlage und optimierungsverfahren für den betrieb einer hüttentechnischen anlage unter verwendung eines derartigen modells
WO2022184624A1 (de) System, verfahren und computerprogramm zur betriebswirtschaftlichen optimierung eines prozesses in einer produktionsanlage
DE102016014690A1 (de) Verfahren zum Extrudieren von Produkten, Extrusionsanlage zum Herstellen von extrudierten Produkten und Extrusionsanlagennetzwerk
DE102020205226A1 (de) Verfahren und Einrichtung zum Betrieb eines industrieübergreifenden Anlagenverbunds
DE102010010551B4 (de) Verfahren und Vorrichtung zum Koordinieren von zwei aufeinanderfolgenden Herstellungsstufen eines Produktionsprozesses
EP4454783A1 (de) Verfahren zur optimierung der ausgangstemperaturen einer metallschmelze wenigstens an primär- und sekundäraggregaten eines schmelzbetriebs mit umlaufenden giesspfannen

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 25714703

Country of ref document: EP

Kind code of ref document: A1