钢包精炼炉的升温预测方法及系统与流程

1.本发明涉及冶金过程中的生产与控制技术领域，尤其是钢包精炼炉的升温预测方法及系统。


背景技术：

2.lf炉(ladle furnace)即钢包精炼炉，是钢铁生产中主要的炉外精炼设备，是电弧炉的一种特殊形式。lf精炼炉采用三根电极进行加热，加热时电极插入渣层中采用埋弧加热法，这种方法的辐射小，对炉衬有保护作用，与此同时加热的效率也比较高，热效率好。由于它设备简单，投资费用低，操作灵活和精炼效果好而成为冶金行业的后起之秀，得到了广泛的应用与发展。
3.lf炉精炼是炉外精炼的主要方法之一，其关键在于快速造白渣，白渣在lf炉内具有很强的还原性，这是lf炉内良好的还原气氛和氩气搅拌，互相作用的结果。lf造渣的目的是脱硫、脱氧、提高合金收得率、去除夹杂，但在控铝钢的造渣过程中，脱硫回硅、增氮、去除夹杂物存在一定的矛盾，需要统筹考虑。lf炉冶炼时可以不用加脱氧剂，而是靠白渣对氧化物的吸附作用而达到脱氧的目的。在lf快速而稳定的造出流动性好并有一定乳化性的还原性白渣，是lf脱硫、吸附夹杂及保证钢水质量所必需的。
4.lf炉升温是在非氧化性气氛下利用电弧加热来提高钢水温度，补偿处理过程钢水温降及造渣、合金化的吸热，便于形成有利于脱硫、脱氧、去除夹杂的钢包渣。还可以精确控制温度，为连铸机或下道工序提供温度合适的钢水温度。脱硫反应是一个吸热反应，提高温度有利于脱硫反应的进行，同时加热使渣产生较高的温度，较好地提供了脱硫反应的热力学条件。但过分提高钢水炉渣温度，不利于钢包包衬使用寿命的提高和电耗成本控制。因此，精准、高效地进行升温加热，为下道工序提供温度合适的钢水温度，是lf精炼炉的主要功能之一，也是生产顺行的重要保障条件。目前对于精炼炉升温的控制大多通过温控系统来实现，但该系统未充分考虑各种影响因素对出钢质量及成本的影响，造成生产成本高或出钢质量差。


技术实现要素：

5.本发明提供了钢包精炼炉的升温预测方法及系统，用于解决现有精炼炉升温控制方式未充分考虑生产成本和出钢质量的问题。
6.为实现上述目的，本发明采用下述技术方案：
7.本发明第一方面提供了钢包精炼炉的升温预测方法，所述方法包括以下步骤：
8.获取钢水温度影响因素的当前值，所述影响因素包括第一类影响因素和第二类影响因素，所述第一类影响因素基于现场数据采集得到，所述第二类影响因素通过第一类影响因素的取值确定；
9.将所述当前值输入预测模型，得到预测的升温值。
10.进一步地，所述第一类影响因素包括钢包寿命及状况、钢包底吹透气性、钢包周转
情况、转炉出钢温度、钢包加料情况以及出钢调运至精炼炉的时间间隔。
11.进一步地，所述第二类影响因素包括精炼加料及喂线、吹氩及弱搅拌时间、处理结束目标温度。
12.进一步地，所述获取钢水温度影响因素的当前值之前，所述方法还包括步骤：
13.基于影响因素的历史数据，对所述影响因素的取值按照相近条件原则进行分类。
14.进一步地，所述预测模型基于bp网络构建，所述预测模型中隐层神经元个数的确定具体为：
[0015][0016]
其中,n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数。
[0017]
进一步地，预测模型中隐层神经元的个数为6。
[0018]
进一步地，所述预测模型通过matlab中神经网络工具箱进行训练。
[0019]
本发明第二方面提供了钢包精炼炉的升温预测系统，所述系统包括：
[0020]
信息采集单元，用于获取钢水温度影响因素的当前值，所述影响因素包括第一类影响因素和第二类影响因素，所述第一类影响因素基于现场数据采集得到，所述第二类影响因素通过第一类影响因素的取值确定；
[0021]
预测单元，用于将所述当前值输入预测模型，得到预测的升温值。
[0022]
进一步地，所述第一类影响因素包括钢包寿命及状况、钢包底吹透气性、钢包周转情况、转炉出钢温度、钢包加料情况以及出钢调运至精炼炉的时间间隔；所述第二类影响因素包括精炼加料及喂线、吹氩及弱搅拌时间、处理结束目标温度。
[0023]
本发明第三方面提供了一种计算机存储介质，所述计算机存储介质中存储有计算机指令，所述计算机指令在所述系统上运行时，使所述系统执行所述方法的步骤。
[0024]
本发明第二方面的所述钢包精炼炉的升温预测系统能够实现第一方面及第一方面的各实现方式中的方法，并取得相同的效果。
[0025]
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
[0026]
本发明在进行精炼炉升温预测时，考虑多种影响因素，将这些影响因素作为预测模型的输入，有效提高升温值的预测准确率，提高生产效率、降低生产成本，提高出钢质量。
附图说明
[0027]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]
图1是本发明所述方法实施例的流程示意图；
[0029]
图2是本发明方法实施例中bp网络结构示意图；
[0030]
图3是本发明所述系统实施例的结构示意图。
具体实施方式
[0031]
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发
明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
[0032]
如图1所示，本发明实施例提供的钢包精炼炉的升温预测方法，包括以下步骤：
[0033]
s1,获取钢水温度影响因素的当前值，所述影响因素包括第一类影响因素和第二类影响因素，所述第一类影响因素基于现场数据采集得到，所述第二类影响因素通过第一类影响因素的取值确定；
[0034]
s2,将所述当前值输入预测模型，得到预测的升温值。
[0035]
步骤s1中，所述第一类影响因素包括钢包寿命及状况、钢包底吹透气性、钢包周转情况、转炉出钢温度、钢包加料情况以及出钢调运至精炼炉的时间间隔；所述第二类影响因素包括精炼加料及喂线、吹氩及弱搅拌时间、处理结束目标温度。
[0036]
本发明方法实施例的其一实现方式中，所述获取钢水温度影响因素的当前值之前，所述方法还包括步骤：
[0037]
基于影响因素的历史数据，对所述影响因素的取值按照相近条件原则进行分类，具体包括：
[0038]
钢包寿命及状况：钢包寿命分为1-10炉、11-20炉
……
；无残渣、有残渣、较多残渣；新包；小修包、中修包、正常周转包；
[0039]
钢包底吹透气性：透气性差、透气性一般、透气性良好；
[0040]
钢包周转情况：正常周转包、等待＜0.5h、等待0.5h-1h、等待1h-2h、等待≥2h；
[0041]
转炉出钢温度:每5℃为一个类别，如1601℃-1610℃、1611℃-1621℃
……
；
[0042]
钢包加料情况:钢包改质剂正常值、少于钢包改质剂正常值、大于钢包改质剂正常值；
[0043]
出钢
→
lf过程辅助及等待时间：即出钢吊运至lf的时间间隔，分为＜10min、11-15min、16-20min
……
；
[0044]
精炼加料:钢种计划目标要求值、低于钢种计划目标要求值、高于钢种计划目标要求值；
[0045]
喂线：钢种计划目标要求值、低于钢种计划目标要求值、高于钢种计划目标要求值；
[0046]
吹氩及弱搅拌时间：每5min为一类别；
[0047]
处理结束目标温度：每5℃为一个类别。
[0048]
目标炉次的钢包寿命及状况、钢包底吹透气性、钢包周转情况、转炉出钢温度及钢包加料情况、出钢
→
lf过程辅助及等待时间进行数据采集，然后结合实际情况设定精炼加料及喂线、吹氩及弱搅拌时间、处理结束目标温度，结合数据库中与该炉次相近类别的数据，然后通过bp神经网络进行该炉次的升温值预测，根据模型预测的加热升温值，结合电极加热的电压、电流确定加热时间。
[0049]
步骤s2中，如图2所示，所述预测模型基于bp(back-propagation network)网络构建，bp网络又称反向传播神经网络，通过样本数据的训练，不断修正网络权值和阈值使误差
函数沿负梯度方向下降，逼近期望输出。
[0050]
bp网络由输入层、隐层和输出层组成，隐层可以有一层或多层，网络选用s型传递函数通过反传误差函数(ti为期望输出、oi为网络的计算输出)，不断调节网络权值和阈值使误差函数e达到极小。
[0051]
预测模型输入输出层的设计由上述多个温度影响因素作为输入，具体包括：钢包寿命及状况、钢包底吹透气性、钢包周转情况、转炉出钢温度、钢包加料情况、出钢lf过程辅助及等待时间、精炼加料及喂线、吹氩及弱搅拌时间、处理结束目标温度。以精炼电极加热升温值作为输出，所以输入层的节点数为9，输出层的节点数为1。
[0052]
预测模型的隐层设计采用含有一个隐层的三层多输入单输出的bp网络建立预测模型。鉴于隐层神经元个数过多会加大网络计算量并容易产生过度拟合问题；神经元个数过少则会影响网络性能,达不到预期效果。本实施例中所述预测模型中隐层神经元个数为6，确定方式具体为：
[0053][0054]
其中,n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数。
[0055]
预测模型在训练阶段：激励函数的选取，选用matlab中的神经网络工具箱进行网络的训练，再通过多次重复学习达到期望误差后完成学习。网络训练完成后，将各种温度影响因素输入网络即可得到预测的该炉次精炼电极加热升温值数据。
[0056]
应用上述方法的实施例，预测结果举例如下：
[0057]
某炉次的各种温度影响因素：钢包寿命为第7炉，钢包内无残渣，小修包第2炉，钢包底吹透气性良好，钢包正常周转，转炉出钢温度1636℃，钢包改质剂为正常值，出钢吊运至lf的时间间隔＜10min，精炼加料及喂线均为钢种计划目标要求值，吹氩及弱搅拌时间28min，处理结束目标温度1582℃。通过bp神经网络模型预测的升温值为25℃。
[0058]
某炉次的各种温度影响因素：钢包寿命为第12炉，钢包内较多残渣，正常周转包第2炉，钢包底吹透气性良好，钢包下线等待1h，转炉出钢温度1656℃，钢包改质剂为正常值，出钢吊运至lf的时间间隔15min，精炼加料及喂线均为钢种计划目标要求值，吹氩及弱搅拌时间36min，处理结束目标温度1602℃。通过bp神经网络模型预测的升温值为18℃。
[0059]
如图3所示，本发明实施例还提供了钢包精炼炉的升温预测系统，所述系统包括信息采集单元1和预测单元2。
[0060]
信息采集单元1用于获取钢水温度影响因素的当前值，所述影响因素包括第一类影响因素和第二类影响因素，所述第一类影响因素基于现场数据采集得到，所述第二类影响因素通过第一类影响因素的取值确定；预测单元2用于将所述当前值输入预测模型，得到预测的升温值。
[0061]
钢包精炼炉的升温预测系统能够实现上述各实现方式中的方法，并取得相同的效果。
[0062]
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机指令，所述计算机指令在所述系统上运行时，使所述系统执行所述方法实施例的步骤。
[0063]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不
需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。