LF精炼炉温度预测研究和应用.docVIP

LF精炼炉温度预测研究和应用 　　摘 要：钢水温度是精炼生产过程中的重要控制指标，本文建立了一种LF精炼炉温度预测方法，采用BP神经网络与修正方法相结合的方式，从能量输入和输出平衡的角度出发，应用BP神经网络对温度变化进行初步预报，再根据现场工艺经验知识对一些特殊情况进行处理，对神经网络的输出结果进行修正。与其他预测方法相比较，钢水温度预测的准确性得到了较大提高。 　　关键词：LF炉；温度预测；BP神经网络 　　中图分类号：TF769 文献标识码：A 文章编号：1671-2064（2017）14-0062-01 　　1 温度预测模型开发应用背景 　　LF精炼炉是炼钢生产的主要工序，生产中钢水温度控制、合金加入、底吹氩气控制的精度和准确性，直接影响钢水的质量和工序的顺行。现有的LF炉冶炼过程控制基本靠岗位工的经验。为了满足炼钢生产需要，提高自动化水平，减少人为因素造成的工艺设备事故，提高钢水成分的控制精度，提高产品质量，就要对LF炉的生产过程进行全自动控制，实现“一键精炼”。 　　针对LF炉精炼环节钢水温度检测，国内国外这方面的探究非常多，其中包含从LF炉能量守恒的视角，探究对热效应有作用的因子以及提升热效率的方法[1]；也有经过LF炉温度情况的探究，获得钢包在不一样的情况下，钢水温度下降速度、钢水浸泡时间和钢水温度回归联系[2]；还有探讨了不相同钢包热情况和预热体制下的钢包吸热状况，得到温度提升速率[3]；还有借助于LF炉全面热守恒的方式对钢水温度预测模型探讨等等。 　　本次研究将承钢150吨的2座LF精炼炉确定成分析对象，基于BP神经网络搭配一个修正模型的方式构建出150吨LF炉精炼系统温度预测模型，以实现准确的温度预测。 　　2 模型设计思路和功能实现 　　2.1 建模对象的确定 　　由于温度预测主要是针对钢包内钢水温度进行，LF炉精炼时所有物料的加入，以及电极加热，都是针对钢包内的钢水来操作，我们以钢包内钢水的温度变化为研究对象来建立温度预测模型。 　　2.2 温度预测方案 　　LF炉精炼过程异常繁琐，如果仅通过BP神经网络进行处理，无法完成钢水温度的有效预报。若想让现场与工艺技术两种信息的价值得到体现，本文将BP神经网络一个修正模型搭配在一起，共同进行处理。 　　首先利用神经网络为温度变化量进行预测，然后通过一个修正模型对BP神经网络中输出温度变化量 进行修正，从而得到一个修正后的的温度预估值，将修正温度加上进站测量温度，就得到当前的温度预测值T。图1描述了钢水温度预估模型的逻辑结构。 　　2.3 BP神经元网络输入量的确定 　　经热平衡研究，明确了精炼期间的传热行为与钢水温度的动态表现，以此为前提，分析模型所需要的输入量： 　　（1）加热功率：LF精炼炉是通过三相电极进行加热的，电极通电加热是精炼炉内钢水升温的主要来源。此项可以由变压器功率表直接测得。 　　（2）初始温度：一般将实际测量的温度作为初始温度，可以采集现场测温表数据，当转炉出钢测温，或者在LF炉进站测温时，记录温度值，也是温度预报必不可少的初始温度。 　　（3）氩气量：通过氩气处理能够使炉内钢水温度处于均衡状态，确保钢水与后期补充的合金发生彻底的化学反应，而且能够使钢液内杂质达到渣层发生化学反应，实现成分的调整。然而，过多氩气则会造成热量损失，特别是旁吹、强吹氩的过程汇总，LF炉钢水温度出现剧烈变化，所以此项也需要进行考虑，吹氩量可以通过现场氩气流量监测采集。 　　（4）钢包冷却时间：停止加热的时间，这时温度将会随着时间的变化而降低。分为钢包等待处理时间，和钢包处理时间两部分，区别在于钢包加盖保温，渣层厚度等因素的不同，造成散热速度不同。此项通过初始温度测量时刻，以及精炼处理时间来确定。 　　（5）钢水自重：不同炉钢包内钢水自重始终有着区别，这也会使炉温发生相应的变化，对预测结果也会造成影响，所以也要考虑进来。此项可以通过天车称重来采集。 　　（6）渣层厚：渣层能够避免钢液温度大量扩散，可以使钢液、合金之间的化学反应更彻底。由于渣层厚度现场无法准确测量，可以利用岗位工人工确认手动录入的方式来采集，也可以根据钢包在连铸下线后的渣余量来替代。 　　（7）加入的合金和渣料：加入合金和渣料会造成温度的变化，加入量可以通过现场料仓称重数据获得。 　　（8）其他因素：钢包周转次数对散热的影响，由于季节原因，造成的环境温度差异，以及钢包是否加盖，加热过程中是否出现埋弧不好，底吹氩气是否出现大流量翻搅等情况，都有可能能造成钢包散热速度的差异，可以将这些因素量化，然后通过修正模型来进行处理。 　　通过对LF炉精炼过程中能量收支情况的探索，明确了精炼期间的传热行为与钢水温度的动态表现，以此为前提，将8个要素定义成BP神经网络