[發明專利]一種LF精煉過程鋼水溫度的預報方法

在審

• 申請號: 201310225181.3
• 申請日: 2013-06-06
• 公開（公告）號: CN103276147A
• 公開（公告）日: 2013-09-04
• 發明（設計）人: 陳志威;趙成林;羅建華;王寧;寧東;臧紹雙
• 申請（專利權）人: 鞍鋼股份有限公司
• 主分類號: C21C7/00
• 分類號: C21C7/00
• 代理公司: 鞍山嘉訊科技專利事務所 21224
• 代理人: 張群

技術領域

本發明涉及冶金過程的生產與控制領域，特別涉及一種LF精煉過程鋼水溫度的預報方法。

背景技術

LF爐設備簡單，生產中可根據鋼水質量控制的需要，采用多種不同的工藝操作制度，滿足最終產品質量控制的要求。目前，LF爐所處理的鋼種幾乎涉及到從特鋼到普鋼的所有鋼種。隨著用戶對鋼材的質量、品種與性能的要求越來越高，對LF精煉處理工藝的過程控制也提出了更高的要求。在實際生產中，面對現場復雜的環境，傳統的人工操作已經很難滿足現代LF精煉高效能的要求，因此有必要對LF精煉過程鋼水成分和溫度進行優化控制，因此，國內外學者在LF精煉鋼水溫度預報方面進行了一系列的工作。

目前針對LF精煉鋼水的溫度預報通常采用“機理模型”、“黑箱模型”和“灰箱模型”三種方法。機理模型以LF精煉過程的冶金機理出發，但難以準確計算過程中諸多非線性因素對鋼水溫度的影響。黑箱模型則過分依賴數據，移植性差，缺乏工藝指導。灰箱模型將冶金機理與數據統計相結合，克服了單純機理模型參數獲得不準確和黑箱模型過分依賴數據的不足，預報精度明顯好于其它兩個模型，是LF鋼水溫度預報最有效的方法。

檢索到一篇論文：謝樹元，杜斌，林云等.LF爐過程控制模型的開發與應用[J].冶金自動化，2006，增刊S2：47-50。論文中介紹的LF鋼水溫度預報方法是建立在人工智能技術與冶金學機理的基礎上，主要包括人工智能子模型與冶金機理子模型。冶金機理子模型為比較簡單的初等數學模型，人工智能子模型主要計算LF精煉過程中影響溫度的一些復雜的非線性因素。將兩部分因素對溫度的影響進行疊加，即可準確預報LF處理過程中鋼水溫度的變化。

發明內容

本發明的目的是提供一種LF精煉過程鋼水溫度的預報方法，能實現LF溫度在線實時預報，達到速度快、精度高的目標，減少現場測溫操作次數、提高LF精煉處理結束時的溫度命中率，簡化LF精煉操作。

為實現上述目的，本發明的技術方案是：

一種LF精煉過程鋼水溫度的預報方法，按照以下步驟計算LF處理期間任意時刻的鋼液溫度相對于初始溫度的變化量：

(1)　計算可用冶金學機理模型或現場經驗公式加以計算的LF爐精煉過程鋼液溫度變化分量；

(2)　利用神經網絡模型計算難以用冶金學機理模型或現場經驗公式加以計算的LF精煉過程溫度變化分量，神經網絡模型輸入參數為：鋼種，鋼水重量，鋼水初始溫度，預計處理時間，鋼包烘烤溫度，鋼包級別，鋼包使用次數，鋼包運輸時間，改質劑加入量，渣量，鋼水初始碳、硅、鋁含量；網絡輸出參數為：難以用機理或經驗公式加以計算的溫度變化分量；

(3)　將步驟(1)和(2)計算得到的變化分量相加得到該時刻的LF精煉爐鋼液溫度相對于初始溫度的變化量。

所述可用冶金學機理模型或現場經驗值加以計算的部分包括：電極加熱對鋼液溫度的影響、頂渣成渣過程、非脫氧合金、渣料對鋼液溫度的影響、鋼液表面散熱對鋼液溫度的影響。

所述難以用冶金學機理模型或現場經驗值加以計算的部分包括：爐體耐火材料的蓄熱、頂渣改質過程中改質劑氧化放熱對鋼水溫度的影響、煙氣、煙塵帶走的熱量以及鋼水其它熱損失。

所述神經網絡模型采用三層反向傳播BP人工神經網絡結構，其傳遞函數為S型，其結構為：f(x)=11+e-x]]>。

與現有技術相比，本發明的有益效果是：可預報整個LF處理過程鋼水溫度的變化情況，一方面可以減少過程1~2次測溫，降低了鋼水測溫成本，另外可以通過鋼水溫度的準確控制，降低不必要的鋼水溫度控制成本，縮短LF處理時間，可實現LF溫度的在線實時預報，具有速度快、精度高、可移植性強的特點。

附圖說明

圖1是本發明計算流程示意圖。

圖2是實施例中軟件在線計算畫面。

具體實施方式

下面結合附圖對本發明的具體實施方式作進一步說明：