LF精炼炉温度预测的研究和应用

1、    lf精炼炉温度预测的研究和应用    孙小强摘 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：tf769 ：a ：1671-2064（2017）14-0062-011 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

2、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

3、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

4、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

5、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

6、，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

7、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神经网络的输入量：钢包等待时间，电极化渣功率，电极加热功率，钢水重量，吹氩量，旁吹时长，合金加入量，渣料加入量。2.4 修正模型的建立lf炉精炼时流程较为繁琐，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，本文利用一个修正模型对bp网络的输出进行修正，最终得到准确的预测结果。钢包的状态，冷包，热包等状态，吹氩过程中的旁

8、吹，电极加热时，埋弧的好坏，电流是否平稳，等情况与钢液温度之间均存在着直接的关系，所以，全部借助修正模型给予有效分析与修正。3 模型的实现和应用实际应用中，采用高级语言来实现模型的现场应用。模型计算软件采用c#.net编程，具有良好的人機交互界面，采用sql数据库对所需的各种数据进行存储，与l3系统和检化验系统进行接口，能接受l3系统计划数据和检化验数据，实现炉次数据自动匹配；中间计算过程参数可根据需要自由调整。以达到较好的计算效果；程序具备自学习功能，可以利用已有的生产数据，自动优化计算模型。抽取实际生产数据对模型进行验证，可以看出模型在估测终点温度时，所得结果精度合理，实际误差处于±10以下的数据为85%，±15以内的数据达到90%。而其中误差明显的炉次主要受到现场其他要素的影响，比如，人为因素带来的影响以及升温期间的效率问题等。基于现场环境进行评估，模型基本符合生产标准，可以在精炼阶段提供合理的技术支持。4 结语自模型上线以来，通过对现场模型的跟踪情况可知，预报不准确的因素为现场技术环境给模型造成的影响。不难发现，若想保证模型精度，需要确保工作人员按照标准流程进行作业，同时需要利用更加先进的辅助技术协调完成，所以，后期需要对模型精度作进一步调整与优化。参考文献1hoppmann w，fett fn.energy ba