宝钢 BRP 炼钢新工艺过程控制模型研究与应用.doc

宝钢 BRP 炼钢新工艺过程控制模型研究与应用郭亚芬杜斌陈军鹏谢树元(宝钢研究院（技术中心） 上海 201900)摘要 本文介绍宝钢转炉脱磷/脱碳 BRP 新工艺过程控制模型研发和应用。运用冶金机理、统计回归、神经元网络等多种方法，结合宝钢生产 实践经验，研发了转炉脱磷/脱碳新工艺成套过程控制模型，并投入生产应用，使炼钢生产更规范、稳定、低耗、高效。关键词 过程控制模型；转炉炼钢；神经元网络1引言转炉炼钢过程控制模型是全自动炼钢的关键技术，是集自动控制、冶金机理、生产工艺、数学 建模、人工智能、数字仿真、计算机等多种技术于一体的高难度复杂技术。宝钢在上世纪 90 年代以 二炼钢建造、一炼钢三电改造为契机，把炼钢这一复杂过程分解为多个控制对象或子过程，并分别 建模，成功地研制开发了拥有自主知识产权的转炉常规冶炼成套模型，实现了转炉炼钢的全过程自 动控制，从而使炼钢生产过程更规范、稳定、低耗、高效。2003 年宝钢股份是国内第一个开发“双联法”新工艺（BRP）转炉脱磷、脱碳炼钢的钢铁公司。 双联法是采用两座转炉双联作业，一座进行铁水脱磷操作，称为脱磷炉，另一座接受来自脱磷炉的低 磷半钢水进行脱碳升温操作，称为脱碳炉。这种炼钢方法可以实现少渣冶炼，有利于经济地冶炼低磷、 超低磷钢及高碳钢、合金钢，能有效改善钢的质量，提高钢的纯净度和产品质量的稳定性。针对转炉 脱磷/脱碳 BRP 新工艺，宝钢又研发了相对应的过程控制模型，转炉脱磷/脱碳成套过程控制模型已于2004 年 10 月2005 年 4 月陆续投入运行，模型起到生产指导和控制作用。目前宝钢一炼钢计算机系 统能同时运行常规炉、脱磷炉、脱碳炉三套过程控制模型，从而使不同生产工艺不同的控制模型能有 序有效地控制炼钢生产过程。2.炼钢模型简介转炉炼钢是一个非常复杂的多元多相高温状态下进行的非线性的物理化学反应过程，存在很多 不确定的因素，且难以获得准确连续的检测信息，因此，纯理论模型很难精确反映转炉炼钢过程。我 们根据炼钢生产特点，运用冶金机理、统计回归、神经元网络、人工智能等多种方法，结合宝钢生产 实践经验，研发了常规炉/脱磷炉/脱碳炉三套过程控制模型。宝钢一、二炼钢 300 吨和 250 吨转炉，采用顶底复吹方式，由过程计算机系统进行炼钢全过程的 生产指导、生产控制和生产实绩收集。过程控制模型贯穿整个转炉吹炼过程，按工艺流程主要进行转 炉液面计算、副原料计算、副原料投入分配计算、副枪测定氧量计算、冷却材计算、总吹氧量计算、 合金最小成本投入量计算、钢水成分预报，实时推算钢水温度和钢水碳含量等，进行吹止控制。3.炼钢模型原理宝钢针对常规炉、脱磷炉、脱碳炉三种炼钢工艺自主研发的离线在线转炉模型有 20 多个，宝钢 有一支技术力量长期耕耘在炼钢领域从事过程控制模型跟踪、优化、研发工作，使模型适合不断改进 的生产工艺，以确保炼钢生产的产量和质量。下面介绍宝钢近几年针对 BRP 新工艺研发和优化改进的 几个主要的转炉过程控制模型。转炉过程控制模型结构见图 1。郭亚芬 宝钢研究院自动化研究所；Tel：56780880-2186； 7 E_Mail : 人工要求前炉出 钢终了副原料计算 模型吹炼 Pattern 控制 氧枪高度控制 氧流量控制元素目标收得率合金最小成本 模型合金液面计算模型静态控制计算投入副枪氧枪高测定模型副原料投入 时刻计算参考炉数据氧流量控制度吹炼控制结束主原料装入吹炼开始三种转炉吹炼方式 常规炉 脱磷炉 脱碳炉送氧量一定值副测碳、温动态计算 模型追加冷材副测后氧量吹止 成分静态学习计算 模型人工要求模型参数维护实绩文件 模型文件合金收得率 模型3.1 脱磷炉智能副原料计算模型图 1.转炉过程控制模型结构图智能副原料计算模型是在宝钢实施转炉脱磷/脱碳双联法新工艺过程中开发的。 副原料计算模型的功能就是在转炉吹炼之前，根据铁水条件、吹止目标及造渣原理，计算转炉吹炼造渣所需要的副原料品种（主要有石灰、莹石、轻烧白云石、铁矿石等）和对应的副原料量。 在实验室开展了副原料机理模型、统计模型、神经元网络智能模型的深入研究，并进行仿真测试， 测试结果表明神经元网络智能模型效果最好，因而，开发了在线“神经元网络统计回归专家知 识”的智能副原料计算模型，用神经元网络模型计算 CaO,用统计 Pattern 计算其他副材量，用专家 经验进行修正，该模型已成功应用于宝钢一炼钢转炉脱磷生产指导和控制。3.1.1 脱磷炉副材 CaO 计算根据转炉脱磷炼钢工艺及造渣反应过程，副原料计算中最重要的是计算石灰量。转炉脱磷过程中 CaO 的加入量直接关系到脱磷效果，CaO 在(FeO)作用下溶解于渣中，与磷的氧化物反应生成磷酸 盐，而存于渣中达到脱磷目的，反应式如下：2P+5/2O2+4(CaO)=(4CaOP2O5) 脱磷处理过程中，铁水磷首先与吹入的氧和溶解于铁水及渣中的氧反应生成磷的氧化物，再与溶解于渣中的石灰（CaO）、莹石(CaF2)等副原料反应，生成更稳定的磷酸盐化合物存于渣中，使半 钢水中磷浓度在吹止磷目标值以下。根据造渣反应机理和经验可知，副原料 CaO 投入量与造渣过程中的其他相关因素是非线性关系，反应过程存在很多不确定因素，纯机理模型很难精确反映这一过 程。而神经网络模型作为非线性模型的推广，对不能精确描述的过程，是一种有效的数据模型。鉴 于以上原因研发了 BP 神经网络模型计算 CaO。采集宝钢一炼钢转炉脱磷实绩数据，进行整理筛选，剔除无效数据记录，根据转炉吹炼经验和 统计回归相关性分析得出以下量对石灰计算有较大的影响：铁水量、废钢量、铁水 Si 、铁水 P 、 铁水温度、目标吹止 P 上限、碱度等变量作为网络的输入量，CaO 作为网络的输出量。采用S型函数f(x)=1/(1+e-x) 为BP网络的神经元变换函数，对输入、输出值都进行归一化处理。 利用宝钢自动化研究所自主研发的智能自动建模软件工具 AMIT 能快速有效地建立神经元网络 模型和分析模型精度，并产生模型源程序。从网络训练的多个模型中选取精度最高的一个，隐层神经元个数为 9，模型计算结果如下：输出 CaO学习样本检验样本测试样本所有样本模型拟合度 R0.9981680.9774310.9541170.980915评价模型精度的拟和度计算公式如下： (y- y )2R = 1 - i i (yi- y )2其中yi (i=1,2,n)为模型的目标输出；y i (i=1,2,n)为模型的实际输出；y 为目标输出的平均值。3.1.2 其他副材计算根据转炉脱磷造渣反应机理，通过生产实践试验，按钢种吹止磷目标上限值、停吹温度、铁水Si 进行分类，收集生产实绩数据，综合运用统计分析工具，确定其他副材加入量的 Pattern。 副原料计算模型的顺序：先由神经网络模型计算出总的石灰量，再根据目标吹止磷和铁水硅含量确定副材 Pattern 大分类和细分类，计算出其他副原料品种(莹石、铁矿石等)和投入总量，再根据 炉况实际情况，利用专家知识确定模型计算的修正量。融合神经元网络、专家知识、分类统计回归开 发的副原料计算模型实用可靠。3.2 脱磷炉/脱碳炉静态模型脱磷炉/脱碳炉静态模型由静态控制计算模型和静态学习计算模型构成。静态控制计算模型是根 据转炉吹炼前期的铁水条件及吹止目标，计算吹氧量、冷却材量、副枪测定时的送氧量，控制转炉吹 炼前期和中期过程。转炉吹炼前期这一阶段影响吹炼效果的因素很多，操作因素比较复杂并难于估算，纯理论模型很 难精确反映吹炼实际情况。因此，根据炼钢建模经验，研发的宝钢脱磷炉/脱碳炉静态控制计算模型 是集热平衡和氧平衡机理、操作经验、参考炉数据于一体的代数增量模型。其一般关系式为Y a j Y j + a j f (X - X j )jj式中：Y 为模型控制计算输出值；aj 为 参考炉权系数；Uj 为参考炉实绩值；C-Cj 为本炉次与参考炉次模型控制输入值偏差，偏差值计算参数有装入量、废钢量、铁水温度、 铁水成分、副原料量、冷却材量、吹止温度、吹止成分等。 从模型计算式可知，模型计算结果与参考炉次关系密切，参考炉次的选取是模型自适应的关键。静态学习计算模型是在炉次吹炼结束后，收集吹炼实绩数据，进行学习条件判断和推定计算，对满足条 件的炉次，编辑计算并生成参考炉次数据。静态控制模型中的参考炉次按照以下原则定义：根据钢种划分 N 个静态学习组（脱碳炉学习组：20 个；脱磷炉学习组：20 个），每一个学习组取 n 炉次作为参考炉，参考炉次必须是正常操作下碳、磷、 温度命中目标的炉次，每一炉次吹炼处理终了时，对满足参考炉条件的炉次进行模型学习计算，用最新 的参考炉次数据更新最老的参考炉次，组成某个静态学习组中的 n 个参考炉次，这样可使参考炉次更接 近当前的实际情况，从而增强模型的自适应能力。目前脱磷炉/脱碳炉静态控制计算模型已投入在线运行，模型实用可靠，满足生产控制要求。3.3 转炉动态模型在转炉吹炼后期，转炉动态模型根据转炉总装入量、吹炼过程中副枪测定的温度和结晶碳浓度等信 息计算出达到吹止钢水目标温度和目标碳浓度所需追加的吹氧量及冷却材投入量，根据吹入的氧量和投 入的冷却材量实时推算钢水温度和碳浓度。并预报吹炼终点碳温信息。宝钢一炼钢双联法新工艺中的脱碳炉应用复合动态模型进行吹止控制，复合转炉动态模型的结 构：代数学模型基于专家经验的神经元网络模型。副测钢水成分、温度吹止目标成分、温度动态模型预处理 条件判断代数计算模型神经元网络模型追加氧量、冷材量 吹止终点成分、温度转炉动态模型：代数学计算式碳浓度计算公式和钢水温度计算公式如下：C - C VO -VOM + (hi ri ) C = C+ b ln + exp( M0 )- 1 exp- 10a =i01bb WST 式中：VO为考虑对象时刻的送氧量（VOMVOVOE），VOM 为吹炼中副枪测定时送氧量，WST为转炉总装入 量，C为考虑时刻（送氧量为VO时）的碳浓度，T为考虑时刻（送氧量为VO时）的钢水温度，CM为吹炼中 副枪测定时结晶碳浓度，TM为吹炼中副枪测定时的钢水温度，、为常系数，C0为临界碳浓 度常数，ri为副枪测定到考虑时刻间投入的类型为i的冷材量，hi为i类型的冷材的单位含氧量，ki为i类 型的冷材的冷却能系数。转炉动态模型：基于专家知识的神经元网络输入（成分，温度）操作量转炉后期过程钢水终点数据（成分，温度）目标值动态模型专家知识图 2 基于专家知识的神经元网络结构示意图专家知识在建模过程中的作用：确定输入输出变量的范围、确定预报模型的输入和输出变量、确 定有关规则。转炉复合动态模型将基于专家知识的神经元网络模型和优化代数学经验模型有机复合，既拥有高精 度同时又适用于有副枪转炉自投产初期开始到稳定生产的各个阶段。目前宝钢一炼钢双联法新工艺中的 脱碳炉就应用该复合动态模型进行吹止控制，模型精度达到控制要求。有副枪转炉复合动态模型在模型 结构上更加完善，在模型精度上更高，在工艺适应性上更强，复合动态模型的投运已成为宝钢全自动炼 钢推进的有力保证。4结束语转炉过程控制模型凝聚了工艺、设备、自动控制、人