转炉冶炼终点磷的预报模型

根据现场的冶炼工艺和生产数据，研究了转炉冶炼终点磷的预报方法；采用机理模型和偏最小二乘模型分析了终点磷的影响因素；建立了基于偏最小二乘回归的转炉终点磷的预报模型。结果表明，训练样本在终点磷的绝对误差为±0.003%，在控制精度范围内命中率达87.26%，测试样本在此精度范围内的命中率达到8627%。     

基于副枪控制的转炉终点预测模型

利用转炉吹炼末期脱碳指数方程、热平衡和热力学方程分别建立了转炉终点碳、温度、磷和锰的预报模型.终点碳质量分数预报误差为±0.015%的命中率达到87.6%;转炉终点目标w(C)=0.03%时,温度误差范围±10 ℃的比率为85.4%;模型预报钢中w(Mn)误差在±0.02%、w(P) 误差在±0.003%范围的比率分别达到了87.0%和81.2%.建立的预报模型具有较高的精度,实现了转炉终点碳、温度、残锰和磷的同时预报,为提高转炉的终点控制命中率、减少补吹的次数、实现直接出钢打下良好的基础.     

基于副枪的转炉终点磷锰控制模型与脱磷优化

  分析了转炉终点磷、锰含量的主要影响因素,建立终点磷、锰含量预报与控制模型,优化转炉脱磷工艺。研究结果表明：根据副枪检测碳含量和温度值,通过数学模型预报终点磷、锰含量,在控制精度为±0.004%和±003%时,命中率分别达到89.5%和94.0%;转炉终点温度为1625～1655 ℃,终点碳w(［C］)≤0.06%的条件下冶炼w(［P］)≤0.010%的低磷钢,应将副枪点测后的供氧比例从9.0%增加到12.0%,矿石比例维持在30%以上,终渣碱度控制在3.0～3.5。     

应用改进的神经网络模型预报转炉冶炼终点

准确预报转炉冶炼终点的钢水温度与碳含量对提高转炉终点命中率具有重要意义。针对现有多层前馈网络学习算法的不足,基于BP模型提出一种改进算法,建立了复吹转炉冶炼终点的预报模型,并与BP模型的预测结果进行了统计比较。研究表明,改进后的模型能够对冶炼终点进行良好的预报。采用单节点输出模型对终点钢水碳含量与温度分别进行预报,预测误差w(Δ[C])<±0.03%的命中率达97.22%,Δt<±12℃的命中率为94.44%。还建立了神经网络双节点输出模型对转炉终点钢水碳含量及温度同时进行预报,误差Δt<±15℃、w(Δ[C])<0.03%的双命中率为76.92%。     

烟气分析动态控制炼钢技术的应用与改进

介绍了烟气分析动态炼钢系统的组成以及模型的工作原理。在应用过程中，根据国内转炉生产的现状，进一步完善了控制系统和模型，并通过对模型的改进和优化，提高了转炉终点碳温命中率，降低了造渣料消耗，减少了吹炼过程的喷溅，缩短了转炉冶炼周期，获得了较好的冶金效果。     

基于炉口火焰多光谱分析技术预报转炉终点碳的研究

利用多光谱复合分析技术,设计开发了远距离、非接触式转炉炉口火焰碳谱线分析技术和装置,预报转炉熔池钢液碳含量。该技术通过分析转炉主吹过程炉口火焰碳谱线的变化规律,找出了炉口火焰多光谱光强分布图样与转炉熔池钢液碳含量的对应关系,建立了转炉冶炼过程熔池碳含量的实时预报模型。该装置在某钢厂70t转炉上进行了试验,按照终点[C]≤0.05%±0.02%、0.05%~0.15%±0.03%和0.15%±0.05%三个范围内预报精度,预报命中率分别为83.8%、80.1%和85.6%,研究表明,转炉冶炼过程的装入制度、造渣制度以及供氧制度对终点碳预报基本没有影响。     

改进训练方法的模糊神经网络模型预报转炉终点磷的研究和应用

根据150 t转炉的冶炼工艺和生产数据及转炉终点磷含量的影响因素,并针对现有BP网络学习算法的不足,基于BP算法提出一种改进网络训练算法,建立了基于模糊神经网络的转炉终点磷含量的预报模型。结果表明,改进后的模型预报转炉终点磷含量误差为±0．002％的命中率达68．69％,预报误差±0．004％的命中率达95．96％,磷含量的最大误差为±0．006％。     

基于机器学习算法的“全三脱”工艺转炉终点预测

建立精准的转炉终点预测模型对生产效率和钢液洁净度的提升尤为重要。以首钢京唐钢铁联合有限责任公司“全三脱”工艺转炉为研究对象,对历史生产数据进行皮尔逊相关性分析,得到与转炉终点温度、碳含量最相关的15个自变量。利用BP神经网络、极限学习机(ELM)和支持向量机(SVM)3种机器学习算法分别建立了转炉终点预测模型。随后选取160组新样本数据来检验3种模型的预测精度,结果表明：SVM模型下转炉终点温度、碳含量预测模型精度更高,终点温度预测误差在±15℃内的命中率为90.6%,终点碳质量分数预测误差在±0.01%内的命中率为93.8%。另外,基于支持向量机算法建立的转炉终点预测模型,全三脱工艺比常规工艺的终点温度误差±15℃内、碳质量分数±0.01%内命中率分别提高了9.1百分点和14.4百分点。     

260t转炉终点磷含量预报模型的开发实践

针对邯钢集团邯宝钢铁有限公司西区炼钢厂转炉的冶炼工艺特点和生产数据,建立了基于PCA-GA-BP神经网络的转炉终点磷含量预测模型。通过主成分分析(PCA)将终点磷含量的影响因素降维,并采用遗传算法(GA)对BP神经网络的初始权重进行优化。用Java语言开发了转炉终点磷含量预测模型的软件,在炼钢厂进行了现场使用。结果表明:转炉终点钢水w(P)控制精度在±0.007%时,命中率达到96.67%;控制精度在±0.005%时,命中率达到93.33%;控制精度在±0.004%时命中率达到86.67%。     

烟气分析动态控制系统在60t转炉上的应用

介绍了烟气分析动态控制系统在莱钢60 t氧气顶吹转炉上的应用情况,主要包括硬件系统组成、数据采集与通讯、冶炼工艺标准化和动态控制系统模型.结果表明:采用高拉碳操作,终点碳在0.08%～0.24%范围,终点温度在1 580～1 660℃范围,碳温控制精度分别为±0.025%和±20℃时,碳单命中率达到89%,温度单命中率71%,碳温双命中率64%;为进一步提高碳温双命中率,应加强原材料的管理,按配料计算组织装料,并采用标准化的操作工艺,尤其是必须采用顶底复吹工艺.     

基于孪生支持向量回归机的转炉炼钢终点预测

为了提高转炉炼钢的终点命中率,建立了一种新的转炉终点预测模型,实现了对转炉终点碳质量分数和温度的准确预测。模型采用K最近邻孪生支持向量机(KNNWTSVR)算法,将权重矩阵引入到目标函数中,并利用鲸群优化算法进行求解,提高了传统算法的性能;然后基于某炼钢厂260 t转炉的实际生产数据,建立了转炉炼钢终点预测模型。结果表明,预测模型的终点碳质量分数(误差±0.005%)和温度(误差±15 ℃)的终点单命中率分别为94%和88%,双命中率达到84%。与其他两种现有的建模方法相比,本模型取得了最优的预测效果。该方法满足转炉炼钢实际生产的需求,也可适用于钢铁冶金其他领域的数学建模。     

Application of variable-filtrating technique on fuzzy-reasoning neural network system predicting BOF end-point carbon content

Artificial intelligence techniques have been used to predict basic oxygen furnace(BOF) end-points. However,the main challenge is to effectively reduce the input nodes as too many input nodes in neural network increase complexity,decrease accuracy and slow down the training speed of the network.Simply picking-up variables as input usually influence validity of model.It is quite necessary to develop an effective method to reduce the number of input nodes whereby to simplify the network and improve model performance.In this study,a variable-filtrating technique combining both metallurgical mechanism model and partial least-squares(PLS ) regression method has been proposed by taking the advantages of both of them,i.e.qualitive and quantative relationships between variables respectively.Accordingly,a fuzzy-reasoning neural network(FNN) prediction model for basic oxygen furnace(BOF) end-point carbon content based on this technique has been developed.The prediction results showed that this model can effectively improve the hit rate of end-point carbon content and increase network training speed.The successful hit rate of the model can reach up to 94.12%with about 0.02% error range.     

基于熔池混匀度的转炉烟气分析定碳模型

转炉冶炼终点碳曲线拟合模型避开了熔池初始碳含量难以精准确定的问题,假设吹炼后期脱碳速率与熔池碳含量具有一定的函数关系,通过这种函数关系预报钢水终点碳含量.终点碳的三次方模型和指数模型预报精度在±0.02%之间的命中率分别为85.9%和81.2%.运用熔渣分子理论,基于冶炼热轧板材(SPHC)的渣组元成分,计算得出渣中FeO的活度为0.241.出钢温度为1686℃时,C和Fe元素选择性氧化的临界碳质量分数为0.033%.本文在传统指数模型的基础上,充分考虑了枪位、顶吹流量、底吹流量等操作参数对熔池脱碳速率的影响,建立了基于熔池混匀度的指数模型.基于熔池混匀度的指数模型与其他烟气分析碳曲线拟合模型相比,命中率有所提高.以新钢生产热轧板材(目标碳质量分数为0.06%)时的烟气数据为研究对象建模,终点碳质量分数预报误差在±0.02%之间的有75炉次,占验证数据量的88.2%.      

Establishment of Neural Network Prediction Model for Terminative Temperature Based on Grey Theory in Hot Metal Pretreatment

 In order to improve the accuracy of model for terminative temperature in steelmaking, it is necessary to predict and control before decarburization. Thus, an optimization neural network model of terminative temperature in the process of dephosphorization by laying correlative degree weights to all input factors related was used. Then simulation experiment of model newly established is conducted utilizing 210 data from a domestic steel plant. The results show that hit rate arrives at 5645% when error is within plus or minus 5%, and the value is 100% when within ±10%. Comparing to the traditional neural network prediction model, the accuracy almost increases by 6839%.Thus, the simulation prediction fits the real perfectly, which accounts for that neural network model for terminative temperature based on grey theory can reflect accurately the practice in dephosphorization. Naturally, this method is effective and practicable.     

基于灰色理论的铁水预处理终点磷含量神经网络预测模型

 在传统BP神经网络预测模型的基础上,依据灰色理论中的灰色关联度,提出了输出变量各个影响因素的灰色关联度权值,首次建立基于灰色理论的神经网络预测模型,并依据国内某钢厂300组实际生产数据进行仿真试验。试验结果表明：误差绝对值小于5%的炉数有39炉,占总炉数的65.00%;误差绝对值小于10%的炉数共有58炉,占到96.67%。与传统BP神经网络相比,基于灰色理论的神经网络模型的预测精度提高近12.5%,说明基于灰色理论的铁水预处理终点磷含量神经网络预测模型能更精确地反映现场实际水平。     

通过炉气分析实现转炉连续控制

应用红外测试仪测得的炉气数据,根据转炉熔池物料平衡和热平衡,通过模型计算,论证了炉气分析在转炉连续控制中对碳和温度预报的可行性,并得出结论;炉气分析对终点戳w(C)≤0.06%炉次的碳预报命中率较高,适用于低碳钢冶炼.但该模型进行温度预报的数据来源均为间接数据,命中率较低.     

A BP neural network based mathematical model for predicting Si content in hot metal from COREX process

The high and fluctuation property of ??Si?? content in hot metal (HM) is always a problem in COREX process. The precise prediction of ??Si?? content in HM from COREX process can provide a theoretical basis and technical reference for stabilizing and reducing the ??Si?? content in HM. A back propagation (BP) neural network was established to predict the ??Si?? content in HM from COREX process. The input parameters of the model were determined by correlation analysis, and the hysteretic heats corresponding to each parameter were determined by calculating the Deng??s relevancy. The results show that when the prediction error is ??0. 1%, the hit rate is 80%. The method of continuous updating the training samples was used to improve the prediction accuracy of the model. The prediction results show that the hit rate is 90% in absolute error range of ??0. 1%, and the prediction accuracy has been greatly improved compared with previous model. The improved model can provide a theoretical basis for judging the change of ??Si?? content in HM and subsequent operations.     

气分析在转炉动态控制中的应用

炉气分析动态控制技术已经在国外钢厂获得了广泛应用，本介绍了炉气分析碳积分模型、碳指数模型和喷溅预报模型，以及炉气分析在国外转炉动态控制中的应用效果。根据国外的应用效果可以得知，炉气分析在提高转炉终点命中率、减少喷溅和降低成本等方面确有成效，是一项很有发展前景的转炉全程动态控制技术。     

利用人工神经网络系统提高转炉终点碳温双命中率

以神经网络为基础开发出一套转炉冶炼终点控制模型。模型以转炉炼钢基础理论为依据,采用误差后向传播网络——BP网络为原形,对其算法进行改进,建立两个三层BP预测神经网络,选用29个输入参数,分别对终点温度和终点碳含量进行预报。通过采集现场操作数据和实际应用,碳温双命中率达到80%以上。