铁水定硅探头的开发研制

1 前言 随着冶金技术的不断发展,铁水预脱硅工艺逐渐成为了铁水预处理中不可缺少的环节。因为铁水含硅量低是保证后步脱磷的重要条件,并且铁水含硅量低也有利于转炉冶炼实现少渣操作。而铁水预脱硅的控制需要及时测定铁水中的硅含量,由于传统的化学分析法满足不了快速测硅的要求,因此,直接、快速的定硅探头的开发研究受到了各国冶金工作者的重视。     

铁水定硅探头的开发研制

利用塞贝克温差热电势原理研究了生铁中Ｓｉ含量与试样冷端温度，温差和温差电动势三者之间的关系，并以此为基础研制成功了具有实用意义的铁水定Ｓｉ探头及相应二次测量仪表，精度为标准偏差０．０１９７％Ｓｉ，测成率为８６．１０％，平均测量时间７３秒。     

用人工智能系统控制铁水硅含量

日本钢管公司福山厂在5号高炉上确定了低硅操作技术,完全使用人工智能系统控制铁水中的硅含量,可省去生产优质钢不可缺少的脱磷工序。福山厂5号高炉内容积为4664米~3,在世界上最早安装了人工智能系统,投资约170亿日元。在高炉里埋了1000多个传感器,用于迅速分析硅和连续测定铁水温度,靠高炉内的热控制硅分解量,用人工智能系统控制出铁温度。结果,铁水中的硅含量今年1月平均为0.18％,2月为0.16％,3月为0.18％,大大低     

炼钢铁水硅含量的确定

铁水中的硅在转炉里氧化，产生大量的热，但大部分热量被石灰所吸收，只有小部分的热用于加热金属。随着铁水预处理和炉外精炼技术的发展，转炉吹炼操作的重点是脱磷。脱磷量与渣量有对应关系。根据脱磷量计算出所需的渣量，结合石灰条件，计算出铁水所需的含硅量。     

转炉副枪用测铁水液面探头的研制

铁水液面位置,是转炉炼钢重要工艺参数之一。研制成功的铁水液面探头,生产使用结果:导通率为96.6%;测成率为100%;精度在±10毫米,与日本同类产品相当。已在宝钢生产中广泛使用。     

电化学法快速测定铁水中的硅量

采用以ZrO₂(MgO)固体电解质,配以一新辅助电极SiO₂+CaF₂的方法,对Fe+C_(sat)+Si体系进行了测量。结果表明:当硅测头插入铁水5s以后电动势值即可达到稳定值;电动势与硅量的关系符合理论公式;T=1694~1749K,电动势随温度的变很小。本研究所开发的硅测头具有响应迅速、准确,可望在现场得到应用推广。     

高炉铁水硅含量的神经网络预报

通过神经网络对韶钢8号高炉的部分生产数据进行了铁水[Si]含量的预报,确定了w（Si）的主要影响因素,构建了较好的神经网络结构,并根据预报结果提出了判定炉热变化趋势的符合率的标准。     

酒钢炼钢铁水适宜硅含量确定

铁水中的硅在转炉内氧化并产生大量的热量,其中仅有30%的热量用于加热金属。根据脱磷计算出所需的渣量,结合石灰条件,计算出铁水适宜的含硅量。     

酒钢炼钢铁水适宜硅含量确定

铁水中的硅在转炉内氧化并产生大量的热量,其中仅有 19. 84%的热量用于加热金属。根据脱磷计算出所需的渣量,结合石灰条件,计算出铁水适宜的含硅量。     

基于数据的高炉铁水硅含量预测

针对铁水硅含量无法直接在线检测的问题,提出了一种基于优化极限学习机的高炉铁水硅含量数据驱动预测模型,该模型利用差分进化算法的全局寻优能力来优化极限学习机的输入权值和隐元偏差,在此基础上建立了基于差分进化算法优化极限学习机(DE-ELM)的高炉铁水硅含量预测模型。所建模型对高炉炉温的实际调控具有较好的指导意义。     

基于bootstrap的高炉铁水硅含量预测

高炉铁水硅含量的实时准确预测对高炉炉温的调控和稳定炉况具有重要作用,但其预测结果一直存在准确度不高和缺乏可信度表征等问题。为此,本文融合神经网络和bootstrap预测区间方法,用预测区间宽度表征点预测值的可信度,实现在预测硅含量值的同时给出了其预测结果的可信度。应用实例表明,论文提出的方法提高了硅含量点预测结果的准确度,且预测区间宽度能正确的表征点预测结果的可信度,对实际生产操作具有较好的指导意义。     

考虑时滞的铁水硅含量预报模型

根据神经网络的特点,建立了高炉硅预报神经网络模型和学习算法来预报高炉铁水硅含量。根据高炉冶炼的实际生产数据,选取风温、风量、透气性、料速、炉顶温度、焦炭负荷、喷煤量、上一炉铁水的硅含量作为输入,并对输入参数进行时效和时滞处理,采取附加动量项和自适应学习步长的措施缩短系统学习时间,提高了预报的准确率。应用表明,当允许绝对误差不大于0.1时,命中率为85.25%。     

转炉炼钢用铁水的硅含量分析

转炉炼钢用铁水硅含量过高会影响脱磷率,增加脱磷剂及造渣剂的用量,因硅含量还起着调整炉渣碱度的作用,因此,铁水中的硅含量既不能过高也不能过低,通过计算脱磷量与渣量的关系,确定了入炉铁水含硅量的合理值,为铁水脱硅提供了理论依据,为转炉炼钢提供优质铁水。     

应用小波分析方法改进铁水硅含量预测

应用小波分析方法对高炉铁水硅含量进行预测。通过小波变换将铁水硅含量的时间序列依三重尺度分解成不同的层次,并对不同层次上的序列分别运用合适的自回归模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为实际预测案例,与原始时间序列的自回归模型预测结果比较,小波预测方法显著提高了预测命中率。     

高炉铁水硅含量的神经网络时间序列预报

利用ＢＰ网络实现了高炉铁水硅含量的时间序列预报，并以高炉铁水硅含量的历史数据对下一炉铁水的硅含量进行离线预报。结果表明，本模型具有较好的预报效果。     

基于GA-BP神经网络的铁水硅含量预测方法

长期以来在高炉炼铁过程中铁水硅含量一直作为代表高炉热状态的重要指数。然而由于高炉具有动态特性,内部化学反应十分复杂,是一个典型的黑箱模型,因此对高炉铁水硅含量进行实时预测十分困难。针对这一问题,利用遗传算法(Genetic Algorithm, GA)对传统BP(Back Propagation)算法进行改进,构建GA-BP神经网络预测铁水硅含量。首先将高炉炼铁过程中的13个参数(如风量、风压等)进行特征提取,并利用遗传算法全局搜索BP神经网络最优的初始权值和阈值,接着利用前向传播算法(Forward Propagation, FP)在三层神经网络中传递筛选出来的特征并计算出预测值,其中三层神经网络每层神经元个数分别为7、50、1。最终将铁水硅含量预测值与真实值进行误差分析,利用梯度下降(Gradient Descent, GD)的原理不断更新神经元的权重,直到预测值与真实值之间的误差达到所给定的阈值。相比于传统BP神经网络,GA-BP神经网络改善了BP神经网络权值、阈值难定,学习速度慢且易陷入局部最优等缺点。将某钢厂生产过程中实时采集到的数据经过预处理之后,输入到神经网络中进行训练并...     

基于BP神经网络的COREX铁水硅含量预测模型

COREX铁水硅含量偏高且易波动一直是生产过程中面临的难题,而精准预测COREX铁水硅含量可为稳定并降低铁水硅含量提供理论依据和技术参考。利用BP神经网络建立了COREX铁水硅含量预测模型,通过相关分析法确定模型的输入参数,采用计算邓氏关联度的方式确定各参数对应的滞后炉次。并利用某钢厂COREX实际生产数据分别进行学习和验证,结果表明预测误差为±0.1%时,其命中率为80%。为提高模型的预测精度,在该模型的基础上,采用时间序列推移法,实时更新训练样本,优化模型。研究结果表明,改进后的模型预测误差为±0.1%时,命中率是90%,提高了模型预测精度。该模型可为判断铁水硅含量变化以及后续操作提供理论依据。     

基于支持向量机的铁水硅含量的预测

为了准确预测高炉炼铁过程的硅含量,分析了高炉工艺参数对高炉铁水硅含量的时序性影响,以支持向量机理论为基础构建了2类铁水硅含量预测模型,即硅含量模型和硅变化量模型。利用首钢迁钢3号高炉铁水硅含量数据进行模型测试,测试结果表明2类模型预测命中率均可达到80%。