转炉冶炼终点静态控制预测模型

基于天津天铁冶金集团30t转炉炼钢实际生产数据,首先建立了转炉炼钢终点静态控制的吹氧量及矿石用量统计模型,其预测100个炉次吹氧量和矿石用量平均相对误差分别为0．58％及10．4％。考虑到影响终点钢水温度和碳含量的因素比较复杂,设计了预测钢水终点温度和碳含量的人工神经网格模型,利用Levenberg-Marquardt算法和257个炉次的实际生产数据进行了模型训练,并对另外100个炉次的终点钢水温度及碳含量进行了预测,在终点钢水温度为1646-1698℃和终点碳质量分数为0．033％～0．128％的范围内,得到的终点碳温双命中率为55％。     

基于数据驱动的转炉二吹阶段钢水温度动态预测模型

转炉钢水温度是转炉终点控制的工艺参数之一,精确的钢水温度预测对转炉终点控制具有重要的指导意义。然而,以往的大多数转炉终点预测模型属于静态模型,只能够实现对转炉吹炼终点钢水温度的预测,无法实现动态预测,导致模型的作用有限。针对该问题,提出了一种基于数据驱动的转炉二吹阶段钢水温度动态预测模型。模型先通过新案例主吹阶段的工艺参数,基于案例推理算法找到历史案例库中相似案例。再利用相似案例的二吹阶段工艺参数并基于长短期记忆网络（Long short-term memory,LSTM）算法训练工艺参数与钢水温度的变化关系。然后利用训练好的LSTM模型,计算新案例二吹阶段的钢水温度变化。最后,利用某钢厂实际生产数据,研究了不同重用案例个数及神经元个数对模型预测精度的影响,实验结果表明:模型在重用案例个数为4,神经元个数为10时模型的预测精度最高,此时模型对钢水温度的预测误差在[?5 ℃, 5 ℃]、[?10 ℃,10 ℃]和[?15 ℃,15 ℃]的命中率分别达到40.33%、68.92%和88.33%,模型的性能高于传统二次方模型和三次方模型。      

基于灰色模型的转炉炼钢终点预报研究

准确预报转炉炼钢的终点钢温度及碳含量,对于提高终点命中率具有重要意义,作者采用灰色系统模型及线性回归补偿模型建立了转炉炼钢终点钢水温度及碳含量预报模型,并对一座１８０ｔ转炉的实测数据进行了仿真,其结果与实际值接近,这表明该方法切实可行并有效的。     

改进的TSVR转炉终点预测模型研究

准确的预测转炉炼钢终点碳含量和终点温度,对于提高钢的生产效率具有重要意义。建立了一种基于加权拉格朗日ε-孪生支持向量回归机（WL-ε-TSVR）的转炉终点预测模型。根据采集到的某钢厂260 t转炉的实际生产数据,将450组样本用于模型的训练,50组样本用于测试模型的准确性。仿真结果表明,预测误差碳含量控制在±0.005%范围,终点温度控制在±10℃范围,模型的命中率分别达到88%和92%;另外,双命中率达80%。所建模型具有较高的精度,能够更好的满足钢厂的生产需求。     

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。     

一种基于即时学习的局部模型集成转炉炼钢终点预测方法

钢铁工业在国民经济基础中有着重要地位,转炉炼钢作为钢铁生产中的一个重要环节,直接决定了生产钢铁的质量。转炉炼钢是一个影响因素众多、过程非常复杂的多元多相高温物理化学反应过程,对转炉炼钢终点实现精确控制是冶金行业一个有待解决的难题。以提高转炉炼钢终点碳温命中率为目标,针对传统全局模型预测性能不足,难以解决多工况问题,提出了一种基于即时学习(just-in-time learning, JITL)的动态终点预测方法。在JITL的框架下,利用不同准则下的相似性度量方法,选取相应的子样本集,分别构建局部回归模型,最后通过集成学习输出各个局部模型的预测结果。在实际转炉炼钢数据验证中,使用本文所提方法,终点温度在±15℃范围内■命中率为92.7%,终点碳质量分数在±0.02%范围内■命中率为95.7%,可以为实际生产过程中的终点控制等操作提供参考。     

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。     

基于BP神经网络算法的脱磷转炉终点磷含量预报模型

为更准确地预测脱磷转炉冶炼终点钢水磷含量,选取某钢铁公司冶炼DC04钢种作为研究对象.根据工业试验得到的铁水条件、造渣料及吹氧量等工艺参数,利用灰色关联分析法得到各工艺参数关于脱磷转炉终点磷含量的灰色关联度,并结合BP神经网络算法建立关于脱磷转炉冶炼终点磷含量的预报模型.通过不断优化,使该模型实现预测脱磷转炉终点w(P...     

转炉终点残锰量的数学模型

转炉终点残锰量的数学模型广州钢铁厂师志宏根据锰在金属与炉渣间的分配建立转炉终点残锰含量的数学模型，并绘制预测终点残锰的工艺图。经生产分析数据检验预测命中率令人满意。一、前言转炉终点残锰含量取决于入炉金属料的含锰量、渣量、终渣氧化铁含量、终点温度。生产...     

基于BP神经网络的钢水温度预定模型

针对目前钢水温度预定方法存在不足,在分析钢水温度预定原理的基础上,在邯钢邯宝炼钢厂建立了基于BP神经网络的精炼终点目标温度和转炉终点目标温度的动态预定模型。利用邯宝炼钢厂的历史生产数据对模型进行了训练和测试,并进行了现场应用试验。结果表明,预定模型对转炉和精炼终点目标温度进行了优化,应用预定模型后,LF开始温度命中率提高到75%,中间包温度命中率提高到96.7%。     

铜冶炼转炉在线造铜期终点智能判断

铜冶转炉吹炼是一个复杂的过程,具有多变量、非线性、强耦合、大惯性和不确定性,机理复杂、物料变化范围大、影响因素多,给吹炼终点预报带来了极大困难。目前国内外铜锍吹炼过程终点判断仍以人工经验判断为主,此方式不仅增加工作强度,且吹炼终点判断严重依赖经验和工作态度,易导致欠吹或过吹等现象,影响正常生产,造成铜损失,严重时甚至发生喷炉事故。为此,利用转炉吹炼的终点与炉内烟气SO₂、O₂含量存在精确对应关系,结合人工经验和转炉工艺原理,在线对造铜期终点实现准确判断。利用SO₂浓度与烟气温度、送风量、送风压力、富氧量、内在因素(原料含硫比、原料重量、原料质量等)的关系实现动态补偿,采用Elman递归神经网络模型实现过程自调整、自学习,使判断准确率达到98%以上,对指导实际生产具有重大意义。     

基于光谱信息与温度的转炉炼钢终点预测模型

转炉炼钢终点就是在出钢时通过控制使钢水的成分和温度达到一定要求。原子发射光谱法显示的元素特征光谱波长下的光谱信息的变化,能反应成分含量的变化趋势。文章介绍了基于温度和光谱信息的终点预测模型的系统,通过此系统获取转炉炼钢过程中的温度和Mn、Si光谱信息,利用多元回归分析的方法建立终点预测模型,并对模型进行显著性检验和精度分析。研究表明,此模型的终点命中率在80%左右,能比较准确预测转炉炼钢的终点。如果在预测模型中加入更多的元素光谱信息,将能进一步提高终点命中率。     

基于数据驱动的高炉煤气复合预测模型

对钢铁企业高炉煤气系统科学准确的预测,可以为煤气的合理调度提供依据,对企业提高能源利用效率、减少煤气放散和环境污染有着非常重要的意义。针对钢铁企业高炉煤气系统设备工况复杂、煤气量波动频繁、难以准确预测的问题,依据小波分析方法、BP神经网络、最小二乘支持向量机的性质建立了基于数据驱动的高炉煤气的复合预测模型。该模型综合考虑高炉煤气系统生产计划和检修计划,对高炉煤气系统的产耗用户在不同工况下分别建立训练数据集,利用多组模型参数预测高炉煤气产生量、消耗量和缓冲量。利用某大型钢铁企业实际数据进行测试,该模型能够结合设备的实际生产工况变化,实现煤气的准确预测。结果表明,该模型平均绝对百分比误差小于4.95%,对变工况煤气系统有较好的预测效果。     

转炉炼钢出钢过程的数值模拟

不同直径的出钢口决定转炉出钢流场的分布,从而影响出钢过程的钢水温降,而钢水温降直接影响转炉出钢温度以及炼钢生产节奏。为掌握出钢过程中的温降规律以及设计合理的出钢口参数,利用Ansys软件包建立三维转炉及钢包模型,借助数值模拟方法,研究得到200 t转炉在不同尺寸出钢口下的出钢流场数据,进而针对出钢过程中的钢水注流,研究出钢口尺寸及钢包内壁温度对注流温降的影响规律。研究发现,钢水注流的温降与注流比表面积成正比;另外在出钢早期,内壁温度每提升100 K,注流温降平均减小0.4~0.7 K。后续将继续开展出钢过程中钢包及合金辅料对钢水温降影响规律的研究,以期为转炉出钢工艺提供数据支撑。     

基于炉口火焰信息的转炉炼钢终点预报系统

设计了一种通过对转炉炉口火焰光强和图像信息的分析,在线实时判断和控制转炉吹炼终点温度和碳质 量分数的系统。本系统主要包括光强采集模块、图像采集模块、数据处理模块以及控制软件。现场试验证明:炉口 光强及图像在吹炼终点存在显著的变化规律;本系统用于终点判断和控制准确有效。     

马钢CSP流程RH精炼钢水温度预测模型

基于冶金机理和传热学计算,分析研究了RH精炼过程中脱碳、吹氧加铝、脱氧、合金化、喷粉、真空室状态以及钢包等级等各类因素对钢水温度的影响。结合现场实际生产数据,建立了RH精炼钢水温度预测模型,经过对实际生产跟踪验证表明,模型预测的钢水终点温度与实测值偏差在±5 ℃以内的命中率为87.42%,偏差在±8 ℃以内的命中率为100%。     

复吹转炉双渣脱磷工艺实践

为解决帘线钢因磷偏析而造成的拧股断裂,根据现有的设备及生产组织情况,在中天120 t转炉上进行双渣工艺试验,通过对加料制度、顶枪操作、底吹等工艺制度进行研究,分析前期倒渣温度、碱度、FeO等对脱磷影响。结果表明,前期倒渣温度控制在1 320～1 400 ℃、炉渣碱度控制在1.8～2.0的工艺控制下,转炉终点脱磷率达到92.8%,平均出钢磷质量分数由0.011%降低至0.008 5%,平均终点碳质量分数由0.13%提高至0.205%。     

转炉炼钢过程中数据库的构建与应用

炼钢过程的自动化及信息化建设日渐完善,由此积累了大量的生产和过程检测数据,为数据库技术应用提供了有利条件.通过完善整合原料、吹炼工艺、产品终点质量等原始数据,结合生产实际建立转炉炼钢的原始数据库;探索炼钢数据库的结构,建立基于数据库的工艺过程数据互算体系,充分利用数据库及人工智能技术对冶金工艺过程进行深入分析、改进优化...     

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义.