CN109116880A - 一种精炼炉的温度控制装置及控制方法 - Google Patents

一种精炼炉的温度控制装置及控制方法 Download PDF

Info

Publication number
CN109116880A
CN109116880A CN201810907463.4A CN201810907463A CN109116880A CN 109116880 A CN109116880 A CN 109116880A CN 201810907463 A CN201810907463 A CN 201810907463A CN 109116880 A CN109116880 A CN 109116880A
Authority
CN
China
Prior art keywords
temperature
neural network
control equipment
refining furnace
expert system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810907463.4A
Other languages
English (en)
Inventor
孟青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Baixing Network Technology Co Ltd
Original Assignee
Guangzhou Baixing Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Baixing Network Technology Co Ltd filed Critical Guangzhou Baixing Network Technology Co Ltd
Priority to CN201810907463.4A priority Critical patent/CN109116880A/zh
Publication of CN109116880A publication Critical patent/CN109116880A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
    • C21C7/00—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Treatment Of Steel In Its Molten State (AREA)
  • Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)

Abstract

本发明为一种钢精炼炉的温度控制装置，精炼炉的温度控制装置包括神经网络模型和专家***模型，神经网络模型的输入量包括测温时间、测温间隔、通电时间、有功功率、造渣量、吹氩量、合金重量及碳粉量；神经网络模型的输出量第一温度变化量；专家***模型的输入量为二次电流设定点、钢包烘烤程度、钢包新旧、当前神经网络预报的温度、冶炼时间、连续热停时间；专家***模型的输出量为第二温度变化量。该装置可实现高精度和高实用性，实现实时、准确的钢液温度预报。

Description

一种精炼炉的温度控制装置及控制方法
技术领域
本发明涉及工业控制，特别是涉及一种精炼炉的温度控制装置及控制方法。
背景技术
钢包精炼炉需要准确的温度调节，需要在钢包炉出钢时保证一定的出钢温度。温度太高，会导致电能浪费；温度太低，难以实现连铸开浇难以得到保证。
在实际操作中，工人通过一次性消耗式热电偶实现测温，根据测温值和冶炼剩余时间，调整设定输入功率。而这种传统的测温方式十分费时，且频繁测温会延长热停时间。因此，测温操作一般仅在取样期间和出钢前测温，而钢包内钢液温度是分布不均匀的，并且温度测量容易受到人工的操作习惯的影响，使得测温结果存在较大的误差。这会导致冶炼期间无法实时地了解钢液的温度值，工人操作具有盲目性，难以合理有效地操作，甚至导致误操作。例如，当测温值偏低时，错误地采用大功率加热，造成电能的浪费，出钢温度过高。
现有技术中也有基于统计分析方法，通过大量数据找到预报量与各种过程变量的关系，来计算当前的工作温度。然而，这种方法只能反映线性关系，并且钢液温度与电量、合金料、时间等因素间的关系错综复杂，需要根据现场具体条件调整计算所需要的大量的参数。
发明内容
为解决上述问题，本发明旨在提供一种精炼炉的温度控制装置及控制方法，该装置可实现高精度和高实用性，实现实时、准确的钢液温度预报。
本发明的精炼炉的温度控制装置的具体方案为，包括神经网络模型和专家***模型，神经网络模型的输入量包括测温时间、测温间隔、通电时间、有功功率、造渣量、吹氩量、合金重量及碳粉量；神经网络模型的输出量第一温度变化量；专家***模型的输入量为二次电流设定点、钢包烘烤程度、钢包新旧、当前神经网络预报的温度、冶炼时间、连续热停时间；专家***模型的输出量为第二温度变化量。
进一步地，所述造渣量为计算CaO及CaF2加入的重量WCaO+WCaF2；所述合金重量为WFeMnSi+WFeSi。
进一步地，神经网络模型根据所述输入变量建立网络拓扑结构，网络输入量为8，以第一温度变化量为输出值建立网络，隐层单元数设定为5。
进一步地，专家***模型的升温规则根据钢包烘烤程度和钢液温度预报值来确定；第一阶段为缓慢升温阶段，每分钟的升温速度在1.0～1.5℃左右；第二阶段为小幅升温期，每分钟的升温速度可达1.5～3.0℃；第三阶段为快速升温阶段，每分钟的升温速度可达3.0～4.5℃。
进一步地，专家***模型的根据连续热停时间、钢包烘烤程度采用一递减曲线拟合。
进一步地，神经元网络模型接受相应神经网络模型的输入，根据函数设定，产生输出量第一温度变化量；基于第一温度变化量和模型上一次温度预报值，可计算出当前时刻的第一温度预报值。
进一步地，专家***模型接受专家***输入量，根据专家***规则产生输出量第二温度变化量；基于第一温度变化量和第一温度预报值，计算出精炼炉的温度控制装置的当前温度预报值。
本发明还提供利用上述一种精炼炉的温度控制装置进行温度控制的方法，该方法包括以下步骤：
步骤一：读入输入的工艺参数，并将数据输入到神经网络模型；
步骤二：调用神经网络模型计算第一温度变化量和第一温度预报值；
步骤三：调用专家***模型修正预报结果，输出修正后的当前温度预报值；
步骤四：检测是否有新的测温值，如果有则刷新钢水温度预报值，若没有则输出钢水温度预报值。
步骤五：检测冶炼过程是否结束，若已结束则存储检测到的钢水温度预报值，若未结束，则经延时1分种，返回至步骤一，继续进行钢水温度检测。
本发明与现有技术相比可实现以下有益效果：
本发明中的温度控制装置可实现高精度和高实用性。温度检测误差不超过10℃，所需要的数据一般现场都可以提供。基于神经网络的预报模型，建立非线性模型的能力，克服统计计算只能反映线性关系的不足。
温度控制装置充分考虑到现场的条件，基于较少的数据输入，经过温度控制装置的处理方法，实现较高精度的数据输出。温度控制装置在控制过程中考虑了冶炼过程各种因素对温度的影响，实现实时、准确的钢液温度预报。
附图说明
图1为本发明的精炼炉的温度控制装置；
图2为本发明的精炼炉的温度控制装置的控制流程图。
具体实施方式
结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示为精炼炉的温度控制装置，精炼炉的温度控制装置主要是由神经网络模型和专家***模型两部分构成，神经网络模型和专家***模型有各自独立的输入量。人工神经元网络模型接受相应神经网络模型的输入，根据函数设定，预报周期内的温度变化ΔT1。基于ΔT1和模型上一次温度预报值Tt‐1，可计算出当前时刻的温度预报值T’。专家***模型接受专家***输入量，根据专家***规则预报周期内的温度变化ΔT2。基于ΔT2和神经网络模型T’，计算出精炼炉的温度控制装置的当前温度预报值Tt。
由于现场收集大量数据存在困难，本发明中的炼炉的温度控制装置基于较少的数据训练且要保证一定的精度。本发明中的神经网络模型的输入量包括测温时间、测温间隔、通电时间、有功功率、造渣量、吹氩量、合金重量及碳粉量。
测温时间的输入函数为f(Tlast，Tnow)，Tlast为上次测温时间，Tnow为本测温时间。测温间隔Tnow‐Tlast；将本次测温间隔内的通电时间ton处理后f(ton)作为一个输入。电炉的二次功率Ps；造渣量为计算CaO及CaF2加入的重量WCaO+WCaF2；合金重量为WFeMnSi+WFeSi；碳粉量WC。
以上内容对应值作为输入变量建立网络拓扑结构，由于网络学习存在训练过度的问题，隐层的设定数量适中。网络输入量为8，以预报周期内的温度变化ΔT为输出值建立网络，而隐层单元数设定为5，建立BP网络进行训练。
在神经网络的训练过程中，如果将训练数据分为训练和测试两组，测试组数据不参加网络训练。在训练过程中，用测试数据进行测试，就测试误差呈现先下降，再上升的曲线。当测试误差最小时，停止训练，此时，网络性能最佳。
对于二次定电流、钢烘烤程度、连续热停时间、新包/连用包、钢包使用次数等因素也会对温度变化造成影响，这些影响因素建立为专家规则。由专家***对网络计算的温度变化△T加以分析处理，然后输出一新值ΔT作为模型最新计算的温度变化值。
依据专家规则，专家***进行判断所需要的输入量为(1)二次电流设定点；(2)钢包烘烤程度；(3)钢包新旧；(4)当前神经网络预报的温度；(5)冶炼时间；(6)连续热停时间。
专家规则包括升温规则和降温规则。升温规则为升温速率的变化同钢液温度的均匀程度关系，根据钢包烘烤程度和钢液温度预报值来确定。根据钢液温度值，反映出钢液温度均匀程度。
在加热升温过程中，升温速度分为三个阶段；第一阶段为缓慢升温阶段，每分钟的升温速度在1.0～1.5℃左右；由于钢包衬吸热快，钢温度尚不均匀，这一阶段升温速度较缓，每分钟的升温速度在1.0℃左右。第二阶段为小幅升温期，此时包壁吸热已基本饱和，每分钟的升温速度可达1.5～3.0℃；第三阶段为快速升温阶段，每分钟的升温速度可达3.0～4.5℃。
关于降温，由于断电初期，钢液的温度分布很不均匀，导致对流作用较强；而强对流作用使钢温度趋向均匀，进而减弱对流，最终钢液降温幅度稳定在某一值。降温规律为降温幅度随时间的延长而不断，和连续热停时间、钢包烘烤程度相关，可用一递减曲线拟合。
本发明所采用的钢液温度模型为预报周期内的温度变化，如下式所示：
ΔT＝f(X1,X2…,Xn,Tt‐1)＝Tt‐Tt‐1
其中，Tt‐1为上了时刻的温度值；Tt为当前时刻的温度值；ΔT为相对于Tt‐1的温度变化；f(X1,X2…,Xn,Tt‐1)为利用人工神经元网络建立的模型，X1,X2…,Xn为输入量，基于上一时刻的值Tt‐1和温度值ΔT，可计算出当前时刻的温度预报值为：
Tt＝Tt‐1+ΔT
精炼炉的温度控制装置具体流程如图2所示，包括以下步骤：
步骤一：读入输入的工艺参数，并将数据输入到神经网络模型；
步骤二：调用神经网络模型计算钢水温度变化量及第一温度变化量；
步骤三：调用专家***模型修正预报结果，输出修正后的当前温度预报值；
步骤四：检测是否有新的测温值，如果有则刷新钢水温度预报值，若没有则输出钢水温度预报值；
步骤五：检测冶炼过程是否结束，若已结束则存储检测到的钢水温度预报值，若未结束，则经延时1分种，返回至步骤一，继续进行钢水温度检测。
本发明的实施方式不限于此，按照本发明的上述内容，利用本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，本发明还可以做出其它多种形式的修改、替换或变更，均落在本发明权利保护范围之内。

Claims (9)

1.一种精炼炉的温度控制装置，精炼炉的温度控制装置包括神经网络模型和专家***模型，其特征在于：神经网络模型的输入量包括测温时间、测温间隔、通电时间、有功功率、造渣量、吹氩量、合金重量及碳粉量；神经网络模型的输出量第一温度变化量；专家***模型的输入量为二次电流设定点、钢包烘烤程度、钢包新旧、当前神经网络预报的温度、冶炼时间、连续热停时间；专家***模型的输出量为第二温度变化量。
2.一种根据权利要求1所述的一种精炼炉的温度控制装置，其特征在于：所述造渣量为计算CaO及CaF2加入的重量WCaO+WCaF2；所述合金重量为WFeMnSi+WFeSi。
3.一种根据权利要求2所述的一种精炼炉的温度控制装置，其特征在于：神经网络模型根据所述输入变量建立网络拓扑结构，网络输入量为8，以第一温度变化量为输出值建立网络，隐层单元数设定为5。
4.一种根据权利要求3所述的一种精炼炉的温度控制装置，其特征在于：专家***模型的升温规则根据钢包烘烤程度和钢液温度预报值来确定；第一阶段为缓慢升温阶段，每分钟的升温速度在1.0～1.5℃左右；第二阶段为小幅升温期，每分钟的升温速度可达1.5～3.0℃；第三阶段为快速升温阶段，每分钟的升温速度可达3.0～4.5℃。
5.一种根据权利要求4所述的一种精炼炉的温度控制装置，其特征在于：专家***模型的根据连续热停时间、钢包烘烤程度采用一递减曲线拟合。
6.一种根据权利要求5所述的一种精炼炉的温度控制装置，其特征在于：神经元网络模型接受相应神经网络模型的输入，根据函数设定，产生输出量第一温度变化量；基于第一温度变化量和模型上一次温度预报值，可计算出当前时刻的第一温度预报值。
7.一种根据权利要求6所述的一种精炼炉的温度控制装置，其特征在于：专家***模型接受专家***输入量，根据专家***规则产生输出量第二温度变化量；基于第一温度变化量和第一温度预报值，计算出精炼炉的温度控制装置的当前温度预报值。
8.一种利用权利要求1～7中任一种精炼炉的温度控制装置进行温度控制的方法，其特征在于：该方法包括以下步骤：
步骤一：读入输入的工艺参数，并将数据输入到神经网络模型；
步骤二：调用神经网络模型计算第一温度变化量和第一温度预报值；
步骤三：调用专家***模型修正预报结果，输出修正后的当前温度预报值；
步骤四：检测是否有新的测温值，如果有则刷新钢水温度预报值，若没有则输出钢水温度预报值。
9.根据权利要求8所述的温度控制的方法，其特征在于，该方法还包括：步骤五：检测冶炼过程是否结束，若已结束则存储检测到的钢水温度预报值，若未结束，则经延时1分种，返回至步骤一，继续进行钢水温度检测。
CN201810907463.4A 2018-08-10 2018-08-10 一种精炼炉的温度控制装置及控制方法 Pending CN109116880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810907463.4A CN109116880A (zh) 2018-08-10 2018-08-10 一种精炼炉的温度控制装置及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810907463.4A CN109116880A (zh) 2018-08-10 2018-08-10 一种精炼炉的温度控制装置及控制方法

Publications (1)

Publication Number Publication Date
CN109116880A true CN109116880A (zh) 2019-01-01

Family

ID=64852121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810907463.4A Pending CN109116880A (zh) 2018-08-10 2018-08-10 一种精炼炉的温度控制装置及控制方法

Country Status (1)

Country Link
CN (1) CN109116880A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111020118A (zh) * 2019-12-25 2020-04-17 武汉科技大学 一种基于粒子群优化案例推理的rh终点温度预测方法
CN111270044A (zh) * 2020-01-16 2020-06-12 杭州麦乐克科技股份有限公司 一种钢水温度非接触软测量方法及装置
CN116755488A (zh) * 2023-08-15 2023-09-15 北京企星冶金机电技术工程有限责任公司 一种冶金节点温度监控方法和***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1719171A (zh) * 2005-06-23 2006-01-11 西安理工大学 电弧炉控制***的智能优化控制方法
CN101403567A (zh) * 2008-11-21 2009-04-08 冶金自动化研究设计院 基于svm的电弧炉终点温度预报***
CN105334891A (zh) * 2015-09-23 2016-02-17 上海大学 基于二维空间3-d模糊控制的烘烤箱温湿度控制***及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1719171A (zh) * 2005-06-23 2006-01-11 西安理工大学 电弧炉控制***的智能优化控制方法
CN101403567A (zh) * 2008-11-21 2009-04-08 冶金自动化研究设计院 基于svm的电弧炉终点温度预报***
CN105334891A (zh) * 2015-09-23 2016-02-17 上海大学 基于二维空间3-d模糊控制的烘烤箱温湿度控制***及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙彦广: "智能钢包精炼炉控制***", 《冶金自动化》 *
王玉辉: "钢水温度软测量", 《中国优秀博硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111020118A (zh) * 2019-12-25 2020-04-17 武汉科技大学 一种基于粒子群优化案例推理的rh终点温度预测方法
CN111020118B (zh) * 2019-12-25 2021-09-24 武汉科技大学 一种基于粒子群优化案例推理的rh终点温度预测方法
CN111270044A (zh) * 2020-01-16 2020-06-12 杭州麦乐克科技股份有限公司 一种钢水温度非接触软测量方法及装置
CN111270044B (zh) * 2020-01-16 2023-08-29 杭州麦乐克科技股份有限公司 一种钢水温度非接触软测量方法及装置
CN116755488A (zh) * 2023-08-15 2023-09-15 北京企星冶金机电技术工程有限责任公司 一种冶金节点温度监控方法和***
CN116755488B (zh) * 2023-08-15 2023-11-24 北京企星冶金机电技术工程有限责任公司 一种冶金节点温度监控方法和***

Similar Documents

Publication Publication Date Title
CN109116880A (zh) 一种精炼炉的温度控制装置及控制方法
CN107043842B (zh) 一种lf精炼炉最优经济配料和智能控制模型
CN101845531B (zh) 一种转炉冶炼终点钢水碳、温度控制***及其方法
CN103388054B (zh) 一种在线控制lf精炼过程钢水温度的***及方法
CN103642972B (zh) 转炉出钢温度智能优化控制***
CN101881981A (zh) 一种rh钢水温度、成分闭环控制***
JP5582105B2 (ja) 転炉吹錬制御方法
CN101592964A (zh) 一种双工位lf炉钢水温度预报控制***
KR20170094560A (ko) 제강 공정들의 예측, 제어 및/또는 조절 방법 및 그 장치
CN102277468B (zh) Lf精炼炉钢水温度实时测报方法
CN111156817B (zh) 辊道窑烧结温度控制方法及其***
CN103194574B (zh) 一种vod精炼终点碳含量预报模型的动态调整方法
CN102382937B (zh) 一种基于炉气分析的电弧炉冶炼过程控制方法
KR102354154B1 (ko) 유리판 강화 공정을 위한 수행 수단 제어 방법
EP3657295B1 (en) Method for controlling discharging of glass plate in glass plate tempering technology process
CN109757003A (zh) 矿热炉自动控制方法
CN109710976A (zh) 一种轧钢加热炉煤气消耗量预测方法
CN104267600A (zh) 钢包精炼炉电极调节控制***及其控制方法
CN103276147A (zh) 一种lf精炼过程钢水温度的预报方法
CN103290170B (zh) 一种lf精炼炉中加入合金重量的获取方法及装置
CN103451353A (zh) 基于模拟副枪静态检测的启动转炉动态控制模型的方法
JPH0929401A (ja) 連続鋳造におけるタンディッシュ内溶鋼の温度制御法
KR0122343B1 (ko) 신경회로망을 이용한 용강의 온도제어장치 및 방법
JPH055121A (ja) 出鋼温度の管理方法
CN109055640A (zh) 一种精确控制高炉热风炉烧炉烟道温度的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190101