CN113192568A - 一种精炼炉脱硫终点预报方法和*** - Google Patents
一种精炼炉脱硫终点预报方法和*** Download PDFInfo
- Publication number
- CN113192568A CN113192568A CN202110274838.XA CN202110274838A CN113192568A CN 113192568 A CN113192568 A CN 113192568A CN 202110274838 A CN202110274838 A CN 202110274838A CN 113192568 A CN113192568 A CN 113192568A
- Authority
- CN
- China
- Prior art keywords
- desulfurization
- refining
- data
- model
- real
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
- C21C7/04—Removing impurities by adding a treating agent
- C21C7/064—Dephosphorising; Desulfurising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- C21C2300/00—Process aspects
- C21C2300/06—Modeling of the process, e.g. for control purposes; CII
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明提出了一种精炼炉脱硫终点预报方法和***,该方法包括:获取精炼炉脱硫预报所需的数据;所述数据包括钢种、冶炼工艺信息和冶金机理模型参数;基于冶金和机器学习原理建立精炼脱硫过程综合模型;对冶炼工艺信息实时数据进行预处理,然后将精炼炉脱硫预报所需的数据作为精炼脱硫过程综合模型的输入,优化精炼脱硫过程综合模型,形成基于工业实体的虚拟映射,得到满足误差的脱硫速率。基于该方法,还提出了一种精炼炉脱硫终点预报***。本发明通过使用机器学习的方法计算钢渣界面面积和传质系数,进而计算脱硫速率,实现了冶金炼钢工序过程中脱硫工艺反应过程的数字化展示,解决了由于设备、工艺原因造成的冶金机理模型计算误差问题。
Description
技术领域
本发明冶金精炼炉脱硫技术领域,特别涉及一种精炼炉脱硫终点预报方法 和***。
背景技术
在我国钢铁工业智能化转型飞速发展的阶段,炼钢工艺精炼脱硫控制方式 要求已逐渐发生变化。通过人工经验、试错法以及静态模型的控制方式已经难 以满足钢铁企业智能制造发展需求,提高生产工艺过程效率及控制精准程度, 适应复杂工艺装备条件下的智能终点预报***开发成为目前工艺技术开发的重 点目标。在炼钢工序中LF炉,即钢包精炼炉,是连接转炉、连铸间的重要精 炼装备,其不仅可实现炼钢脱氧、脱硫等关键工艺操作,同时还具有调节冶炼 节奏的重要作用。因此,钢铁企业通过实现LF精炼炉智能自动化的终点预报, 可明显提升产品质量,降低生产成本。
目前针对脱硫反应的研究已较为成熟,脱硫效果主要决定于渣-钢之间的相 互作用,与炉渣的物理化学性质密切相关,特别是炉渣的碱度、渣中(FeO+MnO) 含量、炉渣粘度及钢包底吹氩揽拌强度都影响精炼过程脱硫反应。在成熟完善 的冶金反应热力学和动力学理论体系支撑下建立的机理模型已经开始广泛在精 炼炉脱硫工艺控制过程中进行应用,但由于机理模型中涉及到反应界面积、传 质系数等关键模型参数受到设备、工艺影响,不同条件下参考借鉴价值较低, 因此在实际生产中直接参考使用以上关键模型参数容易造成模型计算结果的偏 差。另外,随着机器学习技术的不断发展,采用人工神经元网络法的黑箱模型 在脱硫中也得到应用。这种模型只有输入和输出,不考虑反应机理,脱硫模型计算结果主要受到钢水及炉渣成分温度等工艺参数以及人工神经网络等智能算 法的影响。另一方面,以大数据技术分析现场生产数据,拟合计算模型参数可 以针对不同设备、工艺解决机理模型计算精度问题。
在现有技术中的文献中提供了基于冶金反应机理模型的精炼炉脱硫工艺预 测方法,计算过程中使用传质通量、搅拌功等对脱硫速率进行计算,计算结果 受到钢水量、钢液温度、熔池深度、底吹氩流量等工艺条件影响,建立了受精 炼工艺操作影响的脱硫动态模型,预报误差允许在±10×10-6以内的预报命中 率为88.9%。但是搅拌功计算公式、搅拌功及传质通量的关系建立仍然是以假 设、推导及试验方式得到,由此计算得到的传质通量无法准确反应实际设备、 工艺对于脱硫动力学的影响,存在一定的误差和适用性问题。在现有技术中, 神经网络模型输入项为钢水成分化验数据和炉渣成分,依靠人工智能算法建立数据分析模型,不需要考虑精炼设备、工艺操作对于模型的影响。该方法属于 “黑箱”模型,计算结果精度严重依赖于现场生产数据,由于缺少冶金机理及 反应过程描述,模型无法应用于生产工艺指导优化,对工艺操作顺序不敏感, 只能应用于现有工艺的脱硫过程预测。以及在现有技术中,用于精炼过程脱硫 的工艺方法,该工艺方法是各种微合金钢或特殊钢精炼过程喷粉脱硫较常见的 工艺方法,对精炼炉脱硫过程进行了详细的描述,其脱硫率为60%~90%,可 实现钢水精炼脱硫至硫含量低于0.0010%。但是对于脱硫精度,还有待进一步 提高。
发明内容
为了解决上述技术问题,本发明提出了一种精炼炉脱硫终点预报方法和系 统,结合机理模型与机器学习开发基于数字孪生技术的精炼炉脱硫终点预报系 统模型可真实反映钢包精炼脱硫工艺钢-渣间反应过程,现实工艺装备与虚拟数 字模型相互映射,解决目前精炼炉脱硫工艺模型计算精度差的问题。
为实现上述目的,本发明采用以下技术方案:
一种精炼炉脱硫终点预报方法,包括以下步骤:
获取精炼炉脱硫预报所需的数据;所述数据包括钢种、冶炼工艺信息和冶 金机理模型参数;
基于冶金和机器学习原理建立精炼脱硫过程综合模型;
首先对冶炼工艺信息实时数据进行预处理,然后将精炼炉脱硫预报所需的 数据作为所述精炼脱硫过程综合模型的输入,优化所述精炼脱硫过程综合模型, 形成基于工业实体的虚拟映射,得到满足误差的脱硫速率。
进一步的,所述基于冶金和机器学习原理建立精炼脱硫过程综合模型的脱 硫速率表达式为:
其中,Asl-l为钢-渣界面面积,km,s为硫在钢液的传质系数;Vm为钢液体积; [%S]b为钢液处硫含量;[%S]*为反应界面处硫含量。
进一步的,所述反应界面处硫含量的表达式为:
其中,LS为钢-渣间硫的分配系数;msl为炉渣质量;mm为钢液质量;(%S)b为炉渣中硫含量。
进一步的,所述钢-渣间硫的分配系数的表达式为:
其中Λ为钢渣光学碱度;a[O]为钢液氧活度;fs为硫的活度系数;T为钢液 温度。
进一步的,所述的首先对冶炼工艺信息实时数据进行预处理包括对所述冶 炼工艺信息实时数据进行数据清洗和归一化处理。
进一步的,将精炼炉脱硫预报所需的数据作为所述精炼脱硫过程综合模型 的输入,优化所述精炼脱硫过程综合模型的过程为:
根据冶炼工艺信息实时数据开展回归或神经网络建模计算,得到冶炼工艺 数据和精炼脱硫过程综合模型参数间的量化关系。
进一步的,所述冶炼工艺信息实时数据包括温度、钢液质量、底吹氩流量、 炉渣成分、钢液初始含量及钢液平衡含量。
进一步的,所述根据冶炼工艺信息实时数据开展回归或神经网络建模计算, 得到工艺数据和计算参数间的量化关系的过程为:
将所述冶炼工艺信息实时数据在MATLAB软件中作为输入项,将界面面 积与传质系数的乘积作为输出项;
导入冶炼工艺信息实时数据训练样本,进行数据归一化处理;
设定训练参数;所述训练参数包括隐含层个数、隐含层神经元个数、学习 速率、动量因子、训练精度、输入层传递函数、隐含层传递函数、输出层传递 函数和训练函数;计算出隐含层输出值和输出层输出值;
调整权值进行计算,修正隐含层阈值、输出层阀值;
判断预报误差是否满足精度,如果满足精度,则终止,否则重新训练样本。
本发明还提出了一种精炼炉脱硫终点预报***,包括获取模块、建立模型 模块和优化模块;
所述获取模块用于获取精炼炉脱硫预报所需的数据;所述数据包括钢种、 冶炼工艺信息和冶金机理模型参数;
所述建立模型模块用于基于冶金和机器学习原理建立精炼脱硫过程综合模 型;
所述优化模块用于首先对冶炼工艺信息实时数据进行预处理,然后将精炼 炉脱硫预报所需的数据作为所述精炼脱硫过程综合模型的输入,优化所述精炼 脱硫过程综合模型,形成基于工业实体的虚拟映射,得到满足误差的脱硫速率。
进一步的,所述***还包括通讯模块;
所述通讯模块用于实现建立模型模块和优化模块之间的信息实时交互,获 取生产冶炼情况和冶炼工艺信息实时数据。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果, 上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明提出了一种精炼炉脱硫终点预报方法和***,该方法包括以下步骤 获取精炼炉脱硫预报所需的数据;所述数据包括钢种、冶炼工艺信息和冶金机 理模型参数;基于冶金和机器学***衡含量。冶炼 工艺信息实时数据在MATLAB软件中作为输入项,将界面面积和传质系数的乘积作为输出项;导入冶炼工艺信息实时数据训练样本,进行数据归一化处理; 设定训练参数;训练参数包括隐含层个数、隐含层神经元个数、学习速率、动 量因子、训练精度、输入层传递函数、隐含层传递函数、输出层传递函数和训 练函数;计算出隐含层输出值和输出层输出值;调整权值进行计算,修正隐含 层阈值、输出层阀值;判断预报误差是否满足精度,如果满足精度,则终止, 否则重新训练样本。基于该方法,还提出了一种精炼炉脱硫终点预报***。本 发明通过使用机器学习的方法计算钢渣界面面积和传质系数,进而计算脱硫速 率,避免了使用传质通量来表征钢-渣界面面积和传质系数,脱硫反应速率式中 关键动力学反应参数的获取是模型应用的生产现场对于设备、工艺等模型影响 因素的真实反馈,模型具有设备工艺针对性,因此可以从根本上解决脱硫工艺 模型预报准确性低的问题。
本发明实现了冶金炼钢工序过程中脱硫工艺反应过程的数字化展示,解决 了由于设备、工艺原因造成的冶金机理模型计算误差问题,可自适应的对机理 模型计算参数进行优化,提高了脱硫终点预报的准确性。
附图说明
如图1为本发明实施例1一种精炼炉脱硫终点预报方法流程图;
如图2为本发明实施例2一种精炼炉脱硫终点预报***示意图;
如图3为本发明实施例1和实施例2精炼炉脱硫终点预报输出结果曲线示 意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图, 对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现 本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置 进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复 是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关 系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公 知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例1
本发明实施例1提出了一种精炼炉脱硫终点预报方法,结合机理模型与机 器学习开发基于数字孪生技术的精炼炉脱硫终点预报***模型可真实反映钢包 精炼脱硫工艺钢-渣间反应过程,现实工艺装备与虚拟数字模型相互映射,解决 目前精炼炉脱硫工艺模型计算精度差的问题。
如图1给出了本发明实施例1一种精炼炉脱硫终点预报方法流程图。
在步骤S101中,获取精炼炉脱硫预报所需的数据。数据包括钢种、冶炼工 艺信息和冶金机理模型参数。本发明中可以建立钢种数据库、冶炼工艺信息数 据库和冶金机理模型参数数据库,分别从各自数据库中获取炼炉脱硫预报所需 的数据。冶炼工艺信息包括钢种、炉渣的物性、热力学参数和工艺过程实时数 据,其中物性参数将通过FactSage等热力学软件进行计算和拟合获得。
在步骤S102中,基于冶金和机器学习原理建立精炼脱硫过程综合模型;建 立的冶金机理数学模型对钢液中硫含量进行计算预报。冶金机理数学模型通过 冶金热力学及动力学原理建立。冶金机理数学模型中脱硫速率表达式为:
其中,Asl-l为钢-渣界面面积,km,s为硫在钢液的传质系数;Vm为钢液体积; [%S]b为钢液处硫含量;[%S]*为反应界面处硫含量;
反应界面处硫含量的表达式为:
其中,LS为钢-渣间硫的分配系数;msl为炉渣质量;mm为钢液质量;(%S)b为炉渣中硫含量;
钢-渣间硫的分配系数的表达式为:
其中Λ为钢渣光学碱度;a[O]为钢液氧活度;fs为硫的活度系数;T为钢液 温度。钢渣光学碱度可以根据炉渣成分计算,钢液中氧活度通过铝氧平衡进行 计算。
其中Asl-l为钢-渣界面面积和km,s为硫在钢液的传质系数,两个参数表征了脱 硫反应的动力学条件。其参数的取值由设备、底吹氩、造渣过程等条件控制。 但是由于脱硫反应是高温冶金反应,生产现场无法对计算参数进行直接测量或 依靠现有文献资料间接推导,而实验室中通过建立物理模型进行计算分析得到 的计算参数往往由于物理模型缩放及假设而产生误差。所以本发明提出了一种 基于数字孪生技术的精炼炉脱硫终点预报方法和***。
在步骤S103中,首先对冶炼工艺信息实时数据进行预处理,然后将精炼炉 脱硫预报所需的数据作为所述精炼脱硫过程综合模型的输入,优化精炼脱硫过 程综合模型,形成基于工业实体的虚拟映射,得到满足误差的脱硫速率。
对冶炼工艺信息实时数据进行预处理包括数据清洗和归一化处理。数据清 洗是对数据异常点进行处理,数据缺失的进行补充,连续性数据可以取平均或 平滑处理,无法补充的需要删除;错误、重复性数据剔除;保持输入数据的单 位、格式、维度、频率等一致;保证数据来源可靠性,同一数据来源不同,需 要根据来源进行判断,选择真实可信的来源渠道;冗余数据、信息删除。
归一化处理的过程为:
式中,xa为训练样本输入原始数据,yc为训练样本输出的原始数据,x'a为 输入归一化后数值、y'c为输出归一化后数值,xmin为输入原始数据最小值,ymin为 输出原始数据最小值,xmax为输入原始数据的最大值、ymax为输出原始数据最大 值。
其中冶炼工艺信息实时数据包括温度、钢液质量、底吹氩流量、炉渣成分、 钢液初始含量及钢液平衡含量。
冶炼工艺信息实时数据在MATLAB软件中作为输入项,将界面面积和传 质系数的乘积作为输出项;
导入冶炼工艺信息实时数据训练样本,进行数据归一化处理;设定训练参 数;所述训练参数包括隐含层个数、隐含层神经元个数、学习速率、动量因子、 训练精度、输入层传递函数、隐含层传递函数、输出层传递函数和训练函数; 计算出隐含层输出值和输出层输出值;调整权值进行计算,修正隐含层阈值、 输出层阀值;判断预报误差是否满足精度,如果满足精度,则终止,否则重新 训练样本。
实施例2
基于该方法,本发明实施例2还提出了一种精炼炉脱硫终点预报***,如 图2给出了本发明实施例2一种精炼炉脱硫终点预报***示意图。该***包括 获取模块、建立模型模块和优化模块
获取模块用于获取精炼炉脱硫预报所需的数据;数据包括钢种、冶炼工艺 信息和冶金机理模型参数。本发明中可以建立钢种数据库、冶炼工艺信息数据 库和冶金机理模型参数数据库,分别从各自数据库中获取炼炉脱硫预报所需的 数据。冶炼工艺信息包括钢种、炉渣的物性、热力学参数和工艺过程实时数据, 其中物性参数将通过FactSage等热力学软件进行计算和拟合获得
建立模型模块用于基于冶金和机器学习原理建立精炼脱硫过程综合模型; 建立的冶金机理数学模型对钢液中硫含量进行计算预报。冶金机理数学模型通 过冶金热力学及动力学原理建立。
优化模块用于首先对冶炼工艺信息实时数据进行预处理,然后将精炼炉脱 硫预报所需的数据作为所述精炼脱硫过程综合模型的输入,优化精炼脱硫过程 综合模型,形成基于工业实体的虚拟映射,得到满足误差的脱硫速率。
对冶炼工艺信息实时数据进行预处理包括数据清洗和归一化处理。数据清 洗是对数据异常点进行处理,数据缺失的进行补充,连续性数据可以取平均或 平滑处理,无法补充的需要删除;错误、重复性数据剔除;保持输入数据的单 位、格式、维度、频率等一致;保证数据来源可靠性,同一数据来源不同,需 要根据来源进行判断,选择真实可信的来源渠道;冗余数据、信息删除。
归一化处理的过程为:
式中,xa为训练样本输入原始数据,yc为训练样本输出的原始数据,x'a为 输入归一化后数值、y'c为输出归一化后数值,xmin为输入原始数据最小值,ymin为 输出原始数据最小值,xmax为输入原始数据的最大值、ymax为输出原始数据最大 值。
其中冶炼工艺信息实时数据包括温度、钢液质量、底吹氩流量、炉渣成分、 钢液初始含量及钢液平衡含量。
冶炼工艺信息实时数据在MATLAB软件中作为输入项,将界面面积和传 质系数乘积作为输出项;
导入冶炼工艺信息实时数据训练样本,进行数据归一化处理;设定训练参 数;所述训练参数包括隐含层个数、隐含层神经元个数、学习速率、动量因子、 训练精度、输入层传递函数、隐含层传递函数、输出层传递函数和训练函数; 计算出隐含层输出值和输出层输出值;调整权值进行计算,修正隐含层阈值、 输出层阀值;判断预报误差是否满足精度,如果满足精度,则终止,否则重新 训练样本。
***还包括通讯模块;
通讯模块用于实现建立模型模块和优化模块之间的信息实时交互,获取生 产冶炼情况和冶炼工艺信息实时数据。
如图3给出本发明实施例1和实施例2精炼炉脱硫终点预报输出结果曲线 示意图。本发明实现了冶金炼钢工序过程中脱硫工艺反应过程的数字化展示, 解决了由于设备、工艺原因造成的冶金机理模型计算误差问题,可自适应的对 机理模型计算参数进行优化,提高了脱硫终点预报的准确性,预报误差允许在 ±5×10-6以内的预报命中率为75.8%,预报误差允许在±10×10-6以内的预报 命中率为91.2%。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明 保护范围的限制。对于所属领域的技术人员来说,在上述说明的基础上还可以 做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。 在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做 出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种精炼炉脱硫终点预报方法,其特征在于,包括以下步骤:
获取精炼炉脱硫预报所需的数据;所述数据包括钢种、冶炼工艺信息和冶金机理模型参数;
基于冶金和机器学习原理建立精炼脱硫过程综合模型;
首先对冶炼工艺信息实时数据进行预处理,然后将精炼炉脱硫预报所需的数据作为所述精炼脱硫过程综合模型的输入,优化所述精炼脱硫过程综合模型,形成基于工业实体的虚拟映射,得到满足误差的脱硫速率。
5.根据权利要求1所述的一种精炼炉脱硫终点预报方法,其特征在于,所述的首先对冶炼工艺信息实时数据进行预处理包括对所述冶炼工艺信息实时数据进行数据清洗和归一化处理。
6.根据权利要求5所述的一种精炼炉脱硫终点预报方法,其特征在于,将精炼炉脱硫预报所需的数据作为所述精炼脱硫过程综合模型的输入,优化所述精炼脱硫过程综合模型的过程为:
根据冶炼工艺信息实时数据开展回归或神经网络建模计算,得到冶炼工艺数据和精炼脱硫过程综合模型参数间的量化关系。
7.根据权利要求6所述的一种精炼炉脱硫终点预报方法,其特征在于,所述冶炼工艺信息实时数据包括温度、钢液质量、底吹氩流量、炉渣成分、钢液初始含量及钢液平衡含量。
8.根据权利要求7所述的一种精炼炉脱硫终点预报方法,其特征在于,所述根据冶炼工艺信息实时数据开展回归或神经网络建模计算,得到工艺数据和计算参数间的量化关系的过程为:
将所述冶炼工艺信息实时数据在MATLAB软件中作为输入项,将界面面积与传质系数的乘积作为输出项;
导入冶炼工艺信息实时数据训练样本,进行数据归一化处理;
设定训练参数;所述训练参数包括隐含层个数、隐含层神经元个数、学习速率、动量因子、训练精度、输入层传递函数、隐含层传递函数、输出层传递函数和训练函数;计算出隐含层输出值和输出层输出值;
调整权值进行计算,修正隐含层阈值、输出层阀值;
判断预报误差是否满足精度,如果满足精度,则终止,否则重新训练样本。
9.一种精炼炉脱硫终点预报***,其特征在于,包括获取模块、建立模型模块和优化模块;
所述获取模块用于获取精炼炉脱硫预报所需的数据;所述数据包括钢种、冶炼工艺信息和冶金机理模型参数;
所述建立模型模块用于基于冶金和机器学习原理建立精炼脱硫过程综合模型;
所述优化模块用于首先对冶炼工艺信息实时数据进行预处理,然后将精炼炉脱硫预报所需的数据作为所述精炼脱硫过程综合模型的输入,优化所述精炼脱硫过程综合模型,形成基于工业实体的虚拟映射,得到满足误差的脱硫速率。
10.根据权利要求9所述的一种精炼炉脱硫终点预报***,其特征在于,所述***还包括通讯模块;
所述通讯模块用于实现建立模型模块和优化模块之间的信息实时交互,获取生产冶炼情况和冶炼工艺信息实时数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110274838.XA CN113192568B (zh) | 2021-03-15 | 2021-03-15 | 一种精炼炉脱硫终点预报方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110274838.XA CN113192568B (zh) | 2021-03-15 | 2021-03-15 | 一种精炼炉脱硫终点预报方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113192568A true CN113192568A (zh) | 2021-07-30 |
CN113192568B CN113192568B (zh) | 2023-07-25 |
Family
ID=76973242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110274838.XA Active CN113192568B (zh) | 2021-03-15 | 2021-03-15 | 一种精炼炉脱硫终点预报方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192568B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656971A (zh) * | 2021-08-18 | 2021-11-16 | 中国石油化工股份有限公司 | 数字孪生***建立方法、装置、电子设备和可读存储介质 |
CN114596919A (zh) * | 2022-05-10 | 2022-06-07 | 安徽瑞邦数科科技服务有限公司 | 指标预测方法、***以及其在磷酸生产中的应用 |
CN116738863A (zh) * | 2023-08-07 | 2023-09-12 | 江苏永钢集团有限公司 | 基于数字孪生运算炉外精炼co2利用数字模型搭建方法 |
CN116822380A (zh) * | 2023-08-29 | 2023-09-29 | 昆明理工大学 | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102766728A (zh) * | 2012-06-25 | 2012-11-07 | 攀钢集团研究院有限公司 | 钢包精炼炉精炼过程钢水硫含量实时预测的方法及装置 |
CN102867220A (zh) * | 2012-06-25 | 2013-01-09 | 攀钢集团研究院有限公司 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
CN103276136A (zh) * | 2013-01-02 | 2013-09-04 | 邯钢集团邯宝钢铁有限公司 | 一种基于副枪***的转炉炼钢钢水定磷方法 |
CN103397140A (zh) * | 2013-07-19 | 2013-11-20 | 东北大学 | 一种在线预测lf精炼脱硫时所需精炼渣量的***及方法 |
CN109359723A (zh) * | 2018-11-20 | 2019-02-19 | 北京科技大学 | 基于改进正则化极限学习机的转炉终点锰含量预测方法 |
CN110955956A (zh) * | 2019-11-07 | 2020-04-03 | 北京科技大学 | 基于lf炉精炼过程钢水温度和成分联合预测的方法及*** |
-
2021
- 2021-03-15 CN CN202110274838.XA patent/CN113192568B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102766728A (zh) * | 2012-06-25 | 2012-11-07 | 攀钢集团研究院有限公司 | 钢包精炼炉精炼过程钢水硫含量实时预测的方法及装置 |
CN102867220A (zh) * | 2012-06-25 | 2013-01-09 | 攀钢集团研究院有限公司 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
CN103276136A (zh) * | 2013-01-02 | 2013-09-04 | 邯钢集团邯宝钢铁有限公司 | 一种基于副枪***的转炉炼钢钢水定磷方法 |
CN103397140A (zh) * | 2013-07-19 | 2013-11-20 | 东北大学 | 一种在线预测lf精炼脱硫时所需精炼渣量的***及方法 |
CN109359723A (zh) * | 2018-11-20 | 2019-02-19 | 北京科技大学 | 基于改进正则化极限学习机的转炉终点锰含量预测方法 |
CN110955956A (zh) * | 2019-11-07 | 2020-04-03 | 北京科技大学 | 基于lf炉精炼过程钢水温度和成分联合预测的方法及*** |
Non-Patent Citations (7)
Title |
---|
吴铿 等: "LF精炼过程中硫分配比和脱硫动力学方程研究", 《金属学报》 * |
吴铿 等: "LF精炼过程中硫分配比和脱硫动力学方程研究", 《金属学报》, vol. 37, no. 10, 31 October 2001 (2001-10-31), pages 1 * |
宋建光: "精炼炉终点预报模型的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
宋建光: "精炼炉终点预报模型的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》, no. 03, 15 March 2017 (2017-03-15), pages 3 * |
李长新: "精炼渣铁水脱硫理论分析及应用", 《甘肃冶金》 * |
李长新: "精炼渣铁水脱硫理论分析及应用", 《甘肃冶金》, vol. 40, no. 4, 31 August 2018 (2018-08-31) * |
王睿阳: "精炼炉终点预报模型的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》, no. 01, 15 January 2019 (2019-01-15), pages 3 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656971A (zh) * | 2021-08-18 | 2021-11-16 | 中国石油化工股份有限公司 | 数字孪生***建立方法、装置、电子设备和可读存储介质 |
CN113656971B (zh) * | 2021-08-18 | 2024-06-04 | 中国石油化工股份有限公司 | 数字孪生***建立方法、装置、电子设备和可读存储介质 |
CN114596919A (zh) * | 2022-05-10 | 2022-06-07 | 安徽瑞邦数科科技服务有限公司 | 指标预测方法、***以及其在磷酸生产中的应用 |
CN116738863A (zh) * | 2023-08-07 | 2023-09-12 | 江苏永钢集团有限公司 | 基于数字孪生运算炉外精炼co2利用数字模型搭建方法 |
CN116738863B (zh) * | 2023-08-07 | 2024-02-06 | 江苏永钢集团有限公司 | 基于数字孪生的炉外精炼co2数字管理平台的搭建方法 |
CN116822380A (zh) * | 2023-08-29 | 2023-09-29 | 昆明理工大学 | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 |
CN116822380B (zh) * | 2023-08-29 | 2023-11-14 | 昆明理工大学 | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113192568B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113192568A (zh) | 一种精炼炉脱硫终点预报方法和*** | |
CN109447346B (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
CN108676955B (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
CN101881981A (zh) | 一种rh钢水温度、成分闭环控制*** | |
CN102766728B (zh) | 钢包精炼炉精炼过程钢水硫含量实时预测的方法及装置 | |
CN101504544A (zh) | 用于氧气转炉质量控制***的方法和装置 | |
CN101308154B (zh) | 一种转炉炼钢钢水连续定碳方法 | |
CN113919206A (zh) | 一种炼钢合金化窄成分控制方法 | |
CN106834593A (zh) | 一种以参考炉次法确定rh精炼炉脱碳工艺数据的方法 | |
CN104726635A (zh) | 一种电炉冶炼优化配料计算方法 | |
CN111304406A (zh) | 一种钢包底吹氩控制方法及装置 | |
CN116469481B (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
Wu et al. | Prediction of endpoint sulfur content in KR desulfurization based on the hybrid algorithm combining artificial neural network with SAPSO | |
CN111020118B (zh) | 一种基于粒子群优化案例推理的rh终点温度预测方法 | |
Xin et al. | Modeling of LF refining process: A review | |
Kubat et al. | Bofy-fuzzy logic control for the basic oxygen furnace (BOF) | |
CN103194574B (zh) | 一种vod精炼终点碳含量预报模型的动态调整方法 | |
CN107630122A (zh) | 一种基于烟气分析的rh动态脱碳优化方法 | |
CN113512622A (zh) | 基于气体分析的转炉冶炼全过程终点碳动态控制方法 | |
CN103205531A (zh) | 一种钢包自动增氮装置及方法 | |
CN101592650A (zh) | 电炉炼钢炉内钢水碳含量的连续测定方法 | |
CN113512620B (zh) | 气体分析+副枪的转炉冶炼全过程终点碳动态控制方法 | |
CN103276136A (zh) | 一种基于副枪***的转炉炼钢钢水定磷方法 | |
CN1603026A (zh) | 一种rh精炼炉钢液温度实时预测方法 | |
CN1603424A (zh) | 一种基于智能复合动态模型的有副枪转炉吹炼控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |