点击下载——电弧炉炼钢全过程钢水碳质量分数动态预报模型研究.doc

电弧炉炼钢全过程钢水碳质量分数动态预报模型研究

宋水根，刘花，曾繁林

(新余钢铁集团有限公司，江西 新余 338013)

摘 要：根据电弧炉物料平衡理论与利用BP神经网络的方法，建立了理论模型结合神经网络的电弧炉炼钢全程钢水碳质量分数实时预测模型。通过模型得出冶炼过程中碳质量分数变化曲线，实现对全程钢水碳质量分数的实时监控。在接近冶炼终点时，由于脱碳反应中碳氧积的存在，因此模型对影响终点碳质量分数的因素进行分析，采用BP神经网络方法进行预测，满足了对电弧炉冶炼终点碳质量分数预报准确度的要求。

关 键 词：终点碳；BP神经网络；动态；理论模型

电弧炉炼钢在钢铁工业中占有重要地位，其生产过程的主要任务是冶炼出成分和温度均合格的钢水。由于在目前技术条件下，钢水成分和温度的检测不能连续进行，且影响因素较多，冶炼过程控制的边界条件变化频繁，这些因素给冶炼过程中钢水成分和温度的准确控制带来了极大的困难。目前中国多数中小电弧炉炼钢的终点控制还处于手动操作状态，工人凭借经验进行操作，具有很大的不确定性。

在实际生产过程中，由于难以对终点碳温进行准确控制，经常出现多次取样的情况，这样不仅增加了成本，也延长了冶炼时间，给企业带来了极大的经济损失。因而，对转炉炼钢终点进行准确预报，用优化的炼钢工艺参数进行控制是合理组织生产、提高钢水质量和降低冶炼成本的重要前提^[1-3]。因此提出了运用理论模型与神经网络相结合的方法来解决电弧炉炼钢终点碳预测问题。冶炼过程中运用理论模型预测，实现碳质量分数的监控。冶炼终点时，由于有大量的化验数据进行学习，建立起BP神经网络进行动态学习，提高了冶炼终点时碳质量分数预测的精度^[4-7]。

1 理论模型

终点碳预测的理论模型是建立在炼钢过程物料平衡的基础之上，通过对碳氧反应的研究，得出冶炼过程中钢水碳质量分数实时变化情况。

1.1 初始碳质量分数计算

现如今由于废钢紧缺与电价过高，电弧炉冶炼兑入高比例的铁水，大量铁水的兑入使得电弧炉冶炼初始熔池的碳质量分数增加，因此为了准确预测冶炼过程钢水中的碳质量分数，必须根据入炉原料，进行精确初始碳质量分数计算。熔池的初始碳质量分数计算如式(1)～(3)所示。

式中：C₀为冶炼初始钢水中的碳质量，kg；C%为冶炼初始钢水中的碳质量分数，%；G₀为初始钢水总质量，kg；C_i为第i种金属料质量，kg；M_i为第i种金属料中碳元素质量分数，%。

1.2 氧气与熔池中碳等元素反应公式

电弧炉冶炼过程中喷吹的氧气与熔池中的碳元素反应主要生成CO，同时也有一部分的CO进行了二次燃烧生成了CO₂。

[O]+[C]=CO(g)(4)

[O]+[CO]=CO₂(g) (5)

根据冶炼过程中的碳氧反应，其中生成的CO比例为f_CO，钢水中Si、Mn等其他元素消耗的氧气元素消耗氧气量，kmol；k_O2为氧气修正参数；f_CO为碳氧反应生成CO的比例。

将碳元素总质量分数转换为钢水中碳元素百分比，如式(7)所示：

式中：C_f为冶炼中预测碳元素质量分数，%；GΔ为冶炼过程中钢水质量的变化，kg。

模型在根据入炉原料情况下，同时实时采集氧气消耗量，根据式(7)实现对冶炼过程中钢水碳质量分数的监控与预测。

1.3 理论模型中的氧气修正参数进行动态修正

由于式(7)中氧气的利用率随着不同炉次存在波动性，这样需要对参数k_O2进行实时修正，在每个炉次冶炼结束后对其实际氧气利用率进行反向计算，如式(8)所示。

式中：C_l为出钢后钢水实际的碳元素质量分数，%。

根据得到的该炉次的实际氧气利用率与反馈系数f₁，得出经过反馈修正后的氧气利用率系数knO₂，如式(9)所示：

knO₂=kO₂+f₁×(k′_O2-k_O2) (9)

式中：f₁为反馈后氧气修正参数的系数。

1.4 BP神经网络预报终点碳质量分数

理论模型实现了未到终点过程中碳质量分数的实时 预测，但 是对于接近终点，碳 质量分数低于0.2%时，由于钢水中碳氧积的存在，使得钢中氧含量增加。仅仅考虑碳氧反应中碳元素对氧气的消耗是不全面的，因此，对于这一复杂的情况，本文采用人工神经网络方法中的^[8-11]的BP神经网络对过程进行自学习，在此基础上实现其终点预报功能。根据钢水碳元素质量分数与各因素的关系，决定使用集成式BP神经网络技术建立一套新的计算方法^[12-14]。BP神经网络结构如图1所示。

钢水的终点碳对钢种的质量、冶炼操作等具有 至关重要的作用。钢水的终点碳预报受多种因素的影响，主要取决于供氧操作、金属料加料操作、渣料加料操作等。通过对影响钢水终点碳因素进行分析，剔除不重要的因素，确定以氧枪氧耗、碳氧枪喷吹的氧耗、钢铁料中的铁水质量、钢水质量作为终点碳预报模型的输入变量。

BP神经网络使用S型激活函数，输入与输出函数如式(10)～(11)所示。

为了神经网络模型的通用性及输入、输出样本的标准化，BP网络要求输入和输出数据均在0～1之间，BP网络在该区间内的收敛也是最快的。对采集到的输入量和输出量数据按下式进行归一化处理：

X_i=(x_i-x_min)/(x_max-x_min) (12)

式中：X_i为输入项i的归一化值；x_i为输入项i的实际值；x_min为输入项i的最小值；x_max为输入项i的最大值。

相应地，神经网络计算的输出项的结果需要进行逆归一变换，以得到实际值：

y=Y×(y_max-y_min)+y_min(13)

式中：Y为神经网络计算的输出值；y为预报变量的实际值；y_min为预报变量的最小值；y_max为预报变量的最大值。

因此，对于本文提出的理论模型与BP神经网络相结合的预测，选取铁水量、废钢总量、氧气量3个主要的影响因素。在冶炼中前期，由于氧气量显然不在x_min～x_max区间内，预测是根据理论模型。当冶炼进行到接近终点时，满足氧气量在x_min～x_max区间内时，系统自动转换为BP神经网络预测。

2 模型效果分析

2.1 碳质量分数走势图

为了得到明显的碳质量分数走势图，模型选取入炉原料碳质量分数高的冶炼炉次进行分析。这里对新良特钢45t电弧炉高铁水比例下的150炉钢水碳质量分数实时预测数据进行了分析统计，得出图2所示的碳质量分数走势图。

从碳质量分数的走势图中可以看出，以碳氧反应为基础的理论模型，碳质量分数变化较为平缓，脱碳速度比较平稳。在冶炼的35～40min时，碳质量分数降低幅度较大，这是由于模型接近终点时采取的是BP神经网络预测。在冶炼40～50min时，此时钢水中碳质量分数小于0.2%，由于碳氧反应积的存在，碳质量分数降低幅度不大，脱碳速度降低。

从以上可以得出，模型实现了碳质量分数的实时监测，使得冶金工作者对冶炼过程中钢水的情况有了直观的了解，为何时进行取样分析钢水成分提供了重要的参考。

2.2 BP神经网络预报效果分析

选取电弧炉80炉终点碳模型预测与实际值进行对比，终点碳质量分数预报结果和误差统计分别见图3和表1。

从图3和表1的预测结果可以看出，预报值与实测值误差在±0.01%范围内的命中率为32.0%，而误差在±0.03%范围内的命中率为84.0%，这说明模型具有较高的预报终点精度，此精度能够满足生产实际的需求。误差在±0.07%范围内的命中率为98.0%，这说明模型的预报出现偏差时也基本维持在0.07%范围内。

钢水碳质量分数预报中存在的问题包括以下几个方面：1)实现碳质量分数实时曲线监测的理论模型主要考虑的因素是氧气消耗，若增加其他实时相关检测炉内情况的手段(如电弧炉烟气分析等)，将这些实时数据进行模型预测修正，能够进一步提高模型碳质量分数的监测准确度。

2)金属料中碳质量分数是影响碳质量分数预报结果的重要因素，而实际金属料的碳质量分数测量存在一定的误差。另外，氧气实时消耗的氧气消耗测量也存在一定的误差。这些情况会影响碳质量分数预报结果的准确性。

3)除了神经网络模型中选择的主要影响因素之外，还有一些次要因素未考虑进模型，这些会导致预报结果出现一定的误差。

3 结论

本文提出了一种运用理论模型与神经网络相结合的方法来解决电弧炉炼钢终点碳的全过程实时预测的问题。

1)建立了钢水碳质量分数预测的理论模型，动态的实时计算钢水中碳质量分数，为电弧炉生产取样时刻的掌握提供了参考。在冶炼结束时，对理论模型进行反馈修正，逐步提高模型的准确性。

2)模型得出了冶炼过程全程的钢水碳质量分数走势图，实现了碳质量分数的监测，为准确进行取样分析钢水成分的时间点提供了依据。

3)对于冶炼终点时刻碳质量分数预测精度要求高的情况，使用集成式BP网络技术建立一套新的计算方法。对于终点碳质量分数的BP神经网络预测在精度±0.03%的范围内达到了84%左右，模型具有较高的终点预报精度。

4)使用理论模型与神经网络相结合的方法，同时解决了冶炼过程中对碳质量分数监控，以及终点时精确预报碳质量分数的目的。模型对冶炼过程中碳质量分数进行了有效的监控，并能够指导炼钢终点控制操作，实现对炼钢成本的控制与节能降耗。

5)电弧炉炉内碳氧反应变化是一个复杂过程，为了更加准确地了解炉内的情况，可以通过烟气分析等相关冶炼过程中地实时检测手段，提供更多的冶炼过程中影响碳质量分数预测的实时数据，从而进一步提高模型碳质量分数的监测准确度。

参 考 文 献：

[1]   林银河，周俐，孔辉，等.电弧炉冶炼终点预报模型的建立与应用[J].安徽工业大学学报：自然科学版，2010，27(2)：123，144.

[2]   张志伟，陆志坚，陈振乐，等.柳钢120t转炉炼钢模型研究及计算机控制的应用[J].柳钢科技，2010(1)：28.

[3]   张华，陈凤银，王艳红.基于辅料资源运行特性的炼钢终点优化控制[J].钢铁研究学报，2013，5(1)：42.

[4]   李强，梁莉，刘庆丰，等.神经网络电弧炉-精炼炉的控制系统[J].特殊钢，2001(2)：34.

[5]   顾学群，赵青.基于BP神经网络的电弧炉炼钢过程的终点预报[J].南通职业大学学报，2008，22(1)：65.

[6]   李强，吴朋化，苟智峰.基于模糊神经网络的电弧炉控制系统及仿真[J].控制工程，2012(2)：336.

[7]   赵浩文，李长荣，谢祥，等.人工神经网络在转炉炼钢控制过程中的应用[J].冶金丛刊，2010(1)：40.

[8]   Zhang Caiqing，Qi Ruonan，Qiu Zhiwen.Comparing BP andRBF Neural Network for Forecasting the Resident ConsumerLevel by MATLAB[C]//International Conference on Comput-er and Electrical Engineering.Thailand：ICCEE，2008：169.

[9]   Neaupane K，Achet S.Some Applications of A Backpropaga-tion Neural Network in Geo-Engineering[J].EnvironmentalGeology，2004，45(4)：567.

[10]   Jin Piyan.The Study of Improving Algorithms of BP Net-work[J].Journal of Nanjing of Aeronautics and Astronau-tics，1994(11)：201.

[11]   Muzhou Hou，Xuli Han.Constructive Approximation toMultivariate Function by Decay RBF Neural Network[J].Neural Networks，2010，21(9)：1517.

[12]   李润生，李延辉.神经网络在冶金中的应用[J].钢铁研究，1998(2)：48.

[13]   张维维，赵成林，李广帮，等.BP神经网络技术在钢铁工业中的应用[J].鞍钢技术，2010(4)：16.

[14]   史忠植.神经网络[M].北京：高等教育出版社，2009.