一种大型转炉TSC阶段智能添加石灰的方法技术

本发明专利技术涉及一种大型转炉TSC阶段智能添加石灰的方法，属于钢铁冶金技术领域。本发明专利技术的技术方案是：采用机理模型按照冶金机理进行预测，进行数据训练，采用BP神经网络为基础的深度学习人工智能，输入数据以机理模型为基础，进行标准化处理，构建输入数据与输出数据间的内在联系，通过人工智能计算获得输出数据。本发明专利技术的有益效果是：采用“机理模型+人工智能预测”的方式，在充分分析转炉石灰加入量影响因素的基础上，构建转炉各影响因素间的内在联系，实现在不同物料条件下，大型转炉TSC阶段智能加入石灰的方法，解决转炉石灰准确加入的问题，减少质量事故和生产事故，降低冶炼成本。降低冶炼成本。降低冶炼成本。

【技术实现步骤摘要】
一种大型转炉TSC阶段智能添加石灰的方法


[0001]本专利技术涉及一种大型转炉TSC阶段智能添加石灰的方法，属于钢铁冶金


技术介绍

[0002]石灰是转炉冶炼的主要辅料，其主要作用是在冶炼过程中形成合理的渣系，通过转炉渣去除钢渣P、S等有害元素。针对副枪法控制的转炉，石灰加入主要在副枪TSC测量前，即转炉冶炼TSC阶段。对于石灰加入量的普遍算法为通过二元碱度进行计算，该方法通过对石灰原料的检化验得出石灰CaO含量，之后根据铁水硅含量，计算石灰加入量。
[0003]该方法虽然能够在转炉操作过程中，为石灰加入量提供一定指导，但是并不精确，未充分考虑石灰成分的动态变化，未充分考虑其他含Ca辅料如白云石、钢渣等原料的影响，未充分考虑TSC阶段石灰熔化对脱磷效果的影响，未充分考虑石灰对于转炉冶炼热平衡的影响，未充分考虑班组间、不同设备间的差异。尤其在当前全国转炉降低铁耗的背景下，各个钢铁公司都在大量加入钢渣等自产冷料，这些自产料成分稳定性差，造成极大的生产波动。以上因素均会导致石灰加入量的不准确，如石灰加入量过少，则导致转炉冶炼渣量偏少，影响转炉脱磷效果，造成产品成分不合，同时不利于转炉炉衬长寿；如石灰加入量过大，不仅会造成成本浪费，严重时会导致冶炼渣量大，冶炼过程异常喷溅，也会导致转炉终点无法出钢等恶性生产事故。
[0004]专利申请号201710074989.4公开了一种转炉碱度动态控制方法，该方法基于终点温度、终点碳、终点磷、脱磷效率、转炉渣量设定调整，对碱度进行修正。
[0005]专利申请号201310449548.X公开了一种计算转炉留渣量确定石灰用量的方法，该方法通过铁水硅含量确定留渣量，通过观察炉内炉渣体积，经过炉渣密度计算，得出实际转炉留渣重量，按照留渣量与石灰1:1～0.5的比例项转炉加入石灰。
[0006]文献[姚树鹤、杨成忠、徐生林.灰色算法在转炉炼钢石灰加入量计算中的应用，杭州电子科技大学学报，2015]中通过灰色算法预报了50t转炉当前炉次和石灰加入量的偏差，建立残差序列进行修正。
[0007]以上方法虽然涉及对石灰加入量的预测，但是未全面考虑影响石灰加入的全部因素，未考虑因素间的内在联系。如：未考虑班组、转炉设备、物料稳定性的影响，也未考虑石灰作为具有一定冷却效果的辅助原料，对于转炉热平衡的影响。由于这些多因素的内在联系复杂，用目前常规的数理统计方法无法准确预测，并指导生产。因此，需要找出一种可靠的指导转炉石灰加入量的方法。

技术实现思路

[0008]本专利技术目的是提供一种大型转炉TSC阶段智能添加石灰的方法。主要针对260t大型顶底复吹转炉，造渣方法为单渣法，装入制度为定量装入，采用副枪控制。本专利技术采用“机理模型+人工智能预测”的方式，在充分分析转炉石灰加入量影响因素的基础上，构建转炉各影响因素间的内在联系，实现在不同物料条件下，大型转炉TSC阶段石灰的智能加入。
[0009]本专利技术的技术方案是：一种大型转炉智能添加石灰的方法，包含以下步骤：
[0010](1)采用机理模型按照冶金机理进行预测，机理模型公式如下：
[0011][0012]其中W
sh
代表石灰加入量，数据范围22kg/t
‑
49kg/t；
[0013]a
shc
代表石灰CaO质量百分数，数据范围88％
‑
93％；
[0014]a
shs
代表石灰SiO2质量百分数，数据范围2％
‑
5％；
[0015]W
qs
代表轻烧白云石加入量，数据范围7.5kg/t
‑
30.1kg/t；
[0016]a
qsc
代表轻烧白云石CaO质量百分数，数据范围40％
‑
48％；
[0017]a
qss
代表轻烧白云石SiO2质量百分数，数据范围0.1％
‑
3.3％；
[0018]W
gz
代表钢渣等冷料加入量，数据范围小于113kg/t；
[0019]a
gzc
代表钢渣CaO质量百分数，数据范围20％
‑
45％；
[0020]a
gzs
代表钢渣SiO2质量百分数，数据范围8％
‑
23％；
[0021]W
ts
代表铁水加入量，数据范围900kg/t
‑
1085kg/t；
[0022]a
st
代表铁水Si质量百分数，数据范围0.15％
‑
0.60％；
[0023]2.14为Si转化为SiO2的转化系数；
[0024]R代表碱度，碱度由碱度选择模型确定，将碱度分为四个梯度，取值分别为3、3.5、4和4.5；
[0025](2)进行人工智能预测，采用BP神经网络架构为基础的深度学习人工智能，其主要架构为输入是16维数据，输出是1维数据，16维输入数据分别为，机理模型石灰量、冶炼班组、冶炼炉座、钢种要求、废钢、铁水温度、铁水重量、铁水锰、铁水硅、铁水磷、钢渣、白云石加入量、TSC磷、TSC锰、TSC碳和TSC温度，1维输出数据为石灰量；输入数据以机理模型为基础，进行标准化处理，处理方式如下：
[0026][0027]y是需要标准化的参数值，y
std
是这一组参数的标准差，y
ave
是这组参数的平均值；
[0028]构建输入数据与输出数据间的内在联系，通过人工智能计算获得输出数据；
[0029](3)通过反标准化还原计算所需的修正误差，通过以下公式进行反标准化
[0030]y＝y*
×
y
ave
+y
std
[0031](4)激励函数形式为：
[0032][0033]所述步骤(1)中，机理模型选择原则如下：
[0034]钢种磷含量要求制定4个梯度档位，
①
磷质量百分数要求为≤0.015％，
②
磷质量百分数要求为＞0.015％且≤0.020％，
③
磷质量百分数要求为＞0.020％且≤0.025％，
④
磷质量百分数要求为＞0.025％；
[0035]对终点磷元素质量百分数小于0.02％，终点温度大于1650℃的钢种，由于转炉终点需要高温出钢，脱磷效率较普通钢种低，因此碱度选择较高，该类钢种如磷质量百分数要
求档位为
①
，碱度选择4.5；磷质量百分数要求为
②
，碱度选择4；
[0036]对终点磷元素质量百分数大于0.02％，终点温度大于1650℃的钢种，由于钢种要求保留部分磷含量，后续需要添加磷铁调整，所以该钢种工艺碱度选择较低，利于转炉去碳保磷，该钢种对铁水磷质量百分数敏感性不大，碱度选择本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大型转炉TSC阶段智能添加石灰的方法，其特征在于包含以下步骤：(1)采用机理模型按照冶金机理进行预测，机理模型公式如下：其中W
sh
代表石灰加入量，数据范围22kg/t
‑
49kg/t；a
shc
代表石灰CaO质量百分数，数据范围88％
‑
93％；a
shs
代表石灰SiO2质量百分数，数据范围2％
‑
5％；W
qs
代表轻烧白云石加入量，数据范围7.5kg/t
‑
30.1kg/t；a
qsc
代表轻烧白云石CaO质量百分数，数据范围40％
‑
48％；a
qss
代表轻烧白云石SiO2质量百分数，数据范围0.1％
‑
3.3％；W
gz
代表钢渣等冷料加入量，数据范围小于113kg/t；a
gzc
代表钢渣CaO质量百分数，数据范围20％
‑
45％；a
gzs
代表钢渣SiO2质量百分数，数据范围8％
‑
23％；W
ts
代表铁水加入量，数据范围900kg/t
‑
1085kg/t；a
st
代表铁水Si质量百分数，数据范围0.15％
‑
0.60％；2.14为Si转化为SiO2的转化系数；R代表碱度，碱度由碱度选择模型确定，将碱度分为四个梯度，取值分别为3、3.5、4和4.5；(2)进行人工智能预测，采用BP神经网络架构为基础的深度学习人工智能，其主要架构为输入是16维数据，输出是1维数据，16维输入数据分别为，机理模型石灰量、冶炼班组、冶炼炉座、钢种要求、废钢、铁水温度、铁水重量、铁水锰、铁水硅、铁水磷、钢渣、白云石加入量、TSC磷、TSC锰、TSC碳和TSC温度，1维输出数据为石灰量；输入数据以机理模型为基础，进行标准化处理，处理方式如下：y是需要标准化的参数值，y
std
是这一组参数的标准差，y
ave
是这组参数的平均值；构建输入数据与输出数据间的内在联系，通过人工智能计算获得输出数据；(3)通过反标准化还原计算所需的修正误差，通过以下公式进行反标准化y＝y*
×
y
ave
+y
std
(4)激励函数形式为：2.根据权利要求...

【专利技术属性】
技术研发人员：邓建军，武志杰，何方，韩闯闯，程迪，姜丽梅，周钢，张才华，侯钢铁，
申请(专利权)人：河钢股份有限公司邯郸分公司，
类型：发明
国别省市：