趙 舸，王雪明，何 賽

（1 鋼鐵研究總院有限公司冶金工藝研究所，北京 100081；2 江蘇沙鋼集團有限公司電爐三車間，江蘇 蘇州 215625）

1 前言

近年來隨著鋼鐵企業(yè)智能化的推進，許多研究工作者開展了鋼鐵企業(yè)如燒結、高爐、轉爐、精煉等各工藝環(huán)節(jié)的智能化模型開發(fā)，而LF精煉爐作為鋼鐵企業(yè)一種功能較多且使用廣泛的精煉手段，許多研究工作者也開展了關于LF智能化方面的工作［1-4］。LF主要功能有鋼水合金化、脫硫、促進夾雜物上浮及鋼水溫度調整等，其中各主要功能與溫度有著直接的關系，LF溫度預報模型也成為重要的研究熱點。經(jīng)過對國內(nèi)外LF精煉溫度預報模型的調研，其溫度預報模型大致可以分為三類［5-8］：機理模型、黑箱模型和復合模型。機理模型主要是通過熱平衡規(guī)律將冶煉過程中影響溫度的各個因素換算成數(shù)學模型，但LF冶煉過程復雜多變，各個因素之間相互影響，以單因素變量計算對鋼水溫度的影響存在一定的波動，從而影響其溫度預報效果；黑箱模型是將影響鋼水溫度的各個因素作為多輸入，采用BP神經(jīng)網(wǎng)絡算法或者多元回歸分析對已有生產(chǎn)數(shù)據(jù)進行分析和訓練，得到相關溫度計算模型，相當于從“結果”到“結果”，其生產(chǎn)數(shù)據(jù)準確性、訓練數(shù)據(jù)數(shù)量直接影響溫度預報的準確性，此模型不過多考慮過程機理，因此稱為黑箱模型；復合模型是將機理模型和黑箱模型相結合，先建立如鋼包狀況、底吹等的機理數(shù)學模型，然后利用神經(jīng)網(wǎng)絡或者多元回歸分析，對無法用單純機理模型計算的非線性因素利用黑箱模型進行分析，從而完成LF冶煉終點溫度的預報。

通過調研國內(nèi)部分企業(yè)在LF溫度預報模型開發(fā)方面的工作發(fā)現(xiàn)，LF 溫度預報模型在機理公式和模型算法方面有著許多可以借鑒［9-11］，甚至可以直接使用開源算法。但在實際應用過程中適用性受到一定的限制，如采用機理模型相關的冶金熱力學及動力學理論知識、以BP 神經(jīng)網(wǎng)絡算法應用在LF 精煉爐溫度預報過程中時，由于鋼包狀況在實時變化、合金氧化等因素影響，前工序銜接時間等方面對鋼水溫度的預測有著較大的影響。基于上述原因，本項目在已有的機理模型及BP 神經(jīng)網(wǎng)絡算法的基礎上，增加鋼包管理系統(tǒng)、合金氧化預報模型與實際生產(chǎn)數(shù)據(jù)記錄與回歸等方法，進一步完善和穩(wěn)定LF 溫度預報模型。同時，為了更好地銜接LF 冶煉前后工序、減少測溫次數(shù)以及指導電極供電，本模型實現(xiàn)了LF全過程溫度預報，并取得了較好的冶煉效果。通過介紹，為今后LF 精煉爐溫度預報模型提供了一定的參考價值。

2 LF精煉爐的溫度模型建立

本模型開發(fā)工作在100 t LF 精煉爐上進行，其生產(chǎn)產(chǎn)品主要為SWRH82B盤條，生產(chǎn)工藝流程為：100 t 電爐→100 t LF 精煉爐→連鑄140 mm×140 mm→高線軋制。根據(jù)生產(chǎn)冶煉過程，模型將跟蹤從電爐出鋼到LF爐鋼水出站全過程的所有影響溫度因素進行分析。

式（1）、（2）為LF 爐生產(chǎn)過程中影響鋼水溫度的主要因素分析，本溫度預報模型主要通過機理模型和BP神經(jīng)網(wǎng)絡算法對影響鋼水溫度的主要因素進行分析、計算和訓練，從而實現(xiàn)LF生產(chǎn)過程中溫度的實時預報。

式中：T0為電爐出站鋼水溫度；ΔT1為電爐出鋼到LF進站溫降；ΔT2為合金加入造成的溫降；ΔT3為合金氧化帶來的溫升；ΔT4為電極加熱溫升；ΔT5為渣料加入溫降；ΔT6為其他因素造成的溫降（包況、包齡、底吹等因素）。

圖1 為神經(jīng)網(wǎng)絡模型拓撲結構，包括輸入層、隱層和輸出層。BP神經(jīng)網(wǎng)絡原理是以需要評價的影響因素為起點進入神經(jīng)網(wǎng)絡循環(huán)模式預測評價目標溫度，得到結果后將誤差值逆向傳遞，調節(jié)權值和閾值［12-13］，實現(xiàn)影響溫度的因素和溫度的關系。本模型以實際生產(chǎn)過程中影響LF冶煉過程中各因素為輸入?yún)?shù)，以相應實際生產(chǎn)爐次的LF 精煉溫度為輸出數(shù)據(jù)，通過不斷訓練已有數(shù)據(jù)預測LF冶煉過程中鋼水溫度與實際溫度對比來提高模型準確率。

圖1 BP神經(jīng)網(wǎng)絡

2.1 電爐出鋼到LF進站降溫模塊

溫度預報模型從PLC 一級自動采集電爐出站鋼水溫度T0，在鋼包從電爐出站到LF 進站過程中主要根據(jù)包況、包齡和等待時間計算這一過程中溫降。在模型學習階段，根據(jù)不同包況和包齡條件下在不同等待時間條件下溫降曲線，這一功能模塊可以幫助操作人員得到鋼水進站溫度，操作人員在不進行進站測溫的條件下可以根據(jù)進站溫度制定第一次供電時間，尤其在溫降較大的情況下可以判斷鋼包下部存在“冷鋼”現(xiàn)象，從而在生產(chǎn)初期需要提高鋼包底吹強度以及延長供電時間，避免后續(xù)冶煉過程中存在的“假溫度”對生產(chǎn)造成的影響。

2.2 合金與渣料溫降模塊

表1 為部分合金加入100 kg 時對100 t 鋼水所引起的鋼水溫降。本模型建立了常見渣料與合金的溫降系數(shù)數(shù)據(jù)庫，冶煉過程中加入的渣料與合金，依據(jù)數(shù)據(jù)庫中的溫降系數(shù)計算溫降，由于渣料與合金的溫降系數(shù)比較穩(wěn)定，渣料與合金加入帶來的鋼水溫降采用機理模型計算比較穩(wěn)定可靠。

表1 鋼水溫降 ℃

2.3 合金氧化帶來的溫降

由于合金在加入過程中存在部分合金氧化，尤其對于收得率較低的合金元素，其被氧化率較高。為準確地預報合金氧化帶來的溫降，模型通過分析影響鋼水合金收得率的因素，主要有進站鋼水各成分（如C、Si、Mn等）以及鋼包底吹強度等主要因素，通過成分預報模型預測加入合金元素的收得率。

圖2和圖3為實際連續(xù)90爐鋼水中Si、Mn實際含量與成分預報模型得到的含量的對比值。通過圖2 和3 可以看出，預報值與實際值在±0.025%范圍內(nèi)的比例高達90%，通過成分預報模型得到氧化的合金元素，這樣可以有效的計算得到合金氧化所帶來的熱量。

圖2 實際Mn含量與預測Mn含量

圖3 實際Si含量與預測Si含量

2.4 電極加熱對升溫的影響

模型在計算電極供電帶來的溫度影響，首先主要是通過供電量所輸入的熱量來計算溫度的影響。除了考慮輸入的電量外，同時模型學習在不同電極供電檔位下供電量所帶來的溫降；另外在模型設計過程中發(fā)現(xiàn)，渣層的厚度、鋼水當前的溫度對供電的升溫有著較大的影響，所以在供電過程中，模型將加入的渣料、氧化產(chǎn)生的渣料、鋼水當前溫度作為供電升溫的影響因素，從而模型不斷訓練和學習得到供電過程對鋼水升溫的關系。

2.5 其他因素造成的溫降

在考慮其他因素對溫降的影響時，其中最重要的就是鋼包的狀態(tài)。鋼包的狀態(tài)對鋼水的溫度有著非常大的影響，尤其是新包，其降溫速度相比于正常周轉的熱包每分鐘溫降速度快1～3 ℃，所以溫度模型中建立了鋼包管理系統(tǒng)，通過記錄鋼包的狀態(tài)建立了不同鋼包狀態(tài)下的溫降相關數(shù)據(jù)。這些因素中主要包括鋼包的等待時間、包齡、鋼包的透氣性等因素；另一方面季節(jié)的不同對鋼包的散熱也有著一定的影響，所以對于不同季節(jié)，對鋼包的散熱參數(shù)進行了相應的調整。

3 LF精煉爐的預報模型效果分析

3.1 終點溫度預報準確率

圖4為模型投入使用后，實際溫度與模型預報溫度的差值。圖4是對連續(xù)一個月生產(chǎn)的708爐記錄數(shù)據(jù)，統(tǒng)計過程中不含右側范圍值，比如0～5 ℃為≥0 ℃、＜5 ℃，其中TM為實際測量溫度，TC為模型預測溫度。

圖4 溫差（TM-TC）分布

從圖4 可以看出，溫差分布集中度比較高，在±10 ℃范圍內(nèi)溫度占比為99.3%，±5 ℃爐數(shù)為651 爐，±5 ℃占比為91.95%。同時對溫度不在±5℃范圍內(nèi)的57爐次進行分析，其中19爐是發(fā)生在澆注前4爐，可見新鋼包在使用過程中對溫度預報的準確率影響較大。

3.2 溫度預報模型對耗電量的影響

圖5 為模型使用前后噸鋼耗電量變化。為對比使用前后LF爐精煉爐噸鋼耗電量變化，圖5選取模型使用前后各連續(xù)生產(chǎn)的1 000 爐生產(chǎn)SWRH82B鋼的電耗進行了統(tǒng)計和計算。

圖5 模型使用前后噸鋼耗電量變化

由圖5 可以看出，總噸鋼耗電量由49.3 kW·h降到39.6 kW·h，噸鋼降低電耗為9.7 kW·h，電耗降低幅度為19.68%，電價以0.55 元/（kW·h）計算，噸鋼降低成本約5.3 元，以電爐年產(chǎn)鋼量100 萬t 計算，每年降低生產(chǎn)成本約530萬元。

4 結論

4.1 將機理模型和BP神經(jīng)網(wǎng)絡算法模型相結合可以實現(xiàn)較為準確的LF溫度預報準確率，預報溫度與實際溫度之差在±5 ℃范圍內(nèi)占比達到91.95%。

4.2 利用溫度預報模型不僅可以有效減少測溫的次數(shù)，同時可以有效避免鋼水溫度過高的現(xiàn)象，從而降低噸鋼電耗量，有效降低生產(chǎn)成本。