宝钢转炉过程控制模型研究应用新进展

来源：郭亚芬杜斌陈军鹏 |浏览：次|评论：0条 [收藏] [评论]

宝钢转炉过程控制模型研究应用新进展

郭亚芬杜斌陈军鹏

(宝钢研究院(技术中心)上海201900)

摘要本文介绍宝钢转炉过程控制模型研发和应用。运用冶金机理、统计回归、神经元网络等多种方法，结合宝钢生产实践经验，研发了转炉脱磷／睨碳新工艺成套过程控制模型，并投入生产应用。宝钢持续优化改进、研发转炉控制模型，使控制模型适合不断变化了的炼钢生产工艺。

关键词过程控制模型转炉神经元网络

1 引言

转炉炼钢过程控制模型是全自动炼钢的关键技术，是集自动控制、冶金机理、生产工艺、数学建模、人工智能、数字仿真、计算机等多种技术于一体的高难度复杂技术。宝钢有一支技术力量长期耕耘在炼钢领域从事过程控制模型跟踪、优化、研发工作，使模型适合不断改进的生产工艺，以确保炼钢生产的产量和质量。

2003年宝钢一炼钢在国内第一个自主开发了转炉脱磷／脱碳双联法炼钢的新工艺，针对转炉脱磷／脱碳新工艺，宝钢又研发了相对应的过程控制模型，转炉脱磷／脱碳成套模型已于2004年10月投入运行，模型起到生产指导和控制作用。目前宝钢一炼钢计算机系统能同时运行常规炉、脱磷炉、脱碳炉三套过程控制模型，从而使不同生产工艺不同的控制模型能有序有效地控制炼钢生产过程。

2 炼钢模型简介

转炉炼钢是一个非常复杂的多元多相高温状态下进行的非线性的物理化学反应过程，存在很多不确定的因素，且难以获得准确连续的检测信息，因此，纯理论模型很难精确反映转炉炼钢过程。我们根据炼钢生产特点，运用冶金机理、统计回归、神经元网络、人工智能等多种方法，结合宝钢生产实践经验，研发了常规炉／脱磷炉／脱碳炉三套过程控制模型。

宝钢一、二炼钢300 t和250 t转炉，采用顶底复吹方式，由过程计算机系统进行炼钢全过程的生产指导、生产控制和生产实绩收集。过程控制模型贯穿整个转炉吹炼过程，按工艺流程主要进行转炉液面计算、副原料计算、副原料投入分配计算、副枪测定氧量计算、冷却材计算、总吹氧量计算、合金最小成本投入量计算、钢水成分预报，实时推算钢水温度和钢水碳含量等，控制吹止钢水达到钢种规定的目标温度和成分。下面介绍宝钢近几年研发和优化改进的几个主要的转炉过程控制模型。

3 炼钢模型原理

3．1智能副原料计算模型

智能副原料计算模型是在宝钢实施转炉脱磷／脱碳双联法新工艺过程中开发的。

宝钢股份是国内第一个运用“双联法”新工艺(BRP)进行转炉脱磷、脱碳炼钢的钢铁公司。双联法是采用两座转炉双联作业，一座进行铁水脱磷操作，称为脱磷炉，另一座接受来自脱磷炉的低磷半钢水进行脱碳升温操作，称为脱碳炉。这种炼钢方法可以实现少渣冶炼，有利于经济地冶炼低磷、超低磷钢及高碳钢、合金钢，能有效改善钢的质量，提高钢的纯净度和产品质量的稳定性。宝钢双联法炼钢的主原料条件：铁水比≥90％；铁水温度1330℃左右；铁水硅(Si)0．30％左右；铁水磷(P)0．085％左右，经过脱磷炉处理后，通常半钢水磷(P)达到0．02％以下。对于大多数钢种而言，由于脱碳炉也有一定的脱磷能力，所以一般不需要在脱磷炉中进行深脱磷，脱磷炉出的半钢水(P达到0．02％以下)，倒入脱碳炉进行综合脱碳、脱磷、升温，就能达到钢种规定的低磷吹止目标要求。

副原料计算模型的功能就是在转炉吹炼之前，根据铁水条件、吹止目标及造渣原理，计算转炉吹炼造渣所需要的副原料品种(主要有石灰、萤石、轻烧白云石、铁矿石等)和对应的副原料量。在实验室开展了副原料机理模型、统计模型、神经元网络智能模型的深入研究，并进行仿真测试，测试结果表明神经元网络智能模型效果最好，因而，开发了在线“神经元网络统计回归专家知识”的智能副原料计算模型，用于宝钢转炉脱磷生产指导和控制。

3．1．1 副材CaO计算

根据转炉脱磷炼钢工艺及造渣反应过程，副原料计算中最重要的是计算石灰量。转炉脱磷过程中CaO的加入量直接关系到脱磷效果，CaO在(FeO)作用下溶解于渣中，与磷的氧化物反应生成磷酸盐，而存于渣中达到脱磷目的，反应式如下：

2[P] 5／2{O2} 4(CaO)=(4CaO·P2O5)

脱磷处理过程中，铁水磷首先与吹入的氧和溶解于铁水及渣中的氧反应生成磷的氧化物，再与溶解于渣中的石灰(CaO)、萤石(CaF2)等副原料反应，生成更稳定的磷酸盐化合物存于渣中，使半钢水中磷浓度在吹止磷目标值以下。根据造渣反应机理和经验可知，副原料CaO投入量与造渣过程中的其他相关因素是非线性关系，反应过程存在很多不确定因素，纯机理模型很难精确反映这一过程。而神经网络模型作为非线性模型的推广，对不能精确描述的过程，是一种有效的数据模型。鉴于以上原因研究BP神经网络模型计算CaO。

(1)．BP神经元网络原理

在现有的神经网络中，利用反向传播(Back—Propagation)BP神经网络计算来处理误差是应用较为广泛的一种网络模型。BP网络就是一种误差反向传播的多层前馈神经网络，BP网络有多种复杂的结构，它模拟人类神经系统，从理论上讲采用三层具有S形函数神经元非线性的网络，可以以任意精度逼近任何连续函数。

(2)数据采集处理及建模

采集宝钢一炼钢转炉脱磷实绩数据，进行整理筛选，剔除无效数据记录，根据转炉吹炼经验和统计回归相关性分析得出以下量对石灰计算有较大的影响：铁水量、废钢量、铁水Si、铁水P、铁水温度、目标吹止P上限、碱度等变量作为网络的输人量，CaO作为网络的输出量。

采用S型函数f(x)=1／(1 e)为BP网络的神经元变换函数，对输入、输出值都进行归一化处理。利用宝钢自动化研究所自主研发的智能自动建模软件工具AMIT能快速有效地建立神经元网络模型和分析模型精度，并产生模型源程序。模型计算结果如下：

3．1．2其他副材计算

根据转炉脱磷造渣反应机理，通过生产实践试验，按钢种吹止磷目标上限值、停吹温度、铁水Si进行分类，收集生产实绩数据，综合运用统计分析工具，确定其他副材加入量的Pattem。

副原料计算模型的顺序：先由神经网络模型计算出总的石灰量，再根据目标吹止磷和铁水硅含量确定副材Pattem大分类和细分类，计算出其他副原料品种(萤石、铁矿石等)和投入总量，再根据炉况实际情况，利用专家知识确定模型计算的修正量。融合神经元网络、专家知识、分类统计回归开发的副原料计算模型实用可靠。

3．2脱磷炉／脱碳炉静态控制计算模型

转炉静态控制模型是根据转炉吹炼前期的铁水条件及吹止目标，计算吹氧量、冷却材量、副枪测定时的送氧量，控制转炉吹炼前期和中期过程。

转炉吹炼前期这一阶段影响吹炼效果的因素很多，操作因素比较复杂并难于估算，纯理论模型很难精确反映吹炼实际情况。因此，根据炼钢建模经验，研发的宝钢脱磷炉／脱碳炉静态控制模型是集热平衡和氧平衡机理、操作经验、参考炉数据于一体的代数增量模型。其一般关系式为

从模型计算式可知，模型计算结果与参考炉次关系密切，参考炉次的选取是模型自适应的关键。

静态控制模型中的参考炉次按照以下原则定义：根据钢种划分N个静态学习组(脱碳炉学习组：20个；脱磷炉学习组：20个)，每一个学习组取前炉次作为参考炉，参考炉次必须是正常操作下碳、磷、温度命中目标的炉次，每一炉次吹炼处理终了时，对满足参考炉条件的炉次进行模型学习计算，用最新的参考炉次数据更新最老的参考炉次，组成某个静态学习组中的n个参考炉次，这样可使参考炉次更接近当前的实际情况，从而增强模型的自适应能力。

目前脱磷炉／脱碳炉静态控制计算模型已投入在线运行，模型实用可靠，满足生产控制要求。

3．3转炉动态模型

在转炉吹炼后期，转炉动态模型根据转炉总装入量、吹炼过程中副枪测定的温度和结晶碳浓度等信息计算出达到吹止钢水目标温度和目标碳浓度所需追加的吹氧量及冷却材投入量，并预报吹炼终点碳温信息。宝钢的转炉动态模型经过了引进、消耗吸收、优化改进到技术创新的历程。

(1)引进的转炉代数学动态模型碳浓度计算公式和钢水温度计算公式如下：

该模型在实际应用过程中存在几个问题：其一模型在线运行时，参数自学习调整经常出现发散的情况，致使模型维护人员不得不重新恢复初始参数，这样参数自学习模型的意义就不大了。其二原模型只能适应两种冷却材中选一种的工艺状况，目前宝钢已使用多达三种以上的冷却材。原模型精度得不到保证，碳温命中率不高。

(2)基于专家知识的神经元网络转炉动态模型。我们针对转炉代数学动态模型存在的问题进行深入分析研究，尝试用回归分析法，改进模型结构优化模型参数，以提高模型的精度，但是结果并不理想。又尝试用各种单纯的神经元网络建立转炉动态模型，但由于系统存在噪声，仿真测试模型精度有所提高(模型精度在80％左右)，但是还不能达到转炉全自动吹炼控制要求。于是从转炉炼钢的特性考虑，研发“神经元网络专家知识库”的转炉动态模型，取得了很好的效果，为宝钢二炼钢全自动炼钢达到90％奠定了基础。

专家知识在建模过程中的作用：确定输入输出变量的范围、确定预报模型的输入和输出变量、确定有关规则。

(3)复合转炉动态模型。基于专家知识的神经元网络模型相对于代数学模型而言具有转炉吹止碳、温命中率高的优势。但神经元网络模型也同时具有局限性，例如需要积累一定量的历史数据进行网络训练。相比之下代数学经验模型若要大幅提高转炉吹止碳、温命中率有相当的难度，但却具有不需要积累历史数据、动态实时计算较方便、结构简单、容易理解等优点。转炉复合动态模型将以上两种类型的模型有机地结合在一起，使两种类型模型的优势在不同的生产状况得到充分的利用。

首先针对代数学经验模型转炉吹止碳、温命中率不高和参数自学习会出现参数发散等有关问题，开发了交互式参数优化子系统。系统按照设定的炉号、钢种组码、复吹状况及碳温各项指标的合理上下限等限制从设定的钢号开始向前追溯历史数据，并对所收集到数据进行分析处理和计算，从而给出指定炉号、指定钢种组码和指定复吹状况的代数学经验碳温模型的优化参数。优化后的代数学经验模型较优化前转炉吹止碳、温命中率都有所提高，并且良好地解决了参数发散等相关问题。

转炉复合动态模型将基于专家知识的神经元网络模型和优化代数学经验模型有机复合，既拥有高精度同时又适用于有副枪转炉自投产初期开始到稳定生产的各个阶段。目前宝钢一炼钢双联法新工艺中的脱碳炉就应用该复合动态模型进行吹止控制，模型精度达到控制要求。有副枪转炉复合动态模型在模型结构上更加完善，在模型精度上更高，在工艺适应性上更强，复合动态模型的投运已成为宝钢全自动炼钢推进的有力保证。

4 结束语

在现代企业中提高企业的竞争力就是要提高产品实物质量和产量，其关键核心技术之一就是过程控制模型，过程控制模型已成为现代企业自动化控制的一个重要标志。过程控制模型凝聚了工艺、设备、自动控制、人工智能等领域的大量的技术诀窍，过程控制模型建立、应用、优化、持续维护改进是现代企业长期而艰巨的工作。

参考文献