LF精煉爐溫度預報模型開發與實踐

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智能化的推進，許多研究工作者開展了鋼鐵企業如燒結、高爐、轉爐、精煉等各工藝環節的智能化模型開發，而LF精煉爐作為鋼鐵企業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。經過對國內外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律將冶煉過程中影響溫度的各個因素換算成數學模型，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神經網絡算法或者多元回歸分析對已有生產數據進行分析和訓練，得到相關溫度計算模型，相當于從“結果”到“結果”，其生產數據準確性、訓練數據數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、底吹等的機理數學模型，然后利用神經網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。

通過調研國內部分企業在LF溫度預報模型開發方面的工作發現，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 神經網絡算法應用在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?；谏鲜鲈?，本項目在已有的機理模型及BP 神經網絡算法的基礎上，增加鋼包管理系統、合金氧化預報模型與實際生產數據記錄與回歸等方法，進一步完善和穩定LF 溫度預報模型。同時，為了更好地銜接LF 冶煉前后工序、減少測溫次數以及指導電極供電，本模型實現了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

本模型開發工作在100 t LF 精煉爐上進行，其生產產品主要為SWRH82B盤條，生產工藝流程為：100 t 電爐→100 t LF 精煉爐→連鑄140 mm×140 mm→高線軋制。根據生產冶煉過程，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神經網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LF生產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 為神經網絡模型拓撲結構，包括輸入層、隱層和輸出層。BP神經網絡原理是以需要評價的影響因素為起點進入神經網絡循環模式預測評價目標溫度，得到結果后將誤差值逆向傳遞，調節權值和閾值［12-13］，實現影響溫度的因素和溫度的關系。本模型以實際生產過程中影響LF冶煉過程中各因素為輸入參數，以相應實際生產爐次的LF 精煉溫度為輸出數據，通過不斷訓練已有數據預測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神經網絡

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”現象，從而在生產初期需要提高鋼包底吹強度以及延長供電時間，避免后續冶煉過程中存在的“假溫度”對生產造成的影響。

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數據庫，冶煉過程中加入的渣料與合金，依據數據庫中的溫降系數計算溫降，由于渣料與合金的溫降系數比較穩定，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現，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。鋼包的狀態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，通過記錄鋼包的狀態建立了不同鋼包狀態下的溫降相關數據。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，對鋼包的散熱參數進行了相應的調整。

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是對連續一個月生產的708爐記錄數據，統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 ℃范圍內溫度占比為99.3%，±5 ℃爐數為651 爐，±5 ℃占比為91.95%。同時對溫度不在±5℃范圍內的57爐次進行分析，其中19爐是發生在澆注前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生產的1 000 爐生產SWRH82B鋼的電耗進行了統計和計算。

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，以電爐年產鋼量100 萬t 計算，每年降低生產成本約530萬元。

4 結論

4.1 將機理模型和BP神經網絡算法模型相結合可以實現較為準確的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，同時可以有效避免鋼水溫度過高的現象，從而降低噸鋼電耗量，有效降低生產成本。