LF精煉爐溫度預測的研究和應用

孫小強

摘 要：鋼水溫度是精煉生產過程中的重要控制指標，本文建立了一種LF精煉爐溫度預測方法，采用BP神經網絡與修正方法相結合的方式，從能量輸入和輸出平衡的角度出發，應用BP神經網絡對溫度變化進行初步預報，再根據現場工藝經驗知識對一些特殊情況進行處理，對神經網絡的輸出結果進行修正。與其他預測方法相比較，鋼水溫度預測的準確性得到了較大提高。

關鍵詞：LF爐；溫度預測；BP神經網絡

中圖分類號：TF769 文獻標識碼：A 文章編號：1671-2064（2017）14-0062-01

1 溫度預測模型開發應用背景

LF精煉爐是煉鋼生產的主要工序，生產中鋼水溫度控制、合金加入、底吹氬氣控制的精度和準確性，直接影響鋼水的質量和工序的順行?，F有的LF爐冶煉過程控制基本靠崗位工的經驗。為了滿足煉鋼生產需要，提高自動化水平，減少人為因素造成的工藝設備事故，提高鋼水成分的控制精度，提高產品質量，就要對LF爐的生產過程進行全自動控制，實現“一鍵精煉”。

針對LF爐精煉環節鋼水溫度檢測，國內國外這方面的探究非常多，其中包含從LF爐能量守恒的視角，探究對熱效應有作用的因子以及提升熱效率的方法[1]；也有經過LF爐溫度情況的探究，獲得鋼包在不一樣的情況下，鋼水溫度下降速度、鋼水浸泡時間和鋼水溫度回歸聯系[2]；還有探討了不相同鋼包熱情況和預熱體制下的鋼包吸熱狀況，得到溫度提升速率[3]；還有借助于LF爐全面熱守恒的方式對鋼水溫度預測模型探討等等。

本次研究將承鋼150噸的2座LF精煉爐確定成分析對象，基于BP神經網絡搭配一個修正模型的方式構建出150噸LF爐精煉系統溫度預測模型，以實現準確的溫度預測。

2 模型設計思路和功能實現

2.1 建模對象的確定

由于溫度預測主要是針對鋼包內鋼水溫度進行，LF爐精煉時所有物料的加入，以及電極加熱，都是針對鋼包內的鋼水來操作，我們以鋼包內鋼水的溫度變化為研究對象來建立溫度預測模型。

2.2 溫度預測方案

LF爐精煉過程異常繁瑣，如果僅通過BP神經網絡進行處理，無法完成鋼水溫度的有效預報。若想讓現場與工藝技術兩種信息的價值得到體現，本文將BP神經網絡一個修正模型搭配在一起，共同進行處理。

首先利用神經網絡為溫度變化量進行預測，然后通過一個修正模型對BP神經網絡中輸出溫度變化量 進行修正，從而得到一個修正后的的溫度預估值，將修正溫度加上進站測量溫度，就得到當前的溫度預測值T。圖1描述了鋼水溫度預估模型的邏輯結構。

2.3 BP神經元網絡輸入量的確定

經熱平衡研究，明確了精煉期間的傳熱行為與鋼水溫度的動態表現，以此為前提，分析模型所需要的輸入量：

（1）加熱功率：LF精煉爐是通過三相電極進行加熱的，電極通電加熱是精煉爐內鋼水升溫的主要來源。此項可以由變壓器功率表直接測得。

（2）初始溫度：一般將實際測量的溫度作為初始溫度，可以采集現場測溫表數據，當轉爐出鋼測溫，或者在LF爐進站測溫時，記錄溫度值，也是溫度預報必不可少的初始溫度。

（3）氬氣量：通過氬氣處理能夠使爐內鋼水溫度處于均衡狀態，確保鋼水與后期補充的合金發生徹底的化學反應，而且能夠使鋼液內雜質達到渣層發生化學反應，實現成分的調整。然而，過多氬氣則會造成熱量損失，特別是旁吹、強吹氬的過程匯總，LF爐鋼水溫度出現劇烈變化，所以此項也需要進行考慮，吹氬量可以通過現場氬氣流量監測采集。

（4）鋼包冷卻時間：停止加熱的時間，這時溫度將會隨著時間的變化而降低。分為鋼包等待處理時間，和鋼包處理時間兩部分，區別在于鋼包加蓋保溫，渣層厚度等因素的不同，造成散熱速度不同。此項通過初始溫度測量時刻，以及精煉處理時間來確定。

（5）鋼水自重：不同爐鋼包內鋼水自重始終有著區別，這也會使爐溫發生相應的變化，對預測結果也會造成影響，所以也要考慮進來。此項可以通過天車稱重來采集。

（6）渣層厚：渣層能夠避免鋼液溫度大量擴散，可以使鋼液、合金之間的化學反應更徹底。由于渣層厚度現場無法準確測量，可以利用崗位工人工確認手動錄入的方式來采集，也可以根據鋼包在連鑄下線后的渣余量來替代。

（7）加入的合金和渣料：加入合金和渣料會造成溫度的變化，加入量可以通過現場料倉稱重數據獲得。

（8）其他因素：鋼包周轉次數對散熱的影響，由于季節原因，造成的環境溫度差異，以及鋼包是否加蓋，加熱過程中是否出現埋弧不好，底吹氬氣是否出現大流量翻攪等情況，都有可能能造成鋼包散熱速度的差異，可以將這些因素量化，然后通過修正模型來進行處理。

通過對LF爐精煉過程中能量收支情況的探索，明確了精煉期間的傳熱行為與鋼水溫度的動態表現，以此為前提，將8個要素定義成BP神經網絡的輸入量：鋼包等待時間，電極化渣功率，電極加熱功率，鋼水重量，吹氬量，旁吹時長，合金加入量，渣料加入量。

2.4 修正模型的建立

LF爐精煉時流程較為繁瑣，如果僅通過BP神經網絡進行處理，無法完成鋼水溫度的有效預報。若想讓現場與工藝技術兩種信息的價值得到體現，本文利用一個修正模型對BP網絡的輸出進行修正，最終得到準確的預測結果。

鋼包的狀態，冷包，熱包等狀態，吹氬過程中的旁吹，電極加熱時，埋弧的好壞，電流是否平穩，等情況與鋼液溫度之間均存在著直接的關系，所以，全部借助修正模型給予有效分析與修正。

3 模型的實現和應用

實際應用中，采用高級語言來實現模型的現場應用。模型計算軟件采用C#.NET編程，具有良好的人機交互界面，采用SQL數據庫對所需的各種數據進行存儲，與L3系統和檢化驗系統進行接口，能接受L3系統計劃數據和檢化驗數據，實現爐次數據自動匹配；中間計算過程參數可根據需要自由調整。以達到較好的計算效果；程序具備自學習功能，可以利用已有的生產數據，自動優化計算模型。

抽取實際生產數據對模型進行驗證，可以看出模型在估測終點溫度時，所得結果精度合理，實際誤差處于±10℃以下的數據為85%，±15℃以內的數據達到90%。而其中誤差明顯的爐次主要受到現場其他要素的影響，比如，人為因素帶來的影響以及升溫期間的效率問題等?；诂F場環境進行評估，模型基本符合生產標準，可以在精煉階段提供合理的技術支持。

4 結語

自模型上線以來，通過對現場模型的跟蹤情況可知，預報不準確的因素為現場技術環境給模型造成的影響。不難發現，若想保證模型精度，需要確保工作人員按照標準流程進行作業，同時需要利用更加先進的輔助技術協調完成，所以，后期需要對模型精度作進一步調整與優化。

參考文獻

[1]Hoppmann W，Fett FN.Energy Balance of a Ladle Furnace[J].MPT，1989，（3）：38-42.

[2]劉曉，顧文斌，王洪兵，等.LF爐的溫度行為[J].寶鋼技術，1998，（3）：13-17.

[3]賀友多.傳輸過程數值方法[M].北京：冶金工業出版社，1991：333-352.