LF精煉智能控制技術分析和展望

李長新，楊 恒，孟慶余，田 坤，張學民

（1山東鋼鐵集團有限公司研究院，山東 濟南250100；2羅克韋爾自動化（中國）有限公司，山東 濟南250100；3山東鋼鐵集團日照有限公司信息計量部，山東 日照276800）

1 前 言

自1971年日本大同特鋼公司成功開發LF精煉爐以來，因其電弧加熱效率高、溫度控制精準、投資少、成本低、鋼種適應面廣、脫硫及去除夾雜能力強等特點，使其在冶金行業得到普遍推廣和應用。尤其在轉爐冶煉效率不斷提高、連鑄比大幅提升的情況下，精煉不僅局限于鋼水的二次精煉，也為轉爐（電爐）-連鑄工序的高效銜接提供保障。而LF精煉實現智能控制不僅使其與轉爐、連鑄等前后道工序協同融合，更為高品質鋼種的冶煉提供均質、標準的工藝模式。

2 LF精煉爐智能控制概述

LF鋼包精煉爐的控制系統主要經歷模擬控制、常規數字控制和智能控制幾個階段。隨著近年來智能控制技術和計算機技術的長足進步，大規模采用智能控制技術是LF發展的重要方向，而目前LF精煉工藝過程控制主要體現在溫度預報、成分預測、底吹控制、電極自動控制等單系統應用，此類模型主要基于機理分析和模式識別的建模方法進行建模運行［1］。多模型集成也是基于時序演變而簡單組合，沒有真正形成全要素協同融合。

2.1 溫度預報模型

該模型以鋼水、包壁為研究體系，根據能量平衡的規律找出影響鋼水溫度變化的重要因素。其中電弧加熱是鋼水升溫的重要因素，包壁的傳熱有側壁傳熱和包底傳熱兩種，分別采用圓柱坐標和直角坐標下的一位非穩態導熱微分方程加以分析。此外影響鋼水溫度的因素還有吹Ar的熱損失、渣面的熱損失、合金溶解熱、合金氧化放熱、渣料熔化升溫熱、合金熔化升溫熱。結合以上影響溫度的因素加以分析，建立了鋼水溫度預報模型。可推出LF中的溫度模型：

式中：Tlf為模型中LF溫度，℃；Tst為原始鋼水溫度，℃；Xse為電能加熱狀態；Xin為包襯吸熱狀態；Xr為熔池表面熱損；Xg為氬氣產生的熱損狀態；Xy為煙塵、煙氣帶走的熱量狀態；Xh為合金及渣料熔池內反應。

上式中除Tlf為實際獲得數據外，其他數據均通過工藝經驗分析所得。因此，該預報模型在LF精煉溫度控制和預報過程中存在很大的不確定性。根據某鋼廠應用情況其預報準確率不到80%，對具體生產工藝實質性指導意義不強。

2.2 LF精煉成分預測模型

LF精煉過程中，需要向鋼水中投入一些合金以調整其成分，保證出鋼成分達到產品規定的目標要求。成分預報模型就是根據當前的鋼水成分與實際投入的合金量，預報添加合金后鋼水成分的變化。確定其計算公式如下：

式中：Walloy為含有某種元素i的合金加入量，kg；［i］aim、［i］old分別為元素 i的目標成分和初始成分，%；αf為合金中i元素的含量，%；f為i元素的平均收得率。

上式計算為合金收得率的值，該值主要與鋼水溶解氧含量、頂渣氧化性、合金粒度及合金元素與氧親和力等因素有關，而此類影響因素無法直接量化應用，故利用歸集修正的方式建立合金成分預測模型。模型中主要采取自學習的方式獲得其數值，即在實際生產數據庫中選取與當前爐次鋼種相同、時間間隔最短及生產條件相近的若干爐次鋼水的合金元素收得率平均值作為本爐次合金元素收得率的預報值。精煉后，將本爐鋼水信息存入數據庫中，作為以后的待選參考信息，完成模型的自學習。

該模型隨著模型訓練的累計其預測結果亦將不斷提高，但該模型始終為靜態模型，存在兩方面的不足：一是結果的優化始終處于單項非閉環過程；二是成分預測僅停留在預測而無法對其合金化過程進行先行干預，沒有與LF精煉工藝控制形成系統關聯。

2.3 底吹氬控制模型［3］

氬氣作為一種惰性氣體，不與鋼液中的其它成分發生化學反應。而且，在生產煉鋼所需要的氧氣時會產生一定量的氬氣，使獲取氬氣的成本較低。因此在底吹技術中大多選氬氣作為理想的氣體進行攪拌。在煉鋼時，將按設定流量的氬氣通過安裝在鋼包底部的透氣磚吹入鋼包，進入鋼包后形成了大量的氬氣小氣泡。這些小氣泡對于鋼液中的N、H、O等氣體來說，就相當于一個個小的真空室，在真空室內N、H、O等的分壓力約為零，這樣壓力較大的N、H、O等氣體向壓力較小的真空室內擴散。由于氣體不斷受熱上浮，真空室內的有害氣體的分壓力會逐漸增加，但氬氣小氣泡在受熱上浮時會膨脹，這樣有害氣體的分壓力仍較小，因此真空室外的有害氣體可以繼續向真空室擴散。最后有害氣體隨著氬氣泡上浮溢出鋼液液面，達到了去除鋼液有害氣體的目的。由于氣泡上浮的抽引作用，鋼包內形成環流，加速傳質傳熱，提供了夾雜顆粒碰撞的機會，有利于夾雜物的排除。精煉爐底吹氬要根據所需要的鋼種、鋼液狀態和精煉目的，選擇恰當的氣體參數，如選擇合適的氬氣壓力、流量值和吹氬時間，不同的精煉階段要吹入不同流量值的氬氣。

鋼液的混勻時間與攪拌能的定量關系如下：

式中：D為熔池深度，m；H為熔池度；γ為動力粘度，N·s/m2；σ為表面張力，mN/m；ρ為鋼液密度，kg/m3；η為粘度，1mPa·s；a=0.018 9，b=1.616，c=0.3，ε為氣體攪拌能。

式中：Q為氣體流量，m3/h；Ts為鋼水溫度，℃；Ws為鋼水重量，t；h0為氣體吹入速度，m/s。

據上述計算模型中熔池均勻混勻時間與熔池尺寸、熔體物性、吹氣量、吹入深度等多種因素有關。該模型基于機理分析建模，模型建立過程計算量大、過于復雜，不具有廣泛應用性，無法將合金均勻化、溫度控制進行關聯控制。

2.4 電極自動控制模型

基于能量守恒原理的模型建立方法，計算出爐內加熱獲得的熱量和爐內損失用掉的熱量，在熱量與電流之間建立起一個對應的函數關系，可以直觀的利用爐內溫度的變化情況有針對性地調節電極，實現提高生產效率、降低能源消耗等目標。電極自動調控系統模型控制說明如圖1所示。

圖1 電極自動調控系統

在執行該模型過程中因對鋼水溫度實時獲取困難，電極埋弧情況、系統諧變以及熱量損失的不確定性均使得電極自動調節控制難以按實際需求執行，給精煉溫度精準控制帶來極大影響。

3 LF精煉智能控制現狀

3.1 國外研究應用情況

20世紀70年代末至80年代中期，隨著計算機技術的發展，可編程控制器（PLC）被應用于工業生產過程中，精煉過程的自動化水平得到了進一步提高。80年代中期至今，隨著電弧爐底吹技術的發展，二次精煉自動化系統已有巨大進步。其中，具有代表性的研發系統和技術是Radex公司（奧地利）的DPP系統和川崎耐材有限公司（日本）的EF．KGC系統。進入21世紀，韓國浦項對AOD精煉爐進行智能控制，該控制結合不同時間段的功能要求，在擬定程序提示下由人工進行相應的工藝操作；瑞典鋼廠采用達涅利技術開發出一套新的二級控制系統，實現整個精煉過程的連續控制和過程最優化，該系統從動態分析鋼樣化學成分來實現精煉控制，無法體現全體系集成；日本JFE提出了一種新的基于準時制鋼材質量設計系統，研究主要集中在如何利用局部加權回歸方法來確定目標質量的最佳制造條件，這是一種純時間建模。

3.2 國內研究應用情況

近些年，國內在智能精煉方面做了一些積極的研究，主要是依托高校和科研院所進行基礎研究，跟生產廠進行合作共同開發。但國內還沒一家企業能完全實現智能化精煉，有少數廠家進行了個別模型的開發應用，但都不系統、未集成，終點預報準確性不高。

1997—2003年，寶鋼與東北大學合作開發LF終點成分及溫度預報模型、LF脫氧合金化模型項目，開發的LF爐過程控制模型于2005年6月在寶鋼300 t LF爐上投入應用，但沒有開發底吹氬模型，且各子模型離散化不集成；2012年東北大學以135 t LF精煉爐為研究對象，研究了LF精煉渣硫容量計算模型，重點研究和開發了LF精煉過程鋼水脫硫在線預報模型，進行了現場調試、驗證；2017年梅鋼在精煉工序開展合金模型的研究和應用，對降低合金總成本、提高鋼水成分控制精度發揮了重要的作用，也是單一模型控制，終點預報成功率80%左右。

3.3 存在問題

在整個煉鋼工藝系統，轉爐及連鑄工序控制高度自動化，甚至已實現“一鍵煉鋼”或“一鍵澆注”，為工序降低成本、質量穩定控制等提供了有效支撐。LF精煉智能控制無法有效協同集成的原因有：

1）LF精煉作為中間工序，因其是一個多變量、非線性、強耦合、時變、工作環境惡劣及隨機干擾性強的更為開放的系統，模型控制難度增加［3］；2）LF精煉渣系豐富多元、各鋼企生產組織多變、過程直接檢測手段有限等使得LF精煉控制模型很難達到統一；3）國內LF爐大多是引進設備，外方考慮到技術保密性，很多算法和程序都是“黑箱加密”的，這樣就造成了投資較高，系統不開放，設備發生故障時不好維護，也無法根據實際實現二次優化開發，使得現LF精煉控制單系統或單項技術應用相對較多，多元系統優化集成后的智能化精煉控制很少見。

4 展望分析

前述LF精煉控制模型，以機理建模或通過對采集的常規工業數據進行模式識別處理。而精煉單元銜接上下工序受外部條件影響大，如進站條件、鋼包運行狀態、生產節奏、設備狀態等。LF精煉鋼種系列化多樣化導致終點輸出分布離散化，再考慮到檢測手段有限、電極控制反饋遲滯等因素，使LF精煉模型控制偏差較大，模型協同控制疊加誤差更大，以致各工藝參數控制模型也無法高效協同，進而不能達成系統化智能解決方案。

4.1 新技術的成熟應用［4］

新技術包括爐氣連續測溫、泡沫渣檢測與控制技術以及電極自動調節技術等，為模型控制過程實時修正并為模型的二次開發完善提供了有效的實時檢測及控制基礎。同時，隨著LF精煉各模型逐步向協同集成方向發展，也為進一步有效精準控制LF工序提供了實踐基礎。

4.1.1 非接觸式測溫技術

鋼液溫度的實時準確監測能夠對精煉造渣、優化供電等相關工藝的優化操作起指導性作用。鑒于精煉過程高溫惡劣的冶煉環境，一直以來難以實現對鋼液溫度的連續性監測。隨著科學技術的發展，國內外研究人員開發了一系列爐內溫度檢測技術。通過安裝在爐蓋的非接觸測溫裝置，利用多元測溫氣體噴吹獲取鋼液溫度特征信號建立的鋼液溫度信號處理模型，可實現熔池溫度實時監測。

4.1.2 電極自動調節技術

供電操作是精煉過程的主要環節之一，同時，優化供電的關鍵在于電極的自動調節。為改善電極調節的響應速度和控制精度，確保精煉爐三相電流的平衡及電極連續穩定的調節，需要不斷改進精煉爐電極調節系統，從而實現節能降耗、提高產量和質量的目標。

4.1.3 各模型控制的協同集成

將加料模型、通電模型、底吹氬模型、成分控制模型各子模型關聯性分析，建立以溫度、成分、爐渣特性三者統一的控制模型，實現精煉操作全程智能控制，如圖2所示。

圖2 LF模型集成控制示意圖

4.2 大數據技術

上述新技術和各模型的實踐應用，為單獨系統或工藝模型控制提供了有效基礎支持和實踐探索，但LF精煉過程中因其環境惡劣、影響因素多變等使得新技術檢測及模型控制精度又出現一定誤差，給控制模型修正和實時指導帶來一定困擾；基于LF精煉系統如前文所述多變量、非線性、強耦合、時變、工作環境惡劣及隨機干擾性強的更為開放的系統，各類控制模型沒有實現真正意義上的協同融合。

如圖3所示，利用大數據技術可實現以下目標：1）對歷史數據進行歸類分析，為現行工藝曲線執行及控制模型提供參考；2）利用大數據修訂優化檢測或控制系統因環境、時滯等造成數據失真；3）通過修正過程控制數據為各類控制模型自學習提供可靠的比較數據；4）大數據技術實現LF精煉控制過程成本、質量的回歸分析，并生成工藝優化曲線，為各類模型控制提供參考，實現單項系統或離散控制的協同融合；5）大數據技術在不斷優化過程中以質量達標、成本最低為基準獲得不同類別鋼種工藝控制曲線，并伴隨著大數據的不斷累計和處理，工藝控制曲線始終處于不斷優化完善中，力求達到工序銜接和控制最優狀態。

圖3 LF精煉智能架構示意圖

通過大數據技術實現LF精煉基礎檢測、模型控制、過程優化等高效協同，如圖4所示，進而克服LF精煉在智能控制領域自身存在的先天不足。

圖4 LF精煉智能控制促進設想

5 結語

伴隨著傳統行業的轉型升級，LF精煉必將實現針對不同鋼種特點，制定最佳的標準化工藝路線，進行過程智能化控制；向多功能方向發展，增加精煉功能的智能控制技術，提高精煉冶金效果；環境友好型精煉技術，確保過程精準控制，減少環境污染和廢氣排放。LF精煉爐內實時檢測技術的不斷成熟和應用、基于各類模型的集成實踐應用以及大數據技術的成功運用，為實現前述目標，各類模型不斷優化集成，實現真正意義上的智能精煉，奠定了良好的基礎。