基于神经网络的铁水预处理脱硫预报模型

【摘要】：硫是绝大多数钢中的有害元素,国内外钢铁厂主要采用铁水预处理工艺处理铁水,降低铁水中硫元素的含量,提高钢材质量和钢的纯净度。但是目前国内外大部分钢铁厂铁水预处理工序仍处于人工控制阶段,生产效率低。为此,国内外不少学者针对不同钢铁厂的铁水脱硫生产过程,进行了大量的脱硫预报模型的研究工作,但是这些模型都是以各自钢铁厂的实际条件为基础建立的,对于攀钢现行生产条件并不适用。 本文以攀钢使用镁复合脱硫剂和复合脱硫剂进行铁水脱硫的过程为研究对象,针对攀钢提钒炼钢厂铁水预处理脱硫过程的原料、设备等具体条件,通过对国内外铁水预脱硫预报模型建模方法的分析与比较,采用神经网络建立了脱硫剂用量预报模型。利用攀钢I、II、V部脱硫生产历史数据,对所建立的脱硫剂用量预报模型进行了离线测试。测试结果表明:模型预报脱硫剂加入量与实际值的相对误差不超过7%,模型能够比较准确地预报脱硫剂的加入量。 在实际生产过程中,脱硫过程的工艺条件并非稳定不变,考虑到工艺突变的可能性,仅仅建立脱硫剂用量预报模型是不够的。本文利用一种简单的数学算法建立了反馈补偿模型,快速地调整脱硫剂用量,以适应短期内生产工艺的改变;建立了在线学习模型,利用新的脱硫生产数据对模型参数进行更新,以从根本上提高模型的精度;同时,结合攀钢铁水脱硫实际生产条件建立了喷吹控制参数计算模型,为攀钢脱硫喷吹控制系统提供喷吹参数的合理控制范围。 为了检验所建模型的应用效果,在攀钢脱硫生产现场进行了现场试验,试验结果表明:应用模型的炉次,按模型预报的脱硫剂加入量进行加料生产,脱硫后铁水[S]含量基本达到了目标[S]的要求,该模型能为攀钢脱硫加料控制系统提供关键参数;与模型应用前的原现场操作相比,模型应用后脱硫剂用量减少50～150kg/炉、脱硫喷吹时间缩短2～3min/炉,这不仅为脱硫自动化创造了条件,也有利于提高脱硫生产效率及降低脱硫成本。