转炉炼钢终点碳温预报与控制关键技术研究

【摘要】：转炉炼钢在钢铁工业中占有重要地位,其生产过程的主要任务是冶炼出成分和温度均合格的钢水。由于在目前技术条件下,钢水成分和温度的检测不能连续进行,且影响因素较多,冶炼过程控制的边界条件变化频繁,这些因素给冶炼过程中钢水成份和温度的准确控制带来了极大的困难。目前我国多数中小转炉对转炉炼钢的终点控制还处于手动操作状态,工人凭借经验进行操作,具有很大的不确定性。在实际生产过程中,由于难以对终点碳温进行准确控制,经常出现“返工”现象,给企业带来了极大的经济损失。因而,提高转炉炼钢终点控制水平具有重要意义。对转炉炼钢终点进行准确预报,用优化的炼钢工艺参数进行控制是合理组织生产、提高钢水质量和降低冶炼成本的重要前提。理论模型和神经网络在转炉炼钢终点控制领域各具有自己的优势,因此研究理论模型+神经网络的转炉炼钢模型是一个值得探索的方向。 本文首先根据热平衡和物料平衡理论建立物料配给模型,此模型可由炼钢专家进行设定,以便从配料阶段提高模型的准确性。铁水、废钢、辅料等各种物质加入转炉,冶炼结束后将产生钢水、炉渣等物质,加入转炉物质与出炉物质之间将保持物质守恒定律,冶炼前的总热量与结束冶炼时的总热量也是一种平衡关系。 人工智能技术的发展为转炉炼钢终点控制提供了新的思路。本文将对经典的基于K均值聚类算法的RBF神经网络做深入研究并进行改进。基于K均值聚类算法的RBF神经网络是现在应用最多的神经网络,具有结构简单、易于实现、学习能力强等优点。但其也存在K均值聚类算法的固有特性：K值需用户设定和初始聚类中心不确定。本文研究了隐藏层节点数对神经网络学习能力的影响,并对隐藏层基函数中心选取不当所带来的RBF神经网络性能问题进行了改进。改进后的神经网络学习能力更强,预测精度更高,且避免了由于初始聚类中心的不确定所带来的RBF神经网络性能不稳定的问题。然后,利用改进的RBF神经网络对终点碳温进行了预测。 在预报模型的基础上,本文尝试将遗传算法与RBF神经网络结合对终点碳温进行控制。在转炉炼钢中,吹氧量和废钢加入量是对终点碳温影响最大的两个因素,对这两个量进行调整将给终点带来重要影响。本文采用遗传算法,以预测碳温值与设定碳温值之间的距离最小为优化目标,神经网络预测函数作为遗传算法的适应度函数,对吹氧量和废钢加入量进行寻优。结果表明,该技术可实现对终点的有效控制。 本文最后对所做工作进行了总结,并对下一阶段的工作进行了展望。