一种精炼炉的温度控制装置及控制方法制造方法及图纸

本发明专利技术为一种钢精炼炉的温度控制装置，精炼炉的温度控制装置包括神经网络模型和专家系统模型，神经网络模型的输入量包括测温时间、测温间隔、通电时间、有功功率、造渣量、吹氩量、合金重量及碳粉量；神经网络模型的输出量第一温度变化量；专家系统模型的输入量为二次电流设定点、钢包烘烤程度、钢包新旧、当前神经网络预报的温度、冶炼时间、连续热停时间；专家系统模型的输出量为第二温度变化量。该装置可实现高精度和高实用性，实现实时、准确的钢液温度预报。

A Temperature Control Device and Control Method for Refining Furnace

The present invention is a temperature control device for steel refining furnace. The temperature control device for refining furnace includes a neural network model and an expert system model. The input of the neural network model includes temperature measurement time, temperature measurement interval, electrification time, active power, slagging volume, argon blowing volume, alloy weight and carbon powder volume, and the output of the neural network model is the first temperature change amount. The input of the model is the setting point of secondary current, the degree of ladle baking, the old and new ladles, the temperature predicted by the current neural network, the smelting time and the continuous hot shutdown time, and the output of the expert system model is the second temperature change. The device can achieve high precision and high practicability, real-time and accurate temperature prediction of molten steel.

【技术实现步骤摘要】
一种精炼炉的温度控制装置及控制方法
本专利技术涉及工业控制，特别是涉及一种精炼炉的温度控制装置及控制方法。
技术介绍
钢包精炼炉需要准确的温度调节，需要在钢包炉出钢时保证一定的出钢温度。温度太高，会导致电能浪费；温度太低，难以实现连铸开浇难以得到保证。在实际操作中，工人通过一次性消耗式热电偶实现测温，根据测温值和冶炼剩余时间，调整设定输入功率。而这种传统的测温方式十分费时，且频繁测温会延长热停时间。因此，测温操作一般仅在取样期间和出钢前测温，而钢包内钢液温度是分布不均匀的，并且温度测量容易受到人工的操作习惯的影响，使得测温结果存在较大的误差。这会导致冶炼期间无法实时地了解钢液的温度值，工人操作具有盲目性，难以合理有效地操作，甚至导致误操作。例如，当测温值偏低时，错误地采用大功率加热，造成电能的浪费，出钢温度过高。现有技术中也有基于统计分析方法，通过大量数据找到预报量与各种过程变量的关系，来计算当前的工作温度。然而，这种方法只能反映线性关系，并且钢液温度与电量、合金料、时间等因素间的关系错综复杂，需要根据现场具体条件调整计算所需要的大量的参数。
技术实现思路
为解决上述问题，本专利技术旨在提供一种精炼炉的温度控制装置及控制方法，该装置可实现高精度和高实用性，实现实时、准确的钢液温度预报。本专利技术的精炼炉的温度控制装置的具体方案为，包括神经网络模型和专家系统模型，神经网络模型的输入量包括测温时间、测温间隔、通电时间、有功功率、造渣量、吹氩量、合金重量及碳粉量；神经网络模型的输出量第一温度变化量；专家系统模型的输入量为二次电流设定点、钢包烘烤程度、钢包新旧、当前神经网络预报的温度、冶炼时间、连续热停时间；专家系统模型的输出量为第二温度变化量。进一步地，所述造渣量为计算CaO及CaF2加入的重量WCaO+WCaF2；所述合金重量为WFeMnSi+WFeSi。进一步地，神经网络模型根据所述输入变量建立网络拓扑结构，网络输入量为8，以第一温度变化量为输出值建立网络，隐层单元数设定为5。进一步地，专家系统模型的升温规则根据钢包烘烤程度和钢液温度预报值来确定；第一阶段为缓慢升温阶段，每分钟的升温速度在1.0～1.5℃左右；第二阶段为小幅升温期，每分钟的升温速度可达1.5～3.0℃；第三阶段为快速升温阶段，每分钟的升温速度可达3.0～4.5℃。进一步地，专家系统模型的根据连续热停时间、钢包烘烤程度采用一递减曲线拟合。进一步地，神经元网络模型接受相应神经网络模型的输入，根据函数设定，产生输出量第一温度变化量；基于第一温度变化量和模型上一次温度预报值，可计算出当前时刻的第一温度预报值。进一步地，专家系统模型接受专家系统输入量，根据专家系统规则产生输出量第二温度变化量；基于第一温度变化量和第一温度预报值，计算出精炼炉的温度控制装置的当前温度预报值。本专利技术还提供利用上述一种精炼炉的温度控制装置进行温度控制的方法，该方法包括以下步骤：步骤一：读入输入的工艺参数，并将数据输入到神经网络模型；步骤二：调用神经网络模型计算第一温度变化量和第一温度预报值；步骤三：调用专家系统模型修正预报结果，输出修正后的当前温度预报值；步骤四：检测是否有新的测温值，如果有则刷新钢水温度预报值，若没有则输出钢水温度预报值。步骤五：检测冶炼过程是否结束，若已结束则存储检测到的钢水温度预报值，若未结束，则经延时1分种，返回至步骤一，继续进行钢水温度检测。本专利技术与现有技术相比可实现以下有益效果：本专利技术中的温度控制装置可实现高精度和高实用性。温度检测误差不超过10℃，所需要的数据一般现场都可以提供。基于神经网络的预报模型，建立非线性模型的能力，克服统计计算只能反映线性关系的不足。温度控制装置充分考虑到现场的条件，基于较少的数据输入，经过温度控制装置的处理方法，实现较高精度的数据输出。温度控制装置在控制过程中考虑了冶炼过程各种因素对温度的影响，实现实时、准确的钢液温度预报。附图说明图1为本专利技术的精炼炉的温度控制装置；图2为本专利技术的精炼炉的温度控制装置的控制流程图。具体实施方式结合附图和具体实施例对本专利技术作进一步的详细说明。如图1所示为精炼炉的温度控制装置，精炼炉的温度控制装置主要是由神经网络模型和专家系统模型两部分构成，神经网络模型和专家系统模型有各自独立的输入量。人工神经元网络模型接受相应神经网络模型的输入，根据函数设定，预报周期内的温度变化ΔT1。基于ΔT1和模型上一次温度预报值Tt‐1，可计算出当前时刻的温度预报值T’。专家系统模型接受专家系统输入量，根据专家系统规则预报周期内的温度变化ΔT2。基于ΔT2和神经网络模型T’，计算出精炼炉的温度控制装置的当前温度预报值Tt。由于现场收集大量数据存在困难，本专利技术中的炼炉的温度控制装置基于较少的数据训练且要保证一定的精度。本专利技术中的神经网络模型的输入量包括测温时间、测温间隔、通电时间、有功功率、造渣量、吹氩量、合金重量及碳粉量。测温时间的输入函数为f(Tlast，Tnow)，Tlast为上次测温时间，Tnow为本测温时间。测温间隔Tnow‐Tlast；将本次测温间隔内的通电时间ton处理后f(ton)作为一个输入。电炉的二次功率Ps；造渣量为计算CaO及CaF2加入的重量WCaO+WCaF2；合金重量为WFeMnSi+WFeSi；碳粉量WC。以上内容对应值作为输入变量建立网络拓扑结构，由于网络学习存在训练过度的问题，隐层的设定数量适中。网络输入量为8，以预报周期内的温度变化ΔT为输出值建立网络，而隐层单元数设定为5，建立BP网络进行训练。在神经网络的训练过程中，如果将训练数据分为训练和测试两组，测试组数据不参加网络训练。在训练过程中，用测试数据进行测试，就测试误差呈现先下降，再上升的曲线。当测试误差最小时，停止训练，此时，网络性能最佳。对于二次定电流、钢烘烤程度、连续热停时间、新包/连用包、钢包使用次数等因素也会对温度变化造成影响，这些影响因素建立为专家规则。由专家系统对网络计算的温度变化△T加以分析处理，然后输出一新值ΔT作为模型最新计算的温度变化值。依据专家规则，专家系统进行判断所需要的输入量为(1)二次电流设定点；(2)钢包烘烤程度；(3)钢包新旧；(4)当前神经网络预报的温度；(5)冶炼时间；(6)连续热停时间。专家规则包括升温规则和降温规则。升温规则为升温速率的变化同钢液温度的均匀程度关系，根据钢包烘烤程度和钢液温度预报值来确定。根据钢液温度值，反映出钢液温度均匀程度。在加热升温过程中，升温速度分为三个阶段；第一阶段为缓慢升温阶段，每分钟的升温速度在1.0～1.5℃左右；由于钢包衬吸热快，钢温度尚不均匀，这一阶段升温速度较缓，每分钟的升温速度在1.0℃左右。第二阶段为小幅升温期，此时包壁吸热已基本饱和，每分钟的升温速度可达1.5～3.0℃；第三阶段为快速升温阶段，每分钟的升温速度可达3.0～4.5℃。关于降温，由于断电初期，钢液的温度分布很不均匀，导致对流作用较强；而强对流作用使钢温度趋向均匀，进而减弱对流，最终钢液降温幅度稳定在某一值。降温规律为降温幅度随时间的延长而不断，和连续热停时间、钢包烘烤程度相关，可用一递减曲线拟合。本专利技术所采用的钢液温度模型为预报周期内的温度变化，如下式所示：ΔT＝f(X1,本文档来自技高网...

【技术保护点】
1.一种精炼炉的温度控制装置，精炼炉的温度控制装置包括神经网络模型和专家系统模型，其特征在于：神经网络模型的输入量包括测温时间、测温间隔、通电时间、有功功率、造渣量、吹氩量、合金重量及碳粉量；神经网络模型的输出量第一温度变化量；专家系统模型的输入量为二次电流设定点、钢包烘烤程度、钢包新旧、当前神经网络预报的温度、冶炼时间、连续热停时间；专家系统模型的输出量为第二温度变化量。

【技术特征摘要】
1.一种精炼炉的温度控制装置，精炼炉的温度控制装置包括神经网络模型和专家系统模型，其特征在于：神经网络模型的输入量包括测温时间、测温间隔、通电时间、有功功率、造渣量、吹氩量、合金重量及碳粉量；神经网络模型的输出量第一温度变化量；专家系统模型的输入量为二次电流设定点、钢包烘烤程度、钢包新旧、当前神经网络预报的温度、冶炼时间、连续热停时间；专家系统模型的输出量为第二温度变化量。2.一种根据权利要求1所述的一种精炼炉的温度控制装置，其特征在于：所述造渣量为计算CaO及CaF2加入的重量WCaO+WCaF2；所述合金重量为WFeMnSi+WFeSi。3.一种根据权利要求2所述的一种精炼炉的温度控制装置，其特征在于：神经网络模型根据所述输入变量建立网络拓扑结构，网络输入量为8，以第一温度变化量为输出值建立网络，隐层单元数设定为5。4.一种根据权利要求3所述的一种精炼炉的温度控制装置，其特征在于：专家系统模型的升温规则根据钢包烘烤程度和钢液温度预报值来确定；第一阶段为缓慢升温阶段，每分钟的升温速度在1.0～1.5℃左右；第二阶段为小幅升温期，每分钟的升温速度可达1.5～3.0℃；第三阶段为快速升温阶段，每分钟的升温速度可达3.0～4.5℃。5.一种根据权利要求4所述的一种精炼炉的温度控制装...

【专利技术属性】
技术研发人员：孟青，
申请(专利权)人：广州百兴网络科技有限公司，
类型：发明
国别省市：广东,44