基于LF炉精炼过程钢水温度和成分联合预测的方法及系统技术方案

本发明专利技术提供一种基于LF炉精炼过程钢水温度和成分联合预测的方法及系统，该方法包括以进站参数为初始值，到站参数为目标值，获取LF炉精炼过程中的生产参数，充分考虑电弧加热量、合金热效应、渣料热效应、喂线热效应、吹氩损失热、渣面损失热、包衬损失热、烟气损失热及钢水重量的变化对钢水温度和成分的影响，建立LF精炼过程钢水温度和成分的联合动态预测模型；最后以精炼过程钢水化验值作为模型精度的校验，提高终点成分的命中率；实现对选定炉次或新钢种的终点温度及成分进行预测。本发明专利技术的基于LF炉精炼过程钢水温度和成分联合预测的方法可有效降低精炼时间，降低生产成本，提高产品质量稳定性，从而为缩短新产品研发周期提供保障。

Method and system of combined prediction of molten steel temperature and composition based on LF refining process

【技术实现步骤摘要】
基于LF炉精炼过程钢水温度和成分联合预测的方法及系统
本专利技术涉及冶金
，特别是指一种基于LF炉精炼过程钢水温度和成分联合预测的方法及系统。
技术介绍
在电弧炉或转炉-LF-连铸为主流的现代炼钢流程中，LF起着承上启下的作用，因此LF精炼过程被誉为炼钢流程中的缓冲器。电弧炉或转炉初炼后的钢水的温度和成分通常具有较大的波动，通过LF的二次精炼可对其进行精确的终点控制，定时地为连铸提供温度和成分都合格的钢水。因此，对LF钢水温度和成分终点控制技术进行研究和开发，实现LF精炼过程的高精度、低成本化，对于提高钢铁企业的产品质量、扩大品种、降低生产成本具有重要意义。目前，LF现场普遍处于静态的、经验的操作方式，然而，LF精炼过程作为炼钢－连铸流程的缓冲器，其进站钢水温度和成分的波动较大，这导致炉次之间的升温压力、脱硫压力和处理周期等因素存在较大的差异，因此静态的方式难以根据具体炉次的情况来优化过程的操作变量，缺少了操作的灵活性，导致了较大的能耗和物耗水平，而经验的操作方式由于难以做到温度和成分终点控制的统筹兼顾，则会对钢水温度和成分的终点控制精度造成影响。而在对LF精炼过程的建模和优化方法进行研究上，终点预测模型大多停留在温度和成分的单一模型的开发，主要研究方法有机理模型、统计回归模型、神经网络模型。虽然上述模型都已运用于实际生产中，但由于精炼过程常伴随着复杂的物理化学反应和错综复杂的变量关系及很难把控的不确定因素，使模型的精度仍存在一定程度的误差。正是由于这些不确定因素使至开发的模型几乎只能适应于单一企业，模型的适用性受到很大的限制。
技术实现思路
本专利技术要解决的技术问题是提供一种基于LF炉精炼过程钢水温度和成分联合预测的方法及系统，以解决现有预测模型的精度存在一定程度的误差，使得现有模型几乎只能适应于单一企业，模型的适用性受到很大限制的问题。为解决上述技术问题，本专利技术采用如下技术方案：一种基于LF炉精炼过程钢水温度和成分联合预测的方法包括：获取LF炉精炼过程的进站参数，所述进站参数包括进站钢水中预设成分含量、钢水温度、钢水重量及进站时刻；获取LF炉精炼过程的到站参数，所述到站参数包括到站钢水中预设成分含量、钢水温度及到站时刻；获取LF炉精炼过程中的生产参数，所述生产参数包括包壁温度、吹氩量和电极电压档位，以及加入合金、原辅料和喂线的成分及对应料量；以所述进站参数为初始值，所述到站参数为目标值，建立LF精炼过程钢水温度和成分的联合动态预测模型；利用所述联合动态预测模型对LF炉精炼的生产参数进行计算和训练，得出修正的各种模型参数，完成对所述联合动态预测模型的精度校核；利用完成精度校核的联合动态预测模型对选定炉次或钢种的终点温度及成分进行预测。进一步地，所述进站钢水中预设成分含量包括进站钢水中C、Si、Mn、P及S的质量百分数。进一步地，所述到站钢水中预设成分含量包括到站钢水中C、Si、Mn、P及S的质量百分数。进一步地，所述获取LF炉精炼过程中的生产参数，包括：获取钢包外壁温度；获取LF炉精炼过程中到站开启、通电、强脱硫、测温取样、合金化、喂线、软搅拌和等待位的吹氩流量；获取电极加热档位值及通断电对应时刻；获取加入硅铁、低钛低铝铁、硅锰合金、中碳锰铁、低碳锰铁、高碳铬铁、低碳铬铁、钛铁、硼铁、氮化钒铁、钒氮合金、钒铁、钼铁、小块镍板、铌铁、氮化硅、铝粒、金属锰、磷铁和增碳剂的成分、时刻及对应料量；获取加入石灰、电石、萤石和专用合成渣的成分、时刻及对应料量；获取加入硅钙线、纯钙线、铝线、钛线和硼铁线的成分、时刻及对应料量。进一步地，所述联合动态预测模型对钢水温度的计算包括：计算进入熔池的电弧热量Qab＝cstmstΔab；其中，cst为钢液比热容，单位为J/(kg·℃)；mst为钢液重量，单位为kg；Δab为钢水升温速率，单位为℃/min；计算合金的热效应Qalloy＝[csj(Tfj-Toj)+ΔHmj+clj(Tsteel-Tfj)]Mj/Mjm-ΔHojMj(1-fi)/Mjm-ΔHmfjMj/Mjm；其中，Tfj为合金元素的液相温度，单位为℃；Toj为合金元素的入炉温度，单位为℃；Tsteel为钢液温度，单位为℃；csj为合金元素j的固相比热容，单位为J/(kg·℃)；clj为合金元素j的液相比热容，单位为J/(kg·℃)；ΔHmj为合金元素j的熔化潜热，单位为J/mol；ΔHmfj为合金元素j的熔解热，单位为J/mol；ΔHm0j为合金元素j的氧化反应热，单位为J/mol；Mj为合金元素j的加入量，单位为kg；Mjm为合金元素j的摩尔量，单位为kg/mol；fi为合金元素i的收得率；计算渣料的热效应Qslag＝mslag[cslag,s(Tslag,f-Tslag,o)+ΔHslag+cslag,l·(Tsteel-Tslag,f)]；其中，mslag为渣料的加入量，单位为kg；cslag,s为渣料的固相比热容，单位为J/(kg·℃)；cslag,l为渣料的液相比热容，单位为J/(kg·℃)；Tslag,f为渣料的液相温度，单位为℃；Tslag,o为渣料的入炉温度，单位为℃；Tsteel为钢液温度，单位为℃；ΔHslg为渣料的熔化潜热，单位为J/kg；计算包衬散热量Qin+Qshell＝Q1+Q2+Q3+Q4；其中，Q1、Q3分别表示包壁和包底节点一向节点二传输的热量，单位为J；Q2、Q4：分别表示包壁和包底节点一在单位时间内的蓄热量，单位为J；计算渣面损失的热量Qsur＝Csuγ·εslσ(Tslag+273)4.A；其中，εsl为炉渣黑度，模型中取0.8；σ为波尔茨曼常数，其值为5.67*10-8W/(m2K4)；A为渣层表面积，单位为m2；Tslag为渣面温度，模型中用钢液温度代替渣面温度，单位为℃；Csuγ为热损系数，在加热位加热时取0.4；在加热位未加热时取0.5；在等待位时取0.7；计算吹氩损失的热量Qar＝4180CpVAr(Tst-TAr)；其中，Cp为氩气的比热，取值为929/(m3℃)；VAr为底吹氩气量，单位为Nm3/s；Tst为钢水温度，单位为℃；Tar为吹入氩气的初始温度，单位为℃；计算烟气带走的热量Qgas＝CaVa(Ta-To)+CbVb(Tb-To)；其中，Ca为烟气的比热容，单位为J/(kg·K)；Va为烟气的排出速率，单位为kg/s；Ta为烟气的排出温度，单位为K；To为吹入氩气的初始温度，单位为K；Ca为烟尘的比热容，单位为J/(kg·K)；Va为烟尘的排出速率，单位为kg/s；Ta为烟尘的排出温度，单位为K；计算喂线带走的热量Qwire＝mwcp(Tst-Tw)；其中，mw为喂线的质量，单位为kg；cp为比热容，单位为J/(kg·℃)；Tst为钢液的温度，单位为℃；Tw为喂线的温度，单位为℃；通过本文档来自技高网...

【技术保护点】
1.一种基于LF炉精炼过程钢水温度和成分联合预测的方法，其特征在于，所述基于LF炉精炼过程钢水温度和成分联合预测的方法包括：/n获取LF炉精炼过程的进站参数，所述进站参数包括进站钢水中预设成分含量、钢水温度、钢水重量及进站时刻；/n获取LF炉精炼过程的到站参数，所述到站参数包括到站钢水中预设成分含量、钢水温度及到站时刻；/n获取LF炉精炼过程中的生产参数，所述生产参数包括包壁温度、吹氩量和电极电压档位，以及加入合金、原辅料和喂线的成分及对应料量；/n以所述进站参数为初始值，所述到站参数为目标值，建立LF精炼过程钢水温度和成分的联合动态预测模型；/n利用所述联合动态预测模型对LF炉精炼的生产参数进行计算和训练，得出修正的各种模型参数，完成对所述联合动态预测模型的精度校核；/n利用完成精度校核的联合动态预测模型对选定炉次或钢种的终点温度及成分进行预测。/n

【技术特征摘要】
1.一种基于LF炉精炼过程钢水温度和成分联合预测的方法，其特征在于，所述基于LF炉精炼过程钢水温度和成分联合预测的方法包括：
获取LF炉精炼过程的进站参数，所述进站参数包括进站钢水中预设成分含量、钢水温度、钢水重量及进站时刻；
获取LF炉精炼过程的到站参数，所述到站参数包括到站钢水中预设成分含量、钢水温度及到站时刻；
获取LF炉精炼过程中的生产参数，所述生产参数包括包壁温度、吹氩量和电极电压档位，以及加入合金、原辅料和喂线的成分及对应料量；
以所述进站参数为初始值，所述到站参数为目标值，建立LF精炼过程钢水温度和成分的联合动态预测模型；
利用所述联合动态预测模型对LF炉精炼的生产参数进行计算和训练，得出修正的各种模型参数，完成对所述联合动态预测模型的精度校核；
利用完成精度校核的联合动态预测模型对选定炉次或钢种的终点温度及成分进行预测。


2.如权利要求1所述的基于LF炉精炼过程钢水温度和成分联合预测的方法，其特征在于，所述进站钢水中预设成分含量包括进站钢水中C、Si、Mn、P及S的质量百分数。


3.如权利要求1所述的基于LF炉精炼过程钢水温度和成分联合预测的方法，其特征在于，所述到站钢水中预设成分含量包括到站钢水中C、Si、Mn、P及S的质量百分数。


4.如权利要求1所述的基于LF炉精炼过程钢水温度和成分联合预测的方法，其特征在于，所述获取LF炉精炼过程中的生产参数，包括：
获取钢包外壁温度；
获取LF炉精炼过程中到站开启、通电、强脱硫、测温取样、合金化、喂线、软搅拌和等待位的吹氩流量；
获取电极加热档位值及通断电对应时刻；
获取加入硅铁、低钛低铝铁、硅锰合金、中碳锰铁、低碳锰铁、高碳铬铁、低碳铬铁、钛铁、硼铁、氮化钒铁、钒氮合金、钒铁、钼铁、小块镍板、铌铁、氮化硅、铝粒、金属锰、磷铁和增碳剂的成分、时刻及对应料量；
获取加入石灰、电石、萤石和专用合成渣的成分、时刻及对应料量；
获取加入硅钙线、纯钙线、铝线、钛线和硼铁线的成分、时刻及对应料量。


5.如权利要求4所述的基于LF炉精炼过程钢水温度和成分联合预测的方法，其特征在于，所述联合动态预测模型对钢水温度的计算包括：
计算进入熔池的电弧热量Qab＝cstmstΔab；
其中，cst为钢液比热容，单位为J/(kg·℃)；mst为钢液重量，单位为kg；Δab为钢水升温速率，单位为℃/min；
计算合金的热效应Qalloy＝[csj(Tfj-Toj)+ΔHmj+clj(Tsteel-Tfj)]Mj/Mjm-ΔHojMj(1-fi)/Mjm-ΔHmfjMj/Mjm；
其中，Tfj为合金元素的液相温度，单位为℃；Toj为合金元素的入炉温度，单位为℃；Tsteel为钢液温度，单位为℃；csj为合金元素j的固相比热容，单位为J/(kg·℃)；clj为合金元素j的液相比热容，单位为J/(kg·℃)；ΔHmj为合金元素j的熔化潜热，单位为J/mol；ΔHmfj为合金元素j的熔解热，单位为J/mol；ΔHm0j为合金元素j的氧化反应热，单位为J/mol；Mj为合金元素j的加入量，单位为kg；Mjm为合金元素j的摩尔量，单位为kg/mol；fi为合金元素i的收得率；
计算渣料的热效应Qslag＝mslag[cslag,s(Tslag,f-Tslag,o)+ΔHslag+cslag,l·(Tsteel-Tslag,f)]；
其中，mslag为渣料的加入量，单位为kg；cslag,s为渣料的固相比热容，单位为J/(kg·℃)；cslag,l为渣料的液相比热容，单位为J/(kg·℃)；Tslag,f为渣料的液相温度，单位为℃；Tslag,o为渣料的入炉温度，单位为℃；Tsteel为钢液温度，单位为℃；ΔHslag为渣料的熔化潜热，单位为J/kg；
计算包衬散热量Qin+Qshell＝Q1+Q2+Q3+Q4；
其中，Q1、Q3分别表示包壁和包底节点一向节点二传输的热量，单位为J；Q2、Q4：分别表示包壁和包底节点一在单位时间内的蓄热量，单位为J；
计算渣面损失的热量Qsur＝Csuγ·εslσ(Tslag+273)4.A；
其中，εsl为炉渣黑度，模型中取0.8；σ为波尔茨曼常数，其值为5.67*10-8W/(m2K4)；A为渣层表面积，单位为m2；Tslag为渣面温度，模型中用钢液温度代替渣面温度，单位为℃；Csuγ为热损系数，在加热位加热时取0.4；在加热位未加热时取0.5；在等待位时取0.7；
计算吹氩损失的热量Qar＝4180CpVAr(T...

【专利技术属性】
技术研发人员：王敏，储建华，邹长东，赵家七，包燕平，麻晗，
申请(专利权)人：北京科技大学，江苏沙钢集团有限公司，
类型：发明
国别省市：北京;11