人工智能技术在钢水温度预报中的应用

介绍国内钢水温度测量的传统方法。详细阐述软测量方法在安全性、操作控制及经济效益等方面所具有的优越性 ,指出该测量方法所具有的广阔前景。     

LF精炼终点钢水温度灰箱预报模型

LF精炼工序在炼钢过程起着调节温度的关键作用,准确预报LF精炼终点钢水温度对实际生产有重要意义.传统的LF精炼预报模型包括机理模型与黑箱模型.机理预报模型能够体现各工艺因素对终点钢水温度的影响,但由于LF精炼传热机理研究尚不完善,依靠机理模型预报终点钢水温度,难以达到预期效果;黑箱预报模型能够准确预报终点钢水温度,但不能反映精炼过程各工艺因素对钢水温度的影响,尤其当生产工艺条件发生改变时,黑箱模型在应用上会受到限制.本文以方大特钢LF精炼炉为研究对象,建立一种机理预报模型与黑箱预报模型(BP神经网络预报模型)相结合的LF精炼终点钢水温度灰箱预报模型.该模型既能反映各工艺因素对终点钢水温度的影响,又能准确预测终点钢水温度,其终点钢水温度预测误差在±5℃以内的命中率可以达到95%以上.     

基于MATLAB神经网络的复吹转炉终点氧含量的预报模型

钢水终点氧含量是转炉炼钢的控制目标，它与钢水碳含量、钢水温度等多个变量之间存在着严重的非线性关系。利用MATLAB环境，提出基于BP神经网络的转炉炼钢终点氧含量预报模型，并结合某钢铁企业一座90t转炉的实际数据进行了模型验证。结果表明，该方法收敛速度快，预报精度较高。     

基于案例推理的电弧炉终点预报

在电弧炉(EAF)冶炼生产过程中,出钢温度、碳含量和磷含量等终点参数直接关系到后续生产工艺,甚至影响产品质量.基于增量预报模型的思想,提出采用案例推理方法进行电弧炉炼钢的终点预报,该方法由于建立在已有的炼钢案例基础上,具有方法简单、不需要复杂数学推理的优点,并具有较强的鲁棒性.考虑到电弧炉炼钢影响因素较多、具有较强的非线性,采用支持向量机对案例推理的结果进行增量补偿修整.实践证明,经补偿后的案例推理方法预报精度较高,预报结果接近实际值,该方法是切实可行并有效的,可以用于电弧炉炼钢终点钢水温度、碳含量和磷含量的预报.     

基于微分进化的钢水温度预报混合模型

针对LF冶炼过程钢水温度预报问题对机理模型进行了分析.将基于微分进化的BP网络引入混合模型,以确定模型中难以准确获得的参数,建立了基于微分进化的钢水温度混合预报模型.模型通过适当时刻变异因子的随机选取和重复进行种群个体初始化的方法,对微分进化算法进行了改进,有效解决了BP网络训练的困难,避免了算法早熟.实验结果表明,混合模型具有较好的预测结果,基本满足了实际生产的需要.     

LF-RH工艺生产超低硫钢钢水温度预报模型

根据LF-RH精炼超低硫钢的工艺流程,基于冶金热力学、传热和热量平衡等原理,同时考虑钢包的热状态,建立出钢至浇注过程中的钢水温度预报模型。通过该模型可以得到不同时刻钢水温度和钢包内衬温度的分布曲线。实例验证结果显示,模型计算值与实测值的平均误差为5.6℃,误差在±8℃以内的占87.5%。另外,运用该模型分析了钢包热状态、出钢过程、传运时间、RH真空室内壁温度等因素对钢水温度的影响规律,可为超低硫钢精炼工艺的优化提供参考。     

基于机理模型的影响钢水温度因素研究

RH精炼过程是一套复杂的系统工程,其中影响冶炼过程中钢水温度变化的因素众多,确定影响钢水温度变化的主要因素是建立钢水温度预报模型的基础。以210 t的RH精炼炉为研究对象,结合RH精炼工艺特点并利用传感系统获得的数据,根据热平衡和冶金热力学原理建立机理模型,计算各因素在整个精炼过程中造成钢水温度的变化量,最后分析和比较这些变化量总结出影响钢水温度变化的主要因素为:钢水重量,钢水初温,精炼时间,钢水含氧量,金属铝加入量。相比以往人工采集数据和通过经验分析影响钢水温度因素,该方法有着更充分的科学依据和更准确的结果。     

炼钢厂连铸钢水温度预报模型

应用神经网络建立连铸钢水温度预报模型，重点研究了转炉出钢到中间包浇铸区间的度变变化，确定钢水温降与其影响因素之产是的非线性映射关系，本模型能校确地预报连铸钢水温度。     

真空脱气过程中钢水温降的理论分析

为了研究真空脱气过程中影响钢水温降的主要因素,从而找到对应的措施控制钢水温降,对VD过程的传热模式和传热机理进行了分析,根据国内某厂的实际情况,结合数值模拟方法分别得到了烘烤过程和LF加热过程中钢包温度场的变化,以LF结束时的温度值作为初始值对VD过程的温度场进行了模拟。根据模拟结果分别计算了渣面和钢水裸露面的热辐射、钢包衬蓄热、包壁和包底的传导散热和氩气吸热等因素造成的钢水散热量,对其影响程度进行了评估。通过计算发现,渣面、钢水裸露面的热辐射和包衬蓄热是造成VD过程钢水温降的主要因素,分别根据各个因素的影响特点提出了控制钢水温降的具体措施。     

人工鱼群神经网络在热连轧卷取温度预报中的应用

卷取温度预报结果对热轧带钢的成品性能具有重要影响。人工鱼群算法是新近提出的寻优策略,具有良好的克服局部极值、获得全局极值的能力。建立了一种人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,并将该神经网络用于卷取温度预报。通过某钢厂现场实测数据对该模型进行离线训练和对比测试,结果表明,该方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的预报效果;该模型能够精确预报卷取温度,可用于离线学习和预报,为在线应用打下良好基础。     

基于光流分析法检测钢水液位

在覆盖剂黏着于测温管表面的连铸中包中,基于视觉方法测量钢水液位系统无法通过温度场分析测量钢水液位.为此,本文使用光流分析算法跟踪测温管拔出钢水后表面黏着并向下流动的覆盖剂,检测出覆盖剂在测温管不同位置黏着特性的差异,并从微观角度分析覆盖剂在测温管表面的黏着特性与钢水液位的联系,最终计算出钢水液位.经验证,该方法所测得钢水液位误差在3mm以内.大量现场试验表明,该方法能较好地解决覆盖剂遮挡测温管表面温度信息的问题,使基于视觉方法的钢水液位测量系统在测温管黏着覆盖剂的异常情况下能准确可靠地测量出钢水液位.     

基于机器视觉的薄带铸轧熔池液位识别方法

为解决薄带铸轧熔池液位难检测的问题,研发机器视觉识别熔池钢水液位的方法.利用线阵CCD下熔池钢水与铸轧辊灰度值有明显差别的图像特征,建立熔池液位的机器视觉检测系统.利用所选线阵相机采集图像速度快的特性,提出基于时间建立熔池液位图像原型的方法,建立了以滤波处理、二值化处理和边界识别为核心的熔池液位视觉识别模型.使用建立的系统和模型在实验室铸轧机和感应加热炉上进行了测试实验,结果表明:所建的熔池液位视觉检测系统和识别方法具备可行性,具有较高的检测精度和较快的检测速度,能够满足工业生产需要.     

低碳铝镇静钢中酸溶铝的快速预报和影响因素分析

用国产元件组成了钢水定氧同时预报铝镇静钢中酸溶铝([Al]_5)的快速预报系统。实测得出了鞍钢转炉条件下α[o],T和[Al]_5 间的统计预报关系。在满足技术要求条件下,测成率>90％,预报精度可靠。     

激光熔池温度场检测研究

基于斯蒂藩-玻耳兹曼定律,提出采用电荷耦合器件(CCD)检测熔池温度场的方案,研制了一套CCD检测温度场系统.该系统主要由CCD、光学系统和数据分析软件组成.采用BF1400黑体炉对系统进行了标定,拍摄了不同功率下的CO2激光熔池,经过专用软件分析,得到了激光熔池温度场分布.结果表明该项技术能够实时检测整个熔池表面温度场,属于非接触测量,对熔池温度场无干扰.     

钢液/（N2、H2）过饱和体系中气泡生长的数值分析

采用水/CO2体系模拟研究钢液/( N2、H2)过饱和体系中气泡生长动力学行为，分别建立水溶液和钢液中气泡形核长大机理模型。基于三种不同的气泡生长数学模型，分别研究水/CO2和钢液/( N2、H2)体系数学模型中气泡生长动力学，并采用水模型实验数据对数学模型进行验证。分析钢液/( N2、H2)体系前期和后期处理压力以及钢液深度等因素对气泡生长的影响。研究表明：采用气泡浮选去除夹杂物技术时，前期处理压力对气泡生长有显著促进作用；后期处理压力对气泡生长有阻碍作用，随着后期处理压力的升高影响逐渐加强；钢液深度对气泡生长有阻碍作用，随着钢液深度的增加影响逐渐减弱；相比氮气，钢液中氢气气泡析出长大更快。     

电阻点焊温度场分布的数值模拟

为研究点焊时焊接规范对电极温度的影响,以及镀锌钢板点焊时焊接参数的选择,利用轴对称有限元程序模拟了电阻点焊的过程中电极与工件的温度场分布,模型中采用标定法来解决接触电阻产热的问题;运用生死单元技术解决镀锌钢板焊接时镀锌层熔化的模拟问题。结果表明,有限元点焊模型可以得到与实际焊接十分吻合的模拟结果。电阻点焊时,不同规范的焊接参数对电极的温度分布影响较大,采用标准规范时电极的温度最低,故选择焊接规范时应考虑到对电极的影响。镀锌钢板焊接时,熔化的锌层对焊接过程以及电极温度分布有显著影响,若采用无锌钢板的焊接规范基本上不能形成熔核,而政党焊接时电极最高温度将比无锌钢板点焊时高出20%,因此,加何降低电极温度是一个重要问题。     

出钢口下渣检测系统

介绍了新研制的转炉炼钢出钢口钢渣检测系统，阐述了检测原理和检测系统的硬软件结构，实验结果表明该系统达到了技术指标要求，其占空比＜５％。     

基于ELM新方法的LF终点温度软测量混合模型

针对LF精炼炉冶炼过程中物理化学反应过程及传热过程的复杂性,采用混合模型对钢水温度进行软测量,将传统的机理模型与ELM新方法相结合,利用ELM智能算法校正机理模型中难以准确获得的参数,再用机理模型进行预测.这种混合模型既克服了传统机理模型难以准确实现的不足也避免了"黑箱"模型过分依赖数据的缺陷.同时ELM新方法也克服了传统BP算法的不足,使预测精度得到了提高.仿真结果表明,此混合模型具有较好的预测结果,终点温度预测误差不大于±5℃的炉次大于90%.