[发明专利]一种大型转炉TSC阶段智能添加石灰的方法

权利要求书

1.一种大型转炉TSC阶段智能添加石灰的方法，其特征在于包含以下步骤：

(1)采用机理模型按照冶金机理进行预测，机理模型公式如下：

其中W_sh代表石灰加入量，数据范围22kg/t-49kg/t；

a_shc代表石灰CaO质量百分数，数据范围88％-93％；

a_shs代表石灰SiO₂质量百分数，数据范围2％-5％；

W_qs代表轻烧白云石加入量，数据范围7.5kg/t-30.1kg/t；

a_qsc代表轻烧白云石CaO质量百分数，数据范围40％-48％；

a_qss代表轻烧白云石SiO₂质量百分数，数据范围0.1％-3.3％；

W_gz代表钢渣冷料加入量，数据范围小于113kg/t；

a_gzc代表钢渣CaO质量百分数，数据范围20％-45％；

a_gzs代表钢渣SiO₂质量百分数，数据范围8％-23％；

W_ts代表铁水加入量，数据范围900kg/t-1085kg/t；

a_ts代表铁水Si质量百分数，数据范围0.15％-0.60％；

2.14为Si转化为SiO₂的转化系数；

R代表碱度，碱度由碱度选择模型确定，将碱度分为四个梯度，取值分别为3、3.5、4和4.5；

(2)进行人工智能预测，采用BP神经网络架构为基础的深度学习人工智能，其架构为输入是16维数据，输出是1维数据，16维输入数据分别为，机理模型石灰量、冶炼班组、冶炼炉座、钢种要求、废钢、铁水温度、铁水重量、铁水锰、铁水硅、铁水磷、钢渣、白云石加入量、TSC磷、TSC锰、TSC碳和TSC温度，1维输出数据为石灰量；输入数据以机理模型为基础，进行标准化处理，处理方式如下：

y是需要标准化的参数值，y_std是这一组参数的标准差，y_ave是这组参数的平均值；

构建输入数据与输出数据间的内在联系，通过人工智能计算获得输出数据；

(3)通过反标准化还原计算所需的修正误差，通过以下公式进行反标准化

y＝y*×y_ave+y_std

(4)激励函数形式为：

2.根据权利要求1所述的一种大型转炉TSC阶段智能添加石灰的方法，其特征在于：所述步骤(1)中，机理模型选择原则如下：

钢种磷含量要求制定4个梯度档位，①磷质量百分数要求为≤0.015％，②磷质量百分数要求为＞0.015％且≤0.020％，③磷质量百分数要求为＞0.020％且≤0.025％，④磷质量百分数要求为＞0.025％；

终点温度大于1650℃的钢种，磷质量百分数要求档位为①，碱度选择4.5；磷质量百分数要求为②，碱度选择4；磷质量百分数要求为③和④，碱度选择3；

对终点温度小于1650℃的钢种，铁水磷质量百分数≤0.15％，钢种磷质量百分数要求为①，碱度选择4；铁水磷质量百分数≤0.15％，钢种磷质量百分数要求为②时，碱度选择3.5；铁水磷质量百分数≤0.15％，钢种磷质量百分数要求为③和④时碱度选择3.0；铁水磷质量百分数＞0.15％，钢种磷质量百分数要为①，碱度选择4.5；铁水磷质量百分数＞0.15％，钢种磷质量百分数要求为②时，碱度选择4；铁水磷质量百分数＞0.15％，钢种磷质量百分数要求为③时，碱度选择3.5；铁水磷质量百分数＞0.15％，钢种磷质量百分数要求为④时，碱度选择3。

3.根据权利要求1所述的一种大型转炉TSC 阶段 智能添加石灰的方法，其特征在于：所述步骤(2)中，BP神经网络结构为3个隐藏层的结构，第一个隐藏层的节点数量为3个，第二个隐藏层的节点数量为50个，第三个隐藏层节点数量为5个。

4.根据权利要求1所述的一种大型转炉TSC 阶段 智能添加石灰的方法，其特征在于：所述步骤(2)中，人工智能预测的训练数据均通过数据择优规则模型筛选，通过筛除数据采集错误或无典型性数据，模型计算精度提高，减少错误数据对模型计算的干扰，具体择优规则如下：

①铁水重量+废钢重量在280t至320t之间，择优挑选；

②铁水硅质量百分数小于0.6％，择优挑选；

③石灰加入量在6t以上的，择优挑选；

④轻烧白云石加入量在2t以上，择优挑选；

⑤铁水温度＞1320℃，废钢量＜30t，铁水硅质量百分数＞0.3％时，加入矿石的，择优挑选。