[发明专利]一种电弧炉终点碳含量预测方法

说明书

本发明涉及一种电弧炉终点碳含量预测方法，方法包括：由精炼炉倒推每一炉次电弧炉内钢水重量，利用多元线性回归和损失函数测算电弧炉中各钢铁料的收得率，利用收得率测算每一炉次电弧炉内的钢水重量和余钢量，利用包括余钢量的电弧炉消耗数据作为输入量、由精炼炉倒推电弧炉终点碳含量作为输出量，数据预处理、训练基于神经网络的电弧炉终点碳含量预测模型，输入电弧炉消耗数据计算电弧炉终点碳含量预测模型得到电弧炉终点碳含量预测值；充分考虑电弧炉终点碳含量的影响因素，解决电弧炉钢水量称重、余钢量和电弧炉冶炼取样终点碳测算不准的问题，适用于特别是窄范围碳含量电弧炉炼钢过程，提高了电弧炉终点碳控制的精度。

技术领域

本发明属于钢铁冶炼生产控制方法技术领域，尤其涉及一种电弧炉终点碳含量预测方法。

背景技术

在电弧炉炼钢的过程中，电弧炉需要对终点碳进行控制，而冶炼时脱碳速度较快，钢种要求的碳含量的范围还很窄，所以终点碳含量的控制是当前研究的热点。

目前神经网络在转炉的终点碳含量的控制方面研究较多，而在电弧炉的终点碳含量的控制方案几乎没有，主要有以下原因：(1)相比于转炉，电弧炉在炼钢的时候，为了不让漂浮在钢水表层的渣混入钢包中，电弧炉向向大包中浇注钢水时，炉内的钢水不是一次性倒空的，会存在剩余，所以无法对电弧炉内的余钢量进行准确测算，但是由于不同炉次的余钢量不同且余钢中所含的碳质量差异较大，每次余留下的钢水会作为下一次炉次冶炼钢时的原料，电弧炉内的余钢量又会严重影响终点碳的控制，会影响神经网络预测电弧炉终点碳含量；(2)电弧炉冶炼时渣层厚度较厚，且冶炼时钢水翻滚剧烈钢水成分不均匀，电弧炉钢水量称重不准且电弧炉终点取样检测出的含碳量与钢水中实际的含碳量严重不符，导致训练神经网络时的输出参数不准确。

发明内容

本发明旨在至少在一定程度上解决上述技术问题之一，为此，本发明提出了一种电弧炉终点碳含量预测方法，解决电弧炉钢水量称重、余钢量和电弧炉冶炼取样终点碳测算不准的问题，数据预处理、建立基于神经网络的电弧炉终点碳含量预测模型，适用于特别是窄范围碳含量电弧炉炼钢过程，提高了电弧炉终点碳控制的精度。

本发明的技术方案是：

一种电弧炉终点碳含量预测方法，方法包括：

S1：由精炼炉倒推每一炉次电弧炉内钢水重量，利用多元线性回归和损失函数测算电弧炉中各钢铁料的收得率；

S2：利用步骤S1中收得率测算每一炉次电弧炉内的钢水重量和余钢量；

S3：利用包括步骤S2中余钢量的电弧炉消耗数据作为输入量、由精炼炉倒推电弧炉终点碳含量作为输出量，训练基于神经网络的电弧炉终点碳含量预测模型；

S4：输入每一炉次包括步骤S2中余钢量的电弧炉消耗数据，计算步骤S3中电弧炉终点碳含量预测模型，输出电弧炉终点碳含量预测值。

上述电弧炉终点碳含量的预测方法，优选地，步骤S1中依据精炼炉的称重重量减去钢包重量、电弧炉至精炼炉中间过程加入的原辅料重量倒推每一炉次电弧炉内钢水重量y。

上述电弧炉终点碳含量的预测方法，优选地，步骤S1中每一炉次电弧炉包括n种钢种，n维钢水重量x＝[x₁,x₂,···,x_n]^T，n维收得率权重w＝[w₁,w₂,···,w_n]^T，多元线性回归的线性模型为：每一炉次电弧炉内钢水终点重量

上述电弧炉终点碳含量的预测方法，优选地，步骤S1中利用平方损失函数作为优化目标训练线性模型、获得学习参数w作为电弧炉中各钢铁料的收得率，平方损失函数中y为由精炼炉倒推每一炉次电弧炉内钢水重量，为多元线性回归的拟合值。