转炉终点预测

转炉终点预测（共4篇）

转炉终点预测 篇1

0 引言

转炉炼钢是气、液、固体在高温的钢液、炉渣和炉气三相之间进行传动、传热和传质,为一个复杂的多元多相高温物理化学反应过程[1,2],其主要任务是实现快速降碳、升温的目的。但由于冶炼时间短、过程操作复杂、入炉条件不同,影响因素对转炉终点碳温的作用不明确,难以应用数学模型精确地预测转炉的终点温度及成分。目前,副枪、炉气分析等技术在大型转炉上的应用很大程度地提高了终点命中率,但是中小型转炉却因炉容体积小、成本高等没有使用这些设备,导致了终点一次命中率不高。

针对转炉终点预测为一个多输入多输出复杂的系统,不少学者开发了基于人工神经网络的终点预测模型,在一定程度上提高了转炉终点命中率。人工神经网络具有自学习、自组织、强鲁棒性和能够逼近任意非线性函数的能力,结合其算法在转炉终点静态预测模型中,能有效降低吹炼过程产生的随机误差、正确估价难以用公式或数字表达的各种变量(如废钢质量、空炉时间、炉龄、补吹状况、CO在炉内的二次燃烧率等)对吹炼终点的影响,提高终点命中率。但是像BP等传统神经网络算法本身具有训练收敛慢、容易陷入局部极小和因使用梯度下降算法而造成累积误差大等缺点。为弥补以上网络模型的不足,本文采用一种新的非线性系统学习方法——回声状态网络(Echo State Network, ESN),建立基于回声状态网络的转炉终点碳温预测模型。仿真实验证明,该模型能大大提高预测精度。

1 ESN介绍

ESN是Jaeger和Haas[3]提出的新型递归神经网络。它的基本思想来源于Maass[4]提出的液体状态机(Liquid State Machines,LSM)。ESN将网络隐层设计成一个具有成百上千个神经元组成的稀疏网络,通过调整网络内部权值的数值特性以达到具有记忆数据的能力[5]。最终通过训练适当地输出连接权值来得到期望的输出。

1.1 ESN的结构与特点

ESN为三层结构,见图1。假设它有K个输入、N个内部连接单元(构成隐层)和L个输出,K个输入与内部单元的每个神经元相连接。

与传统神经网络相比,ESN的隐层是由较多神经元构成的循环网络,并形成一个巨大的动态记忆库(Dynamic Reservoir,DR)。为使DR内部具有动态记忆能力,W通常保持连接度5%～10%,谱半径小于1。ESN只有从隐层到输出神经元的连接权值通过学习被修改。训练时输出连接没有循环依赖性,其训练可看作一个简单的线性回归任务,这比其他神经网络模型更加简单、快捷。

1.2 ESN的学习算法

根据实际需要,本文选用没有反馈连接的网络建模。训练样本通过Win完成对内部单元的连接并实现训练数据的采集,使DR记忆相应的信息,通过DR状态向量与目标输出的线性回归过程最小化平均误差得到Wout。ESN学习基本步骤[6]见图2。

x(n+1)=f(Win·u(n+1)+W·x(n)) (1)

Wout=(M-1·T)t (2)

y(n+1)=fout·(Wout·(u(n+1),x(n+1))) (3)

式中x(n+1) 、u(n+1) 和y(n+1)分别代表n+1时刻ESN的内部状态变量、输入变量和输出变量。n=0时刻令y(n)=0。搜集状态矩阵需去掉初始暂态的干扰,选择一个时间nmin(nmin

2 基于ESN的转炉终点碳温预测模型

2.1 一次倒炉碳温的主要影响因素

针对国内钢厂没有副枪和炉气分析检测技术凭经验炼钢的状况,建立准确的一次倒炉终点预测模型显得尤为重要。根据转炉内部的动力学和热力学分析,影响转炉终点一次倒炉碳温的主要因素有:铁水、废钢装入量,造渣装入量及各入炉料成分,一次倒炉之前的吹氧量及取样成分和温度,有效吹氧时间、炉龄等。炉龄越长,炉壁相对越薄,炉体整体散热就越快,同样冶炼时间其散失的热量就越多,但是在某段时间内,炉龄对温度的影响不大,因此可以不作考虑。由于该钢厂转炉采用半钢炼钢,其入炉硅、锰、磷、硫的量很少,因此硅、锰、磷、硫的量对终点碳温的影响较小。

加入的辅料也影响转炉一次倒炉钢水碳含量和温度,因此各辅料加入量应该作为预测模型的输入,而较多的输入会使网络复杂度增加,为减少模型输入而又不减少影响因素,将加入的辅料转化为炉渣物理热一个变量。根据以上分析,一次倒炉的碳、温预测模型的输入为:入炉半钢量,半钢温度,废钢加入量,入炉[C%]与取样[C%]的差值,入炉[P%]与取样[P%]的差值,入炉[Si%]与取样[Si%]的差值,炉渣物理热(采用机理方法计算得到);输出为:一次倒炉取样[C%],一次倒炉取样温度。

2.2 基于ESN的转炉终点碳温预测模型

从某钢铁厂2009年4月至2010年7月三座120t转炉生产数据中筛选出737炉有效数据。筛选数据的条件为:全部炉次加入废钢,入炉[C%]为3.5～4.0、入炉温度1 320～1 350℃、取样[C%]为0.02～0.12、取样温度1 640～1 720℃。从这些数据中随机选择515炉作为训练样本,222炉作为测试样本。

将每炉数据看作预测模型某时刻对应的输入输出,则该模型有7个输入、2个输出。为使构建的ESN模型具有良好的性能,需要选择合适的参数。而影响ESN性能的主要参数[8,9,10]有内部神经元的个数N,内部连接矩阵的密度d,谱半径ρ和网络输入权值缩放尺度Sc。采用遗传算法(Genetic Algorithm, GA)对以上4个主要参数进行优化,并以网络输出误差作为GA的适应度函数,使其ESN误差函数MSE最小。

undefined (4)

其中,N=nmax-nmin+1,ytech(n) 、Wout(u(n),x(n))分别为n时刻的实际、网络模型输出变量。遗传算法优化采用十进制编码、交叉变异得到最优解。根据回声状态网络特性的要求,待优化参数的取值范围为:网络大小N∈[10],谱半径ρ∈[0.5,0.98],密度d∈[0.01,1],输入权值缩放尺度Sc∈[0.01,1]。遗传算法的参数设定为:变量个数4,种群规模20,终止代数100,交叉率60%,变异率8%。最终得到的优化参数为:内部神经元的个数为20,内部连接矩阵的密度为0.077 3,谱半径为0.836和网络输入权值缩放尺度为0.4。使用GA优化终点碳温预测模型的学习流程见图3。

3 仿真结果与分析

为验证模型的有效性,在Matlab环境下做了大量的仿真测试。使用222炉样本对训练好的模型进行测试, 图4为一次倒炉取样实际值与模型预测值的对比,表1为模型对[C%]和温度的预测结果。

3.1 基于ESN的转炉终点碳温预测结果分析

从图4可以看出预测模型输出的[C%]主要分布在0.052～0.09之间,温度分布在1 665～1 690℃之间,而实际一次倒炉碳分布在0.04～0.1之间,温度分布在1 650～1 700℃之间,预测模型的输出值比实际数值的范围窄。如果用该模型对一次倒炉检测的碳温值分布较宽的多炉数据进行预测时,将不能收到较好的效果。

3.2 与BP神经网络模型预测结果对比

为了方便对比,采用与ESN预测模型相同的数据样本建立基于BP神经网络的转炉终点碳温预测模型(7输入,25隐层,2输出),并使用相同的误差计算式(4)。两模型参数保持不变、在同一台计算机上的同种仿真环境的情况下,进行多次仿真,ESN模型的计算误差与BP网络模型的计算误差平均值见表2。通过对比看出,ESN网络模型比BP在计算精度上大大提高。

4 结论

经大量仿真实验表明,基于遗传算法的ESN转炉终点碳温预测模型能够较准确的预测终点值,其终点碳含量和温度的预测精度比BP模型均有很大提高。但是,ESN对含有噪声的数据预测影响较大,而实际生产中噪声数据往往很难全部剔除,这可能导致整个模型不能得到最佳的预测效果。因此,基于ESN的转炉终点碳温预测模型如何克服噪声数据对其的干扰还有待进一步研究。

参考文献

[1]王登峰,倪红卫.人工神经网络在转炉炼钢终点预报中的应用研究[J].钢铁研究,2005,(2):27-31.

[2]刘浏.转炉控制信息与在线检测技术[J].冶金自动化,2000(3):5-7.

[3]H.Jaeger and H.Haas.Harnessing non-linearity:Predicting chaotic systems and saving energy in wireless communication[J].SCIENCE,April2,2004 Vol.304:78-80.

[4]W.Maass,T.Natschlger,and H.Markram.Real-time computing without stable states:A new framework for neural computation based onperturbations[J].Neural Computation,14(11):2531–2560,2002.

[5]王瑟.基于改进的回声状态神经网络的非线性预测[D].南京工业大学,2006.

[6]Jaeger H.A tutorial on training recurrent neural networks,covering BPTT,RTRL,EKF and“echo state network”approach[R].Bremen,Ger-man National Research Center for Information Technology,2002:1-46.

[7]Jaeger H.The“echo state”approach to analyzing and training recurrent neural networks[R].GMD Reprot 148,GMD-German National Re-search Institute for Computer Science,2001:1-43.

[8]Ishii,K.,van der Zant,T.,Vlatko Becanovic,V.,and Ploger,P..Identi?cation of motion with echo state network[J].In OCEANS’MTS/IEEETECHNO-OCEAN’,vol.3,pages 1205-1210,2004.

[9]袁长清,李俊峰,邓志东,宝音贺西.基于ESN网络的航天器姿态跟踪鲁棒控制[J].清华大学学报(自然科学版),2008,48(8):1362-1367.

[10]Jaeger H.,Lukosevicius M.,Popovici D.,and Siewert U.Optimization and Applications of Echo State Networks with Leaky Integrator Neurons[J].Neural Networks,vol.20,no.3,pp.335-352,2007.

浅析转炉炼钢终点控制技术现状 篇2

随着我国社会主义现代化的飞速发展, 国内政治、经济、技术、文化等诸多环境得以改善。钢材是诸多行业用于建造住房、商品楼等的重要原材料, 伴随着现代化建筑质量与建造速度提升的要求, 对钢材本身的质量要求及生产产能也提出了新的考验。为此, 不断加强现代钢材炼钢过程的优化、方法的改善就变得十分重要。转炉炼钢方法是世界范围内公认的较为先进的炼钢技术之一, 其能够在原有炼钢方法之上有效提升钢材冶炼的质量与速度。然而, 由于转炉炼钢方法使用过程中存在多个生产环节, 也就决定了炼钢过程及最终产品质量将受到众多因素的影响。那么, 在生产过程中应以炼钢最终产物或作业开展有效的终点控制, 消除上述过程中所存在的不利因素, 将会对有效确保转炉炼钢产品的质量与生产效率产生重要帮助。

2 转炉炼钢终点控制技术的发展现状研究

转炉炼钢方法的诞生最早可以追溯到上个世纪六十年代。那个时代中, 计算机技术的发展也使刚刚开始。从事冶炼钢铁的工厂技术人员逐渐从日常生产当中总结出了一些经验, 并通过利用热力实验进行了数据分析与总结, 对冶炼钢铁过程中所涉及到的投入原材料所有的化学反应及其所能够产生的热量进行了调查与总结, 利用较为原始的计算机技术对钢铁冶炼的生产过程进行分解, 并对每个生产环节的投入产出比进行了测试。

通过一系列的实验最终发现, 转炉炼钢方法所得到钢铁的数量及质量与每个生产环节所投入原材料的数量有着至关重要的联系。也就是说, 转炉炼钢方法的实际操作中需要严格对整个环境给予控制。实验数据表明, 转炉炼钢过程中钢水碳含量及相对应冶炼温度两要素应给予高度控制, 如果没有对钢水碳含量给予严格控制, 就会产生钢材碳含量过高问题, 从而极为不利于钢材当中铁矿物质的脱硫, 相应的就会使钢材当中的氮氧含量总体升高;如果没有对冶炼温度给予严格控制时, 就会产生钢材冶炼温度变化较大问题, 从而会对不同生产环节中多样化原材料产生超过标准的不可控消耗, 进而一方面会导致钢材出现质量问题, 另一方面会使整个冶炼钢材的过程边长。

3 不同类型转炉炼钢终点控制技术研究

3.1 人工经验控制技术研究

转炉炼钢方法中采用的重点控制技术雏形最早是由人工经验控制技术所衍生出来的。上个世纪初期, 转炉炼钢方法还未得到广泛应用。那时, 从事钢材冶炼的工厂大多需要在钢材炼制投入不同原材料时, 对炼钢炉内的明火的颜色进行观察。而肉眼观察的结果往往会受到炼钢工作人员经验的限制, 由此而得出的原材料添加比例, 或者是不同原材料的投入时点, 将会容易与标准投入总量及时间之间产生较大差异。在人工经验控制技术中通常又分为了两种终点控制方法, 一种是补吹法, 另一种是增碳法。

在人类历史中, 最初诞生钢材冶炼方法时, 多采用补吹法。其主要是通过对不同生产环节中原材料的投入标准来对是否投入合理进行判断, 并针对不足进行再次投入。例如:可以通过观测初步成型钢材中的含氧量, 并对已经偏离标准含氧量的熔炼过程进行氧化速度的调整。通过此种的方法所生产出的钢材通常是具有含氧量较低的特点, 而且能够使最终所生产出的钢材氧化废渣较少, 减少钢铁冶炼企业用于处理废渣的成本。针对增碳法, 其实一种较为粗略且简易的终点控制方法。其通常会将各原材料的投入比例、含氧量标准等进行严格的控制及技术参数设定, 冶炼过程中不再对指标、参数、控制手段进调节, 从而在一定程度上减少了整个炼钢过程耗费时间。

3.2 静态控制技术研究

静态控制技术是转炉冶炼终点控制技术中较为先进的一种。其通常会在冶炼最初利用电子计算机技术人为设置静态控制模型, 从而利用模拟的方式对整个冶炼过程当中所需要投入的物料比例、时点进行科学化、标准化的设计与调节, 从而能够极大的弥补由于人工经验控制给整个炼钢过程所带来的不确定性, 成为当前在转炉炼钢领域当中应用最为广泛的技术手段之一。在采种技术手段对转炉炼钢过程进行控制时, 应当对冷却剂、熔炼材料等进行严格的控制与设计, 并且通过静态模式应当进行多次的实验以便于最终获取的炼钢产物符合相关技术参数要求。在上述静态模式实验中, 可适度的对相应参数进调整以获取更优质的方法。相对于人工经验控制而言, 使用静态控制技术将可收获更为高质量的产品, 但其弱点也是显而易见, 经历较长过程的实验可能会对最终产物的生产效率带来不利影响。

4 结论

通过上文的研究, 可以发现, 随着国内城市现代化建设水平素质及规模的逐步提升, 对当代建筑业、房地产业等众多领域及行业产生了巨大影响。钢材作为这些行业得以生产与建造的重要原材料, 其冶炼的质量及产能效率也成为了时下关注的焦点。转炉炼钢方法作为世界范围内公认的重要冶炼途径, 已经在钢铁冶炼领域到了极大发展。作为转炉炼钢过程中直接影响其最终产品质量及生产效能的重点控制技术, 通常也受到了该行业领域的重视。为此, 作者在本文中对重点控制技术的发展历程给予追溯, 并在此研究基础上对该项技术的现代发生形式进行了总结与分析, 最终对不同类型转炉炼钢终点控制技术的未来发展给予了展望。仅此希望, 通过本文研究为钢铁冶炼领域的发展贡献一己之力。

参考文献

[1]冯士超, 王艳红, 丁瑞锋.转炉炼钢终点控制技术应用现状[J].冶金自动化.2016 (02)

转炉终点预测 篇3

转炉炼钢具有生产率高、原材料适应性好、投资小、见效快等优点,因此在我国炼钢业中广泛应用。但是相当数量的中小型转炉的吹炼终点控制仍处在经验炼钢和单一静态控制模式阶段,终点命中率低[1]。副枪动态控制因投资较大,而仅在现代化的大型转炉炼钢厂应用。1997年后,国外逐渐出现了以红外激光穿透炉口炉气来测量炉气成分并用于终点控制的光学传感器,但这种方法仅对于低碳(<0.05%)时的终点控制有效[2,3,4]。2000年后,国内提出了通过提取炉口火焰图像信息来判断终点的方法[5],但因算法复杂而无法找到判断终点的准确有用信息。本文提出将炼钢转炉炉口火焰光强信息用于炼钢在线终点控制的方法,实现了包括炉口光强采集和相应数据智能处理的终点在线预报系统。

1 转炉终点在线预报系统

转炉终点在线预报系统硬件总体设计如图1所示。单片机作为本系统的运算处理单元,由于炉口的温度很高,因此通过添加光传导装置使炉口光信息经光电转换、放大滤波和模数转换电路后送入到单片机。温度传感器和直流电机作为系统的动态控制单元,为系统提供一个稳定的环境和控制光电传感器的温漂。EEPROM作为系统的数据存储单元。串口用于与上位机通信。LCD为用户提供直观的数据显示。按键和蜂鸣器为用户提供操作控制。

系统中,光电传感器单元包含一个硒光电池,用于接收经光纤传递过来的光强,它的最大敏感带在可见光中约560nm处。进入光纤的能量较小,为获取高分辨率的炉口光强变化数据,系统选取了一个16位的模数转换芯片(AD976),其输入电压可达±10V。

DS18B20作为系统的温度探测器,需靠近光电池安装。单片机通过温度传感器获取光电池环境温度,并根据温度值控制支流电机的转速,从而抑制光电池温漂。

按键、蜂鸣器和LCD组成一个用户操作界面。可通过按键切换系统状态,从LCD直观读取系统运行信息。系统中,24C08作为系统的转炉终点数据和模糊神经网络权值存储单元,并通过串口与上位机通信,可实现模糊神经网络的重建和经验数据的修改。

2 基于模糊神经网络的转炉终点预报模型

2.1 熔池碳含量回归方程的建立

由于熔池碳含量的变化与炉口光强和炼钢吹氧量存在非线性关系,因此通过光强与累计吹氧量的关系图(如图2所示)便可推导出铁水中的碳含量[6,7]。统计分析表明,首次吹氧过程曲线的某些特性与熔池碳含量的相符性较好。

在建立非线性方程的过程中,需选取多个变量作为输入因子,而选取的变量应尽可能剔除一些无关变量和干扰变量的影响。本文选择的3个输入变量因子(x1,x2,x3)的含义分别为:

x1表示从光强达到峰值到吹氧结束时的吹氧量。

x2表示光强由初始时刻到到达峰值时的增加量与光强由峰值到吹氧结束时减少量的比值,即图2中a/b的值。

x3表示光强非常低时,在曲线的平直部分总的吹氧量。

选这3个量作为特征参数,建立线性回归方程:

y=f(x1,x2,x3)

利用这个方程就可估量金属冶炼的碳含量。因为其高度非线性,所以推导方程时不能按照传统的方法建立具体的多项式方程。本文运用模糊神经网络实现对数据的学习来达到推导钢中碳含量的目的,实现方程的非线性拟合。

2.2 模糊神经网络模型

模糊神经网络模型主要由输入层、模糊化层、规则层、输出层等组成,如图3所示。

设输入向量X=(x1,x2,…,xn)T。其语言变量值为,其中i=1,2,…,n;是变量的第j个语言变量,它是定义在论域上Ux上的模糊集合。相应的隶数函数为正态型函数[8]:

模糊神经网络的输入、输出映射关系为:

式中,ws表示清晰量xi转化为模糊变量的量化因子;wc表示正态型函数的中心值(wc=a);网络加权值wd表示μ(xj)函数的分布参数,也称尺度因子(1/wd=b)。

利用隶数函数构造的此模糊神经网络模型是一种用神经网络模拟模糊推理机的知识模型和推理模型,可以表达IF-THEN控制规则的知识结构。

第一层为输入层。该层神经元的个数域与输入维数相同,其作用就是直接把输入变量X的值传送到下一层的神经元。

式中,表示第一层的第i个神经元的输出。

第二层为模糊化层。该层的作用函数是正态形函数,将输入量进行模糊化处理。该层的神经元j的个数m与模糊集合输入量i的个数相关,输出为模糊化后的值。

式中,表示i个输入量在第二层模糊化后的第j个值。

第三层为规则层。该层对模糊化的数据进行处理和合成,神经元个数k为模糊集合个数的乘积。各神经元的输出为:

式中,表示第三层第k个神经元的输出值。

第四层为输出层。该层将规则层的输出值进行清晰化处理后输出控制量对被控对象进行在线控制。清晰化后的输出为:

式中,wk为清晰化处理的加权值。

通过训练模糊神经网络,逐步调整其权限值,以学习效率α使系统函数逼近所需要的非线性状态。训练中通过增加一个量来调整权值,其增量为:

3 软件系统

系统运行状态分为系统查询、系统设定、终点判断3种,系统实验板如图4所示。LCD会提示系统当前的状态,用户可通过按键来切换系统当前的运行状态。

系统查询状态为用户提供转炉终点信息查询功能。通过输入炉次号,便能在24C02中查询到终点数据,并在LCD上显示。

系统设定状态提供2种设定服务:设定系统模拟氧枪的氧流量和设定系统温度调节的下限温度与宽度。

终点判断状态是系统软件的最主要部分,本系统将训练后的模糊神经网络模型固化在单片机内,在终点判断时再调用,以计算熔池的碳含量。在终点判断状态中,系统先通过驱动AD976和调用算法程序来获取实时炉口的光强值,同时根据耗氧量来提取所需的特征参数;而后调用模糊神经网络计算熔池的碳含量,在LCD中显示碳、氧、温、光信息。用户中断终点判断状态时,表示转炉终点已经到达,系统自动将终点数据按照炉次号存储起来,以备后期查询。终点判断状态流程图如图5所示。

4 结束语

经实验验证,本系统在碳质量分数误差小于0.01%时的碳含量预报命中率可达80%,在碳质量分数误差小于0.02%时的碳含量预报命中率高达97%,终点命中率均达到了设计要求。

摘要：针对现有中小型转炉终点预报存在命中率低和能耗高的问题,在炉口火焰光强变化和人工看火经验基础上,设计了低能耗、低成本且可靠性高的转炉炼钢终点在线预报系统。系统以单片机技术为核心,在熔池火焰光强采集电路的基础上,通过模糊神经网络的单片机固化实现火焰信息的智能处理。实验证明,该系统能实时分析熔池光强与脱碳速率,动态预测熔池的碳含量,实现转炉终点预报。

关键词：火焰光强,单片机,模糊神经网络,转炉终点

参考文献

[1]J H Crlmner.A new metallurgical insight into BOP steehnaking and improved process control using sublance techniques and bottom gas stirring[J].Ironmaking&Steelmaking,1985 (12):31~36

[2]杨文远,高振滨.转炉溅渣护炉对钢水质量的影响[J].钢铁, 2000,19(7):13-16

[3]刘测.转炉全自动吹炼技术[J].冶金自动化,1999,20(4): 1-6

[4]王勇,杨宁川,王承宽.我国转炉炼钢的现状和发展[J].特殊钢,2005,15(4):1-5

[5]朱满堂,于华财,徐明.钢主要成分冶炼控制生产实践[J].炼钢,2004,18(2):235,246

[6]刘浏.转炉控制信息与在线检测技术(上)[J].冶金自动化, 2000,10(2):5-8

[7]王建军.转炉烟气分析动态控制炼钢技术[J].河南冶金, 2004,7(2):3-6

[8]Gang Leng,Thomas Martin McGinnity,Girijesh Prasad.Design for Self-Organizing Fuzzy Neural Networks Based on Genetic Algorithms[J].IEEE TRANSACTIONS ON FUZZY SYSTEMS,2006,14(6):755-766

[9]Katsuta G.Development of a Method of Partial Discharge Detection in Extra-hight Voltage Cross-linked Polyethylene Insulated Cable Lines[J].IEEE Tran.PWRD,1992(7): 1068-1079

转炉终点预测 篇4

1 工艺主要优势分析

1.1 降低钢铁料消耗

钢铁料消耗是炼钢企业最重要的成本指标, 是衡量一个炼钢厂竞争或赢利能力重要标志。而终点[C]含量又很大程度上影响着钢铁料消耗。

我们知道, 终点[C]含量与渣中 (Fe O) 存在着对应的关系。终点[C]含量越高, 渣中 (Fe O) 就越低;相反, 终点[C]越低, 渣中 (Fe O) 就越高, 则渣中带走的铁含量也就越高, 越不利于钢铁料消耗的降低。

氧气顶吹转炉吹炼过程的脱碳速度VC随着温度的升高而逐渐加快, 达到最大VC后又随着刚水中碳的减少而逐渐下降。当碳减少至一定小的含量 (约0.07%~0.10%) 时, VC已经很小了, 此时供入的氧气主要不是用来氧化碳而是氧化钢水中的铁元素。如果由于某种原因需要继续供氧, 此后的吹炼称之为后吹[1]。可见, 后吹增加了铁损, 减少了出钢量, 并降低了钢水质量。

当[C]含量低于0.06%时, 渣中 (Fe O) 会急聚增加, 严重后吹及点吹炉次的 (Fe O) 含量会高达40%以上, 而当[C]含量在0.06~0.08%时, 渣中 (Fe O) 则急剧降至25%以下的较低水平, 随着[C]含量的继续升高, (Fe O) 的降低趋势则趋于平缓。因此, 为了使终点[C]对钢铁料消耗的影响不至于太明显, 应该使终点[C]含量大于0.06%。

我们可以简单计算一下:若渣中 (Fe O) 增加10%, 则1t炉渣则多带走铁含量为:1000×10%×56/72=77.8kg,

一般转炉终渣含量占总装入量的0.10~0.15%, 经计算, 钢铁料消耗升高6~8kg/t, 随渣量的增加而增加。显然, 若拉后吹或点吹严重的话, 钢铁料消耗必会大幅增加。

由此可见, 提高转炉终点[C]有利于降低钢铁料消耗, 在允许的条件下, 我们应尽可能的提高终点[C]含量, 杜绝拉后吹及点吹。

1.2 降低合金消耗

我们知道, 终点[C]含量越高, 熔池[O]就越低, 反之, 熔池[O]则越高。因此终点[C]是合金工配加合金首先要考虑的因素。不同的终点[C]含量对合金收得率有着不同的影响, 但若[C]含量保持在0.07%以上, 不仅脱氧合金如铝块消耗大大降低, 硅、锰元素收得率也能分别稳定在90%及95%以上的水平。而一旦后吹或点吹严重, 因[O]的分布明显加大, 使元素吸收率明显下降且波动大, 配料计算就难以把握, 不利于成分的控制与稳定性。回收率若降低, 吨钢成本则升高。因此, 后吹或点吹严重的情况严重制约着生产成本的降低。

此外, 转炉终点[Mn]和终点[C]也有着一定关系, 一般终点[C]含量越高, 终点余[Mn]含量就越高, 相应地合金化过程中加入的锰铁量就越少。由此可见提高终点[C]含量工艺对合金料消耗的降低是显而易见的。

1.3 利于维护炉衬, 提高炉龄

渣中 (Fe O) 含量显著影响着炉衬寿命, 渣中 (Fe O) 含量越高, 对炉衬的侵蚀就越严重。也就是说, 终点[C]含量越低, 对炉衬侵蚀越严重。

渣中 (Fe O) 是溅渣护炉最重要的技术参数, 对溅渣效果起着至关重要的作用。若终渣 (Fe O) 含量较高, 特别是有严重后吹及点吹情况的, 溅渣效果往往较差, 对维护炉衬非常不利。而采用终点高[C]含量工艺时, 由于终点熔池[C]高, 终渣中 (Fe O) 含量较低, 可明显改善终渣状况, 提高溅渣护炉效果, 降低溅渣调料剂及补炉材料消耗, 补炉次数减少。许多钢厂例子证明良好的溅渣护炉可使转炉炉龄提高到10000炉以上, 甚至15000炉。因此提高转炉终点[C]含量, 是维护炉衬提高炉龄的主要任务。

1.4 提高钢水质量

终点[C]含量越低, 则渣中及钢水中残存的氧含量越高, 在钢水脱氧后, 氧化夹杂物也就越多, 残存在钢水中的数量也较多。严重的后吹及点吹使钢脱氧后产生大量的一次夹杂物使钢的可浇性变差。而终点[C]含量高的钢水, 在这方面的情况则大为减少甚至消失。因此, 终点[C]含量低, 不仅增加消耗, 加重精炼负担, 还严重影响钢水内在的质量。

2 工艺存在的主要问题

2.1 不利于钢水的脱磷

根据脱磷反应的热力学条件可知, 钢中[C]低, 钢及渣中氧化性高, 渣中 (Fe O) 升高有利于脱磷。大量实践证明, 转炉终点[C]含量越高, 回磷倾向越大, 转炉终点[C]含量越低, 回磷倾向越小。这也就是为什么在冶炼低磷钢使终点[C]含量普遍控制偏低的原因。因此, 如何保证在转炉终点[C]含量较高的前提下, 最大限度的去除[P]是所有钢铁企业普遍存在难点。

2.2 终点判断易失误

如果一昧的片面追求高碳出钢, 控制不当反而会出现终点高碳高磷现象, 这就必然采取点吹操作, 不仅增加冶炼周期, 还严重侵蚀了炉衬, 增加了钢水中夹杂物, 增加了钢铁料消耗及合金消耗, 这对降成本显然起到了相反的作用, 得不偿失。

3 工艺优化

3.1 吹炼前期高效脱磷

根据脱磷反应热力学条件可知, 前期熔池温度低, 渣中 (Fe O) 含量高, [C]—[O]反应缓慢, 是高碳出钢工艺最有效的去磷时期。在此时期, 一定要做到“早化渣, 化好渣, 尽快形成具有一定碱度和良好流动性的碱性渣”, 以保证最大限度的脱磷。

为确保前期去磷效果, 前期熔池温度不能过高, 而为了促进石灰的熔化, 获得较好的渣流动性, 熔池温度又不能过低。因而操作中应注意, 为避免前期升温过快, Si、Mn氧化期过后应提高枪位, 同时降低供氧流量, 以便延长脱磷期保证去磷效果[2]。

3.2 中期采用高枪位低氧流量操作

高枪位低氧流量操作, 降低了对钢液的供氧强度, 能够在一定程度上抑制碳氧反应的快速进行, 这样既可以抑制快速脱[C]升温, 又可以增加渣中Fe O含量, 促进化渣, 强化脱磷, 同时保证了终点[C]。

3.3 控制合适的炉渣 (Fe O)

(Fe O) 含量过高或过低都会影响熔池去磷效果。因为 (Fe O) 含量过低时, 炉渣流动性和氧化性差, 去磷能力降低;而 (Fe O) 含量过高时, 会导致炉渣中 (Ca O) 活度显著降低, 这样反而会降低熔池去磷能力。有资料[3]表明, 炉渣 (Fe O) 含量控制在12%~16%附近脱磷效果最佳。可见, 过高 (Fe O) 对脱磷无用, 且会降低终点[C]含量, 在保证脱磷合适的前提下, 控制炉渣 (Fe O) 越低越好。

3.4 合理的造渣制度

在高[Si]、高[Mn]条件下, 易化渣且渣量大, [P]在终点[C]含量较高的情况下也很容易脱到较低水平, 这是提高终点[C]含量的绝佳机会。若在低[Si]、低[Mn]铁水条件下, 提倡推进留渣操作, 很容易达到低磷、高碳出钢的目的。另外采用双渣法操作也有利于脱磷, 有利于提高终点[C]含量, 但双渣法需要倒前期渣, 会带走大量金属, 增加钢铁料消耗。

3.5 降低出钢温度, 快速出钢

在高[C]出钢工艺下, 为保证去磷效果, 过程温度控制偏低对脱磷有利。在转炉停炉间隔及出钢时间短, 钢包烘烤良好, 正常周转包等有利出钢条件和满足后续工序要求的条件下, 出钢温度控制的越低越好。210炼钢车间经过大量实践证明过程温度控制在1580~1600℃, [C]控制在0.40~0.60%, 终点温度控制在1640~1660℃, 容易进行高C低磷操作。210炼钢车间经过工艺优化后, 终点[C]有效控制在了0.08~0.10%, 同时平均磷也控制在了0.016%左右。

3.6 合理控制终点[C]含量

根据冶炼钢种采取合理的操作工艺, 控制合适的终点[C]含量。终点[C]含量的多少主要取决于所冶炼钢种[C]、[P]的成份以及所配加增碳合金量的多少。我车间根据大量实践经验, 总结如下:

冶炼PD23系列、PD17系列等类似钢种时, 因成品[P]的上限为0.030%, [C]的上限为0.20~0.022%, 因而是提高终点[C]含量工艺的理想选择。考虑到合金增碳影响, 终点[C]控制在0.10~0.14%;

冶炼[P]上限为0.025%, [C]上限为0.18~0.20%的钢种时, 终点[C]控制在0.08~0.12%;

冶炼[P]上限为0.020%, [C]上限为0.18~0.20%的钢种时, 终点[C]控制在0.08~0.10%;

冶炼[P]上限为0.015%, [C]上限为0.18%的钢种时, 终点[C]控制在0.07~0.09%;

冶炼[P]上限为0.015%, [C]上限为0.10%的钢种时, 终点[C]控制在0.05~0.08%, 合金使用低碳合金或金属锰或两者按一定比例结合的配加方式, 具体情况视终点[C]、[P]以及合金资源及成本而定。

3.7 建立一次拉[C]命中率竞赛

在上述优化工艺的基础上, 建立一次拉[C]命中率竞赛, 奖励与考核制度并行, 激励炼钢人员的工作热情与积极性, 并能有效提高工人的冶炼水平。

4 工艺实践效果

统计210炼钢车间工艺优化前后各200炉实际数据平均值对比, 如表1。

从表1工艺优化前后数据对比可知新工艺的效果是显而易见的。

210炼钢车间通过优化工艺及劳动竞赛, 终点[C]由原先0.06~0.09%提高到0.08~0.12%, 平均余[Mn]增加约0.03%, 终点氧含量由平均423ppm降到平均340ppm, 吨钢铝消耗降低约0.1kg/t, 平均终点[P]控制在了0.016%以下。钢铁料消耗由1064.5/kg降到1058.1/kg, 一次终点合格率由原先82.6%提高到92.3%。硅、锰合金收得率分别由原来的87.3%、95.5%提高到92.5%、97.8%。

另外, 终渣粘度大大改观, 溅渣料消耗减少, 溅渣效果较好, 溅渣时间缩短约1~2分钟, 吨钢氮气节约750~1500Nm3。炉衬质量保持良好, 补炉料消耗降低, 液位长期稳定在9800~10000mm, 利于操作的稳定。

5 结论

(1) 采取有效的措施, 保证了去磷保碳, 终点[C]有原先0.06~0.09%提高到0.08~0.12%, 平均终点[P]控制在了0.016%以下。

(2) 平均余[Mn]增加约0.03%, 终点氧含量由平均423ppm降到平均340ppm, 钢铁料消耗由1064.5/kg降到1058.1/kg。

(3) 有利于维护炉衬, 节约了溅渣料和补炉料, 有利于净化钢水。

参考文献

[1]冯捷, 贾燕.转炉炼钢实训[M].北京:冶金工业出版社, 2004.

[2]王金平, 吴健鹏, 李小明, 等.河南冶金, 2006 (9) :52-57.