[发明专利]用于氧气转炉质量控制系统的方法和装置

说明书

技术领域

本发明一般而言涉及过程控制方案，更具体而言，涉及用于与氧气转炉 (oxygen furnace)相关联的第一倾炉(turndown)质量的在线质量预测和控制 的方法和装置。

背景技术

碱性氧气转炉(BOF)是一种分批化学反应器，其将从鼓风炉产生的高温 金属转化为具有期望的钢的等级、成分、重量和温度的液态钢。为了做到这样， 吹入高纯氧气穿过熔池以降低液态铁的碳、硅、锰和磷的含量。随后在漂浮在 高温金属表面上的熔渣中去除杂质和少量氧化的铁。在钢被提纯以后，将钢液 倒入预热的钢水包中。在该倒入操作期间将合金加入该钢水包以便使钢具有期 望的精确成分，这被称作“第一倾炉”。

BOF第一倾炉质量和分批生产时间的精确控制是在最大化钢生产率和产 量、降低能量和材料消耗、以及平衡从BOF到连续浇铸操作的预测路径中的重 要因素。目标和实际质量之间的误差的平均值和标准偏差的减少也是经济上所 期望的。

目前已知的BOF系统是难以控制的。例如，在BOF的分批过程期间通常 几乎没有可获得的实时信息，并且因此在批次末尾的质量完全取决于在该批次 起始点的配方。此外，BOF过程非常复杂且高度非线性，并且静态加料模型的 性能不能令人满意。因为在分批过程期间缺少实时质量信息，所以在加料时的 第一倾炉质量的预测和控制对于有效控制BOF生产很重要。

BOF预测器的功能是以实际和预测质量之间的最小预测误差来产生在第一 倾炉时的质量(即主要的化学成分、温度和重量)的预测。大多数现有技术预 测方法是基于具有反向传播(BP)监督学习的前馈神经网络(NN)。然而，如 果不能适当控制NN训练的终止，EMR(经验最小风险)类型的神经网络训练 可以导致数据的过度拟合。另一方面，一般化性能严重依赖于从大量历史批次 的数据中选择的训练实例，即一批次又一批次地在第一倾炉时的输入、预测质 量以及实际结果。

该控制系统还可用从不可控的输入空间和表示目标(target)质量空间的目 标(aim)质量(在第一倾炉时)空间映射到输出空间(即加料决策空间)的数 据模式映射的概念来说明。从计算的观点来看，这样的复杂系统不能提供具有 一致性的唯一解，特别是对于有噪数据。为了改进开环控制质量，已有辅助措 施来根据机器学习和数据挖掘技术来预测具有不可控的输入和计算出的加料决 策的第一倾炉质量。

因此，需要一种在加料操作时、在可变生产条件下和具有有噪数据的情况 下提供更精确的预测结果和控制决策的在线(连网)系统。更具体而言，这种 系统应当能够提供与批次数据质量和输入空间的可控性无关的控制决策。根据 随后结合附图和本发明的本背景所作的本发明的详细描述以及所附权利要求 书，本发明其他期望的特征和特性将变得显而易见。

附图说明

下文将结合后面的附图来描述本发明，其中相同的附图标记表示相同的元 件，并且

图1描绘根据一个实施例的BOF过程控制系统的概念方框图；

图2描绘根据一个实施例的在炼钢过程中用于预测碳百分比和温度的静态 BOF模型；

图3描绘根据一个实施例的第一倾炉质量预测的用于调整氧气和冷却剂的 示例性过程的流程图；

图4描绘根据一个实施例的用于BOF加料决策的批次到批次(run-to-run) 控制模型；

图5描绘根据一个实施例的用于BOF加料决策的混合控制模型；

图6描绘用于预测BOF过程的第一倾炉质量的示例性过程的流程图；

图7描绘在说明本发明中有用的典型BOF过程；以及

图8给出用于使用图4的模型来控制BOF过程的第一倾炉质量的计算机实 施的算法。

具体实施方式

本发明一般而言涉及在线(即连网)系统和方法，用于基于支持向量回归 (SVR)来利用碱性氧气转炉的计算机实施的模型对碱性氧气转炉进行控制， 从而将该模型配置成生成第一倾炉质量的预测。将该模型应用于历史数据以生 成第一倾炉质量的预测，将该预测与实际测量进行比较。碱性氧气转炉的控制 配方至少部分地基于比较的结果，并且更新该模型。系统通常包括预处理器、 配置成存储与碱性氧气转炉的第一倾炉质量相关联的历史数据的数据库、与 数据库耦合的预测模块、以及批次到批次控制模块。提供图形用户接口以用 于数据的可视化和调整。