电弧炉炼钢炉渣成分实时预报模型

工程科学学报 Chinese Journal of Engineering 电弧炉炼钢炉渣成分实时预报模型 杨凌志薛波涛宋景凌魏光升郭宇峰谢鑫刘全胜 Real-time prediction model of slag composition in electric arc furnace steelmaking YANG Ling-zhi,XUE Bo-tao,SONG Jing-ling,WEI Guang-sheng.GUO Yu-feng.XIE Xin,LIU Quan-sheng 引用本文： 杨凌志，薛波涛，宋景凌，魏光升，郭宇峰，谢鑫，刘全胜.电弧炉炼钢炉渣成分实时预报模型.工程科学学报，2020,42(S): 39-46.doi10.13374j.issn2095-9389.2020.04.05.s12 YANG Ling-zhi,XUE Bo-tao,SONG Jing-ling,WEI Guang-sheng,GUO Yu-feng,XIE Xin,LIU Quan-sheng.Real-time prediction model of slag composition in electric arc furnace steelmakingJ].Chinese Journal of Engineering,2020,42(S):39-46.doi: 10.13374/i.issn2095-9389.2020.04.05.s12 在线阅读View online:https::/oi.org10.13374j.issn2095-9389.2020.04.05.s12 您可能感兴趣的其他文章 Articles you may be interested in 基于“炉机对应”的炼钢连铸生产调度问题遗传优化模型 Genetic optimization model of steelmakingcontinuous casting production scheduling based on the "furnacecaster coordinating" strategy 工程科学学报.2020.42(5：645htps:/1doi.org10.13374j.issn2095-9389.2019.08.02.004 高炉渣对钢渣改性的物理化学基础研究 Fundamental research on the physics and chemistry of steelmaking slag modified with hot blast furnace slag 工程科学学报.2018,40(5：557htps:doi.org/10.13374j.issn2095-9389.2018.05.005 基于关联关系的仿真模型实时智能推荐方法 Real-time intelligent recommendation method of a simulation model based on incidence relation 工程科学学报.2017,394：626htps:loi.org10.13374.issn2095-9389.2017.04.019 基于函数型数字孪生模型的转炉炼钢终点碳控制技术 Control technology of end-point carbon in converter steelmaking based on functional digital twin model 工程科学学报.2019,41(4：521 https:1doi.org10.13374j.issn2095-9389.2019.04.013 金川镍沉降渣的工艺矿物学 Process mineralogy of Jinchuan nickel slag in a settlement furnace 工程科学学报.2017,393：349htps:/doi.org10.13374j.issn2095-9389.2017.03.005 转炉吹炼后期碳含量预报的改进指数模型 Modified exponential model for carbon prediction in the end blowing stage of basic oxygen furnace converter 工程科学学报.2020,42(7)：854 https://doi..org10.13374.issn2095-9389.2019.11.23.001

电弧炉炼钢炉渣成分实时预报模型 杨凌志 薛波涛 宋景凌 魏光升 郭宇峰 谢鑫 刘全胜 Real-time prediction model of slag composition in electric arc furnace steelmaking YANG Ling-zhi, XUE Bo-tao, SONG Jing-ling, WEI Guang-sheng, GUO Yu-feng, XIE Xin, LIU Quan-sheng 引用本文: 杨凌志, 薛波涛, 宋景凌, 魏光升, 郭宇峰, 谢鑫, 刘全胜. 电弧炉炼钢炉渣成分实时预报模型[J]. 工程科学学报, 2020, 42(S): 39-46. doi: 10.13374/j.issn2095-9389.2020.04.05.s12 YANG Ling-zhi, XUE Bo-tao, SONG Jing-ling, WEI Guang-sheng, GUO Yu-feng, XIE Xin, LIU Quan-sheng. Real-time prediction model of slag composition in electric arc furnace steelmaking[J]. Chinese Journal of Engineering, 2020, 42(S): 39-46. doi: 10.13374/j.issn2095-9389.2020.04.05.s12 在线阅读 View online: https://doi.org/10.13374/j.issn2095-9389.2020.04.05.s12 您可能感兴趣的其他文章 Articles you may be interested in 基于“炉机对应”的炼钢连铸生产调度问题遗传优化模型 Genetic optimization model of steelmakingcontinuous casting production scheduling based on the “furnacecaster coordinating” strategy 工程科学学报. 2020, 42(5): 645 https://doi.org/10.13374/j.issn2095-9389.2019.08.02.004 高炉渣对钢渣改性的物理化学基础研究 Fundamental research on the physics and chemistry of steelmaking slag modified with hot blast furnace slag 工程科学学报. 2018, 40(5): 557 https://doi.org/10.13374/j.issn2095-9389.2018.05.005 基于关联关系的仿真模型实时智能推荐方法 Real-time intelligent recommendation method of a simulation model based on incidence relation 工程科学学报. 2017, 39(4): 626 https://doi.org/10.13374/j.issn2095-9389.2017.04.019 基于函数型数字孪生模型的转炉炼钢终点碳控制技术 Control technology of end-point carbon in converter steelmaking based on functional digital twin model 工程科学学报. 2019, 41(4): 521 https://doi.org/10.13374/j.issn2095-9389.2019.04.013 金川镍沉降渣的工艺矿物学 Process mineralogy of Jinchuan nickel slag in a settlement furnace 工程科学学报. 2017, 39(3): 349 https://doi.org/10.13374/j.issn2095-9389.2017.03.005 转炉吹炼后期碳含量预报的改进指数模型 Modified exponential model for carbon prediction in the end blowing stage of basic oxygen furnace converter 工程科学学报. 2020, 42(7): 854 https://doi.org/10.13374/j.issn2095-9389.2019.11.23.001

工程科学学报.第42卷，增刊1：39-46.2020年12月 Chinese Journal of Engineering,Vol.42,Suppl.1:39-46,December 2020 https://doi.org/10.13374/j.issn2095-9389.2020.04.05.s12;http://cje.ustb.edu.cn 电弧炉炼钢炉渣成分实时预报模型 杨凌志”，薛波涛)，宋景凌)，魏光升)区，郭宇峰)，谢鑫)，刘全胜) 1)中南大学资源加工与生物工程学院，长沙4100832)衡阳华菱钢管有限公司，衡阳421000 3)北京科技大学治金与生态工程学院，北京100083 ☒通信作者，E-mail:weiguangsheng@ustb.edu.cn 摘要为了实现治炼过程中对炉渣成分的实时预测，给电弧炉炼钢过程中加料等工艺操作提供帮助，对影响炉内炉渣成分 的因素（炉内反应、加料与流渣）进行了研究，构建了电弧炉炼钢炉渣成分实时预报模型.结果显示，该模型能够实时预测炉 内炉渣质量和成分变化，预报炉内铁元素氧化状况，可为治炼过程中添加辅料与流渣等工艺操作提供指导作用.通过与现场 炉渣取样检测结果进行对比，得到炉渣中Ca0、SiO2和Fe0实测成分与模型预测成分的平均相对误差分别为12.66%、 11.17%和19.16%. 关键词电弧炉炼钢：炉渣成分：实时预测：炉内反应：加料：流渣 分类号TG741.5 Real-time prediction model of slag composition in electric arc furnace steelmaking YANG Ling-zhi,XUE Bo-tao,SONG Jing-ling,WEI Guang-sheng GUO Yu-feng,XIE Xin,LIU Quan-sheng 1)School of Minerals Processing and Bioengineering,Central South University,Changsha 410083,China 2)Hengyang Valin Steel Tube Co.,Ltd.,Hengyang 421000,China 3)School of Metallurgical and Ecological Engineering,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:weiguangsheng @ustb.edu.cn ABSTRACT To realize the real-time prediction of slag composition in the smelting process and provide the assistance to the operations in electric arc furnace (EAF)steelmaking process such as charging,the influence factors on the slag composition in the furnace(furnace reaction,charging,and slag overflowing)were studied,and the real-time prediction model of slag composition in EAF steelmaking process was established.In the results,the model could predict the slag quality,the slag composition,and the oxidation status of Fe element in the furnace in real time,providing the guidance for the auxiliary material charging and the slag flowing in the smelting process.Compared with the slag sampling results,the average relative errors of Ca,SiOz,and FeO content in the slag between the actual measurement and the model predicted values were 12.66%,11.17%,and 19.16%,respectively. KEY WORDS electric arc furnace steelmaking:slag composition;real-time prediction;furnace reaction;charging:slag overflowing 电弧炉炼钢(Electric arc furnace steelmaking, 等的脱除，准确判断和控制冶炼过程中的炉渣 EAF steelmaking)作为短流程炼钢的重要环节之 成分是提高钢液质量的重要工作 一，其主要任务是为精炼过程提供成分合格的钢 冶金研究者在炼钢炉渣成分控制与检测技术 水-).在电弧炉炼钢过程中，炉渣成分直接影响 方面做了大量的研究.王力军等对炼钢厂进行 钢液成分的控制、泡沫渣的产生以及有害元素磷 泡沫渣实验研究，通过合理的造渣工艺、吹氧工艺 收稿日期：2020-04-05 基金项目：国家自然科学基金资助项目(51804345)：中国博士后科学基金资助项目(2020T130053.2019M660459)

电弧炉炼钢炉渣成分实时预报模型 杨凌志1)，薛波涛1)，宋景凌2)，魏光升3) 苣，郭宇峰1)，谢    鑫1)，刘全胜2) 1) 中南大学资源加工与生物工程学院，长沙 410083    2) 衡阳华菱钢管有限公司，衡阳 421000     3) 北京科技大学冶金与生态工程学院，北京 100083 苣通信作者，E-mail：weiguangsheng@ustb.edu.cn 摘    要    为了实现冶炼过程中对炉渣成分的实时预测，给电弧炉炼钢过程中加料等工艺操作提供帮助，对影响炉内炉渣成分 的因素（炉内反应、加料与流渣）进行了研究，构建了电弧炉炼钢炉渣成分实时预报模型. 结果显示，该模型能够实时预测炉 内炉渣质量和成分变化，预报炉内铁元素氧化状况，可为冶炼过程中添加辅料与流渣等工艺操作提供指导作用. 通过与现场 炉渣取样检测结果进行对比，得到炉渣中 CaO、SiO2 和 FeO 实测成分与模型预测成分的平均相对误差分别为 12.66%、 11.17% 和 19.16%. 关键词    电弧炉炼钢；炉渣成分；实时预测；炉内反应；加料；流渣 分类号    TG741.5 Real-time prediction model of slag composition in electric arc furnace steelmaking YANG Ling-zhi1) ，XUE Bo-tao1) ，SONG Jing-ling2) ，WEI Guang-sheng3) 苣 ，GUO Yu-feng1) ，XIE Xin1) ，LIU Quan-sheng2) 1) School of Minerals Processing and Bioengineering, Central South University, Changsha 410083, China 2) Hengyang Valin Steel Tube Co., Ltd., Hengyang 421000, China 3) School of Metallurgical and Ecological Engineering, University of Science and Technology Beijing, Beijing 100083, China 苣 Corresponding author, E-mail: weiguangsheng@ustb.edu.cn ABSTRACT    To  realize  the  real-time  prediction  of  slag  composition  in  the  smelting  process  and  provide  the  assistance  to  the operations  in  electric  arc  furnace  (EAF)  steelmaking  process  such  as  charging,  the  influence  factors  on  the  slag  composition  in  the furnace (furnace reaction, charging, and slag overflowing) were studied, and the real-time prediction model of slag composition in EAF steelmaking process was established. In the results, the model could predict the slag quality, the slag composition, and the oxidation status of Fe element in the furnace in real time, providing the guidance for the auxiliary material charging and the slag flowing in the smelting process. Compared with the slag sampling results, the average relative errors of CaO, SiO2 , and FeO content in the slag between the actual measurement and the model predicted values were 12.66%, 11.17%, and 19.16%, respectively. KEY WORDS    electric arc furnace steelmaking；slag composition；real-time prediction；furnace reaction；charging；slag overflowing 电弧炉炼钢 （ Electric  arc  furnace  steelmaking， EAF steelmaking）作为短流程炼钢的重要环节之 一，其主要任务是为精炼过程提供成分合格的钢 水[1−3] . 在电弧炉炼钢过程中，炉渣成分直接影响 钢液成分的控制、泡沫渣的产生以及有害元素磷 等的脱除[4−10] . 准确判断和控制冶炼过程中的炉渣 成分是提高钢液质量的重要工作. 冶金研究者在炼钢炉渣成分控制与检测技术 方面做了大量的研究. 王力军等[11] 对炼钢厂进行 泡沫渣实验研究，通过合理的造渣工艺、吹氧工艺 收稿日期: 2020−04−05 基金项目: 国家自然科学基金资助项目（51804345）；中国博士后科学基金资助项目（2020T130053，2019M660459） 工程科学学报，第 42 卷，增刊 1：39−46，2020 年 12 月 Chinese Journal of Engineering, Vol. 42, Suppl. 1: 39−46, December 2020 https://doi.org/10.13374/j.issn2095-9389.2020.04.05.s12; http://cje.ustb.edu.cn

40 工程科学学报，第42卷，增刊1 以及配碳量操作，使得泡沫渣脱磷效果增强，控制 2[C]+0,=2C0 了炉渣成分，满足了炼钢要求.李建生等2结合 [Si]+0,=Si0 工艺条件和热力学条件对转炉脱硫、脱磷进行分 2[Mn]+0,=2MnO 2IFe]+0,=2Fe0 析，通过对炉内温度及炉渣成分等参数的有效控 Bubble boundary 制，使钢水中S、P元素满足钢种成分要求.范佳 02 layer of liquid steel 等]在转炉少渣冶炼工艺中，对炉渣成分以及碱 度的实时变化进行物料平衡研究，开发出预报模 型，实现了转炉生产过程中的炉渣成分连续预报， 80 但是仅限于少渣成分的检测，满足不了工业生产 对实时预测与控制的需求.余嵘华等采用激光 诱导击穿光谱技术对取样炉渣成分实时在线监 Ar、N, 测，编写了一套炉渣等离子体光谱数据自动寻峰 因1钢液中元素选择性氧化机理 程序，用于炉渣成分的在线分析，取得了较好的效 Fig.1 Selective oxidation mechanism of elements in the liquid steels 果.陈兴龙等利用激光诱导击穿光谱技术结 合最小二乘回归模型对炉渣的CaO、MgO、Al,O3 Start 和Fe进行定量分析，实现了炉渣实时在线检测且 缩小了炉渣成分检测的误差.然而，在利用激光检 Collect the initial composition and the weight 测技术对炉渣成分进行预测时，由于冶炼过程中 of molten iron,scrap,molten iron slag. and auxiliary materials 炉内反应复杂且剧烈，成分随时变化，多元素之间 产生的相互干扰对光谱造成影响，粒子谱线繁杂、 Calculate the content of element 密集，不易找寻和对应，导致预测方法复杂和精度 in molten steel and slag 不高 通过对以上炼钢炉渣成分控制与检测技术方 Change in the reaction Standard gibbs free entropy, energy change 面的研究，冶金研究者可以得到合理的炼钢炉渣 成分，实现炉渣成分的事后检测，使其满足炼钢工 t△G=△Gr+RInJ 艺的需求.然而，在实际冶炼过程中，控制炉渣成 Gibbs free energy of reaction,.△G 分达到目标要求是通过加入石灰等辅料与控制炉 Periodic 门流渣来实现的，如何对这些工艺进行合理操作， Determine the update order of the 就需要了解电弧炉炉内炉渣的实时成分，前人对 calculation elements 这一问题的研究甚少.本文研究了冶炼过程中炉 Determinate 内反应、加料、炉门流渣对炉渣成分的影响，构建 oxidizing element Real-time 一个电弧炉炼钢炉渣成分预报模型，实现对炉内 oxygen supply 炉渣成分的实时预测 Changes of slag composition and weight 1炉内反应对炉渣的影响研究 在电弧炉炼钢过程中，炉内钢液主要元素(C、 No End of smelting? Si、Mn和Fe等)不断发生氧化反应.为了研究氧 Yes 化反应及反应进程对炉渣成分和质量的影响，本 文从热力学角度研究炉内钢液元素的实时氧化以 End 及炉渣的变化情况，基于此构建了选择性氧化反 国2选择性氧化模型计算流程 应的炉渣成分改变模型，模型具体流程和步骤如 Fig.2 Calculation process of the selective oxidation model 下所示.图1所示为钢液中元素选择性氧化机理， 图2所示为模型计算流程 以及初始炉渣的成分和质量 (1)根据冶炼前加入的铁水、废钢和铁水包炉 (2)炉内发生氧化反应的主要元素是钢液中 渣成分和质量，计算初始钢液中C、Si、Fe等元素 的C、Si、Mn和Fe元素.根据范特霍夫等温公式

以及配碳量操作，使得泡沫渣脱磷效果增强，控制 了炉渣成分，满足了炼钢要求. 李建生等[12] 结合 工艺条件和热力学条件对转炉脱硫、脱磷进行分 析，通过对炉内温度及炉渣成分等参数的有效控 制，使钢水中 S、P 元素满足钢种成分要求. 范佳 等[13] 在转炉少渣冶炼工艺中，对炉渣成分以及碱 度的实时变化进行物料平衡研究，开发出预报模 型，实现了转炉生产过程中的炉渣成分连续预报， 但是仅限于少渣成分的检测，满足不了工业生产 对实时预测与控制的需求. 余嵘华等[14] 采用激光 诱导击穿光谱技术对取样炉渣成分实时在线监 测，编写了一套炉渣等离子体光谱数据自动寻峰 程序，用于炉渣成分的在线分析，取得了较好的效 果. 陈兴龙等[15−16] 利用激光诱导击穿光谱技术结 合最小二乘回归模型对炉渣的 CaO、MgO、Al2O3 和 Fe 进行定量分析，实现了炉渣实时在线检测且 缩小了炉渣成分检测的误差. 然而，在利用激光检 测技术对炉渣成分进行预测时，由于冶炼过程中 炉内反应复杂且剧烈，成分随时变化，多元素之间 产生的相互干扰对光谱造成影响，粒子谱线繁杂、 密集，不易找寻和对应，导致预测方法复杂和精度 不高. 通过对以上炼钢炉渣成分控制与检测技术方 面的研究，冶金研究者可以得到合理的炼钢炉渣 成分，实现炉渣成分的事后检测，使其满足炼钢工 艺的需求. 然而，在实际冶炼过程中，控制炉渣成 分达到目标要求是通过加入石灰等辅料与控制炉 门流渣来实现的，如何对这些工艺进行合理操作， 就需要了解电弧炉炉内炉渣的实时成分，前人对 这一问题的研究甚少. 本文研究了冶炼过程中炉 内反应、加料、炉门流渣对炉渣成分的影响，构建 一个电弧炉炼钢炉渣成分预报模型，实现对炉内 炉渣成分的实时预测. 1    炉内反应对炉渣的影响研究 在电弧炉炼钢过程中，炉内钢液主要元素（C、 Si、Mn 和 Fe 等）不断发生氧化反应. 为了研究氧 化反应及反应进程对炉渣成分和质量的影响，本 文从热力学角度研究炉内钢液元素的实时氧化以 及炉渣的变化情况，基于此构建了选择性氧化反 应的炉渣成分改变模型，模型具体流程和步骤如 下所示. 图 1 所示为钢液中元素选择性氧化机理， 图 2 所示为模型计算流程. （1）根据冶炼前加入的铁水、废钢和铁水包炉 渣成分和质量，计算初始钢液中 C、Si、Fe 等元素 以及初始炉渣的成分和质量. （2）炉内发生氧化反应的主要元素是钢液中 的 C、Si、Mn 和 Fe 元素. 根据范特霍夫等温公式 Bubble boundary layer of liquid steel 2[C]+O2=2CO [Si]+O2=SiO2 2[Mn]+O2=2MnO 2[Fe]+O2=2FeO SiO2 O2 Ar、N2 MnO FeO CO Fe Mn O2 O2 Si Ar C 图 1    钢液中元素选择性氧化机理 Fig.1    Selective oxidation mechanism of elements in the liquid steels ∆G=∆GΘ+RTInJ Periodic update calculation Real-time oxygen supply Start Calculate the content of element in molten steel and slag End End of smelting? Standard gibbs free energy change Determine the order of the elements Determinate oxidizing element Changes of slag composition and weight Yes No Collect the initial composition and the weight of molten iron, scrap, molten iron slag, and auxiliary materials Change in the reaction entropy, J Gibbs free energy of reaction, ΔG 图 2    选择性氧化模型计算流程 Fig.2    Calculation process of the selective oxidation model · 40 · 工程科学学报，第 42 卷，增刊 1

杨凌志等：电弧炉炼钢炉渣成分实时预报模型 41 (△G=△G0+RTnJ),计算各反应的吉布斯自由 浮在钢液上层的渣体会发生震荡并从炉门口溢 能，判断元素实时氧化顺序，主要化学反应如式 出、竖直下落.为了采集到高清晰度与高质量的 (1)式(4) 炉门流渣溢出视频，同时避免高温对机械操作的 2[C+02=2C0 (1) 影响，将固定工业摄像头的三脚架设置在距炉门 [Sil+O2=(SiO2) (2) 流渣20m的位置，并保证良好的拍摄视角，同时 2[Mn]+02=2(MnO) (3) 连接摄像头电源和计算机之间的传输数据线，实 2[Fe]+O2=2(FeO) (4) 时传输录制的溢出炉门流渣视频，如图3所示. (3)随着冶炼地进行，钢液元素不断被氧化， 形成炉渣.根据氧气的实时消耗量和炉内发生的 氧化反应，计算出实时被氧化元素形成的炉渣质 量（△M),如式(5）所示，其中C元素被氧化生 成CO溢流于空气中，故不考虑其对炉渣成分和质 量的影响 △M= i.MRo.(Voz/Vm (5) 1000 式中：RO为反应产生的氧化物，如SiO2、MnO、FeO 和Fe2O3等；i为质量系数；M为物质的摩尔质量， 图3炉渣溢出过程拍摄示意图 gmol;Vo,为02体积，L;'m为常数，22.4 L.mol Fig.3 Shooting schematic diagram of the slag overflowing (4)获取钢液成分、炉渣成分和温度作为下一 2.2炉门流渣的计算 个周期的初始计算条件，循环计算炉内炉渣各组 根据捕捉视频区域亮度变化特征对图像中炉 分SiO2、MnO和Fe0等的质量改变，直至冶炼过 门流渣区域和非炉门流渣区域进行识别和处理， 程结束 建立炉渣区域面积与质量的关系.通过研究每炉 2基于图像处理的炉门流渣量 次总渣波动性和炉门流渣中大小区域炉渣面积的 关系，得到炉门流渣面积与质量的关系，如式(6) 在电弧炉炼钢过程中，炉内会发生刷烈碳氧 所示 反应，使得炉渣形成泡沫渣.泡沫渣在实际生产过 程会越过炉门口向外溢出，以达到炉渣脱磷换渣 △M流渣=1.014×10-4×S5 big (6) 的效果.炉门流渣的溢出量直接影响着炉内渣成 式中：△M流渣为一个周期内炉门流渣的质量，Se 分的预测，因此有必要对炉门口溢出的渣量进行 为炉门流渣大区域面积，Sm为流渣小区域流渣 实时统计.采用图像处理的方法对炉门流渣溢出 面积 过程进行视频采集与分析研究，建立基于图像处 由于实时溢出的炉门流渣成分与当前炉内炉 理的炉门流渣量实时预测模型，实现实时预测炉 渣成分是相同的，因此炉内炉渣各组分减少的质 门流渣的溢出质量 为了实时计算出从炉门口溢出的炉门流渣质 量（△M温）可由式(7)计算得出. (7) 量，利用工业摄像头实时拍摄溢出的炉门流渣视 △M激益=△M流造m洁O 频，并将视频传输至计算机中自主开发的图像处 式中：m滋0为当前炉内炉渣各组分质量分数，M0为 理模型，便于实时对溢出的炉门流渣视频图像进 炉渣中氧化物CaO、SiO2、MnO、Fe0和Fe2O3等. 行分析、处理和计算620 3电弧炉炼钢炉渣成分实时预报模型 2.1视频图像的采集 在高温高压电弧炉炼钢过程中，综合考虑拍 在电弧炉炼钢过程中，影响炉内炉渣成分和 摄环境和拍摄效果等因素选择了迈德威视工业相 质量变化的主要因素有辅料的加入量、炉内的氧 机，其相机镜头型号为“MV-GE231GC-T+MV-LD- 化反应以及炉门流渣的溢出质量.辅料的加入作 50-3M-A” 为炼钢过程重要的环节，影响着炉内钢液和炉渣 在电弧炉炼钢过程中，炉内发生剧烈反应，悬 成分的变化、对炉内有害元素的脱除以及泡沫渣

∆G = ∆G Θ （ +RT ln J ），计算各反应的吉布斯自由 能，判断元素实时氧化顺序，主要化学反应如式 （1）～式（4）. 2[C]+O2 = 2CO （1） [Si]+O2 = (SiO2) （2） 2[Mn]+O2 = 2(MnO) （3） 2[Fe]+O2 = 2(FeO) （4） ∆MMO 反应 （3）随着冶炼地进行，钢液元素不断被氧化， 形成炉渣. 根据氧气的实时消耗量和炉内发生的 氧化反应，计算出实时被氧化元素形成的炉渣质 量（ ），如式（5）所示，其中 C 元素被氧化生 成 CO 溢流于空气中，故不考虑其对炉渣成分和质 量的影响. ∆MRO 反应 = i· MRO · ( VO2 /Vm ) 1000 （5） VO2 式中：RO 为反应产生的氧化物，如 SiO2、MnO、FeO 和 Fe2O3 等；i 为质量系数；MR 为物质的摩尔质量， g∙mol−1 ； 为 O2 体积，L；Vm 为常数，22.4 L∙mol−1 . （4）获取钢液成分、炉渣成分和温度作为下一 个周期的初始计算条件，循环计算炉内炉渣各组 分 SiO2、MnO 和 FeO 等的质量改变，直至冶炼过 程结束. 2    基于图像处理的炉门流渣量 在电弧炉炼钢过程中，炉内会发生剧烈碳氧 反应，使得炉渣形成泡沫渣. 泡沫渣在实际生产过 程会越过炉门口向外溢出，以达到炉渣脱磷换渣 的效果. 炉门流渣的溢出量直接影响着炉内渣成 分的预测，因此有必要对炉门口溢出的渣量进行 实时统计. 采用图像处理的方法对炉门流渣溢出 过程进行视频采集与分析研究，建立基于图像处 理的炉门流渣量实时预测模型，实现实时预测炉 门流渣的溢出质量. 为了实时计算出从炉门口溢出的炉门流渣质 量，利用工业摄像头实时拍摄溢出的炉门流渣视 频，并将视频传输至计算机中自主开发的图像处 理模型，便于实时对溢出的炉门流渣视频图像进 行分析、处理和计算[16−20] . 2.1    视频图像的采集 在高温高压电弧炉炼钢过程中，综合考虑拍 摄环境和拍摄效果等因素选择了迈德威视工业相 机，其相机镜头型号为“MV-GE231GC-T+MV-LD- 50-3M-A”. 在电弧炉炼钢过程中，炉内发生剧烈反应，悬 浮在钢液上层的渣体会发生震荡并从炉门口溢 出、竖直下落. 为了采集到高清晰度与高质量的 炉门流渣溢出视频，同时避免高温对机械操作的 影响，将固定工业摄像头的三脚架设置在距炉门 流渣 20 m 的位置，并保证良好的拍摄视角，同时 连接摄像头电源和计算机之间的传输数据线，实 时传输录制的溢出炉门流渣视频，如图 3 所示. 2.2    炉门流渣的计算 根据捕捉视频区域亮度变化特征对图像中炉 门流渣区域和非炉门流渣区域进行识别和处理， 建立炉渣区域面积与质量的关系. 通过研究每炉 次总渣波动性和炉门流渣中大小区域炉渣面积的 关系，得到炉门流渣面积与质量的关系，如式（6） 所示. ∆M流渣 = 1.014×10−4 ×S 1.15 big   1+ ( S small S big )2   （6） 式中：ΔM流渣为一个周期内炉门流渣的质量，Sbig 为炉门流渣大区域面积，Ssmall 为流渣小区域流渣 面积. ∆MMO 流渣 由于实时溢出的炉门流渣成分与当前炉内炉 渣成分是相同的，因此炉内炉渣各组分减少的质 量（ ）可由式（7）计算得出. ∆MMO 流渣 = ∆M流渣 ·m MO 渣 （7） m MO 式中： 渣 为当前炉内炉渣各组分质量分数，MO 为 炉渣中氧化物 CaO、SiO2、MnO、FeO 和 Fe2O3 等. 3    电弧炉炼钢炉渣成分实时预报模型 在电弧炉炼钢过程中，影响炉内炉渣成分和 质量变化的主要因素有辅料的加入量、炉内的氧 化反应以及炉门流渣的溢出质量. 辅料的加入作 为炼钢过程重要的环节，影响着炉内钢液和炉渣 成分的变化、对炉内有害元素的脱除以及泡沫渣 CaO SiO2 Al2O3 MgO MnO FeO 图 3    炉渣溢出过程拍摄示意图 Fig.3    Shooting schematic diagram of the slag overflowing 杨凌志等： 电弧炉炼钢炉渣成分实时预报模型 · 41 ·

42 工程科学学报，第42卷，增刊1 的产生，因此有必要考虑加入辅料对炉内炉渣的 (1)采集冶炼初始前加人的铁水、废钢、铁水 影响.辅料加入示意图如图4所示.通过可编程逻 包炉渣成分和质量，加入辅料的成分和质量及冶 辑控制器(PLC)采集加人辅料的质量分数(M) 炼过程现场的PLC冶炼数据（氧气通入量、辅料 和加入辅料的总质量（△M铺料），计算得出加料各 (CaO)消耗、碳粉喷吹及耗电量)存入数据库对应 组分的质量（△M9,其计算如式(8）所示. 的数据表中 △M9=△M结样M9 (8) (2)基于选择性氧化理论研究炉内反应对炉 渣的影响，根据初始钢液炉渣成分和质量以及氧 气消耗量实时计算炉内氧化后炉渣成分(SO2、 FeO和MnO)的质量 (3)对炉门流渣进行拍摄，并通过图像处理模 P,0,+3Ca0→3Ca0P,0) P,0,+4Ca0)-→(4Ca0-P,0,) 型提取视频关键数字特征存入数据库，利用图像 处理模型建立视频流渣溢出面积与质量的关系， Lime Limestone 分析计算得出实时溢出的炉门流渣质量 Dolomite (4)考虑辅料（以石灰为主）加入对炉内炉渣 成分和质量变化的影响，综合考虑炉内炉渣物料 平衡和能量平衡 (5)利用模型进行周期运算，循环直至冶炼结 图4电弧炉炼钢过程辅料加人示意图 束，其理论结构如图5所示 Fig.4 Schematic diagram of the auxiliary material charging in EAF 根据实际情况，设定治炼过程中氧气利用率 steelmaking process 和能量损失，对炉内炉渣成分和质量的综合计算 3.1模型的构建 将冶炼初始各组分的质量(OM)、加入辅料各组 对影响炉内炉渣成分变化的因素（炉内反应、 分(Ca0、SiO2、Fe0和Fe0,)的质量（△M)、实 加料、以及炉门流渣)进行分析和计算，并结合实 时氧化反应后炉渣各组分(SiO2、MnO和FeO)的 际生产过程建立了电弧炉炼钢炉渣成分实时预报 质量变化量（△M)和实时炉门流渣中各组分 模型.模型构建流程如下所示 (CaO、SiO2、MnO、FeO和Fe2O3)的质量变化量 Selective oxidation Video shot of furnace theory PLC data collection door spilling slag Update Update Database Initial composition Video key frame Image recognition △G=AG+RInJ and weight extraction model The order of Oxygen Relation between the oxidation of area of slag pilled elements consumption and quality 市 Calculation of slag Composition and content after Quality of spilled slag weight of the from the door oxidation excipients Real-time prediction model of slag composition in EAF steelmaking furnace 图5电弧炉炼钢炉渣成分实时预报模型理论结构图 Fig.5 Theoretical structure diagram of the real-time prediction model of slag composition in EAF steelmaking

MMO 辅料 ∆MMO 加料 的产生，因此有必要考虑加入辅料对炉内炉渣的 影响. 辅料加入示意图如图 4 所示. 通过可编程逻 辑控制器（PLC）采集加入辅料的质量分数（ ） 和加入辅料的总质量（ΔM辅料），计算得出加料各 组分的质量（ ），其计算如式（8）所示. ∆MMO 加料 = ∆M辅料 · MMO 辅料 （8） 3.1    模型的构建 对影响炉内炉渣成分变化的因素（炉内反应、 加料、以及炉门流渣）进行分析和计算，并结合实 际生产过程建立了电弧炉炼钢炉渣成分实时预报 模型. 模型构建流程如下所示. （1）采集冶炼初始前加入的铁水、废钢、铁水 包炉渣成分和质量，加入辅料的成分和质量及冶 炼过程现场的 PLC 冶炼数据（氧气通入量、辅料 （CaO）消耗、碳粉喷吹及耗电量）存入数据库对应 的数据表中. （2）基于选择性氧化理论研究炉内反应对炉 渣的影响，根据初始钢液炉渣成分和质量以及氧 气消耗量实时计算炉内氧化后炉渣成分（ SiO2、 FeO 和 MnO）的质量. （3）对炉门流渣进行拍摄，并通过图像处理模 型提取视频关键数字特征存入数据库，利用图像 处理模型建立视频流渣溢出面积与质量的关系， 分析计算得出实时溢出的炉门流渣质量. （4）考虑辅料（以石灰为主）加入对炉内炉渣 成分和质量变化的影响，综合考虑炉内炉渣物料 平衡和能量平衡. （5）利用模型进行周期运算，循环直至冶炼结 束，其理论结构如图 5 所示. 0MMO 炉渣 ∆MMO 加料 ∆MMO 反应 根据实际情况，设定冶炼过程中氧气利用率 和能量损失，对炉内炉渣成分和质量的综合计算. 将冶炼初始各组分的质量（ ）、加入辅料各组 分（CaO、SiO2、FeO 和 Fe2O3）的质量（ ）、实 时氧化反应后炉渣各组分（SiO2、MnO 和 FeO）的 质量变化量（ ）和实时炉门流渣中各组分 （CaO、 SiO2、 MnO、 FeO 和 Fe2O3）的质量变化量 Lime Limestone Dolomite ... P2O5+3(CaO)→(3CaO·P2O5 ) P2O5+4(CaO)→(4CaO·P2O5 ) 图 4    电弧炉炼钢过程辅料加入示意图 Fig.4     Schematic  diagram  of  the  auxiliary  material  charging  in  EAF steelmaking process Selective oxidation theory PLC data collection Video shot of furnace door spilling slag Initial composition and weight Oxygen consumption Composition and weight of the excipients Image recognition model The order of oxidation of elements Calculation of slag content after oxidation Quality of spilled slag from the door Relation between the area of slag pilled and quality Real-time prediction model of slag composition in EAF steelmaking furnace Database Video key frame extraction Update Update ∆G=∆GΘ+RTInJ M=1.014×10−4 S 1.15 [1+(−) 2 big ] Ssmall Sbig 图 5    电弧炉炼钢炉渣成分实时预报模型理论结构图 Fig.5    Theoretical structure diagram of the real-time prediction model of slag composition in EAF steelmaking · 42 · 工程科学学报，第 42 卷，增刊 1

杨凌志等：电弧炉炼钢炉渣成分实时预报模型 43 (△M端)，代入式(9)和式(10)，得到单个周期内炉 Real-time prvdic 内炉渣各组分的质量(MM0)和炉渣中各组分的质 0中香 量分数(mM0).将计算得到的新炉渣各成分质量 炉渣 ng) (M)作为下一周期模型计算的初始条件，进行循 25 环计算直至冶炼结束，其流程示意图如图6所示. MMAMNAMAMO (9) m0=M0/M渣 (10) Start 图7模型计算界面 Fig.7 Calculation interface of model Initial calculation 氧化状况和钢液总量的变化，实现冶炼全过程钢 7 液氧化情况实时预测；(3)实时预测冶炼全过程 Yes Auxiliary materials 炉内渣成分和炉门流渣溢出质量.本模型可根据 added? 冶炼过程中实时预测的钢液氧化情况、炉渣总质 Calculation of auxiliary No 量变化以及炉内各炉渣成分质量数据绘制成分布 materials 曲线 Yes Reaction occurs？ 4模型预测结果与实验验证 Calculation 4.1模型预测结果 of slag No 利用电弧炉炼钢炉渣成分实时预报模型对工 weight 业现场炉产量为90t的某电弧炉炉渣成分进行实 Yes Overflow slag? 时预报，对实际生产冶炼过程中的炉内炉渣成分和 各组分质量变化进行预测，其预测结果如下所示. Calculation of spilled component No (1)冶炼全过程炉内渣成分预测.在电弧炉炼 weight ★ 钢过程中炉内炉渣的成分不断变化，以某一炉次 Integral calculation 的炉内炉渣的成分变化为例，其组元质量分数变 of molten slag 化如图8所示.由图可以看出，炉渣中FO质量分 数先升高后降低，最后再升高；炉渣中SO2的质量 End 分数随着冶炼时间的变化而逐渐降低：炉渣中 图6模型计算流程图 CaO的质量分数随着加入辅料而升高，并在加入 Fig.6 Flow chart of the model calculation 一段时间后逐渐降低 3.2模型界面及功能 -CaO 基于图像处理的炉内炉渣成分实时预测模型 Si02 Feo 的界面如图7所示，包括模型运算假设条件等熔 A20 ◆MgO 池搅拌相关系数、现场PLC采集的氧气消耗量、 MnO 30 碳粉喷吹量、电能等实时参数量、计算各化学反 应吉布斯自由能所需要的中间过程量、模型预测 20 的炉渣成分和质量以及炉渣成分质量变化曲线. 10 基于图像处理的炉内炉渣成分实时预测模型 可实时预测电弧炉炉内钢液和炉渣各组分的成分 含小生心◆◆女决 0100200300400500600700800 和质量，其主要包括以下三大功能：(1)计算电弧 Time/s 炉炉内炉渣质量的变化，实现冶炼全过程炉内炉 图8模型预测炉渣组元质量分数 渣总质量的实时预测：(2)计算电弧炉炉内铁元素 Fig.8 Prediction results of the slag mass fraction by model

∆MMO 流渣 MMO 炉渣 m MO 炉渣 MMO 炉渣 （ ），代入式（9）和式（10），得到单个周期内炉 内炉渣各组分的质量（ ）和炉渣中各组分的质 量分数（ ）. 将计算得到的新炉渣各成分质量 （ ）作为下一周期模型计算的初始条件，进行循 环计算直至冶炼结束，其流程示意图如图 6 所示. MMO 炉渣 = 0MMO 炉渣 + ∆MMO 加料 + ∆MMO 反应 −∆MMO 流渣 （9） m MO 炉渣 = MMO 炉渣/M炉渣 （10） 3.2    模型界面及功能 基于图像处理的炉内炉渣成分实时预测模型 的界面如图 7 所示，包括模型运算假设条件等熔 池搅拌相关系数、现场 PLC 采集的氧气消耗量、 碳粉喷吹量、电能等实时参数量、计算各化学反 应吉布斯自由能所需要的中间过程量、模型预测 的炉渣成分和质量以及炉渣成分质量变化曲线. 基于图像处理的炉内炉渣成分实时预测模型 可实时预测电弧炉炉内钢液和炉渣各组分的成分 和质量，其主要包括以下三大功能：（1）计算电弧 炉炉内炉渣质量的变化，实现冶炼全过程炉内炉 渣总质量的实时预测；（2）计算电弧炉炉内铁元素 氧化状况和钢液总量的变化，实现冶炼全过程钢 液氧化情况实时预测；（3）实时预测冶炼全过程 炉内渣成分和炉门流渣溢出质量. 本模型可根据 冶炼过程中实时预测的钢液氧化情况、炉渣总质 量变化以及炉内各炉渣成分质量数据绘制成分布 曲线. 4    模型预测结果与实验验证 4.1    模型预测结果 利用电弧炉炼钢炉渣成分实时预报模型对工 业现场炉产量为 90 t 的某电弧炉炉渣成分进行实 时预报，对实际生产冶炼过程中的炉内炉渣成分和 各组分质量变化进行预测，其预测结果如下所示. （1）冶炼全过程炉内渣成分预测. 在电弧炉炼 钢过程中炉内炉渣的成分不断变化，以某一炉次 的炉内炉渣的成分变化为例，其组元质量分数变 化如图 8 所示. 由图可以看出，炉渣中 FeO 质量分 数先升高后降低，最后再升高；炉渣中 SiO2 的质量 分数随着冶炼时间的变化而逐渐降低 ；炉渣中 CaO 的质量分数随着加入辅料而升高，并在加入 一段时间后逐渐降低. Yes No End Start Initial calculation Auxiliary materials added? Calculation of auxiliary materials Overflow slag? Calculation of spilled component weight Integral calculation of molten slag Reaction occurs? Calculation of slag weight Yes No Yes No 图 6    模型计算流程图 Fig.6    Flow chart of the model calculation 图 7    模型计算界面 Fig.7    Calculation interface of model 0 100 200 300 400 500 600 700 800 0 10 20 30 40 50 CaO SiO2 FeO Al2O3 MgO MnO Mass fraction/ % Time/s 图 8    模型预测炉渣组元质量分数 Fig.8    Prediction results of the slag mass fraction by model 杨凌志等： 电弧炉炼钢炉渣成分实时预报模型 · 43 ·

44 工程科学学报.第42卷，增刊1 (2)炉内渣各组分质量变化预测.为了更加直 F0质量分数平均相对误差分别为12.67%、1117%、 观地展现在电弧炉炼钢过程中炉内渣各成分的变 6.17%,预测的主要元素质量分数的相对误差较 化，对炉次绘制了炉渣组元质量变化图，如图9所 小.模型预测的炉渣成分CaO、SiO2以及FeO质 示，其中FezO3、Fe0、MnO、Mg0、Al2O3、SiO2、 量分数在前期和中期的相对误差较小，在冶炼后 CaO分别表示炉渣组元的质量，Ta表示其他组元 期，由于钢液中的Fe出现了过氧化，造成预测相 的质量. 对误差较大；而对SO,质量分数的预测精度较高 且稳定，主要是由于炉渣中Si不断发生氧化，SO2 12000 a Fe,O; 的相对质量分数降低，故出现的误差减小 FeO 10000 MnO 对于上述取样检测炉渣成分与模型预测实时 , 炉渣成分存在的偏差，分析其原因主要包括：(1) 8000 Cao 模型采集所需要数据的准确性存在偏差，冶炼过 6000 程中的出现数据缺失和数据传输实时性存在偏 差：(2)在对溢出的炉门流渣进行图像处理时，模 4000 型计算的准确性以及取样均匀性存在偏差；(3)模 2000 型未充分考虑冶炼过程中氧气利用率和能量平衡 关系，以及假设钢液和炉渣成分在充分混匀的条 0 100 200 300 400 500 600 Time/s 件下进行反应等问题，也给模型实时预测炉渣成 图9模型预测炉渣各组元质量 分带来了偏差. Fig.9 Prediction results of the slag mass by model 由于炉内各区域化学反应不均衡，熔池内部反 4.2 实验验证与分析 应复杂，影响对熔池成分变化特征的准确判断， 为进一步优化模型，提高模型实时预测炉渣成分 为了研究电弧炉炼钢炉渣成分实时预报模型 准确性，需要从以下两个方向进行深入研究：(1)利 的预测效果，本文选取了某电弧炉炼钢厂某个生 产炉次在冶炼前期(800s)、中期(1765s)和后期 用流体力学的相关知识对电弧炉炉内的钢液与炉 渣传质传热进行深入研究，以便对电弧炉炉内钢 (2675s)的炉渣成分数据进行分析验证.模型在构 液元素氧化以及物质交换实现更准确地计算，从 建时，假设钢液中的Fe元素全部氧化为FeO,为避 而提高实时计算氧化生成炉渣的成分和质量的准 免反应生成的Fe2O3对炉渣成分分析产生较大的 确度；(2)利用算法模型对电弧炉炼钢炉渣成分实 影响，故将检测与模型预测中的FezO3质量分数分 时预测模型的相关数据计算进行大数据训练，以 别折算成FO质量分数后再进行分析对比.利用 使得模型更加智能和运算结果更加精确 式(11)对检测和预测结果进行误差分析，分析对 比结果如表1所示 5结论 6= W预测一W检测 ×100% (11) 通过研究影响炉内炉渣的变化的三个因素 ⊙检测 (辅料的加入、炉内的氧化反应及炉门流渣的溢 通过分析表1可知，模型预测炉渣中的CaO、SiO2、 出)，建立了基于选择性氧化反应的炉渣成分改变 表1 模型预测与实验结果相对误差 Table 1 Relative error between the model prediction and the experimental results CaO SiO FeO conversion Time Type Mass fraction/% Error,6/% Mass fraction / Error,8/ Mass fraction / Error,&/ Detection 26.16 17.19 47.53 Early 5.96 3.40 3.50 Prediction 27.72 16.61 45.83 Detection 36.78 11.15 39.28 Middle 4.00 25.50 0.50 Prediction 38.14 13.99 39.07 Detection 31.66 6.85 52.12 Later 19.00 16.10 5.20 Prediction 37.69 7.95 49.36

（2）炉内渣各组分质量变化预测. 为了更加直 观地展现在电弧炉炼钢过程中炉内渣各成分的变 化，对炉次绘制了炉渣组元质量变化图，如图 9 所 示 ， 其 中 Fe2O3、 FeO、 MnO、 MgO、 Al2O3、 SiO2、 CaO 分别表示炉渣组元的质量，Ta 表示其他组元 的质量. 4.2    实验验证与分析 为了研究电弧炉炼钢炉渣成分实时预报模型 的预测效果，本文选取了某电弧炉炼钢厂某个生 产炉次在冶炼前期（800 s）、中期（1765 s）和后期 （2675 s）的炉渣成分数据进行分析验证. 模型在构 建时，假设钢液中的 Fe 元素全部氧化为 FeO，为避 免反应生成的 Fe2O3 对炉渣成分分析产生较大的 影响，故将检测与模型预测中的 Fe2O3 质量分数分 别折算成 FeO 质量分数后再进行分析对比. 利用 式（11）对检测和预测结果进行误差分析，分析对 比结果如表 1 所示. δ =   ω预测 −ω检测    ω检测 ×100% （11） 通过分析表1 可知，模型预测炉渣中的CaO、SiO2、 FeO 质量分数平均相对误差分别为 12.67%、11.17%、 6.17%，预测的主要元素质量分数的相对误差较 小. 模型预测的炉渣成分 CaO、SiO2 以及 FeO 质 量分数在前期和中期的相对误差较小，在冶炼后 期，由于钢液中的 Fe 出现了过氧化，造成预测相 对误差较大；而对 SiO2 质量分数的预测精度较高 且稳定，主要是由于炉渣中 Si 不断发生氧化，SiO2 的相对质量分数降低，故出现的误差减小. 对于上述取样检测炉渣成分与模型预测实时 炉渣成分存在的偏差，分析其原因主要包括：（1） 模型采集所需要数据的准确性存在偏差，冶炼过 程中的出现数据缺失和数据传输实时性存在偏 差；（2）在对溢出的炉门流渣进行图像处理时，模 型计算的准确性以及取样均匀性存在偏差；（3）模 型未充分考虑冶炼过程中氧气利用率和能量平衡 关系，以及假设钢液和炉渣成分在充分混匀的条 件下进行反应等问题，也给模型实时预测炉渣成 分带来了偏差. 由于炉内各区域化学反应不均衡，熔池内部反 应复杂，影响对熔池成分变化特征的准确判断[21] ， 为进一步优化模型，提高模型实时预测炉渣成分 准确性，需要从以下两个方向进行深入研究：（1）利 用流体力学的相关知识对电弧炉炉内的钢液与炉 渣传质传热进行深入研究，以便对电弧炉炉内钢 液元素氧化以及物质交换实现更准确地计算，从 而提高实时计算氧化生成炉渣的成分和质量的准 确度；（2）利用算法模型对电弧炉炼钢炉渣成分实 时预测模型的相关数据计算进行大数据训练，以 使得模型更加智能和运算结果更加精确. 5    结论 通过研究影响炉内炉渣的变化的三个因素 （辅料的加入、炉内的氧化反应及炉门流渣的溢 出），建立了基于选择性氧化反应的炉渣成分改变 表 1 模型预测与实验结果相对误差 Table 1 Relative error between the model prediction and the experimental results Time Type CaO SiO2 FeO conversion Mass fraction / % Error, δ/ % Mass fraction / % Error, δ/ % Mass fraction / % Error, δ/ % Early Detection 26.16 5.96 17.19 3.40 47.53 3.50 Prediction 27.72 16.61 45.83 Middle Detection 36.78 4.00 11.15 25.50 39.28 0.50 Prediction 38.14 13.99 39.07 Later Detection 31.66 19.00 6.85 16.10 52.12 5.20 Prediction 37.69 7.95 49.36 0 100 200 300 400 500 600 0 2000 4000 6000 8000 10000 12000 Mass/kg Time/s Ta Fe2O3 FeO MnO MgO Al2O3 SiO2 CaO 图 9    模型预测炉渣各组元质量 Fig.9    Prediction results of the slag mass by model · 44 · 工程科学学报，第 42 卷，增刊 1

杨凌志等：电弧炉炼钢炉渣成分实时预报模型 45· 模型，实时计算炉内氧化反应后炉渣成分和质量 [6]Dehkordi B,Moallem M,Parsapour A.Predicting foaming slag 的变化；针对于从炉门口溢出的炉门流渣，建立了 quality in electric arc fumace using power quality indices and 基于图像处理的炉门流渣量实时预测模型，实时 fuzzy method.IEEE Trans Instrum Meas,2011,60(12):3845 [7]Guo J L.Fundamental Study on Recycled Use of LF Slags 计算从炉门口溢流的炉门流渣的质量：在上述两 [Dissertation].Xi'an:Xi'an University of Architecture and 模型基础上构建了电弧炉炼钢炉渣成分实时预报 Technology,2009 模型，以实现对炉内炉渣的实时预测 (郭家林.LF炉渣返回应用的基础研究学位论文1.西安：西安建 (1)根据范特蛋夫等温公式，从热力学角度实现 筑科技大学，2009) 了电弧炉冶炼过程剧烈反应区内钢液各主要元素 [8] Yang LZ.Guo Y F.Chen F,et al.Alloy yield prediction model (C、Si、Mn和Fe元素)的选择性氧化判断.基于 based on the data analysis in EAF steelmaking process //8th 此建立了选择性氧化反应的炉渣成分改变模型， International Symposium on High-Temperature Metallurgical Processing.San Diego:Springer International Publishing,2017: 实时计算电弧炉炼钢过程炉内炉渣反应生成量. 9 (2)对炉门流渣溢出的下落过程进行了视频 [9] Yang L Z,Zhu R.The research status quo and prospect of 采集，并对视频图像进行了图像处理分析，得出了 composition control model in EAF steelmaking.Ind Heat,2016. 实时溢出炉门流渣的面积与质量的关系式.建立 45(1):26 了基于图像处理的炉门流渣量实时预测模型，实 (杨凌志，朱荣.电弧炉炼钢成分控制模型研究现状与展望.工 时计算炉门口溢出的炉门流渣量，为实时预测电 业加热，2016.45(1)：26) 弧炉炉内成分提供了基础 [10]Sadeghian A,Lavers J D.Dynamic reconstruction of nonlinear v-i (3)根据以上模型，并结合实时加入的辅料， characteristic in electric arc furnaces using adaptive neuro-fuzzy rule-based networks.Appl Soft Comput,2011,11(1):1448 构建了电弧炉炼钢炉内炉渣成分实时预测模型 [11]Wang L J,Zhang J,Niu S T,et al.The dephosphorization foamy 模型的预测效果通过与现场电弧炉冶炼过程不同 slags in electric arc fumace.Eng Chem Metall,1994,15(4):355 时间段炉渣取样与检测得到了验证，炉渣中CaO、 (王力军，张鉴，牛四通，等.电弧炉炼钢中的脱磷泡沫渣.化工 SiO2和FeO含量的模型预测值与现场检测值平均 冶金，1994,15(4)：355) 相对误差分别为12.66%、11.17%和19.16%.该模 [12]Li J S,Liu H W,Me H Y,et al.Practice of refining steel grade 型可预测电弧炉炉内炉渣的实时成分，并通过冶 SPHD by converter process Proceedings of 5th Baosteel BAC 炼过程中添加辅料与控制炉门流渣使炉渣成分达 Anmual Meeting.Shanghai,2013:1 (李建生，刘宏伟，么洪勇，等.转炉冶炼SPHD钢生产实践∥第 到目标要求，为合理工艺操作提供了指导作用. 五届宝钢学术年会论文集.上海，2013：1) 参考文献 [13]Fan J,Wang Y J,Li J W,et al.Development of prediction model of slag component in the course of converter working base on the [1]Zhu R,Wei G S,Tang T P.Technologies of purification craft of less-slag-smelting /Proceedings of the 8th National production in electric arc furnace steelmaking processes. Steelmaking Conference.Xi'an,2014:1 Steelmaking,2018,34(1):10 (范佳，王彦杰，李建文，等.基于少渣治炼工艺下的转炉冶炼过 (朱荣，魏光升，唐天平.电弧炉炼钢流程洁净化冶炼技术.炼钢， 程炉渣成分预报模型的开发∥第十八届(2014年)全国炼钢学术 2018,34(1):10) 会议论文集.西安，2014：1) [2]Song WL.Electric Arc Furnace Steelmaking.Beijing:Metallu- [14]Yu R H,Chen X L,Ni Z B,et al.Application of LIBS automatic gical Industry Press,1996 spectral peak search to online slag analysis.J Hefei Univ Technol (宋文林电弧炉炼钢.北京：冶金工业出版社，1996) Nat Sci,.2014(12):1474 [3]Cavaliere P.Electric Arc Furnace:Most Efficient Technologies for (余蝶华，陈兴龙，倪志波，等.LBS谱线自动寻峰在炉渣成分在 Greenhouse Emissions Abatement [Dissertation].Lecce 线分析中的应用.合肥工业大学学报：自然科学版，2014(12)： University of Salento,2019 1474) [4]Yang L Z.The Research of Endpoint Composition Control in EAF- [15]Chen X L,Dong F Z,Wang J G,et al.Slag quantitative analysis LF Steelmaking Process [Dissertation].Beijing:University of based on PLS model by laser-induced breakdown spectroscopy. Science and Technology Beijing,2015 Acta Photon Sin,2014,43(9):120 (杨凌志.EAF-LF炼钢工序终点成分控制研究学位论文.北京： (陈兴龙，董凤忠，王静鸽，等.PLS算法在激光诱导击穿光谱分 北京科技大学，2015) 析炉渣成分中的应用.光子学报，2014,43(9)：120) [5]Bird S C,Drizo A.EAF steel slag filters for phosphorus removal [16]Wang B H,Yang L Z,Guo Y F,et al.Present situation from milk parlor effluent:the effects of solids loading,alternate composition forecast in EAF steelmaking and influence of molten feeding regimes and in-series design.Water,2010,2(3):484 bath stirring.China Metall,2017,27(12):1

模型，实时计算炉内氧化反应后炉渣成分和质量 的变化；针对于从炉门口溢出的炉门流渣，建立了 基于图像处理的炉门流渣量实时预测模型，实时 计算从炉门口溢流的炉门流渣的质量；在上述两 模型基础上构建了电弧炉炼钢炉渣成分实时预报 模型，以实现对炉内炉渣的实时预测. （1）根据范特霍夫等温公式，从热力学角度实现 了电弧炉冶炼过程剧烈反应区内钢液各主要元素 （C、Si、Mn 和 Fe 元素）的选择性氧化判断. 基于 此建立了选择性氧化反应的炉渣成分改变模型， 实时计算电弧炉炼钢过程炉内炉渣反应生成量. （2）对炉门流渣溢出的下落过程进行了视频 采集，并对视频图像进行了图像处理分析，得出了 实时溢出炉门流渣的面积与质量的关系式. 建立 了基于图像处理的炉门流渣量实时预测模型，实 时计算炉门口溢出的炉门流渣量，为实时预测电 弧炉炉内成分提供了基础. （3）根据以上模型，并结合实时加入的辅料， 构建了电弧炉炼钢炉内炉渣成分实时预测模型. 模型的预测效果通过与现场电弧炉冶炼过程不同 时间段炉渣取样与检测得到了验证，炉渣中 CaO、 SiO2 和 FeO 含量的模型预测值与现场检测值平均 相对误差分别为 12.66%、11.17% 和 19.16%. 该模 型可预测电弧炉炉内炉渣的实时成分，并通过冶 炼过程中添加辅料与控制炉门流渣使炉渣成分达 到目标要求，为合理工艺操作提供了指导作用. 参    考    文    献 Zhu  R,  Wei  G  S,  Tang  T  P.  Technologies  of  purification production  in  electric  arc  furnace  steelmaking  processes. Steelmaking, 2018, 34（1）: 10 （朱荣, 魏光升, 唐天平. 电弧炉炼钢流程洁净化冶炼技术. 炼钢, 2018, 34（1）：10） [1] Song W L. Electric Arc Furnace Steelmaking. Beijing: Metallur￾gical Industry Press, 1996 （宋文林. 电弧炉炼钢. 北京: 冶金工业出版社, 1996） [2] Cavaliere P. Electric Arc Furnace: Most Efficient Technologies for Greenhouse Emissions Abatement [Dissertation].  Lecce: University of Salento, 2019 [3] Yang L Z. The Research of Endpoint Composition Control in EAF￾LF Steelmaking Process [Dissertation].  Beijing:  University  of Science and Technology Beijing, 2015 （杨凌志. EAF-LF炼钢工序终点成分控制研究[学位论文]. 北京: 北京科技大学, 2015） [4] Bird S C, Drizo A. EAF steel slag filters for phosphorus removal from  milk  parlor  effluent:  the  effects  of  solids  loading,  alternate feeding regimes and in-series design. Water, 2010, 2（3）: 484 [5] Dehkordi  B,  Moallem  M,  Parsapour  A.  Predicting  foaming  slag quality  in  electric  arc  furnace  using  power  quality  indices  and fuzzy method. IEEE Trans Instrum Meas, 2011, 60（12）: 3845 [6] Guo  J  L. Fundamental Study on Recycled Use of LF Slags [Dissertation].  Xi'an:  Xi'an  University  of  Architecture  and Technology, 2009 （郭家林. LF炉渣返回应用的基础研究[学位论文]. 西安: 西安建 筑科技大学, 2009） [7] Yang L Z, Guo Y F, Chen F, et al. Alloy yield prediction model based  on  the  data  analysis  in  EAF  steelmaking  process  //  8th International Symposium on High-Temperature Metallurgical Processing.  San  Diego:  Springer  International  Publishing,  2017: 79 [8] Yang  L  Z,  Zhu  R.  The  research  status  quo  and  prospect  of composition  control  model  in  EAF  steelmaking. Ind Heat,  2016, 45（1）: 26 （杨凌志, 朱荣. 电弧炉炼钢成分控制模型研究现状与展望. 工 业加热, 2016, 45（1）：26） [9] Sadeghian A, Lavers J D. Dynamic reconstruction of nonlinear v−i characteristic  in  electric  arc  furnaces  using  adaptive  neuro-fuzzy rule-based networks. Appl Soft Comput, 2011, 11（1）: 1448 [10] Wang L J, Zhang J, Niu S T, et al. The dephosphorization foamy slags in electric arc furnace. Eng Chem Metall, 1994, 15（4）: 355 （王力军, 张鉴, 牛四通, 等. 电弧炉炼钢中的脱磷泡沫渣. 化工 冶金, 1994, 15（4）：355） [11] Li J S, Liu H W, Me H Y, et al. Practice of refining steel grade SPHD  by  converter  process  // Proceedings of 5th Baosteel BAC Annual Meeting. Shanghai, 2013: 1 （李建生, 刘宏伟, 么洪勇, 等. 转炉冶炼SPHD钢生产实践 // 第 五届宝钢学术年会论文集. 上海, 2013: 1） [12] Fan J, Wang Y J, Li J W, et al. Development of prediction model of slag component in the course of converter working base on the craft  of  less-slag-smelting  // Proceedings of the 8th National Steelmaking Conference. Xi'an, 2014: 1 （范佳, 王彦杰, 李建文, 等. 基于少渣冶炼工艺下的转炉冶炼过 程炉渣成分预报模型的开发 // 第十八届(2014年)全国炼钢学术 会议论文集. 西安, 2014: 1） [13] Yu R H, Chen X L, Ni Z B, et al. Application of LIBS automatic spectral peak search to online slag analysis. J Hefei Univ Technol Nat Sci, 2014（12）: 1474 （余嵘华, 陈兴龙, 倪志波, 等. LIBS谱线自动寻峰在炉渣成分在 线分析中的应用. 合肥工业大学学报: 自然科学版, 2014（12）： 1474） [14] Chen X L, Dong F Z, Wang J G, et al. Slag quantitative analysis based  on  PLS  model  by  laser-induced  breakdown  spectroscopy. Acta Photon Sin, 2014, 43（9）: 120 （陈兴龙, 董凤忠, 王静鸽, 等. PLS算法在激光诱导击穿光谱分 析炉渣成分中的应用. 光子学报, 2014, 43（9）：120） [15] Wang  B  H,  Yang  L  Z,  Guo  Y  F,  et  al.  Present  situation composition forecast in EAF steelmaking and influence of molten bath stirring. China Metall, 2017, 27（12）: 1 [16] 杨凌志等： 电弧炉炼钢炉渣成分实时预报模型 · 45 ·

46 工程科学学报，第42卷，增刊1 (王柏惠，杨凌志，郭宇蜂，等.电弧炉炼钢成分预报现状与熔池 索系统的设计.常州工学院学报，2013,26(3-4：9) 搅拌对其影响.中国冶金，2017,27(12)：1) [19]Wagner B.Effective C#-Covers C#4.0:50 Specific Ways to [17]Guo Y F,Cao JR,Guo Q Y.Research on moving object detection Improve Your C#.Beijing:China Machine Press,2006 based on improved background subtraction method of EmguCV.J [20]Moore A.Visual Studio 2010 All-in-One For Dummies.Indiana- Zhongyuan Univ Technol,2017,28(4):86 polis:Wiley Publishing Inc.,2010 (郭永锋，曹竞如，郭清字.基于EmguCV的改进背景减除法运动 目标检测方法研究.中原工学院学报，2017,28(4)：86) [21]Yang L Z,Zhu R,Ning J C,et al.Research on the molten steel [18]Xue Y C,Dai W R,Lu HH,et al.Design of the webcam components and temperature forecast model for EAF steelmaking intelligent searching system based on EmguCV.J Chang-hou Inst plant.Ind Heat,2013,42(1):15 Technol,2013,26(3-4):9 (杨凌志，朱荣，宁建成，等.电弧炉炼钢厂钢水成分与温度预报 (薛宇城，戴未然，卢捍华，等.基于EmguCV的网络摄像智能搜 模型的研究.工业加热，2013,42(1)：15)

（王柏惠, 杨凌志, 郭宇峰, 等. 电弧炉炼钢成分预报现状与熔池 搅拌对其影响. 中国冶金, 2017, 27（12）：1） Guo Y F, Cao J R, Guo Q Y. Research on moving object detection based on improved background subtraction method of EmguCV. J Zhongyuan Univ Technol, 2017, 28（4）: 86 （郭永锋, 曹竟如, 郭清宇. 基于EmguCV的改进背景减除法运动 目标检测方法研究. 中原工学院学报, 2017, 28（4）：86） [17] Xue  Y  C,  Dai  W  R,  Lu  H  H,  et  al.  Design  of  the  webcam intelligent searching system based on EmguCV. J Changzhou Inst Technol, 2013, 26（3-4）: 9 （薛宇城, 戴未然, 卢捍华, 等. 基于EmguCV的网络摄像智能搜 [18] 索系统的设计. 常州工学院学报, 2013, 26（3-4）：9） Wagner  B. Effective C#  - Covers C#  4.0:  50 Specific Ways to Improve Your C#. Beijing: China Machine Press, 2006 [19] Moore  A. Visual Studio 2010 All-in-One For Dummies.  Indiana￾polis: Wiley Publishing Inc., 2010 [20] Yang  L  Z,  Zhu  R,  Ning  J  C,  et  al.  Research  on  the  molten  steel components and temperature forecast model for EAF steelmaking plant. Ind Heat, 2013, 42（1）: 15 （杨凌志, 朱荣, 宁建成, 等. 电弧炉炼钢厂钢水成分与温度预报 模型的研究. 工业加热, 2013, 42（1）：15） [21] · 46 · 工程科学学报，第 42 卷，增刊 1