炼钢连铸流程在线钢水温度控制

第36卷增刊1 北京科技大学学报 Vol.36 Suppl.1 2014年4月 Journal of University of Science and Technology Beijing Apr.2014 炼钢连铸流程在线钢水温度控制 贺东风2区，何飞12，徐安军12)，田乃媛2 1)北京科技大学钢铁治金新技术国家重点实验室，北京1000832)北京科技大学治金与生态工程学院，北京100083 ☒通信作者，E-mail:hdfen@163.com 摘要为了实现炼钢过程钢水温度的精确控制，在分析了实际炼钢厂钢水温度控制现状和钢水温度影响因素的基础上，建 立了关键工序节点钢水温度的正向预测模型和逆向预定模型。同时，为了克服现有钢水温度预报方法的不足，提出一种基于 钢包热状态和B神经网络的混合模型方法，该方法以钢包热状态跟踪模型为基础，充分考虑了钢包热状态对钢水温度的影 响，并与BP神经网络结合，可有效提高预测精度. 关键词炼钢过程：钢包热状态：BP神经网络：混合模型：预测 分类号TF769.2 On-ine liquid steel temperature control for the steelmaking-continuous casting process HE Dong-feng,HE Fei,XU Anjun',TIAN Nai-yuan 1)State Key Laboratory of Advanced Metallurgy,University of Science and Technology Beijing,Beijing 100083,China 2)School of Metallurgy and Ecology Engineering,University of Science and Technology Beijing.Beijing 100083,China Corresponding author,E-mail:hdfen@163.com ABSTRACT In order to control liquid steel temperature accurately,forward and backward prediction models for liquid steel tempera- ture in key strategic points of steelmaking process were proposed,based on the analysis of the main influencing factors and the control state of liquid steel temperature in actual steelmaking process.At the same time,to overcome the disadvantages of traditional prediction methods,a hybrid model method based ladle heat status and BP neural network was proposed.The method is based on the ladle heat status tracking model,and gives full consideration to the effects of ladle heat status on molten steel temperature,and combines with BP neural network,which can effectively improve the prediction precision. KEY WORDS steelmaking process:ladle heat status:back propagation neural network (BPNN);hybrid model:prediction 在炼钢过程中，连铸钢水温度对铸坯质量有着 要.首先，不同钢种制定对应的合理温度制度是温 非常重要的影响.如果浇注温度过高，铸坯容易产 度控制的基础，然后，根据炼钢连铸流程特点，进行 生中心偏析等缺陷，严重时会引起漏钢事故.如果 在线钢水温度控制，一方面，根据目标温度要求和生 浇注温度过低，钢水流动性变差，会引起水口结瘤， 产计划等参数动态预定各关键工序节点目标温度， 严重时会引起水口堵塞，浇注中断等.随着高品质 另一方面，随生产过程进行，根据钢水温度的影响因 钢的需求增加，对连铸钢水温度的控制要求越来越 素主动的提前预报主要工序节点的温度，根据预报 严格. 的钢水温度和要求的目标温度，炼钢操作人员可采 要想获得合适、稳定的连铸钢水温度，转炉一 取适当的措施进行调节， 精炼—连铸整个流程的钢水温度准确控制至关重 因此，精确的钢水温度预报是钢水温度控制的 收稿日期：2013-11-18 基金项目：中央高校基本科研业务费专项资金资助项目(FRF-BR-10O27B) DOI:10.13374/j.issn1001-053x.2014.s1.037:http://jourals.ustb.edu.en

第 36 卷 增刊 1 2014 年 4 月 北京科技大学学报 Journal of University of Science and Technology Beijing Vol． 36 Suppl． 1 Apr． 2014 炼钢连铸流程在线钢水温度控制 贺东风1，2) ，何 飞1，2) ，徐安军1，2) ，田乃媛1，2) 1) 北京科技大学钢铁冶金新技术国家重点实验室，北京 100083 2) 北京科技大学冶金与生态工程学院，北京 100083  通信作者，E-mail: hdfcn@ 163． com 摘 要 为了实现炼钢过程钢水温度的精确控制，在分析了实际炼钢厂钢水温度控制现状和钢水温度影响因素的基础上，建 立了关键工序节点钢水温度的正向预测模型和逆向预定模型． 同时，为了克服现有钢水温度预报方法的不足，提出一种基于 钢包热状态和 BP 神经网络的混合模型方法． 该方法以钢包热状态跟踪模型为基础，充分考虑了钢包热状态对钢水温度的影 响，并与 BP 神经网络结合，可有效提高预测精度． 关键词 炼钢过程; 钢包热状态; BP 神经网络; 混合模型; 预测 分类号 TF769. 2 On-line liquid steel temperature control for the steelmaking-continuous casting process HE Dong-feng1，2)  ，HE Fei 1，2) ，XU An-jun1，2) ，TIAN Nai-yuan1，2) 1) State Key Laboratory of Advanced Metallurgy，University of Science and Technology Beijing，Beijing 100083，China 2) School of Metallurgy and Ecology Engineering，University of Science and Technology Beijing，Beijing 100083，China  Corresponding author，E-mail: hdfcn@ 163． com ABSTＲACT In order to control liquid steel temperature accurately，forward and backward prediction models for liquid steel tempera￾ture in key strategic points of steelmaking process were proposed，based on the analysis of the main influencing factors and the control state of liquid steel temperature in actual steelmaking process． At the same time，to overcome the disadvantages of traditional prediction methods，a hybrid model method based ladle heat status and BP neural network was proposed． The method is based on the ladle heat status tracking model，and gives full consideration to the effects of ladle heat status on molten steel temperature，and combines with BP neural network，which can effectively improve the prediction precision． KEY WOＲDS steelmaking process; ladle heat status; back propagation neural network ( BPNN) ; hybrid model; prediction 收稿日期: 2013--11--18 基金项目: 中央高校基本科研业务费专项资金资助项目( FＲF--BＲ--10--027B) DOI: 10． 13374 /j． issn1001--053x． 2014． s1． 037; http: / /journals． ustb． edu． cn 在炼钢过程中，连铸钢水温度对铸坯质量有着 非常重要的影响． 如果浇注温度过高，铸坯容易产 生中心偏析等缺陷，严重时会引起漏钢事故． 如果 浇注温度过低，钢水流动性变差，会引起水口结瘤， 严重时会引起水口堵塞，浇注中断等． 随着高品质 钢的需求增加，对连铸钢水温度的控制要求越来越 严格． 要想获得合适、稳定的连铸钢水温度，转炉——— 精炼———连铸整个流程的钢水温度准确控制至关重 要． 首先，不同钢种制定对应的合理温度制度是温 度控制的基础，然后，根据炼钢连铸流程特点，进行 在线钢水温度控制，一方面，根据目标温度要求和生 产计划等参数动态预定各关键工序节点目标温度， 另一方面，随生产过程进行，根据钢水温度的影响因 素主动的提前预报主要工序节点的温度，根据预报 的钢水温度和要求的目标温度，炼钢操作人员可采 取适当的措施进行调节． 因此，精确的钢水温度预报是钢水温度控制的

增刊1 贺东风等：炼钢连铸流程在线钢水温度控制 ·201· 前提.现有钢水温度预报方法，主要分为机理模型 终点温度、转炉炉后吹氩站钢水温度和钢包炉(LF) 和智能模型.机理模型，是以能量守恒定律为基础， 精炼开始温度的离散系数比LF精炼终点温度和中 通过钢包传热计算，研究钢包热状态对钢水温度的 间包温度大，尤其是LF精炼开始温度的离散系数 影响，以及研究其他因素对钢水温度的影响，实现钢 最大，说明了在LF精炼之前钢水温度波动较大，生 水温度的预报)。智能模型的提出，主要是由于炼 产过程不稳定，经过了LF精炼过程的调温，LF精炼 钢过程钢水温度的影响因素多且之间存在很强的非 终点温度和中间包温度的波动减小.同时，从关键 线性关系，机理模型在实际生产过程中应用的稳定 工序节点钢水温度达到温度制度要求的命中率来 性和预报精度并不是很好，所以很多研究者采用智 看，转炉炉后吹氩站钢水温度、LF精炼开始温度和 能方法预报钢水温度).但是在很多智能模型中， LF精炼终点温度的命中率均较低，尤其是LF精炼 没有仔细考虑钢包热状态对钢水温度的影响，而钢 开始温度命中率只有34.59%，中间包温度命中率 包热状态在钢包周转过程中对钢水温度的影响非常 在1550℃，1565℃]区间内达到89.98%，仍有较 重要，因为钢水的热损失与钢包初始热状态和钢包 大提升空间.另外，对该钢种炼钢过程总温降进行 的传热特性密切相关.本文针对现有钢水温度预报 了统计，最大值达到159℃，平均值为82.94℃，离 方法的不足，提出了一种基于钢包热状态和反向传 散系数达到17.03%，说明总温降波动大，生产过程 播(BP)神经网络的钢水温度预报混合模型方法. 不稳定.其中，离散系数是标准差和平均值的比率， 利用热电偶实测钢包包衬温度和数值模拟技术相结 反映了单位均值上的离散程度 合，建立了钢包热状态跟踪模型，研究了钢包热状态 由以上SPHD钢种炼钢过程关键工序节点的 对钢水温度的影响规律，在此基础上，结合钢水温度 温度控制水平可知，要想进一步提高中间包温度 的其他影响因素，利用混合模型的方法建立了炼钢 命中率，可以从提高关键工序节点钢水温度命中 连铸流程的钢水温度预报模型，实现在线钢水温度 率和稳定性着手.一种有效的方法是针对炼钢过 控制 程关键工序节点，建立精确的钢水温度控制模型， 实现主动控制，将各关键工序节点钢水温度控制 1 炼钢连铸流程在线钢水温度控制方法 在要求的较窄范围内，不仅为实现炼钢连铸流程 1.1H炼钢厂钢水温度控制现状 钢水温度的合理匹配，获得合适的钢包内钢水温 针对H炼钢厂钢水温度控制现状，以冲压用热 度和连铸浇注温度提供了重要的保证，而且对降 轧钢板及带钢(SPHD)钢种为例，通过历史生产数 低转炉出钢温度、减少过程能耗和稳定炼钢连铸 据统计进行了分析，如表1所示.由表1可知，转炉 生产起着重要的作用 表1SPHD钢种钢水温度控制现状调查 Table 1 Investigation on liquid steel temperature control for SPHD steel 项目 最小值/℃ 最大值/℃ 平均值/℃ 标准差 离散系数/% 温度制度/℃ 命中率/% 转炉终点温度 1608 1711 1641.21 13.62 0.83 转炉炉后吹氩站钢水温度 1570 1657 1614.75 12.42 0.77 1610,1630] 63.47 LF精炼开始温度 1501 1629 1584.32 19.14 1.21 0590,1610] 34.59 LF精炼终点温度 1563 1654 1587.63 7.24 0.46 [D582,1592] 69.61 中间包温度 1520 1578 1558.27 5.15 0.33 1550,1565] 89.98 总温降 48 159 82.94 14.12 17.03 1.2炼钢连铸过程钢水温度影响因素 影响钢水温度的因素众多.因此，按照转炉出钢过 准确掌握炼钢连铸过程各区段钢水温度的主要 程、转炉炉后吹氩站一精炼开始过程、精炼处理过 影响因素，是实现在线钢水温度控制的基础.从转 程、精炼处理结束一中间包过程这四个区段特点， 炉吹炼终点到连铸过程，根据其工艺特点可知，钢水 对其钢水温度主要影响因素进行了分析.以BOF一 从转炉出钢到钢包，并在钢包中经过运输过程、炉外 LF-CC流程为例，根据各区段温度平衡规律，得出 精炼过程和浇注过程，然后进入中间包，整个过程中 该流程钢水温度的主要影响因素，如表2所示

增刊 1 贺东风等: 炼钢连铸流程在线钢水温度控制 前提． 现有钢水温度预报方法，主要分为机理模型 和智能模型． 机理模型，是以能量守恒定律为基础， 通过钢包传热计算，研究钢包热状态对钢水温度的 影响，以及研究其他因素对钢水温度的影响，实现钢 水温度的预报［1--4］． 智能模型的提出，主要是由于炼 钢过程钢水温度的影响因素多且之间存在很强的非 线性关系，机理模型在实际生产过程中应用的稳定 性和预报精度并不是很好，所以很多研究者采用智 能方法预报钢水温度［5--8］． 但是在很多智能模型中， 没有仔细考虑钢包热状态对钢水温度的影响，而钢 包热状态在钢包周转过程中对钢水温度的影响非常 重要，因为钢水的热损失与钢包初始热状态和钢包 的传热特性密切相关． 本文针对现有钢水温度预报 方法的不足，提出了一种基于钢包热状态和反向传 播( BP) 神经网络的钢水温度预报混合模型方法． 利用热电偶实测钢包包衬温度和数值模拟技术相结 合，建立了钢包热状态跟踪模型，研究了钢包热状态 对钢水温度的影响规律，在此基础上，结合钢水温度 的其他影响因素，利用混合模型的方法建立了炼钢 连铸流程的钢水温度预报模型，实现在线钢水温度 控制． 1 炼钢连铸流程在线钢水温度控制方法 1. 1 H 炼钢厂钢水温度控制现状 针对 H 炼钢厂钢水温度控制现状，以冲压用热 轧钢板及带钢( SPHD) 钢种为例，通过历史生产数 据统计进行了分析，如表 1 所示． 由表 1 可知，转炉 终点温度、转炉炉后吹氩站钢水温度和钢包炉( LF) 精炼开始温度的离散系数比 LF 精炼终点温度和中 间包温度大，尤其是 LF 精炼开始温度的离散系数 最大，说明了在 LF 精炼之前钢水温度波动较大，生 产过程不稳定，经过了 LF 精炼过程的调温，LF 精炼 终点温度和中间包温度的波动减小． 同时，从关键 工序节点钢水温度达到温度制度要求的命中率来 看，转炉炉后吹氩站钢水温度、LF 精炼开始温度和 LF 精炼终点温度的命中率均较低，尤其是 LF 精炼 开始温度命中率只有 34. 59% ，中间包温度命中率 在［1550 ℃，1565 ℃］区间内达到 89. 98% ，仍有较 大提升空间． 另外，对该钢种炼钢过程总温降进行 了统计，最大值达到 159 ℃，平均值为 82. 94 ℃，离 散系数达到 17. 03% ，说明总温降波动大，生产过程 不稳定． 其中，离散系数是标准差和平均值的比率， 反映了单位均值上的离散程度． 由以上 SPHD 钢种炼钢过程关键工序节点的 温度控制水平可知，要想进一步提高中间包温度 命中率，可以从提高关键工序节点钢水温度命中 率和稳定性着手． 一种有效的方法是针对炼钢过 程关键工序节点，建立精确的钢水温度控制模型， 实现主动控制，将各关键工序节点钢水温度控制 在要求的较窄范围内，不仅为实现炼钢连铸流程 钢水温度的合理匹配，获得合适的钢包内钢水温 度和连铸浇注温度提供了重要的保证，而且对降 低转炉出钢温度、减少过程能耗和稳定炼钢连铸 生产起着重要的作用． 表 1 SPHD 钢种钢水温度控制现状调查 Table 1 Investigation on liquid steel temperature control for SPHD steel 项目 最小值/℃ 最大值/℃ 平均值/℃ 标准差 离散系数/% 温度制度/℃ 命中率/% 转炉终点温度 1608 1711 1641. 21 13. 62 0. 83 ! ! 转炉炉后吹氩站钢水温度 1570 1657 1614. 75 12. 42 0. 77 ［1610，1630］ 63. 47 LF 精炼开始温度 1501 1629 1584. 32 19. 14 1. 21 ［1590，1610］ 34. 59 LF 精炼终点温度 1563 1654 1587. 63 7. 24 0. 46 ［1582，1592］ 69. 61 中间包温度 1520 1578 1558. 27 5. 15 0. 33 ［1550，1565］ 89. 98 总温降 48 159 82. 94 14. 12 17. 03 ! ! 1. 2 炼钢连铸过程钢水温度影响因素 准确掌握炼钢连铸过程各区段钢水温度的主要 影响因素，是实现在线钢水温度控制的基础． 从转 炉吹炼终点到连铸过程，根据其工艺特点可知，钢水 从转炉出钢到钢包，并在钢包中经过运输过程、炉外 精炼过程和浇注过程，然后进入中间包，整个过程中 影响钢水温度的因素众多． 因此，按照转炉出钢过 程、转炉炉后吹氩站———精炼开始过程、精炼处理过 程、精炼处理结束———中间包过程这四个区段特点， 对其钢水温度主要影响因素进行了分析． 以BOF-- LF--CC 流程为例，根据各区段温度平衡规律，得出 该流程钢水温度的主要影响因素，如表 2 所示． ·201·

·202· 北京科技大学学报 第36卷 表2炼钢连铸过程钢水温度的主要影响因素 Table 2 Important factors of molten steel temperature in steelmaking process 流程区段 钢水温度主要影响因素 转炉终点温度、转炉内钢水等待时间、出钢时间、钢水重量、钢包热状态、钢包运输时间、各种合金和渣料加入量 2 炉后吹氩站钢水温度、钢包热状态、钢水重量、运输时间 3 LF精炼开始温度、钢包热状态、钢水重量、各种合金和渣料加入量、电弧加热功率（通电时间）、精炼时间、氩气消耗量 [「精炼终点温度、钢包热状态、钢水重量、运输时间、等待开浇时间、大包浇注钢水流量、中间包浇注第一包或连浇 注：表中流程区段1、2、3和4分别代表转炉出钢过程、转炉炉后吹氢站一LF精炼开始过程、LF精炼处理过程和LF精炼处理结束一中 间包过程 1.3在线钢水温度控制模型 出钢 转炉 运输 运输 运输 钢包 吹氟站 LF炉 连铸 本文提出的在线钢水温度控制模型，是结合炼 钢连铸流程特点，以钢包热状态跟踪模型为基础，由 运输 钢水温度的正向预测模型和逆向预定模型组成，主 是否继续周转 热修 倒渣 动的对关键工序节点温度进行准确控制.正向预测 ,否 下线 模型从转炉吹炼终点开始，随生产过程进行依次预 图1钢包周转过程示意图 测炉后吹氩站钢水温度、LF开始温度、LF终点温度 Fig.1 Schematic picture of ladle cyeling process 和中间包温度；逆向预定模型从要求的中间包钢水 温度开始，逆向计算LF终点目标温度、LF开始目标 分类.根据理论分析，钢包热状态由包龄、空包时间 温度和炉后吹氩站目标温度，最终得出转炉终点目 (连铸浇注结束至下一炉转炉出钢的时间间隔)、修 标温度 包后烘烤预热时间、包底冷钢量等因素决定.本文 1.3.1钢包热状态跟踪模型 结合实际情况，钢包热状态分类中，只考虑空包时 在炼钢连铸流程中，钢包是盛纳、运输钢水并进 间、修包后烘烤预热时间和包底冷钢量，而钢包包龄 行相应二次治金的容器，对钢水温度的控制有着密 作为钢包信息单独考虑.具体定义时，钢包热状态 切的联系.而连铸为了获得一个合适的浇注温度， 由钢包状况和冷钢状况组成 钢包运输、二次精炼、实际浇注过程钢水热损失需要 钢包状况分为周转包、修理包和特冷钢包，用数 准确的掌握和计算.钢包的初始热状态和运输过程 字编码，如1、2、3、….周转包在实际过程中根据 的传热特性对钢水的热损失有着非常重要的影响. 空包时间和预热时间进行判定，编码为1、2、3、4、5， 所以，通过钢包热状态的研究，模拟炼钢连铸整个流 如1代表浇注终了至下炉出钢间隔<75min,4代表 程钢水通过钢包边界的热损失，分析钢包热状态对 浇注终了至下炉出钢间隔≥195且<300mim,预热 钢水温度的影响，对钢水温度的准确控制至关重要. 1h,要在1h内出钢，等.修理包是指凡是冷修的钢 对钢包热状态的研究，本课题组已做了大量的 包，编码为6，这种钢包烘包（干燥）时间结束后，必 工作，如文献9]中建立了炼钢厂钢包热状态跟踪 须连续预热2h后要在1h内出钢.特冷钢包有两 模型，分析了新砌钢包烘烤预热时间、空包时间、离 种，编码为7、8,7代表浇注终了至下炉出钢间隔时 线烘烤时间和包衬侵蚀等因素对钢水温度的影响规 间≥195且<300min,无法实现预热1h,8代表修理 律.本文根据图1的H炼钢厂250t钢包的主要周 包第二次使用，浇注终了至下炉出钢≥195且 转过程，建立了钢包热状态跟踪模型，以实现对钢包 <300min,无法实现连续预热2h以上.冷钢状况由 热状态的在线监控.整个模型的建立过程如下. 钢包包底冷钢量表示，根据包底冷钢量的多少对冷 (1)利用热电偶实测钢包包衬温度和数值模拟 钢状况进行判定，编码为A、B、C、…,如A代表冷 分析建立了钢包热循环过程的传热模型，分析了空 钢量在0~0.5t内，C代表冷钢量在1.0~1.5t,F 包时间和修包后烘烤预热时间等因素对钢水温度的 代表冷钢量为2.5t以上，此时应按异常方式处 影响规律，计算了转炉出钢开始至连铸浇注结束钢 理等. 包热状态造成的钢水温降. 综合钢包状况和冷钢状况的编码就构成了钢包 (2)根据(1)的研究结果，对钢包热状态进行 热状态的编码，如1A,2A,…,7A等.其中，1A代 了定义和编码，并根据不同钢包热状态对钢包进行 表了正常周转包，其他为非正常周转包，对于新包

北 京 科 技 大 学 学 报 第 36 卷 表 2 炼钢连铸过程钢水温度的主要影响因素 Table 2 Important factors of molten steel temperature in steelmaking process 流程区段 钢水温度主要影响因素 1 转炉终点温度、转炉内钢水等待时间、出钢时间、钢水重量、钢包热状态、钢包运输时间、各种合金和渣料加入量 2 炉后吹氩站钢水温度、钢包热状态、钢水重量、运输时间 3 LF 精炼开始温度、钢包热状态、钢水重量、各种合金和渣料加入量、电弧加热功率( 通电时间) 、精炼时间、氩气消耗量 4 LF 精炼终点温度、钢包热状态、钢水重量、运输时间、等待开浇时间、大包浇注钢水流量、中间包浇注第一包或连浇 注: 表中流程区段 1、2、3 和 4 分别代表转炉出钢过程、转炉炉后吹氩站———LF 精炼开始过程、LF 精炼处理过程和 LF 精炼处理结束———中 间包过程 1. 3 在线钢水温度控制模型 本文提出的在线钢水温度控制模型，是结合炼 钢连铸流程特点，以钢包热状态跟踪模型为基础，由 钢水温度的正向预测模型和逆向预定模型组成，主 动的对关键工序节点温度进行准确控制． 正向预测 模型从转炉吹炼终点开始，随生产过程进行依次预 测炉后吹氩站钢水温度、LF 开始温度、LF 终点温度 和中间包温度; 逆向预定模型从要求的中间包钢水 温度开始，逆向计算 LF 终点目标温度、LF 开始目标 温度和炉后吹氩站目标温度，最终得出转炉终点目 标温度． 1. 3. 1 钢包热状态跟踪模型 在炼钢连铸流程中，钢包是盛纳、运输钢水并进 行相应二次冶金的容器，对钢水温度的控制有着密 切的联系． 而连铸为了获得一个合适的浇注温度， 钢包运输、二次精炼、实际浇注过程钢水热损失需要 准确的掌握和计算． 钢包的初始热状态和运输过程 的传热特性对钢水的热损失有着非常重要的影响． 所以，通过钢包热状态的研究，模拟炼钢连铸整个流 程钢水通过钢包边界的热损失，分析钢包热状态对 钢水温度的影响，对钢水温度的准确控制至关重要． 对钢包热状态的研究，本课题组已做了大量的 工作，如文献［9］中建立了炼钢厂钢包热状态跟踪 模型，分析了新砌钢包烘烤预热时间、空包时间、离 线烘烤时间和包衬侵蚀等因素对钢水温度的影响规 律． 本文根据图 1 的 H 炼钢厂 250 t 钢包的主要周 转过程，建立了钢包热状态跟踪模型，以实现对钢包 热状态的在线监控． 整个模型的建立过程如下． ( 1) 利用热电偶实测钢包包衬温度和数值模拟 分析建立了钢包热循环过程的传热模型，分析了空 包时间和修包后烘烤预热时间等因素对钢水温度的 影响规律，计算了转炉出钢开始至连铸浇注结束钢 包热状态造成的钢水温降． ( 2) 根据( 1) 的研究结果，对钢包热状态进行 了定义和编码，并根据不同钢包热状态对钢包进行 图 1 钢包周转过程示意图 Fig． 1 Schematic picture of ladle cycling process 分类． 根据理论分析，钢包热状态由包龄、空包时间 ( 连铸浇注结束至下一炉转炉出钢的时间间隔) 、修 包后烘烤预热时间、包底冷钢量等因素决定． 本文 结合实际情况，钢包热状态分类中，只考虑空包时 间、修包后烘烤预热时间和包底冷钢量，而钢包包龄 作为钢包信息单独考虑． 具体定义时，钢包热状态 由钢包状况和冷钢状况组成． 钢包状况分为周转包、修理包和特冷钢包，用数 字编码，如 1、2、3、……． 周转包在实际过程中根据 空包时间和预热时间进行判定，编码为 1、2、3、4、5， 如 1 代表浇注终了至下炉出钢间隔 ＜ 75 min，4 代表 浇注终了至下炉出钢间隔≥195 且 ＜ 300 min，预热 1 h，要在 1 h 内出钢，等． 修理包是指凡是冷修的钢 包，编码为 6，这种钢包烘包( 干燥) 时间结束后，必 须连续预热 2 h 后要在 1 h 内出钢． 特冷钢包有两 种，编码为 7、8，7 代表浇注终了至下炉出钢间隔时 间≥195 且 ＜ 300 min，无法实现预热 1 h，8 代表修理 包第 二 次 使 用，浇注终了至下炉出钢 ≥ 195 且 ＜ 300 min，无法实现连续预热 2 h 以上． 冷钢状况由 钢包包底冷钢量表示，根据包底冷钢量的多少对冷 钢状况进行判定，编码为 A、B、C、……，如 A 代表冷 钢量在 0 ～ 0. 5 t 内，C 代表冷钢量在 1. 0 ～ 1. 5 t，F 代表冷 钢 量 为 2. 5 t 以 上，此时应按异常方式处 理等． 综合钢包状况和冷钢状况的编码就构成了钢包 热状态的编码，如 1A，2A，……，7A 等． 其中，1A 代 表了正常周转包，其他为非正常周转包，对于新包， ·202·

增刊1 贺东风等：炼钢连铸流程在线钢水温度控制 ·203· 钢包热状态为6A 可跟踪查询.利用各区段不同钢包热状态的钢水 (3)针对不同热状态的钢包，利用钢包热循环 温度补正制度，可为在线钢水温度的准确控制提 过程的传热模型，在炼钢连铸流程的主要区段制定 供帮助 钢包热状态的钢水温度补正制度.比如正常周转包 1.3.2正向预测模型 (钢包热状态为1A),温度补正值为0.其他钢包热 正向预测模型是由转炉炉后吹氩站钢水温度预 状态情况，根据各自的钢包总温降，确定不同区段的 测模型、LF开始温度预测模型、LF终点温度预测模 钢水温降补正温度. 型和中间包温度预测模型四个子模型组成，其结构 (4)以上内容构成了钢包热状态跟踪和计算 如图2所示，整个模型从转炉吹炼终点，随生产过程 模型.利用钢包热状态对钢包的分类，在线应用时 的进行，根据实时的钢包热状态信息和生产实绩数 可实现对钢包热状态的判定和实时监控，同时对 据利用四个子模型向后预测关键工序节点的钢水温 钢包的其他信息，如钢包包龄、钢包空包重量等也 度，直到中间包 运输时间，等待 钢包热状态、 开浇时间、钢包热 炉后吹氯站 包龄、运输时间 状态、包龄、中间包 钢水温度 和钢水重量 LF终点温度 状态等参数 4 转炉终点温度、加 :合金和渣料、出钢 转炉炉后吹氯站 LF开始温度预测 L终点温度预测 中间包温度 时间，钢包热状态 钢水温度预测模型 模型 模型 预测模型 包龄等参数 LF开始温度 加热功率、加料 中间包温度 钢包热状态 包龄等参数 图2正向预测模型结构 Fig.2 Configuration of the model for forward prediction 1.3.3逆向预定模型 艺流程，逆向计算主要工序节点的钢水目标温度，最 为了获得合适的中间包温度，保证连铸的顺行 终得出合理的转炉终点目标温度 和良好的铸坯质量，需推定一个合理的转炉出钢目 钢水液相线温度 标温度.从治炼钢种的钢水液相线温度，根据图3 (+) 计算流程向前推定LF出站目标温度、LF开始目标 规定的过热度 温度、转炉炉后吹氩站钢水目标温度、转炉出钢目标 温度.在钢水目标温度预定过程中，通常是直接计 中间包目标温度 钢包运输、等待，浇注 算各种因素造成的钢水温降，或者是根据生产实绩 过程温降、中间包温降 +) 钢包热状态补正温度 (+) 数据统计出各区段的温降.在实际炼钢过程中，由 LF出站目标温度 (+) 于影响钢水温度的因素多且之间存在复杂的非线性 LF处理过程温降 关系，各种因素对钢水温降的计算本身并不准确或 有时根本无法计算，并且统计的钢水温降也存在很 LF开始目标温度 大的误差.本文基于BP神经网络能很好的处理非 (+) 线性问题的优点，提出利用BP神经网络的预测方 锅包运输、等待过程温降 法，并结合钢包热状态跟踪和计算模型，建立了炼钢 炉后吹氩站钢水目标温度 连铸流程钢水目标温度的逆向预定模型，其结构如 +) (+) 转炉出钢过程温降 钢包热状态补正温度 图4所示，由LF终点温度预定模型、LF开始温度预 定模型、转炉炉后吹氩站钢水温度预定模型和转炉 转炉出钢目标温度 终点温度预定模型四个子模型组成.整个模型从钢 图3钢水目标温度预定流程 水液相线温度开始，计算中间包目标温度，再根据工 Fig.3 Presetting steps for targeted temperature of molten steel

增刊 1 贺东风等: 炼钢连铸流程在线钢水温度控制 钢包热状态为 6A． ( 3) 针对不同热状态的钢包，利用钢包热循环 过程的传热模型，在炼钢连铸流程的主要区段制定 钢包热状态的钢水温度补正制度． 比如正常周转包 ( 钢包热状态为 1A) ，温度补正值为 0． 其他钢包热 状态情况，根据各自的钢包总温降，确定不同区段的 钢水温降补正温度． ( 4) 以上内容构成了钢包热状态跟踪和计算 模型． 利用钢包热状态对钢包的分类，在线应用时 可实现对钢包热状态的判定和实时监控，同时对 钢包的其他信息，如钢包包龄、钢包空包重量等也 可跟踪查询． 利用各区段不同钢包热状态的钢水 温度补正制度，可为在线钢水温度的准确控制提 供帮助． 1. 3. 2 正向预测模型 正向预测模型是由转炉炉后吹氩站钢水温度预 测模型、LF 开始温度预测模型、LF 终点温度预测模 型和中间包温度预测模型四个子模型组成，其结构 如图 2 所示，整个模型从转炉吹炼终点，随生产过程 的进行，根据实时的钢包热状态信息和生产实绩数 据利用四个子模型向后预测关键工序节点的钢水温 度，直到中间包． 图 2 正向预测模型结构 Fig． 2 Configuration of the model for forward prediction 1. 3. 3 逆向预定模型 为了获得合适的中间包温度，保证连铸的顺行 和良好的铸坯质量，需推定一个合理的转炉出钢目 标温度． 从冶炼钢种的钢水液相线温度，根据图 3 计算流程向前推定 LF 出站目标温度、LF 开始目标 温度、转炉炉后吹氩站钢水目标温度、转炉出钢目标 温度． 在钢水目标温度预定过程中，通常是直接计 算各种因素造成的钢水温降，或者是根据生产实绩 数据统计出各区段的温降． 在实际炼钢过程中，由 于影响钢水温度的因素多且之间存在复杂的非线性 关系，各种因素对钢水温降的计算本身并不准确或 有时根本无法计算，并且统计的钢水温降也存在很 大的误差． 本文基于 BP 神经网络能很好的处理非 线性问题的优点，提出利用 BP 神经网络的预测方 法，并结合钢包热状态跟踪和计算模型，建立了炼钢 连铸流程钢水目标温度的逆向预定模型，其结构如 图 4 所示，由 LF 终点温度预定模型、LF 开始温度预 定模型、转炉炉后吹氩站钢水温度预定模型和转炉 终点温度预定模型四个子模型组成． 整个模型从钢 水液相线温度开始，计算中间包目标温度，再根据工 艺流程，逆向计算主要工序节点的钢水目标温度，最 终得出合理的转炉终点目标温度． 图 3 钢水目标温度预定流程 Fig． 3 Presetting steps for targeted temperature of molten steel ·203·

·204 北京科技大学学报 第36卷 钢包执状态 钢包热状态和加合 和加热功率 金渣料、出钢时间 LF终点温度 等计划参数： 炉后吹氩站钢水温度 等计划参数 P ;中间包要求的温！ 度，中间包热状 LF终点温度 LF开始温度 转炉炉后吹氯站 转炉终点温度 态、钢包热状态和 预定模型 预定模型 钢水温度预定模型 预定模型 其他计划参数 LF开始温度 钢包热状态和运输 转炉终点温度 时间等计划参数 图4逆向预定模型结构 Fig.4 Configuration of the model for backward prediction 2基于钢包热状态和BP神经网络的钢水 素是LF精炼开始温度、钢水重量、各种合金和渣料 加入量、通电时间、精炼时间、氩气消耗量和钢包热 温度预报混合模型 状态，作为LF终点温度预测模型输入变量，输出变 关于正向预测模型和逆向预定模型中各子模型 量是LF终点温度.其中，各种合金和渣料加入量按 的建立，本文提出了基于钢包热状态和BP神经网络 照下式转化为合金和渣料的热效应， 的钢水温度预报混合模型方法.本文以LF终点温度 ATa=∑W,0 (1) 预测为例，介绍混合模型的构建思想和应用效果 2.1BP神经网络 式中：△Ta表示合金和渣料的热效应：W:表示加入 人工神经网络的种类繁多，其中应用最广的是 的第i种合金或渣料的重量，kg;Q:表示加入100kg BP神经网络，本文采用BP神经网络构建钢水温度 第i种合金或者渣料对钢水温度的影响，如表3. 预测模型，它是一种典型的多层前馈神经网络，具有 表33001钢水每加入100kg合金或渣料温降系数 逼近任意连续函数和非线性映射的能力.其模型的 Table 3 Heat effects of various additions of 100 kg for 300t of steel 拓扑结构包括输入层、隐层和输出层.相邻层之间 序号 合金或渣料 △T/℃ 碳粉 -2.50 各神经元全连接，而同一层各神经元之间无连接 2 高碳锰铁 -0.90 BP神经网络的原理是根据所给的训练样本输入和 3 低碳锰铁 -0.75 输出向量不断学习并调整神经元之间的连接权值与 4 硅铁 +1.00 阈值，使网络不断逼近样本输入输出之间的映射关 5 渣料 -0.70 系.其训练过程实质上是信息的正向传播与误差的 6 Al +5.00 逆向传播修正权值和阈值的过程.误差逆向传播的 7 FeNb -0.35 8 FeTi -0.40 基本思想是最小二乘法，使用梯度下降法训练，使网 9 CaSi -1.05 络的实际输出和期望输出的均方误差和最小. 尽管BP神经网络容错性好、具有很强的联想 2.2.2数据预处理和相关性分析 记忆能力等特点，能更深入的处理一些复杂的非线 采集H炼钢厂生产数据，按照模型的输入和输 性问题.但是，标准的BP算法存在学习收敛速度太 出变量整理数据，剔除不完整和明显错误的炉次数 慢、易陷入局部极小值的缺点，所以，本文采用麦夸 据，获得4156炉样本.根据样本数据对模型输入输 特法(LM)优化算法对标准BP算法进行了改进. 出变量进行了数据特性统计和Pearson(皮尔逊)相 2.2基于混合模型的LF终点温度预测 关性分析，如表4和表5所示所示. 从本文1.1节SPHD钢种钢水温度控制现状可 由表5可知，LF终点温度与其影响因素的相关 知，LF精炼过程温度控制在炼钢连铸流程中起到了 系数关系为：IR2I>IRI>IR3I>IR4I>IR。I> 非常重要的作用.因此，建立准确的LF终点温度预 |R,I,由于两个变量的相关系数大小反映了他们之 测模型对LF终点温度控制至关重要 间的影响程度，所以可知，各因素对LF终点温度的 2.2.1模型输入输出变量 影响程度从大到小依次为：LF开始温度、通电时间、 由1.2节分析可知，LF终点温度的主要影响因 精炼时间、氩气消耗、合金和渣料热效应、钢水重量

北 京 科 技 大 学 学 报 第 36 卷 图 4 逆向预定模型结构 Fig． 4 Configuration of the model for backward prediction 2 基于钢包热状态和 BP 神经网络的钢水 温度预报混合模型 关于正向预测模型和逆向预定模型中各子模型 的建立，本文提出了基于钢包热状态和 BP 神经网络 的钢水温度预报混合模型方法． 本文以 LF 终点温度 预测为例，介绍混合模型的构建思想和应用效果． 2. 1 BP 神经网络 人工神经网络的种类繁多，其中应用最广的是 BP 神经网络，本文采用 BP 神经网络构建钢水温度 预测模型，它是一种典型的多层前馈神经网络，具有 逼近任意连续函数和非线性映射的能力． 其模型的 拓扑结构包括输入层、隐层和输出层． 相邻层之间 各神经元全连接，而同一层各神经元之间无连接． BP 神经网络的原理是根据所给的训练样本输入和 输出向量不断学习并调整神经元之间的连接权值与 阈值，使网络不断逼近样本输入输出之间的映射关 系． 其训练过程实质上是信息的正向传播与误差的 逆向传播修正权值和阈值的过程． 误差逆向传播的 基本思想是最小二乘法，使用梯度下降法训练，使网 络的实际输出和期望输出的均方误差和最小． 尽管 BP 神经网络容错性好、具有很强的联想 记忆能力等特点，能更深入的处理一些复杂的非线 性问题． 但是，标准的 BP 算法存在学习收敛速度太 慢、易陷入局部极小值的缺点，所以，本文采用麦夸 特法( LM) 优化算法对标准 BP 算法进行了改进． 2. 2 基于混合模型的 LF 终点温度预测 从本文 1. 1 节 SPHD 钢种钢水温度控制现状可 知，LF 精炼过程温度控制在炼钢连铸流程中起到了 非常重要的作用． 因此，建立准确的 LF 终点温度预 测模型对 LF 终点温度控制至关重要． 2. 2. 1 模型输入输出变量 由 1. 2 节分析可知，LF 终点温度的主要影响因 素是 LF 精炼开始温度、钢水重量、各种合金和渣料 加入量、通电时间、精炼时间、氩气消耗量和钢包热 状态，作为 LF 终点温度预测模型输入变量，输出变 量是 LF 终点温度． 其中，各种合金和渣料加入量按 照下式转化为合金和渣料的热效应， ΔTadd = ∑i Wi ·Qi ． ( 1) 式中: ΔTadd表示合金和渣料的热效应; Wi 表示加入 的第 i 种合金或渣料的重量，kg; Qi 表示加入 100 kg 第 i 种合金或者渣料对钢水温度的影响，如表 3． 表 3 300 t 钢水每加入 100 kg 合金或渣料温降系数 Table 3 Heat effects of various additions of 100 kg for 300 t of steel 序号 合金或渣料 ΔT /℃ 1 碳粉 － 2. 50 2 高碳锰铁 － 0. 90 3 低碳锰铁 － 0. 75 4 硅铁 + 1. 00 5 渣料 － 0. 70 6 Al + 5. 00 7 FeNb － 0. 35 8 FeTi － 0. 40 9 CaSi － 1. 05 2. 2. 2 数据预处理和相关性分析 采集 H 炼钢厂生产数据，按照模型的输入和输 出变量整理数据，剔除不完整和明显错误的炉次数 据，获得 4156 炉样本． 根据样本数据对模型输入输 出变量进行了数据特性统计和 Pearson( 皮尔逊) 相 关性分析，如表 4 和表 5 所示所示． 由表 5 可知，LF 终点温度与其影响因素的相关 系数关系为: | Ｒ2 | ＞ | Ｒ5 | ＞ | Ｒ3 | ＞ | Ｒ4 | ＞ | Ｒ6 | ＞ | Ｒ1 |，由于两个变量的相关系数大小反映了他们之 间的影响程度，所以可知，各因素对 LF 终点温度的 影响程度从大到小依次为: LF 开始温度、通电时间、 精炼时间、氩气消耗、合金和渣料热效应、钢水重量． ·204·

增刊1 贺东风等：炼钢连铸流程在线钢水温度控制 ·205· 表4模型输入输出变量的描述性统计 Table 4 Descriptive statistics of input and output variables of the model 钢水 LF开始 精炼 氩气 通电 合金和渣料LF终点 钢包热 参数 重量1 温度/℃时间/min 消耗L时间/min热效应/℃ 温度/℃ 状态 平均值 277.26 1575.50 41.12 42096.447.71 6.70 1571.29 最小值 210.00 1520.00 7.00 1017.00 1.67 -38.00 1546.00 最大值300.07 1649.00 90.00 168593.00 28.15 44.00 1614.00 1A,2A,3A,4A,5A,6A,7A,1B,2B,3B,4B等 标准差 11.56 19.73 13.80 21101.84 3.81 6.24 9.24 表5相关性分析 Table 5 Correlation analysis 钢水 LF开始 精炼 氩气 通电 合金和渣料 参数 重量/： 温度/℃ 时间/min 消耗L 时间/min 热效应/℃ LF终点温度 -0.0455 0.2524 0.1293 0.0976 0.2012 -0.0470 标记 R R2 R Ra R 同时，为了消除不同量纲对数据的影响，对以上 常周转包（钢包热状态为1A)的反向传播神经网络 筛选后的样本集各变量按照下式归一化到区间 (BPNN)模型，然后，对于任何非1A的钢包热状态 [-1,1]之内. 炉次，先采用此模型进行钢水温度预测，再根据其钢 2(x-xn） y= (2) 包热状态进行相应的温度补正，最后得出修正后的 Xax一xmin 钢水温度预测值.其中，关于正常周转包的BP神经 其中，y是归一化后的数据，x是归一化前的数据， 网络模型，隐含层使用正切S型传递函数(tansig函 xmm是归一化前数据的最大值，xm是归一化前数据 数)，输出层使用线性传递函数(purelin函数)，隐含 的最小值 层个数和节点数经过多次的尝试和比较，得到最优 2.2.3混合模型的建立 网络结构为6×6×1. 采用数据预处理后的4156炉样本，其中3847 为了更好的验证混合模型的应用效果，建立未 炉样本作为训练集，用来训练模型，309炉样本作为 考虑钢包热状态的BP神经网络模型，与混合模型 测试集，用来测试模型预测精度.基于钢包热状态 进行比较.未考虑钢包热状态下的BP神经网络模 和BP神经网络的LF终点温度预测的混合模型结 型，相比混合模型的区别主要是未对样本数据中钢 构如图5所示.混合模型的建立，主要是考虑到钢 包热状态进行分类，而由此训练数据得到其最优网 包热状态是非数值变量，不能直接作为BP神经网 络结构为6×10×1. 络的输入，而影响钢水温度的其他因素是数值变量 2.2.4 结果比较和分析 所以首先根据钢包热状态为1A的正常周转包的历 利用混合模型和未考虑钢包热状态的BP神经 史数据，利用钢水温度的其他主要影响因素构建正 网络模型分别对309炉的测试样本进行预测，结果 钢包热状态 钢包热状态跟踪模型 钢包热状态修正温度 正常周转包的BPN、模型 L开始温度， 钢水重量， 当前炉次 精炼时间， 通电时间， 氢气清耗量 合金和渣料 输出层 热效应预测 隐含层 输人层 LF终点温度 图5混合模型 Fig.5 Hybrid model

增刊 1 贺东风等: 炼钢连铸流程在线钢水温度控制 表 4 模型输入输出变量的描述性统计 Table 4 Descriptive statistics of input and output variables of the model 参数 钢水 重量/t LF 开始 温度/℃ 精炼 时间/min 氩气 消耗/L 通电 时间/min 合金和渣料 热效应/℃ LF 终点 温度/℃ 钢包热 状态 平均值 277. 26 1575. 50 41. 12 42096. 44 7. 71 6. 70 1571. 29 最小值 210. 00 1520. 00 7. 00 1017. 00 1. 67 － 38. 00 1546. 00 1A，2A，3A，4A，5A，6A，7A，1B，2B，3B，4B 等 最大值 300. 07 1649. 00 90. 00 168593. 00 28. 15 44. 00 1614. 00 标准差 11. 56 19. 73 13. 80 21101. 84 3. 81 6. 24 9. 24 表 5 相关性分析 Table 5 Correlation analysis 参数 钢水 重量/t LF 开始 温度/℃ 精炼 时间/min 氩气 消耗/L 通电 时间/min 合金和渣料 热效应/℃ LF 终点温度 － 0. 0455 0. 2524 0. 1293 0. 0976 0. 2012 － 0. 0470 标记 Ｒ1 Ｒ2 Ｒ3 Ｒ4 Ｒ5 Ｒ6 同时，为了消除不同量纲对数据的影响，对以上 筛选后的样本集各变量按照下式归一化到区间 ［－ 1，1］之内． y = 2( x － xmin ) xmax － xmin － 1． ( 2) 其中，y 是归一化后的数据，x 是归一化前的数据， xmax是归一化前数据的最大值，xmin是归一化前数据 的最小值． 图 5 混合模型 Fig． 5 Hybrid model 2. 2. 3 混合模型的建立 采用数据预处理后的 4156 炉样本，其中 3847 炉样本作为训练集，用来训练模型，309 炉样本作为 测试集，用来测试模型预测精度． 基于钢包热状态 和 BP 神经网络的 LF 终点温度预测的混合模型结 构如图 5 所示． 混合模型的建立，主要是考虑到钢 包热状态是非数值变量，不能直接作为 BP 神经网 络的输入，而影响钢水温度的其他因素是数值变量． 所以首先根据钢包热状态为 1A 的正常周转包的历 史数据，利用钢水温度的其他主要影响因素构建正 常周转包( 钢包热状态为 1A) 的反向传播神经网络 ( BPNN) 模型，然后，对于任何非 1A 的钢包热状态 炉次，先采用此模型进行钢水温度预测，再根据其钢 包热状态进行相应的温度补正，最后得出修正后的 钢水温度预测值． 其中，关于正常周转包的 BP 神经 网络模型，隐含层使用正切 S 型传递函数( tansig 函 数) ，输出层使用线性传递函数( purelin 函数) ，隐含 层个数和节点数经过多次的尝试和比较，得到最优 网络结构为 6 × 6 × 1． 为了更好的验证混合模型的应用效果，建立未 考虑钢包热状态的 BP 神经网络模型，与混合模型 进行比较． 未考虑钢包热状态下的 BP 神经网络模 型，相比混合模型的区别主要是未对样本数据中钢 包热状态进行分类，而由此训练数据得到其最优网 络结构为 6 × 10 × 1． 2. 2. 4 结果比较和分析 利用混合模型和未考虑钢包热状态的 BP 神经 网络模型分别对 309 炉的测试样本进行预测，结果 ·205·

·206· 北京科技大学学报 第36卷 如表6和图6.由表6可知，混合模型在温度误差范 LF开始目标温度和转炉炉后吹氩站目标温度，最终 围[-10℃，10℃]内的预测命中率是97.09%， 得出转炉终点目标温度. BPNN模型是95.45%；在[-7℃，7℃]内的预测 (2)通过对炼钢连铸过程钢水温度主要影响因 命中率是85.44%，BPNN模型是82.20%；在 素的分析和钢包热状态的研究，提出了一种基于钢 [-5℃，5℃]内的预测命中率是70.55%，BPNN 包热状态和BP神经网络的钢水温度预报混合模 模型是67.96%.所以，混合模型对LF终点温度的 型.混合模型克服了单一的数学模型或智能模型的 预测命中率高于BPNN模型预测命中率. 缺点，更适合实际炼钢过程 表6混合模型和BPNN模型的预测命中率 (3)由混合模型对LF终点温度的预测结果可 Table 6 Hit rate of predicted temperature with hybrid model and BPNN 知，混合模型考虑钢包热状态后，明显改善了BP神 model 经模型的预测精度，而且预测精度较高，在温度误差 温度误差范围 范围[-10℃，10℃]内的预测命中率达到 模型 [-5℃，5℃][-7℃，7℃][-10℃，10℃] 97.09%,在[-7℃，7℃]内的预测命中率达到 BPNN模型 67.96% 82.20% 95.45% 85.44%,在[-5℃，5℃]内的预测命中率达到 混合模型 70.55% 85.44% 97.09% 70.55%,基本能满足实际生产的要求. 图6是针对测试样本中非正常周转包的73炉 参考文献 样本，分别用BPNN模型和混合模型预测的结果比 [Zoryk A,Reid P M.On line liquid steel temperature control. 较.由图6可知，混合模型中考虑了钢包热状态的 Iron and Steelmaker (USA),1993,20(6):21 温度修正后，明显改善了BPNN模型的预测精度，混 2] Dorcak L,Terpak J.Monitoring and prediction of the liquid steel temperature in the ladle and tundish.Metalurgija,2006,45(2):93 合模型预测温度和实际温度更接近 B] Jormalainen T,Louhenkilpi S.A model for predicting the melt 1600 temperature in the ladle and in the tundish as a function of operat- 实际温度 ing parameters during continuous casting.Steel Research Interna- 1590 BPNN模型预测值 混合模型预测温度 tional,2006,77(7):472 4] Wu Y J,Jiang Z H,Jiang M F.Prediction of molten steel tem- 5 perature in LF refining.Journal of Northeastern Unirersity,2002 23(3):247 (武拥军，姜周华，姜茂发.LF炉精炼过程钢水温度预报技 560 术.东北大学学报，2002,23(3)：247) 5] 1550 Tian H X,MaoZZ,Wang A N.A new incremental learning mod- 10 30 60 70 炉次 eling method based on multiple models for temperature prediction of molten steel in LF.ISIJ Int,2009,49(1)58 图6混合模型和BP神经网络模型预测温度和实际温度的比较 [6] Chen W Q,Duan G S,Ou C S.Neural network applied to predic- Fig.6 Comparison of actual and predicted temperatures using the hy- ting molten steel temperature profile from converter to continuous brid model and BPNN model casting.Iron Stssl,1997,32(8)30 (陈伟庆，段贵生，欧昌俗.利用神经网络预测转炉出钢一连 由上可知，混合模型中考虑钢包热状态并进行 铸过程钢液温度.钢铁，1997,32(8)：30) 温度修正后，预测精度不仅高于BP神经网络模型， Huang Y,Qi Z Y,Dong L R.Predicting system for molten steel tem- 而且预测精度较高，能满足实际生产要求. perature by using neural net work.Steelmaking,2001,17(5):43 (黄云，齐振亚，董履仁.利用人工神经网络系统预报钢水温 3结论 度.炼钢，2001,17(5)：43) 8] Yuan P,Mao ZZ,Wang F L.Prediction model of Molten Steel (1)针对实际炼钢厂钢水温度控制现状和炼钢 Temperature in LF/009 Chinese Control and Decision Conference 连铸流程的特点，为了主动进行钢水温度的准确控 (3).Guilin,2009:5 制，以钢包热状态跟踪模型为基础，建立了关键工序 (袁平，毛志忠，王福利.LF炉钢水温度预报模型/2009中 节点钢水温度的正向预测模型和逆向预定模型.正 国控制与决策会议论文集(3).桂林，2009：5) 向预测模型从转炉吹炼终点开始，随生产过程进行 ⑨ He D F,Xu A J,Wu P F,et al.Ladle thermal tracking model in 依次预测转炉炉后吹氩站钢水温度、LF开始温度、 a steeml aking workshop.J Univ Sci Technol Beijing,2011,33 (1):110 LF终点温度和中间包温度；逆向预定模型从要求的 (贺东风，徐安军，吴鹏飞，等.炼钢厂钢包热状态跟踪模型 中间包钢水温度开始，逆向计算LF终点目标温度、 北京科技大学学报，2011,33(1)：110)

北 京 科 技 大 学 学 报 第 36 卷 如表 6 和图 6． 由表 6 可知，混合模型在温度误差范 围［－ 10 ℃，10 ℃］内的预测命中率是 97. 09% ， BPNN 模型是 95. 45% ; 在［－ 7 ℃，7 ℃］内的预测 命 中 率 是 85. 44% ，BPNN 模 型 是 82. 20% ; 在 ［－ 5 ℃，5 ℃］内的预测命中率是 70. 55% ，BPNN 模型是 67. 96% ． 所以，混合模型对 LF 终点温度的 预测命中率高于 BPNN 模型预测命中率． 表 6 混合模型和 BPNN 模型的预测命中率 Table 6 Hit rate of predicted temperature with hybrid model and BPNN model 模型 温度误差范围 ［－ 5 ℃，5 ℃］ ［－ 7 ℃，7 ℃］ ［－ 10 ℃，10 ℃］ BPNN 模型 67. 96% 82. 20% 95. 45% 混合模型 70. 55% 85. 44% 97. 09% 图 6 是针对测试样本中非正常周转包的 73 炉 样本，分别用 BPNN 模型和混合模型预测的结果比 较． 由图 6 可知，混合模型中考虑了钢包热状态的 温度修正后，明显改善了 BPNN 模型的预测精度，混 合模型预测温度和实际温度更接近． 图 6 混合模型和 BP 神经网络模型预测温度和实际温度的比较 Fig． 6 Comparison of actual and predicted temperatures using the hy￾brid model and BPNN model 由上可知，混合模型中考虑钢包热状态并进行 温度修正后，预测精度不仅高于 BP 神经网络模型， 而且预测精度较高，能满足实际生产要求． 3 结论 ( 1) 针对实际炼钢厂钢水温度控制现状和炼钢 连铸流程的特点，为了主动进行钢水温度的准确控 制，以钢包热状态跟踪模型为基础，建立了关键工序 节点钢水温度的正向预测模型和逆向预定模型． 正 向预测模型从转炉吹炼终点开始，随生产过程进行 依次预测转炉炉后吹氩站钢水温度、LF 开始温度、 LF 终点温度和中间包温度; 逆向预定模型从要求的 中间包钢水温度开始，逆向计算 LF 终点目标温度、 LF 开始目标温度和转炉炉后吹氩站目标温度，最终 得出转炉终点目标温度． ( 2) 通过对炼钢连铸过程钢水温度主要影响因 素的分析和钢包热状态的研究，提出了一种基于钢 包热状态和 BP 神经网络的钢水温度预报混合模 型． 混合模型克服了单一的数学模型或智能模型的 缺点，更适合实际炼钢过程． ( 3) 由混合模型对 LF 终点温度的预测结果可 知，混合模型考虑钢包热状态后，明显改善了 BP 神 经模型的预测精度，而且预测精度较高，在温度误差 范围［－ 10 ℃，10 ℃］内的预测命中率达到 97. 09% ，在［－ 7 ℃，7 ℃］内的预测命中率达到 85. 44% ，在［－ 5 ℃，5 ℃］内的预测命中率达到 70. 55% ，基本能满足实际生产的要求． 参 考 文 献 ［1］ Zoryk A，Ｒeid P M． On － line liquid steel temperature control． Iron and Steelmaker ( USA) ，1993，20( 6) : 21 ［2］ Dorcak L，Terpak J． Monitoring and prediction of the liquid steel temperature in the ladle and tundish． Metalurgija，2006，45( 2) : 93 ［3］ Jormalainen T，Louhenkilpi S． A model for predicting the melt temperature in the ladle and in the tundish as a function of operat￾ing parameters during continuous casting． Steel Ｒesearch Interna￾tional，2006，77( 7) : 472 ［4］ Wu Y J ，Jiang Z H，Jiang M F． Prediction of molten steel tem￾perature in LF refining． Journal of Northeastern University，2002， 23( 3) : 247 ( 武拥军，姜周华，姜茂发． LF 炉精炼过程钢水温度预报技 术． 东北大学学报，2002，23( 3) : 247) ［5］ Tian H X，Mao Z Z，Wang A N． A new incremental learning mod￾eling method based on multiple models for temperature prediction of molten steel in LF． ISIJ Int，2009，49( 1) : 58 ［6］ Chen W Q，Duan G S，Ou C S． Neural network applied to predic￾ting molten steel temperature profile from converter to continuous casting． Iron Stssl，1997，32( 8) : 30 ( 陈伟庆，段贵生，欧昌俗． 利用神经网络预测转炉出钢—连 铸过程钢液温度． 钢铁，1997，32( 8) : 30) ［7］ Huang Y，Qi Z Y，Dong L Ｒ． Predicting system for molten steel tem￾perature by using neural net work． Steelmaking，2001，17( 5) : 43 ( 黄云，齐振亚，董履仁． 利用人工神经网络系统预报钢水温 度． 炼钢，2001，17( 5) : 43) ［8］ Yuan P，Mao Z Z，Wang F L． Prediction model of Molten Steel Temperature in LF / /2009 Chinese Control and Decision Conference ( 3) ． Guilin，2009: 5 ( 袁平，毛志忠，王福利． LF 炉钢水温度预报模型/ /2009 中 国控制与决策会议论文集( 3) ． 桂林，2009: 5) ［9］ He D F ，Xu A J，Wu P F，et al． Ladle thermal tracking model in a steeml aking workshop． J Univ Sci Technol Beijing，2011，33 ( 1) : 110 ( 贺东风，徐安军，吴鹏飞，等． 炼钢厂钢包热状态跟踪模型． 北京科技大学学报，2011，33( 1) : 110) ·206·