郑瑞轩等：炼钢合金减量化智能控制模型及其应用 ·1691 4.2 5.0 (a) (c) 4.78±0.052a 3.940.038a 4.550.045c 4.61±0.0446 3.9 「3.79 4.5 3.940.043北 55 o3 3.690.032c 3.6 40 45 3.3 3.5 0.95 名Charging iron ratio 0.85 Output temperature/.℃ 1500 600 0.751700 3.0 3.0 Cluster 1 Cluster 2 Cluster 3 Cluster 1 Cluster 2 Cluster 3 Cluster Cluster 图142CrMo转炉出钢工序工艺参数聚类分布图（仔个聚类(a)及吨钢硅锰耗量(）和吨钢中碳锰铁耗量(C) Fig.1 Cluster distribution map of process parameters in the 42CrMo converter steel discharge process(3 clusters)(a),silicomanganese consumption per ton of steel(b),and medium carbon ferromanganese consumption per ton of steel (c) 值的2类情况与之相反.在吨钢铁合金耗量上如 据库与模型连接，模型在运行过程中可以实时调 图1(b)和1(c)所示，聚类1在硅锰和中碳锰铁吨 用数据库内的数据用于模型计算使用.数据库信 钢耗量上均低于均值，分别低2.64%和2.15%.而 息从企业各级数据库中获取，包括但不限于合金 聚类2在这两类锰系合金吨钢耗量上分别高于均 化验成分、钢液取样化验成分、生产工艺参数和 值3.96%和2.80% 钢种目标内控成分等 (2)实时在线的输入与输出模式. 表13聚类炉次占比及锰收得率 模型可以实现实时的参数获取与数据输出， Table I 3 Clustering proportion and the manganese yield in each cluster 模型启动后，根据合金批号更新铁合金的成分信 Cluster Manganese yield/% Proportion/% 息及价格信息，然后模型根据所读取的炉号在数 Cluster I 88.46 23.57 据库中读取出该炉次所对应的钢种与执行标准， Cluster2 86.56 20.71 并获取该炉次的钢液基本信息，最后根据钢种和 Cluster3 87.11 55.71 执行标准调取工艺卡以设定合金化后目标钢液成分 (3)智能化的合金使用效果评价与分析系统. 由此可见在不同的钢液条件下，尤其是钢液 模型包括基于K均值聚类的合金耗量数据分 的耗氧量和温度不同时，铁合金元素的损耗存在 析和基于主成分分析法的BP神经网络收得率预 明显差异.若将吨钢耗氧量、装料铁水比和出钢 测模型，已结束炉次的生产数据会输出到数据库， 温度控制在聚类1范围内，减少2类的炉次占比， 经过使用效果评价之后传输到收得率预测模型 可显著降低转炉出钢过程的铁合金损耗.以上研 中，实现预测模型的自学习.不断完善收得率预测 究针对转炉出钢过程的合金化，对于LF精炼合金 模型精度 化笔者采用同样的方法进行了研究，其中LF精炼 (4)基于智能分析结果的合金种类选择与加 用于K均值聚类分析的输入参数包括LF取一样 入量计算模型 温度、电耗以及C含量.利用该方法将具有不同特 模型基于历史数据的智能分析结果，选取成 征的关键因子自动划分为K类，从而在计算合金加 本最低的合金加入种类，根据已有条件利用intlinprog 入量时可以根据实际钢液条件选择不同收得率， 函数计算出符合钢液目标成分设定值，且总加入 避免了采用单一收得率按照控制上限加入合金造 成本最低的铁合金加入量.该模型对于转炉炉后 成的浪费，也为后续合金减量化模型提供了依据. 的合金化和LF精炼的合金化均适用，转炉炉后合 2合金减量化模型 金化模型仅进行一次配料计算，钢液目标成分一 般设定为略低于钢种内控成分的下限值，具体数 2.1模型功能与框架结构 值管理者根据钢种实际情况进行设定.，在LF精炼 运用Matlab R2020 a Appdesigner程序设计编制了 工序模型计算流程与转炉工艺类似，将LF精炼合 合金减量化智能控制系统的人机交互界面，模型计 金化前钢液化验成分与钢种内控值进行对比，若 算流程如图2所示.模型主要功能和框架结构如下： 符合成分要求则该炉次合金配料完成，否则返回 (1)合金信息数据库 到上一步重新进行配料计算与加料操作，直到成 运用Oracle 11g软件建立合金信息数据库，数 分达标为止，一般LF精炼工序进行1~2次加料.值的 2 类情况与之相反. 在吨钢铁合金耗量上如 图 1(b) 和 1(c) 所示，聚类 1 在硅锰和中碳锰铁吨 钢耗量上均低于均值，分别低 2.64% 和 2.15%，而 聚类 2 在这两类锰系合金吨钢耗量上分别高于均 值 3.96% 和 2.80%. 表 1 3 聚类炉次占比及锰收得率 Table 1 3 Clustering proportion and the manganese yield in each cluster Cluster Manganese yield/% Proportion /% Cluster 1 88.46 23.57 Cluster2 86.56 20.71 Cluster3 87.11 55.71 由此可见在不同的钢液条件下，尤其是钢液 的耗氧量和温度不同时，铁合金元素的损耗存在 明显差异. 若将吨钢耗氧量、装料铁水比和出钢 温度控制在聚类 1 范围内，减少 2 类的炉次占比， 可显著降低转炉出钢过程的铁合金损耗. 以上研 究针对转炉出钢过程的合金化，对于 LF 精炼合金 化笔者采用同样的方法进行了研究，其中 LF 精炼 用于 K 均值聚类分析的输入参数包括 LF 取一样 温度、电耗以及 C 含量. 利用该方法将具有不同特 征的关键因子自动划分为 K 类，从而在计算合金加 入量时可以根据实际钢液条件选择不同收得率， 避免了采用单一收得率按照控制上限加入合金造 成的浪费，也为后续合金减量化模型提供了依据. 2    合金减量化模型 2.1    模型功能与框架结构 运用Matlab R2020a Appdesigner 程序设计编制了 合金减量化智能控制系统的人机交互界面，模型计 算流程如图 2 所示. 模型主要功能和框架结构如下： （1）合金信息数据库. 运用 Oracle 11g 软件建立合金信息数据库，数 据库与模型连接，模型在运行过程中可以实时调 用数据库内的数据用于模型计算使用. 数据库信 息从企业各级数据库中获取，包括但不限于合金 化验成分、钢液取样化验成分、生产工艺参数和 钢种目标内控成分等. （2）实时在线的输入与输出模式. 模型可以实现实时的参数获取与数据输出， 模型启动后，根据合金批号更新铁合金的成分信 息及价格信息，然后模型根据所读取的炉号在数 据库中读取出该炉次所对应的钢种与执行标准， 并获取该炉次的钢液基本信息，最后根据钢种和 执行标准调取工艺卡以设定合金化后目标钢液成分. （3）智能化的合金使用效果评价与分析系统. 模型包括基于 K 均值聚类的合金耗量数据分 析和基于主成分分析法的 BP 神经网络收得率预 测模型，已结束炉次的生产数据会输出到数据库， 经过使用效果评价之后传输到收得率预测模型 中，实现预测模型的自学习，不断完善收得率预测 模型精度. （4）基于智能分析结果的合金种类选择与加 入量计算模型. 模型基于历史数据的智能分析结果，选取成 本最低的合金加入种类，根据已有条件利用 intlinprog 函数计算出符合钢液目标成分设定值，且总加入 成本最低的铁合金加入量. 该模型对于转炉炉后 的合金化和 LF 精炼的合金化均适用，转炉炉后合 金化模型仅进行一次配料计算，钢液目标成分一 般设定为略低于钢种内控成分的下限值，具体数 值管理者根据钢种实际情况进行设定. 在 LF 精炼 工序模型计算流程与转炉工艺类似，将 LF 精炼合 金化前钢液化验成分与钢种内控值进行对比，若 符合成分要求则该炉次合金配料完成，否则返回 到上一步重新进行配料计算与加料操作，直到成 分达标为止，一般 LF 精炼工序进行 1～2 次加料. 4.2 5.0 3.9 4.5 3.6 4.0 3.3 3.5 60 0.95 1700 55 50 0.85 1600 45 40 0.75 1500 Oxygen consumption/(m 3.0 3.0 3 t−1 ) Charging iron ratio Output temperature/℃ 1 2 3 Silicomanganese ferroalloy consumption/(kg·t−1 ) Medium carbon ferromanganese consumption/(kg·t−1 ) Cluster 1 Cluster 2 Cluster 3 3.79 3.69±0.032c 4.55±0.045c 4.65 4.78±0.052a 3.94±0.038a 4.61±0.044b 3.94±0.043b Cluster Cluster 1 Cluster 2 Cluster 3 Cluster (a) (b) (c) 图 1 42CrMo 转炉出钢工序工艺参数聚类分布图 (3 个聚类)(a) 及吨钢硅锰耗量 (b) 和吨钢中碳锰铁耗量 (c) Fig.1 Cluster distribution map of process parameters in the 42CrMo converter steel discharge process (3 clusters) (a), silicomanganese consumption per ton of steel (b), and medium carbon ferromanganese consumption per ton of steel (c) 郑瑞轩等： 炼钢合金减量化智能控制模型及其应用 · 1691 ·