LF精煉自動控制技術發展與展望

關鍵詞：LF精煉；自動化煉鋼；智能化精煉；控制模型；協同控制

0 前言

LF精煉作為爐外精煉手段之一，因其投資不高、功能性強，且能夠對鋼水的溫度、成分進行有效設計和調整，而被廣泛應用。傳統的精煉過程僅靠人工經驗操作，現場環境惡劣，不僅工人勞動強度高，而且存在過程控制波動大、物料消耗和能耗偏高、過程成本高、產品質量穩定性差等一系列問題，嚴重制約了產品質量及市場競爭力的提升。因此，如何實現LF精煉過程的高效、精準自動控制，使之更好地滿足鋼鐵企業高效智能生產要求，成為LF精煉自動煉鋼控制的重要研究方向。

國內外眾多研究者在LF精煉自動煉鋼所涉及的模型模塊、系統和設備等方面做了大量的研究工作，并取得較好的應用效果。20世紀60年代，最初的LF精煉控制系統采用的是儀表控制手段；70年代到80年代，可編程邏輯控制器（PLC）的迅速發展使得LF精煉控制系統的可靠性和可維護性得到了改善；90年代以來，冶金工藝和自動控制技術的結合更為緊密，專家系統、模糊控制、神經網絡控制等被應用到LF精煉控制系統中，同時，國內外在LF精煉自動吹氬、電極自動控制、溫度預報、成分預報和控制、脫硫造渣、脫氧造渣等控制模型的應用方面取得了良好的效果，并且關于各控制模型的有機融合及自動化煉鋼系統的聯動控制等研究也逐漸開展，這為LF精煉自動化煉鋼系統的開發提供了很好的支撐。

本文系統梳理和分析了LF精煉自動控制系統/模型的發展情況，著重總結了其應用現狀和優缺點，闡述了LF精煉自動化煉鋼系統的發展趨勢，展望了LF精煉自動化煉鋼發展途徑及前景，以期為后續LF精煉自動化煉鋼技術研發提供參考。

1 LF精煉自動控制系統/模型發展情況

1.1 自動吹氬系統

利用鋼包底吹氬對鋼液進行攪拌，能夠促進鋼液中夾雜物的上浮去除，改善鋼包內冶金反應的動力學條件，是提升鋼液質量的重要手段之一。國內傳統的鋼包精煉底吹氬裝置如圖1所示，作業人員手動控制閥門開度、人為記錄吹氬時間，調節精確性和穩定性較差，且手動插拔軟管的對接方式對作業人員存在著安全隱患。目前該吹氬控制方式已基本淘汰，國內各大型鋼廠均開發或者引進了以PLC控制系統為主體的智能吹氬控制系統。在控制系統最核心的吹氬曲線的確定上，各鋼鐵企業對吹氬流量的控制方式不盡相同，圖2所示為各種流量調節方式及其應用效果。

2007年，王詠秋等利用脈沖編碼調制（PCM）技術對吹氬流量進行控制，調節范圍大，精度達到了10 L/min， 使漣鋼熱軋板廠100 t LF爐煉鋼成本得到顯著降低；2013年，天鋼開發并應用了以PID控制為核心組件的智能吹氬系統，提高了精煉效率，產品質量也上升到了一個新臺階；2019年，李雪輝針對經典PID控制模型超調量大、存在調節死區的問題，提出了PID死區動態調節模型，通過對死區值進行計算，引入對PID死區進行控制的調節方式，并于2019年9月底在宣鋼完成LF鋼包精煉自動吹氬系統的改造，改造后氬氣、電極的消耗量都得到了降低；安鋼和萊鋼應用的流量控制器則是在經典PID控制的基礎上綜合了模糊控制的優勢，解決了超調量大的問題，實現了動態響應好、控制平穩精準的應用效果。

相對于國內，國外對吹氬工藝的理論研究起步較早，在20世紀40年代就已證實了鋼液吹氬理論的可行性。國外對自動吹氬控制方面的研究起步也較早，相關技術已經比較成熟，其中最典型的技術為日本川崎耐材公司開發的EF-KGC系統，應用后顯著改善了冶煉效果，降低了單位電耗，提高了合金的收得率。

從PCM控制到經典PID控制，鋼包爐自動吹氬系統穩定性、可控性得到提高，但仍存在調節死區不可避免、調節精度略顯不足等問題。目前國內外鋼企主要采用復合控制，即把神經網絡、模糊控制、專家系統等綜合應用在精煉底吹氬控制中，相比傳統單一控制，復合控制更適用于復雜非線性吹氬系統。

1.2 電極控制系統

電極控制系統是LF爐關鍵部分，具有非線性、輸入輸出強耦合、多時變等特點，傳統PID控制精度較差，因此現在國內外均已淘汰傳統PID控制，轉向非線性控制效果更好的神經網絡控制。電極系統PID控制與人工神經網絡（ANN）控制對比見表1。

從表1可以看出，在電極控制上ANN控制較傳統的PID控制更具優勢，但是其也存在著辨識精度不足、算法運算時間長等問題，需要在其基礎上進行改進。另外，傳統的PID控制在結合其他控制后的復合控制也能表現出較好的綜合控制性能。目前現場應用的電極控制系統如圖3所示。

國內外學者在電極控制系統的神經網絡控制改進和復合控制以及電極定位系統的研究上，做了大量的工作。圖4所示為國內外LF爐電極控制系統的研究情況，可以發現，早在1992年，美國北極星鋼鐵公司Staib W E等就已提出基于Delta-Bar-Delta規則的神經網絡對電極進行控制，該ANN網絡提高了自學習效率，并且實現了誤差的全局最小，在實際應用中取得了巨大的成功，節約了用電成本，且系統運行穩定。雖然國內的相關工作起步較晚，但大多直接選擇復合控制或對經典BP算法進行改進，均取得了不錯的應用效果，其中，佟威等分別采用Bang-Bang最優控制、PID控制以及模糊控制，根據精煉不同時期對電極控制系統精度和靈敏度的不同需求，設計了相對應的控制方式，在國內某鋼廠實際應用中，這種智能復合控制響應速度為普通PID控制的5倍。綜合國內外LF爐電極控制系統的研究應用情況可以發現，經過改進的神經網絡控制和復合控制，表現出更好的控制精準性、系統穩定性，應用后降低了噸鋼成本，但是在設備維護、工藝操作方面仍需改進，以獲得更高的生產效率和節能水平。

1.3 溫度預報模型

國內外LF精煉溫度預報模型主要分為3種：機理模型、黑箱模型和復合模型，各模型的基本原理如圖5所示。機理模型是通過熱平衡規律，將影響鋼包溫度的各個因素轉換成數學模型，再對模型進行求解，得到鋼包的溫度分布，其可以理解為從“原因”到“結果”，然而一些非線性“原因”難以用機理描述出來，從而對機理模型產生了一定的限制。黑箱模型是將影響鋼水溫度的各個因素作為多輸入，采用神經網絡算法或者多元回歸分析對試驗數據或者實際生產數據進行統計分析，得到鋼包終點溫度，相當于從“結果”到“結果”，由于未考慮過程機理，故稱之為黑箱模型。黑箱模型雖然解決了非線性因素不易用數學模型表述的問題，但是其對數據的依賴程度比較高，訓練數據少、數據準確性差等都會對模型的預報精度產生影響。復合模型是將機理模型和黑箱模型結合起來，即先建立傳熱機理數學模型，然后利用神經網絡或者多元回歸分析對無法用數學模型表述的非線性因素采用黑箱分析，最后對鋼包終點溫度進行預報。

3種溫度預報模型在國內外均有研究和應用，為了大致比較各模型的應用效果，筆者對20世紀90年代至今國內外溫度預報模型的發展情況作了調研，并對預報精度為±5 ℃的機理模型、復合模型、神經網絡和回歸分析（黑箱模型）的模型命中率進行了不完全統計，結果如圖6所示?？梢钥闯?，機理模型和復合模型的預報命中率比較高，神經網絡和回歸分析（黑箱模型）的預報命中率在一些鋼廠應用比較好，然而有的命中率只達到了65%，也說明其對數據的依賴性比較強。另外，對比圖中國內外研究情況可以發現，國外對鋼包精煉溫度預報的研究較早且技術相對成熟，1993年，英國鋼鐵公司斯肯索普工廠Zoryk A等建立的鋼包熱追蹤數學模型命中率便達到了86%。田慧欣等利用寶鋼300 t LF爐生產數據對3種模型的精度進行了測試對比，結果發現機理模型、黑箱模型、復合模型的精度分別為82%、86%和92%，可見復合模型的預報精度更高。從圖6中可以很好地看出國內外溫度預報模型的研究情況，然而由于預報精度是不同操作者在不同條件下獲得的，因此不能只憑此準確判斷各模型的優劣，但總體來看復合模型在預報精度方面展現出了更大的優勢。

1.4 成分預報和控制模型

成分預報模型是LF精煉自動化煉鋼系統重要模型之一，其功能主要為對投入合金后的鋼水成分進行預報，模型預報的準確性則與合金的收得率有很大關系，通過以往合金的添加經驗采用經驗公式計算、預報是較為常用的一種方法，然而影響合金收得率的因素眾多且具有較強的非線性，經驗公式預報精度顯然不足。目前國內外成分預報模型常用的算法還有參考爐次法和神經網絡算法，其中參考爐次法是利用歷史冶煉數據進行預報，如式（1）和式（2）所示。

fi=Δmim×100%fi=Δmim×100%（1）

fa=1n∑i=1nfi×100%fa=1n∑i=1nfi×100%（2）

式中：fi、fa分別為某元素的收得率和平均收得率，%；m、Δmi分別為第i爐加入某合金的質量和加入該合金后某元素的質量變化量，kg； n為參考的爐次數。冶煉結束后，即可將正常爐次的冶煉數據編入數據庫中實現模型的自學習。

顯然，參考爐次法對歷史數據的依賴比較高。多輸入單輸出、處理非線性問題能力強的神經網絡算法也適于成分預報，但其對數據的依賴性也較強。故國內外成分預報模型從以經驗公式為主轉向以經驗公式結合參考爐次法或神經網絡算法的復合模型為主，宣鋼郝勝濤等、唐鋼王學峰以及柳鋼常長志等均采用經驗公式法對鋼水成分進行預報，基本上達到了工藝生產要求，但是存在著一些問題，如未考慮鋼包殘渣的影響、系統維護麻煩等。鞍鋼李廣幫等采用復合的方法，對收得率較穩定的Nb、Ti、C、Mn等采用經驗公式來分析計算，對收得率波動較大的Si、Al等選取參考爐次法來預報，取得了較好的預報效果。Kothari A K等針對印度塔塔鋼鐵公司的鋼包爐提出了兩步增量法的鐵合金模型，實現了合金加料的全自動化，在提高鋼水質量的同時降低了成本。

1.5 造渣模型

1.5.1 脫硫造渣模型

精煉脫硫是LF爐精煉的主要功能之一，也是實現鋼水深脫硫的關鍵環節，而確定渣系成分、造好硫容量大且流動性良好的脫硫渣是精煉實現深脫硫的關鍵，因此，脫硫造渣模型也是自動化精煉系統的基礎模型之一。前人的研究主要集中在對脫硫渣系成分的優化分析，而對LF精煉脫硫造渣模型的研究較少。與溫度預報模型類似，目前常用的脫硫造渣模型可以分為基于人工經驗計算鋼液硫含量的機理模型、將影響硫容量的因素作為輸入而直接輸出硫含量的黑箱模型以及結合兩者優勢的復合模型。機理模型預報精度較低且具有很大的局限性，黑箱模型則對歷史數據的準確度要求較高，而復合模型結合了機理模型和黑箱模型的優點，預報精度較高。脫硫造渣復合模型原理如圖7所示，但是目前研究并應用復合模型的較少，一般以機理模型和黑箱模型為主。

1.5.2 脫氧造渣模型

LF爐中進行脫氧既是為了更好地脫硫，同時也是提高鋼材質量的重要途徑之一。爐渣脫氧的主要手段是添加鋁合金進行沉淀脫氧，較早的研究著重于對終點氧成分的準確控制上。1998年，鋼鐵研究總院何平等通過熱力學基礎理論建立了LF爐終點氧控制模型，采用南京鋼鐵廠生產數據驗證后，模型計算結果與實際生產數據基本一致。隨著對鋼材產品質量要求的日益提升，憑借人工經驗喂線脫氧已不能滿足低成本、高質量要求，東北大學盛國良結合現場實際建立了LF爐喂線脫氧在線控制模型，預報喂線量誤差在±10 m內的命中率達到了84.2%，預報渣量誤差在±10 kg內命中率為81.6%；同時萊鋼、山鋼也都開發并應用了在線脫氧造渣模型，使得物料的加入量和終渣成分的穩定性得到了提高，但仍存在模型參數難以實時準確測量、個別預報誤差較大的問題。

以上闡述了LF精煉自動化煉鋼過程中涉及的各單體模型開發及應用情況，然而在LF精煉實際過程中，往往希望LF精煉過程的自動吹氬、電極自動控制、溫度預報、成分預報、脫硫造渣、脫氧造渣等少數幾個功能或全部功能都實現自動精準控制，這需要進一步厘清各模型執行過程和功能實現中存在的相互作用關系，將相關成熟模型有機融合，形成各控制模型深度融合及聯動控制的自動化煉鋼系統，以適應當前LF精煉自動化煉鋼技術發展需求。

2 LF精煉自動化煉鋼系統發展趨勢

2.1 自動測溫取樣機器人應用現狀

LF精煉的規范化、自動化、智能化會提高其精煉水平、提升鋼產品的市場競爭力，也符合目前打造智能工廠、實現智能生產的發展趨勢。在現場環境惡劣的鋼廠，使用工業機器人代替現場操作工已經成為發展趨勢。圖8所示為自動測溫取樣機器人。以工業機器人為基礎的測溫采樣系統，結合了機器人應用技術、機器人視覺識別技術，實現自動采樣，且采樣動作靈活，對環境和工況適應性強、安全性強，測量結果穩定、操作簡便、維護簡單、易學易用。在LF精煉過程中，使用自動測溫取樣機器人不僅能夠減輕操作人員繁重的體力勞動，而且機器人的操作更為精確和迅速，從而大大提高了生產質量和效率；同時，利用自動測溫取樣機器人進行LF精煉過程自動測溫取樣，也在控制上為真正實現LF精煉“一鍵式”自動煉鋼提供了可能和重要支撐。目前，國內首鋼、寶武韶鋼、濟鋼等鋼廠相繼進行了自動測溫取樣機器人的研發和使用，該系統上線后，提高了鋼水溫度控制的準確性，減少了人為干擾，對提高鋼水熱量控制能力和鋼水質量、減輕工人勞動強度具有重要意義。

2.2 LF精煉自動化煉鋼系統研究進展及發展趨勢

目前，關于LF精煉自動控制系統，諸如第1節所述，國內外各單體模型研發和應用比較多，而關于各模型有機融合及聯動控制的整體自動化精煉系統研究相對較少。1999年，沙鋼將電極自動控制模型與溫度模型進行融合，開發了智能鋼包精煉系統ILF，其原理如圖9所示，該系統基于神經網絡和專家系統對溫度進行預報，利用神經網絡和模糊控制對電極進行控制調節，使得噸鋼電耗降低、鋼水質量提高、生產成本降低，取得了一定的應用效果。

印度塔塔鋼鐵公司將合金加入模型、溫度預報模型等多個單體控制模型進行集成，設計出LFOR自動煉鋼控制系統，該系統應用后終點預測溫度與目標溫度的誤差均在±5 ℃以內，減少了精煉過程測溫取樣次數，鋼水成分控制更加精確，同時運用最優合金添加模型后生產成本得以降低。

2017年，河鋼承鋼自動化中心將部分單體工藝模型與一級PLC系統及三級系統相連接，開發出了一套LF精煉自動化煉鋼系統（LF精煉“一鍵煉鋼”系統），如圖10所示。該系統由二級模型軟件和自動控制系統組成，具有預報溫度、自動配加合金、自動生成報表等功能，對鋼包車、電極、爐蓋等實現自動控制。該項目同時對諸如喂絲機等難以進行自動控制的設備進行改造，提高了自動化水平，在部分鋼種上實現了一定程度的“一鍵式”精煉，降低了操作工的勞動強度。但是，仍存在模型預報精度偏低、適于冶煉的鋼種少、人工干預比例高等問題，并未在生產全范圍實現真正意義上的LF精煉“一鍵煉鋼”。由此可見，中國的LF自動化精煉系統與國外的尚且存在一定的差距。

基于此，根據現場實際生產狀況，筆者團隊通過對LF精煉工藝流程系統分析，提出LF精煉“一鍵式”煉鋼模型系統開發的工作需求，包括實現工藝過程的拆解和模塊化、滿足各模型基礎工藝參數需求、滿足鋼包與原料等管理要求、考慮異常工況條件及應對措施等；在此基礎上，明確要開發的子模塊數量并對其進行自動化程序轉化，分模塊實現鋼包自動化精煉。同時，進一步對LF精煉一級基礎自動化軟件和二級模型軟件進行集成開發，將從現場得到的操作流程、過程參數、自學習方法、拆解模塊及模塊之間的轉換對接關系等轉換成機器語言，制作成程序并集成到同一系統中，形成LF精煉自動化煉鋼系統，從而實現對整個LF精煉工藝的全局化控制與調節，其現場應用操作系統界面如圖11所示。

同時，該系統具備基于工藝的全方位和多技術集成智能模型、設備故障自我診斷、智能語音報警、智能鋼包吹氬、全過程故障和事件跟蹤記錄等技術優勢。其中二級模型軟件包括能量平衡、溫度預報、合金料計算、LF精煉脫硫預報、脫氧劑計算、成分預報、供電制度優化、底吹氬氣、造渣、喂絲、冶煉時間控制、冶煉數據采集跟蹤等模型；一級基礎自動化軟件實現對LF爐的實時監控，包括LF爐爐蓋系統自動升降、電壓擋位和電流擋位自動選擇、電極加熱系統自動啟停、渣料自動加入、吹氬氣攪拌系統按預定模式進行攪拌、合金自動配料和加入、自動喂絲等冶煉功能，以及數據網絡通信、操作優化及生產管理支持等數據互聯與生產管理、聯鎖報警等功能。

該系統還兼顧冶煉工序上下游運行規律，根據連鑄澆注對精煉冶煉周期的實際需求，實時制定及優化LF精煉生產流程計劃表，對各二級模型的執行進行總體規劃，并按LF“一鍵式”煉鋼系統工藝流程進行精準控制，實現煉鋼區段（BOF/EAF-LF-CC）協同匹配和高效運行。

3 結論與展望

（1）目前，LF精煉自動控制主要體現在自動吹氬、電極自動控制、溫度預報、成分預報、脫硫造渣、脫氧造渣等單個或少數幾個功能的實現上，其中單純基于機理分析或者神經網絡等建模運行的模型在預報精確性、控制穩定性方面表現欠佳。LF精煉自動控制功能或模型多為單個應用，多功能或多模型的集成也多為簡單組合，適于冶煉的鋼種少，人工干預比例高，沒有真正形成所有模塊的協同配合。

（2）將機理分析、神經網絡、人工經驗（專家系統）等相結合的復合控制模型綜合性能更好，隨著各單體模型的實踐開發和成熟應用，復合模型的優勢將更為突出，并不斷地被完善和投入應用。在LF精煉爐自動控制技術的不斷成熟應用以及大數據和圖像識別技術的實踐運用背景下，各類模型將被不斷優化和集成，同時結合工業機器人、自動控制技術和不斷優化升級的智能化設備，可實現真正意義上的智能精煉。

（3）建立基于工藝的全方位、多技術集成的智能精煉模型系統，并兼顧冶煉工序上下游運行規律，按LF精煉“一鍵式”自動煉鋼系統工藝流程進行精準控制，以實現煉鋼區段的協同匹配和高效運行，是未來LF精煉自動控制的主要發展方向。

本文摘自《中國冶金》2022年第11期