轉爐煉鋼磷含量智能預測模型優(yōu)化

劉博，李超，賈春輝，牛興明，翟寶鵬

（1.鞍鋼股份有限公司鲅魚圈鋼鐵分公司，遼寧 營口 115007；2.鞍鋼集團財務公司，遼寧 鞍山 114001；3.鞍鋼集團信息產(chǎn)業(yè)有限公司，遼寧 鞍山 114051）

鋼水中磷含量高會造成鋼材“冷脆”現(xiàn)象，降低鋼材的機械性能如塑性、韌性等，還會影響其熱加工性能。轉爐冶煉的重要任務之一是脫磷，主要通過造渣、供氧等手段實現(xiàn)。以往轉爐冶煉中，操作者通過化渣情況、鋼水溫度等綜合因素預測和判斷終點的磷含量范圍，誤差大，存在質(zhì)量事故風險。朱坦華等［1-3］通過神經(jīng)網(wǎng)絡模型預測磷含量，預測偏差為±0.004%以下，冶煉終點磷含量命中率達到79%以上，但該研究考慮的因素與變量有限，復雜的煉鋼生產(chǎn)條件下預測磷含量還需深入研究。鞍鋼股份有限公司鲅魚圈鋼鐵分公司煉鋼部（以下簡稱“煉鋼部”）目前轉爐煉鋼磷含量的智能預測模型已運行多年，存在問題如下：數(shù)據(jù)通訊與傳輸系統(tǒng)響應準確性與及時性較差；轉爐、副槍儀表與服務器之間的實時通訊存在偏差，無法保證生產(chǎn)數(shù)據(jù)準確傳遞，極易造成預測延時或不準確；另外，原料種類、工藝參數(shù)都有一定變化，原有參數(shù)已經(jīng)無法滿足復雜原料和生產(chǎn)工藝條件的要求，因此需對該預測模型進行優(yōu)化，進一步提高轉爐終點鋼水磷含量預測的準確性，提高生產(chǎn)效率。

1 自動化裝備現(xiàn)狀

煉鋼部擁有三座260 t轉爐，配有三個自主研發(fā)的自動化二級模型，配套副槍、質(zhì)譜儀等自動化輔助設備。自動化系統(tǒng)基本架構如圖1所示。自動化系統(tǒng)關鍵設備功能情況如下：

圖1 自動化系統(tǒng)基本架構Fig.1 Basic Architecture for Automation System

（1）副槍。對轉爐鋼水進行過程和終點溫度與碳含量的測試，轉爐吹氧累80%左右時對鋼水進行過程測試，包括測試轉爐冶煉溫度和取樣，根據(jù)過程測試獲得鋼水溫度及成分，動態(tài)控制終點提槍和加料參數(shù)；轉爐終點提槍后，進行終點測試，包括測試終點溫度、測定氧電勢、測定液面高度及鋼水取樣。

（2）質(zhì)譜儀。自動化動態(tài)模型控制需要冶煉中的連續(xù)生產(chǎn)數(shù)據(jù)，但副槍等設備并不具備這樣測試的條件，質(zhì)譜儀能夠連續(xù)實時測試爐氣成分，起到輔助控制的作用。

圖2為自動化系統(tǒng)生產(chǎn)工藝流程圖，終點動態(tài)控制可計算冶煉脫碳速度，鋼渣成分、溫度，以及判斷根據(jù)目標溫度需要加入的冷卻劑或提溫劑的重量并決定吹煉終點，根據(jù)鋼-渣反應的動力學、熱力學及其和爐氣成分的變化關系預測鋼水溫度和成分，包括磷含量的預測。

圖2 自動化系統(tǒng)生產(chǎn)工藝流程圖Fig.2 Production Process Flow Chart for Automation System

2 轉爐脫磷理論分析

2.1 熱力學因素分析

脫磷反應是鋼-渣間的界面反應，轉爐脫磷反應為放熱反應，具體反應如式（1）［4］。

由式（1）分析可知，影響轉爐脫磷的主要因素有：溫度、渣中CaO含量和FeO含量。

（1）溫度

由于脫磷反應為吸熱反應，根據(jù)熱力學原理，低溫條件有利于脫磷反應的進行。

（2）渣中CaO含量

CaO是影響堿度的最重要因素，從式（1）看出CaO提高有利于促進反應向正向進行。

（3）渣中FeO含量

渣中FeO為反應的氧化性指標，在冶煉反應中起關鍵作用。從式（1）看出，F(xiàn)eO含量增加有利于反應向正向進行，促進脫磷反應，同時有利于降低反應產(chǎn)物熔點，有利于泡沫渣的形成，是脫磷反應的有利因素。

（4）造渣料重量

渣量較多時，相對降低P2O5含量，使得反應向正向進行；相反渣量較少則不利于反應向正向進行。

2.2 動力學因素分析

整個脫磷反應主要限制環(huán)節(jié)為氧的擴散［4］。

（1）氧槍槍位的影響。氧槍槍位過低時，氧氣射流對熔池的沖擊動能大，熔池攪拌加強，氧氣利用率高，脫碳速率較快，渣中FeO含量低，影響脫磷效果；氧槍槍位較高時，將減弱熔池的攪拌能力，使渣中FeO增加，化渣較快，脫磷速率提高。

（2）底吹效果的影響。復吹能明顯縮短鋼水的混勻時間，加強攪拌，增加熔渣與金屬接觸機率，改善動力學條件，促進脫磷反應的進行，同時如果底吹供氣量過大也會加速碳氧反應的進行，降低渣中FeO含量。

3 優(yōu)化相關參數(shù)

3.1 優(yōu)化溫度的采集

冶煉過程中副槍測溫示意圖如圖3所示。主要溫度點如A、B及C點，測溫元件進入鋼水測試，溫度不斷升高并進入平臺期到達A點，測溫偶頭緩慢提起后，溫度穩(wěn)定到達B點，當測溫偶頭完全進入渣層后，溫度達到最高C點，測溫偶頭離開熔渣后溫度急劇下降。記錄三點的溫度取平均值以提高溫度準確性。

圖3 冶煉過程中副槍測溫示意圖Fig.3 Schematic Diagram for Temperature Measurement by Sublance during Smelting Process

3.2 優(yōu)化鋼水氧含量的采集

鋼液氧活度檢測方法為，通過副槍終點探頭測量鋼水的氧電勢，然后通過數(shù)據(jù)公式換算出鋼水氧活度。其中爐渣氧勢的檢測原理主要是利用終點測試的電勢能差電池在鋼水中為回路的一端，大地為回路的另一端，二者之間的電勢差就是爐渣的氧電勢。優(yōu)化了副槍電勢參數(shù)表，在測試氧電勢過程中，除記錄鋼水氣氧活度，還記錄了爐渣的氣溫活度，使測試結果更準確。

3.3 優(yōu)化堿度的計算

原模型采用二元堿度計算方法，即R=CaO/SiO2，優(yōu)化后采用四元堿度計算方法，即R=（CaO+MgO）/（Al2O3+SiO2），使得堿度計算更加合理，預測磷含量也更加準確。

3.4 優(yōu)化其他參數(shù)

引入造渣總量參數(shù)，通過采集所加熔劑、冷卻料、護爐料等物料量，計算出總造渣量，作為預測終點磷含量的參數(shù)。渣量較少時，適當提高終點預測磷含量；通過前5爐平均碳氧積數(shù)值判斷轉爐復吹效果的好壞，作為預測磷含量的參數(shù)；同樣條件下，碳氧積較高時，提高終點磷含量的預測值，可起到磷含量超標預警的作用。

4 系統(tǒng)流程與模型總體優(yōu)化

對系統(tǒng)流程及模型總體進行優(yōu)化，優(yōu)化數(shù)據(jù)通訊與傳輸系統(tǒng)，內(nèi)容包括：完善與檢化驗系統(tǒng)的通訊，提高傳輸數(shù)據(jù)的準確性與及時性，保證終點磷含量預測參數(shù)中相關元素的取值可靠性；改進轉爐儀表PLC與OPC服務器之間的通訊，保證冶煉中裝入量等原料基礎數(shù)據(jù)傳輸及時與準確；修改副槍PLC與OPC服務器之間的通訊程序，保證過程測試數(shù)據(jù)傳輸?shù)臏蚀_與及時。

4.1 系統(tǒng)流程優(yōu)化

優(yōu)化動態(tài)模型的迭代計算，優(yōu)化后動態(tài)控制流程如圖4所示。磷含量預測模型計算流程與工藝操作流程相適應，優(yōu)化后如圖5所示。

圖4 優(yōu)化后動態(tài)控制流程示意圖Fig.4 Schematic Diagram for Dynamic Control Flow after Optimization

圖5 優(yōu)化后磷含量預測流程示意圖Fig.5 Schematic Diagram for Optimized Phosphorus Content Prediction Process

爐次開始后，從數(shù)據(jù)庫中讀取歷史數(shù)據(jù)，根據(jù)當前參數(shù)和冶煉終點磷預測機收集的相關冶煉數(shù)據(jù)，預測本爐終點磷含量。轉爐進行TSO測試時，將本爐的鐵水成分、鐵水重量、廢鋼種類及數(shù)量、轉爐加入的造渣材料種類及對應數(shù)量、TSC測試數(shù)據(jù)、TSC測試后吹氧量、最近5爐碳氧積平均值、TSO測試結果等通過各自的PLC存入到磷預測計算系統(tǒng)數(shù)據(jù)庫。

4.2 磷含量預測模型優(yōu)化

4.2.1 顯著因子及公式回歸

根據(jù)前文理論分析，并結合冶煉中影響脫磷的生產(chǎn)條件，選取2年的生產(chǎn)數(shù)據(jù)，應用Minitab逐步回歸法，將預測磷的顯著影響因子進行多元線性回歸，形成磷預測的數(shù)學公式。回歸法中顯著影響因子根據(jù)影響磷反應進行的熱力學與動力學相關生產(chǎn)參數(shù)確定［4］，其它影響較小或不相關的生產(chǎn)參數(shù)未進行回歸分析，具體數(shù)據(jù)構成為：

轉爐吹煉開始后，模型計算系統(tǒng)從數(shù)據(jù)庫中讀取最新的 500爐數(shù)據(jù)，包括鐵水成分（C、Si、Mn、P、S）、入爐鐵水及廢鋼重量、轉爐冶煉過程的各種造渣材料重量、TSC測試后的吹氧量、TSC和TSO測試數(shù)據(jù)、轉爐終點磷含量、碳氧積等。將讀取的數(shù)據(jù)組成矩陣，以P元素為Y列，其余數(shù)據(jù)組成因子矩陣，求解每列因子相應的參數(shù)，預測系統(tǒng)根據(jù)所有參數(shù)與數(shù)據(jù)進行矩陣運算，求解終點磷含量。

4.2.2 參數(shù)自學習

按照本模型預測方法構造公式，為確保數(shù)據(jù)與生產(chǎn)參數(shù)的可靠性與實效性，優(yōu)化了參數(shù)的自學習模型。在模型進行運算時，讀取自學習數(shù)據(jù)庫500爐數(shù)據(jù)進行參數(shù)回歸運算，以自學習參數(shù)對預測的磷含量進行修正。

5 取得的效果

磷含量預測模型優(yōu)化后，實現(xiàn)了對成品磷含量＜0.05%鋼種終點磷含量的準確預測，磷含量預測值與實際值偏差＜±0.003%的比例達到90%以上，對比情況如圖6所示。

圖6 終點磷含量實際值與預測值的對比Fig.6 Comparison of Actual Phosphorus Content and Predicted One at the End Point

兩者最大偏差為±0.004%，對于成品磷上限0.025%的品種，實現(xiàn)了預測磷含量＜0.020%不等樣出鋼。統(tǒng)計80爐生產(chǎn)數(shù)據(jù)得出轉爐平均取樣時間縮短1.2 min/爐，對提高生產(chǎn)效率、減少生產(chǎn)質(zhì)量事故的發(fā)生起到良好的控制效果。

6 結語

基于轉爐冶煉過程中影響脫磷的熱力學和動力學條件，分析了鋼水溫度、渣氧化性及堿度等影響脫磷的相關參數(shù)，優(yōu)化了相關參數(shù)的采集和計算，優(yōu)化了磷含量預測模型的系統(tǒng)流程、模型計算和參數(shù)自學習。模型優(yōu)化應用后，提高了終點鋼水磷含量預測的準確性，轉爐平均取樣時間縮短1.2 min/爐，對提高生產(chǎn)效率，減少生產(chǎn)質(zhì)量事故的發(fā)生起到良好的控制效果。