5#RH智能煉鋼系統開發與應用

王 允,何水珍,楊紅海

(本鋼板材股份有限公司煉鋼廠,遼寧 本溪 117000)

隨著RH真空精煉爐在國內的廣泛使用[1],其智能無干預模型煉鋼成為亟待解決的問題。目前國內行業內部普遍存在模型命中率不理想、合金下料精度不足,真空系統老化[2]等問題,限制了智能無干預煉鋼技術的推廣。

在RH的冶煉過程中,隨著設備的老化,原設計二級模型功能無法使用,出現了困擾生產的問題如下:

(1)一級操作畫面設計繁瑣,需要頻繁切換畫面,容易誤操作,不利于監護生產過程。

(2)終點溫度控制偏差較大。

(3)氧槍需要靠人工進行控制,鋁氧配比控制不良,升溫鋁加入不均勻。

(4)原設計爐氣分析系統故障率高,無配套算法,無法直接預報脫碳結束時刻。

(5)現場雷達料位計受高溫粉塵環境影響[3],故障率高,且裝機量大,損壞嚴重,無法及時修復。

本文主要研究RH真空精煉爐的智能無干預煉鋼系統的開發與應用。著重解決上述困擾生產的問題。

1 一級系統實現二級全部功能的整合

目前國內的RH爐二級模型應用普遍不佳。傳統的二級模型一般為高級語言開發,一級與二級直接通訊周期普遍在1 s及以上。不適合毫秒級別的實時模型控制。

傳統的L1-L2-L3,三級控制模式中,L2不但要同時與一級和三級網絡通信,還要封裝工藝模型,數據處理負擔過重,丟包、延遲情況時有發生,其系統結構如圖1所示。

圖1 改進前模型控制系統界面

改進結構后,系統控制的核心是一級組態軟件,二級系統通信壓力大幅減少。其機構如圖2所示。

圖2 改進后模型控制系統界面

本設計由于采用了BP與GA結合的人工神經網絡算法、Dahllin算法、Smith預估補償算法、卡爾曼濾波(kalman filtering)算法等多種復雜算法,根據實時響應的需求,將工藝模型分別封裝在PLC程序、組態軟件intouch的腳本語言QuickScript、C語言開發的ActiveX控件中。

根據模型實時性和精度的要求,對模型進行分級,合理有效地利用系統資源。可實現200 ms內的快速工藝操作,顛覆了傳統的二級控制模式。可以實現免二級運行,降低二級系統的電耗和運維成本。一級系統實現二級功能,滿足不同模型對通訊速度的要求。

2 免切換全過程可視人機界面

智能系統的運行離不開人員的監護,傳統的原設計是14個窗口通過鼠標進行操作,人員監護和操作都存在一定困難。同一時刻只能顯示一個窗口,全過程可視界面可實現一個畫面下監控所有的重點工藝設備運行,結合語音提醒的自診斷系統為操作者提供增強安全型的解決方案。其監控畫面如圖3所示。

圖3 監控操作畫面

3 人工神經網絡溫度預報

RH冶煉過程中,溫度控制[4]是重點,溫度模型對處理周期控制也有非常重要的影響。由于鑄機在線調寬,升降拉速,精煉工序的溫度控制不易實現建模,本設計采用人工神經網絡算法,并結合反向遺傳算法[5],克服傳統的三層BP網絡容易陷入局部最優的缺點。具體開發步驟如下:

(1)鋼水終點溫度是RH處理過程的重要指標,預報采用遺傳算法(GA)的全局搜索能力來確定反向遺傳(BP網絡)的初始權值和閾值。

(2)網絡選擇常用的三層BP網絡。這種網絡應用廣泛,在實際應用中可以達到較好的效果。

(3)輸入層:建立網絡模型時,輸入層信息主要是影響鋼水溫度的主要因素。由分析可知模型主要考慮吹氧、初始溫度、鋼包狀態、升溫、節奏溫降、自然溫降6個影響鋼水溫度的主要因素。

(4)隱含層:隱層神經元數目的選擇目前還沒有一個通用的理論公式來確定,只有經過多次驗算,經過反復試驗最后確定為4個。

(5)輸出層:根據實際需要設置輸出層神經元個數。本文輸出層結點僅有一個即RH終點溫度。

(6)激活函數:輸入層與隱含層之間的激活函數為S型函數,隱含層與輸出層之間的激活函數為線性函數。

分別用不同的參數訓練網絡并檢驗網絡的性能,經過反復試驗得到的GA-BP參數(見表1)。

表1 GA-BP參數

現場數據被送到數據庫中,數據在數據庫中經過預處理并經過歸一化后,傳送到GA-BP網絡預測程序,預測鋼水溫度。當數據累積到一定量后,還可以通過神經網絡訓練程序優化網絡模型以獲得更好的預報結果,如圖4所示。

用同樣的數據分別對標準BP算法、GA-BP結合的算法進行實驗,后者命中率明顯高于前者。具體數據參見表2。

表2 GA-BP改進算法與BP算法精度對比

預報溫度與實際溫度的關系:橫坐標為實際溫度,縱坐標為預測溫度,從圖5中可以看到大部分樣本在對角線附近,說明系統具有較好的性能。對誤差進行統計,預報誤差在±5 ℃之內。爐次占總爐次在76%以上,完全可以滿足實際生產的需要。

圖5 預報溫度與實際溫度對比分布圖

溫度的精準控制不僅有利于降低升溫鋁球的消耗,避免浪費合金。同時也顯著地縮短了冶煉周期。降低耐材的消耗。

由于包況的不確定性,以及鋼水質量的差異,溫度預報模型還有很大的優化空間。

隨著試驗爐次的增多,精度仍有提升空間。預報誤差在±10 ℃之內的爐次占總爐次在99%以上。

4 基于達林算法的氧槍控制模型

RH氧槍是重要工藝設備。原中冶京誠瑞達設計的氧槍自動升溫程序效果不好,投產后一直停用。

為了實現自動控制氧槍,優化鋁氧配比,本項目采用了達林算法設計數字控制器[6],并于2023年獲得國家發明專利授權[7]。專利實施后,鋁球多次分批均勻加入鋼水,對比人工手動集中加入,鋁氧反應更充分,鋁氧配比精度高。

本項目于2020年5月在本鋼板材煉鋼廠5#RH精煉爐投入后,使用效果良好,系統運行穩定。表3為在生產過程中隨機提取的過程數據。

表3 氧槍控制過程數據

數據表明,專利實施后能夠較好地克服下料系統滯后帶來的偏差,精準控制溫度,鋁氧配比平均達到1∶1.008,溫度與目標設定值的平均偏差為2.7 ℃,滿足工藝要求。

5 熱水井一氧化碳脫碳模型

在國內,大部分冶金企業采用爐氣分析的方法,輔助預報脫碳結束。由于尾氣分析儀的位置距離真空罐較遠,經過多個水罐,普遍存在滯后現象明顯的問題。此外,由于尾氣測量點含水及高溫蒸汽,造成激光反照率下降,影響測量精度。因此無法獨立進行脫碳結束控制。

改造后在熱水井水罐內部檢測一氧化碳氣體濃度。通過設計smith預估補償器[8],克服大時滯對測量值的影響。精準預報脫碳結束,縮短RH處理周期,減少過程溫降。該技術于2023年取得國家發明專利授權[9],專利應用后,運行穩定,可以自動控制脫碳結束。圖6為脫碳預報自動控制歷史曲線。

圖6 碳預報控制歷史曲線

6 虛擬物料檢測技術

目前料位計損壞較多,由于料位計的缺失,生產過程中缺少物料,待料,堆料情況時有發生,長期困擾生產(見圖7)。加之備件費用緊張,申報困難。

(a)改造前

采用軟件虛擬料位后,成功實現自動上料。目前精煉工序新增虛擬料位計42個,不但節約備件申報費用123萬元,還省去了現場維護的工作量,職工的職業健康得到保障。本技術于2020年取得國家發明專利授權[10]。

經過改造后,實現了無人自動上料,滿足了工藝要求。崗位操作人員無需在高溫、粉塵環境進行作業,職業健康得到了根本的保證。為了保證料位精度,每周人工進行一次手動標定。

同時由于取消了物理雷達料位計,現場兩個電子秤維護班組,調整為一個班組,電能得到節約。

圖7為改造前后操作畫面對比圖。

7 總 結

智能化綠色低成本煉鋼是冶金企業發展的新趨勢,本鋼板材股份有限公司煉鋼廠技術人員深挖潛能、苦練內功,踏上了一條以降本增效為契機,以自主研發為依托的創新之路。