浙江至德钢业有限公司应用人工神经网络技术开发了304不锈钢管碳含量在线预报模型。模型经过生产现场连续58炉在线验证,预报碳质量分数与实际碳质量分数误差在±0.015%之内的命中率达到89.66%。太原钢铁公司第二炼钢厂有1台90tVOD真空精炼炉,为了使终点碳含量不超出规格要求,VOD操作过程中一般在吹氧脱碳结束后取钢液样(2号样)进行分析,根据2号样分析结果中钢液碳含量决定是否重新抽真空吹氧脱碳。对304不锈钢管生产数据进行统计,VOD共冶炼304不锈钢管966炉,其中2号样碳含量高于规程上限的炉次为16.78%。由于还原期没有脱碳手段,因此这些炉次必须重新进行抽真空吹氧脱碳,每炉根据碳含量的高低需多耗费5~10分钟。

 人工神经网络由于其较好的自适应性、自学习性等特点,在钢铁工业中的应用越来越广泛,在高炉炼铁、炼钢以及连铸等过程中都有应用。本项工作采用BP神经网络建立304不锈钢管碳含量预报模型。

 BP算法的学习过程，由正向传播和反向传播2部分组成。正向传播过程,输入模式从输入层经隐含层逐层处理,并传向输出层,每一层的神经元状态只影响下一层神经元状态。如果在输出层得不到期望的输出,则转入反向传播,将误差信号沿原来的连接通路返回,通过修改各神经元间的权值,使得误差信号最小。该算法实际上是求误差函数的极小值过程,它通过多个学习样本的反复训练并采用最快下降法,使权值沿着误差函数的负梯度方向改变,并收敛于最小点。

 影响304不锈钢管碳含量因素的确定

 1. 过程工艺变量的确定。经过查阅文献,以及与现场操作人员交流,确定影响碳含量的因素如下:钢液质量、钢液初始温度、初始碳含量、初始硅含量、过程吹氧量。

 2. 质谱仪过程数据信息的提取。质谱仪每隔6s分析并产生1组(7个)数据,在1炉VOD生产过程中,质谱仪将产生上千个数据。将上千个数据直接作为输入变量是不现实的,如何从这些数据中提取有用信息是本课题遇到的较大难题。由于VOD是通过减少气体总压来达到降低一氧化碳、二氧化碳分压的目的,则VOD的真空度以及不同压力的保持时间对碳含量有重要影响。图是一个典型的VOD冶炼过程压力随时间变化图。经过对大量炉次的压力时间变化图分析,发现一个共性,即压力在11970Pa左右保持一定时间后,下降至1330Pa左右再保持一定时间,然后破真空进入还原期。

 3. 采用人工神经网络建立的模型,能较好地预报304不锈钢管碳含量。预报碳质量分数与实际碳质量分数误差在0.015%之内的精度可以达到89.66%。模型的预测精度优于目前生产现场实际情况,使用本模型进行生产指导,约5%的炉次不需要在破真空取2号样分析后,重新进行抽真空吹氧脱碳过程,每炉可节省5~10分钟冶炼时间。生产过程中规范操作,可以进一步提高模型精度。