Максим Кимович Шакиров, к.т.н., доцент кафедры автоматизации и информационных систем
Россия, 654007, Кемеровская обл. – Кузбасс, Новокузнецк, ул. Кирова, 42
Maksim K. Shakirov, Cand. Sci. (Eng.), Assist. Prof. of the Chair of Automation and Information Systems
42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass, 654007, Russian Federation
Евгений Валентинович Протопопов, д.т.н., профессор кафедры металлургии черных металлов
Россия, 654007, Кемеровская обл. – Кузбасс, Новокузнецк, ул. Кирова, 42
Evgenii V. Protopopov, Dr. Sci. (Eng.), Prof. of the Chair of Ferrous Metallurgy
42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass, 654007, Russian Federation
Алексей Валерьевич Зимин, д.т.н., заведующий кафедрой автоматизации и информационных систем
Россия, 654007, Кемеровская обл. – Кузбасс, Новокузнецк, ул. Кирова, 42
Aleksei V. Zimin, Dr. Sci. (Eng.), Head of the Chair of Automation and Information Systems
42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass, 654007, Russian Federation
Евгений Борисович Турчанинов, к.т.н., доцент кафедры автоматизации и информационных систем
Россия, 654007, Кемеровская обл. – Кузбасс, Новокузнецк, ул. Кирова, 42
Evgenii B. Turchaninov, Cand. Sci. (Eng.), Assist. Prof. of Chair of Automation and Information Systems
42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass, 654007, Russian Federation
Прогнозирование и управление содержанием углерода в металле по окончании продувки в кислородном конвертере являются ключевыми моментами в обеспечении эффективности производства стали. Наиболее точным методом является метод динамического прогнозирования, основанный на использовании информации промежуточного замера фурмой-зондом (блок типа TSC) в период израсходования порядка 85 – 90 % общего расхода кислорода на плавку и принятой модели заключительного периода продувки. Для прогнозирования традиционно используются модели заключительного периода на основе экспоненциальных или кубических функций, существуют разработки на основе нейросетевых технологий. В настоящем исследовании заключительный период плавки определили как период между первым и последним (перед выпуском плавки) замерами фурмой-зондом. В зависимости от результатов первого замера и требуемых параметров металла в этот период может производиться продувка кислородом, присадка флюсов, а также усреднительная продувка азотом. Была исследована возможность использования нейросети для прогнозирования конечного содержания углерода с использованием результатов промежуточного замера фурмой–зондом (блок типа TSO) в период израсходования порядка 95 % общего расхода кислорода на плавку. В качестве модели заключительного периода была программно реализована двухслойная нейросеть с одним скрытым слоем и активационной функцией типа Softplus для всех нейронов. Входные данные - содержание углерода промежуточного замера и расход кислорода на заключительный период продувки. Выходные данные – прогнозируемое конечное содержание углерода. Для обучения использовались данные по фактическому конечному содержанию углерода в металле. Нейронная сеть была настроена по данным 700 плавок обучающей выборки. Настроенная таким образом модель была дополнительно протестирована на данных 232 плавок, не использовавшихся при обучении. Получены близкие значения ошибок прогноза для обучающей и тестирующей выборок. Кроме того, полученные значения ошибок сопоставимы с изменениями содержания углерода для плавок без использования кислорода в заключительный период, что говорит о высокой точности прогноза.
Prediction and control of the carbon content after the end of oxygen blow in BOF converter are key points of steel production efficiency. One of the most accurate methods is the dynamic predicting method based on the use of intermediate sublance measurement (TSC probe) when about 85 – 90 % of total oxygen is consumed and on the final period model. Models of the final period are traditionally based on exponential or cubic functions, currently there are developments based on neural network technologies. We investigated the possibility of using a neural network to predict the final carbon content using the results of intermediate sublance measurement (TSO probe) when about 95 % of total oxygen is consumed. As a model of the final period, a two-layer neural network with one hidden layer and an activation function of the Softplus type for all neurons was implemented in software. The input vectors contain initial carbon content and oxygen consumption for the second blow values. The output vector contains the predicted final carbon content, the output training vector - actual final carbon content values. The network was trained on 700 heats data of the training set. The model trained in this way was tested on 232 heats data of the testing set. The prediction errors distribution and values of the mean absolute error and root mean square error for the training and testing sets are correspondingly close. They are also comparable with similar indicators of the heats, the final period of which was carried out without oxygen blow (only flux additions and/or nitrogen blow), and this indicates a high accuracy of the prediction.
The authors declare that there are no conflicts of interest present.