高炉模型
联合大数据和神经网络的高炉透气性预报模型
联合大数据和神经网络的高炉透气性预报模型随着工业化进程的不断推进，高炉透气性的预测成为冶金行业中一个重要的课题。
透气性是指高炉内煤气、固体物料和液态物料之间相互穿透和通过的能力，对于高炉炼铁过程的稳定运行和质量控制起着至关重要的作用。
本文将介绍一种联合大数据和神经网络的高炉透气性预报模型。
首先，我们需要收集大量的高炉操作数据。
这些数据包括炉温、炉压、炉料含碳量、炉渣成分等多种参数。
通过采集这些数据，我们可以建立一个完整的高炉运行数据库，作为模型训练的基础。
其次，我们需要针对高炉透气性的预测建立神经网络模型。
神经网络是一种模仿人类神经系统运作的数学模型，通过对大量数据的学习和模式识别，能够对未知数据进行预测。
在本模型中，我们将使用多层感知器（MLP）神经网络，该网络具有较强的非线性拟合能力。
模型的输入层将包括炉温、炉压、炉料含碳量、炉渣成分等高炉操作参数，输出层将为预测的高炉透气性。
为了提高模型的预测能力，我们还会将历史数据和实时数据相结合。
历史数据是指过去一段时间内的高炉操作数据，通过对历史数据的学习，模型可以掌握高炉运行的规律。
而实时数据则是指当前高炉的操作数据，通过将实时数据与历史数据相结合，模型可以及时调整预测结果。
在模型训练过程中，我们需要将数据进行预处理。
这包括数据的归一化、特征筛选等步骤。
归一化可以将数据缩放到一定的范围内，避免不同参数之间的差异对模型训练的影响。
特征筛选则可以选择对高炉透气性预测具有重要影响的参数，减少训练所需的计算资源。
在模型训练完成后，我们将进行模型的评估和验证。
我们将使用部分数据进行训练，另一部分数据进行验证。
通过与实际观测值的对比，可以评估模型的预测能力。
如果模型的误差较小且稳定，可以认为模型具有较高的准确性和可靠性。
最后，我们将实际应用该预测模型到高炉生产中。
通过监测实际操作数据和模型预测结果的差异，我们可以及时了解到高炉运行状态的变化，并根据模型的预测结果进行相应的调整。
高炉生产成本模型
高炉生产成本模型简介高炉生产成本模型是一个用于评估和优化高炉生产过程中成本的数学模型。
高炉是钢铁工业中重要的生产设备，通过将矿石和其他原料加热熔化，以生产出熔融的金属铁。
高炉生产成本模型可以帮助企业管理者了解和控制高炉生产过程中的成本，提高生产效率和经济效益。
模型构建高炉生产成本模型的构建基于高炉生产过程中的各个环节和成本因素。
主要包括以下几个方面：1.原料成本：高炉生产过程中需要使用大量的铁矿石、焦炭和石灰石等原料。
原料成本受到市场供求关系和原料质量等因素的影响。
2.能源成本：高炉生产过程中需要大量的能源，包括煤炭、焦炭和电力等。
能源成本受到能源价格和能源消耗量等因素的影响。
3.人工成本：高炉生产过程中需要大量的操作工人和技术人员。
人工成本受到劳动力市场的供求关系和人工工资等因素的影响。
4.设备维护成本：高炉生产过程中需要对设备进行定期的检修和维护，以保证生产的正常进行。
设备维护成本受到设备状况和维护费用等因素的影响。
5.环境治理成本：高炉生产过程中会产生大量的废气、废水和固体废物等污染物。
为了保护环境，企业需要进行环境治理和排放控制，这会增加生产成本。
以上各个方面的成本因素需要通过数据收集和分析，建立数学模型来表示和计算。
模型应用高炉生产成本模型可以应用于以下几个方面：1.成本评估：通过模型的应用，可以对高炉生产过程中的各项成本进行评估，包括原料成本、能源成本、人工成本、设备维护成本和环境治理成本等。
通过分析各项成本的变动和影响因素，企业管理者可以及时调整生产策略，降低生产成本，提高经济效益。
2.成本优化：通过模型的分析，可以找出高炉生产过程中的成本优化策略。
例如，可以通过优化原料配比、降低能源消耗、提高设备维护效率和改进环境治理技术等方式来降低生产成本。
同时，模型还可以帮助企业管理者评估不同的生产方案和技术改进方案的经济效益，从而选择最优方案。
3.决策支持：高炉生产成本模型可以为企业管理者提供决策支持。
高炉生产
2．浇注施工
根据料的快干高强性能，浇注施工过程 中必须要快。现场的浇注采用提前搅料，提 前搅好的料加水量应偏多一些。在胎模固定 好后，先将提前搅好的料快速地倒入主沟内。 这样可以缩短浇注时间，使浇注料的脱水过 程尽量一致。浇注过程，要求施工人员的反 应要快，配合要好，浇注整个过程中，最好 不要超过2小时30分钟。料的干稀程度，加 水量的多少由我们技术人员在现场及时调整。
图8.铁口整体结构剖面示意图
1—铁口孔道；2—铁口框架：3—炉皮； 4—炉缸冷却壁；5—填充料；6—砖套； 7—砖墙；8—铁口保护板；9—泥套
图9.开炉后生产中铁口的状况
1—炉缸焦炭；2—炉墙渣皮；3—旧堵 泥；4—残存的炉墙砖；5—出铁时泥包 被渣铁侵蚀变化情况；6—残存的炉底 砖；7—新堵泥
要求炮泥有如下性能：
非贮铁式的沟底和沟壁侵蚀均很 严重，主要为冲刷导致。
图12.主沟侵蚀情况示意图
铁沟是不贮铁的，而且铁水对 耐火材料的侵蚀远比渣小，因此铁 沟的损毁主要是冲刷作用下沟底的 损毁。
由于渣的比重远比铁水小，因 此渣比铁更容易凝结，导致在渣沟 内形成一层渣壳，所以渣沟的侵蚀 和冲刷速度更小。
主沟套浇施工： 一、施工准备 二、施工（搅拌和震动） 三、脱模 四、烘烤
一、施工准备：
1．沟中的残铁放净，组织安排好现场的施工 人员；
2．准备好拆沟使用的机具（包括风镐、抓斗、 钎子等）；
3．将沟内的杂物清理干净。拆沟壁时尽量缩 短时间，必须要把沟壁渣线以下的料清理干净， 沟底的残渣也要清理干净，清理的标准以炉前 技师和浇注料厂家判断为准。清沟的人员不低 于24人，清理的时间不要超过10个小时。
图3.高炉内固体炉料形态变化图
二、高炉本体用耐火材料
基于智能算法的高炉炉况建模方法研究
基于智能算法的高炉炉况建模方法研究智能算法在工业领域中的应用日益广泛，其中高炉炉况建模是一个重要的研究方向。
高炉是冶金工业中的核心设备，对于高炉的炉况建模有助于提高生产效率和降低能源消耗。
本文将探讨基于智能算法的高炉炉况建模方法，并分析其优势和挑战。
高炉是冶金工业中常见的设备，用于将铁矿石还原为熔融铁。
高炉炉况建模的目标是通过对高炉的运行状态进行建模和预测，实现高炉的优化控制和运行管理。
传统的高炉炉况建模方法主要依赖于经验公式和数学模型，但这些方法往往受限于模型的复杂性和参数的确定性，无法准确地描述高炉的复杂特性。
基于智能算法的高炉炉况建模方法通过利用机器学习和数据挖掘等技术，从大量的历史数据中学习高炉的运行规律，并预测未来的炉况。
其中，最常用的智能算法包括神经网络、遗传算法、模糊逻辑等。
这些算法能够自动发现数据中的模式和规律，从而提高炉况建模的准确性和效率。
在基于智能算法的高炉炉况建模中，数据的质量和数量对于模型的准确性至关重要。
因此，首先需要对高炉的运行数据进行采集和预处理。
采集到的数据应包括高炉的输入参数、操作条件和输出指标等。
预处理的过程包括数据清洗、特征选择和数据变换等。
清洗数据可以去除异常值和噪声，确保数据的可靠性；特征选择可以从大量的输入参数中选择出对于建模和预测最为关键的参数；数据变换可以将数据转化为适合算法处理的形式。
在数据预处理完成后，可以使用各种智能算法来建立高炉炉况模型。
神经网络是一种常用的算法，它可以通过对大量的输入和输出数据进行训练，学习到高炉的非线性映射关系。
遗传算法是一种模拟生物进化过程的优化算法，它可以通过对模型参数进行优化，找到最佳的参数组合。
模糊逻辑是一种可以处理不确定性和模糊性的推理方法，它可以将模糊的输入映射到模糊的输出，从而实现对高炉炉况的建模和预测。
基于智能算法的高炉炉况建模方法具有以下优势。
首先，智能算法能够处理复杂的非线性关系，相比传统的建模方法更为准确和有效。
高炉能源利用效率建模与分析
变 量 。如 今 的 多 流体 高 炉 数 学 模 型 基 于 多 流 体理 论 、冶 金 传输 原 理 、反 应 动 力 学 以及 计 算 流体 力
学 等理 论 模拟 “ ，具 有 更好 的通 用 性 。但这 些模
型 主 要 针 对 高 炉 内 部 热 力 学 、流 体 力 学 等 进 行 分
［ ４ ］ 第３ 卷 １２ ３
第１ 期 ２
２１— ２上 ） ０１ １ （
ｌ
能 效 的 分 析 需 要 大 量 的 数 据 ，而 且 所 需 的数
据 需 要 一 定 的相 关 性 ， 因此 只有 很 少 量 的数 据 能 够 用 于 深 层 次 分 析 ，从 而 达 到 找 出各 能 源 间及 其 与 产 量 之 间 的关 系 ，大 多 数 数 据 只能 够 计 算 出基 本 的 评 价 指 标 ，仅 能 够 为 企 业 提 供 考 核 的 依 据 ， 缺 乏 深 层 次 分 析 的 价 值 。基 于 这种 情 况 ，建 立 了 能 耗 统 计 模 型 、能 效 分 析 模 型 、 能 源 需 求 预 测模 型 ，一 方 面 可 以 利 用 计 算 出 的 结 果 来 代 替 缺 少 的
图 。系统 的分 析 整 个 系统 是 一 件很 复 杂 的事 情 ， 需 要 消耗 大 量 的人 力 物 力 ，但 仍 可 能 得 不 到理 想
中的结果 。
菊 、杜 涛 等 教 授 在 此基 础 上 ，建 立 了企 业 的 平 衡
模 型 、产 耗 模 型 等 ，细致 的分 析 了各 个 流 程 的 能 耗 情况＂ ｌ 。邱 东 等 人 则 将 能 源 模 型 划 分 为 企 业 级 、工厂 级 等层 次 。他 们和其 他 一 些学者 的 众 多 】 研 究 成 果为 我 国钢 铁 工 业 的 研 究做 出 了 巨大 的贡
高炉热状态模拟模型
唐钢2BF热状态模拟的研究摘要高炉热状态模拟系统目前已广泛应用于国内外炼铁过程控制中，其核心是知识库。
它决定了整个系统的成败，展示了整个高炉的温度，对整个冶炼过程有着重大意义。
高炉热状态是衡量高炉运行状况的重要参数,它直接关系到高炉的稳定和顺行,与生产的各项技术经济指标紧密相关。
铁水中硅的含量表明着高炉冶炼过程中炉缸的热状态，影响着高炉冶炼进程、能量消耗及生铁质量。
因此在日常操作中及时地掌握铁水中的含硅量及其变化趋势，预见性的采取调剂措施，这对于稳定高炉热度、减少炉况的波动、降低铁水含硅量及提高生铁质量和降低焦比等都具有重要意义。
本文主要目的是研究高炉铁水硅质量分数预测问题，使用MATLAB建BP神经网络来预测铁水含硅量，通过以往数据来训练权值和阈值，并通过网络神经元不断自我修正、自我完善，高炉铁水中硅质量分数的变动间接反应炉温的变化。
关键词：高炉，硅含量，BP神经网络，热状态模型AbstractThe heat state simulation system of Blast Furnace，whose core is knowledge base, has been widely used in ironmaking process control at home and abroad. It decides the success or failure of the whole system, shows the temperature of the whole Blast Furnace and has a great effect on the smelting process. Blast furnace heat state is an important parameter of Blast Furnace operation. It is directly related to the stability of the Blast Furnace and the technical and economic indicators of production .Silicon content in hot metal shows the thermal state in the process of smelting of the Blast Furnace and affect the blast furnace smelting process，energy consumption and quality of cast iron. So, in the daily operation, mastering silicon content of hot metal and its change trend and taking relief measures foreseeingly have great significance on the stability of Blast Furnace heat, reducing the Furnace condition fluctuation, reducing hot metal silicon content ,improving the quality of cast iron , decreasing coke rate and so onThe main purpose of this paper is the study of Blast Furnace hot metal silicon mass fraction prediction problem, using MATLAB to build the BP neural network for predicting hot metal silicon content, through the previous data to train the weights and thresholds, and through the network neurons constantly self-correcting, self-perfection, changes in the mass fraction of Blast Furnace hot metal silicon indirect reaction temperature change.Key words: Blast Furnace, silica content, the BP neural network, The heat state simulation system目录第一章绪论 (1)1.1前言 (1)1.2高炉炼铁工艺 (1)1.2.1炼铁的工艺流程和主要组成工序 (1)1.2.2炼铁工艺流程的主要设备及炼铁过程简述 (2)1.2.3高炉炼铁生产的主要经济指标 (2)1.2.4影响高炉热状态的工艺参数 (2)1.3高炉热状态模型的发展 (3)1.3.1离线分析模型 (3)1.3.2炉热指数模型 (3)1.3.3铁水硅含量综合预报模型 (4)1.4研究的目的 (4)第二章神经网络 (6)2.1神经网络定义 (6)2.2神经网络发展历史 (6)2.3神经网络分类及组成 (7)2.4神经网络的基本机理 (8)2.5 BP神经网络的构成 (9)第三章建立高炉热状态模型 (11)3.1 输入层的确定及数据处理 (11)3.1.1输入层参数的确定 (11)3.1.2输入层参数的数据处理 (12)3.2输出层神经元个数 (16)3.3隐藏层神经元数目的确定 (16)3.4神经网络模型的算法流程和改进方案 (16)3.4.1BP算法流程 (16)3.4.2BP算法的改进 (17)3.5具体程序 (19)3.5.1具体程序代码 (19)3.5.2显示图像 (20)第四章唐钢热状态模型 (24)4.1唐钢简介 (24)4.2唐钢高炉 (25)4.3预测铁水硅含量系统流程 (26)4.4硅含量预报模型在唐钢上的作用 (27)结论 (28)参考文献 (29)致谢 (30)第一章绪论1.1前言随着世界经济发展，人们生活水平提高，特别是中国加入WTO以后，世界对于钢铁的需求量日益增大。
210978905_高炉炉缸炉底侵蚀模型的应用
管理及其他M anagement and other 高炉炉缸炉底侵蚀模型的应用姚 萍摘要：高炉寿命的长短主要决定于高炉炉缸、炉底。
如果炉缸、炉底严重侵蚀没有及时发现，容易导致烧穿等重大事故,针对新钢两座2500M3高炉炉缸、炉底侵蚀状况,通过利用热电偶及冷却设备数据监测炉缸炉底侵蚀监测模型，提供了高炉炉缸、炉底的侵蚀程度与注意事项。
本论文详细阐述了本技术的具体实施方案、思路及其功能的实现。
关键词：高炉；炉缸炉底；侵蚀模型；应用新钢两座2500M3高炉自2009年开炉投产以来，已安全运行约10年，目前处于炉役中后期。
由于高炉设计时，炉缸侧壁，尤其是象脚侵蚀区域热电偶预埋偏少，导致形成较大的监控盲区。
高炉炉缸第六层、第七层、第九层、第十一层、第十二层碳砖采用德国西格里碳砖。
炉底封板上下两层热电偶，炉底碳砖内预埋三层热电偶，炉缸环砌碳砖内预埋5层热电偶，热电偶分8个角度监测炉缸炉底耐材安全，合计安装106个热电偶监测点。
高炉安全运行至今超过10年，已进入高炉服役中后期，炉缸炉底耐材内预埋的热电偶数据完好率超过90%，炉缸炉底内耐材及热电偶保护完好,可以继续使用。
1 高炉目前炉缸、炉底侵蚀状况高炉炉缸炉底侧壁冷却采用密闭循环水方式，单块冷却壁水管采用四进四出方式，冷却水支管没有安装温度和流量监测点，不能测算单块冷却壁的热流强度数据。
两座高炉每层冷却壁分别有176根冷却水管，但炉缸、炉底1层～4层冷却壁只有8个水温差在线检测点，其余均靠人工手动检测，这种方法既不及时，又不连续，不容易看到规律和进行数据对比，且工人劳动强度高，误差大，无法真实反映热流强度变化，容易造成生产事故影响高炉寿命，且作业区煤气较大，存在较高的安全风险。
2500M3高炉铁口附近均有个别点的温度一直居高不下，受到现有检测手段的限制，无法得到及时监控和采取相应防范措施，不能满足高炉20年长寿目标的需要。
此外受限于现有单一的监测手段和缺乏对热电偶的数据进行实时的采集和存储，单纯的依靠现有条件无法建立起炉缸、炉底的侵蚀模型。
高炉模型
16
3．装料方式监视
计算机根据在电气操作台上指定的装料方式，按得 到的原料跟踪信息，检查实际装料顺序是否符合指 定的装料方式，当不一致时，进行异常输出并打印 出错信息。
17
高炉炉况控制的主要特点
高炉冶炼过程是一个大滞后、多变量、非线性、分布参数系统， 从而决定了高炉炉况控制的复杂性和多样性。 第一，高炉的生铁冶炼过程是在密闭状态下进行的，过程参数 大多不能直接观测，只能间接测量过程的输入输出变量，通过 这些变量来间接认识冶炼过程，建立炉况数学模型。 第二，生铁冶炼是一个在高温下进行的复杂的物理、化学与气 体动力学过程、不均匀性与非线性都比较大。 第三，过程时间常数非常大，不能采用常规的反馈控制方法， 需要采用预报、前馈等先进的控制理论。 第四，影响高炉冶炼的过程变量多，在生产中要加入许多操作 人员的知识和经验进行综合判断，以提高炉况控制的准确性。
20
一. 炉热指数Tc计算模型
炉热指数Tc计算模型是用炉顶煤气成分、送风条件 等操作实际数据，进行风口燃烧带和直接还原带的 物质平衡计算，通过解风口燃烧带和直接还原带的 热平衡计算式的联立方程，求出炉热指数Tc和理论 火焰温度。
高炉上炉热指数的变化与铁水含硅量和铁水温度的 变化有强烈的相关性，因而可根据计算的炉热指数 来预报以后出铁的铁水含硅量和铁水温度。
2DL 计算机
焦化 计算机
M
1BF 计算机
M
2BF 计算机
M
分析中心 计算机
7
计算机系统控制功能
原料数据处理 装料数据处理 高炉炉况控制模型 热凤炉燃烧控制模型 高炉炉体和热风炉炉壳温度监视 数据记录 数据显示 数据通信
8
原料数据处理
1．试验分析数据处理 高炉所用的原料（矿石、烧结矿和球团）、焦 炭的成分分析，分别在全厂分析中心和焦化分 析试验室分析。 原料分析结果，由分析中心计算机传送给原料 中心计算机，再传送给高炉计算机。 焦炭试验分析结果，由焦化计算机直接传送给 高炉计算机。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
14
1．称量偏差补正和水分补正
计算机读取水分值指令
焦炭选择指令（直送/储藏） 中子水分机1 中子水分机平均值 中子水分机2 中子水分机平均值 储藏 直送焦炭 指定水分值 新的水分值 直送 直送焦炭 滑动平均水分值
储藏焦炭 滑动平均水分值
储藏焦炭 指定水分值 指定 指定水分值 设定显示 滑动 指定 滑动
39
风口前端温度 根据铁口前端温度的 铁水Si、PT预报模型 根据Si动作图表计算 基准动作单位 根据PT动作图表计算 基准动作单位 根据铁水中S等级补正 基准动作单位 根据预测Si、PT的变化 趋势补正基准动作单位
3
2．炉顶系统
1）炉顶固定料斗。 上部固定料斗容积 40立方米 小钟料斗容积 40立方米 大钟料斗容积 80立方米 2）密封阀：直径850毫米 3）旋转布料器：转速8转/分 4）小料钟：直径3000毫米 5）大料钟：直径7300毫米
4
3．高炉本体
容积： 风口数： 出铁口： 4063立方米 36个 4个
a×△H2十b×△H2＋b×△H3＋C×△H4＋d×△H5＋1×△H6＋e×△H7＋k×△H8＝0
ห้องสมุดไป่ตู้
将上述物质平衡计算求得的各项系数代人上式，并因k×△H8较其它各项 甚小，而忽略不计，则将上式展开，并简化得： A1Tf2＋A2Tf＋B1Tc2＋B2Tc＋C4=0 式中各项系数:
A1=5.00×10e-4×[bN2＋（2b＋2C＋d）×bco＋d×bH2] A2＝aN2＋（2b＋2C＋d）×aco＋d×aH2 B1=-5.00×10－4×bc‘（ZC＋d） B2=-ac’（2c一d） 式中aN2、aco、aH2、bN2、bco、bH2分别为各种气体比热计算式的各项 系数。
18
风口前端温度 根据铁口前端温度的 铁水Si、PT预报模型 根据Si动作图表计算 基准动作单位 根据PT动作图表计算 基准动作单位 根据铁水中S等级补正 基准动作单位 根据预测Si、PT的变化 趋势补正基准动作单位
炉热指数Tc计算模型 根据风口前理论焦炭燃烧 温度的铁水Si、PT预报模型 考虑过去动作响应的铁水 Si、PT预报模型
2DL 计算机
焦化 计算机
M
1BF 计算机
M
2BF 计算机
M
分析中心 计算机
7
计算机系统控制功能
原料数据处理 装料数据处理 高炉炉况控制模型 热凤炉燃烧控制模型 高炉炉体和热风炉炉壳温度监视 数据记录 数据显示 数据通信
8
原料数据处理
1．试验分析数据处理 高炉所用的原料（矿石、烧结矿和球团）、焦 炭的成分分析，分别在全厂分析中心和焦化分 析试验室分析。 原料分析结果，由分析中心计算机传送给原料 中心计算机，再传送给高炉计算机。 焦炭试验分析结果，由焦化计算机直接传送给 高炉计算机。
9
原料数据处理
2．库存量监视处理 在接受库存量初始化信息时，核对受信文本的 牌号代码与每槽库存量文件（=ASMC）的牌 号代码，进行数据的合理性检查。 检查正常时，发受信结束响应，同时，用这次 受信的数据初始化各槽库存量文件 检查不正常时，自动显示牌号不一致的牌号代 码（在CRT上牌号不一致的代码变红）。
11
原料数据处理
3．CRT的输入处理 通过CRT输入的数据有：原料、燃料分析值、 烧结矿和焦炭品质数据、各槽库存量和库存量 下限值的设定、对应CPU代码的原料、燃料牌 号代码以及各料槽对应的原料、燃料牌号代码。 当重新设定各料槽对应的原料、燃料牌号代码 时，向原料计算机和焦化计算机发送相应的高 炉料槽原料状况数据。
水分值选定
15
2．原料跟踪
计算机接受各矿石槽、焦炭槽、称量漏斗闸门开关信 号、称量漏斗满量信号、下次出料的OK点、到达炉 顶、炉顶固定料斗闸门开关、小钟开关、大钟开关等 中断信号，并在计算机内进行炉料跟踪。 同时，接受各料堆的下述信息：班号、料批号、料堆 号、料堆信息、料堆称量值、料堆体积等，并在接受 这些中断后进行相应的计算处理。
30
（1）根据炉热指数预报铁水含硅量 和铁水温度的预报模型
31
（1）根据炉热指数预报铁水含硅量 和铁水温度的预报模型
32
（1）根据炉热指数预报铁水含硅量 和铁水温度的预报模型
33
（2）根据风口前端温度预报铁水含 硅量和铁水温度预报模型
本模型的预报原理与根据炉热指数的预报原 理完全相同，只要把预报模型中的炉热指数 改为风口前端温度即可
35
（3）根据过去的动作响应预报铁水 含硅量和铁水温度的预报模型
36
（3）根据过去的动作响应预报铁水 含硅量和铁水温度的预报模型
37
根据过去动作响应的预报原理图
38
三.动作单位计算模型
本模型是以根据炉热指数与风口前端温度的铁水含硅量和铁 水温度预报模型的预报值为基础，来计算为了使铁水含硅量 和铁水温度接近目标值所需要采取的动作量。 本模型是先根据三种模型的预报值，分别计算出三种调整炉 热所需要的基准动作单位（包括根据铁水含硅量预报值的基 准动作单位和根据铁水温度预报值的基准动作单位）；然后 根据实际铁水中硫的等级、预报的铁水含硅量和铁水温度的 变化趋势，分别进行上述计算出的基准动作单位的补正；最 后从三种补正后的基准动作单位中，自动选择一个更适合高 炉炉况的基准动作单位。
10
原料数据处理
3．CRT的输入处理 高炉计算机原料数据处理中所需的各种数据包 括有：自动测量的、由原料计算机和焦化计算 机经数据通信送来的以及通过CRT键盘人工输 入的（其中包括数据通信接受而可人工设定修 改的数据）。这部分通过CRT输入的数据经处 理后存于相应的文件中，或更新文件中原来的 数据。
4．热风炉
四座外燃式热风炉
5
原料一元化集中管理系统
原料场、烧结矿石库、焦炭贮煤槽、高炉矿 石槽和焦炭槽的库存量管理、进料等均由原 料中心计算机集中管理
高炉计算机通过与原料中心计算机的数据通 信收集有关信息
6
原料—高炉计算机系统
全厂管理计算机
M
M
原料中心计算机
M M M M
M
M
M
M
M
M
1DL 计算机
21
高炉炉内反应模式
22
炉热指数Tc计算模型的前提条件
1）采用“指数平滑法”滤波后的煤气成分数据； 2）风口燃烧带的物质平衡计算是把风口的喷吹条件作为独立变量， 在炉腹煤气的H2流量计算中，还要加上一部分喷吹条件以外的变量; 3）风口燃烧带的物质平衡计算式是把风口燃烧带看成绝热系统而作 成的（因为风口燃烧带反应的发热速度比向风口燃烧带外的传热速 度快得多）； 4）在间接还原带全部还原成FeO,在直接还原带只有FeO的还原反应; 5）直接还原带物质平衡计算中使用的与炉顶装料有关的数据,是所定 料批的平均值； 6）直接还原带物质平衡计算中焦炭的消耗速度是根据炉内碳平衡求 出的，而FeO的还原反应速度是根据直接还原带内的碳平衡求出的； 7）间接还原带的直接还原带的边界温度为1000℃ ； 8）铁水温度=Tc-300℃ ； 9）炉渣温度=Tc-250℃ 。
高炉计算机系统
采用各种特殊的检测传感器 和自动控制手段 判断高炉的各种状态 保证高炉的稳定生产
1
高炉工艺流程简图
炉顶装料设备 各种原料槽
高
炉 热风炉
2
1．原料系统
1）贮矿槽 烧结矿槽容积 566立方米，6个 球团矿槽容积 125立方米，3个 块矿槽容积 138立方米，3个 石灰石槽容积 167立方米，l个 锰矿槽容积 56立方米，l个 硅石槽容积 33立方米，l个 白云石槽容积 36立方米，1个 2）焦炭槽容积 450立方米，6个 3）称量漏斗 矿石称量漏斗6个 焦炭称量漏斗2个 4）矿石皮带机、焦炭皮带机和粉矿皮带机 5）上料主皮带机
28
（4）直接还原带的热平衡计算
直接还原带的热平衡方程为： ql＋qu=Qu＋Ql＋Qs＋Qr＋Qw 式中:
ql——气体带入直接还原带的热量（焦//分）； qu——炉料带入直接还原带的热量（焦/分）； Qu——气体从直接还原带带走的热量（焦/分）； QI——铁水、炉渣、焦炭从直接还原带带走的热量（焦/分）； Qs——铁的融化热（焦/分）； Qr——在直接还原带进行的还原反应的吸热量（焦/分）； Qw——炉体散热。
16
3．装料方式监视
计算机根据在电气操作台上指定的装料方式，按得 到的原料跟踪信息，检查实际装料顺序是否符合指 定的装料方式，当不一致时，进行异常输出并打印 出错信息。
17
高炉炉况控制的主要特点
高炉冶炼过程是一个大滞后、多变量、非线性、分布参数系统， 从而决定了高炉炉况控制的复杂性和多样性。 第一，高炉的生铁冶炼过程是在密闭状态下进行的，过程参数 大多不能直接观测，只能间接测量过程的输入输出变量，通过 这些变量来间接认识冶炼过程，建立炉况数学模型。 第二，生铁冶炼是一个在高温下进行的复杂的物理、化学与气 体动力学过程、不均匀性与非线性都比较大。 第三，过程时间常数非常大，不能采用常规的反馈控制方法， 需要采用预报、前馈等先进的控制理论。 第四，影响高炉冶炼的过程变量多，在生产中要加入许多操作 人员的知识和经验进行综合判断，以提高炉况控制的准确性。
求解表征炉内热状态的指标——炉热指数Tc和理论火焰温度Tf
29
二. 铁水含硅量和铁水温度的预报模型 在高炉上实际使用的预报模型，是根据现在时刻计 算的炉热指数和过去的炉热指数，以及实测的铁水 含硅量（或铁水温度）等时间序列数据来预报今后 出铁的铁水含硅量（或铁水温度）的变化。当预测 到这种变化，有超过铁水含硅量和铁水温度允许偏 差的趋势时，利用预报的提前时间，提前采取调节 炉况的动作，调节炉内的热状态，以控制铁水含硅 量和铁水温度，提高铁水质量，稳定炉况。
20
一. 炉热指数Tc计算模型
炉热指数Tc计算模型是用炉顶煤气成分、送风条件 等操作实际数据，进行风口燃烧带和直接还原带的 物质平衡计算，通过解风口燃烧带和直接还原带的 热平衡计算式的联立方程，求出炉热指数Tc和理论 火焰温度。