Журналы →  Черные металлы →  2017 →  №9 →  Назад

Производство стали
Название Нейросетевая система контроля температуры при выплавке и внепечной обработке стали в электросталеплавильном цехе компании ABS
Автор Ф. Бьянко, В. Димитриевич, М. Пьяцца, А. Спадаккини, Р. Турко
Информация об авторе

Компания Danieli & C. Officine Meccaniche S.p.A., Буттрио, Италия:
Ф. Бьянко, эл. почта: f.bianco@danieli.it

В. Димитриевич, подразделение Danieli R&D


Компания Danieli Automation, Буттрио, Италия:
М. Пьяцца


Компания Acciaierie Bertoli Safau, коммуна Поццуоло-дель-Фриули, Италия:
А. Спадаккини

Р. Турко

Реферат

Контроль за температурой жидкой стали играет важнейшую роль на всех стадиях технологического процесса, поскольку он дает положительный эффект в плане производительности, качества литой заготовки и оптимизации операционных издержек. Данная статья посвящена методике прогнозирования температуры металла при выплавке и внепечной обработке. Представленный подход основан на адаптационных возможностях нейросетей. Целью внедрения систем слежения и управления, которые функционируют уже более года, является минимизация числа отбираемых проб и сопровождение технологического процесса за счет надежного прогнозирования температуры. Нейросетевая система слежения за температурой была внедрена на электродуговой печи переменного тока и установке вакуумирования стали ЭСПЦ компании Acciaierie Bertoli Safau в Удине (Италия). Приведены полученные результаты и их анализ с упором на положительный эффект от внедрения системы.

Ключевые слова Температура, контроль, нейросетевая система, ЭДП, ЭСПЦ, зонд, прогноз, данные, обучающее множество, вакуумирование, АКП
Библиографический список

1. Bouhouche, S.; Lahreche, M.; Boucherit, M. S.; Bast, J.: Arab. J. Sci. Eng. 29 (2004) No. 1B, p. 65.
2. Cramb, A. W. (ed.): The Making, Shaping and Treating of Steel — Casting Volume, 11th ed., The AISE Steel Foundation, Pittsburgh, USA, 2003.
3. Fruehan, R. J. (ed.): The Making, Shaping and Treating of Steel — Steelmaking and Refining Volume, 11th ed., The AISE Steel Foundation, Pittsburgh, USA, 1998.
4. Kordos, M.; Blachnik, M.; Wieczorek, T.: Lect. Notes in Comput. Sc., ICANN, 6792, (2011), p. 71.
5. Lin, C. T.; George Lee, C. S.: Neural fuzzy systems: A neuro-fuzzy synergism to intelligent systems, Prentice Hall PTR, 1996.
6. Mesa Fernandez, J. M.; Cabal, V. A.; Montequin V. R.; Balsera, J. V.: Eng. Appl. Artif. Intel. 21 (2008), p. 1001.
7. Meradi, H.; Bouhouche, S.; Lahreche, M.: Eng. Technol. 24 (2008) No. 12, p. 851.
8. Rajesh, N.; Khare M. R.; Pabi, S. K.: Mater. Res. 13 (2010) No. 1, p. 15.
9. Staib, W. E.; Bills, N. G.; Staib. R. B.: Developments in neural network applications: the intelligent electric arc furnace, AISE Steel Technology, 1992, 69, No. 6, p. 29.
10. Stolte, G.: Secondary Metallurgy — Fundamentals Process Applications, Verlag Stahleisen GmbH, Düsseldorf, Germany, 2002.
11. Guanin, S.; Dimitrijevic, V.; Picciotto M.; Trassinelli, G.: Artificial Neural Network Approach for Molten Bath temperature Tracking on EAF/VD, Proc. 6th Int. Conf. on Modelling and Simulation of Metallurgical Processes in Steelmaking (STEELSIM 2015), 23−25 September 2015, Bardolino, Italy.

Полный текст статьи Получить
Назад