Page 21 - 国外钢铁技术信息内参（ 2022年5月）
P. 21
ᇏݓࣁඋ࿐߶
因素及其与中间包温度的关系。通过来自行业合作伙伴和文献的建议，确定了一ᇏݓࣁඋ࿐߶
法。对于机器学习来说，能提供给神经网络的数据越多，神经网络的学习效果就
越好。较长时间的历史数据确保了数据包含非标准情况的机会更多。如果只提供
正常数据，神经网络将无法对异常输入数据进行识别和预测。
ᇏݓࣁඋ࿐߶
4. 方法
本研究中使用一些假设和特定的方法将可用的输入数据与期望的输出数据
关联起来。对钢包系统热损失进行了评估和研究，确定了影响钢包热损失的主要
系列“关键参数”：钢包精炼或浇铸过程中影响钢包热行为的因素，这些因素被 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
认定为可用的输入数据。钢包历史进程的参数包括：
1）钢包历史（Ladle history）—以每个钢包为基础进行数据收集，使用钢包
的前三个包次的数据：
a.钢包空置时间 —钢包内钢水排空后的时间，特别是从浇注结束到开始预
热之间的时间。
b.钢包预热时间—用在预热单元的时间。
ᇏݓࣁඋ࿐߶
c.钢包盛钢水时间—钢包内存有钢水的时间。
d.钢包间隙时间 —预热结束与转炉出钢之间的时间。
e.包龄—钢包自重新铺设内衬之后热循环的总次数。一个新的钢包周期的前
几个包次的热行为与运行良好的钢包是不同的。
2）浇次顺序号 – 中间包本身就是需要周期性进行内衬维护的，一个新中
间包的第一个炉次有着非常不同的热行为。 ᇏݓࣁඋ࿐߶
3）钢包冶金炉（LMF）温度样本 – 在 LMF 工序手动采集钢包钢水温度。
ᇏݓࣁඋ࿐߶
4）浇铸通钢量– 浇铸速度，对于预测开浇时间和对未来炉次提出一些假设
是必要的。
5）中间包钢水温度 –中间包内钢水温度样本 。
如前所述，选择列出的这些数据是因为它们是有用的。以往在此领域的研究
发现了影响钢包热损失的其他因素，包括钢包壁厚或侵蚀情况、包壁温度和钢包
盖的使用等，这些因素在本研究中尚未得到使用。如果或者当这些数据可用时，
ᇏݓࣁඋ࿐߶
18
