冶金自动化

Select

序言

赵珺

冶金自动化. 2023, 47(3): 1-1.

摘要 ( ) PDF全文 ( )

可视化

Select

钢铁能源管控优化研究应用的综述与展望

韩中洋, 王泽, 董洪辛, 王志远, 赵珺, 王伟

冶金自动化. 2023, 47(3): 2-14.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 001

摘要 ( ) PDF全文 ( )

可视化

钢铁工业是国民经济支柱性产业,同时也是能源消耗排放大户。随着“碳达峰” “碳中和”等目标的提出,钢铁行业绿色化势在必行。而在生产工艺与核心设备相对完备、固定的前提下,能源管控优化成为节能降耗、低碳运行的主要手段,相关方法技术自然也成为了行业的研究应用热点。针对钢铁工业能源系统管控优化问题,综述状态感知与趋势预测、运行优化与设备控制、调度决策与系统优化、平台研发与工程应用 4 个方面的研究进展,覆盖机理建模、数据驱动、工业互联网、人工智能等多个理论技术体系。最后,基于行业现状、结合发展趋势,总结归纳了钢铁能源管控优化的难点挑战与未来发展方向。

Select

基于生成对抗网络的高炉煤气系统调度场景生成方法

王晓雪, 金锋, 赵博识, 冯为民, 赵珺, 王伟

冶金自动化. 2023, 47(3): 15-23.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 002

摘要 ( ) PDF全文 ( )

可视化

高炉煤气( blast furnace gas,BFG)是钢铁企业炼铁过程中产生的重要二次能源,对其使用过程进行优化调度,有助于降低企业碳排,提高经济效益。针对 BFG 系统典型调度场景匮乏的问题,提出了一种基于改进的生成对抗网络( generative adversarial network,GAN)的 BFG 系统调度场景生成方法。建立了以产消差、煤气柜柜位以及可调单元消耗流量为要素的调度场景,通过对其进行分解,采用多个生成器学习拟合不同场景要素的分布特征,以降低各要素之间相互作用引起的数据波动。同时,以 Wasserstein 距离作为损失函数,引入梯度惩罚( gradient penalty,GP)策略以提高模型训练过程的稳定性及收敛速度。通过对国内大型钢铁企业BFG 系统实际运行数据进行试验,结果表明,生成的调度场景集符合 BFG 系统实际运行过程数据的统计特征及时序相关性,验证了所提方法的有效性,且基于该生成场景集的调度方案可保证煤气柜能够在安全区间内稳定运行。

Select

基于小波去噪和循环神经网络-k 重-整合移动平均自回归模型的转炉煤气柜位预测

钱金花, 郑文娟, 吴文彬, 徐晨

冶金自动化. 2023, 47(3): 24-34.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 003

摘要 ( ) PDF全文 ( )

可视化

在钢铁企业的生产过程中,实时预测钢铁企业的转炉煤气柜位对转炉煤气系统的优化调度至关重要。本文提出基于小波去噪和循环神经网络-k 重-整合移动平均自回归模型( recurrent neural network-k-autoregressive integrated moving average model,RNN-k-ARIMA)混合预测模型,并用该模型预测转炉煤气柜位。其主要研究思路为:首先,利用小波阈值去噪方法去除柜位数据中的干扰噪声;其次,运用 RNN 模型训练去噪后的柜位数据,计算 RNN 模型预测结果与实际值的残差;再次,使用 k-ARIMA 模型对残差进行修正;最后,将修正后的残差与 RNN 模型预测的初值求和得到最终的预测结果。通过测试两个数据集,得到均方根误差 E_RMS ( root mean square error,RMSE)分别为 0. 206 142 和 0. 146 249,平均绝对百分比误差 E_MAP ( mean absolute percentage error,MAPE)分别为 0. 941 101 和 0. 720 312,方向精度 A_D ( directional accuracy,DA)均为 0. 833 333。综合对比发现,相比于单独应用 RNN 模型与 ARIMA 模型,使用 RNN-k-ARIMA 混合模型预测转炉煤气柜位的精度更高、性能更好,弥补了传统时间序列模型和单一网络预测模型的不足。该混合预测模型可以为钢铁企业转炉系统的管理与调度提供科学的理论依据。

Select

基于相关向量机样本选择的钢铁企业副产煤气系统预测

闫亚亮, 陈龙, 赵珺, 王伟

冶金自动化. 2023, 47(3): 35-43.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 004

摘要 ( ) PDF全文 ( )

可视化

针对副产煤气系统的运行数据冗余度高、噪声强等特点,提出了一种基于相关向量机算法( relevance vector machine,RVM)的训练样本选择的副产煤气系统预测算法。鉴于 RVM 算法具有相关样本自动选择的特点,提出采用此算法对原始训练集数据进行训练,以获取的相关向量作为基本训练集;之后利用 K 近邻算法(K nearest neighbor,KNN)实现对基本训练集合的样本增强,并以此作为新的训练集,从而实现样本的去冗余,提高训练样本质量,提升算法效率与预测准确度。采用国内某钢铁厂高炉煤气数据进行试验,试验效果表明,本文所提的方法可有效针对高炉煤气数据进行样本选择,并以较快的模型训练效率获得较高的煤气柜柜容预测精度,预测结果可为钢铁煤气系统的优化调度工作提供基础。

Select

基于区间约束极限梯度提升的转炉炼钢耗氧量预测

邬冠洲, 曹玲玲, 蒋胜龙

冶金自动化. 2023, 47(3): 44-53.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 005

摘要 ( ) PDF全文 ( )

可视化

氧气是转炉炼钢生产过程中的一种重要的气体能源。转炉炼钢耗氧量的精准预测既有利于提高炼钢过程的稳定控制,也是炼钢厂生产有序运行的有力保障。根据转炉炼钢过程的机理特征,建立了基于区间约束的极限梯度提升( interval constraint鄄based extreme gradient boosting,IC-XGBoost) 数据模型,以提升炼钢耗氧量预测的精度和准度。利用转炉炼钢过程实际数据及其噪声扰动,对改进 XGBoost 模型进行对比测试。与神经网络、支持向量机( support vector machine,SVM)和 XGBoost 等传统数据模型相比,所建立的模型能够通过高效计算获得更好的预测精度和准度,且具有较好的抗干扰能力。

Select

钢铁工业园区锅炉抗扰预测控制器设计

刘科, 刘洋, 赵珺, 王伟

冶金自动化. 2023, 47(3): 54-62.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 006

摘要 ( ) PDF全文 ( )

可视化

针对钢铁工业园区煤和副产煤气混合燃料的锅炉变负荷问题,在分析锅炉非线性、大时滞和多工况特性基础上,设计智能抗扰控制器以实现复杂环境下不同类型/ 规格锅炉多工况预测控制。基于线性变参数模型建立数据驱动锅炉全工况动态模型;在此基础上,结合 Smith 预估补偿器进行时滞补偿以提高控制系统稳定性与快速性;考虑复杂工业环境不同类型的扰动影响,将干扰观测器( disturbance observer,DOB)与模型预测控制(model predictive control,MPC)深度融合以抑制输入和输出扰动。选取锅炉不同类型场景进行验证分析,与现有算法相比,研究结果表明所提算法在抑制扰动方面有明显优势,跟踪平均百分比误差提升 0. 35% ,均方根误差降低 0. 164,同时也可用于解决钢铁工业园区不同类型/ 规格锅炉的变负荷控制问题,具有良好的可扩展性。

Select

基于规则模型的钢铁企业虚拟电厂资源聚合算法

鄂士平, 施烨, 姜彬, 金浩, 郝飞

冶金自动化. 2023, 47(3): 63-70.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 007

摘要 ( ) PDF全文 ( )

可视化

引导钢铁企业内自备电厂、高载能负荷参与虚拟电厂( virtual power plant,VPP)形式的调控,可有效缓解能源系统供需矛盾,充分挖掘钢铁企业内部调控潜力,积极参与能源市场,将被动拉闸限电转换为网荷柔性互动。针对钢铁企业参与 VPP 的协调运营优化问题,建立了基于规则模型的资源聚合算法,在获得厂内各资源调控成本、可调量等信息的基础上,结合资源的历史响应情况,按照规则化算法,将待聚合用户资源与人为设定的标杆资源进行比较,获得钢铁企业内各类资源的聚合顺序,给出聚合后的量价信息计算方法,实现报价报量,完成资源聚合申报。在保证 VPP 盈利的同时,简化算法流程,为钢铁企业参与 VPP 聚合申报的运营活动提供技术基础。最后通过数值仿真验证了算法的可行性。

Select

基于 XGBoost 和反向自适应粒子群的烧结配料智能优化方法

陈健, 杨春节, 胡兵, 钱卫东, 苏志祁

冶金自动化. 2023, 47(3): 71-80.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 008

摘要 ( ) PDF全文 ( )

可视化

原料配制是烧结工艺的关键环节,不仅影响烧结成本,而且还关系到烧结矿质量。针对现有烧结配料方案优化目标相对单一、模型更新不太及时的问题,提出了基于 XGBoost 和反向自适应粒子群优化( reverse adaptive population particle swarm optimization,RAPPSO)算法的烧结配料智能优化方法,以优化烧结矿的 TFe含量和成本。首先,依托数字孪生数据库提供的实时数据,建立基于 XGBoost 的烧结矿 TFe含量在线预测模型。然后,提出了一种 RAPPSO 算法,该算法可以根据迭代次数自动调整反向种群大小,经过标准测试函数验证,该算法具有良好的收敛性和搜索能力。最后,综合考虑烧结矿 TFe 含量和配料成本来构建优化模型的目标函数,建立烧结配料智能优化模型并使用 RAPPSO 算法进行求解。经烧结数字孪生系统验证,该方法使配料成本降低 8. 27 元/ t,烧结矿 TFe 质量分数提升 0.57% ,这表明所提配料优化方法具有良好的性能。

Select

废钢料型智能识别的语义分割模型选择与实现

朱立光, 陈泊羽, 肖鹏程, 张妍, 许云峰

冶金自动化. 2023, 47(3): 81-92.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 009

摘要 ( ) PDF全文 ( )

可视化

目前业界对废钢智能评级和扣杂的方案都是基于目标识别模型,但是目标识别模型与语义分割模型相比其无法精确刻画废钢的边界,造成对废钢的面积估计和特征采集不精准。然而当前语义分割模型众多,如何选择一种适合废钢判级场景的模型是亟待解决的问题。针对该问题,首先在实验室建立 1 : 3 物理模型,模拟不同类型废钢入厂验质场景;然后,用 2K 分辨率摄像头采集图像数据;最后,将主流的 20 种语义分割模型进行对比分析。试验表明,在 139 张废钢数据集上应使用全卷积神经网络( fully convolutional network,FCN)模型搭配高分辨率网络( high-resolution net,HRNet)对废钢进行语义分割;在图像增强的 1 529 张废钢数据集上应使用基于 Transformer 改进的高效语义分割模型 SegFormer-B5 对废钢进行预测分类;从平均交并比( mean intersection over union,mIoU)评价指标来看,FCN 和基于上下文表示的语义分割网络( object-contextual repre-sentations network,OCRNet)使用 HRNet 主干网络比残差主干网络( residual network,ResNet)平均提高 6. 6 个百分点。

Select

一种基于优先级策略的热镀锌生产排程方法

陈添, 黄鑫鑫, 刘士新

冶金自动化. 2023, 47(3): 93-99.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 010

摘要 ( ) PDF全文 ( )

可视化

为了解决热镀锌板批量生产方式与客户订单个性化需求之间的矛盾,减少生产过程中品种及规格切换,从而提高生产效率、降低生产成本,建立了热镀锌生产排程问题优化模型。考虑热镀锌生产计划中材料优先级、换辊规程、后处理方式、规格切换规程、生产经济性等关键排程因素,基于计划员经验提出了材料优先级设定方法。将材料优先级与搜索算法相结合提出了热镀锌优化排程方法,该方法首先根据材料确定集批类型,再对各集批材料进行初始排序形成排程计划集合,然后将剩余材料插入到合适的计划集合中,得到热镀锌机组排程的最小计划,最后采用搜索策略对计划进一步优化形成最终排程计划。基于以上方法开发了热镀锌机组优化排程系统,实际应用结果表明,该方法显著提高了计划员的工作效率和排程计划质量。

Select

基于改进 BP 神经网络的烧结矿 FeO 含量预测

张学锋, 张功辉, 周志远, 闻亦昕, 张巧玉, 刘胜歌

冶金自动化. 2023, 47(3): 100-108.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 011

摘要 ( ) PDF全文 ( )

可视化

影响烧结矿 FeO 含量的因素较多且 FeO 含量与各因素间呈现非线性关系,预测难度较大。针对烧结矿FeO 含量难以直接预测的问题,提出一种 Dropout 算法与 Adam 算法和四层 BP 神经网络相融合的烧结矿 FeO含量预测模型。为提高烧结矿 FeO 含量的预测准确率,结合烧结工艺,选取与烧结矿 FeO 含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Dropout 算法改善四层 BP 神经网络结构,Adam 算法优化四层 BP 神经网络的训练过程,进而提高模型的预测精度和泛化能力。试验表明,改进的模型预测烧结矿 FeO 含量误差值在 ± 0. 5、 ± 0. 8 和 ± 1. 0 时,命中率分别达到 77. 42% 、88. 71% 和 96. 77% 。与三层 BP 神经网络预测模型和支持向量机回归( support vector regression,SVR)模型相比,该模型的误差更小,同时预测精度也得到显著提升。

Select

基于高炉冷却壁温度的高炉炉型聚类分析

杜屏, 雷鸣, 江德文, 王振阳, 张建良, 徐震

冶金自动化. 2023, 47(3): 109-115.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 012

摘要 ( ) PDF全文 ( )

可视化

高炉操作炉型与高炉长寿、高炉操作及技术经济指标等密切相关,合理的操作炉型有利于保证高炉生产的优质、低耗、高产、长寿。通过对高炉冷却壁温度数据的聚类分析,能够有效合理地表征高炉操作炉型的变化,对高炉生产有着重要的指导意义。基于沙钢 5 800 m3 高炉冷却壁温度数据,分别采用 K 均值聚类( K-means) 、高斯混合模型( Gaussian mixture model,GMM)对数据集进行聚类分析,基于两种聚类算法,结合戴维斯 - 唐纳德指数( Davies-Bouldin indicator,DBI)与轮廓系数( Silhouette coefficient,SC)对聚类结果进行评价,并分析了所得聚类簇类别对应生产状态的高炉冶炼情况。得出了在本文所选的样本数据基础上,采用 K-means算法且当炉型聚类为 3 时聚类结果更好,且第 3 类炉型对应的平均焦比、煤比、燃料比、煤气利用率、铁水温度及产量分别为 357. 62 kg / t、163. 18 kg / t、512. 34 kg / t、47.51% 、1 502. 045 % 、12 472. 59 t / d,更适合该高炉日常生产的结论。该研究可为高炉炼铁冶炼过程的大数据分析聚类算法的选择及聚类结果分析评价提供一定参考。

Select

果蝇优化神经网络在冷轧弯辊模型中的应用

宋君, 王奎越, 曹忠华

冶金自动化. 2023, 47(3): 116-125.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 013

摘要 ( ) PDF全文 ( )

可视化

为了解决冷连轧机弯辊力设定模型在工业生产中存在设定与控制精度低的问题,提出了一种基于果蝇优化算法( fruit fly optimization algorithm,FOA) 优化广义回归神经网络( generalized regression neural network,GRNN)的混合弯辊力预测模型。采用 FOA 算法对 GRNN 网络参数光滑因子进行优化选择以保证模型最佳性能。将本文提出的混合 FOA-GRNN 冷连轧弯辊力预测模型和对应的后向传播神经网络( back propagation neural network,BPNN)预测模型进行对比分析,同时选择误差指标来对两种模型的综合性能进行评价,证明所提出的混合 FOA-GRNN 模型相对于 BPNN 模型能够更好地实现对冷连轧带钢弯辊力的精准预测。

Select

基于深度核与多核联合学习的镀层质量评估系统

张岩, 王军生, 丁智, 孙瑞琪, 陈百红

冶金自动化. 2023, 47(3): 126-132.
https://doi.org/10. 3969 / j. issn. 1000-7059. 2023. 03. 014

摘要 ( ) PDF全文 ( )

可视化

针对传统核学习方法在处理复杂非线性数据存在过拟合和分类精度不高等问题,影响对镀层质量评估的准确性,提出基于深度核学习( deep kernel learning,DKL)与多核学习( multiple kernel learning,MKL)双向促进的联合学习方法,将多核方法组合深度自编码器( stack auto encoder,SAE)的输入层、最高编码层与最高解码层网络建模,获得更全面的信息。同时,将深度核以非线性乘积方式融入到高斯多核的优化训练中,形成非线性组合核。通过大量基准数据集和实际工业数据试验表明,本联合方法取得了最高的分类精度,验证了其对复杂时变镀锌过程的自适应性,大幅提高了镀层质量评估的准确性。

选择文件类型/文献管理软件名称

选择包含的内容

2023年, 第47卷, 第3期　刊出日期：2023-05-25

扫码分享

扫码分享

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

2023年, 第47卷, 第3期 刊出日期：2023-05-25

扫码分享

扫码分享

2023年, 第47卷, 第3期　刊出日期：2023-05-25