当前,新型技术革命浪潮正全球范围内兴起,以人工智能、大数据及工业4.0等工业技术为代表,传统化工厂管控模式已无法满足数字化制造需求,钢铁工业中生产流程复杂且协同作业难度较大等典型问题逐渐凸显,企业也存在信息化水平不均衡及信息孤岛现象严重等现象。对此,基于数字孪生技术、物联网、机器学习及视频智能识别等新兴技术,对厂房及生产产线精准建模,接入视频画面、传感器监测数据、系统控制数据、外部图纸信息及管理系统等,实时展现产线设备状态与物料等信息,对产线内数据信息实现可视化联动,消除信息孤岛。同时采用人工智能算法将庞杂分散的视频画面融合拼接,将产线监控画面进行拼接,对于重点特定的大范围区域,以“一张图”形式实现实时监控。
高炉布料是高炉炼铁生产的重要环节之一,由于炉顶装料设备的密闭性,炉料在炉喉分布的实际情况,例如料层分布状况、矿焦比分布等无法直观地准确观察得到。生产中高炉操作人员通常是以炉喉处煤气中cO2分布、煤气温度分布或煤气流速分布作为上部调节的依据。随着检测技术的进步,操作者利用红外摄像、热成像、激光技术和雷达技术可更准确地进行上部调节,但以上技术只能获取炉料表面的信息,而对于料层和矿焦比的分布信息则无法详细的了解。以高炉布料数学模型为理论基础,综合运用数值仿真、超级计算、人工智能等领域的前沿技术,通过大数据云平台以及智能神经网络等技术手段,构建高炉全炉料层分布智能监测系统。该系统可实现布料过程的在线跟踪及模拟仿真,协助高炉操作者了解炉料分布状况。系统应用后,高炉各项经济技术指标得到明显改善,与以往相比,月产量平均提高4.7%,燃料比降低2.37kg/tFe,钒回收率均在80%以上。
轧机作为热轧宽厚板产线的关键设备,是一个多维因素相互耦合的复杂系统,特别是在运转过程中,由于各影响因素的强耦合、非线性特点,导致轧机运行过程处于“黑箱”状态,无法实时准确掌握轧机运行状态并制定预防性措施,这已成为制约热轧宽厚板产线高精度和稳定轧制的瓶颈问题。为解决这一行业难题,介绍了数据驱动的热轧宽厚板轧机状态监测与分析技术,在深度感知轧制过程各类数据的基础上,应用大数据算法进行数据关联性分析,并构建多源数据驱动融合机理的轧制过程动态模型和轧机状态在线监测系统平台。在相关产线应用后镰刀弯偏移量模型准确率在95%以上,精轧机振动速度降低了64.8%~72.8%,能够有效识别90%的轧机状态数据,有效提升轧机状态实时精准感知和异常状态分析预测能力。
在钢铁行业绿色化与智能化建设背景下,传统单工序质量控制的过程控制系统已经不能满足钢铁智能生产的要求,需要发展成全流程一体化过程控制。过程控制系统需要从简单的模型计算,发展到全流程工艺模型协同制造,生产数据挖掘和智能化的系统自决策、自适应和自学习。在此目标下,本研究探讨了从智能装备、水平工艺流程、垂直信息传递和时间4个维度上智能过程控制系统及工艺模型的研发与应用的体系架构、研发内容和预期愿景。
碱性氧气转炉(basicoxygenfurnace,BOF)的终点碳含量和温度是确保炼钢生产平稳运行的关键因素。故提出了一种新的基于莱维飞行鲸鱼优化算法(l6Vy-flyingalgorithm,LWOA)和ε-孪生支持向量回归机(ε-tWinsupportVectormachineforregression,εTSVR)终点预测模型。先采用箱线图对数据进行筛选,随后,利用冶金机理和Spearman相关分析,识别影响终点碳含量和温度的关键因素。最后,利用LWOA具有调节参数简单和收敛速度快的特点,对εTSVR算法中的参数进行自动优化。仿真结果显示,所提出的LWOA-εTSVR预测模型在终点碳含量和温度满足误差容限分别为±0.005%和±10℃下,命中率分别为89%和93%。同时,双命中率达到了83%。与其他四种预测模型相较而言,所提出的LWOA-εTSVR预测模型展现出了更为良好的优势。此外,通过设置不同的误差区间,也验证了所提出的预测模型性能的可靠性。并且所提出的预测模型比实际钢厂工艺具有更高的预测精度,为钢铁企业提供了有力的技术支持。
转炉炼钢终点碳含量和钢水温度预测对于钢水成分和温度的精准控制和产品质量的提升具有重要意义。由于转炉炼钢过程数据维度高、噪声大、非线性强,难以获得高质量数据,直接建模不仅命中率低且容易过拟合。针对该问题,提出了一种基于自适应合成少数类过采样技术(syntheticminorityoVer-samplingtechnique,SMOTE)数据增强技术的随机森林预测模型。首先通过递归消除法分别对终点碳含量和钢水温度进行特征选择;其次使用自适应SMOTE算法对原始数据进行增强;最后采用随机森林分别预测终点碳含量和钢水温度。通过实际工业数据验证表明,终点碳含量在目标误差值±0.02%范围内的预测命中率为88.9%,终点钢水温度在目标误差值±20℃范围内预测命中率为92.3%,命中率显著提升,为转炉炼钢的终点预测与控制提供参考。
当前很多从国外引进的平整机板形闭环反馈控制系统采用的是顺序控制策略,对四分浪和复合浪调控效果不佳,且不能很好地处理各调控手段之间对板形质量的联合调控关系。针对以上板形顺序控制策略不足的问题,以某钢厂六辊CvC平整机为研究对象,对当前机组顺序控制策略进行优化,提出一种基于均方根传播梯度下降算法(rootmeansquarepropagation,RMsprop)梯度下降算法的板形闭环反馈控制策略。该控制策略考虑了工作辊弯辊、中间辊弯辊和CvC窜辊三种调控手段,旨在最快地找到使得板形偏差最小的三种调控手段的调控量组合,充分发挥各调控机构的调控能力。与机组原顺序控制策略进行仿真对比分析,对比试验表明,基于RMsprop梯度下降算法的板形控制策略大幅提高了轧机的高次、复杂板形控制能力,相对顺序控制策略板形质量大幅提升;最后将基于RMsprop梯度下降算法的板形控制策略通过CFC编程,综合考虑现场程序负载率问题,将该程序并行融合进一级控制系统中,实现对板形的自动化控制;结果表明,基于RMsprop梯度下降算法的板形控制策略具有良好的应用效果。
表面缺陷是常见的带钢生产质量问题,为提高生产质量,辅助工程师进行生产优化策略构建,提出了一种基于自适应积分梯度(adaptiVeintegrategradient,AIG)的带钢表面缺陷关键因素识别方法。该方法旨在利用现场过程数据挖掘缺陷相关信息,并对引起缺陷的关键变量进行识别。在缺陷信息挖掘过程中,通过将现场的缺陷标签转换成缺陷比例指标,并且利用深度神经网络(deepneuralnetWork,DNN)构建缺陷比例预测模型,从而防止现场数据中数据不平衡与数据重叠等数据特性带来的缺陷相关建模问题。此外,在训练完成的缺陷比例预测模型基础上,构建了一种自适应基线样本选择策略,优化了梯度积分的计算过程,使得最终得到的变量重要性指标能够更好的反映过程变量与缺陷的相关性,实现从抽象特征到具备强可解释性识别结果的有效转换。最后,在夹渣缺陷数据集中验证了所提出方法的有效性。
LF精炼是一个多工序,多钢种和复杂环境的冶炼工艺,单个工序智能模型无法满足全工序自动化和智能化的冶炼需求。基于生产数据和经验,采用自学习算法、机理模型、专家系统、图像识别、数学模型设计了合金模型、造渣模型、温度模型、吹氩模型和喂丝模型;并利用多种检测装置和多功能机器人构建智能测温取样;将多工序模型和一级自动化控制系统紧密结合,实现一种LF精炼全工序的智能控制系统。系统采用模块化和多线程的控制方式,通过时序解析以单步递进方式完成冶炼工序步骤,在150t双工位LF精炼炉应用,平均冶炼作业时间缩短约4min,钢水预测温度误差在±8℃内的命中率为93%以上,测温取样成功率97%。
对于冷轧连续退火机组,为保证工艺段速度的稳定性,在工艺段的前、后均配置活套进行缓冲。然而,目前尚无成熟的模型可用于计算不同规格、卷重的带钢在入口段复杂多变的生产条件下的工艺段极限速度。通过定量计算入口段的生产节奏以及生产限定的入口活套套量对工艺段速度的影响,建立了入口段限定的工艺段极限速度设定策略,解决了因入口段与工艺段的速度不匹配导致的入口空套量的停车事故;并结合生产现场实际工况,分析了某冷轧厂两条连续退火机组入口段制约工艺段速度提升的潜在影响因子。通过改善入口上料节奏,提高甩尾速度,缩短焊接时长以及提高充套速度,以来料卷重为27t为例,入口活套控制的最低套量为30%时,No.1、No.2连退机组工艺段的极限速度平均值由266、258m.min—1提升至369、349m.min—1。
