在国家政策和现实需求下,5G 和工业互联网已经与钢铁行业中的许多方面结合应用,为实现钢铁行业 各环节从分散化、自动化向集中化、智能化、绿色化方向发展起到积极的作用。 但是,目前 5G 与工业互联网 基本上都停留在生产辅助环节,尚未进入真正的生产核心环节,信息化和工业化尚未真正深度融合。 从这个 角度详细描述了 5G + 工业互联网和工业控制发展方向以及关键技术,提出了新的网络融合技术架构,包括可 编程逻辑控制器( programmable logic controller,PLC)云化技术,支撑 PLC 云化部署的 5G+时间敏感网络( time sensitive networking,TSN)端到端低时延、确定性网络关键技术。 最后提出了工业控制、计算与通信融合的理 论和技术架构,介绍了 5G+TSN 和云化 PLC 技术相互融合场景试验的最新进展。 

传统的性能预测和优化方法多基于经验和机理，未充分考虑到数据中蕴含的价值。如何挖掘钢材性能与相关工艺参数之间的线性非线性传递关系，实现高精度的性能预测和工艺优化是目前的研究热点之一。本文以热轧板带制造全过程的高维工艺质量数据集为基础，提出了一种融合机器学习性能预测模型和沙普利加和解释(SHapley Additive exPlanation，SHAP)框架的热轧带钢性能优化方法。该方法首先以最大互信息系数(Maximal Information Coefficient，MIC)相关性评价指标从高维的工艺数据中筛选与机械性能指标存在显著影响关系的有效变量；然后通过对比基于多输出支持向量回归模型(Multiple output Support Vector Regression，MSVR)、支持向量回归模型(Support Vector Regression，SVR)和随机森林的性能预测模型的预测精度，选取最优性能预测模型；最后，基于SHAP解释框架和最优预测模型进行工艺参数评价，度量各工艺参数对最终性能的量化影响，并通过对操作变量按SHAP分析的结果进行调整，以验证性能优化的效果。实验结果表明，本文提出的性能优化方法可显著按需求改善性能指标，对于钢铁生产过程的机械性能管控具有指导意义。

随着“碳达峰冶 “碳中和冶 “低碳冶金冶等概念的提出,钢铁行业的绿色智能制造已成为大势所趋。 铁前工序是钢铁冶金过程的前端工序,也是主要的能源消耗环节。 因此,实现铁前工序的绿色智能制造具有重要的经济价值和环保意义。 围绕钢铁冶金过程铁前工序绿色智能制造,以“智能碳使用冶的低碳冶金技术为核心,综述铁前工序运行状态智能感知、运行参数智能控制、运行性能智能优化和智能协同管控 4 个方面的研究进展。 运行状态智能感知是获取难以检测运行状态信息的主要手段,包括运行状态监测和运行状态识别。运行参数智能控制是实现铁前工序运行状态正常的前提,包括基于人工经验的智能控制、基于参数预测的智能控制和面向多目标集成智能控制。 运行性能智能优化是提升运行状态的运行性能的主要措施,包括操作参数智能优化和运行指标智能优化。 钢铁冶金过程智能协同管控着重研究感知、控制和优化技术的协同融合。 最后,分析当前存在的机遇与挑战,铁前大数据分析和运行状态智能感知、铁前工序一体化智能协同管控和铁前工序全流程性能提升与优化控制或将成为铁前工序绿色智能制造的前景方向。

现代转炉炼钢流程中的铁水预处理脱硫工序可以提高去除杂质效率、减轻转炉吹炼负担、缩短冶炼时间,是冶炼品种钢和洁净钢的必要工序。铁水预处理过程发生复杂的高温物理化学反应,是一个黑箱过程,这导致冶炼过程的精准控制十分困难。建立精确的过程控制模型是实现铁水预处理过程精准控制的核心,对企业降低钢材生产成本,促进企业数字化、绿色化转型具有重要意义。本文综述了国内外研究者针对铁水预处理脱硫工序建立的机理模型、统计回归模型、专家系统和机器学习模型等各类模型的建模原理、特点与研究进展。基于模型的不同用途,分别围绕终点硫含量与脱硫率预测、工艺参数预测及优化和脱硫剂耗量与利用率预测,总结了铁水预处理脱硫模型的发展历程,并就其未来发展提出展望。

烧结过程中FeO含量是影响烧结矿性能的重要参考指标。对FeO含量变化进行实时观测和监视,可以减少烧结能耗,改善烧结效果。针对目前企业实时观测FeO含量手段较为单一的情况,研究了基于双向长短时记忆网络模型(bi-directional long short-term memory,BiLSTM)的烧结矿FeO含量预测模型。数据来源为攀钢六型烧结机2021年部分工艺数据,经过滤、提优等数据处理后,选取BiLSTM神经网络进行训练、调参,与企业现场烧结工艺相结合,提高了模型预测的准确率,基本实现了烧结矿FeO的预测。测试结果表明,在企业误差允许的范围内,准确率达90.2%,因此可以给予企业内烧结矿生产有效意见。

提升机是干熄焦装焦系统的关键设备,其负载大、启停频繁、工况不稳定,提升机减速机结构复杂且减速比大。因此,提升机的连续性和可靠性一直是生产和设备管理人员关注的重点。本文提出了一种基于多维感知和神经网络的人工智能算法来实时识别提升机设备的瞬时故障以及监测提升机生命周期的方法。通过提取和识别提升机减速机的声振特征,结合卷积神经网络(convolutional neural network,CNN)和长短期记忆(long-short term memory,LSTM)神经网络算法,提取振动空间特征和时间工况特征,判断及预测设备运行的状态,从而实现对设备运行状态的实时监测、故障诊断和预测性维护。工程应用实践表明,该方法可有效实现95.3%的故障识别准确率,能够量化提升机处于机器运转生命周期的具体阶段,以提醒维护人员及时响应设备故障。实现提升机的预测性维护,降低设备故障率,减少维修成本,实现连续安全生产,推进设备专业化管理和智能工厂建设。

为了确保有效利用轧机设备能力,以某钢厂棒材生产线的轧机电机负荷数据为研究对象,利用 PyTorch搭建基于长短期记忆( long short term memory,LSTM)神经网络的预测模型,定义模型初始网格结构参数,选定单元结构激活函数,并针对模型超参数的选择问题,采用自适应学习算法( adaptive moment estimation,Adam)进行参数优化,迭代降低损失值,提高模型的预测精度。 通过试验设计,采用生产两种规格棒材的轧机负荷数据进行验证,结果表明,与未优化的负荷预测模型对比,均方误差 SME分别降低了 3. 28、1. 76,证明了所建立模型的预测效果更好,具有较高的稳定性。

高炉破损调查工作对明晰炉内物相分布及炉衬侵蚀特征有着重要的意义,而计算机图像处理技术可以快速且低成本地获取破损调查样品的多种物相参数信息。基于国内某大型高炉的破损调查工作,结合Photoshop(PS)软件、Image-Pro Plus(IPP)软件、工业CT设备对炉缸残铁截面焦炭信息、渣铁焦三维结构、耐火材料破损程度进行定量化表征。首先介绍了图像的获取及二值化处理流程,并对死料柱空隙度的“像素占比计算法”及网格划分的趋势分布进行表征,同时通过检测死料柱渣铁焦的三维物相分布及体像素占比,验证了二维空隙度与三维空隙度的相关性。此外,在“等效圆计算焦炭粒度”的基础上引入修正系数C,降低了焦炭不规则形貌对粒度的影响程度。利用耐火材料的二值化图像对表面宏观及内部微观裂纹的分布、大小及深度进行直观表征,三维结构可对耐火材料的孔隙数量、体积和孔隙率等多方面参数进行表征,定量化判断炉缸耐火材料的破损情况。

副产煤气、蒸汽和电力是钢铁生产流程重要的二次能源。随着“双碳冶政策的推进,钢铁工业对以煤气、蒸汽和电力为主的多介质能源系统进行精细化管理的需求日益突出,以达到控制生产成本和节能减排的目的。然而,由于各能源介质产生和消耗的复杂性和分散性,建立一个全面、合理的调度模型至关重要。另外,近年来,光伏、风电等可再生能源技术的发展为钢铁工业能源低碳转型提供了新途径。首先,简介了多介质能源系统,涉及煤气柜和锅炉等缓冲设备;其次,通过对能源调度模型的分类,分析了各种调度模型的研究特点,并梳理了研究成果;最后,分析了钢铁工业引入可再生能源后的能源系统特点,引入钢铁工业多能源微电网的概念,为后续研究提供了思路,以促进钢铁工业节能低碳发展。

转炉热损失率是影响物料消耗量预测精度的重要参数之一,利用某钢厂150 t转炉1 900炉次冶炼历史生产数据,在热损失率计算的基础上,采用机器学习算法实现了转炉热损失率的准确预测。预测结果表明,相比于支持向量回归(support vector regression,SVR)和随机森林(random forest,RF)算法,轻量级梯度提升机(light gradient boosting machine,LightGBM)算法的预测精度最高;考虑上炉次的影响,增加上炉次冶炼终点温度变量后,LightGBM算法的决定系数R²由0.89提高到0.93,在±0.005、±0.01范围内,热损失率预测命中率分别由85%、89%提高到90%、93%;另外,通过算法内部参数优化可进一步提高模型预测精度,对于LightGBM算法,决定系数R²和均方根误差E_RMS(root mean square error,RMSE)进一步分别达到了0.94、0.009,在±0.005、±0.01范围内热损失率预测命中率进一步分别提高到91%、94%。基于转炉冶炼历史数据,采用智能算法可以实现转炉热损失率预测,为转炉物料消耗预测提供支持。

钢包精炼炉(ladle furnace,LF)钢水硫含量预测对于精炼成品钢水成分的精准控制和产品质量的提升具有重要意义。针对LF机理复杂、多变量、非线性等特点,提出了一种基于自编码-反向传播神经网络(autoencoder-back propagation neural network,AE-BPNN)的LF钢水硫含量预测方法。首先,通过AE网络对数据降维和特征提取,消除噪声和缺失值的影响;然后,利用BPNN预测钢水硫含量。通过现场实际数据验证表明,所提出方法的均方根误差E_RMS(root mean square error,RMSE)达1.403,平均绝对误差E_MA(mean absolute error,MAE)达1.083,相关系数R²达0.824,具有良好的预测性能。

在钢铁企业中,精细化的能源管理和智能化调度运行是实现能源高效利用的重要技术手段。 在对钢铁 企业综合能源系统详细分析的基础上,融合其他行业的先进技术,完成了综合能源系统调度运行智能化实施 路径的设计。 以冶金流程网络理论为基础,进行综合能源系统的网络化建模,提出了一种基于序列化案例断 面的混合推理方法,包括案例断面的定义、管理、搜索和混合推理引擎的设计,构建了一种实用化的智能化驱 动引擎。 最后,根据某钢铁企业综合能源系统调度运行的实际需求,设计开发了智能调度支持决策系统,在 实际应用中取得了较好的经济效益,为钢铁企业的智慧能源发展提供了有益的实践。

铸坯是钢铁产品生产的原材料,铸坯的缺陷会导致最终钢铁产品的质量缺陷。针对现场采集的连铸生产过程低频数据和高频数据进行研究,提出了复杂流程工业数据的清洗方法以及高频工业数据特征提取方法。基于机器学习理论建立了分类与回归树(classification and regression tree,CART)、AdaBoost、随机森林(random forest,RF)和最优分类树(optimal classification tree,OCT)4种铸坯表面缺陷预测模型,并利用Relief和RF模型进行了特征选择。通过大量实验对比分析了不同模型的预测精度,结果表明,RF模型给出了最好的预测精度;通过实验找出了液相线温度、中间包(tundish,TD)下限温度、TD目标温度等对铸坯表面缺陷具有关键作用的10个参数特征。本文方法可以推广到其他场景的工业数据分析与建模,对于利用工业数据提升产品质量具有重要的参考价值。

Consteel电弧炉终点碳含量和温度的精准控制对于高质量钢水冶炼极为重要。基于某钢厂Consteel电弧炉冶炼过程实际生产数据,采用包括预测模型和超参数优化模型在内的多种机器学习模型进行建模,并通过对比不同模型预测结果,确定了基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)和梯度提升决策树算法(gradient boosting decision tree,GBDT)的Consteel电弧炉冶炼终点碳含量和温度预测模型。利用采集的数据进行验证,结果表明,本文所建模型具有不错的预测性能,可以对Consteel电弧炉冶炼终点碳含量与温度进行预测,从而为现场提供一定的生产指导。

钢铁企业转炉煤气柜柜位的准确预测可为煤气系统调度提供重要依据,然而鉴于转炉煤气(Linz Donawitz gas,LDG)回收的冲击性,调度人员对柜位的超上限问题尤为关注。为此,依托大量系统运行数据,提出了一种基于代价敏感学习支持向量机(support vector machine,SVM)的转炉煤气柜柜位预测方法,可提高对柜位超上限情况的预报精度。该方法以LDG回收流量、LDG消耗流量等作为输入,以未来柜位值作为输出,利用KKT方程,将原约束条件转化为等式约束,对煤气柜位超限误报和未超限误报设定了不同的代价;最终通过最小化模型漏报误差,将原预测问题转化为一系列线性方程并求解。针对国内某钢铁厂数据的仿真实验结果表明,所提方法将LDG柜位超限状况的漏报率降低至0.16%,可为调度人员制定合理的调度策略提供更快速有效的指导。

钢铁行业在我国国民经济中占有重要地位。 钢铁行业生产流程长、工序间强耦合、生产条件极端、内部 物理变化和化学反应复杂等特性,使得钢铁行业的生产过程建模、运行控制和操作优化等极其困难,进而影 响生产质量和效益的提高。 近年来,工业场景下数字孪生的蓬勃发展为钢铁行业转型升级提供了新思路。 本文首先介绍了数字孪生的定义和内涵,其次对于钢铁行业数字孪生的研究热点进行了分析,梳理了相关的 研究成果,最后分析了当前数字孪生在应用和发展过程中存在的不足,为研究人员的后续研究提供了思路, 以促进数字孪生在钢铁智能制造中发挥更大的作用。

基于工业智能制造的不断发展以及云边端、数字孪生技术的广泛应用,提出了基于云边端的热轧生产数字孪生结构与关键技术。其中,数字孪生结构中的三层体系架构实现了热轧生产和设备的数字化管理和智能化控制。热轧数字孪生运用的关键技术是以5G + 边缘计算技术为纽带进行设备之间的数据通信,同时结合数据处理、存储与计算建模的云边端技术,解决了物理实体与云端直接通信的低速率、隐私安全性差等问题,最后逐步架构了热轧数字孪生系统。

在带钢热连轧过程中,卷取温度是重要的工艺参数和主要的控制目标,其一定程度上可决定带钢的微观组织,从而影响产品的力学性能和使用性能。为进一步提高热轧带钢卷取温度控制精度,以某热连轧产线的实际生产数据为基础,采用随机森林(random forest,RF)算法建立了一种基于数据驱动的热轧带钢卷取温度预测模型,并采用贝叶斯优化算法确定RF模型的最优超参数,采用类似于网格搜索的方式确定贝叶斯优化算法自身超参数。同时,采用贝叶斯优化的决策树模型(decision tree,DT)、支持向量回归模型(support vector regression,SVR)和现场基于经典传热学建立的机理模型进行对比验证。模型测试结果表明,RF模型的预测结果有97%以上样本点预测误差在-10~10 ℃以内,相较于现场模型能更好地实现对卷取温度的预测,进一步提高卷取温度的控制精度。

高炉冶炼过程中,受到工况动态变化及生产现场复杂因素的影响,压差的波动存在一定的时滞性,要实现基于实时在线数据精准提前预报压差还存在一定困难。针对该问题,基于高炉实际冶炼过程中,其具有多元变量的、时间上前后依赖的时序数据特点,分别采用了能够有效反映生产过程参数波动程度的波动率分析和决策树特征重要性分析方法,选取了不同的模型输入特征子集,从而分别建立了基于长短期记忆网络(long short term memory,LSTM)的时序性压差预测模型。两种方法对比结果表明,基于波动率分析确定输入特征的LSTM 预测模型在预测误差范围[ -5, +5] kPa 以内,命中率提高了0. 761% 。基于生产参数的波动率分析的特征选择方法,能够有效提升LSTM 模型的预测精度,验证了在高炉富氧鼓风条件下,时序性压差预测模型输入特征选取方法的有效性。

钢铁行业面临的质量、成本、环境、稳定性等方面的问题亟待解决,严重的“不确定性冶已成为钢铁生产 过程面临的重大挑战。 随着数字经济和数字技术的发展,数据分析技术成为解决不确定性问题的最有效方 法。 充分发挥钢铁行业应用场景和数据资源的优势,以工业互联网为载体,以数字孪生为核心,攻克关键共 性技术,形成面向未来发展趋势的数字化创新。 依托钢铁全生产流程、全应用场景数字化转型,加速建设钢 铁材料创新基础设施,掌握企业核心竞争力,促进我国钢铁行业实现数字化转型与高质量发展。

实现高炉的智能控制一直是炼铁工作者的梦想,近 30 年来对高炉智能控制进行了大量研究和实践。 由于高炉过程控制的复杂性,已经开发的系统在单个功能的智能控制方面有所突破,但很难获得一个能够在线长时间稳定运行的高炉智能控制系统。 立足于高炉高效冶炼的需求,就智能控制涵盖的范围、内容、运行要求和应该解决的问题等方面进行了探讨,提出了相关建议,即应重视高炉“多变量、大滞后、非线性、全时空冶特性研究,构建高水平数据平台,用最简单实用的技术,重视开发及使用平台工具,建立合理的智能控制开发模式,模拟高炉专家的思维,准确定位,先易后难,组建高炉全炉役优化的专门的软件开发队伍,实现 3 ~ 5 年提升一代智能控制系统,一代炉龄对应于 3 ~ 5 代智能控制系统优化的目标。

车轮生产计划编制是交材生产计划管理的核心任务之一,合理的生产计划有利于调控各订单的生产节奏,使车轮生产平稳有序进行。以交材车轮生产计划排产为背景,考虑轧制、热处理、委外粗加工、精加工、检测的生产能力以及保温罩、磨具切换、上下工序间的物流周期等因素,通过建立数学模型,建立多目标组合优化算法(multi-objective combinatorial optimization algorithm,MOCOA)实现车轮计划的智能排产,解决了马钢交材车轮计划排产订单批量小、多规格、个性化背景下的生产计划排程问题。系统运行结果表明,本系统通过对整个工厂范围内的车轮订单的合同交期、机组产能、物料库存、工艺路径、物流周期、设备利用率、产线可用时间、外委单位的生产能力等进行反复平衡,形成各工序的机组联动的车轮生产计划,实现了单一计划编制由原来的2 天缩短至2 h 以内,有效提升了车轮排产计划的编制效率,缩短了20% 的车轮产品制造周期,降低了20% 的库存占用,实现了降本增效的智慧工厂生产要求。

在连铸过程中,结晶器液面的瞬时异常波动会对连铸坯质量造成不利影响,因此结晶器液位波动的控制是高品质钢连铸过程的关键一环。本研究收集了低碳钢、中碳钢、亚包晶钢和包晶钢的板坯连铸工艺数据,利用快速傅里叶变换(fast Fourier transform,FFT)和连续小波变换(continuous wavelet transform,CWT)分析数据特征,进而研究工艺参数对结晶器液位瞬时异常波动的影响。FFT分析结果表明,鼓肚对于结晶器液面瞬时异常波动并无明显影响。通过CWT分析了结晶器液位瞬时异常波动和塞棒位置的时频特性,结果表明,在不同钢种和拉速下,结晶器液位瞬时异常波动发生之前塞棒位置高频区CWT系数均呈线性增加趋势。因此,通过对塞棒位置高频区的CWT分析,可以预测结晶器液位瞬时异常波动。

高炉生产过程涉及气、固、液多相复杂反应并受到原燃料条件、操作冶炼参数、高炉状态等相互关联的多种因素相互作用影响,难以对冶炼过程的稳定性及技术指标具有重要影响的两个操控目标料速、生铁硅含量进行精准控制。为了将影响其控制的众多因素之间的复杂关系进行全面量化并形成操作调剂的标准化、流程化,解决高炉三班倒生产普遍存在的由于操作者个体差异导致的判断及调剂标准不统一、操控精度不高等问题,基于炼铁理论,结合实践经验,辅以计算机信息化手段,创新性地设计研发了能够定量化、模块化精确控制冶炼过程中料速、生铁硅含量及渣铁成分并具有数据采集、量化评价及校核、优化等功能的控硅控料操作模型。操作模型的应用有效提升了高炉操作中“氧调控料、煤调控温冶调剂方法的统一性和系统性,满足日常高炉生产对操作的即时性、流程化、方便性要求。应用于具体容积、原燃料条件高炉的实践表明,冶炼行程中每班经过0 ~3 次调氧、0 ~3 次调煤即可达到计划料速及铁水硅含量的操控目标值;日预控硅含量与实际硅含量偏差率仅0. 006% ,按料速计算,日理论产量与实际产量偏差率仅为0. 133% 。模型为改善炉况顺行程度、降低燃料比和冶炼成本奠定了基础。

高炉煤气流可表征高炉炉况运行状态,而十字测温温度反映了高炉煤气流的分布状态。本文提出了一种基于周期配准与季节性趋势分解(seasonal and trend decomposition using loess,STL)的多变量关联高炉十字测温温度动态建模方法,以提高煤气流的准确估计。首先,通过滑动窗口方法划分周期窗口,并进行多变量间的周期配准,匹配精准的多变量关联关系;其次,引入稳健型季节性趋势分解(RobustSTL)方法,保留关键参数信息,提取全局变化趋势,提高在线估计模型的准确度;再次,使用门控循环单元(gated recurrent unit, GRU)建立十字测温多变量关联的多步预测模型;最后,利用十字测温数据集进行实验验证,结果表明,本文提出的预测模型取得了较好的性能提升。

钢铁工业在国民经济基础中有着重要地位,转炉炼钢作为钢铁生产中的一个重要环节,直接决定了生产钢铁的质量。 转炉炼钢是一个影响因素众多、过程非常复杂的多元多相高温物理化学反应过程,对转炉炼钢终点实现精确控制是冶金行业一个有待解决的难题。 以提高转炉炼钢终点碳温命中率为目标,针对传统全局模型预测性能不足,难以解决多工况问题,提出了一种基于即时学(just-in-time learning,JITL)的动态终点预测方法。 在 JITL 的框架下,利用不同准则下的相似性度量方法,选取相应的子样本集,分别构建局部回归模型,最后通过集成学习输出各个局部模型的预测结果。 在实际转炉炼钢数据验证中,使用本文所提方法,终点温 度 在 ± 15 ℃ 范 围 内 ( | Δt | ≤ 15 ℃ ) 命 中 率 为 92. 7% , 终 点 碳 质 量 分 数 在 ± 0. 02% 范 围 内( | Δw ( C) |≤0. 02% )命中率为 95. 7% ,可以为实际生产过程中的终点控制等操作提供参考。

钢铁制造是典型的流程工业,其复杂生产流程中的多重不确定性为生产调度带来了巨大挑战。 面向不确定事件扰动,如何制定动态调度策略实现快速响应,是钢铁企业亟需解决的实际问题。 现有研究针对炼铁、炼钢 - 连铸、热轧、炼钢 - 连铸 - 热轧一体化调度等多种调度场景,提出了基于 Petri 网、启发式算法、数学规划、动态约束满足、人机交互、案例推理、鲁棒和模糊优化等各类方法的大量动态调度方法。 针对钢铁动态调度这一领域展开综述,介绍钢铁生产的主要流程及其动态扰动因素,回顾钢铁制造过程中各生产环节的动态调度研究,总结现有的动态调度方法,分析钢铁行业的实际需求与现有研究的局限,提出知识和数据驱动的高性能动态调度算法、全流程多工序协同的动态调度问题及方法、可配置的决策支持系统等亟待解决的关键科学问题与待探索的研究方向。

针对传统转炉炼钢生产工艺复杂,高温钢水检测难度大,人工操作不易等问题,开发了一种多任务并行架构的转炉炼钢过程控制系统,用以提高转炉炼钢生产效率。该系统包括过程跟踪模块、人机界面(human machine interface,HMI)模块、数据通讯模块、模型计算模块、数据管理模块和数据有效性判断模块6 个功能模块,实现了转炉炼钢无人为干预的自动化炼钢过程,解决了数据检测误差大、过分依赖人工经验等问题。该系统采用多进程结构,进程内部采用一任务一线程的新型模式,降低了各功能模块间的耦合性。实际应用效果表明,该系统操作简单,稳定性强,交互性良好。

针对炼钢-连铸生产过程中某一冶炼设备发生故障之后的重调度问题,为保证生产的稳定性,减少重调度方案相对于初始调度方案的变化程度,以开始作业时间、作业周期和设备指派的加权差异度最小化为目标,采用数学规划方法建立了重调度模型。通过分析炼钢厂生产运行模式和生产工艺过程,提出了由基于“炉-机对应”调度策略的设备指派算法和基于工序柔性缓冲调控策略的时间调整算法两部分组成的重调度算法。以国内某中大型炼钢厂炼钢-连铸实际生产中经常发生的转炉设备故障或精炼炉设备故障问题为仿真案例进行研究,结果表明,调度前/后开始作业时间、作业周期与设备指派的总加权差异度分别为0.29、1.43和1.21,可有效保持重调度方案与初始调度方案的一致性,保证生产的稳定性,且求解时间均小于0.6 s,能够针对冶炼设备发生故障后的重调度问题快速给出较优的解决方案,在冶炼设备故障频发的实际生产过程中能够保证炼钢-连铸有序、稳定、高效运行。

高炉冶炼在完全密闭高压的环境下进行,无法直接观测高炉内部运行状况和料面形状,难以准确判断炉况,料面数据资源利用率不高,影响操作人员对炉顶布料制度的调整。为提高数据利用率,提升点云数据的质量和精度,本文提出双边滤波器对原始高炉料面三维点云数据进行预处理。通过泊松重建算法对滤波后的点云数据进行三维重构,搭建多尺度特征编码网络,对缺失的三维点云料面进行修复。泊松表面重构能够保留料面细节特征并平滑表面,为快速判断料面类型提供重要依据。通过提取不同尺度的点云特征信息,实现了三维点云特征增强和多层级表达,实验表明所提方法点云缺失预测误差小、点云补全形状完整,为处理含有缺失料面的点云数据提供了一种快速、高效且实用的解决方案。

高炉透气性指数是一个可以快速、直观、综合反映高炉炉况的重要参数。对高炉透气性指数准确预测,可以尽早(约提前10 min)发现和避免高炉的管道、悬料、崩料、煤气流失等炉况失常现象的发生。本文提出了一种结合核主成分分析(kernel principal component analysis,KPCA)、卷积神经网络(convolutional neural network,CNN)和长短期记忆神经网络(long short鄄term memory,LSTM)的高炉透气性指数预测模型。首先,运用KPCA 对原始高维输入变量进行降维,再用CNN 捕捉数据的特征,最后利用LSTM 对高炉透气性指数进行预测。结果表明,所构建的KPCA鄄CNN鄄LSTM 高炉透气性指数预测模型较降维之前预测误差大幅减小,预测准确度大幅升高。这有利于高炉操作人员尽快掌握炉况的瞬时变化并采取有效措施恢复高炉顺行。

随着钢铁行业的发展,钢铁制造模式逐渐由人工生产转向无人化、智能化生产。目前转炉出钢过程工作强度大,设备操作繁琐,炉后工作环境较恶劣。以一键出钢、安全出钢为目标,对转炉出钢系统进行改造优化,建立了转炉智能出钢系统。对自动化系统改造,首先增加出钢曲线设定,完善合金溜槽功能设计;然后,增加安全连锁程序、钢车检测装置、转炉倾动检测装置,确保出钢过程安全。同时,利用机器视觉辅助系统、二级模型对出钢进行监控和校正计算,保证钢水、钢渣不外溢。通过在河钢集团唐钢公司两座200 t 转炉的实际应用,验证该系统促进了转炉炼钢标准化生产,减轻了工人劳动强度,保证了出钢过程安全稳定。

通过分析现有转炉冶炼检测单一技术存在的问题,在总结归纳的基础上,开发炉渣泡沫化程度在线量化评估技术和烟气分析的过程特征点在线预测技术,解决转炉黑箱问题,实现转炉冶炼可视化。根据检测技术识别结果,应用出钢口喷粉抑渣的智能干预技术和氧枪智能干预技术,实现转炉吹炼过程的稳定控制。技术应用后,转炉冶炼过程溢渣风险显著降低,杜绝了中后期的爆发性喷溅,降低了金属料损失。转炉冶炼过程控制稳定后,有利于提升终点温度和碳预测命中率。

高炉透气性指数是反映炉料间接还原程度以及炉况状态的重要指标,受高炉各操作在不同时间尺度下影响,目前对透气性指数发展趋势的分析、建模和预测多数是基于同一时间尺度且预测步长较短,预测结果难以指导现场判断。因此,本文提出一种基于多时间尺度的高炉透气性指数多步预测模型。首先通过机理和数据分析计算高炉各操作对透气性指数多时间尺度影响的时域特性,并结合频域特性多维度论证透气性指数受各操作在不同时间尺度影响;然后根据高炉操作在不同时间尺度影响透气性指数发展的特性,建立基于支持向量机的单步预测模型;最后在单步预测模型的基础上建立基于递归策略的透气性指数多步预测模型。实验结果表明,该方法能有效预测透气性指数未来发展趋势,便于现场决策。

高炉雷达料线提取目前普遍采用神经网络加能量重心法的两步提取料线法,存在网络模型和机理模型混合分步计算,易受特殊环境强噪声影响的问题。本文提出了一种改进的基于语义分割的高炉料线提取BS-TransUNet 算法。首先,针对高炉料面周期性形态和粒度变化以及信噪比衰减问题,在卷积神经网络(convolution neural network,CNN)和Transformer 模块之间引入了空洞空间金字塔池化(atrous spatial pyramid pooling, ASPP)模块,获得料面细粒度特征;然后,将坐标注意力(coordinate attention,CA)模块集成到每次上采样之后,
更全面地滤除背景噪声,抑制对无效高频纹理特征的提取;最后,将跳跃链接替换为跳跃连接融合(BiFusion)模块,进一步提高分割性能。实验结果表明,改进的算法在高炉雷达料面数据集上,平均交并比(mean intersection over union,MIoU)和F1 分数分别提高了1. 77% 和1. 46% ,类别平均像素准确率(mean pixel accuracy, MPA)提高了1. 97% ,其中F1 分数可以达到86. 18% 。与传统的两步提取料线法相比,在高炉恶劣环境下采用端到端的分割料线一步法,料线获取的精度和稳定性均得到了改善。

冶炼强度(smelting intensity,SI)影响高炉内部的物理化学反应,煤气利用率(gas utilization rate,GUR)与送风参数之间的关系随着SI 的变化而变化。忽略SI,即忽略了GUR 与送风参数之间的动态变化关系,对利用送风参数的GUR 预测产生不利影响。本文提出了一种考虑SI 分类的GUR 预测模型。首先,从铁水熔炼机理的角度评价SI 对高炉状态参数的影响。其次,提出一种基于状态参数的加权核模糊c 均值聚类方法(weighted kernel fuzzy C-means method,WKFCM)对SI 进行分类。再次,利用监督主成分分析(supervised principal component analysis,SPCA)对输入数据进行降维并基于支持向量回归(support vector regression,SVR)对GUR 的发展趋势进行预测。最后,利用该模型对不同SI 下的真实GUR 数据进行了预测。对实际生产数据的分析表明,考虑SI 分类的预测方法更适用于高炉复杂的生产环境中GUR 时间序列的预测。