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。

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。

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。

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。

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。

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。

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。