通过对我国废钢铁利用现状、废钢铁分类情况及分类标准进行分析,探讨了目前我国废钢铁利用及分类分拣概况,提出了存在的问题。在此基础上,对废钢智能识别系统、废钢铁快速检测技术的发展及应用情况进行分析,认为目前废钢铁分类分拣技术的发展水平与钢铁企业的实际需求仍有较大差距,未来要实现电炉智能化冶炼必须做到两种技术的耦合。我国对废钢铁的分类分拣仍相对初级和粗放,还不能做到对废钢铁成分的快速有效识别;在“双碳”背景下,随着我国钢铁工业由规模化高速发展阶段转向绿色低碳、高质量发展的新阶段,废钢铁质量的重要性日渐凸显,我国废钢铁利用水平要尽快得到提升,不仅要提高炼钢废钢比,更要提高废钢铁分类分拣的技术水平,为实现电炉冶炼智能化奠定基础。
废钢压块虽有诸多优点,然而废钢种类的多样性却对冶炼产生了影响。考虑到钢厂环境的复杂性以及当前废钢种类识别技术的复杂性,利用移动设备在复杂场景下实现对废钢压块的准确识别,对于提高冶炼模型的精度和生产效率有着至关重要的意义。通过在原有数据集里新增复杂光照场景下的压块图片,对数据集进行了丰富,并运用改进后的混合网络模型来研究压块识别算法。研究结果显示,改进后的EdgeNext混合模型在识别场景中有着更出色的表现。在试验数据集上,其测试准确率相较于Mobilenetv3提高了2.81%;一个训练耗时与视觉自注意力模型(visiontransformer,viT)模型相比减少了12ms;而且在训练过程中,该模型在收敛速度和震荡幅度方面均呈现出更优的状态。综上所述,改进后的EdgeNext模型为提高废钢压块的智能识别水平提供了坚实的理论支持
废钢质量检验一直是困扰各大钢铁企业重要问题。为解决废钢验质过程中存在的主观因素影响大、判级过程难追溯、质量异议等问题,基于人工智能技术的废钢智能判级系统应运而生,并且在钢铁行业得到了极大的关注。作为新鲜事物,很多企业对废钢智能判级系统的理解存在疑虑、不全面、不科学,甚至存在误解。在技术原理和技术架构功能基础上,阐述在图片自动采集、标准统一、压块等特殊料型智能判级、智能扣杂方面的关键技术突破,同时指出在化学成分识别、细小料型识别、压块内部质量检测等方面面临工程化挑战,最后提出废钢智能判级系统在企业应用发展过程和未来趋势。
基于激光烧蚀过程中光谱强度和烧蚀坑形貌有规律变化的特点 , 利用激光诱导击穿光谱(laser-induced breakdown spectroscopy,LIBs) 技术对废钢表面金属镀层厚度进行了半定量检测的研究 。首先通过研究激光烧蚀 坑形貌 ,建立烧蚀坑深度与激光脉冲数的数学模型 ,再结合激光穿透镀层的临界点判断 ,实现对废钢表面的金 属镀层厚度进行量化计算 ,为废钢表面镀层厚度的快速评估提供了一种新方法 。
实时对废钢料线厚度识别对其运输及电炉炼钢过程具有重要作用,目前尚未有基于深度学习的方法对该场景下的算法进行研究。针对上述问题,通过试验对比当前主流的分割模型网络,并提出采用PP-Liteseg进行废钢边缘轮廓分割。进一步引入骰子损失函数(Dice loss)、LovasZsoftmax损失函数(LovasZsoftmax loss)等优化策略,对PP-Liteseg原始交叉熵损失函数进行改进,实现了全局监督与局部细节优化的最佳平衡,分割平均交并比(mIoU)达到81.11%。最后,基于优化后的模型设计了利用分割结果提取关键参考线的废钢料线厚度计算方法,实现对废钢堆积最大及平均厚度的实时监测与量化评估。试验结果表明,该方法在复杂工况下具备高精度分割能力和针对不同点位的优良泛化性能,为电炉炼钢过程中废钢料线厚度的准确识别提供了可靠技术支撑。
本研究利用激光诱导击穿光谱(laser-induced breakdown spectroscopy,LIBS) 技术,分析了有镀层和无镀层废钢的光谱特征随激光脉冲数的演变规律。研究发现,对于有镀层废钢,镀层元素的谱线强度随脉冲数增加先上升后下降,而Fe元素谱线强度则逐渐增加;对于无镀层废钢,Fe元素谱线强度在初始脉冲后快速增加,随后趋于稳定。基于这些规律,研究提出通过Fe元素归一化强度的标准差阈值(设定为0.02)来识别废钢表面是否存在镀层。此外,通过分析镀层元素归一化强度的变化,研究提出了一种基于谱线归一化强度累加值的方法,用于确定镀层元素的种类,即最大累加值对应的元素为镀层元素。该方法为废钢表面镀层的快速识别和分类提供了有效的技术手段。
废钢智能判级可以优化钢铁企业、废钢基地在采购废钢过程中废钢判级流程,提高废钢判级效率,减少废钢判级感情验质。针对废钢智能判级,基于原有只采用目标检测算法而言,提出了一种基于目标跟踪算法来优化在废钢智能判级过程中实现自动结束判级功能的方法,通过目标检测算法先检测识别枪型摄像机(枪机)画面中出现的判级车辆,可能会出现车辆不全、多个判级车辆等情况,尤其是在这些特殊情况中,需要针对性设计出一个针对车辆识别的目标跟踪算法,以提高识别待判级的废钢车辆的准确性。采用目标跟踪算法来实现废钢智能判级系统自动结束功能,相较于原有的单一目标检测算法而言,通过卡尔曼滤波、匈牙利算法来对图像中检测到的目标分别解决状态预测、轨迹匹配关联,来提高在复杂场景下目标跟踪算法的鲁棒性。废钢智能判级系统自动解决功能的准确率由原来的86%提升至93%,其中探索研究的通过关联每个检测框进行多目标跟踪(multi-object tracking by associating every detection box ,ByteTrack) 算法相较在多目标跟踪精度(multiple object tracking accuracy,MOTA) 评价指标分别提高17.5%、15.3%,IDF1评价指标分别提高16.1%、9.9%。基于目标跟踪算法实现自动结束功能,尤其是在复杂场景下,更能提高其准确性,更加准确地判断判级车辆是否移动,以触发是否需要结束当前车辆的废钢判级。
针对炼钢—连铸流程智能化转型中的工艺模型效率低、模型调控精度不足以及多工序运行协同性差等共性问题,介绍了笔者团队开发的钢包精炼炉智能冶金、连铸凝固冷却精益制造以及多工序动态协同运行的三项典型关键技术。首先,基于冶金机理与可解释性机器学习融合,开发了钢包精炼炉(ladle furnace , LF) 智能控制系统,实现了钢水温度、合金成分(硅/锰铁)及底吹氩精准调控,物料与能耗显著降低,突破了传统LF精炼依靠多次取样和操作人员经验进行控制的模式。其次,在连铸工序,建立了基于钢凝固特性的多模式连铸冷却调控技术,通过优化喷嘴配置与调控第二相析出行为,有效减少了微合金钢裂纹发生率与偏析缺陷;此外,开发了基于主成分分析—深度神经网络的裂纹预测模型,可为连铸工艺的关键参数调控提供指导。针对国内炼钢厂车间布局复杂和订单多样化的生产特点及其引起的多工序衔接效率低协同性差等共性问题,运用冶金流程工程学的理论与方法,创新研发了炼钢厂多工序动态协同运行关键技术,提出了可量化表征炼钢—连铸过程多工序协同运行水平的评价指标,实现了铁素物质流动态有序、协同连续运行,显著提升了炼钢厂生产运行智能化水平。
炼钢—连铸(steelmaking and continuous casting,Scc) 生产过程伴随着复杂的化学反应和物理变化,具有高度不确定性,一直是钢铁企业生产组织的难题之一。在理论上,该类问题可以归结为动态柔性流水车间调度问题,是学术界研究的热点问题之一。遗传规划(genetic programming,GP)已成功用于动态调度问题启发式规则的自动设计。然而,在传统的GP中,通过锦标赛方式实现父代解的选择会拖累算法的收敛速度。提出了一种两阶段语义选择机制,通过为GP提供收敛性更强的父代解来实现GP加速收敛。此外,为了更高效地保留父代个体中的有效信息,设计了一种基于相关性的变异策略,该策略以随机生成的子树替换个体树中相关性为负的子树。所提算法的性能在8种不同配置的场景中进行了对比分析,结果表明,所提算法相比于现有算法具有良好的竞争力。
结晶器是连铸的关键部件,对保障连铸生产的安全稳定运行具有关键作用。由于其内部复杂的传热过程,直接研究结晶器的传热行为存在较大的困难。为了更加真实地反映结晶器内的传热情况,本研究采取内点法对结晶器宽面横向上的热通量分布情况进行了反问题求解,并对其进行了纵向拟合,最终得到了结晶器宽面铜板热通量的二维分布规律。结果表明,利用反问题求解得到的计算温度与实测温度间的相对均方根误差仅为0.94%,验证了该反问题模型准确且有效。反问题的求解结果表明,结晶器铜板横向热通量分布同样具有不均匀性,同时结晶器—铸坯界面处的热通量分布不均匀和结晶器铜板温度分布的不均匀具有一致性。再对反问题结果进一步的纵向拟合结果表明,离弯月面越近,其热通量越大,且横向上的热通量波动也越大。随着距弯月面的距离增加,热通量和热通量的波动均减小。通过所采用的反问题计算方法能够有效揭示结晶器宽面铜板热通量的横向分布规律,为连铸结晶器内传热过程的可视化和优化提供了重要理论支持。
在高炉炼铁过程中,铁水硅含量是评估生产稳定性和铁水质量的重要指标。然而,高炉炼铁过程中涉及极为复杂的机理,存在多场多相耦合现象,且数据伴有缺失与噪声干扰,这些因素极大地影响铁水硅含量预测精度。随着工业智能化发展,工业大模型展现应用潜力。基于工业大模型的理念,提出一种融合概率分布与图卷积网络的高炉铁水硅含量预测方法。所提方法包括多通道单变量特征提取器、图神经网络与预测器。其中多通道单变量特征提取器基于变分自编码器提取变量概率分布特征表示,图神经网络用于实现变量交互,对缺失变量完成信息补充。采用高炉数字孪生系统获取现场数据,用于实验验证,结果表明该方法对硅含量的预测命中率与现有方法相比提高了4.31%。所提方法为工业大模型在高炉炼铁质量预测领域的应用提供了新的实践参考。
热轧生产过程中,工业数据分布的不平衡性导致带钢凸度异常诊断难度增加,严重影响产品质量。为解决此问题,提出了一种极度随机树算法(extra tree5)与过采样技术(SMOTE-Tomek link) 相结合的方法,该方法能够有效解决多类别数据的不平衡性。在此基础上,采用改进型混沌遗传算法( improved chaotic genetic algorithm , ICGA) 对模型的超参数进行优化,以确定最优超参数组合。通过局部可解释性模型—诊断解释(local interpreta- ble model-agno5tic explanation5 , LIME) 方法进行模型的可解释分析,进一步揭示了影响带钢凸度的关键工艺参数及其贡献度,实验结果表明,所提出的方法在准确率、召回率、精确率和F1分数上的表现分别达到 0. 990 7 、 0. 990 8 、0. 991 0 和 0. 990 8 ,显著优于传统模型,验证了该方法在带钢凸度诊断中的有效性和优势,为热轧生产过程故障诊断提供了支撑。
在带钢热轧生产过程中,加热炉中钢坯的温升曲线对产品的质量具有重大影响。由于炉内条件的恶劣,钢坯的实际温度难以直接监测,因此需要建立钢坯加热过程的实时温度预测模型。传统的基于偏微分方程( par- tial differential equation , PDE) 的机理模型由于计算复杂性较高,通常难以满足实时预测需求;神经网络模型存在精度不高,同时依赖大量以钢坯实际温度为训练标签的特点,而未能较好在实践中应用。提出了一种基于通用物理信息神经网络(generaliZed physics-informed neural network , GPINN) 的热轧钢坯温度预测模型。首先,根据步进梁的动作信号实现对加热炉中钢坯的位置跟踪,并采用三次样条插值对全炉长的炉温进行预报;其次,基于PINN求解描述钢坯加热的PDE,同时结合深度算子网络(deep operator network ,DeepoNet ) 的“分支网络—主干网络”结构,分别对钢坯的不同初始温度和特定时间空间位置进行编码,有效地实现了初始温度不同的钢坯在加热过程中温度的实时预测;最后,实际钢厂的案例研究验证了该方法的有效性。与传统的神经网络方法和基于机理方法相比,GPINN综合了物理信息和神经网络的优点,更好地捕捉钢坯加热过程中的热传导特性,提高了模型的可解释性和预测精度。
