烧结是高炉炼铁的前置工序,烧结矿的质量直接影响炼铁过程的铁水质量与产量。对烧结过程关键参数的智能预测与控制是提高烧结矿质量的重要保障。因此,本文首先介绍了烧结工艺流程并分析了其主要过程特性,然后对烧结过程的质量指标和状态参数的预测建模研究进行了综述。在此基础上,本文详细阐述了烧结终点和点火温度等关键参数的控制方法。最后,对烧结过程关键参数预测建模与控制研究进行了总结与展望。

针对鞍钢炼铁工序数字化程度不够、智能化程度不高、缺乏统一的智能化平台,远不适应集约化、数字化及智能化的发展需要的突出问题,通过建立以高炉群为核心、覆盖其他工序的高炉集约化控制大数据中心,打破各区域信息化系统存在的信息孤岛,释放数据效能,高炉群及附属工序形成数据共享、高效协同的集中管控,实现高炉工艺从智能单元升级到智能平台。同时,构建高炉智能应用模型,实现高炉安全生产运行的可视化智能监控,指导高炉生产操作,提高了鞍钢高炉生产、技术与管理的数字化、智能化水平。

莱芜钢铁集团银山型钢炼钢厂为进一步提升生产计划排程的智能制造水平,对4炉4机、炉机非匹配的复杂排程计划进行系统研究,通过解析炼钢-精炼-连铸过程的作业周期和生产运行模式,探究总结出动态总平衡原则、炉机匹配原则、非断浇原则、空间就近原则四大底层匹配原则。依据四大原则匹配逻辑,建立了炉机匹配排程模型,实现了炉机非匹配状态下多炉对多机的炼钢计划自动排程,结束了完全以调度员为核心、人工经验驱动式的生产调度模式,极大提高了排程效率和计划准确率。此外,基于四大原则匹配逻辑构建的炉机动态排程模型具有很强的柔性和通用性,可以推广应用到其他更多钢铁企业。

利用冶金机器人代替人工从事一些危险性大、重复性高的劳动已逐渐成为各大钢厂无人化产线建设的重要内容之一。在一些应用场景中,机器人的末端执行器需要和工件紧密接触,当出现异常情况时,机器人可能会触发碰撞报警,需操作工手动操作机器人进行恢复,极大影响了生产效率,且存在较大的安全隐患。针对上述需要进行接触式作业的应用场合,基于ABB系列机器人的Rapid语言开发了碰撞自适应控制方法和防碰撞监测与距离补偿式方法,无需人工手动干预,即可自动进行下一步动作,保障生产工序正常运作。两种控制方法均已在钢厂正式投入使用,效果良好,提高了钢厂的智能化水平。

高炉炼铁工艺在钢铁工业中具有重要意义。然而,由于高炉炼铁工艺流程复杂以及存在高温、高压、复杂物理化学反应等问题,建立有效的过程监控模型仍然是一个重大挑战。针对高炉炼铁过程中的铁水关键质量指标多步实时预测需求,参考仿人脑海马体与新皮质的持续学习(continuous learning,CL)理论,搭建基于多头自注意力机制、一维残差神经网络(residual neural network,ResNet)、长短期记忆网络(long short term memory,LSTM)与多层感知机(multi-layer perceptron,MLP)的持续学习时序数据预测建模框架,实现高炉炼铁过程铁水关键质量指标多步实时预测任务。实验结果表明,本文所提出的基于持续学习(CL-based)的建模方法优于传统的深度学习模型,取得了较高的预测精度,且随着预测时间步长的增加,所提出的模型呈现出较强的鲁棒性。

KR脱硫是铁水预处理的典型方法之一。随着低硫钢种产品需求的增加,实现铁水终点硫含量的稳定控制,进而降低脱硫综合处理成本非常重要,而其关键环节是如何预测脱硫终点是否符合目标问题。因此, 针对KR工序铁水终点硫预测问题,本文提出一种基于代价敏感策略的样本类别平衡处理方法和贝叶斯优化的极限梯度提升(extreme gradient boosting,XGBoost)算法以及脱硫终点硫含量二分类分析方法相结合的建模方法。首先,通过基于二分类分析方法对脱硫数据的终点硫含量进行符合或不符合二分类处理,并基于代价敏感策略调整类别样本权重缓解不平衡问题,构建特征数据集;然后,利用某钢铁企业实际生产数据,基于代价敏感策略和贝叶斯优化XGBoost交叉验证训练模型,同时通过Macro-F1指标优选最优参数形成最终的KR工序脱硫符合预测模型,实现了对脱硫目标符合和不符合的数据预测。 与支持向量机(support vector machine,SVM)、反向传播神经网络(back propagation neural network,BPNN)预测模型的对比实验结果表明,本文方法能够有效处理脱硫数据不平衡问题,具有较好的脱硫符合预测实践效果。

提高炼钢区域的天车运行效率能够在有效衔接前后工序的前提下减少运输能源消耗,对于绿色生产和降本增效均具有一定价值。 基于此,本文提出了由仿真建模和机器学习驱动的天车调度优化方法。首先,采用多智能体技术建立了炼钢区域的生产组织仿真模型,该模型由历史生产计划和天车调度工作流驱动。然后,多次运行仿真模型,通过内置的样本评估公式获得大量高质的天车运行样本。最后,采用随机森林模型对样本进行学习,获得用于匹配天车与运输任务的机器学习模型。实验分析表明,将机器学习模型应用于天车调度决策,能够提高天车有效运输时间占比,从而减少因为运输任务错配、路径避让等带来的能耗损失。在生产负荷较重的情景下,其优势更为显著。此外,天车调度机器学习模型与炼钢计划剥离开来,在实际应用中具有较高的柔性。

热轧粗轧区域的镰刀弯缺陷影响带钢的板形质量及轧制稳定性,镰刀弯的在线检测及控制技术的研究一直是行业关注的热点课题。 本研究开发基于图像识别的镰刀弯在线检测及控制技术,通过在机架前后安装高清晰摄像头获取带钢图像,利用图像处理技术对带钢轮廓形状进行测量和识别,并结合轧制过程中的实测数据、设备数据、模型设定数据等构建调弯模型,实现镰刀弯在线自动前馈控制功能。该技术已在国内某热轧产线投入在线应用,镰刀弯方向调节趋势正确率达到95%以上,能够有效降低生产成本和劳动强度,提升产线的自动化水平,具有很高的应用价值和发展前景。

针对当前废钢分类工作量繁重且废钢定级标准不统一的难题,本文采用机器学习对废钢图像进行识别比较,判定废钢等级。构建废钢分类数据集,借助Siamese孪生神经网络对废钢数据集进行训练,选出最优权重,使模型能够准确区分不同种类的废钢。通过使用Siamese网络计算方法比较废钢基准与待测图像的相似度。根据相似度结果判断废钢等级,当相似度趋近于1时,认为废钢形状相似;当相似度趋近于0时,认为废钢形状不同,以此判定废钢图像中废钢种类分布状况。实测结果表明,利用相似比较法和Siamese神经网络进行废钢分类的方法展现出了较好的准确性和可靠性。与传统的人工分类方法相比,这种方法不仅大幅提高了分类效率,且实现了废钢定级的标准化和一致性。

Cu-Fe 合金具有优良的性能,且Fe含量的升高还能降低成本,但高Fe含量的Cu-Fe合金在常温下属于难变形材料,利用温轧可以提高其可加工性。与冷轧不同的是,温轧时合金会发生一定宽展,这会影响加工时产品尺寸精度的控制。因此,本研究针对Cu-Fe合金,通过实验研究在不同温轧工艺下,张力、压下率和温度等因素对一定尺寸的Cu-Fe合金板材宽展的影响,开发出适用于Cu-Fe合金薄带温轧过程的宽展数学模型。结果表明,温轧过程中张力对宽展影响很小,压下率和温度的增加都会导致宽展增大,但温度的作用要大于压下率;在巴赫契诺夫宽展公式基础上进行了优化,获得了应用于Cu-Fe合金板材试样温轧的宽展模型。通过在液压张力温轧机上进行试验验证,模型误差很小,精度范围在±10%以内,因此宽展模型可以用于温轧过程Cu-Fe合金板带宽展的预测。

热轧高强双相钢卷取成卷后,带钢头尾位于钢卷内外圈,冷却速率大于带钢中部,头尾性能不满足工艺要求,产品切损率较高。为提高高强钢产品成材率,多采用U型冷却控制策略。U型冷却研发初期,数学模型不具备高强钢生产中多品种、多工艺的U冷设定需要及卷取温度控制不精确。结合生产中存在的难题,对卷取温度控制模型(coiling temperature control,CTC)进行升级,增加单钢种的设定功能,开发过渡段温度补偿功能,由此解决了高强钢头尾性能不合格等问题,实现了热轧高强双相钢高效、低成本生产。

钢坯表面温度是钢铁生产中的重要检测参数,要求温度测量值准确且基准统一,然而测量结果不准确和无法溯源的问题始终没有根本解决。本文首先提出基于辐射切换的表面温度精确测量方法,通过运动管的位置转换得到固有辐射和多重反射辐射,结合双波长方法同时测量表面温度和发射率,消除发射率不确定的影响,并研制精确测温仪。针对温度量值无法溯源至国际温标的问题,分析辐射温度计在标定和测量中的矛盾条件,提出构建理想平面的方法,在测量平面上满足标定中的黑体条件和热平衡条件,使表面温度测量值能够追溯到实验室标准;搭建溯源平台并进行实验验证。实验结果表明,研制的精确测温仪在600~ 1 000 ℃的平均测量误差为2.36℃,测量结果能够追溯至国际温标,溯源标准不确定度为0.75℃。