无人天车控制需要解决运行速度与防摇摆之间的矛盾,从而在保障安全运行下提升天车运行效率。本文提出了一种基于多运行状态下人工经验进行控制器参数切换的冶金无人天车防摇全程速度控制方法。该方法首先规划防摇摆前提下的大小车联动天车全程速度控制,然后根据不同运行状态下的人工天车操作经验切换控制器PID参数以优化天车防摇摆控制,总体形成对无人天车的前馈-反馈混合控制。仿真实验表明,相比人工操作常用的大小车联动控制,该控制方法整体运行时间大幅度缩短24.9%;现场实验显示,最大摇摆角度控制0.45°~0.85°以内,定位精度控制在10mm以内,相关指标在国内同类场景下处于领先地位。目前该方法在国内某钢厂已实现工程应用与成果验证。

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。

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。

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，本文提出了一种基于自适应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。

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。

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。

铁矿石烧结是高炉炼铁的关键初步工序,其中烧结过程关键生产指标在线实时智能感知是实现烧结工艺绿色、低耗、高效发展的关键技术之一。然而,一方面,传统的烧结生产指标(如FeO含量)测定方法存在高耗时,难以满足实时控制的需求;另一方面,烧结过程数据具有非线性、多源异构性和时滞性,对提高建模精度提出了很大的挑战。为此,本文提出了一种面向烧结工业的多源异构数据融合与实时感知技术。本研究 采用多源异构信息融合方法,针对红外热像仪采集到的烧结机截面图像数据,通过专家知识和基于离散余弦变换(discrete cosine transform,DCT)的 FcaNet 模型分别提取浅层和深层特征,实现了特征级和数据级融合。在预测任务中将二维卷积块作用在时序数据上,使用FcaBlock作为特征提取的卷积块,有效提取了时序数据的频率分量信息。在真实炼钢厂的铁矿石烧结数据集上,本模型的预测精度和稳定性均优于现有模型,显著 提高了对烧结过程关键质量指标的在线实时感知能力。

为了实现更加精准地计算合金加入量,采用了基于遗传算法(genetic algorithm,GA)优化BP神经网络的综合算法。在BP神经网络训练过程中,将精炼开始钢水成分作为BP神经网络模型的输入参数,再利用GA算法的适应度函数对BP神经网络的权重和阈值进行优化和调整,预测LF的精炼终点钢液成分,通过对比BP神经网络算法和GA-BP神经网络算法的预测结果,发现GA-BP算法的平均绝对误差(mean absolute error, MAE)和均方误差((mean square error,MSE)更小,预测结果更准确且与实际钢液成分基本相符,表明此模型可用于生产。基于该GA-BP神经网络模型,根据LF精炼开始钢水成分和控制成分要求,确定合金加入量。通过在某钢厂140t钢包LF精炼系统部署预测模型并跟踪188炉数据,合金的实际加入量与模型预测加入量的差值在±30kg之内的炉次中,高锰合金的预测准确率为91.3%,高铬合金的预测准确率为90.4%,硅铁合金的预测准确率为90.2%,增碳剂的预测准确率为91%,可以指导实际精炼过程合金加入量的确定。

随着工业4.0和智能制造的快速发展,炼钢行业面临着转型升级的巨大机遇与挑战。炼钢智能化技术的应用,不仅提升了生产效率、优化了产品质量,还显著降低了能耗与环境污染,推动了钢铁行业向绿色、智能、可持续方向发展。文章综述了炼钢智能化的研究现状与未来发展趋势,重点分析了在电弧炉、转炉及精炼过程中,人工智能、大数据、物联网等先进技术的集成应用。详细阐述了炼钢智能化的关键技术,包括智能控制系统、数据采集与监控技术、机器学习算法、精炼过程优化等,并总结了各类智能化技术在提高钢水成分控制、冶炼过程精度、能源利用效率等方面的应用案例。此外,还探讨了炼钢智能化在实际应用中的挑战与瓶颈,如数据质量、系统集成、实时性和适应性问题。最后,展望了智能炼钢技术的未来发展方向,特别是在数字孪生、自动化控制、智能预测与优化等领域的潜力,旨在为钢铁行业的技术革新与智能化转型提供参考和指导。

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。

炼钢-连铸区段天车调度是典型的多机多任务约束问题,对各工序间物流的衔接、顺行及整个炼钢厂生产节奏的调控有重要意义。为提高天车运行效率,保证生产的稳定性,通过对炼钢-连铸区段工艺流程和天车作业调度中的约束条件进行分析,建立了一种时空约束下启发式算法的天车调度模型。设计分区规则、任务分配规则、避碰规则和状态更新规则来表征天车运行过程,模型以启发式方法求解,该方法能较好避免传统理论方法在大规模问题求解中的高计算复杂度。以某炼钢厂钢水跨的生产数据进行检验,结果表明,该模型能给出合理的调度方案,能有效避免天车运行过程中时空冲突。与实际生产调度方法相比,启发式算法模型下天车的各项性能均有所提高,天车的运行效率得到了提升,模型对实际生产有一定的指导意义。

全球工业4.0革命不断深化推动了智慧钢铁等计算密集型工业应用场景的发展。钢铁生产具备工艺繁 多、工序复杂、高温高压设备集中等特征,这需要对生产状态进行实时监测与分析以优化生产流程。由于各工序均为“黑箱冶,导致实时状态难以精准获取等难题。数字孪生(digital twin,DT)技术通过创建物理世界的虚拟映射,已广泛应用于辅助钢铁生产过程实现实时模拟、分析和透明化,进而促进生产效率和质量的提升。首先提出了基于DT的云边端工业网络的多层协作调度框架,为实现资源的高效管理和网络安全,从网络层深入分析DT赋能下的工业互联网(industrial Internet of things,IIoT)新型资源调度与网络安全关键技术难点并探讨现有技术方案;然后聚焦物理层与数据链路层讨论孪生数据使能的跨层资源调度策略研究现状。最后指出现有工作不足并展望DT赋能的智慧钢铁的资源管理发展趋势,为钢铁行业的数字化转型提供参考。

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。

针对钢铁连铸产线板坯检测精度低和速度慢等问题,提出了一种结合机器视觉、图像处理和深度学习的DMS-YOLOv8(YOLOv8 with depthwise separable convolution,multi-pooling,and SE (squeeze-and-excitation)- EMA(exponential moving average))算法。该算法通过构造基于反向残差和多尺度池化的深度可分离卷来替换标准卷积,减轻了冗余网络的负担,降低了内存使用,并提高了计算速度;通过混合注意力机制SE-EMA使模型在处理输入数据时可以有选择地关注和加权不同部分的信息,提高了模型的表达能力;最后,通过在自制的板坯数据集及PASCAL VOC2012 数据集上进行对比分析及消融实验,验证了本文所提方法在实时运行工况下能有效提升板坯检测精度,并保证一定的快速性,为后续热轧流程的高效生产奠定了基础。

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。

鉴于当前钢铁产品质量要求的不断提高,为改善现场生产,减少因连铸结晶器内高频数据波动导致的保护渣缺陷的发生,针对连铸保护渣缺陷,提出一种基于多个机器学习模型的堆叠集成算法。首先,通过滑动窗口将从连铸结晶器中提取的高频特征数据分割成子序列,并从高频数据的波动模式中提取每个窗口中的重要特征。然后,将热轧表面检测仪识别出的保护渣缺陷位置与窗口位置相对应。最后,利用集成了多个学习模型的堆叠分类算法模型进行保护渣缺陷发生位置预测。对比实验结果表明,该集成算法效果优于各 单个学习模型及投票分类模型,且具有更好的泛化能力和整体预测性能。目前,基于多模型堆叠集成算法的连铸保护渣缺陷分析模型已在某热轧产线上线运行。上线后的预测结果与实际值的对比情况表明,该模型可预测保护渣缺陷及发生位置范围,提高保护渣缺陷分析效率,也为保护渣缺陷成因分析提供了新的思路与 方法。

针对高炉出铁前铁水产量未知导致铁水包难以高效中转与调度的问题,使用遗传算法优化的极度梯度 提升树(genetic algorithm optimized extreme gradient boosting,GA-XGBoost)算法构建并训练了铁水产量预测模型。经过测试与多模型对比,所提方法在多特征数据集的铁水产量预测问题中具有一定优势,在误差10t的范围内取得89.64%的预测准确率。首先修正了实验数据集的缺失值和异常值,在归一化后获得结构化的数据用于模型训练;然后,采用灰色关联分析方法筛选了铁水产量的主要影响因素,并结合工艺原理去除冗余参数;最后确定15个特征变量用于构建模型的输入向量。同时,针对预测结果,采用沙普利值可加性解释 (Shapley additive explanations,SHAP)原理量化了不同操作参数对铁水产量的贡献程度,为高炉的参数调控工作提供数据支持。本研究实现了基于炉次特征的铁水产量预测任务,不仅有利于更高效的高炉调控以促进 铁水产量的提高,同时结合预测结果,工作人员可以提前部署铁水包的运输路线,减少铁水包的热量耗散,进一步实现高炉冶炼的降本增效。

钢板凸度作为评价中厚板板形质量的关键指标,是决定钢厂市场竞争力的重要因素之一。随着计算机技术的发展,智能化控制逐渐成为钢铁行业发展的核心着力点,但目前应用于预测中厚板凸度的人工智能方法在解释性等方面仍有待提高,难以有效指导生产工艺的优化,限制了其在实际生产中的效能。针对上述问题,提出了一种基于数据挖掘与多模型融合的中厚板凸度预测方法,首先对轧制过程数据进行降维投影,解决了轧制生产数据中存在的多源异构问题;其次采用“自助法(Bootstrap)冶改进“合成少数类过采样技术( syn- thetic minority oversampling technique,SMOTE) 冶对数据集进行扩充,削弱了数据不平衡性,处理了因数据不平衡导致的模型学习性能和精度较低等问题;进而提出以岭回归为主值,叠加神经网络模型预测偏差值的整合模型。与生产实测数据的对比结果表明,该模型预测均方误差(mean square error,MSE)为0.004mm2,预测绝对误差在100以内的比例超过95%。通过多模型融合,实现中厚板板凸度的高精度预测,通过推导凸度公式,得到各特征参数变化对中厚板凸度的定量影响程度,使得模型能够反映并有效指导实际生产,弥补了传统复杂神经网络解释性不足等问题,为中厚板凸度控制等领域的研究提供了新思路。

天车作为炼钢-连铸区段衔接上下游工序的重要运输工具和辅助作业的核心执行设备,其调度水平直接影响炼钢-连铸区段的物流运输效率及生产节奏。本文介绍了我国炼钢-连铸区段天车调度的研究现状及进展。首先,介绍并分析了炼钢-连铸区段天车调度的特点及存在的问题;然后,总结了炼钢-连铸区段天车调度的研究方法及优缺点;最后,对目前开发的炼钢-连铸区段的天车调度管理系统进行了介绍和归纳,为进一步实现炼钢-连铸区段天车调度任务流程的数字化管理和智能化运行,提高炼钢-连铸区段生产与调度一体化水平提供了研究思路与理论指导。

铸—轧界面的衔接与调度是影响钢铁企业生产效率和经济效益的重要因素。针对某钢铁企业连铸—热轧生产现场,本文构建了一个基于多智能体技术的铸—轧界面仿真系统模型,通过设计各类智能体的作用、任务以及智能体之间的协同交互机制,对现场完整的生产及运输流程进行仿真。通过多智能体模型对多种不同的生产节奏进行仿真分析,并针对板坯生产线上不同连铸生产节奏与热轧生产节奏衔接的精准匹配进行了深入研究,仿真结果表明,该仿真模型能够准确反映实际生产过程,验证了仿真模型的有效性。根据仿真计算,随着连铸机不同流之间出坯间隔时间的增加,热装钢坯在横移小车运输过程中的输送时间与钢坯总输送时间呈现出先降后升的趋势,并在连铸机之间出坯间隔时间为2min时达到最低;在全热装生产时,随着连铸机拉速的增加,钢坯平均的总输送时间增加,轧程总生产时间缩短,平均加热时间先增加,在拉速超过1.9m/min后逐渐降低。经过优化,单个轧程钢坯平均加热时间降低到优化前的95.7%,平均总输送时间降低到优化前的68.2%。

针对现有连铸坯碳含量检测方法的不足,前人基于低倍组织图像灰度与碳含量的对应关系尝试建立了高碳钢连铸坯碳含量预测指数函数模型,但对于碳偏析程度更加难以表征的低碳钢还尚未研究。低碳钢局部区域偏析程度明显,最大偏析指数大于3.0,故有必要展开碳含量高效表征研究。选取典型低碳钢连铸坯试样,首先建立基于低倍组织图像灰度的碳含量预测指数函数模型,函数拟合结果R² 系数为0.62,平均相对误差(average relative deviation,ARD)为 29. 7%。 然后,建立了基于低倍组织图像颜色参数的碳含量预测神经网络模型,训练结果ARD为19.5%。最后,结合神经网络模型和指数函数模型预测结果特点,构建了碳含量预测综合模型,测试集数据的ARD得到了进一步降低,为14.27%。 同时,预测结果平均值与电子探针检测结果平均值的相对偏差为3.43%,与常用的碳含量检测方法相比,误差已基本达到相同的数量级,部分预测结果误差已低于常用检测方法。由于低倍组织图像及其颜色信息获取过程操作简单、成本低、像素尺度可处于微米级且获取范围可针对整个连铸坯断面或大区域范围,故本模型可为类似钢种连铸坯中碳元素偏析状况精细自动检测和评级以及数字化智能分析提供参考。

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。

以某工厂1580mm热连轧生产线为实验依托,针对传统的厚度模型不能准确反映实际厚度的问题,提出了一种改进的随机配置网络( stochastic configuration network,SCN)的带钢厚度预测模型。首先,从轧制机理的角度出发,分析了热连轧带钢产品存在厚度波动的原因。然后,在原始的SCN基础上,提出了基于猎食优化算法的随机配置网络( stochastic configuration network based on hunting prey optimization algorithm,HPO-SCN) , 以及基于猎食优化算法和正交三角分解的随机配置网络( stochastic configuration network based on hunting prey optimization algorithm and orthogonal triangular decomposition,HPO-QR-SCN) 。 最后,利用现场测量装置,收集3种不同厚度规格带钢产品的参数,形成板带厚度数据库,筛选与出口厚度有关的参量作为模型的输入值,并采用Pauta法则对原始轧制数据进行预处理,建立了SCN、HPO-SCN以及HPO-QR-SCN预测模型,并对其预测结果进行比较。实验结果表明,所提出的HPO-QR-SCN厚度预测模型预测时间最短、精度最高,其模型决定系数达到0.9638。同时,基于预测效果最好的模型,测试了轧制力和辊缝对带钢出口厚度的影响,其结果符合实际物理规律;并测试了模型的渐近性,其均方根误差ERMS ( root mean square error,RMSE)为0.0598,近似性能良好。

提出了一种基于轻质圆柱异形标靶的统一多台线激光相机坐标系与转轴坐标系的方法,旨在实现对异形工件的高精度尺寸测量。通过结合3台线激光相机采集数据和圆柱异形标靶的尺寸先验信息,建立了一系列以线激光相机姿态为变量的非线性方程组。通过应用RANSAC和非线性最小二乘算法来求解方程组,从而得到线激光相机的姿态,并进行了实际测量验证。研究结果表明,该方法的标定精度达到0.043mm,对于测量直径为760mm的火车轮的精度达到0.27mm,百分比精度达到了0.036%。这一标定方法为异形工件旋转测量领域提供了新的思路。

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。

随着计算机技术的蓬勃发展，AI及大模型在钢铁工业的应用成为推动产业智能化转型的关键力量。主要针对大模型在钢铁工业的应用展开，首先，总结工业大模型的构建方式及典型应用领域；其次，阐述钢铁工业的特点，总结钢铁工业大模型的相关技术；最后，对于大模型的应用场景展开讨论，突出大模型在钢铁生产流程上的典型应用场景，如感知类任务及认知类任务突破。未来钢铁工业有望将大模型深度应用于新产品、新体系开发，以及提供综合决策支持，实现对钢铁企业的能源、原料调度及钢铁全流程监测等应用，推动钢铁工业实现高端化、智能化、绿色化发展，提供数字化发展的新思路。

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

连退是生产高附加值冷轧产品的关键工序,在不同的连退产线上合理地分配产品并确定最佳加工顺序不仅关系到生产效率和产品质量,对保障产品准时交付也至关重要。针对并行连退产线排程问题,将工艺规程和生产组织要求定量描述为约束条件,建立以产品准时交付为目标的混合整数规划模型。为实现工业规模算例的快速高效求解,提出了改进的禁忌搜索算法,通过引入多种邻域结构并动态切换邻域以平衡搜索过程中的深度和广度。在小规模算例测试中,所提出的算法获得解与最优解的平均偏差为5.46%;在大规模算例测试中,所提出的算法获得的解比人工经验启发式解平均改进了24.95%。基于4周实际数据的测试结果显示,与人工排程相比,合同准时交付率提升了11.2%,过渡材使用次数减少了9.8次。

在烧结工业过程，烧结终点的准确预测对于控制烧结机的操作至关重要，因为它决定了烧结料的质量和能源的使用效率。但目前常见的烧结终点预测模型主要集中在单步预测上，且它们往往忽略了烧结过程数据的时空特性。针对烧结终点的多步预测任务需求以及过程数据的复杂时空特性，提出了一种基于编解码架构的烧结终点多步预测模型，其中的时空编码-任务解码架构通过堆叠时序卷积网络和空间注意力机制，有效提取烧结过程数据中的时空特征，同时采用任务特定的引导解码器，以独立单元的形式对应每一步预测。通过实际烧结工业过程案例，验证了所提方法的有效性。该研究可辅助操作人员提前获得关于烧结过程未来状态的信息，从而更加精确地调整操作参数，以减少因滞后性导致的质量波动和能源浪费，提高烧结矿的质量稳定性。

铸坯表面缺陷直接影响后续钢材质量和性能,对高温连铸坯进行表面在线检测对于控制铸坯表面质量和提高钢材质量非常重要。 本文介绍了开发的连铸坯表面缺陷检测系统,采用光学成像和图像识别方法,可以在线检测高温异形连铸坯表面缺陷。系统采用短波长的蓝色激光照明技术,并通过精密的窄带滤波方法, 采集高温异形坯表面高清图像。由于异形坯端面复杂、规格多样,系统采用两台高分辨率线阵CCD摄像机分别采集异形坯左右部分,并开发了一种适用于异形坯表面的图像拼接方法,对不同相机拍摄的图像进行拼接,形成异形坯表面完整图像。开发了基于YOLOv5的目标检测算法,融入注意力机制,增强模型的鲁棒性, 提高了异形连铸坯表面缺陷检测的准确率。检测模型对于常见的裂纹缺陷的mAP0.5指标达到95.8%,对于其他不常见缺陷的mAP0.5指标均达到80%以上。

为提高高强板矫平工艺的参数预测精度,以提升生产效率和产品质量,引入粒子群优化算法( particle swarm optimization,PSO) ,对BP神经网络的权重和偏置进行优化,构建了PSO-BP模型。通过对550组实际生产数据的训练和测试,结果表明,PSO-BP模型在预测精度上显著优于传统方法。在优化过程中,结合 Leven- berg-Marquardt(LM)算法与PSO算法,通过迭代更新粒子的位置和速度,系统性地寻找最佳的网络权重和阈值。这一方法有效克服了BP神经网络易陷入局部最优解及收敛速度缓慢的问题。实验结果显示,PSO-BP模型在测试集上的均方根误差( root mean square error,RMSE)和误差率分别提高了0.075和5.5%,表明该模型具备优异的适应性和可靠性,对工业生产中的参数优化具有重要的实际意义。

针对北京首钢股份有限公司连铸生产过程中存在的板坯赋号率偏低的问题,基于生产经验和板坯切割控制规则,开发了具备生产计划管理、切割跟踪与控制、坯号自动生成与打号控制、信息查询等功能的板坯连铸机智能切割系统。该系统重点应用中间坯和尾坯的切割优化,将“按炉生产冶模式转变为“按单生产冶模式, 更好地满足了多品种、小批量订单的生产要求。系统应用后,板坯赋号率由应用前的75%提高到99%以上, 这为企业订单兑现率的提升以及低碳生产的实现提供了技术支撑。

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。

随着工程机械制造行业的快速发展,钢板的热处理过程对板形要求越来越高。淬火过程是决定热处理板板形质量的关键环节,由于钢板在淬火过程中叠加了相变应力和热应力,淬火后的钢板容易产生板形缺陷,影响最终的成品板形质量,因此迫切需要一种能够识别钢板形状的方法,为钢板的淬火板形控制提供有意义的指导。为了解决形状识别问题,提出了一种基于注意力机制和轻量化的淬火过程形状识别神经网络。此外,对板形图像进行K-means处理,增强了缺陷表征的能力。将板形数据集用于模型性能测试,对比实验的结果表明,该轻量级网络模块比其他网络具有更高的识别精度均值和20~50ms的单次推理速度提升。

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%。

热轧自动厚度控制(automatic gauge control,AGC)系统中多采用压力AGC和监控AGC结合控制,在预设定偏差较大情况下,监控AGC由于调节快速性及自身滞后性特点,容易造成末机架辊缝调节幅度过大造成起浪现象。基于实际轧制工艺条件,弯辊控制、活套控制多因素下,提出一种基于多因素下的监控AGC控制方法。根据各机架相对压下率、弯辊力调节上下限、活套角度自适应区间、变监控比例调节范围以及监控AGC滞后偏差,构建精轧机组监控AGC控制方法。实际应用表明,该监控AGC控制策略取得了预期效果,带钢头部轧制快速性、稳定性增加,可以有效提高带钢整体厚度命中率。

在烧结工业过程,烧结终点的准确预测对于控制烧结机的操作至关重要,因为它决定了烧结料的质量和能源的使用效率。但目前常见的烧结终点预测模型主要集中在单步预测上,且它们往往忽略了烧结过程数据的时空特性。针对烧结终点的多步预测任务需求以及过程数据的复杂时空特性,提出了一种基于编解码架构的烧结终点多步预测模型,其中的时空编码—任务解码架构通过堆叠时序卷积网络和空间注意力机制,有效提取烧结过程数据中的时空特征,同时采用任务特定的引导解码器,以独立单元的形式对应每一步预测。通过实际烧结工业过程案例,验证了所提方法的有效性。该研究可辅助操作人员提前获得关于烧结过程未来状态的信息,从而更加精确地调整操作参数,以减少因滞后性导致的质量波动和能源浪费,提高烧结矿的质量稳定性。

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。

为避免厚度控制系统中死区设置不当导致轧辊偏心主动补偿效果减弱问题,设计了轧辊偏心主动补偿下轧制力动态死区方法。针对传统板带厚差死区的板带厚度控制系统,通过深入的理论分析与数学推导,系统剖析主动轧辊偏心补偿情况下板带厚差死区对厚度精度的影响。设计了能够跟随轧辊偏心状态变化的轧制力动态死区,给出了其3种工况应用下的工作原理,并结合理论推导,验证了其与轧辊偏心主动补偿共用时可进一步降低轧辊偏心对板厚偏差的影响。基于生产数据辨识的偏心模型开展仿真实验,结果表明,在带有轧辊偏心主动补偿的厚度控制系统中,设计的轧制力动态死区比不采用死区和采用板带厚差动态死区这两种情况可获得更好的板厚精度。

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。