随着“双碳冶政策的推进,对钢铁行业中主要能源消耗环节———高炉炼铁过程提出了更高的要求。实现高炉炼铁过程的关键指标智能感知、炉况诊断以及操作参数的合理优化控制,对推动高炉炼铁过程的安全、绿色低碳发展具有重要意义。首先,以高炉关键状态指标智能感知与预测作为切入点,从煤气利用率、铁水硅含量、透气性指数3 个关键指标的感知与预测方法进行综述。其次,从专家系统以及数据驱动2 个层面对高炉炉况监测与诊断的研究现状进行分析。然后,从专家系统与专家经验提取、多目标优化以及数据驱动预测控制3 个角度综述了高炉操作参数优化及控制的研究进展。最后,通过分析各类模型、算法的优缺点,提出了当前高炉智能感知、炉况诊断以及操作优化当前面临的挑战与发展方向。

无缝钢管表面介质的干扰以及人工检查漏检率高,造成钢管表面缺陷检测准确率不能满足在线检测的要求。二维相机检测的成像景深不够、成像灰度不均导致缺陷识别率低、缺陷误检、漏检等问题。因此提出3D 点云的钢管外表面检测系统,解决成像景深小、缺陷识别率低和钢管表面存在干扰缺陷的问题。将深度学习算法和3D 尺寸测量技术应用到无缝钢管的缺陷检测上,使用该套缺陷检测系统实现对缺陷尺寸的量化,更准确地检测出缺陷。本系统现场缺陷识别率可达90% 以上,且检测速度快。此外,本系统具备周期缺陷报警、钢管表面缺陷统计报表打印、缺陷分级等多种功能,使表面缺陷检测系统多功能化及智能化,对减少人工劳动强度及提高无缝钢管质量具有积极意义。

针对钢铁生产中烧结配料过程,由于铁矿粉价格波动较大、烧结原料信息复杂以及烧结配矿受到多种因素影响,应用传统遗传算法(genetic algorithm,GA)进行配料优化容易陷入局部最优。为解决这一问题,本研究提出了一种改进GA 的数学模型,旨在优化烧结配矿过程,以应对这些影响对烧结配料成本的挑战。该模型可以根据具体问题环境来自动调整操作过程中算子的大小,有效避免了传统GA 过早收敛的问题,确保算法在优化烧结建模时最终输出全局最优解。系统以铁矿粉为出发点,采用Python、MySQL 和PyQt5 等相关技术手段构建铁前一体化烧结配矿模型,通过对后端数据的分析处理最终形成烧结优化配矿方案。

针对炼钢大规模批量化生产与后工序多流向对品种规格多样性需求的矛盾,研究了炼钢流向平衡问题,提出了基于智能决策的计划优化方法,以提升全流程生产的连续性和稳定性。分析了流向平衡问题的工艺规则和优化指标,建立了精准描述问题结构的混合整数规划模型。为实现大规模问题的高效求解,提出了改进禁忌搜索算法,设计了避免算法陷入局部最优的多种邻域结构和扰动因子。对不同规模的实际算例进行了数值试验,结果显示,所提出的改进禁忌搜索算法在解的质量和收敛性方面较标准求解器CPLEX 和常规禁忌搜索算法有显著性改进,且优于人工经验决策方法,能够基本满足流向平衡智能决策的需求。

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。

针对球团矿生产过程中,球团粒度难以精确把控、生产方式较为落后等特点,提出了一种基于水流量目标的圆盘造球自动控制系统。首先,依托图像识别算法从实际生产过程中的球团图像里提取出球团的粒径大小、分布和个数等基本信息。然后,系统对接收到的球团信息进行分析计算,得到当前球团的生产状态与粒径变化趋势。最后,系统以球团粒径变化趋势和生产状态为参数确立水流量目标设定值,并且根据球团生产状态适当修改阀门开度调整周期以适应生产。系统实际运用于国内某钢铁厂圆盘造球机的控制,实践结果表明,在平均粒度与目标粒度的差值方面,自动控制模式相较于传统人工控制模式减少了32. 54% 的误差;在不同造球工况下,提出的控制系统在实际生产过程中水流量波动稳定,对比人工控制模式,球团粒度均方根误差减少了6. 59% ,具有良好的稳定性。这对提升球团生产效率及合格率,降低人工劳动强度有积极作用。

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。

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。

稳定顺行的高炉炉况对提高铁水的产量和质量有着至关重要的作用,渣皮稳定性是表征炉况的重要指标,而冷却壁温度常用于衡量渣皮稳定性。为了利用冷却壁温度的动态特征预测炉况,本文提出了一种基于冷却壁温度信息粒度分析的炉况智能预测方法。首先,采用斯皮尔曼相关性分析方法,选择与冷却壁温度波动相关性较大的参数。然后,针对选取的参数,利用信息粒化方法进行动态特征提取,构成信息粒。再次,利用相应参数的信息粒作为输入,建立基于支持向量回归的冷却壁温度信息粒预测模型,预测冷却壁温度信息粒。最后,结合炉况预测方法,分析预测的冷却壁温度信息粒完成炉况预测。利用实际钢铁企业数据进行的实验表明,所提方法能有效预测冷却壁温度信息粒与高炉炉况,为操作人员制定合理的布料策略提供了有力指导。

为解决高炉铁水温度传统单一预测模型存在的模型精度不高、鲁棒性差等难题,提出了一种融合改进的自适应噪声完备集合经验模态分解(intrinsic computing expressive empirical mode decomposition with adaptive noise,ICEEMDAN)、核主成分分析(kernel principal component analysis,KPCA)和相关向量机(relevance vector machine,RVM)的组合模型来精准和稳定预测铁水温度。首先,利用ICEEMDAN 对铁水温度时间序列进行分解,以获取若干本征模态函数。然后,利用KPCA 对钢铁生产过程中的多维关键变量进行降维处理,提取关键变量的主要特征。最后,利用RVM 对降维后的变量分别预测铁水温度时间序列,得到铁水温度的累加预测结果。结果表明,相较于传统的自适应噪声完备集合经验模态分解模型(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN),新模型的均方根误差(root mean square error,RMSE) 减少了13.0% ,训练速度提升了10. 9% ,能够更好地理解铁水温度的动态变化规律;相较于单一的RVM 等传统模型,新模型的平均绝对误差(mean absolute error,MAE)减少了2. 47,训练时间缩短了0. 463 s,具有模型精度更高和速度更快的优势。因此,新模型为高炉温度实时调控提供了理论支持,对保证高炉冶炼稳定性、实施冶
金过程智能化具有实际意义。

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。

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。

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。

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。

热轧产品质量终判在制造执行系统(manufacturing execution system,MES)中进行,采用取样方式进行检验,难以满足客户对生产过程把控的需求。为了将过程参数对产品质量的影响准确表征出来,本文提供质量过程判定与评级方法,在传统基于人工经验规则判定的基础上,加入了去头尾规则,并对判定结果进行分项评级后再综合评级。现场实际应用中,对比之前单一基于人工经验规则判定方法,该方法为MES 质量终判提供了更全面、精细、精准的数据支撑,降低了质量缺陷卷的流出率,提高了客户满意度,提升了企业竞争力。

传统热连轧生产过程中,由于带钢急剧氧化现象存在,常导致精轧入口测温受带钢表面氧化铁皮遮挡与干扰出现较大测量偏差,进而成为扰动轧制参数计算设定与模型自学习调控的重要影响因素。基于机器学习神经元网络建立精轧入口温度预测模型,融合极差分析方法确定数据特征,依据机理与设备条件筛选数据,通过预测带钢粗轧出口温度,融合机理模型温降计算后得到精轧温度预测值,以修正带钢表面氧化铁皮带来的精轧入口温度测量扰动。通过连续生产数据分析比较,其温度偏差由±9. 15 ℃下降至±5. 33 ℃。模型评估指标R² 由0. 41 提升至0. 84。针对带钢测量温度出现急剧降幅实例,样本精轧测温处方差均值由48.45 下降至11. 02。经性能评估后认为预测模型精度较高,泛化性较强。

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。

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。

中厚板热轧生产是典型的流程工业,依次要经历连铸、加热、除鳞、轧制、冷却、卷取等工艺过程,因冷却过程钢板温度变化幅度大、速率快的特点,使得冷却过程对钢板组织性能的影响最大,其中终冷温度是冷却过程的一项关键控制参数。为了提高终冷温度预测的精度,基于LightGBM(light gradient boosting machine)模型对终冷温度进行回归预测。以坯料尺寸、化学成分和上下游工艺参数作为模型的输入,终冷温度作为模型的输出,使用贝叶斯优化方法完成模型超参数调优;此外,使用Shapley 加性解释(Shapley additive explanation,SHAP)方法检验输入参数对预测参数的影响程度。结果表明,贝叶斯优化LightGBM(BO鄄LightGBM)模型在训练集和测试集上均实现了较低的误差,95% 的预测数据绝对误差控制在±10 ℃以内,相较其他集成学习模型,耗时最多减少了97% ,同时提高了对中厚板热轧工艺流程温度的预测精度和预测效率。

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。

皮带输送机是焦直送高炉系统最重要的设备之一,皮带输送机设备发生故障不仅会影响产量,严重时还引发安全事故。为了及时发现皮带输送机系统的异常,设计了一套皮带输送机故障监测系统,用于实时监测皮带机的电机、减速机、重锤改向轮轴承、尾轮轴承等关键部位的故障状态。硬件架构设计解决了星型布局的皮带输送机监测点分布广、测点多、距离远等难点,其中传感器的压电集成电路(integrated electronics piezo-electric,IEPE)接口能有效降低布线成本,并提升信号传输距离及可靠性。软件层面创新性地采用了先经
过变分模态分解(variational mode decomposition,VMD)对原始训练数据进行特征分解,再对神经网络进行训练的方法。试验结果表明,在未增加神经网络复杂度的前提下,软件判断正确率由96. 5% 提升至99. 3% ,漏判率由3. 5% 降低至0. 7% ,同时训练误差能够快速收敛,提升效果明显。

随着钢铁工业向自动化、智能化转型工作的深入开展,基于机器视觉的智能装备系统以成本低、精度高、稳定可靠的突出优势获得广泛应用。 依托于在工业现场的大量实践,本文研究设计了一款钢铁工业智能装备软件平台,采用分层结构,搭建底层库、开发模板、通讯协议、指令集合等作为基础支撑,并提供智能装备系统中必备的软件功能模块,用于辅助快速构造新型应用。 平台模块涉及数据采集、存储、图像算法处理、操作设备控制、数据展示和故障诊断的综合流程,充分考虑工业场景中对智能装备的结构需求和功能支持。 通过该软件平台能够大大降低特定智能装备应用的开发时间,可以在保证系统稳定的前提下满足应用落地的需求。

可逆冷带轧机是生产带钢产品的专用设备,维持其张力恒定,保证其轧制速度稳态精度是解决带钢板形板厚品质问题的有效手段。为了提高冷带轧机速度张力系统的跟踪控制精度,提出了一种基于扩张状态观测器(extended state observers,ESOs)的固定时间预设性能控制方法。构造ESOs 对系统的非匹配不确定项进行观测,并将观测值引入到控制器中进行补偿,有效提高了系统的跟踪控制精度;基于预设性能函数法和固定时间控制理论完成冷带轧机速度张力系统控制器的设计,有效兼顾了系统的收敛速度、超调量和稳态精度等指标,并实现了冷带轧机系统状态在固定时间内收敛;最后,通过仿真对比研究,验证本文所提方法有效提高了系统的动、静态性能,并削弱了不确定项对系统的影响。

方坯裂纹敏感钢种在连铸过程中其角部容易出现裂纹,为了保证连续化生产与解决产品质量问题,建立了铸坯的数字化模型及质量分析算法,形成了一套可靠高效的分析系统。系统通过在线采集高频时序数据与质量数据实现米级跟踪落位,动态地计算工艺变量的稳定性,基于随机森林(random forest,RF)和费舍尔线性判别(Fisher忆s linear discriminant analysis,FDA)开发改进的自组织映射算法(self organizing map,SOM),通过变量筛选降维与稳定性判据建立因子模型,实现高维数据压缩的同时保留其空间拓扑结构并投影至二维
平面进行可视化,实现角裂风险计算与工艺生产路径的动态跟踪,模型预测的准确率保持在90% 以上,实现了工艺优化与在线监控。系统自投用以来,典型钢种的角裂发生率由35. 3% 下降至8. 3%。

钢铁制造流程复杂多变、多工序、多约束、非线性耦合,各单元异质异构,难以对其进行数学描述和求解。 基于多智能体技术,将各种工艺规则转化为智能体的行为约束,构建了钢铁制造流程多层级网络化智能体动态仿真模型,通过智能体之间的连接、协作、反馈和协调,涌现性呈现不同生产状态下单元工序之间、单元工序与流程之间非线性相互作用形成的自组织行为特征。 运行时间的仿真精度在10min以内的命中率不小于95%,为制定流程运行机制、验证流程优化规则、各工序协同调度提供了定量解析、迭代寻优的新方法。

加热炉炉温预测可以确保在正常生产过程中炉温和钢坯温度的稳定性,降低能耗,这对于提高生产效率和优化能源利用具有重要意义。针对加热炉炉温控制耦合参数众多,温度控制受到各种干扰因素的影响,其变化具有复杂的非线性特征,且响应速度较慢、惯性较大的问题,采用加热炉系统的历史生产数据,结合投影小波变换加权孪生支持向量机(projection wavelet weighted twin support vector regression,PWWTSVR)构建了预测加热炉炉温的模型。在建立预测模型的过程中,根据从某钢厂采集到的实际生产数据,将950 组数据作为模型的训练数据,将50 组数据用来测试模型的准确性。结果表明,在依0. 25 益的误差容限内,PWWTSVR模型的预测准确率达到98% ,优于反向神经网络(back propagation,BP)模型和孪生支持向量机(twin support vector regression,TSVR)模型,因此提出的加热炉炉温预测模型能够更准确地预测加热炉的温度变化,便于决策者决策。

针对热轧带钢的厚度数学模型耦合性强、精度低等问题,提出了一种带钢在线厚度预测算法。 首先使 用轧制数据,利用轻量级的梯度提升机(light gradient boosting machine,LightGBM)算法建立在线厚度预测模 型;然后采用改进蝙蝠优化算法(improved bat algorithm,IBA)改善 LightGBM 的模型参数,并通过自学习系统 优化结果;最后对比预测结果和真实厚度,验证预测模型准确性。 实验结果表明,IBA-LightGBM模型能够快 速高精度在线预测带钢厚度,在预测2mm、3mm、4mm和5.65mm规格的带钢时,均方根误差ERMS (rootmean square error,RMSE)可以分别控制在11.0 μm、11.5 μm、11.6 μm 和16.4 μm 以内。 结果可改善热轧带钢的厚 度数学模型的精度,提高厚度控制系统的水平。

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。

钢铁企业炼钢-连铸流程的生产调度问题具有多路径、多干扰、多约束、多目标等特征,传统的方法难以适应复杂多变的现场环境。本文对炼钢调度的规则进行了归纳总结,并提出一种与之相适应的基于多智能体技术的仿真优化建模方法。该方法是把复杂的钢铁生产流程抽象为一个多智能体系统,对复杂物流系统进行仿真建模与优化,可充分反映工艺过程细节、时间要求及工艺约束,解决了炼钢厂智能排产及动态调度问题。

连铸是钢铁制造流程的中心环节,连铸坯质量直接决定着钢铁产品生产效率与质量。 钢铁制造过程中,在线预报铸坯质量缺陷产生与消失位置,及时追溯缺陷形成原因,对提升铸坯品质、稳定流程工序衔接、 降低生产成本等具有重要作用。 针对连铸生产过程的特点,以铸坯表面夹渣缺陷为突破口,基于连铸工艺原理及河钢乐亭钢铁全流程连续化程度分析数据平台,应用信息通信技术、计算机技术及大数据挖掘技术,研发了连铸坯质量分析与监控系统,实现了铸坯质量数据匹配与集成、铸坯质量缺陷预报及追溯等功能。 系统已在河钢乐亭钢铁板坯连铸机上线应用,铸坯表面夹渣缺陷的预报准确率为99.95%、误报率为0.02%、漏报率为35.41%。 连铸坯质量分析与监控系统成功在线应用,推进了河钢乐亭钢铁智能制造转型升级。

在钢铁行业数字化转型的发展趋势下,创新数据管理工作模式,面向数据产生、流转、处理、应用全生命周期进行纵深管理,推进主题式数据治理。 依托先进的自动化、信息化技术,实现了各级系统及智能单体设备间的互联互通,充分利用“数据驱动+平台支撑冶,构建全新生产制造和服务体系。 深入探究数据治理、大数据分析与利用的有效途径,通过“数据互联互通、数据治理、数据应用冶的“三步走冶,实现对公司数以万计信息的有效应用,实现数据资源到资产的转换。打通数据关系网形成企业数据资产,真正意义上地实现将系统中“数据流冶向企业发展“价值流冶的转化,通过主题式数据治理提升公司精益化运营管控、分析决策过程的智能化水平。

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。 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。

烧结是高炉炼铁的重要工序之一,使用智能化技术准确预测烧结过程中状态、质量等参数控制烧结过程,对于降低生产成本、优化烧结过程以及提高生产安全性至关重要。首先剖析了大数据平台在烧结参数预测技术中的作用,其次从烧结终点位置预测、烧结料层透气性预测、烧结终点温度预测、FeO含量预测、转鼓强度预测、点火温度预测、风箱阀门开度预测以及经济技术指标预测等方面对比分析了智能化技术在烧结生产过程中的应用情况,并重点分析了FeO含量预测从人工观察法到数学模型法再到人工智能法的发展历程,揭示了基于大数据的智能烧结预测技术的发展状况以及演变规律。 另外,对智能烧结预测技术在烧结生产预测上的不足以及发展趋势进行了探讨。

为解决目前广泛存在的热连轧精轧换辊后首卷带钢头部厚度偏差过大的问题,提出了一种基于方差选择、互信息、L1/2 正则化结合专家经验的混合式特征选择方法,对国内某1700热连轧厂换辊首卷带钢历史生产数据进行特征选择,并将特征选择结果作为基于遗传算法改进BP(genetic algorithm-back propagation,GABP)神经网络的精轧换辊后首卷带钢头部厚度偏差预测模型的训练集。 对模型进行一系列实验,以平均绝对百分比误差(mean absolute percentage error,MAPE)、均方误差(mean square error,MSE)、决定系数(R2)等指标作为模型评价标准。结果表明,本文提出的混合特征选择方法相较于传统数学特征选择方法对于模型训练后的预测精度有显著提高。通过在某钢厂主要产品的不同钢种和不同厚度区间的数据样本上测试,验证了模型具有较高的预测精度,具有一定的泛化性。 该方法在生产实践中具有很好的应用前景。

随着互联网、物联网技术的发展,计算机技术、通讯技术、GPS等信息技术广泛应用于物流管理领域,提高运输企业的运营管理水平成为大势所趋。在物流集中管控平台建设中,利用互联网和物联网技术,实现专门为运输/配送企业提供的全面信息化解决方案,可查看运输管理、车队管理、财务管理、客户管理等统计数据,有效提高运输的规范化、透明化、安全化运营效率。 智慧物流为企业决策提供重要依据,有效实现了精准 运输,减少了运输成本并提升了用户体验,使物流管理有了质的飞跃,创造了较大的经济效益。

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。

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。

随着制造业的高速发展,数据汇聚困难、缺乏统一表示、集成难度大等数据管理问题降低了工业过程数据利用率,使企业难以对数据进行有效分析。针对以上问题,设计了轧钢过程全生命周期数据空间平台,提出了描述轧钢过程元数据的六维数据模型,通过构建轧钢过程元数据模型,完成数据实体关联网络模型,实现多源异构数据的转换、存储、管理、查询以及分析等任务。 通过获取的带钢热连轧过程数据进行数据分析, 确定轧制过程元数据的类,在数据统一建模技术基础上提出六维数据模型,依据类与数据之间的关系,构建 轧制过程元数据结构模型;根据数据关系及相关属性构建本体模型,完成数据实体关联网络模型;通过数据血缘分析,基于元数据追踪数据流程、数据存储、数据加工和展示等各个环节的信息,并实现数据溯源和数据查询;最后构建轧制过程数据关系及属性的知识图谱,方便用户更直观便捷地查询数据空间中各实体关联关系,并对数据库中的各类元数据进行管理,完成轧制过程数据空间构建。