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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

通过对高炉底滤法水渣工艺功能需求和桥式行车抓斗结构的分析,提出抓渣智能行车控制系统。该系统采用大小车及抓斗自动定位、变频调速控制、抓斗防摇摆、无线网络通讯、视频监控、知识学习算法等技术, 实现行车的智能抓渣作业。 根据工艺需求划分过滤池的网格,采用高效抓渣策略,自动控制行车抓斗完成抓、卸渣作业。 智能行车控制系统在多座高炉底滤法水渣工艺中的实际应用效果表明,智能抓渣行车控制系统作业率大于99%,较人工抓渣效率提高32.5%,减编人员66.7%,检修周期提高一倍。

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。

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。

高炉悬料是高炉冶炼期间极易发生的炉况失常现象之一。 由于实际生产中悬料诊断主要依赖于操作人员的经验,个人主观性较强且传继性较差,容易出现误判而导致炉况的大幅度波动。随着计算机技术发展,数据驱动的过程监测理论逐渐成熟,基于机器学习的故障诊断被广泛应用于复杂工业生产中并取得了良好的诊断效果,因此,本研究通过分析悬料现象及形成原因,基于专家经验对初始特征集进行数据清洗;利用递归特征消除算法(recursive feature elimination,RFE)筛选有效变量并确定其重要性;依据选择的关键指标建立梯度提升决策树(gradient boosting decision tree,GBDT)进行实时悬料诊断。结果表明,采用集成学习投票机制融合GBDT分类结果准确率超过90%,呈现出较强的鲁棒性,诊断模型在精度和计算效率方面均表现出色。 基于诊断模型进行智能诊断系统功能应用开发,能辅助高炉操作人员对悬料发生进行实时监测,从而保证高炉的稳定顺行。

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。

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。

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。

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。

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。

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。

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。

在冶金工艺没有显著革新的前提下,直接对物质流和能量流进行优化面临瓶颈。 而随着智能化大数据 的迅猛发展,通过智能信息系统的开发,对钢铁生产的信息流、控制流进行优化,实现流程再造,特别是通过控制流的改变可以影响到跨岗位、跨机组、跨作业区甚至跨厂部的融合与优化。 在智能信息系统与流程再造的共同作用下,建立了“智慧决策-智慧操控-智慧作业冶的三级技术架构,是新一代智慧制造技术体系人信息-物理系统(human-cyber-physical systems,HCPS)架构在钢铁行业的实践落地,确保了整个钢铁生产的智能化、精细化,提高了效率,降低了人工劳动强度,提升了本质化安全。所形成的钢铁智能制造整体解决方案在钢铁企业中进行实际应用,作业区数量精简60%,操作岗位精简40%,高炉生产焦比降低25kg/t,煤比提高24 kg/t,产量提高2.2%,实现了通过信息流、控制流的优化反向优化物质流和能量流,构建了钢铁智能制造的新模式。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。