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。

现代转炉炼钢流程中的铁水预处理脱硫工序可以提高去除杂质效率、减轻转炉吹炼负担、缩短冶炼时间,是冶炼品种钢和洁净钢的必要工序。铁水预处理过程发生复杂的高温物理化学反应,是一个黑箱过程,这导致冶炼过程的精准控制十分困难。建立精确的过程控制模型是实现铁水预处理过程精准控制的核心,对企业降低钢材生产成本,促进企业数字化、绿色化转型具有重要意义。本文综述了国内外研究者针对铁水预处理脱硫工序建立的机理模型、统计回归模型、专家系统和机器学习模型等各类模型的建模原理、特点与研究进展。基于模型的不同用途,分别围绕终点硫含量与脱硫率预测、工艺参数预测及优化和脱硫剂耗量与利用率预测,总结了铁水预处理脱硫模型的发展历程,并就其未来发展提出展望。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

Consteel电弧炉终点碳含量和温度的精准控制对于高质量钢水冶炼极为重要。基于某钢厂Consteel电弧炉冶炼过程实际生产数据,采用包括预测模型和超参数优化模型在内的多种机器学习模型进行建模,并通过对比不同模型预测结果,确定了基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)和梯度提升决策树算法(gradient boosting decision tree,GBDT)的Consteel电弧炉冶炼终点碳含量和温度预测模型。利用采集的数据进行验证,结果表明,本文所建模型具有不错的预测性能,可以对Consteel电弧炉冶炼终点碳含量与温度进行预测,从而为现场提供一定的生产指导。

铸坯是钢铁产品生产的原材料,铸坯的缺陷会导致最终钢铁产品的质量缺陷。针对现场采集的连铸生产过程低频数据和高频数据进行研究,提出了复杂流程工业数据的清洗方法以及高频工业数据特征提取方法。基于机器学习理论建立了分类与回归树(classification and regression tree,CART)、AdaBoost、随机森林(random forest,RF)和最优分类树(optimal classification tree,OCT)4种铸坯表面缺陷预测模型,并利用Relief和RF模型进行了特征选择。通过大量实验对比分析了不同模型的预测精度,结果表明,RF模型给出了最好的预测精度;通过实验找出了液相线温度、中间包(tundish,TD)下限温度、TD目标温度等对铸坯表面缺陷具有关键作用的10个参数特征。本文方法可以推广到其他场景的工业数据分析与建模,对于利用工业数据提升产品质量具有重要的参考价值。

在连铸过程中,结晶器液面的瞬时异常波动会对连铸坯质量造成不利影响,因此结晶器液位波动的控制是高品质钢连铸过程的关键一环。本研究收集了低碳钢、中碳钢、亚包晶钢和包晶钢的板坯连铸工艺数据,利用快速傅里叶变换(fast Fourier transform,FFT)和连续小波变换(continuous wavelet transform,CWT)分析数据特征,进而研究工艺参数对结晶器液位瞬时异常波动的影响。FFT分析结果表明,鼓肚对于结晶器液面瞬时异常波动并无明显影响。通过CWT分析了结晶器液位瞬时异常波动和塞棒位置的时频特性,结果表明,在不同钢种和拉速下,结晶器液位瞬时异常波动发生之前塞棒位置高频区CWT系数均呈线性增加趋势。因此,通过对塞棒位置高频区的CWT分析,可以预测结晶器液位瞬时异常波动。

钢包精炼炉(ladle furnace,LF)钢水硫含量预测对于精炼成品钢水成分的精准控制和产品质量的提升具有重要意义。针对LF机理复杂、多变量、非线性等特点,提出了一种基于自编码-反向传播神经网络(autoencoder-back propagation neural network,AE-BPNN)的LF钢水硫含量预测方法。首先,通过AE网络对数据降维和特征提取,消除噪声和缺失值的影响;然后,利用BPNN预测钢水硫含量。通过现场实际数据验证表明,所提出方法的均方根误差E_RMS(root mean square error,RMSE)达1.403,平均绝对误差E_MA(mean absolute error,MAE)达1.083,相关系数R²达0.824,具有良好的预测性能。

钢铁企业转炉煤气柜柜位的准确预测可为煤气系统调度提供重要依据,然而鉴于转炉煤气(Linz Donawitz gas,LDG)回收的冲击性,调度人员对柜位的超上限问题尤为关注。为此,依托大量系统运行数据,提出了一种基于代价敏感学习支持向量机(support vector machine,SVM)的转炉煤气柜柜位预测方法,可提高对柜位超上限情况的预报精度。该方法以LDG回收流量、LDG消耗流量等作为输入,以未来柜位值作为输出,利用KKT方程,将原约束条件转化为等式约束,对煤气柜位超限误报和未超限误报设定了不同的代价;最终通过最小化模型漏报误差,将原预测问题转化为一系列线性方程并求解。针对国内某钢铁厂数据的仿真实验结果表明,所提方法将LDG柜位超限状况的漏报率降低至0.16%,可为调度人员制定合理的调度策略提供更快速有效的指导。

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。

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。

转炉热损失率是影响物料消耗量预测精度的重要参数之一,利用某钢厂150 t转炉1 900炉次冶炼历史生产数据,在热损失率计算的基础上,采用机器学习算法实现了转炉热损失率的准确预测。预测结果表明,相比于支持向量回归(support vector regression,SVR)和随机森林(random forest,RF)算法,轻量级梯度提升机(light gradient boosting machine,LightGBM)算法的预测精度最高;考虑上炉次的影响,增加上炉次冶炼终点温度变量后,LightGBM算法的决定系数R²由0.89提高到0.93,在±0.005、±0.01范围内,热损失率预测命中率分别由85%、89%提高到90%、93%;另外,通过算法内部参数优化可进一步提高模型预测精度,对于LightGBM算法,决定系数R²和均方根误差E_RMS(root mean square error,RMSE)进一步分别达到了0.94、0.009,在±0.005、±0.01范围内热损失率预测命中率进一步分别提高到91%、94%。基于转炉冶炼历史数据,采用智能算法可以实现转炉热损失率预测,为转炉物料消耗预测提供支持。

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。

高炉破损调查工作对明晰炉内物相分布及炉衬侵蚀特征有着重要的意义,而计算机图像处理技术可以快速且低成本地获取破损调查样品的多种物相参数信息。基于国内某大型高炉的破损调查工作,结合Photoshop(PS)软件、Image-Pro Plus(IPP)软件、工业CT设备对炉缸残铁截面焦炭信息、渣铁焦三维结构、耐火材料破损程度进行定量化表征。首先介绍了图像的获取及二值化处理流程,并对死料柱空隙度的“像素占比计算法”及网格划分的趋势分布进行表征,同时通过检测死料柱渣铁焦的三维物相分布及体像素占比,验证了二维空隙度与三维空隙度的相关性。此外,在“等效圆计算焦炭粒度”的基础上引入修正系数C,降低了焦炭不规则形貌对粒度的影响程度。利用耐火材料的二值化图像对表面宏观及内部微观裂纹的分布、大小及深度进行直观表征,三维结构可对耐火材料的孔隙数量、体积和孔隙率等多方面参数进行表征,定量化判断炉缸耐火材料的破损情况。

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。

烧结过程中FeO含量是影响烧结矿性能的重要参考指标。对FeO含量变化进行实时观测和监视,可以减少烧结能耗,改善烧结效果。针对目前企业实时观测FeO含量手段较为单一的情况,研究了基于双向长短时记忆网络模型(bi-directional long short-term memory,BiLSTM)的烧结矿FeO含量预测模型。数据来源为攀钢六型烧结机2021年部分工艺数据,经过滤、提优等数据处理后,选取BiLSTM神经网络进行训练、调参,与企业现场烧结工艺相结合,提高了模型预测的准确率,基本实现了烧结矿FeO的预测。测试结果表明,在企业误差允许的范围内,准确率达90.2%,因此可以给予企业内烧结矿生产有效意见。

针对炼钢-连铸生产过程中某一冶炼设备发生故障之后的重调度问题,为保证生产的稳定性,减少重调度方案相对于初始调度方案的变化程度,以开始作业时间、作业周期和设备指派的加权差异度最小化为目标,采用数学规划方法建立了重调度模型。通过分析炼钢厂生产运行模式和生产工艺过程,提出了由基于“炉-机对应”调度策略的设备指派算法和基于工序柔性缓冲调控策略的时间调整算法两部分组成的重调度算法。以国内某中大型炼钢厂炼钢-连铸实际生产中经常发生的转炉设备故障或精炼炉设备故障问题为仿真案例进行研究,结果表明,调度前/后开始作业时间、作业周期与设备指派的总加权差异度分别为0.29、1.43和1.21,可有效保持重调度方案与初始调度方案的一致性,保证生产的稳定性,且求解时间均小于0.6 s,能够针对冶炼设备发生故障后的重调度问题快速给出较优的解决方案,在冶炼设备故障频发的实际生产过程中能够保证炼钢-连铸有序、稳定、高效运行。

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。

钢板表面喷码识别是实现冷区钢板物料跟踪的重要基础,然而受限于不同标印设备喷印字体形态差异,且存在人工手写钢板号等特殊情况,单一模型识别方式无法具备较强的适应能力并保证识别的精准性。本文阐述了实现物料跟踪的软件流程,并分析喷码识别在其中扮演的角色及作用。设计出多级网络喷码识别框架,以轻量化目标检测模型为基础,快速定位喷码区域并截取,通过逐行分割模型及先验知识精确提取钢板号位置,以卷积循环神经网络(convolutional recurrent neural network,CRNN)模型实现独立钢板号的识别。多级网络模型能够实现超过99.2%的整体钢板号识别率,且通过与生产计划比对可进一步提升识别准确率,通过数据库交互获取钢板细节信息,能够为物料跟踪过程提供有效的数据支撑。

提升机是干熄焦装焦系统的关键设备,其负载大、启停频繁、工况不稳定,提升机减速机结构复杂且减速比大。因此,提升机的连续性和可靠性一直是生产和设备管理人员关注的重点。本文提出了一种基于多维感知和神经网络的人工智能算法来实时识别提升机设备的瞬时故障以及监测提升机生命周期的方法。通过提取和识别提升机减速机的声振特征,结合卷积神经网络(convolutional neural network,CNN)和长短期记忆(long-short term memory,LSTM)神经网络算法,提取振动空间特征和时间工况特征,判断及预测设备运行的状态,从而实现对设备运行状态的实时监测、故障诊断和预测性维护。工程应用实践表明,该方法可有效实现95.3%的故障识别准确率,能够量化提升机处于机器运转生命周期的具体阶段,以提醒维护人员及时响应设备故障。实现提升机的预测性维护,降低设备故障率,减少维修成本,实现连续安全生产,推进设备专业化管理和智能工厂建设。

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%。

在带钢热连轧过程中,卷取温度是重要的工艺参数和主要的控制目标,其一定程度上可决定带钢的微观组织,从而影响产品的力学性能和使用性能。为进一步提高热轧带钢卷取温度控制精度,以某热连轧产线的实际生产数据为基础,采用随机森林(random forest,RF)算法建立了一种基于数据驱动的热轧带钢卷取温度预测模型,并采用贝叶斯优化算法确定RF模型的最优超参数,采用类似于网格搜索的方式确定贝叶斯优化算法自身超参数。同时,采用贝叶斯优化的决策树模型(decision tree,DT)、支持向量回归模型(support vector regression,SVR)和现场基于经典传热学建立的机理模型进行对比验证。模型测试结果表明,RF模型的预测结果有97%以上样本点预测误差在-10~10 ℃以内,相较于现场模型能更好地实现对卷取温度的预测,进一步提高卷取温度的控制精度。