·1702 工程科学学报，第43卷，第12期 50 700 (a) (b) 44.00%44.00% 型600 芝30 500 40 kg 10 6.007 300 4.00% 2.00% a. 0 300 400 500 600 700 -60 -40 -20 0 20 40 60 Actual values/kg Error scope/kg 国4LF精炼造渣模型预报结果.(a)石灰加入量预报：(b)石灰加入量命中率 Fig.4 Prediction results of LF refining slag-making model:(a)comparison between the calculated and actual weights of lime;(b)hit ratio of predicting the required weight of lime 为了使精炼终点钢液成分能够精准命中目 导致铸坯产生角部裂纹和内部裂纹.因此，需要严 标，笔者团队进一步构建了LF精炼终点钢液成分 格控制凝固末端强冷位置和水量，从而避免裂纹 预报模型.本团队以某钢厂现场实际数据为研究 的产生.笔者团队针对不同断面尺寸的铸坯，20， 对象，首先利用线性回归的方法研究合金料加入 结合机理研究和工业试验，提出了“凝固前段弱 量与合金元素在钢液中收得质量的关系，并根据 冷+凝固末端强冷”的连铸坯凝固冷却技术.以断 线性回归分析的结果，得到合金元素在钢液中的 面尺寸为1800mmx250mm的Q345D钢连铸板坯 终点化学成分.其次，在线性回归分析的基础上， 为例，运用该技术对连铸机结晶器和二冷区的配 采用多层递阶回归分析的方法构建了精炼终点钢 水量进行系统优化后，连铸坯特征温度情况如 液合金元素成分的预报模型.采用某钢厂现场实 图5所示，结晶器区的冷却强度降低，足辊区和弯 际数据对所建模型进行验证可知.该模型对钢液 曲段上部回温幅度和回温速率趋于平缓，二冷区 中碳、硅元素的预报结果在±0.02%误差范围内的 扇形段3段之前铸坯宽面中心温度降低变得更加 命中率可以达到95%以上，对锰元素与铬元素的 平缓，冷却更加均匀，有利于改善铸坯内部质量 预报结果在0.02%误差范围内的命中率可以达 同时，二冷区第6、7冷却段的冷却强度加大，温降 到90%以上，对硼元素的预报结果在0.0003%误 速率加快，有利于发挥凝固末端强冷工艺对板坯 差范围内的命中率可以达到90%以上.综上，所建 中心偏析的抑制作用，进而改善板坯中心的偏析 模型能够较为准确地预报钢液终点成分 缺陷.采用“凝固前段弱冷+凝固末端强冷”的连 1.3连铸工序工艺控制模型 铸坯凝固冷却技术实现了对连铸坯裂纹和中心偏 连铸工序作为钢水化学冶金过程的最后阶 析的有效控制. 段，是控制连铸坯质量的关键所在.其结晶器、二 此外，随着信息技术的快速发展，基于大数据 冷区及空冷区的工艺条件对连铸坯的凝固质量具 的机器学习方法也被用于连铸坯中心偏析的预 有重要的作用.因此，针对钢水连铸过程工艺条件 测.本团队采集了某钢厂两年的82B帘线钢2396 与钢的凝固特性及组织性能之间的相互关系进行 组连铸生产数据，包括中间包钢水成分、结品器冷 深入研究，不断优化连铸工艺参数，实现连铸凝固 却参数、二次冷却参数、拉速、过热度、比水量以 冷却过程的精益控制，是提高铸坯质量的重要措 及相应的中心碳偏析指数等15个变量的大数据， 施.笔者团队在连铸坯“纵-横”凝固冷却、连铸 经过预处理后采用Pearson相关系数法来分析变 过程二冷动态控制)、“凝固前段弱冷+凝固末端 量间的关联性，别除存在强相关性的变量，消除数 强冷”连铸坯凝固冷却技术8-1以及连铸坯质量 据的多重共线性问题.运用灰色关联分析法进一 控制等方面做了大量研究工作，以实现连铸坯 步对变量进行降维处理，剔除与中心碳偏析指数 凝固冷却过程的精益控制.本节以连铸过程凝固 相关性较弱的变量.最后，通过大量的参数调整试 冷却控制与铸坯中心偏析预测为例进行论述. 验确定预测模型的基本参数如表1所示，构建了 凝固末端强冷是改善连铸坯内部质量的有效 基于正则化极限学习机(RELM)的连铸坯中心碳 方法，但由于其作用位置靠近矫直区，喷水强冷易 偏析预测模型2四
(a) 700 600 500 400 300 400 500 600 700 Actual values/kg ±40 kg Predicted values/kg 300 50 (b) 40 30 20 10 0 Error scope/kg Hit ratio/ % −40 −20 0 20 40 60 0 4.00% 44.00% 44.00% 6.00% 2.00% −60 图 4 LF 精炼造渣模型预报结果. (a) 石灰加入量预报; (b) 石灰加入量命中率[8] Fig.4 Prediction results of LF refining slag-making model: (a) comparison between the calculated and actual weights of lime; (b) hit ratio of predicting the required weight of lime 为了使精炼终点钢液成分能够精准命中目 标，笔者团队进一步构建了 LF 精炼终点钢液成分 预报模型. 本团队以某钢厂现场实际数据为研究 对象，首先利用线性回归的方法研究合金料加入 量与合金元素在钢液中收得质量的关系，并根据 线性回归分析的结果，得到合金元素在钢液中的 终点化学成分. 其次，在线性回归分析的基础上， 采用多层递阶回归分析的方法构建了精炼终点钢 液合金元素成分的预报模型. 采用某钢厂现场实 际数据对所建模型进行验证可知，该模型对钢液 中碳、硅元素的预报结果在±0.02% 误差范围内的 命中率可以达到 95% 以上，对锰元素与铬元素的 预报结果在±0.02% 误差范围内的命中率可以达 到 90% 以上，对硼元素的预报结果在±0.0003% 误 差范围内的命中率可以达到 90% 以上. 综上，所建 模型能够较为准确地预报钢液终点成分. 1.3 连铸工序工艺控制模型 连铸工序作为钢水化学冶金过程的最后阶 段，是控制连铸坯质量的关键所在. 其结晶器、二 冷区及空冷区的工艺条件对连铸坯的凝固质量具 有重要的作用. 因此，针对钢水连铸过程工艺条件 与钢的凝固特性及组织性能之间的相互关系进行 深入研究，不断优化连铸工艺参数，实现连铸凝固 冷却过程的精益控制，是提高铸坯质量的重要措 施. 笔者团队在连铸坯“纵−横”凝固冷却[16]、连铸 过程二冷动态控制[17]、“凝固前段弱冷+凝固末端 强冷”连铸坯凝固冷却技术[18−19] 以及连铸坯质量 控制[12] 等方面做了大量研究工作，以实现连铸坯 凝固冷却过程的精益控制. 本节以连铸过程凝固 冷却控制与铸坯中心偏析预测为例进行论述. 凝固末端强冷是改善连铸坯内部质量的有效 方法，但由于其作用位置靠近矫直区，喷水强冷易 导致铸坯产生角部裂纹和内部裂纹. 因此，需要严 格控制凝固末端强冷位置和水量，从而避免裂纹 的产生. 笔者团队针对不同断面尺寸的铸坯[13, 20] ， 结合机理研究和工业试验，提出了“凝固前段弱 冷+凝固末端强冷”的连铸坯凝固冷却技术. 以断 面尺寸为 1800 mm×250 mm 的 Q345D 钢连铸板坯 为例，运用该技术对连铸机结晶器和二冷区的配 水量进行系统优化后，连铸坯特征温度情况如 图 5 所示，结晶器区的冷却强度降低，足辊区和弯 曲段上部回温幅度和回温速率趋于平缓，二冷区 扇形段 3 段之前铸坯宽面中心温度降低变得更加 平缓，冷却更加均匀，有利于改善铸坯内部质量. 同时，二冷区第 6、7 冷却段的冷却强度加大，温降 速率加快，有利于发挥凝固末端强冷工艺对板坯 中心偏析的抑制作用，进而改善板坯中心的偏析 缺陷. 采用“凝固前段弱冷+凝固末端强冷”的连 铸坯凝固冷却技术实现了对连铸坯裂纹和中心偏 析的有效控制. 此外，随着信息技术的快速发展，基于大数据 的机器学习方法也被用于连铸坯中心偏析的预 测. 本团队采集了某钢厂两年的 82B 帘线钢 2396 组连铸生产数据，包括中间包钢水成分、结晶器冷 却参数、二次冷却参数、拉速、过热度、比水量以 及相应的中心碳偏析指数等 15 个变量的大数据， 经过预处理后采用 Pearson 相关系数法来分析变 量间的关联性，剔除存在强相关性的变量，消除数 据的多重共线性问题. 运用灰色关联分析法进一 步对变量进行降维处理，剔除与中心碳偏析指数 相关性较弱的变量. 最后，通过大量的参数调整试 验确定预测模型的基本参数如表 1 所示，构建了 基于正则化极限学习机（RELM）的连铸坯中心碳 偏析预测模型[22] . · 1702 · 工程科学学报，第 43 卷，第 12 期
刘青等：炼钢厂多尺度建模与协同制造 ·1703. 1600 1600 1500 13.72m (a) (b) 1500 1400 -Comner 1400 Before optimization -Broad face center 1300 -After optimization Slab center 1300 1200 1200 1100 Foot rolle The thirde of 2.2m.1023C 1100 1000 1000 18.85m,884℃ 900 800 900 10.45m,969℃ 700 800 The sixth zone of 600 700 secondary cooling 18.85m,844℃ 500 10152025 600 5 30 5 10152025 30 The distance to the meniscus/m The distance to the meniscus/m 困5凝固冷却配水优化结果.(@)配水优化后铸坯特征温度曲线；(b)优化前后连铸坯宽面中心温度变化对比四 Fig.5 Optimization results of solidification cooling water distribution:(a)characteristic temperature curves of the slab after optimization;(b)comparison of the temperature change at the center of the broad face before and after optimization 表1 RELM中心碳偏析预测模型的基本参数四 容之一，因而本节针对工序衔接关系层级和计划 Table 1 Basic parameters of the central carbon segregation prediction 与调度层级，分别从系统产能决策与生产模式优 model based on RELM 化，生产计划与调度，以及多工序协同运行水平的 Parameters Setting Parameters Setting value value 量化评价3个方面重点介绍炼钢-连铸流程物质 Number of input layer Number of output layer 流运行优化的研究工作，为炼钢厂多工序协同运 neurons neurons 行奠定基础. Number of hidden layer neurons 号 Activation function sigmoid 2.1系统产能决策与生产模式优化 Regularization coefficient(A) 0.1 系统产能决策与生产模式优化在炼钢厂多工 序运行过程中具有举足轻重的地位，是炼钢厂物 该模型的仿真结果表明，预测误差分别在 质流运行优化的重要基础.笔者团队基于炼钢-连 ±0.03和±0.025时，RELM偏析预测模型命中率分 铸生产过程物质流运行规律解析，在掌握炼钢-连 别为94%和89%，模型预测值与实际值的相关系 铸流程时间、温度参数等运行规律的基础上，进行 数为0.871.相较于多元线性回归(MLR)与极限学 系统产能决策与生产模式优化4-，充分发挥整 习机(ELM)预测模型.所建模型预测精度最高，可 个炼钢-连铸区段的生产能力，为构建炼钢-连铸 满足现场生产控制要求 过程的生产计划与调度模型奠定基础. 2车间区段尺度的物质流运行优化模型 在对生产模式进行优化前，首先进行系统产 能的决策，即通过对目标钢厂炼钢-连铸过程各个 在对各单体工序/装置进行工艺控制优化的基 工序产能与产品结构（品种钢与普碳钢比例）关系 础上，开展炼钢厂车间区段尺度的物质流运行优 的分析与比较，找到不同产品结构下系统产能的 化研究，优化工序装置配置的合理性，对提高我国 限制性环节，即瓶颈工序.某炼钢厂系统产能与品 炼钢厂的整体运行水平、优化企业结构和资源配 种钢比例的关系如图6所示，图中A点表示当品 置具有重大的战略意义]随着国民经济的发展， 种钢生产比例超过26.3%时，制约系统产能的瓶 市场对钢铁产品的需求呈现多品种、小批量、多 颈工序由转炉工序转变为连铸工序；同理，B点表 规格和高质量的特点.炼钢厂各工序的单台设备 示当品种钢生产比例超过62.9%时，制约系统产 往往承担多钢种混合生产的任务，而不同钢种的 能的瓶颈工序由连铸工序转变为精炼工序.由图 操作规程往往会存在较大差异，这给炼钢-连铸过 中a、b点可知，该厂要实现270~300万吨的产能 程的高效运行带来了较大的困难.目前，关于多工 目标，品种钢的生产比例应控制在33.7%~50.9% 序协同运行的研究尚不够深入，多集中于生产计 之间 划与调度方面.关键工序协调匹配的研究是炼钢 其次，依据上述生产系统的产能要求，在明确 厂智能化建设工作中极为重要的组成部分，而生 品种钢生产比例的基础上，对不同钢种的主要生 产计划与调度作为钢铁制造流程运行控制的关 产作业路线和辅助生产作业路线进行确定，明确 键，是整个先进生产制造系统高效运行的核心内 各工序装置之间的对应关系.工艺路径的确定主
该模型的仿真结果表明 ，预测误差分别在 ±0.03 和±0.025 时，RELM 偏析预测模型命中率分 别为 94% 和 89%，模型预测值与实际值的相关系 数为 0.871. 相较于多元线性回归（MLR）与极限学 习机（ELM）预测模型，所建模型预测精度最高，可 满足现场生产控制要求. 2 车间区段尺度的物质流运行优化模型 在对各单体工序/装置进行工艺控制优化的基 础上，开展炼钢厂车间区段尺度的物质流运行优 化研究，优化工序/装置配置的合理性，对提高我国 炼钢厂的整体运行水平、优化企业结构和资源配 置具有重大的战略意义[23] . 随着国民经济的发展， 市场对钢铁产品的需求呈现多品种、小批量、多 规格和高质量的特点. 炼钢厂各工序的单台设备 往往承担多钢种混合生产的任务，而不同钢种的 操作规程往往会存在较大差异，这给炼钢−连铸过 程的高效运行带来了较大的困难. 目前，关于多工 序协同运行的研究尚不够深入，多集中于生产计 划与调度方面. 关键工序协调匹配的研究是炼钢 厂智能化建设工作中极为重要的组成部分，而生 产计划与调度作为钢铁制造流程运行控制的关 键，是整个先进生产制造系统高效运行的核心内 容之一，因而本节针对工序衔接/关系层级和计划 与调度层级，分别从系统产能决策与生产模式优 化，生产计划与调度，以及多工序协同运行水平的 量化评价 3 个方面重点介绍炼钢−连铸流程物质 流运行优化的研究工作，为炼钢厂多工序协同运 行奠定基础. 2.1 系统产能决策与生产模式优化 系统产能决策与生产模式优化在炼钢厂多工 序运行过程中具有举足轻重的地位，是炼钢厂物 质流运行优化的重要基础. 笔者团队基于炼钢−连 铸生产过程物质流运行规律解析，在掌握炼钢−连 铸流程时间、温度参数等运行规律的基础上，进行 系统产能决策与生产模式优化[24−26] ，充分发挥整 个炼钢−连铸区段的生产能力，为构建炼钢−连铸 过程的生产计划与调度模型奠定基础. 在对生产模式进行优化前，首先进行系统产 能的决策，即通过对目标钢厂炼钢−连铸过程各个 工序产能与产品结构（品种钢与普碳钢比例）关系 的分析与比较，找到不同产品结构下系统产能的 限制性环节，即瓶颈工序. 某炼钢厂系统产能与品 种钢比例的关系如图 6 所示，图中 A 点表示当品 种钢生产比例超过 26.3% 时，制约系统产能的瓶 颈工序由转炉工序转变为连铸工序；同理，B 点表 示当品种钢生产比例超过 62.9% 时，制约系统产 能的瓶颈工序由连铸工序转变为精炼工序. 由图 中 a、b 点可知，该厂要实现 270～300 万吨的产能 目标，品种钢的生产比例应控制在 33.7%～50.9% 之间. 其次，依据上述生产系统的产能要求，在明确 品种钢生产比例的基础上，对不同钢种的主要生 产作业路线和辅助生产作业路线进行确定，明确 各工序/装置之间的对应关系. 工艺路径的确定主 13.72 m (a) Corner Broad face center Slab center 1300 1500 1600 1100 1200 1400 1000 900 800 700 500 600 10 15 20 25 30 The distance to the meniscus/m Temperature/ ℃ 2.2 m, 1023 ℃ 0.8 m, 795 ℃ 0 5 (b) 1300 1500 1600 1100 1200 1400 1000 900 800 700 600 10 15 20 25 30 The distance to the meniscus/m 10.45 m, 997 ℃ 18.85 m, 884 ℃ 10.45 m, 969 ℃ Foot roller zone The third zone of secondary cooling The sixth zone of secondary cooling 18.85 m, 844 ℃ 0 5 Before optimization After optimization Temperature/ ℃ 图 5 凝固冷却配水优化结果. (a) 配水优化后铸坯特征温度曲线; (b) 优化前/后连铸坯宽面中心温度变化对比[21] Fig.5 Optimization results of solidification cooling water distribution: (a) characteristic temperature curves of the slab after optimization; (b) comparison of the temperature change at the center of the broad face before and after optimization 表 1 RELM 中心碳偏析预测模型的基本参数[22] Table 1 Basic parameters of the central carbon segregation prediction model based on RELM[22] Parameters Setting value Parameters Setting value Number of input layer neurons 7 Number of output layer neurons 1 Number of hidden layer neurons 50 Activation function sigmoid λ Regularization coefficient( ) 0.1 刘 青等： 炼钢厂多尺度建模与协同制造 · 1703 ·