炼钢合金减量化智能控制模型及其应用

工程科学学报 Chinese Journal of Engineering 炼钢合金减量化智能控制模型及其应用 郑瑞轩包燕平王仲亮 Intelligent control model of steelmaking using ferroalloy reduction and its application ZHENG Rui-xuan,BAO Yan-ping.WANG Zhong-liang 引用本文： 郑瑞轩，包燕平，王仲亮.炼钢合金减量化智能控制模型及其应用.工程科学学报，2021,43(12：1689-1697.doi: 10.13374j.issn2095-9389.2021.10.07.004 ZHENG Rui-xuan,BAO Yan-ping,WANG Zhong-liang.Intelligent control model of steelmaking using ferroalloy reduction and its application[J].Chinese Journal of Engineering.2021,43(12):1689-1697.doi:10.13374/j.issn2095-9389.2021.10.07.004 在线阅读View online::htps:ldoi.org10.13374.issn2095-9389.2021.10.07.004 您可能感兴趣的其他文章 Articles you may be interested in 炼钢过程中合金减量化研究现状及展望 Situation and prospect on investigation of ferroalloy reduction during steelmaking 工程科学学报.2018,409%：1017 https:/1doi.org10.13374.issn2095-9389.2018.09.001 基于函数型数字孪生模型的转炉炼钢终点碳控制技术 Control technology of end-point carbon in converter steelmaking based on functional digital twin model 工程科学学报.2019,41(4：521 https:1doi.org10.13374/.issn2095-9389.2019.04.013 冶炼关键参数对于F钢轧材夹杂缺陷的影响 Influence of key parameters in steelmaking progress on the inclusion defects of rolled IF steel sheet 工程科学学报.2017,393)：369 https::/1doi.org/10.13374.issn2095-9389.2017.03.008 典型铁合金渣的资源化综合利用研究现状与发展趋势 Review of comprehensive utilization of typical ferroalloy slags 工程科学学报.2020,42(6：663 https:1doi.org10.13374j.issn2095-9389.2020.03.10.003 炼钢连铸生产调度的研究进展 Progress of research on steelmakingcontinuous casting production scheduling 工程科学学报.2020,42(2：144 https:/1doi.org/10.13374.issn2095-9389.2019.04.30.002

炼钢合金减量化智能控制模型及其应用 郑瑞轩 包燕平 王仲亮 Intelligent control model of steelmaking using ferroalloy reduction and its application ZHENG Rui-xuan, BAO Yan-ping, WANG Zhong-liang 引用本文: 郑瑞轩, 包燕平, 王仲亮. 炼钢合金减量化智能控制模型及其应用[J]. 工程科学学报, 2021, 43(12): 1689-1697. doi: 10.13374/j.issn2095-9389.2021.10.07.004 ZHENG Rui-xuan, BAO Yan-ping, WANG Zhong-liang. Intelligent control model of steelmaking using ferroalloy reduction and its application[J]. Chinese Journal of Engineering, 2021, 43(12): 1689-1697. doi: 10.13374/j.issn2095-9389.2021.10.07.004 在线阅读 View online: https://doi.org/10.13374/j.issn2095-9389.2021.10.07.004 您可能感兴趣的其他文章 Articles you may be interested in 炼钢过程中合金减量化研究现状及展望 Situation and prospect on investigation of ferroalloy reduction during steelmaking 工程科学学报. 2018, 40(9): 1017 https://doi.org/10.13374/j.issn2095-9389.2018.09.001 基于函数型数字孪生模型的转炉炼钢终点碳控制技术 Control technology of end-point carbon in converter steelmaking based on functional digital twin model 工程科学学报. 2019, 41(4): 521 https://doi.org/10.13374/j.issn2095-9389.2019.04.013 冶炼关键参数对于IF钢轧材夹杂缺陷的影响 Influence of key parameters in steelmaking progress on the inclusion defects of rolled IF steel sheet 工程科学学报. 2017, 39(3): 369 https://doi.org/10.13374/j.issn2095-9389.2017.03.008 典型铁合金渣的资源化综合利用研究现状与发展趋势 Review of comprehensive utilization of typical ferroalloy slags 工程科学学报. 2020, 42(6): 663 https://doi.org/10.13374/j.issn2095-9389.2020.03.10.003 炼钢连铸生产调度的研究进展 Progress of research on steelmakingcontinuous casting production scheduling 工程科学学报. 2020, 42(2): 144 https://doi.org/10.13374/j.issn2095-9389.2019.04.30.002

工程科学学报.第43卷，第12期：1689-1697.2021年12月 Chinese Journal of Engineering,Vol.43,No.12:1689-1697,December 2021 https://doi.org/10.13374/j.issn2095-9389.2021.10.07.004;http://cje.ustb.edu.cn 炼钢合金减量化智能控制模型及其应用 郑瑞轩，包燕平四，王仲亮 北京科技大学钢铁治金新技术国家重点实验室，北京100083 ☒通信作者，E-mail:baoyp(@ustb.edu.cn 摘要基于K均值聚类法对转炉出钢过程的合金损耗进行了研究，分析了影响合金损耗的关键因索，并将其分为3个聚 类，得到转炉出钢合金损耗最低的工艺模式.在此基础上，开发了基于PCA-BP神经网络和混合整数线性规划的合金减量化 智能控制系统，并以某炼钢厂为例进行了实际应用.通过对模型进行在线运行，验证了模型的准确性和实用性.使用该模型 后，提高了合金化钢液成分准确度，减少由传统人工经验计算配料造成的成本浪费和成分超标等情况.优化了合金配料方案， 降低了炼钢合金化成本，不同钢种铁合金加入总成本降低5.95%~14.74%，平均降幅11.72%. 关键词炼钢：铁合金：减量化：智能控制：成本 分类号TF741 Intelligent control model of steelmaking using ferroalloy reduction and its application ZHENG Rui-xuan,BAO Yan-ping,WANG Zhong-liang State Key Laboratory of Advanced Metallurgy,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:baoyp@ustb.edu.cn ABSTRACT The steel industry is a major energy consumer in China.As an effective measure for energy saving,cost and emission reduction,and higher efficiency among enterprises,ferroalloy reduction has attracted increased attention in our work to reduce carbon dioxide emissions and realize carbon neutrality.In the steelmaking process,the chemical composition of molten steel is required to meet the target ratio to maintain certain metallurgical and mechanical properties.The chemical composition of molten steel is mainly adjusted using ferroalloys.With the development of ferroalloy smelting technology,ferroalloys of various types are developed.These ferroalloys show major gaps in cost performance and composition.Before ferroalloy addition,it is essential to determine an appropriate and cost- effective type and its amount for cost-saving purposes.However,the traditional method of offering a manually determined amount cannot meet the above requirement.Therefore,it is necessary to explore an intelligent ferroalloy addition method without human intervention.Based on the K-means clustering algorithm,this paper studied ferroalloy loss in the basic oxygen furnace (BOF) steelmaking process.The key factors affecting the alloy loss were analyzed and divided into three clusters to obtain a process model of the lowest loss amount in the BOF steelmaking process.Using this model,an intelligent control system for alloy reduction was developed.The system is based on the principal component analysis and backpropagation neural network and mixed-integer linear programming.This system was implemented in a steelmaking plant,in which the accuracy and practicability of this model were verified by running it online.This model helped improve the accuracy of alloyed steel composition and reduce the unnecessary cost and extra composition,which are frequently seen in traditional calculations with a manual experience.The ferroalloy dosing scheme is also optimized,and the alloying cost of steelmaking is reduced.The total cost of adding ferroalloys of various types is reduced by 5.95%to 14.74%,with an average reduction of 11.72%. KEY WORDS steelmaking;ferroalloy;reduction;intelligent control;cost 收稿日期：2021-10-07 基金项目：国家自然科学基金资助项目(51874021)：钢铁冶金新技术国家重点实验室基金资助项目(41620020)

炼钢合金减量化智能控制模型及其应用 郑瑞轩，包燕平苣，王仲亮 北京科技大学钢铁冶金新技术国家重点实验室，北京 100083 苣通信作者， E-mail: baoyp@ustb.edu.cn 摘    要    基于 K 均值聚类法对转炉出钢过程的合金损耗进行了研究，分析了影响合金损耗的关键因素，并将其分为 3 个聚 类，得到转炉出钢合金损耗最低的工艺模式. 在此基础上，开发了基于 PCA-BP 神经网络和混合整数线性规划的合金减量化 智能控制系统，并以某炼钢厂为例进行了实际应用. 通过对模型进行在线运行，验证了模型的准确性和实用性. 使用该模型 后，提高了合金化钢液成分准确度，减少由传统人工经验计算配料造成的成本浪费和成分超标等情况，优化了合金配料方案， 降低了炼钢合金化成本，不同钢种铁合金加入总成本降低 5.95%～14.74%，平均降幅 11.72%. 关键词    炼钢；铁合金；减量化；智能控制；成本 分类号    TF741 Intelligent control model of steelmaking using ferroalloy reduction and its application ZHENG Rui-xuan，BAO Yan-ping苣 ，WANG Zhong-liang State Key Laboratory of Advanced Metallurgy, University of Science and Technology Beijing, Beijing 100083, China 苣 Corresponding author, E-mail: baoyp@ustb.edu.cn ABSTRACT    The steel industry is a major energy consumer in China. As an effective measure for energy saving, cost and emission reduction, and higher efficiency among enterprises, ferroalloy reduction has attracted increased attention in our work to reduce carbon dioxide emissions and realize carbon neutrality. In the steelmaking process, the chemical composition of molten steel is required to meet the target ratio to maintain certain metallurgical and mechanical properties. The chemical composition of molten steel is mainly adjusted using ferroalloys. With the development of ferroalloy smelting technology, ferroalloys of various types are developed. These ferroalloys show major gaps in cost performance and composition. Before ferroalloy addition, it is essential to determine an appropriate and cost￾effective type and its amount for cost-saving purposes. However, the traditional method of offering a manually determined amount cannot meet the above requirement. Therefore, it is necessary to explore an intelligent ferroalloy addition method without human intervention. Based on the K-means clustering algorithm, this paper studied ferroalloy loss in the basic oxygen furnace (BOF) steelmaking process. The key factors affecting the alloy loss were analyzed and divided into three clusters to obtain a process model of the lowest loss amount in the BOF steelmaking process. Using this model, an intelligent control system for alloy reduction was developed. The system is based on the principal component analysis and backpropagation neural network and mixed-integer linear programming. This system was implemented in a steelmaking plant, in which the accuracy and practicability of this model were verified by running it online. This model helped improve the accuracy of alloyed steel composition and reduce the unnecessary cost and extra composition, which are frequently seen in traditional calculations with a manual experience. The ferroalloy dosing scheme is also optimized, and the alloying cost of steelmaking is reduced. The total cost of adding ferroalloys of various types is reduced by 5.95% to 14.74%, with an average reduction of 11.72%. KEY WORDS    steelmaking；ferroalloy；reduction；intelligent control；cost 收稿日期: 2021−10−07 基金项目: 国家自然科学基金资助项目（51874021）；钢铁冶金新技术国家重点实验室基金资助项目（41620020） 工程科学学报，第 43 卷，第 12 期：1689−1697，2021 年 12 月 Chinese Journal of Engineering, Vol. 43, No. 12: 1689−1697, December 2021 https://doi.org/10.13374/j.issn2095-9389.2021.10.07.004; http://cje.ustb.edu.cn

·1690 工程科学学报，第43卷，第12期 钢铁行业是我国能源资源的消耗大户，在国 全被钢液吸收，这些合金损耗主要受治炼工艺条 家“碳达峰、碳中和”的目标下，如何实现企业的 件的影响，包括钢液的状态参数如钢液氧含量、温 能源和资源的高效利用，减少生产过程碳排放和 度、钢渣的状态和加合金过程的钢液状态.合金 能源消耗，是钢铁企业亟需解决的关键问题] 减量化研究重点之一就是找出合金损耗的关键影 铁合金是钢铁冶炼过程中必不可少的原辅料之 响因素，从这方面着手减少合金在使用过程中的 一，主要作用是钢液的脱氧和合金化.据统计我国 损耗、提高合金的收得率4 铁合金年产能约为5800万吨，其中钢铁生产用合 本文首先利用SPSS软件对出钢温度、冶炼周 金消耗超过3000万吨.然而，铁合金的生产是高 期、吹氧时间、吹氧量、铁水和废钢装入量、TSO 耗能过程，烟尘、废渣和废水等污染排放严重，大 氧含量、TSO碳含量等炼钢工艺参数与合金耗量 多数铁合金生产能耗大于4000kWhT',电解铝能 进行相关性分析，得到影响合金耗量的关键因子 耗高达1.33kW-ht,每年我国铁合金生产能耗不 后，根据关键因子的范围对合金耗量进行分类分 低于2320亿kW-h,折合2850万吨标准煤.若钢铁 级.传统的分类方式为有监督过程，即存在有先验 企业能够实现炼钢过程的合金减量化控制，则可 知识的训练数据集，需根据已有经验划分区间后 以有效减少能源消耗，为国家“双碳”目标助力 排列组合，分组数量大且不能完全提取数字特征 铁合金是炼钢的主要原料之一，其成本占到 聚类是一种无监督的学习方式，它可将具有较高 炼钢生产成本的5%~10%)几乎所有的钢种，都 相似度的数据对象划分至同一类簇，且簇内的对 需要通过铁合金进行脱氧和合金化以获得特定的 象越相似，聚类的效果越好，适合于数据量大的冶 化学成分并产生所需的机械性能.目前炼钢用铁 金工业分析.这里采用的K均值聚类算法(K 合金种类繁多且价格各异，若炼钢时铁合金种类 means clustering algorithm)是一种迭代求解的聚类 选择不当，不但会使炼钢生产成本增加，而且会产 分析算法，其步骤是首先随机选取K个对象作 生质量问题.因此，如何更智能地选择铁合金种类 为初始的聚类中心，然后计算每个对象与各聚类 和确定最佳合金加入量是非常重要的.传统的铁 中心之间的距离，把每个对象分配给距离它最近 合金加料模式是钢厂技术人员主要凭经验确定合 的聚类中心.每分配一个样本，K均值聚类的聚类 金种类、操作人员凭经验确定合金加入量，这样的 中心会根据现有的对象被重新计算.通过迭代计 操作模式一般把铁合金的收得率设定为一个固定 算最小误差平方和，得到具有不同特征的K组数 值，不随钢液参数的变化而调整，往往导致合金加 据.这样对K组合金耗量数据进行统计，可以发现 入量偏高，钢液成分不稳定，提高了炼钢成本的同 合金收得率与关键因子的相关关系.如图1(b)中， 时也造成钢液质量的波动.因此，炼钢厂迫切需要 3.69±0.032c、3.94±0.038a和3.94±0.043b,其中0.032、 一种科学且实用的铁合金加料模式与手段，目前 0.038、0.043为数值误差限，a、b、c为差异显著性 已有部分研究者进行了相关的研究)，这些研究 分析结果标注，字母不同表示存在显著性差异，字 有的已经取得的一定的突破，但大多还是停留在 母相同表示差异不显著.本文中吨钢耗量在对工 理论研究阶段，与现场实际生产联系不够紧密 艺参数的K均值聚类间差异性显著，说明与氧耗 本文基于国内某炼钢厂工艺特点，对合金减 量、废钢比和终点温度等具有较强的相关关系， 量化工艺展开研究，建立了合金减量化智能控制 以某120t转炉炼钢厂为研究对象，选取140 模型，旨在提升钢铁企业现场的智能化水平，降低 炉次42CMo钢种炉次进行相关性分析，得出影响 铁合金消耗，在给企业带来经济效益的同时减少 合金收得率的主要因素为吨钢耗氧量、装料铁水 能源消耗，助力“碳达峰、碳中和”目标.受市场影 比和出钢温度，采用基于K均值聚类归纳法对锰 响，目前铁合金价格变化较大，炼钢合金成本控制 元素收得率进行研究，将数据分为3个聚类，如 难度增加，该模型可在满足钢液成分达标的前提 图1(a)所示.对出钢阶段锰元素收得率分类统计， 下，使合金加入成本大幅度降低，并实现钢液合金 如表1所示，锰元素收得率均值为87.31%，1类收 成分的窄区间控制，提高钢产品性能的稳定性. 得率高于均值1.15%，2类收得率低于均值0.75% 在所选取的140炉次中，分类1炉次共33炉，占 基于K均值聚类的合金耗量数据分析 比23.57%.分类2炉次共29炉，占比20.71%.在收 在实际生产过程的合金化操作中，合金物料 得率高于均值的1类中出钢温度低，装料铁水比 在加入到钢液之后会有部分损失，使其不能够完 高，吨钢耗氧量略高于其他两类，而收得率低于均

钢铁行业是我国能源资源的消耗大户，在国 家“碳达峰、碳中和”的目标下，如何实现企业的 能源和资源的高效利用，减少生产过程碳排放和 能源消耗，是钢铁企业亟需解决的关键问题[1– 2] . 铁合金是钢铁冶炼过程中必不可少的原辅料之 一，主要作用是钢液的脱氧和合金化. 据统计我国 铁合金年产能约为 5800 万吨，其中钢铁生产用合 金消耗超过 3000 万吨. 然而，铁合金的生产是高 耗能过程，烟尘、废渣和废水等污染排放严重，大 多数铁合金生产能耗大于 4000 kW·h·t–1，电解铝能 耗高达 1.33 kW·h·t–1，每年我国铁合金生产能耗不 低于 2320 亿 kW·h，折合 2850 万吨标准煤. 若钢铁 企业能够实现炼钢过程的合金减量化控制，则可 以有效减少能源消耗，为国家“双碳”目标助力. 铁合金是炼钢的主要原料之一，其成本占到 炼钢生产成本的 5%～10% [3] . 几乎所有的钢种，都 需要通过铁合金进行脱氧和合金化以获得特定的 化学成分并产生所需的机械性能[4] . 目前炼钢用铁 合金种类繁多且价格各异，若炼钢时铁合金种类 选择不当，不但会使炼钢生产成本增加，而且会产 生质量问题. 因此，如何更智能地选择铁合金种类 和确定最佳合金加入量是非常重要的. 传统的铁 合金加料模式是钢厂技术人员主要凭经验确定合 金种类、操作人员凭经验确定合金加入量，这样的 操作模式一般把铁合金的收得率设定为一个固定 值，不随钢液参数的变化而调整，往往导致合金加 入量偏高，钢液成分不稳定，提高了炼钢成本的同 时也造成钢液质量的波动. 因此，炼钢厂迫切需要 一种科学且实用的铁合金加料模式与手段，目前 已有部分研究者进行了相关的研究[5–13] ，这些研究 有的已经取得的一定的突破，但大多还是停留在 理论研究阶段，与现场实际生产联系不够紧密. 本文基于国内某炼钢厂工艺特点，对合金减 量化工艺展开研究，建立了合金减量化智能控制 模型，旨在提升钢铁企业现场的智能化水平，降低 铁合金消耗，在给企业带来经济效益的同时减少 能源消耗，助力“碳达峰、碳中和”目标. 受市场影 响，目前铁合金价格变化较大，炼钢合金成本控制 难度增加，该模型可在满足钢液成分达标的前提 下，使合金加入成本大幅度降低，并实现钢液合金 成分的窄区间控制，提高钢产品性能的稳定性. 1    基于 K 均值聚类的合金耗量数据分析 在实际生产过程的合金化操作中，合金物料 在加入到钢液之后会有部分损失，使其不能够完 全被钢液吸收，这些合金损耗主要受冶炼工艺条 件的影响，包括钢液的状态参数如钢液氧含量、温 度、钢渣的状态和加合金过程的钢液状态. 合金 减量化研究重点之一就是找出合金损耗的关键影 响因素，从这方面着手减少合金在使用过程中的 损耗、提高合金的收得率[14–15] . 本文首先利用 SPSS 软件对出钢温度、冶炼周 期、吹氧时间、吹氧量、铁水和废钢装入量、TSO 氧含量、TSO 碳含量等炼钢工艺参数与合金耗量 进行相关性分析，得到影响合金耗量的关键因子 后，根据关键因子的范围对合金耗量进行分类分 级. 传统的分类方式为有监督过程，即存在有先验 知识的训练数据集，需根据已有经验划分区间后 排列组合，分组数量大且不能完全提取数字特征. 聚类是一种无监督的学习方式，它可将具有较高 相似度的数据对象划分至同一类簇，且簇内的对 象越相似，聚类的效果越好，适合于数据量大的冶 金工业分析. 这里采用的 K 均值聚类算法（ K￾means clustering algorithm）是一种迭代求解的聚类 分析算法[16] ，其步骤是首先随机选取 K 个对象作 为初始的聚类中心，然后计算每个对象与各聚类 中心之间的距离，把每个对象分配给距离它最近 的聚类中心. 每分配一个样本，K 均值聚类的聚类 中心会根据现有的对象被重新计算. 通过迭代计 算最小误差平方和，得到具有不同特征的 K 组数 据. 这样对 K 组合金耗量数据进行统计，可以发现 合金收得率与关键因子的相关关系. 如图 1(b) 中， 3.69±0.032c、3.94±0.038a 和 3.94±0.043b，其中 0.032、 0.038、0.043 为数值误差限，a、b、c 为差异显著性 分析结果标注，字母不同表示存在显著性差异，字 母相同表示差异不显著. 本文中吨钢耗量在对工 艺参数的 K 均值聚类间差异性显著，说明与氧耗 量、废钢比和终点温度等具有较强的相关关系. 以某 120 t 转炉炼钢厂为研究对象，选取 140 炉次 42CrMo 钢种炉次进行相关性分析，得出影响 合金收得率的主要因素为吨钢耗氧量、装料铁水 比和出钢温度，采用基于 K 均值聚类归纳法对锰 元素收得率进行研究，将数据分为 3 个聚类，如 图 1(a) 所示. 对出钢阶段锰元素收得率分类统计， 如表 1 所示，锰元素收得率均值为 87.31%，1 类收 得率高于均值 1.15%，2 类收得率低于均值 0.75%. 在所选取的 140 炉次中，分类 1 炉次共 33 炉，占 比 23.57%，分类 2 炉次共 29 炉，占比 20.71%. 在收 得率高于均值的 1 类中出钢温度低，装料铁水比 高，吨钢耗氧量略高于其他两类，而收得率低于均 · 1690 · 工程科学学报，第 43 卷，第 12 期

郑瑞轩等：炼钢合金减量化智能控制模型及其应用 ·1691 4.2 5.0 (a) (c) 4.78±0.052a 3.940.038a 4.550.045c 4.61±0.0446 3.9 「3.79 4.5 3.940.043北 55 o3 3.690.032c 3.6 40 45 3.3 3.5 0.95 名Charging iron ratio 0.85 Output temperature/.℃ 1500 600 0.751700 3.0 3.0 Cluster 1 Cluster 2 Cluster 3 Cluster 1 Cluster 2 Cluster 3 Cluster Cluster 图142CrMo转炉出钢工序工艺参数聚类分布图（仔个聚类(a)及吨钢硅锰耗量(）和吨钢中碳锰铁耗量(C) Fig.1 Cluster distribution map of process parameters in the 42CrMo converter steel discharge process(3 clusters)(a),silicomanganese consumption per ton of steel(b),and medium carbon ferromanganese consumption per ton of steel (c) 值的2类情况与之相反.在吨钢铁合金耗量上如 据库与模型连接，模型在运行过程中可以实时调 图1(b)和1(c)所示，聚类1在硅锰和中碳锰铁吨 用数据库内的数据用于模型计算使用.数据库信 钢耗量上均低于均值，分别低2.64%和2.15%.而 息从企业各级数据库中获取，包括但不限于合金 聚类2在这两类锰系合金吨钢耗量上分别高于均 化验成分、钢液取样化验成分、生产工艺参数和 值3.96%和2.80% 钢种目标内控成分等 (2)实时在线的输入与输出模式. 表13聚类炉次占比及锰收得率 模型可以实现实时的参数获取与数据输出， Table I 3 Clustering proportion and the manganese yield in each cluster 模型启动后，根据合金批号更新铁合金的成分信 Cluster Manganese yield/% Proportion/% 息及价格信息，然后模型根据所读取的炉号在数 Cluster I 88.46 23.57 据库中读取出该炉次所对应的钢种与执行标准， Cluster2 86.56 20.71 并获取该炉次的钢液基本信息，最后根据钢种和 Cluster3 87.11 55.71 执行标准调取工艺卡以设定合金化后目标钢液成分 (3)智能化的合金使用效果评价与分析系统. 由此可见在不同的钢液条件下，尤其是钢液 模型包括基于K均值聚类的合金耗量数据分 的耗氧量和温度不同时，铁合金元素的损耗存在 析和基于主成分分析法的BP神经网络收得率预 明显差异.若将吨钢耗氧量、装料铁水比和出钢 测模型，已结束炉次的生产数据会输出到数据库， 温度控制在聚类1范围内，减少2类的炉次占比， 经过使用效果评价之后传输到收得率预测模型 可显著降低转炉出钢过程的铁合金损耗.以上研 中，实现预测模型的自学习.不断完善收得率预测 究针对转炉出钢过程的合金化，对于LF精炼合金 模型精度 化笔者采用同样的方法进行了研究，其中LF精炼 (4)基于智能分析结果的合金种类选择与加 用于K均值聚类分析的输入参数包括LF取一样 入量计算模型 温度、电耗以及C含量.利用该方法将具有不同特 模型基于历史数据的智能分析结果，选取成 征的关键因子自动划分为K类，从而在计算合金加 本最低的合金加入种类，根据已有条件利用intlinprog 入量时可以根据实际钢液条件选择不同收得率， 函数计算出符合钢液目标成分设定值，且总加入 避免了采用单一收得率按照控制上限加入合金造 成本最低的铁合金加入量.该模型对于转炉炉后 成的浪费，也为后续合金减量化模型提供了依据. 的合金化和LF精炼的合金化均适用，转炉炉后合 2合金减量化模型 金化模型仅进行一次配料计算，钢液目标成分一 般设定为略低于钢种内控成分的下限值，具体数 2.1模型功能与框架结构 值管理者根据钢种实际情况进行设定.，在LF精炼 运用Matlab R2020 a Appdesigner程序设计编制了 工序模型计算流程与转炉工艺类似，将LF精炼合 合金减量化智能控制系统的人机交互界面，模型计 金化前钢液化验成分与钢种内控值进行对比，若 算流程如图2所示.模型主要功能和框架结构如下： 符合成分要求则该炉次合金配料完成，否则返回 (1)合金信息数据库 到上一步重新进行配料计算与加料操作，直到成 运用Oracle 11g软件建立合金信息数据库，数 分达标为止，一般LF精炼工序进行1~2次加料

值的 2 类情况与之相反. 在吨钢铁合金耗量上如 图 1(b) 和 1(c) 所示，聚类 1 在硅锰和中碳锰铁吨 钢耗量上均低于均值，分别低 2.64% 和 2.15%，而 聚类 2 在这两类锰系合金吨钢耗量上分别高于均 值 3.96% 和 2.80%. 表 1 3 聚类炉次占比及锰收得率 Table 1 3 Clustering proportion and the manganese yield in each cluster Cluster Manganese yield/% Proportion /% Cluster 1 88.46 23.57 Cluster2 86.56 20.71 Cluster3 87.11 55.71 由此可见在不同的钢液条件下，尤其是钢液 的耗氧量和温度不同时，铁合金元素的损耗存在 明显差异. 若将吨钢耗氧量、装料铁水比和出钢 温度控制在聚类 1 范围内，减少 2 类的炉次占比， 可显著降低转炉出钢过程的铁合金损耗. 以上研 究针对转炉出钢过程的合金化，对于 LF 精炼合金 化笔者采用同样的方法进行了研究，其中 LF 精炼 用于 K 均值聚类分析的输入参数包括 LF 取一样 温度、电耗以及 C 含量. 利用该方法将具有不同特 征的关键因子自动划分为 K 类，从而在计算合金加 入量时可以根据实际钢液条件选择不同收得率， 避免了采用单一收得率按照控制上限加入合金造 成的浪费，也为后续合金减量化模型提供了依据. 2    合金减量化模型 2.1    模型功能与框架结构 运用Matlab R2020a Appdesigner 程序设计编制了 合金减量化智能控制系统的人机交互界面，模型计 算流程如图 2 所示. 模型主要功能和框架结构如下： （1）合金信息数据库. 运用 Oracle 11g 软件建立合金信息数据库，数 据库与模型连接，模型在运行过程中可以实时调 用数据库内的数据用于模型计算使用. 数据库信 息从企业各级数据库中获取，包括但不限于合金 化验成分、钢液取样化验成分、生产工艺参数和 钢种目标内控成分等. （2）实时在线的输入与输出模式. 模型可以实现实时的参数获取与数据输出， 模型启动后，根据合金批号更新铁合金的成分信 息及价格信息，然后模型根据所读取的炉号在数 据库中读取出该炉次所对应的钢种与执行标准， 并获取该炉次的钢液基本信息，最后根据钢种和 执行标准调取工艺卡以设定合金化后目标钢液成分. （3）智能化的合金使用效果评价与分析系统. 模型包括基于 K 均值聚类的合金耗量数据分 析和基于主成分分析法的 BP 神经网络收得率预 测模型，已结束炉次的生产数据会输出到数据库， 经过使用效果评价之后传输到收得率预测模型 中，实现预测模型的自学习，不断完善收得率预测 模型精度. （4）基于智能分析结果的合金种类选择与加 入量计算模型. 模型基于历史数据的智能分析结果，选取成 本最低的合金加入种类，根据已有条件利用 intlinprog 函数计算出符合钢液目标成分设定值，且总加入 成本最低的铁合金加入量. 该模型对于转炉炉后 的合金化和 LF 精炼的合金化均适用，转炉炉后合 金化模型仅进行一次配料计算，钢液目标成分一 般设定为略低于钢种内控成分的下限值，具体数 值管理者根据钢种实际情况进行设定. 在 LF 精炼 工序模型计算流程与转炉工艺类似，将 LF 精炼合 金化前钢液化验成分与钢种内控值进行对比，若 符合成分要求则该炉次合金配料完成，否则返回 到上一步重新进行配料计算与加料操作，直到成 分达标为止，一般 LF 精炼工序进行 1～2 次加料. 4.2 5.0 3.9 4.5 3.6 4.0 3.3 3.5 60 0.95 1700 55 50 0.85 1600 45 40 0.75 1500 Oxygen consumption/(m 3.0 3.0 3 t−1 ) Charging iron ratio Output temperature/℃ 1 2 3 Silicomanganese ferroalloy consumption/(kg·t−1 ) Medium carbon ferromanganese consumption/(kg·t−1 ) Cluster 1 Cluster 2 Cluster 3 3.79 3.69±0.032c 4.55±0.045c 4.65 4.78±0.052a 3.94±0.038a 4.61±0.044b 3.94±0.043b Cluster Cluster 1 Cluster 2 Cluster 3 Cluster (a) (b) (c) 图 1 42CrMo 转炉出钢工序工艺参数聚类分布图 (3 个聚类)(a) 及吨钢硅锰耗量 (b) 和吨钢中碳锰铁耗量 (c) Fig.1 Cluster distribution map of process parameters in the 42CrMo converter steel discharge process (3 clusters) (a), silicomanganese consumption per ton of steel (b), and medium carbon ferromanganese consumption per ton of steel (c) 郑瑞轩等： 炼钢合金减量化智能控制模型及其应用 · 1691 ·

.1692 工程科学学报.第43卷，第12期 Start Read heal No,match steel grade Data input:interact with oracle Data analysis based on K-means database through interface clustering software functions BOF Obtain molten steel data,ferroalloy composition,price and target composition information Steel grade X historical Ferroalloy production data information database Solving:The model calculates the ferroalloy batching plan Intelligently analyze the appropriate ferroalloy type Add ferroalloy according to selection according to the the calculation result input data Obtain molten steel and moee Production process parameters and corresponding alloy yield Solving:the model I calculates the ferroalloy batching plan Principal component analysis Intelligent call LF The main component variables of >of ferroalloy Temperature measurement, sampling the influencing factors of yield yield 4 BP neural network Forecast results of Whether the ingredients ferroalloy yield meet the standards Yes Output:Data feedback is output to the background,and the database is continuously improved after processing End 图2模型计算流程图 Fig.2 Model calculation flowchart 2.2 界面设计 成分模块、加入量计算结果模块 在模型进行配料计算前，需要获取当前炉次 2.3模型计算方法 所炼钢种内控目标成分、钢液信息、合金信息等， 模型在物料平衡计算的基础上，采用线性规 这些数据都是通过企业Oracle数据库与模型进行 划作为核心算法-2，包括决策变量、目标函数、 交互调用的，可在生产过程中实时获取.同时，模 约束条件三部分构成，其中决策变量为模型最终 型会将所读取数据显示在模型主界面并且用于后 的输出结果，为每种合金的加入量，目标函数为铁 续的合金配料计算，合金减量化智能控制模型主 合金总加入成本最低原则，约束条件包括需要保 界面如图3所示.模型数据显示主要由以下几部 证钢液合金元素含量满足品种标准需求，同时控 分组成：工艺基本参数模块、合金信息模块、合金 制杂质元素含量小于含量标准最大值，从而计算 种类选择模块、合金收得率预测模块、钢液化验 出成本最低的合金加料方案

2.2    界面设计 在模型进行配料计算前，需要获取当前炉次 所炼钢种内控目标成分、钢液信息、合金信息等， 这些数据都是通过企业 Oracle 数据库与模型进行 交互调用的，可在生产过程中实时获取. 同时，模 型会将所读取数据显示在模型主界面并且用于后 续的合金配料计算，合金减量化智能控制模型主 界面如图 3 所示. 模型数据显示主要由以下几部 分组成：工艺基本参数模块、合金信息模块、合金 种类选择模块、合金收得率预测模块、钢液化验 成分模块、加入量计算结果模块. 2.3    模型计算方法 模型在物料平衡计算的基础上，采用线性规 划作为核心算法[17– 23] ，包括决策变量、目标函数、 约束条件三部分构成，其中决策变量为模型最终 的输出结果，为每种合金的加入量，目标函数为铁 合金总加入成本最低原则，约束条件包括需要保 证钢液合金元素含量满足品种标准需求，同时控 制杂质元素含量小于含量标准最大值，从而计算 出成本最低的合金加料方案. Start Read heal No, match stee1 grade Data input: interact with oracle database through interface software functions Data analysis based on K-means clustering Stee1 grade X historical production data Obtain molten steel data, ferroalloy composition, price and target composition information Solving: The model calculates the ferroalloy batching plan Intelligently analyze the appropriate ferroalloy type selection according to the input data Add ferroalloy according to the calculation result Obtain molten steel and ferroalloy information, set model calculation parameters Production process parameters and corresponding alloy yield Solving: the model calculates the ferroalloy batching plan Principal component analysis The main component variables of the influencing factors of yield Temperature measurement, sampling BP neural network Forecast results of Whether the ingredients ferroalloy yield meet the standards Output: Data feedback is output to the background, and the database is continuously improved after processing End Ferroalloy information database Intelligent call of ferroalloy yield BOF LF NO Yes 图 2 模型计算流程图 Fig.2 Model calculation flowchart · 1692 · 工程科学学报，第 43 卷，第 12 期