重型異形坯連鑄坯智能定重系統開發與實踐

程錦君¹  鄧南陽²  吳帥¹  韋文鈺²  耿毅²  張立強¹

（1. 安徽工業大學 冶金工程學院  安徽馬鞍山 243000；

2. 馬鞍山鋼鐵有限公司  長材事業部  安徽馬鞍山 243000）

摘要：在馬鋼連鑄生產中，重量波動大及模糊的坯料交接界面計量，加之智能化程度不足，均是導致重型異形坯成材率低下的顯著因素。針對這一問題，通過研究采納工業大數據的全量化分析方法，運用先進的冶金數據庫在線優化學習、深度數據挖掘技術及人工神經網絡算法，成功構建了重型異形連鑄鋼坯的定重在線模型。該模型通過精確控制定尺切割，顯著提升了定重精度，并開發了動態模型優化算法以計算鑄坯的確切長度與重量，實現了生產流程的實時預測與閉環控制。結果表明重型異形鋼的成材率得到了顯著提升，模型實施后，鑄坯重量公差小于千分之三的最高合格率達到了93%以上，平均合格率穩定在82%以上，而在千分之五范圍內的合格率達到了99%以上。該模型以其動態調整、智能修正、自我學習優化及實時預判的特性，在節能降耗和提高產品成材率方面發揮了顯著作用。

關鍵詞：重型異形坯；數據挖掘；動態稱重；模型優化算法

1 前言

隨著公路橋梁、船舶、機械制造以及大跨度橋梁等大型基礎建設項目的不斷推進，我國對H型鋼的需求量持續上升^[1-3]。其中重型熱軋H型鋼憑借其生產效率高、耗能低、工期短、軋制次數少、殘余應力小以及綜合成本低等顯著優勢，已被廣泛應用于橋梁、機場、船舶和隧道等高端建設領域^[4-6]。為此，國內生產異形坯的基地針對連鑄工藝中存在的一系列問題進行了精心調整，為重型異形坯的生產奠定了堅實的基礎。孟強等人^[7]對異形坯結晶器開口度檢測方面進行了研究，設計出了精度高，結構簡單，制造成本低的檢測異形坯形狀尺寸設備，為提高生產效率提供了基礎。黃明^[8]利用軟件，并根據異形坯內鑄坯以及結晶器銅板熱力耦合模型，對結晶器錐度進行了優化設計，為異形坯結晶器的設計提供了參考。除此之外，更多學者將目光集中如何控制鑄坯質量，其中黃文等人^[9]通過Visual Basic 6.0開發了離線動態二冷控制模型，實現了對進入二冷區的鑄坯信息的實行跟蹤、記錄和動態調控，使鑄坯溫度分布保持穩定。張年華^[10]通過調整保護渣、調整拉速和改善二冷制度等方法降低了異形坯R角裂紋的產生。胡林梅^[11]通過提高拉速，降低二冷強度的方式，改善鑄坯的傳熱條件，使得重型異形坯溫度更加均勻。而王金坤^[12]則通過提高錳硫比，調節拉速，優化過冷度等方式降低了重型異形坯縱裂紋率，有效改善了鑄坯質量。然而，由于重型異形坯的斷面復雜且重量難以精準預測，加之人工修改定尺存在明顯的滯后性，難以精準控制，常導致切廢或短尺，從而降低了成材率。在連鑄連軋生產中，定重切割技術在提高生產效益和效率的關鍵。定重切割技術在提高軋材成材率方面展現出顯著優勢，廣泛應用于不同拉速下的小方坯、大方坯、棒材和異形坯等連鑄生產工藝^[14-16]。但由于重型異形坯的重量較大，其在定重技術應用方面的潛力仍值得進一步探索。

因重異形連鑄機按定尺切割，對應型鋼軋鋼按重量軋制，定尺坯的重量波動造成鋼軋執行標準不統一，坯料交接界面計量不清晰，影響重型H型鋼的成材率；而坯重控制方式，通過“定尺切割+人工抽測” 增減長度，然而，工藝、設備等條件變化，鑄坯重量波動范圍大，人工難以進行精準調控，影響切割精度和生產指標。本研究對馬鋼生產的不同斷面尺寸的異形坯的生產環境進行三維模擬仿真，并基于數據采集及挖掘、人工神經網絡、智能模型算法等技術，對鋼種、鑄坯標準重量、斷面尺寸，實時采集中包溫度、拉速等指標進行深度學習，建立的冶金數據庫，并設計開發智能定重模型。通過機器學習，動態模型優化算法，計算鑄坯的定尺長度及重量，進行實時在線預報，下達切割鑄坯指令，實現鑄坯精準定重的目標；并在切割后反饋鑄坯實際重量，對模型實時動態優化，進一步提高精度。該模型上線運行后連鑄坯重量公差小于千分之三的最高合格率達到了93%以上，平均合格率穩定在82%以上，而在千分之五范圍內的合格率達到了99%以上。

2模型構建與算法開發

為了精確控制重型異形坯連鑄的定重過程，通過實時收集關鍵生產參數建立了冶金數據庫，并開發了切割長度動態修正模型、基于紅外攝像的定尺修正模型以及基于神經網絡的預測模型，實現了鑄坯定重的高精度和實時動態優化。

2.1 冶金數據庫和模型的開發

數據庫是整個模型的基石，根據目標鋼種、鑄坯標準重量、斷面尺寸，實時采集中包溫度、拉速、結晶器通鋼量等指標建立冶金數據庫。同時開發切割長度動態修正模型^[17]、基于紅外攝像的動態修正模型^[18]和基于神經網絡的預測模型等模型，用于組成異形坯連鑄動態定重模型，并在切割后反饋鑄坯實際重量，對模型實時動態優化，提高定重精度。

1) 切割長度動態修正模型

將連鑄坯切割長度與軋鋼產線、需求相匹配，引入軋鋼廢品率，建立了連鑄坯切割長度修正公式，能夠動態調整鑄坯切割長度，見式（1）：

式中，L₂為修正后連鑄坯長度；

L₀為當前批次連鑄坯長度；

L₁為上批次連鑄坯長度；

k₀為當前批次廢品率；

k₁為上批次廢品率；

b為長度因子；

sgn()為符號函數。

2) 基于紅外攝像的動態定尺修正模型

通過紅外攝像機與鑄坯之間夾角來修正定尺誤差，見式（2）：

式中，L_X表示當前批次修正后定尺長度；

X₁為起點測量誤差；

X_末為切割點誤差；

X_x-1為上批次修正長度；

I_x為當前批次理論定尺長度；

H為測量值相機與鑄坯的垂直距離；

L₀為垂點處位置；

L₁為攝像機照射的最前端；

L_末為攝像機照射的最末端；

L_X-1為上批次定尺長度。

3) 基于神經網絡的預測模型

該模型采用徑向基函數（Radial Basis Function, RBF）神經網絡構建連鑄坯長度預測模型。RBF神經網絡是一種具有普遍逼近能力的三層前饋神經網絡^[19]，其結構包括輸入層、隱藏層和輸出層。在本模型中，輸入層包含7個神經元，分別對應鑄坯斷面、鑄坯重量、現場工藝參數、結晶器狀態、中間包溫度、拉速以及一冷二冷配水等關鍵生產指標。隱藏層由若干RBF神經元構成，每個神經元對應一個徑向基函數。輸出層包含一個神經元，表示預測的連鑄坯長度，其示意圖如圖1所示。

圖1  RBF神經網絡的預測模型

RBF神經網絡的輸出可以表示為：

其中，y(x)為網絡輸出，即預測的連鑄坯長度；

x為輸入向量；

wi為隱藏層到輸出層的連接權重；

_i為第i個RBF神經元的激活函數；

c_i為第i個RBF神經元的中心向量；

b為偏置項。

本研究選用高斯函數作為RBF神經元的激活函數：

其中，r = ||x - c||為輸入向量與神經元中心的歐氏距離，

為擴展常數，決定了RBF的作用范圍。

RBF神經網絡的訓練過程可分為三個階段：

a) 確定隱藏層神經元中心：采用K-均值聚類算法[20]對輸入樣本進行聚類，聚類中心即為RBF神經元的中心。

b) 計算RBF神經元的擴展常數：使用P-最近鄰算法[21]確定每個RBF神經元的擴展常數。計算公式如下：

其中，c_i為第i個RBF神經元的中心

c_j為與ci最近的P個中心。

確定輸出層權重：采用最小二乘法[22]優化輸出層權重。令Φ為隱藏層輸出矩陣，W為權重向量，Y為目標輸出向量，則：

2.2 模型構建和算法的開發

基于工業大數據模型，重異形坯定重模型根據目標鋼種、鑄坯標準重量、斷面尺寸，實時采集中包溫度、拉速、結晶器通鋼量等指標。結合本項目建立的冶金數據庫，采用動態模型優化算法，計算鑄坯的定尺長度及重量，進行實時在線預報，下達切割鑄坯指令，實現鑄坯精準定重的目標；并在切割后反饋鑄坯實際重量，對模型實時動態優化，進一步提高鑄坯定重精度，重型異形坯連鑄動態定重模型示意圖如圖2所示。

圖2 重型異形坯連鑄動態定重模型示意圖

1） 定重模塊。

定重模塊是整體定重系統的核心，它由冶金數據庫和定重模型兩大關鍵組成部分構成。在此模塊中，冶金數據庫貯藏了多種鋼材型號的詳細信息，這些信息是執行定重基本運算的基礎?；阡撍o壓力的定重算法，通過采用神經網絡預測模型，模塊能夠對指定鋼材的鑄坯長度進行精確預測，并將預測結果傳遞至定尺模塊以便執行切割操作。另一方面，定重模塊能夠接收來自稱重模塊的實時數據，并利用這些數據對定重模型進行優化設計，實時調整鑄坯切割指令以提升定重精度。此外，該模塊還能夠更新冶金數據庫中的鋼種生產的實時信息，實現對生產數據的跟蹤與學習，從而進一步增強定重操作的精確度。

2）定尺模塊。

定尺模塊在連鑄生產中扮演著至關重要的角色，其核心職能在于通過精確測量和控制鑄坯的切割長度來確保產品質量。該模塊采用基于紅外攝像技術的動態修正模型來判定最佳切割時機，通過測量紅外攝像頭與鑄坯之間的角度差異來計算鑄坯的實際長度，從而保障切割過程的高精度。進一步地，模塊能夠根據連鑄生產過程中的實時數據自動調節定尺長度，實現對鑄坯生產狀況的實時監控，并根據生產需求動態調整，以適應生產線上的變化。此項技術的運用大大減少了對人工干預的需求，優化了生產流程，確保了連鑄產品的質量和一致性。

3） 稱重模塊。

稱重模塊采用托架式整體輥道式稱重法，徑下方配備高級輥道電子秤來完成，確保了連鑄坯重量的在線精確測量。該輥道鋼坯稱重裝置整合了輸送裝置、傳感器和控制器等，可在鑄坯達到特定位置時進行精確稱重，并與定重模型機進行有效數據交換。系統支持輥道電機的精確控制、自動化記錄、數據統計及網絡通信等多項功能，采用的高精度傳感器和數字化測量儀表保障了稱重過程的高效性和抗干擾能力，符合惡劣工業環境的操作需求，顯著提升了生產效率和鑄坯品質。

4）算法開發。

在本研究中，開發了一個基于VSCode C++的定重模型算法，旨在利用工業大數據，為連鑄坯智能定重提供支持。該模型通過整合PLC讀取的實時現場數據和冶金數據庫信息，如鋼種、拉速、過熱度及結晶器通鋼量等，動態預測鑄坯重量，并據此調整切割長度。隨后，定尺模塊利用紅外攝像技術進行鑄坯切割和動態跟蹤，切割后的鑄坯經過稱重模塊的精確稱重，其數據反饋至冶金數據庫中以優化下一輪的模型計算。該算法開發的詳細流程圖如圖3所示，展示了從數據收集到模型預測，再到切割和數據反饋的完整過程，實現了系統的閉環控制和智能化。

圖3 算法開發流程圖

2.3 模擬仿真及現場改進

根據馬鋼重型異形坯現場情況，需要生產的不同斷面尺寸的異形坯對輥道、主控室現場進行三維模擬仿真，并根據現場情況改進，新增定重模型機，熱送輥道，稱重儀表及工業電腦等設備用于配合重型異形坯連鑄動態定重模型的開發，現場模型布置示意圖如圖4所示。

圖4現場模型布置示意圖

3動態稱重模型與軟件開發

3.1現場模型搭建

基于三維模擬現場，一方面，對廠房進行定重模型搭建，通過傳感器采集連鑄實時生產數據、鋼種信息盒連鑄設備信息等PLC數據傳輸至數據庫；另一方面，對原有的輥道進行優化設計，加入與智能定重模型相適配的輥道鋼坯稱重布置測點位置如圖5(a)所示，稱重設備也通過傳感器將信號傳輸到數據庫。所有數據經一級網絡通訊進入模型服務器后根據神經網絡預測模型進行定重模型計算，然后將計算結果通過定尺切割系統切割連鑄坯后稱重。其中輥道上的傳感器檢測到的重量信號通過現場帶隔熱箱的數字盒數字信號傳輸至主控制的稱重儀表，電子稱稱重數據通過485通訊實時采集稱重數據；輸出數據通過一級網絡實時輸出到定尺約定的DB塊地址，實現與鑄機切割系統通訊，現場輥道布置如圖5(b)，搭建完成后進行現場稱重，結果與模擬結果吻合度一致，說明模型搭建成功。

圖5 現場模型搭建圖((a) 定重模型布置測點圖;(b) 現場輥道布置圖)

3.2軟件開發

為實現重型異形坯生產流程的實時優化、故障預防和提高安全性等方面，同時利用生產數據完善冶金數據庫和工業大數據開發了連鑄坯智能定重系統。該系統主要包括鋼種設定、更換結晶器、數據導出、標重更新、合格率等模塊，其中種設定、更換結晶器和純定尺模式等模塊直接通過PLC讀取冶金數據庫和現場生產的數據，標重更新和稱重記錄通過RS485串行通訊方式進入定重模型機機管理系統進行數據自動采集，并記錄至系統和數據庫中，連鑄坯智能定重系統主界面如圖6所示。

圖6 重型異形坯智能定重系統主界面

4 應用效果

，隨著模型投用時間增加，不同鋼種的合格率由82.35%增加到93.33%；從圖7(b)可知，隨投用時間的增加，平均合格率也不斷提高。該模型自投用以來運行連鑄坯重量公差小于千分之三的最高合格率達到了93%以上，平均合格率穩定在82%以上，而在千分之五范圍內的合格率達到了99%以上。

圖7 各鋼種稱重合格率((a)不同鋼種單月不超過0.3%合格率情況;(b)所有鋼種不超過0.3%平均合格率情況;)

5結語

本文主要開發了一種用于重型異形鋼坯連鑄過程中的智能定重模型，該模型通過結合冶金數據庫、神經網絡預測、動態修正等技術，實現了鑄坯重量的高精度控制，顯著提高了生產效率和產品質量。得出如下結論：

1）構建了馬鋼重型異形坯智能定重模型，并開發了連鑄坯智能定重系統，改善了因鑄坯重量造成的軋材短尺或切廢現象，提高了軋鋼成材率；同時可避免頻繁改動定尺而造成的鋼水收得率損失，有利于提升鋼水-鋼坯收得率。

2）模型自上線以來，鑄坯重量公差小于0.3%的班次高值合格率達到了93%，全年平均合格率穩定在80%以上。

3）模型具備動態靈活、智能修正、自學習優化、實時預判等特點，提高定重精度，節能降耗，提高產品成材率，且重異形坯定重系統所用的模型以及數據采集設備均為高度智能化，可以大大提升企業的自動化以及智能化水平。

參考文獻

[1]  楊寶,李亞博,李洪俊等.大跨徑拼裝H型鋼疊合梁橋孔群制作精度控制技術[J].建筑技術,2024,55(01):35-37.

[2]  馬鋼熱軋H型鋼首次打入國外采油船項目[J].軋鋼,2020,37(06):39.

[3]  田學伯.我國H型鋼市場需求分析及市場定位[J].機械設計,2018,35(S1):273-275.

[4]  樊三彩.丁毅代表建議:將重型熱軋H型鋼列入“高端鋼鐵產品”[N].中國冶金報,2024-03-12(003).

[5]  胡豪,徐升橋,鄒永偉等.高速公路30 m跨度大規格熱軋H型鋼簡支組合梁應用經濟性研究[J].市政技術,2023,41(11):22-29+86.

[6]  呂偉鋒,尚文彪,張宏杰等.重型熱軋H型鋼在大跨度桁架和鋼梁中的焊接應用[J].金屬加工(熱加工),2022,(10):35-39.

[7]  孟強,閆炯,孫勝勇.連鑄異形坯結晶器開口度檢測解決方案[J].包頭職業技術學院學報,2023,24(04):63-66.

[8]  黃明.異形坯連鑄結晶器錐度的優化設計[J].工程建設與設計,2019,(22):143-144.

[9]  黃文,連天龍,張興中等.異形坯連鑄離線動態二冷控制模型的研究與開發[J].中國機械工程,2016,27(12):1643-1647.

[10]  張年華,李亮,渠松濤等.異形坯生產S450J0V鋼樁鋼表面質量控制與改善[J].山東工業技術,2017(20):1-2.

[11]  胡林梅,沈昶,王猛.重型異形坯鑄坯表面橫裂紋的成因分析與控制[J].冶金動力,2024,(01):86-89.

[12]  王金坤,王勇,牛金印等.馬鋼重型異形坯縱裂紋處理優化研究[J].江西冶金,2022,42(05):76-82.

[13]  陳小冬.定重定尺智能切割在連鑄中的應用及問題分析[C]//中國金屬學會煉鋼分會（Steelmaking Committee of the Chinese Society for Metals）.2018年（第二十屆）全國煉鋼學術會議大會報告及論文摘要集.陜鋼集團漢中鋼鐵有限責任公司;,2018:1.

[14]  周從銳,熊良友,吳建軍等.定重切割技術在小方坯連鑄機上的應用[J].金屬世界,2022,(06):75-79.

[15]  李偉,黃大軍,吳帥等.連鑄坯在線定重切割技術工藝實踐[J].連鑄,2022,(05):101-107.

[16]  李偉,談正軍,程錦君等.基于二冷優化的高拉速方坯質量改善及實踐[J].連鑄,2022,(02):95-99.

[17]  陽春新鋼鐵有限責任公司. 一種基于鑄軋聯動的連鑄坯定尺系統:CN201910941025.4[P]. 2019-12-06.

[18]  陽春新鋼鐵有限責任公司,安徽工業大學. 一種連鑄紅外攝像定尺誤差在線連續修正的方法:CN202110194769.1[P]. 2021-07-09.

[19]  楊彥霞, 王普, 高學金, 等. 基于混合雙層自組織徑向基函數神經網絡的 優化學習算法[J]. Journal of Beijing University of Technology, 2024, 50(1).

[20]  何帆, 何選森, 劉潤宗, 等. 數據降維與 K-均值聚類的質量評估[J]. 重慶理工大學學報 (自然科學), 2024, 38(1): 131-141.

[21]  朱金, 付玉, 管文瑞, 等. 基于自然最近鄰的樣本擾動三支聚類[J]. 《 山東大學學報 (理學版)》, 2024, 59(5): 45-51.

[22]  Qiao S, Fan Y, Wang G, et al. Multi-sensor data fusion method based on improved evidence theory[J]. Journal of Marine Science and Engineering, 2023, 11(6): 1142.