关键词:
炼钢-连铸区段
转炉冶炼周期预测
扰动解析与评价
动态运行仿真
协同调度
摘要:
随着我国智能制造的快速发展,作为流程制造业的钢铁工业急需在智能化领域进行更深入的探索与实践。钢铁企业立足于冶金过程,不断完善机理模型,开展了多个工序工艺技术优化的攻关,但同时炼钢厂工序关系集的协同-优化也是钢厂智能化发展的重要组成部分。目前大多生产调度模型对生产工艺与生产过程考虑不足,导致调度方案很难达到令人满意的应用效果,尤其是在面对现今多品种、小批量、多规格、高质量、快节奏的市场需求时,加强基于冶金特征的生产调度优化研究对于炼钢厂实现高端化、智能化、绿色化转型发展具有重要意义。鉴于此,本文以国内某无精炼跨转炉炼钢厂为研究对象,综合冶金流程工程学、炼钢学、运筹学等理论,采用机理解析、机器学习、仿真建模与数学规划等方法,从转炉吹氧扰动分析、扰动时间预测、扰动影响评价、多工序运行仿真和生产过程重调度等多视角开展炼钢-连铸过程多工序协同调度的研究。
首先,针对目标钢厂的铁素物质流运行时间规律进行了详细解析。对于目标钢厂,包含LF单精炼和LF-RH双精炼两种主要工艺路径。两种工艺路径下的转炉冶炼周期分别在40min、42min左右波动,两者LF精炼周期相当,在42min左右波动,LF-RH双精炼工艺的RH精炼周期在29 min左右波动,连铸机浇铸周期与铸坯断面规格以及拉速密切相关,炉次重量波动与钢水供应节奏不稳定是浇铸周期波动的主要原因,其中,转炉冶炼周期呈偏态分布,长尾向出钢延迟方向延伸,出钢节奏不稳定,加剧了连铸浇铸周期的波动。本文归纳总结了扰动的来源与扰动的影响两个扰动分析视角,阐述了不同分析视角的内涵与其在动态调度问题中的应用范围,深化对生产扰动的认知,为后续的研究奠定基础。
其次,针对炼钢-连铸过程转炉冶炼工艺扰动频发,冶炼周期不稳定的问题,应用冶金机理与机器学习相结合的方法,构建了基于深度神经网络和氧平衡机理混合驱动的转炉冶炼周期预测模型。实验结果表明,当隐含层数量为3,隐含层神经元数量为32~16~8,学习速率为0.1时,深度神经网络模型具有最高预测精度与最优的泛化性能。同时,当深度神经网络模型和氧平衡机理模型的权重系数分别为0.81和0.19时,混合模型性能优于其它5种对比模型。混合模型误差在±300 m3之内的转炉耗氧量预测命中率为96.67%,同时,误差在±0.5min之内的混合模型转炉冶炼周期预测命中率为88.30%。基于该模型实现了由转炉吹氧冶炼到其扰动时间的转换,为解决实际调度扰动问题奠定了重要基础。
再次,基于转炉扰动过程解析,将炉次出钢延迟扰动的传递行为分为炉次之间的传递与工序/设备之间的传递两个过程,并详细解析了两种扰动传递过程与扰动时间的关系,总结了转炉炉次间隔时间、BOF-LF传搁等待时间、LF-CC传搁等待时间以及前序炉次累积的冶炼延迟时间与连铸工序累积的调整时间等5类生产运行节奏的影响因素,通过精炼工序与连铸工序缓冲能力的求解,明确转炉冶炼周期控制范围,进而构建了转炉扰动等级评价模型。模型将转炉扰动等级划分为轻度扰动、中度扰动和重度扰动三级,分别与精炼缓冲调整、精炼+连铸双重缓冲调整以及重调度等调度调整措施相对应。通过该评价模型,炼钢-连铸过程能够对生产运行状态时刻保持感知与判断并确定调整策略,从而做出精确的动态调度决策,避免初始作业计划的频繁修改,提高了其对生产现场的适应性。
然后,针对高动态环境下炼钢-连铸大规模生产过程复杂、难以准确分析的问题,本文考虑了车间布局、钢包运转、冶炼周期与炉次重量波动等扰动因素,设计了与之匹配的炼钢厂动态运行规则,构建了基于Plant Simulation软件平台的炼钢-连铸过程动态仿真模型,实现了离散仿真平台下炼钢-连铸过程的连续运行。仿真结果表明,仿真结果与实际结果的生产计划总完成时间误差小于3%、工序间传搁时间误差小于1 min、钢包周转次数可准确模拟实际过程,验证了仿真模型对实际生产过程的良好仿真效果。在此基础上,本文进一步验证了“炉-机对应”模式优化对调度方案的现场适应性的提升,同时,应用该仿真模型验证了扰动在生产过程中的传递影响,阐明了相同扰动在不同运行节奏中的扰动影响不同。在附加本文所建转炉扰动等级评价模型后,生产过程在浇次断浇次数、拉速变化幅度和最大断浇时间方面相较人工调度均有明显的改善,断浇次数减少3次、拉速变化幅度由优化前的平均0.07m/min减小至0.03 m/min、最大断浇时间平均减少4.31 min,表明了转炉扰动等级评价模型在生产过程中的可用性与有效性。
最后,针对炼钢-连铸过程转炉出钢延迟扰动问题,构建了转炉出钢延迟下的炼钢-连铸过程动态调度模型,模型以重调度完工时间与原计划完工时间偏差最小以及工序间炉次等待时间最小为优化目标,提出了基于转炉扰动等级评价和“炉-机对应”模式优化的启发式算法用于模型求解,通过转炉出钢延