数字化与智能化技术正作为新质生产力助力中国高炉炼铁的智能化转型升级。目前,以通用大模型(universal large language models, U-LLMs)作为基础框架,利用领域语料库进行2次训练构建行业垂直大模型(vertical large language models, V-LLMs)指导工业生产已成为新态势。尽管已涌现出面向钢铁生产全流程的V-LLMs用于生产,但面向高炉工序构建V-LLMs的针对性研究尚处于初步阶段。通过梳理高炉炼铁智能化技术在近年来的演进升级路线,提出了以大模型驱动其范式重构与融合的新思路。将高炉V-LLMs的任务场景分为调度与决策2类,提出并设计了“数据层→应用层→感知层”的高炉V-LLMs渗透与应用路径,同时针对其未来的性能评估与优化提出5维评价体系,即工艺理解、安全可靠、知识迁移、实时性能与持续学习。随后,探讨了高炉V-LLMs驱动的3种智能升级新范式,包括高炉工况表征、高炉工况元宇宙,以及多场景融合,提出以高炉V-LLMs为核心的“物理↔虚拟↔感知”三维协同深度表征架构与“高炉画像”新概念,对高炉工况元宇宙的构建路线及多场景融合方针进行了梳理与讨论。最后,分析了高炉V-LLMs在未来发展与应用过程中面临的主要问题及可参考的解决方案。重点在于梳理高炉V-LLMs在构建、应用、评价中的可行性路线,结合行业发展现状对高炉V-LLMs驱动的炼铁智能化范式重构进行讨论,旨在为V-LLMs在中国高炉炼铁领域未来的深度应用提供理论指导,进一步推动中国高炉炼铁智能化的转型升级与发展。
黏结漏钢作为最常见的漏钢事故,不仅会损坏连铸设备,甚至威胁操作人员生命安全。常规的漏钢预报模型主要依赖工艺参数的阈值进行判断和简单的统计分析,没有充分利用数据的时序变化,限制了模型的准确性。为了解决上述问题,将鲸鱼优化算法(whale optimization algorithm,WOA)和长短期记忆神经网络(long short term memory, LSTM)结合,构建了一种基于深度学习的WOA-LSTM漏钢预报模型。提取温度特征、静态几何特征及动态特征,使用皮尔逊相关系数筛选出与漏钢事故相关性较高的特征参数,包括温升异常和温降区域温度变化率均值、最大值等11个特征。利用鲸鱼优化算法对长短期记忆神经网络的超参数进行寻优,以均方误差作为模型损失函数,通过循环迭代搜索出最优的网络超参数。在模型训练过程中,采用滑动窗口技术输入训练样本,使模型能够更好地学习和捕捉连铸过程中工艺参数的时序变化特征。最后使用某钢厂的实际生产数据进行了试验,与BP(back propagation)、LSTM及WOA-BP模型相比,WOA-LSTM预测模型在多个性能指标上均表现出色,能更精准地捕捉到特征数据的时序变化趋势,且模型的收敛速度快、预测精度高。该模型的报出率为98.4%,预报率为96.8%,能够满足钢厂实际生产的要求。
连续化制造技术是热轧带钢制造技术发展的重要方向,通过将传统制造流程中独立分散的连铸、加热、轧制等工序高效集成,实现了从钢水到钢卷的连续化生产。它是实现钢铁工业低碳、高效、高质量发展的重要技术路径,是新质生产力的代表。针对MCCR(multi-modo continuous casting and rolling)多模式连续铸轧产线工艺特点,分析了其实现连续化制造面临的关键技术问题,并基于生产实践提出了成套的解决方案。首先,针对高钢通量连铸需求,构建了涵盖超高拉速连铸、高钢水洁净度控制以及流场稳定控制技术的高钢通量连铸技术体系,突破传统工艺的钢通量与品质瓶颈;其次,开发了耐火材料、结晶器和轧辊3大长寿化关键技术,大幅降低设备损耗并提高运行时间,保障了连续化制造的长周期稳定运行;同时,基于隧道式均热炉的多模式解决方案,实现了单坯/半连续/全连续多模式灵活转换,并配套开发了在线、动态、宽域、高精度厚度/宽度调控技术,有效解决连续化制造生产灵活性不足的问题。此外,通过集成高精度凸度控制、高稳定性能控制、高性能材料制备技术,形成了高品质制造技术体系,以满足全系列高强度钢的高精度制造。最后探讨了连续化制造技术的发展方向,即深度融合绿色低碳、高品质生产和智能化赋能,以期助力未来钢铁工业的转型升级。