炼钢厂多尺度建模与协同制造

工程科学学报 Chinese Journal of Engineering 炼钢厂多尺度建模与协同制造 刘青邵鑫杨建平张江山 Multiscale modeling and collaborative manufacturing for steelmaking plants LIU Qing.SHAO Xin,YANG Jian-ping.ZHANG Jiang-shan 引用本文： 刘青，邵鑫，杨建平，张江山.炼钢厂多尺度建模与协同制造[J].工程科学学报，2021,43(12)：1698-1712.doi: 10.13374j.issn2095-9389.2021.09.27.010 LIU Qing,SHAO Xin,YANG Jian-ping.ZHANG Jiang-shan.Multiscale modeling and collaborative manufacturing for steelmaking plants[J].Chinese Journal of Engineering,2021,43(12):1698-1712.doi:10.13374/j.issn2095-9389.2021.09.27.010 在线阅读View online::htps:/doi.org/10.13374.issn2095-9389.2021.09.27.010 您可能感兴趣的其他文章 Articles you may be interested in 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.org10.13374.issn2095-9389.2019.04.30.002 基于“炉机对应”的炼钢连铸生产调度问题遗传优化模型 Genetic optimization model of steelmakingcontinuous casting production scheduling based on the "furnacecaster coordinating" strategy 工程科学学报.2020,425)：645htps:doi.org10.13374j.issn2095-9389.2019.08.02.004 炼钢连铸区段3种典型工序界面技术研究进展 Research progress on three kinds of classic process interface technologies in steelmaking-continuous casting section 工程科学学报.2020.42(12：1542 https:/1doi.org/10.13374斩.issn2095-9389.2020.05.08.001 钢铁智能制造背景下物质流和能量流协同方法 Synergetic method between materials flow and energy flow in iron and steel intelligent manufacturing 工程科学学报.2017,391)：115 https::1doi.org/10.13374j.issn2095-9389.2017.01.015 地下矿山生产接续与设备调度集成优化模型 Integrated optimization model for production and equipment dispatching in underground mines 工程科学学报.2018,40(9%：1050 https:oi.org10.13374j.issn2095-9389.2018.09.005 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.org/10.13374.issn2095-9389.2019.04.013

炼钢厂多尺度建模与协同制造 刘青 邵鑫 杨建平 张江山 Multiscale modeling and collaborative manufacturing for steelmaking plants LIU Qing, SHAO Xin, YANG Jian-ping, ZHANG Jiang-shan 引用本文: 刘青, 邵鑫, 杨建平, 张江山. 炼钢厂多尺度建模与协同制造[J]. 工程科学学报, 2021, 43(12): 1698-1712. doi: 10.13374/j.issn2095-9389.2021.09.27.010 LIU Qing, SHAO Xin, YANG Jian-ping, ZHANG Jiang-shan. Multiscale modeling and collaborative manufacturing for steelmaking plants[J]. Chinese Journal of Engineering, 2021, 43(12): 1698-1712. doi: 10.13374/j.issn2095-9389.2021.09.27.010 在线阅读 View online: https://doi.org/10.13374/j.issn2095-9389.2021.09.27.010 您可能感兴趣的其他文章 Articles you may be interested in 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 基于“炉机对应”的炼钢连铸生产调度问题遗传优化模型 Genetic optimization model of steelmakingcontinuous casting production scheduling based on the “furnacecaster coordinating” strategy 工程科学学报. 2020, 42(5): 645 https://doi.org/10.13374/j.issn2095-9389.2019.08.02.004 炼钢连铸区段3种典型工序界面技术研究进展 Research progress on three kinds of classic process interface technologies in steelmaking-continuous casting section 工程科学学报. 2020, 42(12): 1542 https://doi.org/10.13374/j.issn2095-9389.2020.05.08.001 钢铁智能制造背景下物质流和能量流协同方法 Synergetic method between materials flow and energy flow in iron and steel intelligent manufacturing 工程科学学报. 2017, 39(1): 115 https://doi.org/10.13374/j.issn2095-9389.2017.01.015 地下矿山生产接续与设备调度集成优化模型 Integrated optimization model for production and equipment dispatching in underground mines 工程科学学报. 2018, 40(9): 1050 https://doi.org/10.13374/j.issn2095-9389.2018.09.005 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

工程科学学报.第43卷.第12期：1698-1712.2021年12月 Chinese Journal of Engineering,Vol.43,No.12:1698-1712,December 2021 https://doi.org/10.13374/j.issn2095-9389.2021.09.27.010;http://cje.ustb.edu.cn 炼钢厂多尺度建模与协同制造 刘 青12区，邵鑫，杨建平》，张江山 1)北京科技大学钢铁治金新技术国家重点实验室，北京1000832)钢铁生产制造执行系统技术教育部工程研究中心，北京100083 通信作者，E-mail:qliu@ustb.edu.cn 摘要在阐述炼钢厂多尺度建模与协同制造技术架构的基础上，分别从单体工序尺度、车间区段尺度与炼钢厂运行尺度开 展了炼钢厂协同制造的研究.从工序装置过程控制系统(PCS)到炼钢厂制造执行系统(MS)进行了较为系统的建模研发，构 建了包括转炉工序、精炼工序与连铸工序在内的工序工艺控制模型以及以生产计划与调度模型为核心的物质流运行优化模 型，并通过工序工艺控制和生产计划与调度的动态协同.实现了炼钢厂多工序装置的高效运行.研发了炼钢一连铸过程工序 工艺控制模型、生产计划与调度模型同MES之间的数据接口，实现了MES与生产工艺控制、流程运行控制、生产计划与调 度系统的有机融合，形成了以机理模型与数据模型协同驱动的工艺精准控制、多工序协同运行、基于“规则+算法”的生产计 划与调度为支撑的炼钢-连铸过程集成制造技术，通过多层级的纵向协同与多工序的横向协同，实现了炼钢厂的协同运行与 控制.研究成果是炼钢-连铸过程智能制造的有益探索与实践，对流程工业智能制造企业具有很强的参考价值，对治金工业 绿色化、智能化发展具有示范与借鉴作用.应用后，明显提升了炼钢厂的协同制造水平，取得了显著的经济与社会效益. 关键词工艺模型；生产模式；计划与调度：运行评价：接口技术：动态协同：集成制造：炼钢厂 分类号TF758 Multiscale modeling and collaborative manufacturing for steelmaking plants LIU Qing,SHAO Xin,YANG Jian-ping,ZHANG Jiang-shan 1)State Key Laboratory of Advanced Metallurgy,University of Science and Technology Beijing,Beijing 100083,China 2)Engineering Research Center of MES Technology for Iron and Steel Production,Ministry of Education,Beijing 100083,China Corresponding author,E-mail:qliu@ustb.edu.cn ABSTRACT With the recent,rapid developments of metallurgical theory and intelligent steelmaking technology,the intelligent upgrading of iron and steel enterprises has attracted increased attention and become a topic of discussion in the steel industry. Collaborative manufacturing is an important feature of intelligent manufacturing in steel enterprises,and it plays an important role in improving the production efficiency and reducing the carbon emissions of iron and steel enterprises.This study elaborated the structure and the contents of multiscale modeling and the collaborative manufacturing of steelmaking plants in detail.The collaborative control of steelmaking plants was studied from the scales of individual processes,workshop sections,and the operation of steelmaking plants. Systematic modeling studies had been conducted from the process control system of processes/devices to the manufacturing execution system(MES).The process control models,including the converter steelmaking process,secondary metallurgy process,and continuous casting process,and mass flow operation optimization models with the production planning and scheduling model as the core were established.In addition,the high-efficiency operation of multi processes/devices was realized through the dynamic coordination of process control and production planning and scheduling in the steelmaking plants.The data interface between process control models, production planning and scheduling models,and MES had been developed to realize the comprehensive integration of MES,production 收稿日期：2021-09-27 基金项目：国家自然科学基金资助项目(50874014.51074023.51974023.52004024)：教育部新世纪优秀人才支持计划资助项目(NCET07- 0067);中央高校基本科研业务费专项基金资助项目(FRF-BR-17-029A):钢铁冶金新技术国家重点实验室自主课题(41620007)

炼钢厂多尺度建模与协同制造 刘    青1,2) 苣，邵    鑫1)，杨建平1)，张江山1) 1) 北京科技大学钢铁冶金新技术国家重点实验室，北京 100083    2) 钢铁生产制造执行系统技术教育部工程研究中心，北京 100083 苣通信作者， E-mail: qliu@ustb.edu.cn 摘    要    在阐述炼钢厂多尺度建模与协同制造技术架构的基础上，分别从单体工序尺度、车间区段尺度与炼钢厂运行尺度开 展了炼钢厂协同制造的研究. 从工序/装置过程控制系统（PCS）到炼钢厂制造执行系统（MES）进行了较为系统的建模研发，构 建了包括转炉工序、精炼工序与连铸工序在内的工序工艺控制模型以及以生产计划与调度模型为核心的物质流运行优化模 型，并通过工序工艺控制和生产计划与调度的动态协同，实现了炼钢厂多工序/装置的高效运行. 研发了炼钢−连铸过程工序 工艺控制模型、生产计划与调度模型同 MES 之间的数据接口，实现了 MES 与生产工艺控制、流程运行控制、生产计划与调 度系统的有机融合，形成了以机理模型与数据模型协同驱动的工艺精准控制、多工序协同运行、基于“规则+算法”的生产计 划与调度为支撑的炼钢−连铸过程集成制造技术，通过多层级的纵向协同与多工序的横向协同，实现了炼钢厂的协同运行与 控制. 研究成果是炼钢−连铸过程智能制造的有益探索与实践，对流程工业智能制造企业具有很强的参考价值，对冶金工业 绿色化、智能化发展具有示范与借鉴作用. 应用后，明显提升了炼钢厂的协同制造水平，取得了显著的经济与社会效益. 关键词    工艺模型；生产模式；计划与调度；运行评价；接口技术；动态协同；集成制造；炼钢厂 分类号    TF758 Multiscale modeling and collaborative manufacturing for steelmaking plants LIU Qing1,2) 苣 ，SHAO Xin1) ，YANG Jian-ping1) ，ZHANG Jiang-shan1) 1) State Key Laboratory of Advanced Metallurgy, University of Science and Technology Beijing, Beijing 100083, China 2) Engineering Research Center of MES Technology for Iron and Steel Production, Ministry of Education, Beijing 100083, China 苣 Corresponding author, E-mail: qliu@ustb.edu.cn ABSTRACT    With  the  recent,  rapid  developments  of  metallurgical  theory  and  intelligent  steelmaking  technology,  the  intelligent upgrading  of  iron  and  steel  enterprises  has  attracted  increased  attention  and  become  a  topic  of  discussion  in  the  steel  industry. Collaborative manufacturing is an important feature of intelligent manufacturing in steel enterprises, and it plays an important role in improving the production efficiency and reducing the carbon emissions of iron and steel enterprises. This study elaborated the structure and the contents of multiscale modeling and the collaborative manufacturing of steelmaking plants in detail. The collaborative control of steelmaking  plants  was  studied  from  the  scales  of  individual  processes,  workshop  sections,  and  the  operation  of  steelmaking  plants. Systematic modeling studies had been conducted from the process control system of processes/devices to the manufacturing execution system (MES). The process control models, including the converter steelmaking process, secondary metallurgy process, and continuous casting  process,  and  mass  flow  operation  optimization  models  with  the  production  planning  and  scheduling  model  as  the  core  were established.  In  addition,  the  high-efficiency  operation  of  multi  processes/devices  was  realized  through  the  dynamic  coordination  of process control and production planning and scheduling in the steelmaking plants. The data interface between process control models, production planning and scheduling models, and MES had been developed to realize the comprehensive integration of MES, production 收稿日期: 2021−09−27 基金项目: 国家自然科学基金资助项目（50874014，51074023，51974023，52004024）；教育部新世纪优秀人才支持计划资助项目（NCET 07- 0067）；中央高校基本科研业务费专项基金资助项目（FRF-BR-17-029A）；钢铁冶金新技术国家重点实验室自主课题（41620007） 工程科学学报，第 43 卷，第 12 期：1698−1712，2021 年 12 月 Chinese Journal of Engineering, Vol. 43, No. 12: 1698−1712, December 2021 https://doi.org/10.13374/j.issn2095-9389.2021.09.27.010; http://cje.ustb.edu.cn

刘青等：炼钢厂多尺度建模与协同制造 ·1699· process control,process operation control,production planning,and scheduling system.It had formed the steelmaking-continuous casting process integrated manufacturing technology supported by the precise process control co-driven by mechanism and data models, collaborative process operation,and production planning and scheduling based on "rules+algorithms."Through multilevel vertical coordination and multiprocess horizontal coordination,the coordinated operation and the control of steelmaking plants were realized. The study results demonstrated a beneficial exploration and the practice of intelligent manufacturing in the steelmaking-continuous casting process,which had strong reference value for intelligent manufacturing enterprises in the process industry,and had a demonstration effect for the green and the intelligent development of the metallurgical industry.After the application,the collaborative manufacturing level of the steelmaking plant had been considerably improved,and significant economic and social benefits had been achieved. KEY WORDS process model;production mode;planning and scheduling;operation evaluation;interface technology;dynamic collaboration;integrated manufacturing:steelmaking plants 近年来，随着国内外装备制造技术与自动化 探索极具挑战性，并且更具现实意义 信息化水平的不断提高，以信息物理系统(CPS, 1单体工序尺度的工艺控制模型 Cyber--physical systems)为技术核心的“智能制造” 理念应运而生，并被誉为“第四次工业革命”.随 笔者团队基于在炼钢-连铸过程模拟与流程 着“智能制造”浪潮的兴起，一些发达国家或联 优化领域多年的研究与实践成果，瞄准关键工序 盟组织根据自身的发展特点及技术优势纷纷制 工艺控制、物质流运行优化与炼钢厂协同控制等 定并提出了“智能制造”发展战略，包括：欧盟未来 切入点，提出了炼钢厂多尺度建模与协同制造的 工厂计划与“智能制造系统2020”、美国先进制造 五级技术架构，如图1所示 业国家战略规划及工业互联网、德国“工业4.0”、 第一层级为基础理论与大数据层级，核心内 日本“机器人新战略”与“社会5.0”、以及中国制造 容为：“数据精准获取”与“价值深入挖掘”.大数 2025等. 据技术与冶金学相关理论相铺相成，共同构成炼 钢铁工业作为我国国民经济的支柱产业，在 钢-连铸过程智能化研究的基石.该层级包含大量 经历近三十年的高速发展后，目前正处于“高产 基础研究，下文对此暂不做具体阐述 量、高成本、效益价格波动大”的发展局面.为促 第二层级为工序工艺层级，核心内容为：“机 使钢铁行业可持续性发展，《中国制造2025》提出 理数据融合”与“协同驱动建模”.建立各工序工艺 钢铁行业需着力开发基于大数据、云计算以及人 控制模型是实现关键工序智能化的关键，目前已 工智能的信息技术.2016年工信部印发《钢铁工 有的各类工艺控制模型多是基于冶金机理而构建 业调整升级规划(2016一2020年)》，明确提出要 静态控制模型，其适用性具有很大的局限性.在对 以智能制造为重点，以企业为创新主体，完善产学 冶金机理深入分析的基础上，还应利用大数据分 研用协同创新体系，破解钢铁材料研发难题，推进 析手段，考虑更多影响因素，构建基于冶金机理与 产业转型升级.此外，十四五规划进一步指出，深 数据驱动的融合模型，实时监测生产过程，构成闭 入实施智能制造和绿色制造工程，发展服务型制 环控制系统，提高过程控制的准确率 造新模式，推动制造业高端化智能化绿色化.尤其 第三层级为工序衔接关系层级，核心内容为： 是在“碳达峰”“碳中和”背景下，钢铁行业的智能 “物流参数解析”与“生产模式优化”.该层级智能 化绿色化转型发展势必成为未来钢铁工业的发展 化的实现需在炼钢-连铸过程物质流运行规律解 趋势 析的基础上，确定各个工序的最佳作业周期及关 炼钢-一连铸过程作为钢铁生产流程的关键区 键时间节点的温度，探究设备工序/系统产能与生 段，是包含物理化学反应的气-液一固多相共存的 产节奏、产品结构之间的定量化关系，并根据炼 间歇准连续化的复杂制造过程，特别是原料成分 钢厂运行优化原则山，确定每条生产线的最佳工艺 波动、生产过程易受到外界随机干扰，工艺操作不 路径，实现产品专线化生产，解决多钢种混合生产 稳、质量波动等，导致炼钢-连铸过程的运行与管 时车间作业模式优化问题. 控变得更加复杂，控制机理难以厘清.因而开展炼 第四层级为计划与调度层级，核心内容为： 钢-连铸过程的智能化探索显得极为迫切，相应的 “冶金规则建模”与“智能算法求解”.生产计划与

process  control,  process  operation  control,  production  planning,  and  scheduling  system.  It  had  formed  the  steelmaking-continuous casting process integrated manufacturing technology supported by the precise process control co-driven by mechanism and data models, collaborative process operation, and production planning and scheduling based on “rules + algorithms.” Through multilevel vertical coordination and multiprocess horizontal coordination, the coordinated operation and the control of steelmaking plants were realized. The  study  results  demonstrated  a  beneficial  exploration  and  the  practice  of  intelligent  manufacturing  in  the  steelmaking-continuous casting  process,  which  had  strong  reference  value  for  intelligent  manufacturing  enterprises  in  the  process  industry,  and  had  a demonstration effect for the green and the intelligent development of the metallurgical industry. After the application, the collaborative manufacturing level of the steelmaking plant had been considerably improved, and significant economic and social benefits had been achieved. KEY  WORDS    process  model； production  mode； planning  and  scheduling； operation  evaluation； interface  technology； dynamic collaboration；integrated manufacturing；steelmaking plants 近年来，随着国内外装备制造技术与自动化、 信息化水平的不断提高，以信息物理系统（CPS， Cyber-physical systems）为技术核心的“智能制造” 理念应运而生，并被誉为“第四次工业革命”. 随 着“智能制造”浪潮的兴起，一些发达国家或联 盟组织根据自身的发展特点及技术优势纷纷制 定并提出了“智能制造”发展战略，包括：欧盟未来 工厂计划与“智能制造系统 2020”、美国先进制造 业国家战略规划及工业互联网、德国“工业 4.0”、 日本“机器人新战略”与“社会 5.0”、以及中国制造 2025 等. 钢铁工业作为我国国民经济的支柱产业，在 经历近三十年的高速发展后，目前正处于“高产 量、高成本、效益价格波动大”的发展局面. 为促 使钢铁行业可持续性发展，《中国制造 2025》提出 钢铁行业需着力开发基于大数据、云计算以及人 工智能的信息技术. 2016 年工信部印发《钢铁工 业调整升级规划（2016—2020 年）》，明确提出要 以智能制造为重点，以企业为创新主体，完善产学 研用协同创新体系，破解钢铁材料研发难题，推进 产业转型升级. 此外，十四五规划进一步指出，深 入实施智能制造和绿色制造工程，发展服务型制 造新模式，推动制造业高端化智能化绿色化. 尤其 是在“碳达峰”“碳中和”背景下，钢铁行业的智能 化绿色化转型发展势必成为未来钢铁工业的发展 趋势. 炼钢−连铸过程作为钢铁生产流程的关键区 段，是包含物理化学反应的气−液−固多相共存的 间歇/准连续化的复杂制造过程，特别是原料成分 波动、生产过程易受到外界随机干扰，工艺操作不 稳、质量波动等，导致炼钢−连铸过程的运行与管 控变得更加复杂，控制机理难以厘清. 因而开展炼 钢−连铸过程的智能化探索显得极为迫切，相应的 探索极具挑战性，并且更具现实意义. 1    单体工序尺度的工艺控制模型 笔者团队基于在炼钢−连铸过程模拟与流程 优化领域多年的研究与实践成果，瞄准关键工序 工艺控制、物质流运行优化与炼钢厂协同控制等 切入点，提出了炼钢厂多尺度建模与协同制造的 五级技术架构，如图 1 所示. 第一层级为基础理论与大数据层级，核心内 容为：“数据精准获取”与“价值深入挖掘”. 大数 据技术与冶金学相关理论相辅相成，共同构成炼 钢−连铸过程智能化研究的基石. 该层级包含大量 基础研究，下文对此暂不做具体阐述. 第二层级为工序工艺层级，核心内容为：“机 理数据融合”与“协同驱动建模”. 建立各工序工艺 控制模型是实现关键工序智能化的关键，目前已 有的各类工艺控制模型多是基于冶金机理而构建 静态控制模型，其适用性具有很大的局限性. 在对 冶金机理深入分析的基础上，还应利用大数据分 析手段，考虑更多影响因素，构建基于冶金机理与 数据驱动的融合模型，实时监测生产过程，构成闭 环控制系统，提高过程控制的准确率. 第三层级为工序衔接/关系层级，核心内容为： “物流参数解析”与“生产模式优化”. 该层级智能 化的实现需在炼钢−连铸过程物质流运行规律解 析的基础上，确定各个工序的最佳作业周期及关 键时间节点的温度，探究设备/工序/系统产能与生 产节奏、产品结构之间的定量化关系. 并根据炼 钢厂运行优化原则[1] ，确定每条生产线的最佳工艺 路径，实现产品专线化生产，解决多钢种混合生产 时车间作业模式优化问题. 第四层级为计划与调度层级，核心内容为： “冶金规则建模”与“智能算法求解”. 生产计划与 刘    青等： 炼钢厂多尺度建模与协同制造 · 1699 ·

.1700 工程科学学报.第43卷，第12期 Multiprocess collaboration Integration system level MES Dynamic coordination Multi-objective Optimal scheduling Optimal heat model model cast model Planning and Rule Rule scheduling + Coordination level algorithm burler algorithm Process matching 一 level Blowing End-point Reblow End-point Temperature Second cooling "Vertical- Process model prediction model prediction control of zone dynamic horizontal level model model s得o surtace control uniform cooling Big-data Theory of technology Data base Model base fool ha Dynamics Metallurg metallurgy 图1炼钢厂多尺度建模与协同制造技术架构 Fig.I Technological structure of multiscale modeling and collaborative manufacturing of steelmaking plants 调度是整个先进生产制造系统实现运筹技术、优 但要真正实现工序装置的智能化，还需要在先进 化技术、自动化与计算机技术、管理技术发展的 在线检测技术开发、数据挖掘与处理、治金机理 核心.目前，钢铁企业的生产计划与调度方法主要 模型精度与效率、设备控制精准度等多方面深入 面临求解质量与求解效率难以同时提升的问题， 研究.本节中，针对炼钢厂多尺度建模与协同制造 笔者团队针对此问题提出“规则”+“算法”的研究 技术架构中的第二层级一工序工艺层级，笔者 策略与求解方法，兼顾解的质量和求解效率，能够 团队基于钢冶金机理和机器学习方法，从工序工 在较短的时间内获得多个满意解.在未来炼钢厂 艺模型化角度，进行了工序装置智能化的探索.针 智能化研究中，结合工序衔接/关系层级的研究，可 对转炉工序，构建了转炉冶炼钢水脱碳和温度变 实现计划与调度层级和工序/装置层级的协同优化 化模型、冶炼终点磷和锰含量预报模型以及冶炼 第五层级为系统综合层级，核心内容为：“多 末期补吹等模型P-,针对精炼工序，构建了LF精 层级纵向协同”与“多工序横向协同”.目前，钢厂 炼终点钢水温度和成分预报、造渣等模型：针 制造执行系统(MES)与其工序工艺控制系统和计 对连铸工序，构建了连铸凝固冷却控制模型、连铸 划调度系统多数处于相互独立状态，信息孤岛问 坯凝固组织控制模型以及连铸坯偏析与裂纹预报 题突出.该层级需通过构建MES同工序工艺控制 模型0等.本节以转炉治炼终点碳与温度控 模型、计划与调度模型之间的数据接口，以实现工 制、LF精炼造渣与钢液成分控制和连铸坯凝固冷 序工艺层级和计划与调度层级的融合与集成.各 却控制等3个炼钢-连铸区段核心过程模型为例 类实时信息在实际生产过程中能够通过数据接口 进行重点阐述 实现在线传递，解决各类系统之间信息孤岛问题 1.1转炉工序工艺控制模型 工艺模型与调度模型通过对实时数据的即时分析 转炉作为炼钢一连铸过程的关键工序，转炉冶 与处理，实现工艺与调度的闭环控制 炼过程工艺的精准控制越来越受到广泛关注，转 近年来，我国炼钢-连铸区段工序装置技术水 炉冶炼控制模型的研发已成为转炉智能炼钢的重 平有了显著提高，推动了工序装置自动化的发展， 要基础.笔者团队在转炉熔池混匀度的研究基础

调度是整个先进生产制造系统实现运筹技术、优 化技术、自动化与计算机技术、管理技术发展的 核心. 目前，钢铁企业的生产计划与调度方法主要 面临求解质量与求解效率难以同时提升的问题， 笔者团队针对此问题提出“规则”+“算法”的研究 策略与求解方法，兼顾解的质量和求解效率，能够 在较短的时间内获得多个满意解. 在未来炼钢厂 智能化研究中，结合工序衔接/关系层级的研究，可 实现计划与调度层级和工序/装置层级的协同优化. 第五层级为系统综合层级，核心内容为：“多 层级纵向协同”与“多工序横向协同”. 目前，钢厂 制造执行系统（MES）与其工序工艺控制系统和计 划调度系统多数处于相互独立状态，信息孤岛问 题突出. 该层级需通过构建 MES 同工序工艺控制 模型、计划与调度模型之间的数据接口，以实现工 序工艺层级和计划与调度层级的融合与集成. 各 类实时信息在实际生产过程中能够通过数据接口 实现在线传递，解决各类系统之间信息孤岛问题. 工艺模型与调度模型通过对实时数据的即时分析 与处理，实现工艺与调度的闭环控制. 近年来，我国炼钢−连铸区段工序装置技术水 平有了显著提高，推动了工序装置自动化的发展， 但要真正实现工序装置的智能化，还需要在先进 在线检测技术开发、数据挖掘与处理、冶金机理 模型精度与效率、设备控制精准度等多方面深入 研究. 本节中，针对炼钢厂多尺度建模与协同制造 技术架构中的第二层级——工序工艺层级，笔者 团队基于钢冶金机理和机器学习方法，从工序工 艺模型化角度，进行了工序装置智能化的探索. 针 对转炉工序，构建了转炉冶炼钢水脱碳和温度变 化模型、冶炼终点磷和锰含量预报模型以及冶炼 末期补吹等模型[2−6] ；针对精炼工序，构建了 LF 精 炼终点钢水温度和成分预报、造渣等模型[7−9] ；针 对连铸工序，构建了连铸凝固冷却控制模型、连铸 坯凝固组织控制模型以及连铸坯偏析与裂纹预报 模型[10−13] 等. 本节以转炉冶炼终点碳与温度控 制、LF 精炼造渣与钢液成分控制和连铸坯凝固冷 却控制等 3 个炼钢−连铸区段核心过程模型为例 进行重点阐述. 1.1    转炉工序工艺控制模型 转炉作为炼钢−连铸过程的关键工序，转炉冶 炼过程工艺的精准控制越来越受到广泛关注，转 炉冶炼控制模型的研发已成为转炉智能炼钢的重 要基础. 笔者团队在转炉熔池混匀度的研究基础 Interface Interface Data base Model base Tool base Dynamics Thermody namics Metallurg ical Theory of metallurgy Big-data technology Process level Blowing model End-point prediction model End-point prediction model Reblow model Temperature control of slab surface Second cooling zone dynamic control Dynamic coordination Planning and scheduling level Process matching level Optimal heat model Multi-objective scheduling model Multiprocess collaboration Multilevel collaboration Integration system level MES Interface Interface Coordination buffer Rule + algorithm Optimal cast model Rule + algorithm “Vertical￾horizontal” uniform cooling 图 1    炼钢厂多尺度建模与协同制造技术架构 Fig.1    Technological structure of multiscale modeling and collaborative manufacturing of steelmaking plants · 1700 · 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 ·1701· 上，结合经典脱碳三阶段理论和熔池热平衡原 预报转炉冶炼过程钢水的碳含量：在转炉冶炼后 理，构建了转炉冶炼过程脱碳模型和钢水温度变 期，碳含量与温度的预测值均与实测值比较接近， 化模型，并将上述两个模型进行综合，构建了基于 如图2所示，碳含量预测误差主要分布在0.05% 熔池混匀度的转炉冶炼过程模型) 范围内，其中预测误差绝对值在0.04%以内的炉 采用国内某钢厂转炉（无副枪）冶炼中高碳钢 次占总炉次数的90%：温度值预报误差主要分布 的实际生产数据进行了模型验证，验证结果表明： 在20℃范围内，其中预测误差绝对值在15℃范 所构建的基于熔池混匀度的转炉冶炼过程模型对 围以内的炉次占总炉次数的80%，达到了较好的 脱碳规律的描述符合实际脱碳情况，可用于实时 预测效果 0.35 1720 (a) (b) 0.30 1700 0 1680 80.20 1660 88 3±0.05% 1640 ±20℃ 1620 士0.04%，hit ratio90% ±15℃，hit ratio80% 0.080s 0.100.150.200.250.300.35 1600 600 162016401660168017001720 Measured carbon content/% Measured temperature/C 图2基于熔池混匀度的转炉治炼过程模型验证.(@)碳含量预报：(b)温度预报 Fig.2 Validation of converter steelmaking process model based on molten bath mixing degree:(a)carbon content prediction;(b)temperature prediction 针对转炉吹炼末期终点碳含量精准控制的问 准确预报，为转炉精准控制冶炼终点钢水碳含量 题，笔者团队在经典指数衰减模型的基础上引入 和温度提供参考 熔池混匀度的概念，充分考虑了枪位、顶吹流量和 1.2精炼工序工艺控制模型 底吹流量等实际生产过程操作参数对熔池搅拌与 生产高品质钢是当代钢铁工业的重要任务之 混匀的影响，建立了基于熔池混匀度的转炉终点 一 炉外精炼技术在提高钢质量和扩大钢材品种 碳指数模型啊.该模型终点碳含量预报误差分布如 方面起着关键的作用，是生产高品质钢必不可少 图3所示，终点碳含量预报误差在0.02%之间命 的重要工序.在众多的精炼方法中，LF精炼是当 中率为88.2%，具有较高的预报命中率 前应用最为广泛的二次治金方法之一，本节以LF 32 精炼造渣模型与钢水成分预报模型为例来进行论述 Hit ratio 88.2% 28 0.02% 对于LF精炼造渣过程，笔者团队首先通过造 渣机理分析和FactSage热力学模拟计算，得到最 20 优的渣系成分含量；其次，基于冶金机理模型（硫 16 质量守恒、物料守恒、渣-金氧平衡等)与过程数 据模型（运用SPss统计学软件、Matlab数学软件 8 分析现场数据)相结合的方法，利用数据模型对机 4 理模型进行优化，构建“机理+数据”的灰箱模型， 进而计算LF精炼脱硫所需加入的石灰量；最后， -0.04-0.03-002-00100.010.020.030.040.05 Carbon mass fraction prediction error/% 对所建灰箱模型进行在线验证与调试，获得符 图3基于熔池混匀度的指数模型终点碳含量预报误差分布问 合生产需求的最优命中率.对某钢厂52炉生产数 Fig.3 Prediction error distribution of end-point carbon content of the 据进行验证，结果如图4所示，该模型预报的石灰 exponential model based on bath mixing degree 加入量误差在±20kg内的命中率达88%，误差 综上所述，在没有采用动态检测设备的情况 在±40kg内的命中率达98%，该模型计算的一次 下，基于熔池混匀度的转炉冶炼过程模型与终点 石灰添加量可有效命中精炼终点钢水硫含量的目 碳指数模型可以实现碳含量的实时预报与温度的 标值，满足实际生产需求

上[14] ，结合经典脱碳三阶段理论和熔池热平衡原 理，构建了转炉冶炼过程脱碳模型和钢水温度变 化模型，并将上述两个模型进行综合，构建了基于 熔池混匀度的转炉冶炼过程模型[15] . 采用国内某钢厂转炉（无副枪）冶炼中高碳钢 的实际生产数据进行了模型验证，验证结果表明： 所构建的基于熔池混匀度的转炉冶炼过程模型对 脱碳规律的描述符合实际脱碳情况，可用于实时 预报转炉冶炼过程钢水的碳含量；在转炉冶炼后 期，碳含量与温度的预测值均与实测值比较接近， 如图 2 所示，碳含量预测误差主要分布在±0.05% 范围内，其中预测误差绝对值在 0.04% 以内的炉 次占总炉次数的 90%；温度值预报误差主要分布 在±20 ℃ 范围内，其中预测误差绝对值在 15 ℃ 范 围以内的炉次占总炉次数的 80%，达到了较好的 预测效果. 0.35 (a) ±0.04%, hit ratio 90% ±0.05% 0.30 0.25 0.20 0.15 0.10 0.05 0.15 0.20 0.25 0.30 0.35 Measured carbon content/% Predicted carbon content/ % 0.05 0.10 1720 (b) ±15 ℃, hit ratio 80% ±20 ℃ 1700 1680 1660 1640 1620 1600 Measured temperature/℃ Predicted temperature/ ℃ 1600 1620 1640 1660 1680 1700 1720 图 2    基于熔池混匀度的转炉冶炼过程模型验证. (a) 碳含量预报; (b) 温度预报[15] Fig.2    Validation of converter steelmaking process model based on molten bath mixing degree: (a) carbon content prediction; (b) temperature prediction 针对转炉吹炼末期终点碳含量精准控制的问 题，笔者团队在经典指数衰减模型的基础上引入 熔池混匀度的概念，充分考虑了枪位、顶吹流量和 底吹流量等实际生产过程操作参数对熔池搅拌与 混匀的影响，建立了基于熔池混匀度的转炉终点 碳指数模型[5] . 该模型终点碳含量预报误差分布如 图 3 所示，终点碳含量预报误差在±0.02% 之间命 中率为 88.2%，具有较高的预报命中率. 32 28 24 20 16 12 8 4 0 −0.02−0.01 0 0.01 0.02 0.03 0.04 0.05 Carbon mass fraction prediction error/% Hit ratio 88.2% ±0.02% Number of heats −0.04 −0.03 图 3    基于熔池混匀度的指数模型终点碳含量预报误差分布[5] Fig.3     Prediction  error  distribution  of  end-point  carbon  content  of  the exponential model based on bath mixing degree 综上所述，在没有采用动态检测设备的情况 下，基于熔池混匀度的转炉冶炼过程模型与终点 碳指数模型可以实现碳含量的实时预报与温度的 准确预报，为转炉精准控制冶炼终点钢水碳含量 和温度提供参考. 1.2    精炼工序工艺控制模型 生产高品质钢是当代钢铁工业的重要任务之 一. 炉外精炼技术在提高钢质量和扩大钢材品种 方面起着关键的作用，是生产高品质钢必不可少 的重要工序. 在众多的精炼方法中，LF 精炼是当 前应用最为广泛的二次冶金方法之一，本节以 LF 精炼造渣模型与钢水成分预报模型为例来进行论述. 对于 LF 精炼造渣过程，笔者团队首先通过造 渣机理分析和 FactSage 热力学模拟计算，得到最 优的渣系成分含量；其次，基于冶金机理模型（硫 质量守恒、物料守恒、渣−金氧平衡等）与过程数 据模型（运用 SPSS 统计学软件、Matlab 数学软件 分析现场数据）相结合的方法，利用数据模型对机 理模型进行优化，构建“机理+数据”的灰箱模型， 进而计算 LF 精炼脱硫所需加入的石灰量；最后， 对所建灰箱模型[8] 进行在线验证与调试，获得符 合生产需求的最优命中率. 对某钢厂 52 炉生产数 据进行验证，结果如图 4 所示，该模型预报的石灰 加入量误差在 ±20  kg 内的命中率 达 88%，误差 在±40 kg 内的命中率达 98%，该模型计算的一次 石灰添加量可有效命中精炼终点钢水硫含量的目 标值，满足实际生产需求. 刘    青等： 炼钢厂多尺度建模与协同制造 · 1701 ·

·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 ·

1704 工程科学学报，第43卷，第12期 340 越有利于生产的稳定操作以及装备的快捷维护 320 A(26.3%) 300 a33.7%,300×10t) 因此，笔者团队提出单个设备“产能优先满足”的 280 原则，即在生产模式分析的基础上，确定某钢种在 b50.9%,270×10t) Bottleneck B(62.9%) 生产过程中的主要生产作业路线和辅助生产作业 240 process: 路线，将生产任务优先安排在主要生产作业路线 220 Bottleneck converter process: 的设备进行生产，当品种钢产量超过该设备的最 200 continuous 大品种钢产能时，由辅助生产作业路线的设备承 兰 80 casting Bottleneck 60 process. 担剩余品种钢生产任务 14 refining 0 102030405060708090100 基于上述分析，对炼钢厂的生产模式进行优 The proportion of high-quality steel,y/% 化.以某炼钢厂为例，优化前后的炉一机匹配方案 图6某钢厂炼钢-连铸系统产能与品种钢比例的关系图叫 如图7所示，图中转炉(BOF)、连铸机(CCM)下方 Fig.6 Relationship between the proportion of high-quality steel and the 数字为各台设备在所属工序的生产量占比，各连 capacity of steelmaking plant 线上方数字为该台设备生产的钢水运往下个工序/ 要依据生产钢种在不同作业路线上工序装置过程 设备的产量占比.由图可见，经优化后炉-机对应 温度的变化，遵循“能耗最小”原则优先选择过程 模式车间内转炉和连铸机的匹配度明显提高， 能耗最小的作业路线，以确保“炉”与“机”之间明 “炉”与“机”之间的对应关系更加明确专一、简捷 确的对应关系。最后，由于在实际生产时的生产模 清晰，最大限度地实现了炼钢厂多工序物质流的 式还与工序设备生产品种钢的最大产能有关，且 层流运行，显著降低了天车与钢包调度的难度，并 每个设备生产的钢种或完成的生产任务越专一， 显著加快了生产节奏，提高了生产效率 (a) (b) Process route for quality steel Process route for common steel 11.1% 力 No.1 CCM 21.8% 6.5% 8.4%No.1LF No.I LF No.1 CCM (26.0%) 1.1%(25.7%) No.1 BOF 点 No.1 BOF (34.2%) 18.4% 9.0% No.1 Ar (30.8%) 应■ 252% No.Ar No.2 Ar 。 No.2 Ar No.2 BOF 36.7% 其 3.8% No.2 CCM No.2 BOF 5.0% (36.7%) No.2 CCM (35.3%) (47.4%) (46.8%) 18.3%3.6% No.3 Ar No.3 Ar 4.7% 9 27.5% No.3 BOF Rato acco No.3 BOF (30.5%)for total output (32.5%) No.2 LF No.2 LF No.3 CCM No.3 CCM (26.6%) (27.5%) 图7模型应用前后炉-机对应关系.(a)应用前：(b)应用后 Fig.7 Furnace-caster coordinating scenario:(a)before application;(b)after application 2.2生产计划与调度模型 笔者团队在对炼钢一连铸过程物质流参数解 生产模式优化是生产调度模型研究的重要基 析与运行优化的基础上，构建了以相邻合同钢级 础，开展基于生产模式优化的生产计划与调度模 与宽度差异最小、余材量最小、交货日期差异最 型研究则是炼钢厂智能化发展的重要内容.生产 小为目标的炼钢炉次计划模型以及以钢种与断面 计划与生产调度面向的过程与阶段不同.生产计 差异最小、连铸机平均作业率最大为目标的连铸 划是以市场需求预测或客户实际订单为基础、以 浇次计划模型，并分别通过单亲遗传算法与两阶 企业设备和资源为依据，制定出包括产品品种、规 段启发式算法对模型进行求解，得到了比较合理 格、产量和执行期限在内的生产规划和决策.生 的炉次计划与浇次计划28-0 产调度则是根据生产计划要求，在满足生产约束 在确定炉次计划与浇次计划的基础上，笔者团 条件的前提下，通过合理安排作业任务、工艺路线 队进行了生产调度模型的研究.首先在总结归纳前 以及其他资源，实现制造系统性能的优化 人研究成果的基础上，结合炼钢厂的实际生产状况

要依据生产钢种在不同作业路线上工序/装置过程 温度的变化，遵循“能耗最小”原则优先选择过程 能耗最小的作业路线，以确保“炉”与“机”之间明 确的对应关系. 最后，由于在实际生产时的生产模 式还与工序/设备生产品种钢的最大产能有关，且 每个设备生产的钢种或完成的生产任务越专一， 越有利于生产的稳定操作以及装备的快捷维护. 因此，笔者团队提出单个设备“产能优先满足”的 原则，即在生产模式分析的基础上，确定某钢种在 生产过程中的主要生产作业路线和辅助生产作业 路线，将生产任务优先安排在主要生产作业路线 的设备进行生产，当品种钢产量超过该设备的最 大品种钢产能时，由辅助生产作业路线的设备承 担剩余品种钢生产任务. 基于上述分析，对炼钢厂的生产模式进行优 化. 以某炼钢厂为例，优化前后的炉−机匹配方案 如图 7 所示，图中转炉（BOF）、连铸机（CCM）下方 数字为各台设备在所属工序的生产量占比，各连 线上方数字为该台设备生产的钢水运往下个工序/ 设备的产量占比. 由图可见，经优化后炉−机对应 模式车间内转炉和连铸机的匹配度明显提高 ， “炉”与“机”之间的对应关系更加明确专一、简捷 清晰，最大限度地实现了炼钢厂多工序物质流的 层流运行，显著降低了天车与钢包调度的难度，并 显著加快了生产节奏，提高了生产效率. Process route for quality steel (a) (b) Process route for common steel 11.1% 18.3% 3.6% 3.8% 25.2% 18.4% No.1 BOF (34.2%) No.2 BOF (35.3%) No.3 BOF (30.5%) Ratio accounts for total output No.1 CCM (26.0%) No.2 CCM (47.4%) No.3 CCM (26.6%) No.3 Ar 4.7% No.1 LF No.2 LF No.2 Ar No.1 Ar 6.5% 8.4% 21.8% 27.5% 5.0% 36.7% 9.0% 1.1% No.1 BOF (30.8%) No.2 BOF (36.7%) No.3 BOF (32.5%) No.1 CCM (25.7%) No.2 CCM (46.8%) No.3 CCM (27.5%) No.3 Ar No.1 LF No.2 LF No.2 Ar No.1 Ar 图 7    模型应用前后炉−机对应关系. (a) 应用前; (b) 应用后[27] Fig.7    Furnace-caster coordinating scenario: (a) before application; (b) after application 2.2    生产计划与调度模型 生产模式优化是生产调度模型研究的重要基 础，开展基于生产模式优化的生产计划与调度模 型研究则是炼钢厂智能化发展的重要内容. 生产 计划与生产调度面向的过程与阶段不同. 生产计 划是以市场需求预测或客户实际订单为基础、以 企业设备和资源为依据，制定出包括产品品种、规 格、产量和执行期限在内的生产规划和决策. 生 产调度则是根据生产计划要求，在满足生产约束 条件的前提下，通过合理安排作业任务、工艺路线 以及其他资源，实现制造系统性能的优化. 笔者团队在对炼钢−连铸过程物质流参数解 析与运行优化的基础上，构建了以相邻合同钢级 与宽度差异最小、余材量最小、交货日期差异最 小为目标的炼钢炉次计划模型以及以钢种与断面 差异最小、连铸机平均作业率最大为目标的连铸 浇次计划模型，并分别通过单亲遗传算法与两阶 段启发式算法对模型进行求解，得到了比较合理 的炉次计划与浇次计划[28−30] . 在确定炉次计划与浇次计划的基础上，笔者团 队进行了生产调度模型的研究. 首先在总结归纳前 人研究成果的基础上，结合炼钢厂的实际生产状况 Bottleneck process: converter A(26.3%) a(33.7%, 300×104 t) b(50.9%, 270×104 t) B(62.9%) Bottleneck process: continuous casting Bottleneck process: refining 300 340 260 280 320 240 220 200 180 140 160 20 30 40 50 60 100 70 80 90 The proportion of high-quality steel, γvs/% The system capacity, C/(10 4 t) 0 10 图 6    某钢厂炼钢−连铸系统产能与品种钢比例的关系图[24] Fig.6    Relationship between the proportion of high-quality steel and the capacity of steelmaking plant[24] · 1704 · 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 ·1705· 和现场调度人员的经验，构建了包括调度基本规 模型求解.该改进算法在种群生成过程中引人了 则、时间控制规则、设备匹配规则、工艺约束规则 “炉一机对应”策略以改进种群质量，并根据转炉 以及动态调整规则等共计35条规则的生产调度规 (精炼)与连铸作业周期的比较，来确定是否对个 则库川，用于指导后续静态或者动态调度生产 体进行交叉、变异操作.表2为某炼钢厂炼钢一连 在上述调度规则库的基础上，笔者团队针对 铸生产过程3种主要生产模式的仿真计算结果， 炼钢-连铸过程的静态调度问题，提出了基于“规 结果表明：建立的基于“炉一机对应”的改进算法 则+算法”的研究思路来解决生产调度问题以 (A2)由于引入定炉对定机原则，减少了个别炉次 国内某无精炼跨炼钢厂为例，笔者团队以目标炉 等待时间的不合理现象，性能显著优于经典遗传 次在多工序之间总等待时间最小为目标，构建了 算法(AI)和启发式算法(A3)的运行结果，优化了 基于“定炉对定机”模式的生产调度模型，并设 炉次在生产过程的等待时间，为研究炼钢厂复杂 计了基于“定炉对定机”模式的改进遗传算法用于 生产调度问题提供了一种高效的解决方案 表2三种智能算法求解算例的结果对比时 Table 2 Results of calculation examples solved by three algorithms Maximum waiting time Proportion of waiting time Maximum deviation of the Calculation Production Objective function /min more than 30 min between between processes/min cast starting time/min examples Heats mode processes/% A2 A3 A2 A3 Al A2 A3 Al A2 A3 1 904BOF-3CCM1952 2036 5735 65 34 103 6 16 57 0 0 105 2 933B0F-3CCM4302 3944 4932 94 76 100 30 29 39 0 0 59 654B0F-3CCM13711272 2926 % 43 97 9 7 40 0 品 774B0F-3CCM2456 2014 4658 8 60 92 27 12 54 0 0 718 5 844BOF-3CCM2932 2811 5518 106 88 110 22 18 60 0 0 110 6 774B0F-4CCM2878 3055 6052 78 114 28 30 67 0 0 108 804BOF-4CCM2968 2280 2532 116 84 88 27 15 23 0 0 52 674BOF-3CCM2286 2091 4046 72 102 25 18 52 0 0 44 针对动态调度问题，笔者团队综合考虑了“能 运行评价指数RM、工序匹配度R、调度模型可用 耗最小”原则、“连浇”原则，基于Agent建立了混 性评价指数ε，等表征炼钢-连铸多工序协同运行 合流水车间调度模型，设计了各Agent之间的协调 水平的评价参数，实现了多工序协同运行的量化 机制.针对混合流水车间问题以及动态调度问题 评价B阿 的特点，提出了系统的核心算法HIS,该算法适用 运用多工序协同运行量化评价模型分别对国 于静态调度和多种动态调度问题.故障重调度前/ 内两家无精炼跨炼钢厂的层流运行水平、工序匹 后甘特图对比如图8所示，其中CC代表连铸，最 配水平和调度模型可用性进行了量化评价.表3 终仿真结果表明，该多Agent系统产生的调度效果 所示为层流运行水平与工序匹配水平评价结果， 比多种调度规则更优，能够适应多种动态事件同 可知B炼钢厂完全具备层流运行的潜力，而A厂 时并存的动态生产环境 层流运行评价指数RM的最大值仅为0.647，意味 2.3多工序协同运行评价模型 着实际生产中不同生产线之间需交叉供应钢水才 炼钢厂复杂生产过程运行水平的量化评价问 能保证连铸生产顺行；A厂相较于B厂的工序匹 题一直以来都是冶金流程优化研究的难点之一， 配水平更低，原因在于A厂每月的系统层流运行 针对此问题，笔者团队基于工序作业周期、连浇炉 指数均低于0.65，且A厂LF精炼炉与连铸机之间 数和工序界面缓冲能力之间的量化关系研究，构 的炉→机匹配度较低.A厂后续应通过进一步 建了层流运行水平评价模型：综合分析系统产能、 优化炉一机对应关系，提高炉→机匹配度进而提升 工序作业周期和炉-机对应关系，建立了工序匹配 工序匹配度R表4反映了A厂4种调度模型（基 水平评价模型；解析了影响生产调度的诸多因素， 于炉-机对应模式优化的调度模型p,、基于遗传 建立了调度模型可用性评价模型；并提出了层流 算法的调度模型P2B、基于贪婪规则的调度模型

和现场调度人员的经验，构建了包括调度基本规 则、时间控制规则、设备匹配规则、工艺约束规则 以及动态调整规则等共计 35 条规则的生产调度规 则库[31] ，用于指导后续静态或者动态调度生产. 在上述调度规则库的基础上，笔者团队针对 炼钢−连铸过程的静态调度问题，提出了基于“规 则+算法”的研究思路来解决生产调度问题[32] . 以 国内某无精炼跨炼钢厂为例，笔者团队以目标炉 次在多工序之间总等待时间最小为目标，构建了 基于“定炉对定机”模式的生产调度模型[33] ，并设 计了基于“定炉对定机”模式的改进遗传算法用于 模型求解. 该改进算法在种群生成过程中引入了 “炉−机对应”策略以改进种群质量，并根据转炉 （精炼）与连铸作业周期的比较，来确定是否对个 体进行交叉、变异操作. 表 2 为某炼钢厂炼钢−连 铸生产过程 3 种主要生产模式的仿真计算结果， 结果表明：建立的基于“炉−机对应”的改进算法 （A2）由于引入定炉对定机原则，减少了个别炉次 等待时间的不合理现象，性能显著优于经典遗传 算法（A1）和启发式算法（A3）的运行结果，优化了 炉次在生产过程的等待时间，为研究炼钢厂复杂 生产调度问题提供了一种高效的解决方案. 表 2 三种智能算法求解算例的结果对比[33] Table 2   Results of calculation examples solved by three algorithms Calculation examples Heats Production mode Objective function /min Maximum waiting time between processes /min Proportion of waiting time more than 30 min between processes /% Maximum deviation of the cast starting time /min A1 A2 A3 A1 A2 A3 A1 A2 A3 A1 A2 A3 1 90 4BOF−3CCM 1952 2036 5735 65 34 103 6 16 57 0 0 105 2 93 3BOF−3CCM 4302 3944 4932 94 76 100 30 29 39 0 0 59 3 65 4BOF−3CCM 1371 1272 2926 45 43 97 9 7 40 0 0 94 4 77 4BOF−3CCM 2456 2014 4658 78 60 92 27 12 54 0 0 78 5 84 4BOF−3CCM 2932 2811 5518 106 88 110 22 18 60 0 0 110 6 77 4BOF−4CCM 2878 3055 6052 84 78 114 28 30 67 0 0 108 7 80 4BOF−4CCM 2968 2280 2532 116 84 88 27 15 23 0 0 52 8 67 4BOF−3CCM 2286 2091 4046 75 72 102 25 18 52 0 0 44 针对动态调度问题，笔者团队综合考虑了“能 耗最小”原则、“连浇”原则，基于 Agent 建立了混 合流水车间调度模型，设计了各 Agent 之间的协调 机制. 针对混合流水车间问题以及动态调度问题 的特点，提出了系统的核心算法 HIS，该算法适用 于静态调度和多种动态调度问题. 故障重调度前/ 后甘特图对比如图 8 所示，其中 CC 代表连铸，最 终仿真结果表明，该多 Agent 系统产生的调度效果 比多种调度规则更优，能够适应多种动态事件同 时并存的动态生产环境. 2.3    多工序协同运行评价模型 炼钢厂复杂生产过程运行水平的量化评价问 题一直以来都是冶金流程优化研究的难点之一， 针对此问题，笔者团队基于工序作业周期、连浇炉 数和工序界面缓冲能力之间的量化关系研究，构 建了层流运行水平评价模型；综合分析系统产能、 工序作业周期和炉−机对应关系，建立了工序匹配 水平评价模型；解析了影响生产调度的诸多因素， 建立了调度模型可用性评价模型；并提出了层流 εp 运行评价指数 RM、工序匹配度 R、调度模型可用 性评价指数 等表征炼钢−连铸多工序协同运行 水平的评价参数，实现了多工序协同运行的量化 评价[35] . 运用多工序协同运行量化评价模型分别对国 内两家无精炼跨炼钢厂的层流运行水平、工序匹 配水平和调度模型可用性进行了量化评价. 表 3 所示为层流运行水平与工序匹配水平评价结果， 可知 B 炼钢厂完全具备层流运行的潜力，而 A 厂 层流运行评价指数 RM 的最大值仅为 0.647，意味 着实际生产中不同生产线之间需交叉供应钢水才 能保证连铸生产顺行；A 厂相较于 B 厂的工序匹 配水平更低，原因在于 A 厂每月的系统层流运行 指数均低于 0.65，且 A 厂 LF 精炼炉与连铸机之间 的炉→机匹配度[36] 较低. A 厂后续应通过进一步 优化炉−机对应关系，提高炉→机匹配度进而提升 工序匹配度 R. 表 4 反映了 A 厂 4 种调度模型（基 于炉−机对应模式优化的调度模型 p1 [37]、基于遗传 算法的调度模型 p2 [38]、基于贪婪规则的调度模型 刘    青等： 炼钢厂多尺度建模与协同制造 · 1705 ·

·1706 工程科学学报，第43卷，第12期 0 50 100 150 200 250 300 350 400 BOF#1 BOF#2 CegEM OigA格g钱sC覆Ils Ggt.6 BOF#3 LF#1 LF#2 G名格0转6uw线国a山 LF#3 CC#1 CC#2 aaag游m推Gs里 CC#3 (a) Kg挂湘插nn零5n士 306090120150180210240270300330360390420 BOF#1 0owMa西aa BOF#2 BOF#3 标0山4装0到85O5通心6 LF#1 量6鞋道01帖夏8以练道成维夏a四 LF#2 LF#3 CC#1 0L学站0uA2持4站D电 CC#2 CC#3 (b) 4=240 1=300 图8故障重调度前后甘特图对比.()重调度前：(b)重调度后两 Fig.Gantt chart comparison(a)before rescheduling and(b)after rescheduling 表3A、B两厂2019年4月~7月期间系统层流运行指数R与工 的量化评价，是炼钢-连铸区段智能化发展的重要 序匹配度R到 基础 Table 3 System laminar flow operation index Rm and process matching index R for steelmaking plants A and B from April to July,2019 3炼钢厂运行优化与协同控制 RM Plant 综合分析当前炼钢-连铸过程智能化的探索， April May June July April May June July 多数研究集中于某一局部层面，或是关键工序工 A0.6470.6380.6390.6290.6080.6010.6310.599 艺的智能化，或是计划调度的智能化.仅追求单一 B1.0001.0001.0001.0000.7490.7890.7200.776 目标或某一局部的智能化，所实现的生产优化并 不是真正意义上的智能化制造.在炼钢-连铸过程 表4A厂4种调度模型的可用性评价指数 中，精炼工序是炼钢炉和连铸机实现稳定、长时间 Table 4 Scheduling model availability degree sp of the four scheduling models of Plant A 准连续化运行的保障，是炼钢-连铸过程运行优化 Scheduling model EL.p 62.p 63p E4.p Ep 的关键环节之一，而钢包周转贯穿整个炼钢厂制 Model p 0.9650.85 造流程的始终，提出科学合理的钢包运行控制模 0.9180.8970.919 Model p2 0.6030.456 0.595 0.5570.579 型对实现炼钢厂运行优化意义重大).因此，本节 Model p3 0.1240.1460.0690.3440.115 面向炼钢厂多尺度建模与协同制造技术架构中的 Model pa 0.2850.5710.5880.4220.509 最高层级一系统综合层级，从影响炼钢一连铸过 程的炉-一机界面一钢水精炼工序和炼钢-连铸全 p9和A厂炼钢厂人工调度模型P4)在不同生产 流程物质流的载体一钢包运行两个重要环节出 模式下的可用性指数，p,并根据4种生产模式的 发，开展炼钢-连铸过程运行优化与协同控制探 权重值(02、0.1、0.6和0.1)，可计算得到4种调度 讨.同时，基于多智能体系统技术实现工序控制与 策略的可行性评价指数εp.由表可知，基于炉-机 生产调度的动态协同，并与炼钢厂MES系统进行 对应模式优化的调度策略更适合A厂实际情况 有机融合，以实现炼钢一连铸过程工序的运行优化 炼钢-连铸过程多工序协同运行水平量化评价方 与协同控制 法的建立，对炼钢一连铸区段界面技术的开发与优 3.1精炼工序缓冲策略与钢包运行优化 化具有重要的指导作用，实现了多工序协同运行 精炼工序在转炉与连铸机之间承担着缓冲调

εl,p εp p3 [39] 和 A 厂炼钢厂人工调度模型 p4）在不同生产 模式下的可用性指数 ，并根据 4 种生产模式的 权重值（0.2、0.1、0.6 和 0.1），可计算得到 4 种调度 策略的可行性评价指数 . 由表可知，基于炉−机 对应模式优化的调度策略更适合 A 厂实际情况. 炼钢−连铸过程多工序协同运行水平量化评价方 法的建立，对炼钢−连铸区段界面技术的开发与优 化具有重要的指导作用，实现了多工序协同运行 的量化评价，是炼钢−连铸区段智能化发展的重要 基础. 3    炼钢厂运行优化与协同控制 综合分析当前炼钢−连铸过程智能化的探索， 多数研究集中于某一局部层面，或是关键工序工 艺的智能化，或是计划调度的智能化. 仅追求单一 目标或某一局部的智能化，所实现的生产优化并 不是真正意义上的智能化制造. 在炼钢−连铸过程 中，精炼工序是炼钢炉和连铸机实现稳定、长时间 准连续化运行的保障，是炼钢−连铸过程运行优化 的关键环节之一，而钢包周转贯穿整个炼钢厂制 造流程的始终，提出科学合理的钢包运行控制模 型对实现炼钢厂运行优化意义重大[27] . 因此，本节 面向炼钢厂多尺度建模与协同制造技术架构中的 最高层级——系统综合层级，从影响炼钢−连铸过 程的炉−机界面——钢水精炼工序和炼钢−连铸全 流程物质流的载体——钢包运行两个重要环节出 发，开展炼钢−连铸过程运行优化与协同控制探 讨. 同时，基于多智能体系统技术实现工序控制与 生产调度的动态协同，并与炼钢厂 MES 系统进行 有机融合，以实现炼钢−连铸过程工序的运行优化 与协同控制. 3.1    精炼工序缓冲策略与钢包运行优化 精炼工序在转炉与连铸机之间承担着缓冲调 0 BOF#1 (a) BOF#2 BOF#3 LF#1 LF#2 LF#3 CC#1 CC#2 CC#3 50 100 150 200 250 300 350 400 (b) BOF#1 BOF#2 BOF#3 LF#1 LF#2 LF#3 CC#1 CC#2 CC#3 0 60 30 90 120 150 180 210 240 420 300 330 360 390 tb=240 tr=300 270 图 8    故障重调度前/后甘特图对比. (a) 重调度前; (b) 重调度后[34] Fig.8    Gantt chart comparison (a) before rescheduling and (b) after rescheduling[34] 表 3    A、B 两厂 2019 年 4 月~7 月期间系统层流运行指数 RM 与工 序匹配度 R [35] Table 3    System laminar flow operation index RM and process matching index R for steelmaking plants A and B from April to July, 2019 Plant RM R April May June July April May June July A 0.647 0.638 0.639 0.629 0.608 0.601 0.631 0.599 B 1.000 1.000 1.000 1.000 0.749 0.789 0.720 0.776 表 4    A 厂 4 种调度模型的可用性评价指数εp Table 4    Scheduling model availability degree εp of the four scheduling models of Plant A Scheduling model ε1,p ε2,p ε3,p ε4,p εp Model p1 0.965 0.85 0.918 0.897 0.919 Model p2 0.603 0.456 0.595 0.557 0.579 Model p3 0.124 0.146 0.069 0.344 0.115 Model p4 0.285 0.571 0.588 0.422 0.509 · 1706 · 工程科学学报，第 43 卷，第 12 期