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 ·