徐钢等：基于函数型数字孪生模型的转炉炼钢终点碳控制技术 ·527· 的精度. tems(2017-03-02）[2018-07-20].http:/1www.cesi.cm/ (3)保持操作过程的平稳性.转炉治炼过程中 201703/2251.html 与来料数据、工艺控制参数直接相关，如对氧枪控制 (中国信息物理系统发展论坛.信息物理系统白皮书·/0L山. 信息物理系统(2017-0302[201807-20].http:/1www.ce- 方式、顶底复吹模式、加料批次等等都会影响转炉的 si.cm/201703/2251.html) 终点控制精度.虽然新模型具有良好的自适应性， Zhang C X,Cheng LL,Wang X D.Research on architecture of 但操作数据的大幅波动仍会影响模型的预测精度. intelligent manufacturing based on cyber-physical system.Comput 在这种情况下，将进一步采用增量学习的方法来重 Sci,2013,40(6A):37 新调整模型的系数，以减少工况的变化对预测结果 (张彩霞，程良伦，王向东.基于信息物理融合系统的智能制 造架构研究.计算机科学，2013,40(6A):37) 的影响 6 Sun X Y,Wang X,Wu J W,et al.Prediction-based manufactur- 4结论 ing center self-adaptive demand side energy optimization in cyber physical systems.Chin J Mech Eng,2014,27(3):488 本文以炼钢过程为例，利用烟气分析的实时数 Wang L H,Torngren M,Onori M.Current status and advance- 据，建立转炉炼钢过程的函数型数字孪生模型，实现 ment of cyber-physical systems in manufacturing.I Manuf Syst, 2015,37:517 转炉炼钢过程的动态控制.主要结论如下： 8] Pirvu B C,Zamfirescu C B,Gorecky D.Engineering insights from (1)提出了转炉炼钢过程的函数型数字孪生模 an anthropocentric cyberphysical system:a case study for an as- 型的建模方法.模型能实时、精确地描述整个反应 sembly station.Mechatronics,2016,34:147 过程，实现了全过程的动态预测，终点碳在±0.02% ) Xu G,Zhang X T,Li M,et al.Online monitoring and control 误差范围内的命中率为95%，±0.01%的命中率为 method of product quality based on embedded cyber-physical sys- 70%左右 tem models.J Mech Eng,2017,53 (12)94 (徐钢，张晓形，黎敏，等.基于嵌入式CPS模型的产品质量 (2)数字孪生模型可以根据动态预测分析，预 在线管控方法.机械工程学报，2017,53(12)：94) 示是否会出现喷溅，为过程控制提供预警.另外，可 [10]Wang X H,Li J Z,Liu F G.Technological progress of BOF 以通过模型在拉碳阶段对钢水中碳含量的预测值来 steelmaking in period of development mode transition.Steelmak- 控制终吹点，避免出现过吹或欠吹 ing,2017,33(1):1 (3)由于采用连续的函数型曲线来拟合复杂的 (王新华，李金柱，刘凤刚.转型发展形势下的转炉炼钢科 技进步.炼钢，2017,33(1)：1) 动态反应过程，模型能根据烟气的实测数据自主调 11] Liao DS.Sun S,Waterfall S,et al.Integrated KOBM steelmak- 整系数函数，因此不仅能准确预测正常治炼（包括 ing process control //Oxygen Steelmaking.Beijing,2015:107 出现喷溅)过程，而且对二次扒渣，均能准确预测脱 [12]Wu L,Jiang Z H,Gong W,et al.Continuous control of BOF by 碳和拉碳过程 gas analysis.Steelmaking,2008,24(1):12 (4)采用函数型炼钢过程数字孪生模型有望取 (吴令，姜周华，龚伟，等.通过烟气分析实现转炉连续控 制.炼钢，2008,24(1)：12) 消副枪检测过程，从而降低生产成本，提高产品质量 [13]Xie S M,Tao J,Chai T Y.BOF steelmaking endpoint control 和生产效率，具有广泛的工业应用前景. hased on neural network.Control Theory Appl,2003,20(6):903 (谢书明，陶钧，柴天佑.基于神经网络的转炉炼钢终点控 参考文献 制.控制理论与应用，2003,20(6)：903) [Aacatech-National Academy of Science and Engineering.Cyber- [14]Yuan P,Mao ZZ,Wang F L.Endpoint prediction of EAF based Physical Systems:Driving Force for Innovations in Mobility, on multiple support vector machines.J fron Steel Res Int,2007, Health,Energy and Production.Berlin:Springer Publishing Com- 14(2):20 pany,2012 05] Han M,Zhao Y,Yang X L,et al.Endpoint prediction model of 2]Lee E A.CPS foundations /Design Automation Conference.Ana- basic oxygen fumace steelmaking based on robust relevance vector hcim,2010:737 machines.Control Theory Appl,2011,28(3):343 B]Yin R Y.A discussion on "smart"steel plant-view from physical (韩敏，赵耀，杨溪林，等。基于鲁棒相关向量机的转炉炼钢 system side.Iron Steel,2017,52(6):1 终点预报模型.控制理论与应用，2011,28(3)：343) (殷瑞钰.关于智能化钢厂的讨论一从物理系统一侧出发讨 [16]Ramsay J,Silverman B W.Functional Data Analysis.2nd 论钢厂智能化.钢铁，2017,52(6)：1) Ed.New York:Springer,2005 4]China Information Physics System Development Forum.White Pa- [17]Morris J S.Functional regression.Ann Rev Stat Appl,2015,2: per on Information Physics Systems D/OL].Cyber Physical Sys- 321徐 钢等: 基于函数型数字孪生模型的转炉炼钢终点碳控制技术 的精度． ( 3) 保持操作过程的平稳性． 转炉冶炼过程中 与来料数据、工艺控制参数直接相关，如对氧枪控制 方式、顶底复吹模式、加料批次等等都会影响转炉的 终点控制精度． 虽然新模型具有良好的自适应性， 但操作数据的大幅波动仍会影响模型的预测精度． 在这种情况下，将进一步采用增量学习的方法来重 新调整模型的系数，以减少工况的变化对预测结果 的影响． 4 结论 本文以炼钢过程为例，利用烟气分析的实时数 据，建立转炉炼钢过程的函数型数字孪生模型，实现 转炉炼钢过程的动态控制． 主要结论如下: ( 1) 提出了转炉炼钢过程的函数型数字孪生模 型的建模方法． 模型能实时、精确地描述整个反应 过程，实现了全过程的动态预测，终点碳在 ± 0. 02% 误差范围内的命中率为 95% ，± 0. 01% 的命中率为 70% 左右． ( 2) 数字孪生模型可以根据动态预测分析，预 示是否会出现喷溅，为过程控制提供预警． 另外，可 以通过模型在拉碳阶段对钢水中碳含量的预测值来 控制终吹点，避免出现过吹或欠吹． ( 3) 由于采用连续的函数型曲线来拟合复杂的 动态反应过程，模型能根据烟气的实测数据自主调 整系数函数，因此不仅能准确预测正常冶炼( 包括 出现喷溅) 过程，而且对二次扒渣，均能准确预测脱 碳和拉碳过程． ( 4) 采用函数型炼钢过程数字孪生模型有望取 消副枪检测过程，从而降低生产成本，提高产品质量 和生产效率，具有广泛的工业应用前景． 参 考 文 献 ［1］ Aacatech-National Academy of Science and Engineering． Cyber￾Physical Systems: Driving Force for Innovations in Mobility， Health，Energy and Production． Berlin: Springer Publishing Com￾pany，2012 ［2］ Lee E A． CPS foundations / / Design Automation Conference． Ana￾heim，2010: 737 ［3］ Yin Ｒ Y． A discussion on“smart”steel plant-view from physical system side． Iron Steel，2017，52( 6) : 1 ( 殷瑞钰． 关于智能化钢厂的讨论—从物理系统一侧出发讨 论钢厂智能化． 钢铁，2017，52( 6) : 1) ［4］ China Information Physics System Development Forum． White Pa￾per on Information Physics Systems ［J/OL］． Cyber Physical Sys￾tems ( 2017--03--02) ［2018--07--20］． http: / /www． cesi． cn / 201703 /2251． html ( 中国信息物理系统发展论坛． 信息物理系统白皮书［J/OL］． 信息物理系统 ( 2017--03--02) ［2018--07--20］． http: / /www． ce￾si． cn /201703 /2251． html) ［5］ Zhang C X，Cheng L L，Wang X D． Ｒesearch on architecture of intelligent manufacturing based on cyber-physical system． Comput Sci，2013，40( 6A) : 37 ( 张彩霞，程良伦，王向东． 基于信息物理融合系统的智能制 造架构研究． 计算机科学，2013，40( 6A) : 37) ［6］ Sun X Y，Wang X，Wu J W，et al． Prediction-based manufactur￾ing center self-adaptive demand side energy optimization in cyber physical systems． Chin J Mech Eng，2014，27( 3) : 488 ［7］ Wang L H，Trngren M，Onori M． Current status and advance￾ment of cyber-physical systems in manufacturing． J Manuf Syst， 2015，37: 517 ［8］ Pirvu B C，Zamfirescu C B，Gorecky D． Engineering insights from an anthropocentric cyber-physical system: a case study for an as￾sembly station． Mechatronics，2016，34: 147 ［9］ Xu G，Zhang X T，Li M，et al． Online monitoring and control method of product quality based on embedded cyber-physical sys￾tem models． J Mech Eng，2017，53( 12) : 94 ( 徐钢，张晓彤，黎敏，等． 基于嵌入式 CPS 模型的产品质量 在线管控方法． 机械工程学报，2017，53( 12) : 94) ［10］ Wang X H，Li J Z，Liu F G． Technological progress of BOF steelmaking in period of development mode transition． Steelmak￾ing，2017，33( 1) : 1 ( 王新华，李金柱，刘凤刚． 转型发展形势下的转炉炼钢科 技进步． 炼钢，2017，33( 1) : 1) ［11］ Liao D S，Sun S，Waterfall S，et al． Integrated KOBM steelmak￾ing process control / / Oxygen Steelmaking． Beijing，2015: 107 ［12］ Wu L，Jiang Z H，Gong W，et al． Continuous control of BOF by gas analysis． Steelmaking，2008，24( 1) : 12 ( 吴令，姜周华，龚伟，等． 通过烟气分析实现转炉连续控 制． 炼钢，2008，24( 1) : 12) ［13］ Xie S M，Tao J，Chai T Y． BOF steelmaking endpoint control based on neural network． Control Theory Appl，2003，20( 6) : 903 ( 谢书明，陶钧，柴天佑． 基于神经网络的转炉炼钢终点控 制． 控制理论与应用，2003，20( 6) : 903) ［14］ Yuan P，Mao Z Z，Wang F L． Endpoint prediction of EAF based on multiple support vector machines． J Iron Steel Ｒes Int，2007， 14( 2) : 20 ［15］ Han M，Zhao Y，Yang X L，et al． Endpoint prediction model of basic oxygen furnace steelmaking based on robust relevance vector machines． Control Theory Appl，2011，28( 3) : 343 ( 韩敏，赵耀，杨溪林，等． 基于鲁棒相关向量机的转炉炼钢 终点预报模型． 控制理论与应用，2011，28( 3) : 343) ［16］ Ｒamsay J O，Silverman B W． Functional Data Analysis． 2nd Ed． New York: Springer，2005 ［17］ Morris J S． Functional regression． Ann Ｒev Stat Appl，2015，2: 321 · 725 ·