·522 工程科学学报，第41卷，第4期 greatest advantage of the method is that the model can automatically adjust the coefficient function according to the measured off-gas da- ta by using a continuous functional curve to fit the complex dynamic reaction process.Therefore,the proposed model can accurately predict not only the normal smelting process but also the decarburization and carbon drawing process for the secondary scraping slag. An industrial experiment on a 260t converter was conducted to prove that the functional digital twin model of the converter smelting process has good self-earning and self-adaptive ability and is robust to the abnormal smelting state.Furthermore,the model can predict the carbon content of the converter dynamically in the entire process and the end-point carbon content can reach 95%at +0.02%. Using the predicted value of the carbon content to control the final blowing point through the functional digital twin model can effectively prevent overblowing or underblowing.More importantly,on the premise of guaranteeing the stability of raw material composition,tem- perature,weight,and other parameters,the model is expected to cancel the blown-off sampling step based on sublance.This feature can reduce the production cost while improving the product quality and production efficiency for a wide range of industrial applications. KEY WORDS converter steelmaking:digital twin model:off-gas analysis;functional data analysis;end-point carbon control 近年来，钢铁制造技术正逐步从自动化、数字 据TSC测定结果由动态模型调整吹炼终点，吹炼结 化、网络化向智能化方向发展.作为工业4.0重要 束后再次降下副枪来提取钢水试样，然后测温，定氧 的策略一信息物理系统（CPS,cyber-physical sys- (称为TS0”测定). tems)和数字孪生模型在智能制造领域的应用己引 现有的转炉碳一温控制模型大多基于碳的质量 起了广泛关注-.殷瑞珏院士指出：钢厂智能化不 平衡计算.静态模型根据主原料（铁水、废钢）与副 只是数字信息系统，必须高度重视物理系统的研究， 料（熔剂、合金）的成分和加入量，利用物料平衡和 必须是有物理输入/输出的物质流网络、能量流网络 热平衡原理计算吹氧量与副料加入时刻.动态模型 和信息流网络“三网协同”的信息物理系统同.信 根据副枪的实测数据，以冶炼钢种成分和出钢温度 息物理系统通过集成先进的感知、计算、通信、控制 为目标值，进行实时计算和调整.但是，由于基于反 等信息技术和自动控制技术，构建了物理空间与信 应机理的静态模型和基于经验的动态模型缺乏过程 息空间中人、机、物、环境、信息等要素相互映射、适 的实时监测数据，钢水的终点碳命中率在85% 时交互、高效协同的复杂系统，实现系统内资源配置 左右 和运行的按需响应、快速迭代、动态优化0.目前， 由于副枪只能解决临近终点的某一时刻的钢水 信息物理系统已应用于智能电网、智能交通、远程医 中碳质量分数和温度的测定，不具有连续性，无法对 疗、自动汽车、环境监控、航空航天、离散制造、流程 连续的碳氧反应过程建立动态的数字李生模型.因 制造等领域B-) 此，近期很多钢铁厂采用了副枪测定与烟气分析相 信息物理系统的优势在于，通过对每个物理对 结合的方法，使得转炉终点碳控制精度有所提高 象（如转炉）嵌入计算单元、传感单元、执行单元、信 烟气分析通过从转炉废气烟道中获取废气中C0、 息处理单元和通讯单元，使各物理组件具有自学习、 C02、N2、O2含量，并通过吹氧量、C0、C0,随时间变 自适应、自决策、自调控等多重功能.信息物理系统 化曲线来计算钢水的脱碳和升温过程.由于烟气分 的本质是利用先进的传感技术，建立相应的数字孪 析具有连续检测的特点，钢铁企业开始尝试取消副 生模型，实现过程的精准控制 枪的中间测碳和测温过程，而采用烟气分析数据来 本文以氧气转炉为研究对象，针对转炉冶炼过 确定吹炼过程终点碳.这项技术可以提高生 程中复杂的热力学和碳氧反应等问题，建立转炉炼 产效率，降低生产成本，因此引起了业内的广泛 钢过程的函数型数字孪生模型，利用烟气分析的连 关注. 续监测曲线数据，实时监控转炉内钢水的碳氧反应 但是，目前炉气分析模型仍然依靠静态模型，转 过程，提高钢水终点碳的预测精度 炉内钢水的碳含量预测模型的命中率取决于诸如废 钢量、铁水质量及成分、造渣料的质量、成分等输入 1转炉炼钢过程数字孪生模型 数据的准确性以及炉气分析设备的分析精度和气体 目前，绝大多数氧气转炉都采用副枪动态控制 流量的准确性等因素.由于炉气分析模型的局限性 技术，吹炼中通过“静态控制模型+动态控制模型” 以及对输入数据的准确性要求，限制了终点碳预测 来确定所需要渣料、冷却剂、氧气用量.在吹炼临近 模型的命中率，因而这项技术未能广泛应用 结束前2~3min,通过降下副枪来提取钢水试样，然 1.1转炉烟气分析模型 后测温、定碳（称为“TSC”测定）.在此基础上，根 对于炼钢过程，炉缸内钢水中的碳氧反应是一工程科学学报，第 41 卷，第 4 期 greatest advantage of the method is that the model can automatically adjust the coefficient function according to the measured off-gas da￾ta by using a continuous functional curve to fit the complex dynamic reaction process． Therefore，the proposed model can accurately predict not only the normal smelting process but also the decarburization and carbon drawing process for the secondary scraping slag． An industrial experiment on a 260 t converter was conducted to prove that the functional digital twin model of the converter smelting process has good self-learning and self-adaptive ability and is robust to the abnormal smelting state． Furthermore，the model can predict the carbon content of the converter dynamically in the entire process and the end-point carbon content can reach 95% at ± 0. 02% ． Using the predicted value of the carbon content to control the final blowing point through the functional digital twin model can effectively prevent overblowing or underblowing． More importantly，on the premise of guaranteeing the stability of raw material composition，tem￾perature，weight，and other parameters，the model is expected to cancel the blown-off sampling step based on sublance． This feature can reduce the production cost while improving the product quality and production efficiency for a wide range of industrial applications． KEY WOＲDS converter steelmaking; digital twin model; off-gas analysis; functional data analysis; end-point carbon control 近年来，钢铁制造技术正逐步从自动化、数字 化、网络化向智能化方向发展． 作为工业 4. 0 重要 的策略———信息物理系统( CPS，cyber-physical sys￾tems) 和数字孪生模型在智能制造领域的应用已引 起了广泛关注［1--2］． 殷瑞珏院士指出: 钢厂智能化不 只是数字信息系统，必须高度重视物理系统的研究， 必须是有物理输入/输出的物质流网络、能量流网络 和信息流网络“三网协同”的信息物理系统［3］． 信 息物理系统通过集成先进的感知、计算、通信、控制 等信息技术和自动控制技术，构建了物理空间与信 息空间中人、机、物、环境、信息等要素相互映射、适 时交互、高效协同的复杂系统，实现系统内资源配置 和运行的按需响应、快速迭代、动态优化［4］． 目前， 信息物理系统已应用于智能电网、智能交通、远程医 疗、自动汽车、环境监控、航空航天、离散制造、流程 制造等领域［5--9］． 信息物理系统的优势在于，通过对每个物理对 象( 如转炉) 嵌入计算单元、传感单元、执行单元、信 息处理单元和通讯单元，使各物理组件具有自学习、 自适应、自决策、自调控等多重功能． 信息物理系统 的本质是利用先进的传感技术，建立相应的数字孪 生模型，实现过程的精准控制． 本文以氧气转炉为研究对象，针对转炉冶炼过 程中复杂的热力学和碳氧反应等问题，建立转炉炼 钢过程的函数型数字孪生模型，利用烟气分析的连 续监测曲线数据，实时监控转炉内钢水的碳氧反应 过程，提高钢水终点碳的预测精度． 1 转炉炼钢过程数字孪生模型 目前，绝大多数氧气转炉都采用副枪动态控制 技术，吹炼中通过“静态控制模型 + 动态控制模型” 来确定所需要渣料、冷却剂、氧气用量． 在吹炼临近 结束前 2 ～ 3 min，通过降下副枪来提取钢水试样，然 后测温、定碳( 称为“TSC”测定) ． 在此基础上，根 据 TSC 测定结果由动态模型调整吹炼终点，吹炼结 束后再次降下副枪来提取钢水试样，然后测温，定氧 ( 称为“TSO”测定) ． 现有的转炉碳--温控制模型大多基于碳的质量 平衡计算． 静态模型根据主原料( 铁水、废钢) 与副 料( 熔剂、合金) 的成分和加入量，利用物料平衡和 热平衡原理计算吹氧量与副料加入时刻． 动态模型 根据副枪的实测数据，以冶炼钢种成分和出钢温度 为目标值，进行实时计算和调整． 但是，由于基于反 应机理的静态模型和基于经验的动态模型缺乏过程 的实 时 监 测 数 据，钢水的终点碳命中率在 85% 左右． 由于副枪只能解决临近终点的某一时刻的钢水 中碳质量分数和温度的测定，不具有连续性，无法对 连续的碳氧反应过程建立动态的数字孪生模型． 因 此，近期很多钢铁厂采用了副枪测定与烟气分析相 结合的方法，使得转炉终点碳控制精度有所提高． 烟气分析通过从转炉废气烟道中获取废气中 CO、 CO2、N2、O2 含量，并通过吹氧量、CO、CO2 随时间变 化曲线来计算钢水的脱碳和升温过程． 由于烟气分 析具有连续检测的特点，钢铁企业开始尝试取消副 枪的中间测碳和测温过程，而采用烟气分析数据来 确定吹炼过程终点碳［10--12］． 这项技术可以提高生 产效 率，降 低 生 产 成 本，因此引起了业内的广泛 关注． 但是，目前炉气分析模型仍然依靠静态模型，转 炉内钢水的碳含量预测模型的命中率取决于诸如废 钢量、铁水质量及成分、造渣料的质量、成分等输入 数据的准确性以及炉气分析设备的分析精度和气体 流量的准确性等因素． 由于炉气分析模型的局限性 以及对输入数据的准确性要求，限制了终点碳预测 模型的命中率，因而这项技术未能广泛应用． 1. 1 转炉烟气分析模型 对于炼钢过程，炉缸内钢水中的碳氧反应是一 · 225 ·