杨建平等：炼钢-连铸区段3种典型工序界面技术研究进展 ·1545 Temperature/K (a) Heat flux/(W.m2) (b) ☐634.3 ☐8961.5 606.6 8132.8 578.8 7304.1 551.1 6475.5 523.4 5646.8 495.7 4818.1 467.9 3989.4 440.2 3160.8 412.5 2332.1 384.7 00.751.50 1503.400.751.50 357.0 Scale/m 674.7 Scale/m 图2钢包包壳温度与热流量分布图刷(a)温度分布：(b)热流量分布 Fig.2 Distributions of temperature and heat flux on ladle shelllsl:(a)temperature distribution;(b)heat flux distribution 较为准确的钢包热状态监测结果，但需要对钢包 究钢包热状态影响因素的部分代表性工作 进行一定的改造，增加了实验成本，且内嵌热电偶 由表1可知，近年来冶金学者对影响钢包热状 仅能获取钢包特定部位的温度，无法实现钢包整 态的内/外在因素进行了较为全面的研究，内在因 体热状态的监测.而应用数值模拟方法虽然能够 素和外在因素的研究分别为具有高保温效果包衬 监测到钢包各个位置的热状态，但该方法在建模 结构的设计和钢包运行的优化提供指导，这为钢 中通常对钢包/钢水的传热行为进行一定假设，影 包热状态的精准监测与控制奠定了基础.实际生 响计算结果的准确性，且数值模拟方法较长的求 产中钢包一直在高温状态下运行，满包运行阶段 解时间一直是制约其应用的主要因素，采用图形 需盛载少则几儿十吨多则300t的钢水，且包衬与钢 处理器(GPU)等高性能运算手段可显著提高运算 水直接接触，故包衬的热机械性能、耐热性、耐腐 效率，但对于复杂的三维传热模型，其求解时间仍 蚀性等也影响着钢包运行的稳定性-，对于具 较长.结合上述2种方法，仅在钢包包壁1/2处、 有特殊成分钢种的生产，需做到专包专用.因此， 1/4处及包底等关键位置嵌入热电偶或直接采用 对于钢包热状态的监测与控制，应兼顾其热机械 红外测温手段，一定程度上降低实验成本，并应用 性能、耐热性、耐腐蚀性等性能 实测值对数值模拟结果进行修正，这对于钢包热 1.2钢包选配与调度 状态的精准监测和钢水过程温度的窄窗口控制具 目前，国外鲜有钢包选配与调度方面的研究 有重要意义.当前，随着人工智能技术的发展，深 报道；国内学者基于冶金流程工程学理论与方法， 度（卷积）神经网络、极限学习机等机器学习方法 开展了相应的研究工作，取得了一定进展.而周转 因其建模的灵活性和求解的高效性而得到了广泛 钢包数量的确定作为钢包选配与调度前的一项重 的关注，并已逐渐应用于炼钢-连铸生产过程90 要工作，也得到了较多关注.因此，在论述钢包选 采用机器学习方法，如基于深度学习的图像识别 配和调度研究前，首先对周转钢包数量计算的相 技术叫，对得到的大量钢包热状态数值模拟数据 关研究进行介绍. 和实测数据，包括文本结构化数据、图像等非结构 1.2.1周转钢包数量计算 化数据进行建模，将为钢包热状态的实时精准监 计算周转钢包数量的前提是解析与钢包运行 测提供可能 相关的时间参数，包括转运周期、连铸机浇铸周期 1.1.2影响因素 等，基于此，刘青等7提出了周转钢包数量的基本 实现钢包热状态的精准监测，可靠的研究方 计算方法，即时间计算法、产量计算法和周期匹配 法是基础，钢包热状态影响因素的掌握是关键.影 法，后续相关研究大多在此基础上进行.面对多品 响钢包运行过程热状态的因素有很多，内在因素 种、小批量、多规格的订单要求，炼钢-连铸区段 包括包衬材料特性和包衬结构，外在因素包括包 产品结构的多样性是影响周转钢包数量的主要因 龄、空包时间、烘烤时间等.表1所示近20a来研 素，Wang等B通过对某特殊钢厂品种钢和普碳钢较为准确的钢包热状态监测结果，但需要对钢包 进行一定的改造，增加了实验成本，且内嵌热电偶 仅能获取钢包特定部位的温度，无法实现钢包整 体热状态的监测. 而应用数值模拟方法虽然能够 监测到钢包各个位置的热状态，但该方法在建模 中通常对钢包/钢水的传热行为进行一定假设，影 响计算结果的准确性，且数值模拟方法较长的求 解时间一直是制约其应用的主要因素，采用图形 处理器（GPU）等高性能运算手段可显著提高运算 效率，但对于复杂的三维传热模型，其求解时间仍 较长. 结合上述 2 种方法，仅在钢包包壁 1/2 处、 1/4 处及包底等关键位置嵌入热电偶或直接采用 红外测温手段，一定程度上降低实验成本，并应用 实测值对数值模拟结果进行修正，这对于钢包热 状态的精准监测和钢水过程温度的窄窗口控制具 有重要意义. 当前，随着人工智能技术的发展，深 度（卷积）神经网络、极限学习机等机器学习方法 因其建模的灵活性和求解的高效性而得到了广泛 的关注，并已逐渐应用于炼钢–连铸生产过程[19−20] . 采用机器学习方法，如基于深度学习的图像识别 技术[21] ，对得到的大量钢包热状态数值模拟数据 和实测数据，包括文本结构化数据、图像等非结构 化数据进行建模，将为钢包热状态的实时精准监 测提供可能. 1.1.2    影响因素 实现钢包热状态的精准监测，可靠的研究方 法是基础，钢包热状态影响因素的掌握是关键. 影 响钢包运行过程热状态的因素有很多，内在因素 包括包衬材料特性和包衬结构，外在因素包括包 龄、空包时间、烘烤时间等. 表 1 所示近 20 a 来研 究钢包热状态影响因素的部分代表性工作. 由表 1 可知，近年来冶金学者对影响钢包热状 态的内/外在因素进行了较为全面的研究，内在因 素和外在因素的研究分别为具有高保温效果包衬 结构的设计和钢包运行的优化提供指导，这为钢 包热状态的精准监测与控制奠定了基础. 实际生 产中钢包一直在高温状态下运行，满包运行阶段 需盛载少则几十吨多则 300 t 的钢水，且包衬与钢 水直接接触，故包衬的热机械性能、耐热性、耐腐 蚀性等也影响着钢包运行的稳定性[34−36] ，对于具 有特殊成分钢种的生产，需做到专包专用. 因此， 对于钢包热状态的监测与控制，应兼顾其热机械 性能、耐热性、耐腐蚀性等性能. 1.2    钢包选配与调度 目前，国外鲜有钢包选配与调度方面的研究 报道；国内学者基于冶金流程工程学理论与方法， 开展了相应的研究工作，取得了一定进展. 而周转 钢包数量的确定作为钢包选配与调度前的一项重 要工作，也得到了较多关注. 因此，在论述钢包选 配和调度研究前，首先对周转钢包数量计算的相 关研究进行介绍. 1.2.1    周转钢包数量计算 计算周转钢包数量的前提是解析与钢包运行 相关的时间参数，包括转运周期、连铸机浇铸周期 等，基于此，刘青等[37] 提出了周转钢包数量的基本 计算方法，即时间计算法、产量计算法和周期匹配 法，后续相关研究大多在此基础上进行. 面对多品 种、小批量、多规格的订单要求，炼钢–连铸区段 产品结构的多样性是影响周转钢包数量的主要因 素，Wang 等[38] 通过对某特殊钢厂品种钢和普碳钢 Heat flux/(W·m−2) 8961.5 8132.8 7304.1 6475.5 5646.8 4818.1 3989.4 3160.8 2332.1 1503.4 674.7 0 0.75 1.50 Scale/m z y (b) x Temperature/K 634.3 606.6 578.8 551.1 523.4 495.7 467.9 440.2 412.5 384.7 357.0 0 0.75 Scale/m 1.50 z y (a) x 图 2    钢包包壳温度与热流量分布图[18] . （a）温度分布；（b）热流量分布 Fig.2    Distributions of temperature and heat flux on ladle shell[18] : (a) temperature distribution; (b) heat flux distribution 杨建平等： 炼钢–连铸区段 3 种典型工序界面技术研究进展 · 1545 ·