趙 忍

(寶鋼湛江鋼鐵有限公司制造管理部，廣東 湛江 524000)

摘要: 通過整理實際生產(chǎn)大數(shù)據(jù)及現(xiàn)場試驗，分析總結得出所有影響鐵水溫降的末端因素，并利用嶺回歸、LASSO、SVＲ、XGBOOST 等機器學習算法進行建模，開發(fā)了鐵水溫降預測模型，并將模型預測結果可視化，支撐實際生產(chǎn)過程中的鐵水分配優(yōu)化。基于鐵水溫降預測模型，得出了相關優(yōu)化舉措( 備用罐模式改革創(chuàng)新、檢修罐作安全罐、自動加蓋罐作安全罐) ，明顯提升鐵鋼界面運行效率( 鐵水溫降改善 10 ℃ ) 。

關鍵詞: 鐵水溫降; 預測模型; 可視化

0 引言

隨著國家及寶武集團關于“碳達峰、碳中和”的低碳綠色發(fā)展的號召，鐵鋼界面熱能高效利用成為減少碳排放、提高熱能利用、提高轉(zhuǎn)爐吃廢鋼能力的一項共性技術。而鐵水溫降模型能很好的為鐵鋼界面熱能高效利用提供理論支撐。以鐵水溫降模型作為理論基礎，制定一系列的管理及技術舉措，降低鐵水界面鐵水溫降。

1 現(xiàn)狀分析

現(xiàn)階段鐵水溫降模型為單因素模型，存在局限性，不能很好的指導實際生產(chǎn)。另現(xiàn)階段鐵水溫降 108． 8 ℃，距離國家二級清潔生產(chǎn)標準( 不大于 100 ℃ ) 還有很大差距?？紤]到湛江鋼鐵鐵鋼界面的調(diào)度高度集中扁平、TPC 與轉(zhuǎn)爐爐容匹配性好、高爐采用“半島式”布置、高爐受鐵處至煉鋼 倒罐站距離短等綜合有利因素，鐵水溫降水平還有較大提升空間。

2 研究內(nèi)容

2． 1 明確所有影響鐵水溫降的末端因素

1) 通過整理分析智慧鐵水系統(tǒng)積累的鐵鋼界面運行實績大數(shù)據(jù)，針對每一個可能的末端因素逐一進行回歸分析，最終梳理出來了兩個方面共11 個末端因素，另外也得出了相應的溫降規(guī)律。 界面兩端主要有高爐波動、鐵流量、鐵口號( 1 號、4號鐵口溫降大) 、煉鋼鐵包周轉(zhuǎn)率; 界面內(nèi)部主要有空罐時長、重罐時長、殘鐵量、二次倒鐵、二次受鐵、罐齡、TPC 加廢鋼。

2) 針對裝備上的改進做了對比試驗，明確了保溫耐材和自動加蓋對鐵水溫降的貢獻。

2． 2 鐵水溫降預測模型開發(fā)

為了使鐵水溫降的模型可解釋性更強，指導工藝人員更加方便的找到工藝改進方向，本次模型采用隨機森林^［1］和 Ｒidge 模型就行對比，采用效果更好的模型。Ｒidge 回歸和隨機森林是兩種常用的機器學習算法，其有著不同的特點和適用場景，Ｒidge 回歸: 是一種線性回歸方法，目的是通過學習系數(shù)來擬合一個線性模型; 在目標函數(shù)中增加正則化項，使得學習到的系數(shù)更加平滑，抑制過擬合; 優(yōu)點是對離群點和噪聲比較魯棒，計算速度快; 該模型適用于特征數(shù)量多，但是樣本數(shù)量較少的情況。隨機森林: 一種基于集成學習思想的決策樹算法，通過組合多個決策樹來進行預測; 優(yōu)點是可以很好地處理高維度、稀疏性或非線性數(shù)據(jù)，能夠準確地預測復雜的關系，不易過擬合; 相對于單棵決策樹具有更好的泛化能力和魯棒性; 但是需要更多的計算和存儲資源，在大規(guī)模數(shù)據(jù)集或高維數(shù)據(jù)集上可能表現(xiàn)不佳。

由于鐵水溫降的參數(shù)特征不是太多，歷史數(shù)據(jù)量也只有幾千條，而且對模擬的魯棒性要求較高，上述兩種模型均有相對較好的效果，并且能夠輸出對鐵水溫降影響較大的特征，指導技術人員工藝優(yōu)化方向。在進行模型訓練之前，鐵水調(diào)度系統(tǒng)中存在大量的異常數(shù)據(jù)，對模型的準確性造成很大的影響，經(jīng)過和業(yè)務人員深入溝通確定異常數(shù)據(jù)處理邏輯: 倒鐵溫度 1 220 ～ 1 500 ℃，T2-T3溫 降: 大于10 ℃，T1-T2溫降: 50 ～ 250 ℃ ，倒鐵量或鐵水使用量大于 240 t。模型輸入因素: 模型考慮煉鋼號、TPC 分類、重罐 \ 空罐時長、TPC 預處理、耐材時長、殘鐵量、加廢鋼等因素。模型結果: 采用隨機森林模型的得分為 0． 83，Ｒidge 的模型得分為 0． 79，最終采用隨機森林的算法鐵水溫降，并驗證預測大溝至 KＲ 前鐵水溫降預測標準偏差在20 ℃以內(nèi)的比例大于 90% 。

2． 3 鐵水溫降預測模型的實際應用以及可視化界面的開發(fā)

本次模型利用 python-flask 搭建后臺服務，為鐵水調(diào)度系統(tǒng)提供數(shù)據(jù)服務，在鐵水倒鐵結束后，鐵水調(diào)度系統(tǒng)將相關數(shù)據(jù)發(fā)到 python-flask 中，python-flask 收到數(shù)據(jù)并運行訓練好的模型將預測結果返回到鐵水調(diào)度系統(tǒng)，實現(xiàn)了鐵水溫降的實時預測，動態(tài)更新。

3 重要管理舉措

基于鐵水溫降預測模型的運行與大數(shù)據(jù)積累，對鐵水溫降偏大的實績數(shù)據(jù)( 大于 120 ℃ ) 進行整理分析，得出影響鐵水溫降的主要因素有加 蓋保溫罐、鐵口第一罐和第二罐的空罐時長，如表1 所示。

1) 針對加蓋保溫罐，制定舉措: 取消加蓋保溫罐，采用烘烤臺位輪流烘烤保溫周轉(zhuǎn)模式，將“烘烤保溫 + 加蓋保溫”的備用罐模式優(yōu)化為“輪流烘烤保溫”。湛江鋼鐵 3 座高爐系統(tǒng)共配備 TPC37臺，常規(guī)運行罐 20 臺，檢修 7 臺，因此備用罐 10臺。備用罐保溫首先考慮烘烤臺位保溫，但受限于烘烤臺位只有 4 個，另外 6 臺采用加蓋保溫的方式( 24 h置換) ，因此備用罐模式為“烘烤保溫 +加蓋保溫”。但是加蓋保溫罐對于鐵水溫降的影響太大( 加蓋保溫罐保溫 24 h 后投用后第一次溫降 149． 3 ℃，遠大于平均值) ，為了減少備用罐投用對鐵水溫降的影響，特制定此措施。目前烘烤臺位運行模式為 3 個臺位梯度保溫，1 個臺位檢修升溫?？紤]將 3 個臺位梯度保溫優(yōu)化為輪流烘烤模式，首先第一個問題就是要確認一個臺位安排幾個罐周轉(zhuǎn)比較合理。通過分析對比一個臺位 4 個罐和 3 個罐的周轉(zhuǎn)模式( 均能滿足 10 個備用罐的需求) ，3 個罐周轉(zhuǎn)較為合理，因為不僅煤氣消耗較少，且換罐頻次也少。

2) 針對鐵口第一罐和第二罐空罐時間長，制定舉措: 高爐 C 鐵口配置“安全罐”。按照現(xiàn)有高爐配罐模式，C 鐵口必須配置一個空罐，此空罐因在爐下等待時間過長，空罐時長約 5． 8 h( 正常空罐的空罐時長 3 h) ，造成空罐溫度下降太多，最終導致鐵水溫降過大。若用下線檢 修 罐 作“安 全罐”，則能有效減小 C 鐵口的空罐在爐下等待時長。下線檢修罐倒空下線后，需自然冷卻 48 h，再強冷 24 h，因此安排下線檢修罐作安全罐 48 h 后再安排去檢修區(qū)。若檢修罐在作安全罐期間意外受鐵，此時空罐溫度在 500 ～ 700 ℃ 期間，可迅速安排去烘烤臺位升溫后快速受鐵，因此總體風險可控。但是下線檢修罐一個月僅 15 個左右，每個能在一個高爐用兩天，僅能保證一個高爐的安全罐使用，另外 2 座高爐無安全罐可用。因此 1 座高爐采用檢修罐作安全罐，另外 2 座高爐采用自動加蓋罐作安全罐，能滿足 3 座高爐全部有安全罐使用。自動加蓋罐作安全罐，24 h 置換一次，置換安全罐時空罐溫度在 800 ℃以上，可安全受鐵。

4 應用效果

2022 年 7 月鐵水溫降模型開始投入使用，2022 年 11 月開始實施相應舉措，2022 年 11 月至2023 年 10 月期間鐵水溫降 98． 8 ℃，較項目實施前 108． 8 ℃改善 10 ℃。

5 結論

1) 影響鐵水溫降的末端因素主要有 11 個: 界面兩端主要有高爐波動、鐵流量、鐵口號( 1 號、4號鐵口溫降大) 、煉鋼鐵包周轉(zhuǎn)率; 界面內(nèi)部主要有空罐時長、重罐時長、殘鐵量、二次倒鐵、二次受鐵、罐齡、TPC 加廢鋼。

2) 通過開發(fā)全因素的鐵水溫降預測模型，能有效指導實際生產(chǎn)過程中的優(yōu)化，找到關鍵影響因素。

3) 通過針對性舉措的制定和實施，鐵水溫降改善 10 ℃。

參考文獻:

［1］ 荊靜，祝永志． Spark 平臺加權分層子空間隨機森林算法研究［M］． 曲阜: 曲阜師范大學，2020．