Page 19 - 国外钢铁技术信息内参（ 2022年5月）

ᇏݓࣁඋ࿐߶

提高自动化和安全性，使用数据反馈信息来提高处理速度，或者启动紧急程序和

警报。这两方面结合在一起就是深度学习:利用数据历史、实时反馈和“模糊逻辑”

算法在数据反馈中创建相关性，从而实现流程优化和预测。 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
这些技术的进步能够显著提高炼钢生产的稳定性和产品质量，因为操作者不

仅可应用专业知识，同时还可充分利用算法来开展决策。在连铸过程中，操作人

员的专业知识对于调整连铸工艺参数起关键作用。在低温条件下浇铸过慢会有冻

流风险，在高温条件下浇铸过快则可能发生漏钢。

2. 钢包处理工艺（Ladle Process） ᇏݓࣁඋ࿐߶

由于不同钢铁企业之间的物流和工艺差异很大，这里提到“钢包工艺”可能不

够具体。在这项工作的最初阶段，使用了美国动力钢公司（SDI）Butler 分厂提

供的钢包过程工艺数据进行测试和开发。上面提到的钢包历史数据是从以下工位

收集(大致顺序)：

 钢包预热
 电弧炉 (EAF) ᇏݓࣁඋ࿐߶

ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
 钢包冶金炉 (LMF)
 浇铸

 各钢包维护站

一些钢包进程与上述内容相比有替换阶段(如用氧气转炉代替电炉或用钢包

处理站站代替 LMF)，还有其他的额外工序，如真空脱气。这项工作的最终目的

是建立一个通用系统，既能处理这些差异，又能提供钢包热行为的预测。为此，

机器学习工作必须以一种能够从语义上理解输入数据(关于数据的用途)的方式
ᇏݓࣁඋ࿐߶
来进行。

在这项工作中，钢包过程的不同阶段按时间类型分类。这些时间分为预热时

间、等待时间、停留时间和维护时间。等待时间和维护时间被认为是“空置”时间，

这期间钢包内没有钢水，因此会快速地向环境中散热。然而，有两种情况仍有区

别：一种情况是钢包预热前的长时间维护时间和炉前的短暂等待时间；另一种情

况与之相反。因此，这两种“空置”时间是分开处理的。图 1 显示了一个钢包过程
ᇏݓࣁඋ࿐߶

16