人工智能在冶金自動化中的應用分析

張 衛，孫 凱，趙 斌

（新余市新余鋼鐵股份有限公司技術中心，江西 新余 338000）

供給側結構性改革與去產能政策的實施推動了鋼鐵行業市場秩序的規范化發展，2018年我國粗鋼產量約為9.3億噸，金屬冶煉與加工工業的產能利用率達到78.1%。在行業發展形勢漸趨明朗的背景下，鋼鐵企業更應積極將人工智能技術應用在冶金生產過程中，以此提高冶金自動化水平，創造更高的產業附加值。

1 人工智能為冶金自動化提供的技術支持

1.1 冶金智能生產系統

當前已有鋼鐵企業將模式識別技術、數據挖掘技術與機器學習算法應用于冶金生產過程中，依靠智能決策支持系統開展冷軋帶鋼焊接測試，通過采集焊接過程與紅外攝像數據完成目標模型的建立，以此實現對焊接工藝可靠性的評估。

1.2 冶金智能機器人

將智能機器人應用于冶金生產領域，主要體現在鑄造生產線、鍛造工藝流程與搬運作業層面，還可利用機器人系統實現礦井安全監控與災害處理，為礦井下作業提供支持。當前部分鋼鐵企業已將神經網絡模型、計算機學習算法應用于礦井安全預測系統、救援系統的建設中，借助模塊化異構多機器人系統實現礦井下作業環境的自動預測，并智能生成救援方案，降低以往人工救援存在的風險，實現安全生產的目標。

2 人工智能在冶金自動化中的具體應用探討

2.1 計算機技術在冶金自動化系統中的應用

一方面，采用分布式控制系統構建冶金軋制過程的自動控制系統（如圖1所示），利用大數據、云計算等技術生成動態數據庫，實現工業以太網、控制器、傳感器等設備的連接，結合冶金軋制的具體過程將板型、位置、厚度、卷取溫度等控制設備安裝在軋線上，經由PLC控制器將采集到的數據上傳至過程控制計算機中，借助計算機程序完成數據分析，以此實現對整體冶金軋制生產過程的自動化控制，提高作業生產效率。

圖1 冶金軋制自動控制系統結構

另一方面，依托人工智能技術建立冶金電氣自動化系統，將神經網絡、模糊專家系統引入到電力系統中，預先將專家知識、電力經驗融入到電力系統神經網絡中，以此實現對用電設備供電情況的集中控制。當電力系統出現故障時，可調用專家系統中存儲的電力經驗進行故障原因排查、創設模擬解決方案，啟動IF-thing程序實現故障問題的自動化解析，并定期進行系統程序更新升級，進一步提高冶金電氣自動化控制系統的應用實效。

2.2 智能溫控儀在高溫拉伸試驗機中的應用

合金制造是鋼鐵企業冶金自動化生產鏈條中的關鍵環節，通常需采用高溫拉伸試驗機針對合金工件進行拉伸處理，以此判斷工件應力是否滿足質量要求，在此階段對于工件的溫度控制精度提出了較高要求，應確保其與目標值的誤差不超過0.2°C。在此擬將智能溫控儀應用在高溫拉伸試驗中，依托改良后的控制算法實現工件溫度的精確化調控，提高冶金過程的自動化控制水平。

首先需進行智能溫控儀的儀表參數設置，采用湊試法進行儀表P、I、D等參數的初試，待溫度到達300℃時啟動自整定功能，實現儀表對參數的自動調試，經由多個周期震蕩后獲取到最優控制參數。其次需進行儀表輸出周期設置，將其參數Cti控制在0.5～125s范圍內，當參數Cti越小時，智能溫控儀的輸出響應速度越快，以此實現對控制參數精度的有效控制；同時還需注重進行dF回差的控制，防范因測量輸出值波動產生位式調節通斷或報警過于頻繁的問題，配合固態繼電器進行通斷周期的壓縮，提高自動化控制精度［2］。最后需完成儀表的自整定，結合儀表輸出功率進行P、I、D、dF等參數的調節，減少輸出功率與目標值間的偏差，配合通信技術實現儀表與上位機的聯網建設，以此實現對試驗數據的實時獲取與動態存儲，實現對成品質量的有效把控。

2.3 模糊控制在高爐智能控制系統中的應用

高爐生產是冶金自動化中的重要工序，在此需基于模糊控制進行高爐專家系統的設計，提高高爐生產過程的自動化水平與可控性。首先需完成變量定義與模糊化，選取鐵水溫度、燃料比等作為變量，以鐵水中化學成分Si值占比為例，其判斷標準如表1所示。

同時引用熱負荷作為變量，利用ΔQ=STHL-STHL'進行熱負荷變化趨勢的判定，獲取模糊結論，完成專家系統中知識庫的建設，利用可能性計算方法進行模糊結果的計算，將生成的知識庫進行簡化處理，最終形成5～10條知識。最后結合獲取到的變量值進行模糊推理，利用獲取到T的指數進行反模糊化，進而生成模糊輸出結果。當|T|≤t標準時，爐熱趨勢為走平；當T>t標準時，爐熱趨勢為走高；當T≤-t標準時，爐熱趨勢為走低。

表1 Si值高低標準

3 結語

鋼鐵企業務必要明確認識到人工智能技術的重要性，加強對冶金專家系統、智能算法、冶金智能機器人、智能化軟件等技術的研發與應用，從而更好地提高冶金智能化生產水平。