廢鋼智能判級生產管控系統的開發與應用研究

RESEARCHONTHEDEVELOPMENTAND APPLICATIONOFINTELLIGENTGRADING PRODUCTIONCONTROLSYSTEMFORSCRAPSTEEL

Fan Hongyuan （Control Center of Hebei Iron and Steel Group Xuangang Company.Xuanhua O751Oo，China）

Abstract：Inthecontextofthe \"dualcarbon\"strategy，inordertomettheneeds of transformationandupgrading of Hebei Iron and Steel and Xuangang，an inteligent productioncontrolsystem for scrap steel grading has beendeveloped to achieve intellgent recognitionand judgment of scrap steel grades. The system includes hardware and software systems，and byconnecting with the ERP system and the logistics system，it achieves thefull-process intellient management of scrap steel processing. After the system wasput intouse，significant results have ben achieved，with the accuracyrateofscrapsteel grading，weightdeduction，and theidentificationofsealedcontainers and dangerous goods in the vehicle reachinga high level.Atthesametime，ithas good promotionand application valueandsocial benefits.

Key words： scrap steel; intelligent recognition;judgment; accuracy rate

0引言

隨著我國“雙碳”戰略的提出，廢鋼作為綠色環保、可循環利用的再生資源，在鋼鐵冶煉中的需求量快速增加。河鋼宣鋼轉型升級新建兩座 120t 廢鋼預熱式熔融爐，年需外采廢鋼265.2萬t。為保證產品質量、降低生產成本、提高生產效率，開發廢鋼智能判級生產管控系統成為當務之急。

1 研究目的和意義

智能判級有助于鋼鐵企業獲得質量更加穩定的廢鋼原料。通過明確的分級標準，可以更好地掌握每一批次廢鋼的特性，從而調整生產工藝，確保鋼鐵產品的質量穩定性。準確的廢鋼判級可以避免因誤判導致的高價采購低質量廢鋼或低價出售高質量廢鋼的情況發生。同時，高效的判級過程也能減少人力、物力等成本投入。提高廢鋼的利用率，減少對鐵礦石等原生資源的依賴，符合鋼鐵行業可持續發展的要求。

2廢鋼智能判級的原理

2.1圖像識別技術

通過高清攝像頭或圖像采集設備獲取廢鋼的圖像信息。利用計算機視覺算法對圖像進行分析處理，主要步驟分為兩方面。

1）特征提?。禾崛U鋼的形狀、顏色、紋理等特征。例如，不同材質的廢鋼可能具有不同的顏色和表面紋理，形狀規則程度也可能有所差異。通過提取這些特征，可以為后續的分類判級提供依據。

2）模式識別：將提取到的特征與預先建立的特征數據庫進行比對。數據庫中存儲了不同等級廢鋼的典型特征，通過模式匹配算法確定當前廢鋼最可能所屬的等級。例如，如果廢鋼的形狀較為規則、顏色均勻且與某一高等級廢鋼的特征相符，就可能被判定為高等級廢鋼。

2.2傳感器檢測技術

1）重量傳感器：測量廢鋼的重量。一般來說，同一等級的廢鋼在重量上可能存在一定的范圍。例如，高等級的重型廢鋼通常比低等級的輕薄廢鋼重量更大。通過重量傳感器可以初步判斷廢鋼的大致等級范圍。

2）金屬探測器：檢測廢鋼中的金屬成分。不同等級的廢鋼其金屬成分含量和種類可能不同。金屬探測器可以區分出廢鋼中的鐵、鋼、銅、鋁等不同金屬，從而為判級提供參考。例如，含有較高比例優質鋼材的廢鋼可能被判定為高等級廢鋼。

3）光譜分析技術：利用光譜儀對廢鋼進行光譜分析，確定其化學成分。不同等級的廢鋼化學成分會有所差異，通過分析光譜特征可以準確判斷廢鋼的材質和等級。例如，某些特定元素的含量可以作為判斷廢鋼等級的重要指標。

2.3機器學習與數據分析

1）數據收集與標注：收集大量的廢鋼樣本數據，包括圖像、重量、化學成分等信息，并對這些數據進行標注，明確每個樣本的等級。

2）模型訓練：利用機器學習算法，如神經網絡、支持向量機等，對標注好的數據集進行訓練。通過不斷調整模型參數，使模型能夠學習到不同等級廢鋼的特征模式。

3）預測與判級：將新的廢鋼數據輸入訓練好的模型中，模型會根據學習到的特征模式進行預測，給出廢鋼的等級判斷。隨著數據的不斷積累和模型的持續優化，判級的準確性會不斷提高。

3廢鋼智能判級系統關鍵技術

3.1開發功能模塊和系統接口

自主開發多個功能模塊和系統接口，實現采購全鏈路跟蹤，避免數據孤島，提升生產經營效益

3.1.1 網絡架構與硬件

充分利用宣鋼現有局域網，綜合考慮L2級網絡、OA辦公網絡以及工業數據采集網等，避免數據孤島。硬件包括搭建廢鋼智能判級冗余服務器、架設高清晰光學防抖攝像機、安裝人機交互系統顯示屏等。

3.1.2與ERP系統銜接

與宣鋼物流系統數據、ERP系統進行銜接，開發功能接口，配置六個模塊功能，實現廢鋼加工中心的多項業務功能。

3.1.3與物流系統銜接

采集車輛物流管理系統中的車輛信息、檢斤信息數據與廢鋼識別判級系統中的料型數據進行銜接匹配，包括進廠管理、采購管理等環節。

3.2建立廢鋼業務模型庫

基于數據分析和可視化技術，實現結果復核、異議回溯，為AI廢鋼定級算法提供良好數據源

3.3 人工與AI的融合

結合多種技術，對卸車過程進行判級，計算整車扣重預估值，并通過算法模塊優化廢鋼智能生產管控系統。廢鋼識別判級軟件實現采購廢鋼的數據采集、圖形識別對比等功能，并將最終驗質結果上傳至結算系統。

4智能判級系統的問題與挑戰

4.1廢鋼種類復雜性

廢鋼的種類繁多，包括不同材質、形狀和規格的廢鋼。例如，有碳素鋼、合金鋼、不銹鋼等不同材質的廢鋼，其物理和化學特性差異較大。形狀方面，可能有塊狀、片狀、絲狀等。這種復雜性增加了智能識別的難度，可能導致準確率下降。

4.2 識別技術的局限性

目前的智能識別技術主要依靠圖像識別、傳感器檢測等手段。然而，這些技術在面對一些特殊情況時可能存在局限性。例如，圖像識別可能受到光線、角度、廢鋼表面的污垢或銹蝕等因素的影響，導致識別不準確。傳感器檢測可能受到廢鋼的磁性、導電性等特性的干擾。

4.3數據質量和樣本數量

智能識別系統的準確率很大程度上依賴于訓練數據的質量和樣本數量。如果訓練數據不全面、不準確或者樣本數量過少，系統可能無法學習到足夠的特征，從而影響準確率。例如，缺乏某些罕見類型廢鋼的樣本數據，可能導致系統在遇到這些廢鋼時無法準確識別。

4.4環境因素

廢鋼的識別和判定通常在復雜的工業環境中進行，環境因素可能對準確率產生影響。例如，灰塵、噪音、震動等可能干擾傳感器的工作，影響識別結果。此外，溫度、濕度等因素也可能對廢鋼的物理特性產生影響，進而影響識別準確率。目前，廢鋼智能識別與判定的準確率在不斷提高，但具體的準確率數值因不同的技術和應用場景而異。一般來說，經過優化的系統可以達到較高的準確率，但要實現完全準確的識別和判定仍然面臨一定的挑戰。

5總結與展望

廢鋼智能判級生產管控系統的開發與應用，是河鋼宣鋼在“雙碳”背景下實現轉型升級的重要舉措。該系統的成功實施，提高了廢鋼判級的準確性和效率，降低了成本，具有重要的推廣應用價值和社會效益。

未來，應進一步優化和完善該系統，以適應鋼鐵行業的發展需求。隨著人工智能技術的不斷進步，尤其是深度學習算法的持續發展，廢鋼智能判級系統將變得更加精準和高效。深度學習模型可以通過

大量的數據訓練，自動學習廢鋼的各種復雜特征，不斷提高判級的準確性。廢鋼智能判級將趨向于綜合運用多種技術手段，實現多模態融合。例如，將圖像識別、傳感器檢測、光譜分析等技術相結合，從多個角度獲取廢鋼的信息，進行全面、準確的判級。這樣可以充分發揮各種技術的優勢，彌補單一技術的局限性，提高判級系統的可靠性和穩定性。

參考文獻

[1]李建新，趙俊學，崔雅茹.基于圖像識別的廢鋼自動判級系統研究[J].中國冶金，2020，30（11）：74-78.[2]王存宇，楊荃，王曉晨，等.基于深度學習的廢鋼料型智能識別方法[J].鋼鐵，2021，56（2）：155-160.[3]張立國，任玉佳，李文斌，等.基于機器視覺的廢鋼智能判級系統[J].冶金自動化，2022，46（4）：101-106.[4]陳兵，王雪梅，胡兵.廢鋼智能判級技術的應用與發展[J].鋼鐵技術，2021（4）：28-31.[5]周繼程，李衛東，王興東.基于人工智能的廢鋼智能判級系統設計與實現[J].計算機應用與軟件，2023，40（2）：107-112.[6]劉瑞寧，梁棟，張志強.廢鋼智能判級系統在鋼鐵企業的應用[J].河北冶金，2022（11）：60-63.[7]孫彥輝，汪紅兵，張興利.廢鋼智能判級技術的研究與應用[J].中國冶金，2021，31（10）：86-90.[8]李曉磊，王鵬，趙勇.基于深度學習的廢鋼智能判級算法研究[J].電子技術與軟件工程，2023（1）：177-180.