基于规则学习的炼钢-连铸钢包选配方法

引用本文 [复制中英文]

刘炜, 柴天佑. 基于规则学习的炼钢-连铸钢包选配方法[J]. 东北大学学报:自然科学版, 2018, 39(11): 1521-1525, 1531.

LIU Wei, CHAI Tian-you. Steelmaking Continuous Casting Ladle Matching Method Based on Rule-Learning[J]. Journal of Northeastern University Nature Science, 2018, 39(11): 1521-1525, 1531. DOI: 10.12068/j.issn.1005-3026.2018.11.001.

[复制英文]

基金项目

国家自然科学基金资助项目(61773269, 61603262, 61503259)；中国博士后科学基金资助项目(2017M611261)；沈阳市科学技术项目(17-231-1-75)

作者简介

刘炜(1980-), 男, 辽宁铁岭人, 东北大学博士研究生;
柴天佑(1947-), 男, 甘肃兰州人, 东北大学教授，博士生导师，中国工程院院士。

文章历史

收稿日期：2017-07-06

Contents Abstract Full text Figures/Tables PDF

基于规则学习的炼钢-连铸钢包选配方法

刘炜, 柴天佑

东北大学流程工业综合自动化国家重点实验室, 辽宁沈阳 110819

收稿日期：2017-07-06

基金项目：国家自然科学基金资助项目(61773269, 61603262, 61503259)；中国博士后科学基金资助项目(2017M611261)；沈阳市科学技术项目(17-231-1-75)。

作者简介：刘炜(1980-), 男, 辽宁铁岭人, 东北大学博士研究生;
柴天佑(1947-), 男, 甘肃兰州人, 东北大学教授，博士生导师，中国工程院院士。

摘要：针对炼钢-连铸生产钢包选配时, 钢包属性众多, 且选配目标相互冲突难以同时满足的现状, 通过一阶规则学习确定钢包温度最高、钢包使用次数最多、钢包材质等级最低和钢包下水口数量最小为性能指标, 以钢包温度、使用次数、钢包材质、钢包水口使用次数、滑板和框架使用次数为约束, 为每个炉次决策钢包, 建立钢包选配模型.通过最小一般泛化法给出了钢包选配规则, 提出了基于规则优先级的启发式钢包选配方法.实际数据仿真与实际应用结果表明，所提方法减少了在线钢包数量和日钢包维护次数, 提升了炉次生产效率.

关键词：炼钢-连铸钢包选配一阶规则学习最小一般泛化仿真

Steelmaking Continuous Casting Ladle Matching Method Based on Rule-Learning

LIU Wei, CHAI Tian-you

State Key Laboratory of Integrated Automation of Process Industry, Northeastern University, Shenyang 110819, China

Corresponding author: LIU Wei, E-mail: liuwei_cn@foxmail.com

Abstract: In steelmaking-continuous casting ladle matching, the ladle properties are numerous and the targets are difficult to meet at the same time. The performance indicators are established by first-order rule-learning to maximize the ladle temperature and ladle use times, minimize the ladle material grade and nozzle number. The ladle temperature, life, material, nozzle, skateboard and frame use times are constraints. The selection rules of ladle are given by minimal generalization method. The method of heuristic ladle selection based on rule priority is proposed. The actual data simulation and applying results show that the proposed method can improve the production efficiency and the number of online ladle and ladle maintenance per day can be reduced.

Key words: steelmaking-continuous casting ladle matching first-order rule-learning minimal generalization simulation

现代炼钢厂包括炼钢、精炼、连铸三个生产阶段.钢包是炉次(一台转炉内冶炼的钢水)在炼钢-连铸生产过程中使用的承载容器, 炉次选配的钢包影响到钢水成分和加工温度, 进而影响到炉次在精炼设备上的加工时间; 所以, 钢包选配直接影响到最终产品的质量和计划的完成.

文献[1]提出了基于模型特征的三步启发式算法进行钢包调度.文献[2]研究炼钢厂多台连铸机间钢包产生互用的条件及影响因素.文献[3]介绍了钢铁厂炼钢连铸工艺计算机化调度系统的模型.文献[4]建立了一个包含钢包调度的炼钢综合系统.文献[5]分析了钢包对炼钢调度的影响.这些钢包选配的研究对钢包的属性进行了简化, 只能适用于简化的生产模式, 没有对钢包选配复杂的属性加以考虑, 选配钢包的优化程度不高, 因此难以满足炼钢-连铸生产的需要.

文献[6]使用甘特图分析了钢包的周转规则, 构建钢包的周转数控制模型.文献[7]研究了静态BOF终点控制模型, 最大限度地减少炼钢期间钢包炉的使用.文献[8]提出一种基于生产计划和钢包待用时间解析的钢包调度现状评价方法.文献[9]考虑钢包的运行情况, 并合理计算钢包数量.文献[10]结合钢水的可控加工时间, 提出了一种分散搜索方法.这些研究主要关注钢包管理, 重点关注钢包周转.

炼钢-连铸钢包选配是一个多目标冲突问题, 现场采用人工方式选配钢包, 优化程度不高.本文以上海某大型钢铁企业为背景, 对炼钢-连铸钢包选配问题影响因子进行了分析, 基于现场钢包选配数据使用一阶规则学习方法提取出优化目标, 建立钢包选配模型.并基于规则学习中最小一般泛化方法提炼出钢包选配规则, 提出了基于规则优先级的启发式钢包选配方法.

1 钢包选配影响因子分析

钢包保温层材质M₁决定钢包单位时间内的温降; 钢包使用次数L越大, 保温层性能下降越多; 钢包初始温度T₁越高, 钢水在连铸机浇注时的温度越高; 外界温度T₂越高, 钢包单位时间内的温降越小; 钢包下水口的材质M₂导热性和数量D在一定程度上影响钢包的散热, 进而影响钢水的温降; 引流料材质M₃和引流剂材质影响钢包浇注的自动开浇率, 自动开浇率高, 钢水温降小; 剩余钢水R也会影响到当前炉次的成分.

1) 钢水温降会影响到最终钢水的品质, 则有

(1)

其中：F(·)为描述钢水温度T₀与其影响因素之间关系的未知非线性关系; d为未知影响因素.

2) 钢包属性对钢水成分的影响见式(2):

(2)

其中, F(·)为描述钢水成分C与其影响因素之间关系的未知非线性关系.

2 钢包选配模型 2.1 符号和参数定义

k:钢包序号;

i:浇次序号；

j:炉次序号；

L_ij:第i个浇次的第j个炉次；

T(k):浇次i第j个炉次选配钢包k温度;

L_min:选配钢包最低使用次数要求;

L_max:选配钢包最高使用次数要求;

M_min:炉次选配钢包的最低材质要求;

M_max:次选配钢包的最高材质要求;

D(k):钢包k的下水口数量;

D_min:炉次选配钢包的最低下水口数量要求;

D_max:炉次选配钢包的最高下水口数量要求;

U(k):钢包k的钢包上使用次数;

U_min:炉次对钢包最低上水口使用次数要求;

U_max:炉次对钢包最高上水口使用次数要求;

SK_ab:钢种第a位到第b位的值;

Ω:可用钢包集合.

2.2 钢包选配决策变量

钢包选配需要在满足炉次工艺要求的基础上, 尽可能地选配属性更优的钢包.即

(3)

2.3 钢包选配优化目标的选取

使用一阶规则学习对训练集进行学习, 钢包选配的属性集A={a₁, a₂, …, a₂₈}，如表 1所示.

表 1 钢包选配属性定义表 Table 1 Definition of ladle matching properties

选取典型数据和随机数据建立钢包选配的训练集B, 其中典型数据和随机数据比例为1:3, 如表 2所示, 并对数据进行转换, 建立关系数据表, 如表 3所示.

表 2 钢包选配数据集 Table 2 Data set of ladle matching

表 3 钢包选配关系数据表 Table 3 Data relationship of ladle matching

由样本类比转化而来关于“更好”“¬更好”的原子公式称为关系数据样例.采用FOIL(first-order inductive learner)进行规则学习, 最初的空规则为

(4)

使用“FOIL增益”选择文字:

(5)

其中: 和为增加候选文字后新规则所覆盖的正、反例数; m₊和m_－为原规则所覆盖的正、反例数.得到钢包优化目标:尽可能选配温度高的钢包, 尽可能选择使用次数高的钢包, 优先选择低材质的钢包, 优先选择单下水口的钢包, 即

(6)

2.4 钢包选配约束条件

钢包温度要在工艺要求的温度范围之内, 钢包使用次数要在工艺要求的范围之内, 钢包材质要满足炉次工艺要求, 满足炉次工艺对钢包下水口数量的要求, 保证上水口在炉次工艺规定的范围之内, 钢包滑板使用次数要在规定的范围之内, 钢包引流料的材质要满足工艺规定, 钢包框架使用次数满足工艺要求:

(7)

2.5 钢包选配模型建立

根据上述分析, 建立钢包选配模型(DM):

(8)

(9)

决策变量为x_ij^k.

3 基于规则学习的钢包选配方法

本文采用最小一般泛化方法从训练数据中学习出一组能用于对未见示例进行判别的规则.

3.1 钢包选配顺序

1) 按照转炉完工时间从早到晚进行选配(Seq1),

2) 按照转炉完工时间从晚到早进行选配(Seq2).

3.2 钢包选配规则提取

本文采用RLGG(relative least general generalization)^[11]选择方法从训练数据中学习规则.得到的规则如下.

规则1 钢种是钢帘线(钢以KK或XK开头), 选择包龄小于50, 上水口使用次数大于等于2且小于10的钢包.

(10)

规则2 炉次含有LF精炼.

(11)

规则3 连铸第一炉不能使用新包.

(12)

规则4 钢包材质规定.

(13)

规则5 钢种对新包或冷包的限制.

(14)

R₂≥2禁用新包和冷包, 选取钢包状态与大包规制编码第二位相同的钢包.

(15)

规则6 钢包上一炉的限制.

(16)

3.3 钢包选配启发式算法

根据规则1~6，在可用钢包集合Ω中去除不符合的钢包, 最终钢包数可能不唯一, 使用基于规则优先级的钢包选配规则(RP)选配钢包.建立的基于规则优先级的钢包选配方法, 优先级组合如表 4所示.

表 4 钢包选配规则优先级 Table 4 Decoupling of the decarbonization ladle

炉次选配钢包算法描述如下:

步骤1 建立所有钢包组成的钢包集合Ω, 初始化钢包状态S(表 1所示的钢包参数), 建立需要匹配钢包的炉次集合Φ.通过主设备生产调度计划获取所有需要选配钢包的炉次按照转炉完工时间排序, 得炉次集合Φ={L₁, L₂, …, L_N}, 初始n=1;

步骤2 更新所有钢包状态S;

步骤3 对炉次L_n(n=1, 2, …, N), 根据式(7), 从所有钢包中剔除不符合要求的钢包, 更新可用钢包集合Ω;

步骤4 根据式(10)~式(16), 在Ω中剔除不符合要求的钢包;

步骤5 如果|Ω|>1, 基于规则优先级方法RP选配最合适的钢包, 即确定x_ij^k; 如果n=N转步骤6, 否则, n=n+1, 转步骤2;

步骤6 结束.

4 仿真实验 4.1 仿真实验设计

根据钢包选配排序和选配优先级进行组合, 得到多种启发式钢包选配方法, 如表 5所示.本文评价方案采用模糊综合评价-加权平均复合模型的方案^[12].确定评价因素集, 如图 2所示.

表 5 钢包选配规则优先级 Table 5 Decoupling of the decarbonization ladle

图 2 综合评价体系 Fig.2 Comprehensive evaluation system

仿真参数描述如下:

1) 炉次数规模C₁:表示需要选配钢包的炉次数量.C₁=1表示小规模炉次; C₁=2表示中等规模炉次; C₁=3表示大规模炉次.

2) 钢包初始参数C₂:初始参数生成方式.C₂=1表示如表 1所示每一个钢包属性, 随机选择工艺允许的上限值或下限值; C₂=2表示在工艺允许的上限值或下限值±10%范围内随机取值; C₂=3表示在工艺允许的上限值或下限值±10%范围内服从正态分布.

3) 钢包周转规模C₃:表示现场周转的钢包数量.C₃=1表示小规模; C₃=2表示中等规模; C₃=3表示大规模.

4.2 仿真实验结果

每类问题选取3组数据进行测试, 评价结果取平均值后如表 6所示.

表 6 启发式方法评价值 Table 6 Evaluation values of heuristic method

序号	C₁	C₂	C₃	H₁	H₂	H₃	H₄	H₅	H₆	H₇	H₈	…	H₁₅	H₁₆	H₁₇	H₁₈	H₁₉	H₂₀	H₂₁	H₂₂	H₂₃	H₂₄
1	1	1	1	0.66	0.55	0.59	0.58	0.54	0.60	0.62	0.61	…	0.53	0.56	0.63	0.55	0.53	0.53	0.55	0.56	0.62	0.60
2	1	1	2	0.82	0.77	0.70	0.73	0.69	0.80	0.79	0.78	…	0.74	0.72	0.73	0.70	0.70	0.69	0.72	0.73	0.76	0.72
3	1	1	3	0.84	0.73	0.77	0.81	0.74	0.72	0.78	0.74	…	0.79	0.75	0.82	0.74	0.76	0.80	0.76	0.82	0.76	0.82
4	1	2	1	0.68	0.63	0.61	0.54	0.55	0.63	0.57	0.55	…	0.59	0.55	0.56	0.61	0.61	0.64	0.53	0.53	0.61	0.63
5	1	2	2	0.81	0.79	0.70	0.81	0.81	0.80	0.80	0.77	…	0.71	0.77	0.76	0.78	0.74	0.80	0.79	0.80	0.81	0.80
6	1	2	3	0.87	0.75	0.77	0.80	0.75	0.78	0.82	0.81	…	0.75	0.74	0.82	0.73	0.73	0.81	0.72	0.72	0.81	0.81
7	1	3	1	0.72	0.59	0.63	0.62	0.66	0.69	0.60	0.66	…	0.63	0.61	0.67	0.61	0.63	0.66	0.69	0.66	0.68	0.61
8	1	3	2	0.87	0.78	0.87	0.83	0.84	0.78	0.86	0.84	…	0.77	0.78	0.84	0.76	0.83	0.84	0.78	0.83	0.85	0.84
⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮
27	3	3	3	0.77	0.69	0.74	0.72	0.67	0.74	0.65	0.66	…	0.71	0.72	0.76	0.72	0.73	0.67	0.68	0.76	0.73	0.71

表 6 启发式方法评价值 Table 6 Evaluation values of heuristic method

可知方法H₁性能更好, 在大多数情况下比其他方法优越.随着炉次规模C₁的增大, 各种启发式方法的性能逐渐下降, 这是因为随着炉次规模的增加, 钢包性能不断下降, 符合炉次要求的钢包数量也在减少.钢包初始参数C₂=3时, 启发式方法的性能要稍好一些, 这是因为存在更多性能较好的钢包.随着现场钢包周转数量的增大, 启发式方法的性能逐渐提高, 这是因为炉次有更多的钢包可以选择, 但是C₃=2与C₃=3差别不大, 因为钢包的制造和运行维护成本非常高, 更少的钢包周转数量可以节省更多的成本, 建议使用中等规模的周转钢包数量.

5 工业应用

将研制的炼钢-连铸钢包选配方法应用于某大型钢铁企业, 与人工钢包调度相比, 炼钢-连铸钢包调度软件采用本文所提算法编制钢包调度计划平均时间为3.4 s，远小于人工的平均编制时间30 s, 在线钢包数量由23个减少为19个, 日钢包维护次数由17次减少为12次.与采用人工编制相比, 炉次的时间命中率(炉次严格按照计划时间点开始加工的比例)由61%提升到65%.能够使钢包周转更加流畅, 提高了企业的经济效益.

6 结语

本文基于规则优先级启发式的钢包选配方法满足工艺对钢包的要求, 减少空包烘烤时间.以上海某炼钢厂为背景, 对炼钢-连铸生产的钢包调度方法进行了深入研究, 给出了一种钢包选配方法, 并将该方法应用到炼钢厂的生产调度中, 工业实验测试结果显示收到了良好的效果, 对计划人员编制与调整计划具有很好的指导价值, 能够使管理人员和工作人员及时了解生产的执行情况.相对以前现场调度人员的人工编制, 可以大大提高工作效率.

参考文献

[1]	Wei Z, Zhu T, He T, et al. A fast heuristic algorithm for ladle scheduling based on vehicle routing problem with time windows model[J]. ISIJ International, 2014, 54(11): 2588–2597. DOI:10.2355/isijinternational.54.2588
[2]	黄帮福, 田乃媛, 施哲, 等. 钢包互用条件及影响因素[J]. 重庆大学学报(自然科学版), 2017, 40(2): 52–59. ( Huang Bang-fu, Tian Nai-yuan, Shi Zhe, et al. Ladle interaction conditions and influencing factors[J]. Journal of Chongqing University(Natural Science), 2017, 40(2): 52–59. )
[3]	Sun L, Wang X. Application of mix optimization scheduling approach for steelmaking-continuous casting process based on actual steelmaking industry[J]. Journal of Iron and Steel Research, International, 2013, 20(10): 1–9. DOI:10.1016/S1006-706X(13)60168-5
[4]	Fanti M P, Rotunno G, Stecco G, et al. An integrated system for production scheduling in steelmaking and casting plants[J]. IEEE Transactions on Automation Science and Engineering, 2016, 13(2): 1112–1128. DOI:10.1109/TASE.2015.2477362
[5]	Zhang T, Rose O. Scheduling in a flexible job shop with continuous operations at the last stage[J]. Journal of Simulation, 2016, 10(2): 80–88. DOI:10.1057/jos.2015.20
[6]	Huang B F, Shi Z, Zhang G F, et al. Saving ladle control model of steel ladle in steelworks[J]. Advanced Materials Research, 2014(1015): 700–707.
[7]	Shukla I, Rajesh G, Agarwal P, et al. Lean operations strategy to combat uncertainties in temperature at BOF end point, tapping, deoxidation, alloy addition and thermal history[M]. Belin: Springer International Publishing, 2014: 333-339.
[8]	冯凯, 贺东风, 徐安军, 等. 钢包调度评价方法研究[J]. 东北大学学报(自然科学版), 2015, 36(12): 1728–1732. ( Feng Kai, He Dong-feng, Xu An-jun, et al. Research on the evaluation method of ladle scheduling[J]. Journal of Northeastern University(Natural Science), 2015, 36(12): 1728–1732. )
[9]	Wang B, Wang B, Mu Y Q, et al. Optimization and control of ladle peration for special steel plants[J]. Applied Mechanics and Materials, 2014, 602: 899–902.
[10]	Tan Y, Cheng T E, Ji M. A multi-objective scatter search for the ladle scheduling problem[J]. International Journal of Production Research, 2014, 52(24): 7513–7528. DOI:10.1080/00207543.2014.939238
[11]	周志华. 机器学习[M]. 北京: 清华大学出版社, 2016: 350-359. ( Zhou Zhi-hua. Machine learning[M]. Beijing: Tsinghua University Press, 2016: 350-359. )
[12]	Chen J F, Hsieh H N, Do Q H. Evaluating teaching performance based on fuzzy AHP and comprehensive evaluation approach[J]. Applied Soft Computing, 2015, 28: 100–108. DOI:10.1016/j.asoc.2014.11.050