張立強-基于大數據理論的電爐煉鋼大模型.pdf

《張立強-基于大數據理論的電爐煉鋼大模型.pdf》由會員分享，可在線閱讀，更多相關《張立強-基于大數據理論的電爐煉鋼大模型.pdf（48頁珍藏版）》請在三個皮匠報告上搜索。

1、1基于大數據理論的電爐煉鋼大模型研究與實踐2022年12月匯報人：張立強 教授/博士生導師安徽工業大學工程研究院副院長、智能冶金研究所 所長安徽省金屬學會 副秘書長安徽省冶金工業數字孿生重點實驗室2安徽工業大學簡介安徽工業大學（原華東冶金學院）是一所以工為主，工、經、管、文、理、法、藝七大學科門類協調發展，具有鋼鐵冶金特色的綜合性大學，是國家“中西部高?；A能力建設工程”項目高校、教育部“卓越工程師教育培養計劃”實施高校和安徽省地方特色高水平大學建設高校。學校占地面積2561.5畝，現有佳山、秀山兩個校區，校舍建筑面積87.7萬平方米，教學科研儀器設備總值3.1億元，館藏紙質文獻205.09萬

2、冊。設有17個教學院部，74個本科專業，13個一級學科碩士點，18個專業碩士點，6個一級學科博士點，1個博士后科研流動站，工程學、材料學、化學、計算機等4個學科ESI排名全球前1%。3安徽工業大學安徽工業大學智能冶金研究所智能冶金研究所（1）流程工業生產智能管控開展物質流、能量流與信息流的深度融合研究，堅持創新驅動、智能轉型、綠色發展的理念，促進工業化和信息化深度融合，并開展制造過程數字化、工業互聯網架構及安全策略等方面的研究。（2）工業大數據深度挖掘針對工業生產過程的海量在線和離線數據，基于數據挖掘、數據清洗的方法，結合神經網絡、模式識別、機器學習等算法模型，從數學的角度并結合冶金專業知識開

3、展研究，揭示大數據與工業生產過程控制及產品質量的內在聯系。（3）流程工業制造過程智能化針對學校制造業優勢領域的智能化進行研究，開展基礎理論模型研究，并開發工業制造過程控制數學模型，為智慧工廠建設提供有力的理論支撐。4安徽工業大學冶金智能研究所簡介5背景大模型及在冶金中的應用目標及關鍵問題內容與案例進展目錄Contents1345大數據發展現狀266火星計劃火星地殼中的鐵含量：約 17%，火星表面土壤中鐵約 16%-20%，火星地核中的鐵：80%-90%。77 地球整體鐵含量：約占地球總質量的 32%。地殼中的鐵含量：約占地殼質量的 5%。地球的鐵主要集中在地核中，地核的成分以鐵和鎳為主，鐵的比

4、例約為 85%-90%。地球上鐵的來源地核成分：鐵85%-90%人類目前無法直接從地核中獲取鐵，主要受限于地核的深度、極端環境和技術能力。同時，地殼中豐富的鐵資源已經足夠滿足人類的需求，因此沒有必要冒險嘗試從地核中提取鐵。未來，隨著技術進步，或許可以更深入地探索地球內部，但直接開采地核鐵仍是一個極其遙遠的目標。冶金發展歷史與四次工業革命 第一次工業革命 1760-1840年 鐵路 蒸汽機，機械生產時代 轉爐煉鋼 第二次工業革命 19世紀末-20世紀初 電力 生產線，規?；a 電爐煉鋼 第三次工業革命 20世紀60年代 計算機革命、數字革命煉鋼自動化 第四次工業革命 21世紀初-智能互聯，橫跨

5、物理、數字和生物領域互動融合 煉鋼智能化 工廠智慧化 新型人才899一、背景圖1-1 鋼鐵企業智能制造愿景“大數據”時代鋼鐵行業正逐步從自動化、數字化、網絡化向智能化方向發展?！半p碳”時代1010一、背景圖1-4 電爐煉鋼過程配料+電弧優化能效利用率低難題 1鋼液成分+合金化過程質量波動大難題 2造渣制度+渣系調控難題 3反應效率低電爐煉鋼你作為一種重要的短流程煉鋼工藝，因其靈活性高、原料適應性強等優點，在全球鋼鐵生產中占據越來越重要的地位。然而，這一全程仍然存在電耗高、效率低、質量波動大等問題。1111一、背景圖1-6 人工智能模型爆發的三大要素溫度、成分、電壓 數據量大、生產快數據類型多結

6、構化數據+非結構化數據過程復雜性高物理、化學、電學等相互作用電弧爐煉鋼過程大數據技術提高產品質量穩定性降低能源消耗減少原材料浪費提升利用率大數據：將成為像石油、礦山一樣的戰略資源，從大數據中挖掘大價值?，F在全世界新產生的數據量每年增加40%，每兩年數據翻一番。國際數據公司(IDC)和數據存儲公司希捷開展的一項研究發現，中國每年將以超過全球平均值3%的速度產生并復制數據。數據產權橫空出世全國首張數據產權登記證書！10月24日安徽省數據交易所向馬鞍山市天創現代農業社會化服務有限公司發放了數據產權登記證書數據產權登記證書作為登記申請人擁有數據產權的可信依據，可作為開展或參與數據流通交易、數據資產入表

7、、數據融資擔保、數據信托、爭議解決、數據企業培育認定等活動的可信憑證。全國首張數據產權登記證書全國首張數據產權登記證書二、大數據發展現狀 2018年全世界產生的新數據為33ZB(1ZB約相當于1萬億GB)，一年的數據量大于21世紀前一萬年的總和；如果將數據裝在光盤上，這些光盤總重量等于350艘尼米茲號航母。其中：中國產生7.6ZB，美國產生6.9ZB；預計2025年，中國產生的新數據量48.6ZB，美國30.6ZB，全世界175ZB世界數據量急劇增長 信息正日益被視為全球經濟賴以運行的“通貨”?！皵祿沁@個數字世界的核心，我們正越來越成為一個信息經濟社會?！边@對使用人工智能、機器學習和物聯網等

8、下一代技術構建的服務至關重要。世界數據量急劇增長傳感數據數控終端產品視覺圖像紅外成像可靠聲音采集紅外探測數據采集安裝非接觸式的熱像儀或者紅外相機獲得物體表面的熱分布場，為工廠生產提供安全和溫度測量提供一種新的檢測手段。主要應用為金屬表面溫度檢測、坯料長度紅外檢測、爐殼表面溫度檢測等。設備數據采集傳統數據采集器，適配工廠多協議控制層PLC、DCS系統，配套棒線各工序數據采集系統，為工廠數字化、智能化提供基礎級物聯網IOT網關應用。音頻數據采集工廠生產過程中通過聲音識別可判斷過程質量狀況，同過采集音頻信息，表現產品過程質量，如設備運行過程中音頻識別、振動頻譜采集等。視覺影像采集通過視覺傳感器CCD

9、、CMOS采集人眼觀察到的工廠設備動作規律和結果。如：鋼筋點支數識別、粒徑和表面質量判斷、高清圖像采集、鑄坯噴印號識別等。安全全面覆蓋生產工藝數據，安全 可靠工業物聯網/互聯網建構及數字化采集當前，5G成為國內外信息領域最為重要的熱門技術。與4G相比，5G能提供更大帶寬、更高數據速率、更多通信連接、更靈活網絡架構，并且由于引入高可靠低時延連接、移動邊緣計算、軟件定義網絡、網絡功能虛擬化等新技術功能，使得5G能夠更加適應工業互聯網等新興行業應用需求。5G為大數據采集及應用提供了有力支撐。5G在工業方面的增強特性與4G相比，5G在網絡架構、網絡技術方面進行了全面升級及創新，從而滿足速率提升1010

10、0倍、連接數量提升1000倍、端到端延時低于1ms等關鍵指標提升目標。5G技術特性主要包括三方面，即 增強型移動寬帶（enhancedMobileBroadband，eMBB）、超高可靠與低延遲通信（ultra Reliableand Low Latency Communication，uRLLC）和大規模（海量）機器類通信（massive Machine Typeof communication，mMTC）?？梢钥吹?，工業控制領域所要求的高可靠、低時延、確定性等通信需求，主要由 5G的uRLLC特性來提供支持。世界數據量急劇增長 5G在工業領域的應用現狀利用技術有望打破傳統工控系統金字塔結構

11、，拉通現場級到工廠級的無線連接，實現工業運營管理與生產控制一體化的扁平化結構，使能工業互聯網中的人、機、物、系統無縫全連接，進一步通過計算資源的靈活分布實現云、邊、端智能互聯與協同。工業網絡分層架構及5G帶來的影響示意圖5G工業領域應用發展成熟度及趨勢預測世界數據量急劇增長圖1-5 國內外大語言模型圖1-6 大數據模型發展時間線2022年年末以來，人工智能大模型成為技術領域乃至全球創新領域最炙手可熱的話題。以ChatGPT引領的大模型產品發展日新月異，有預測數據顯示，到2030年，AIGC的市場規?；驅⒊^萬億人民幣。2023年國內主要廠商也相繼推出自研的大語言模型產品，另外國內也推出了大量的

12、大語言模型應用，逐步構建起基于中文語言特色的大語言模型生態。數據與參數大、數據算法多和計算能力強是大數據模型發展的關鍵因素三、大模型及在冶金中的應用1919 大模型發展(a)GPT模型基于Transformer架構的解碼器部分，通過自回歸方式進行預訓練，能夠生成連貫的文本序列，其獨特之處在于它的大規模無監督預訓練和在各種下游任務上的出色表現。(b)BERT模型利用Transformer編碼器架構,通過雙向上下文學習來獲得深層的語言表示，其能夠同時考慮左右兩側的上下文信息。(c)T5模型將所有NLP任務重新構造為文本到文本的格式，使用相同的模型、目標函數和訓練過程來處理多種任務。(d)電爐控制系

13、統需要考慮約束和多目標優化，能夠在保證產品質量的同時最小化能源消耗，開發基于模型預測控制（MPC）的電弧爐控制策略，用于在處理復雜動態特性，達到電爐鋼鐵料消耗、合金消耗、造渣料消耗、公輔成本、電耗等多目標優化。三、大模型及在冶金中的應用2020三、大模型及在冶金中的應用算法ANNSVMCBR其他總計論文數量(篇)82211430147占比55.8%14.3%9.5%20.4%100%煉鋼過程建模中使用的機器學習算法相關論文數量與占比(近20年SCI論文統計)注:ANN:神經網絡:SVM:支持向量機:CBR:基于案例推理神經網絡ANN算法(機器學習浪潮核心)在煉鋼工藝機器學習中應用最廣泛機器學習

14、被廣泛應用于煉鋼過程或終點工藝參數的分類或回歸預測鐵水預處理:終點硫含量、石灰利用率、脫磷劑加入量轉爐:終點溫度、鋼水成分(C、P含量)、氧氣消耗、輔料消耗電爐:終點溫度、鋼水(含量、電能消耗）二次精煉:終點溫度、鍋水C含量2121 電弧爐建模與優化控制(a)提出考慮電磁場、熱場和流場耦合的三維數值模型，揭示了電弧與熔池之間的相互作用機制。這些研究為理解電弧爐內部復雜的物理過程提供了新的視角，同時也為優化爐子運行提供了重要指導。(b)開發考慮電弧、熔池和氣相之間相互作用的多相流模型，能夠模擬電弧爐內的湍流、熱輻射和相變過程，為理解和優化電弧爐性能提供了更全面的工具。(c)提出基于深度學習的電弧

15、爐建模方法，使用長短期記憶（LSTM）網絡預測電弧爐的動態行為，并通過與傳統物理模型的結合，提高了模型的解釋性和泛化能力。三、大模型及在冶金中的應用2222五、研究內容及進展電弧爐煉鋼過程的優化研究結合實時數據監測，動態調整電極位置和通電時間，以實現最佳冶煉效果。多目標優化決策支持系統的構建驗證模型的有效性，并進行動態調整，以適應不同的生產需求與工況。造渣工藝的研究與優化通過調整造渣材料及其添加時機，優化鋼液潔凈度，并進行渣系對鋼液質量影響的系統分析。合金化過程的動態控制結合熱力學模型與時空序列算法，分析合金元素在鋼液中的溶解動力學，建立合金化優化策略。研究方案 主要內容2323五、研究內容及

16、進展研究內容：煉鋼配料、電極電弧與熔池傳熱、鋼液成分、合金化過程和造渣制度等方面目標：形成一套完整的基于大數據理論的電弧爐煉鋼過程智能優化解決方案。煉鋼配料與電極電弧優化(1)煉鋼配料優化研究不同類型原料在電弧爐煉鋼中的配比和使用策略，建立動態配料優化模型。(2)合金化過程優化鋼液成分與合金化過程控制造渣制度與渣系調控(1)造渣工藝研究探討不同造渣材料和添加時機對鋼液凈化和質量的影響機制(2)電極電弧與熔池傳熱特性深入探討電弧特性（如電弧長度、電流和電壓的關系）對熔池傳熱效率的影響。(1)鋼液成分動態監測通過先進的光譜分析技術實時跟蹤鋼液成分的變化，確保成分符合預期標準。(2)合金化過程優化研

17、究合金元素在鋼液中的溶解動力學，探索不同合金元素的添加時機和方式對鋼液成分及性能的影響(2)渣系動態調控策略開發動態造渣控制方法，以實時調整渣系成分，從而優化渣-金屬界面反應，提高鋼液的潔凈度和質量。2424五、研究內容及進展（1）煉鋼配料與電極電弧優化(a)研究不同類型原料（如廢鋼、直接還原鐵）在電弧爐煉鋼中的配比和使用策略，建立動態配料優化模型。通過應用機器學習算法，分析原料特性與最終鋼液質量之間的復雜關系(b)深入探討電弧特性（如電弧長度、電流和電壓的關系）對熔池傳熱效率的影響。通過計算流體動力學（CFD）模擬與實際生產數據結合，建立熔池溫度場的動態預測模型，分析電極位置和電流變化對熔池

18、溫度、成分均勻性以及冶煉過程的穩定性影響。2525五、研究內容及進展（2）鋼液成分與合金化過程控制目標：形成一套完整的基于大數據理論的電弧爐煉鋼過程智能優化解決方案。3.1 研究內容(a)建立實時監測系統，通過先進的光譜分析技術實時跟蹤鋼液成分的變化，結合時序數據分析和預測模型，及時調整生產參數，確保在冶煉過程中鋼液的成分穩定。(b)結合熱力學模型與大數據分析技術，研究合金元素在鋼液中的溶解動力學，探索不同合金元素的添加時機和方式對鋼液成分及性能的影響。2626五、研究內容及進展（3）造渣制度與渣系調控目標：形成一套完整的基于大數據理論的電弧爐煉鋼過程智能優化解決方案。3.1 研究內容(a)探

19、討不同造渣材料和添加時機對鋼液凈化和質量的影響機制，分析各種渣系成分如何影響脫硫、脫磷和脫氧等冶煉過程。通過建立定量關系模型，深入研究渣系組成與鋼液質量之間的相互作用。(b)開發動態造渣控制方法，以實時調整渣系成分，從而優化渣-金屬界面反應，提高鋼液的潔凈度和質量。結合熱力學和動力學分析，研究渣系流動性與反應活性對冶煉過程的影響。（4）知識遷移與智能化應用展望(a)通過構建知識圖譜和跨場景學習機制，實現不同鋼種間工藝經驗的快速遷移，優化生產參數和工藝流程。27廢鋼收得率動態優化模型研究受鐵礦石、廢鋼等原料價格波動的影響，轉爐煉鋼過程中入爐廢鋼的料型和加入量往往會有頻繁且大幅度的變動；隨著轉爐冶

20、煉過程爐況條件的波動，同一廢鋼料型入爐后的收得率也會隨之波動。廢鋼收得率對轉爐熱量結構影響愈加顯著降低鐵鋼比廢鋼量增加能效優化在轉爐低鐵耗煉鋼的工藝制度下，針對煉鋼過程廢鋼狀態波動，尤其是收得率的波動，如何對其進行量化并實現動態優化，具有較高的研究意義和現實價值。入爐廢鋼廢鋼收得率動態優化28 廢鋼熔化的熱態試驗研究廢鋼熔化研究-收得率 采用實驗室熱態試驗針對不同種類廢鋼的熔化過程進行了研究，得到了不同種類廢鋼的金屬收得率2929 廢鋼熔化的熱態試驗研究廢鋼熔化研究-收得率 采用實驗室熱態試驗針對不同種類廢鋼的熔化過程進行了研究，得到了不同種類廢鋼的金屬收得率。30廢鋼收得率動態優化模型研究收

21、得率動態優化模型基 參數數據 爐 數據 各爐 廢鋼 率對應爐 各類型廢鋼 率方程 立求解各類型廢鋼 率 新廢鋼 率參 爐 廢鋼 率參 爐 流程最 爐 各類型廢鋼 比 廢鋼配比系數 是 中 性相關的 爐 爐 廢鋼加入類型 數 最 至 爐 的 立 到廢鋼配比系數 結 開 一種基于爐次信息的廢鋼收得率自適應計算方法()()iiE y 112212121111scrapscrapscrapscrapscrap2222scrapscrapscrapscrapscrap(1)scrapscrapscrapscrapscrap:nnnnnnnnyYyYEYy=(1)(1)w)(ne()iiim=+yyyy3

22、1廢鋼熔化研究-數值模擬軟件基于有限元（FEM）的數值計算和綜合求解的方法，對鑄件充型、凝固、熔化和冷卻過程中的流場、溫度場、應力場、電磁場進行模擬分析。1/8廢鋼模擬網格劃分鐵水和廢鋼邊界條件設定（a）廢鋼設定（b）鐵水設定32廢鋼熔化研究-數值模擬廢鋼料型對廢鋼熔化的影響33廢鋼料型對熔化過程影響研究中心點溫度變化情況（a）邊緣處溫度與熔化時間（b）中心點處與熔化時間變化3434電弧爐鋼鐵料最優化模型 基于最優化的原理，綜合電弧爐冶煉過程的物料平衡、熱平衡、設備特征，以及不同種類廢鋼價格、不同種類廢鋼的許用量限制等建立電弧爐鋼鐵料結構最優化模型。電弧爐鋼鐵料結構最優化模型以最低配料成本為目

23、標，目標函數可表示為：W為廢鋼配料成本，元；xi為第i種廢鋼的加入比例，%；zi為第i種廢鋼的價格，元；Yi為第i種廢鋼的收得率，%。1minniiiizxWY=35配料研究架構基礎數據庫基礎數據庫平衡理論模型平衡理論模型配料優化模型配料優化模型在線測試&應用推廣現場工藝數據調研配料供電現狀解析廢鋼鐵合金收得率研究物料平衡能量平衡冶金反應工程設備特征收得率安徽工業大學安徽工業大學-某廠智能廢鋼配料決策模型某廠智能廢鋼配料決策模型智能廢鋼配料決策模型智能廢鋼配料決策模型-軟件開發軟件開發編程平臺SQL數據庫搭建離線測試能量需求能量損失能量供應362024/11/2936電爐智能廢鋼配料模型373

24、7五、團隊其他煉鋼模型應用開發了基于工業物 網和大數據技術的連鑄坯智能定重系統為寶武 公司等多家鋼鐵企業開發了煉鋼智能管控平臺及系列模型開發了物料定位跟蹤、在 成本分析等系統在冶金過程智能制造、煉鋼過程結構優化節能降本、鋼的凝固與連鑄新理論等方面積累了豐富的研究經驗38120t轉爐煉鋼過程物料守恒和能量守恒研究以某廠120 t氧氣頂吹轉爐為研究對象，根據供給轉爐內或者參與煉鋼過程的全部物質數據和全部產物數據，依據爐內的反應，進行物質質量和熱能分配的平衡，完成物料平衡和熱平衡計算。物料平衡熱量平衡 改進操作工藝制度 確定合理冶煉參數 提高經濟技術指標 構建能效優化模型為提供定量依據轉爐物料平衡和

25、熱量平衡39轉爐煉鋼過程能效優化模型及工業應用研究系統設計轉爐煉鋼過程能效優化模型采用C/S架構，實現主控室和兩個轉爐車間的數據交互服務器客戶機客戶機客戶機企業內部局域網 點對點連接，網絡安全性能高 同一局域網，模型響應速度快 界面可定制，滿足個性化需求轉爐能效優化模型網絡架構示意圖架構優勢C/S架構示意圖40轉爐煉鋼過程能效優化模型及工業應用研究用戶層應用層原料用量匯總輔料用量匯總數據可視化生產數據查詢計算結果導出數據管理鋼種信息修改模型參數修改參數管理爐次冶煉基礎信息合金料加入量計算發熱劑加入量計算實時曲線刷新顯示物料平衡結果查詢熱量平衡結果查詢模型首頁數據層一級PLC模塊二級過程控制信息

26、實時冶煉數據庫歷史爐次信息庫基礎參數信息庫主控室轉爐車間管理員操作工模型架構41轉爐煉鋼過程能效優化模型及工業應用研究部署并長期穩定投用后效果分析熱補償模型平衡機理廢鋼收得率算法平均出鋼量121.62t125.85t熱效率82.17%88.35%廢鋼比19.4%21.7%終點C-T雙命中率鐵水單耗832.06kg/t798.28kg/t過氧化率18.8%10.4%4.23t6.18%33.78kg/t2.3%8.4%注：轉爐能效優化模型應用前后各跟蹤統計1000爐次82%93%部署投用跟蹤統計在工業試驗的基礎上完成了轉爐能效優化模型在某廠120t氧氣頂吹轉爐的部署及長期穩定投用，跟蹤統計結果表

27、明轉爐能效優化模型的應用達到了降低鐵鋼比，減少鐵水消耗，增加出鋼量，提高熱效率，實現轉爐高效能生產的目的。項目年創經濟效益約2500萬元，經濟效益明顯榮獲湘鋼集團科技進步獎二等獎和獎金42基于物聯網及工業大數據技術的連鑄坯智能定重關鍵技術及裝備 我校智能冶金研究所，近年來通過系列攻關，建立基于智能傳感及工業大數據在線優化的，連鑄坯智能定重控制模型及成套裝備，該技術為國內首創，為寶武集團、永聯鋼鐵、東方特鋼、建龍集團等多家單位定制性開發定重模型。獨創性核心技術：（1）基于工業數據為預判的動態定尺技術；（2）物理+冶金原理綜合建模的協同建模技術；（3）冶金全流程因素分析及信號反饋的閉環控制技術；（

28、4）鑄軋協同全定尺成材率在線智能優化指標效果：坯重誤差3kg80%，5kg90%；軋鋼定尺率99.6%，累計效益5000萬元。查新報告：國內首創，國際先進。獲獎：安徽省科技進步二等獎。43精工博學精工博學 厚德敏行厚德敏行435月6月7月8月9月通尺率0.530.550.480.340.29通尺率0.530.550.480.340.290.530.550.480.340.2900.10.20.30.40.50.6月通尺率趨勢圖月通尺率趨勢圖5月6月7月8月9月成材率101.25101.09101.01101.53101.58成材率101.25101.09101.01101.53101.5810

29、1.25101.09101.01101.53101.58100.7100.8100.9101101.1101.2101.3101.4101.5101.6101.7坐標軸標題坐標軸標題成材率趨勢圖成材率趨勢圖投用前型鋼冷床，定尺參差不齊投用后型鋼冷床，尾材整齊，提升定尺率連鑄工序：鋼水收得率(鋼坯量/鋼水量)，提升較為明顯，內蒙古建龍提升0.46%、昆明鋼鐵0.48%；軋鋼工序：鄂鋼短尺率由1.5%降至0.6%，成材率提升0.3%；建龍短尺率由1.1%降至0.29%，成材率提升0.3%；經濟效益：每臺鑄機經濟效益每年500萬元以上。智能冶金研究所連鑄坯定重技術經濟指標44連鑄坯定重連鑄坯定重切割

30、連鑄坯自動出坯生產計劃跟蹤定重精度0.2-0.3%連鑄工序基于自動出坯鋼坯跟蹤生產數據交互冷熱坯識別鑄坯重量跟蹤鑄坯跟蹤鋼軋在線交互負公差在線預警在線稱重反饋定尺率與成材率反饋標準重量優化提升成材率0.2-0.3%軋鋼工序負公差模型鋼軋耦合自動出坯系統負公差預警系統基于鋼軋耦合降本增效45精工博學精工博學 厚德敏行厚德敏行10:02:2545序號 項目名稱委托單位備注1方坯2#連鑄機鑄坯智能定重模型開發中國寶武安徽長江鋼鐵方坯-螺紋鋼2方坯1#連鑄機鑄坯智能定重模型開發中國寶武安徽長江鋼鐵方坯-螺紋鋼3方坯連鑄機1#機連鑄坯智能定重模型系統開發中國寶武鄂鋼公司方坯-螺紋鋼4方坯連鑄機2#機連鑄

31、坯智能定重模型系統開發中國寶武鄂鋼公司方坯-螺紋鋼5方坯連鑄機4#機連鑄坯智能定重模型系統開發中國寶武鄂鋼公司方坯-螺紋鋼66機6流異形坯連鑄機定重系統新建項目中國寶武馬鋼長材事業部異形坯-H型鋼75機5流大方坯連鑄機定重中國寶武昆明鋼鐵方坯-型鋼82機2流H型鋼重異形坯定重中國寶武馬鋼長材異形坯-大H型鋼98機8流方坯定重中國寶武韶鋼方坯-直軋棒材105機5流方坯定重中國寶武韶鋼方坯-螺紋鋼 連鑄坯智能定重成套系統，迄今在寶武集團10臺套業績，全國30余條產線常年應用。經過國家科技查新系統查新，國內外未發現有同種技術，為國內首創。經中國金屬學會鑒定，達到國際先進水平。序號 項目名稱委托單位備

32、注13#6機6流方坯連鑄機鑄坯智能定重系統開發內蒙古建龍大方坯-型鋼22#連鑄機6機6流連鑄坯動態定尺定重模型江蘇東方特鋼有限公司矩形坯-小型鋼34#連鑄機4機4流連鑄坯精準定重研究江蘇永聯鋼鐵有限公司小方坯-棒材48#連鑄機4機4流連鑄坯精準定重研究江蘇永聯鋼鐵有限公司大方坯-大棒材51#連鑄機6機6流連鑄坯動態定尺定重模型江蘇東方特鋼有限公司矩形坯-小型鋼68機8流小方坯定重系統唐山金州實業小方坯-小型鋼78機8流大方坯定重系統唐山天柱大方坯-螺紋鋼8新一鋼2#連鑄機8機8流連鑄坯定重江蘇永聯鋼鐵有限公司小方坯-棒材94機4流大方坯連鑄機定重系統河北唐山正豐鋼鐵小方坯-角鋼10連鑄坯凝固研

33、究國家自然科學基金委結題智能冶金研究所代表業績案例2021中鋼協智能制造解決方案“最佳案例”46采用大數據模型優化煉鋼成本電爐廢鋼最優化配料，噸鋼效益5元；轉爐能效模型，噸鋼5-10元；轉爐鋼鐵料配料，噸鋼降本5元。2024/11/29東方特鋼，主要產品為電梯導軌，與螺紋鋼類似采用負差軋制，規格較多，總體來說采用定重前成材率約為102.7%，定重投用后提升至成材率103%，成材率提升0.3%年創效益超過1000萬元，經濟效益顯著。來源于應用單位財務部門效益測算效益測算472024/11/2947用戶企業48大數據富含價值，大模型賦能鋼鐵安徽工業大學智能冶金研究所 安徽省冶金工業數字孿生重點實驗室匯報人：張立強 教授/博士生導師安徽工業大學工程研究院副院長智能冶金研究所 所長安徽省金屬學會 副秘書長