★北京首鋼自動化信息技術有限公司

1　方案目標和概述

1.1　生產場景現(xiàn)狀

在煉鋼脫硫扒渣工序，國內不同鋼鐵生產廠的工況差異較大。雖然工業(yè)自動化已經推動了多年，但在煉鋼扒渣領域，自動化水平參差不齊，差異較大。一些工廠內，完成了遠程扒渣改造，即通過在現(xiàn)場架設攝像機，將視頻圖像及控制信號連接到遠離扒渣現(xiàn)場的操作室內，操作工看著屏幕控制扒渣機進行扒渣動作。

目前，僅有有限的幾家工廠，正在進行或完成了幾個試點扒渣位的自動扒渣改造。但經了解，這些改造方案對于相機架設的位置，都做了較為嚴格的限制，要求相機安裝在鐵包正前方的高處，距離要求相對較近。這樣的限定使得拍攝到的包口圖像可以呈現(xiàn)較為規(guī)整的正圓，期內鐵水頁面清晰，包壁對內部遮擋較小。這樣的情況位扒渣過程控制的視頻分析帶來的很多便利，但同時也限制了推廣的便捷性。經過調研，很多鋼廠的扒渣位并沒有預留出如此好的拍攝位置。有的是拍攝位置被其他設備占用，有的是拍攝位置不易安裝新設備。在這些扒渣位，上述方案無法直接實施部署。

1.2　方案要解決的問題

（1）重新制定相機安裝位置方案，制定拍攝效果新標準，降低對拍攝位置的唯一限制，使可選安裝位置范圍更大，限制更寬松。

（2）針對滿足新標準的拍攝條件，設計算法解決在其環(huán)境下的智能扒渣控制問題。主要包括自動傾翻控制、自動扒渣控制等方面。需要提升控制精度，以確保工作效率，并使現(xiàn)場具備較好的鐵損控制。

（3）通過對控制參數的精度優(yōu)化，提升扒渣過程執(zhí)行效率和控制控制精度，從而達到降低扒渣過程鐵損和提升扒渣控溫能力的效果。

1.3　總體技術路線

（1）利用機器視覺方法，實現(xiàn)基于圖像分析的渣面分析、傾翻灑鐵安全監(jiān)測等功能。

（2）基于神經網絡方法，設計實現(xiàn)精細化控制過程，解決因為拍攝角度導致圖像變形、遮擋而影響的扒渣控制精度。

（3）設計輔助傳感器安裝位置，為神經網絡方法提供額外的參照數據。

（4）設計自動化控制程序，通過PLC安全快速的執(zhí)行扒渣指令，并針對過程中的控制異常，給出及時的處理。

2　方案詳細介紹

2.1　平臺架構

系統(tǒng)整體架構包括：成像硬件系統(tǒng)、測量和控制硬件系統(tǒng)、數據存儲、機器視覺圖像分析服務、神經網絡關系擬合服務、智能控制服務、系統(tǒng)應用服務以及貫穿以上幾個部分的數據總線、接口服務以及監(jiān)控管理。機器視覺圖像分析服務用于提供基于圖像的分析結果；神經網絡關系擬合服務用于進行數值數據分析和預測；智能控制服務根據這兩個服務的分析結果，進行智能扒渣控制的中控，并針對異常情況進行及時處理。系統(tǒng)應用服務提供了扒渣實時情況的展示，包括當前包信息、實時扒渣畫面、實時分析效果、扒渣量曲線、狀態(tài)監(jiān)控等，可以查看扒渣歷史情況記錄。

圖1平臺架構

2.2 硬件系統(tǒng)

硬件系統(tǒng)基于現(xiàn)有扒渣位情況進行改造，加裝傾翻拉繩傳感器、距離傳感器、雷達液位計、工業(yè)相機、監(jiān)控攝像機等設備，進行圖像和必要數據的采集工作。

圖2 硬件系統(tǒng)

2.3　軟件系統(tǒng)

2.3.1機器視覺圖像分析服務

自動傾翻和渣面分析利用了機器視覺圖像處理技術。利用卷積神經網絡模型對圖片進行處理，實現(xiàn)非負矩陣分解的效果，完成特征提取。該模型先用于自動傾翻過程判定是否傾翻到位，后用于對包口范圍進行脫硫渣分析，指導扒渣過程。

2.3.2神經網絡關系擬合服務

設計神經網絡模型，實現(xiàn)多維數據的關系擬合。網絡模型以全連接網絡模型為基礎，設計大型網絡以適配更為復雜的關系擬合場景。后通過模型壓縮，降低模型參數數量從而降低模型復雜度，在提升性能、降低存儲、改善計算和存儲資源消耗的同時，可以有效的避免模型過擬合，使模型貼近場景的同時，依然保持較好的數學關系和機理模型性質，具備更好的場景泛化能力。模型訓練方面，在梯度下降法的基礎上，引入動量和自適應學習率調整等方法，加快訓練速度，并有效提高訓練終點為最優(yōu)擬合結果的成功率。

本方案利用神經網絡關系擬合模型，具體完成了傾翻終點預測和像素坐標轉換。利用兩個分析結果，實現(xiàn)了對控制精度的大幅度優(yōu)化，使本方案兼具了廣泛的推廣性和優(yōu)異的控制性能。

（1）傾翻終點預測

在自動傾翻控制時，因為相機的安裝位置，影響了完全機器視覺方案控制傾翻到位的實際精度。分析的實際停止傾翻時刻，鐵包已經處于臨灑鐵位置，此時突然停止鐵包傾翻運行，會導致其中的鐵水因慣性溢出包口，造成設計外的灑鐵，導致鐵損的升高。同時，灑鐵會造成安全防護報警，從而中斷本次自動扒渣流程。因此，設計實現(xiàn)一套預測傾翻終點的模型來支持自動傾翻控制。

考慮包口受到粘渣影響，距離傳感器曲線高點可能并非是實際的鐵包包口凈空值，而實粘渣突出的位置，因此取高點值附近一段曲線，并選取其低點值作為包口凈空的測量值。

（2）像素坐標轉換

在進行扒渣控制時，核心是進行坐標轉換。將圖像上的像素坐標轉換成為實際位置的地理坐標，并進一步將實際位置的地理坐標轉換為扒渣臂控制的傳感器目標值，從而達到最終的控制扒渣臂的目的。但因為相機斜拍的原因，要確定第一步目標地理坐標的基準坐標系，需要借助標定工具完成。而在實際現(xiàn)場中，對包口區(qū)域進行標定范圍過大且中空，這對標定板制作和現(xiàn)場安裝找平等都造成了困難。因此設計使用神經網絡實現(xiàn)像素坐標轉換模型來解決該問題。

本模型將圖像分析結果指定的扒渣臂應抵達位置的像素坐標（x,y），轉換為控制扒渣臂抵達該位置時扒渣機轉動編碼器目標值E_r、扒渣機伸縮距離傳感器目標值S_d。

2.3.3智能控制服務

結合圖像分析和數值分析結果。控制自動傾翻和智能扒渣。

（1）自動傾翻過程

利用傾翻終點預測模型進行傾翻控制，流程如下：

[基于傾翻終點預測模型進行自動傾翻控制流程]

STEP1-4：與數據積累流程相同；

STEP5：確認啟動自動傾翻；

STEP6：通過傾翻終點預測模型，根據H_l、H_i預測終點拉繩傳感器值；

STEP7：控制程序控制鐵包開始傾翻；

STEP8：當拉繩傳感器值達到時，停止傾翻。

為了防止因粘渣導致包口凈空測量錯誤，保留完全機器視覺方案中的灑鐵保護功能。在傾翻過程中，若拉繩傳感器值達到前，接到灑鐵保護報警，則立刻停止傾翻并執(zhí)行鐵包復位，同時進入手動模式交由扒渣工進行后續(xù)操作。

（2）智能扒渣控制

結合圖像分析給出的渣面分布結果、智能路徑規(guī)劃給出的具體坐標和像素坐標轉換給出的控制目標值，進行扒渣控制。具體步驟如下：

[基于像素坐標轉換模型控制自動扒渣流程]

STEP1：開始自動扒渣

STEP2：While扒渣量未達到要求：

STEP2.1：利用機器視覺方法分析渣面分布情況；

STEP2.2：根據渣面分布，選取要進行扒渣的位置；

STEP2.3：通過像素坐標轉換模型，將扒渣位置的像素坐標x、y，轉換為轉動編碼器目標值E_r和伸縮距離傳感器目標值S^d；

STEP2.4：控制扒渣臂移動，使轉動編碼器值e_r達到E_r，伸縮距離傳感器值s_d達到S_d，移動期間調整扒渣臂俯仰，使扒渣臂到達目標位置時，扒渣板探入渣面一定深度；

STEP2.5：控制扒渣臂回到包口位置，完成本輪扒渣動作。

2.4　數據通信

主要數據通信鏈路包含算法服務器、成像硬件系統(tǒng)、測量和控制硬件系統(tǒng)以及扒渣機等四方。算法服務器與兩個硬件系統(tǒng)進行直接數據通信，完成數據獲取和分析結果輸出。結果為控制信號，發(fā)送給測量與控制系統(tǒng)的PLC，最終執(zhí)行扒渣臂的自動控制。

2.5　安全措施

2.5.1設備安全措施

（1）在設備部署的施工過程中，做好設備防護工作，確保必要的工作環(huán)境條件得以滿足。

（2）規(guī)范施工操作流程，確保施工質量達標。

（3）定期進行設備檢查，及時發(fā)現(xiàn)設備問題。

（4）設備附近按照規(guī)定，張貼設備說明告示版，危險警告標識等必要的通知、警告標志。

2.5.2網絡安全措施

（1）做好遠程訪問保護，如主機系統(tǒng)關閉對外密碼遠程登錄功能并以授權密鑰的方式進行遠程身份驗證、數據庫訪問設置有限權限的遠程訪問等安全設置，盡可能杜絕遠程連接安全風險。

（2）采用專業(yè)協(xié)議與PLC和相機進行通信，通信固定IP和端口，防止非法的鏈接和數據傳輸。

（3）采用HTTPS協(xié)議實現(xiàn)網絡通信，構建本地證書體系，實現(xiàn)安全的數據加密。

（4）HTTP接口方面，原則上所有接口需在用戶權限下進行訪問，以確保操作日志完整性。

2.5.3數據安全措施

（1）進行完整、合規(guī)、符合必要范式要求的數據結構設計和約束設計，強制要求必要的數據完整性。

（2）合理使用事務機制，以保證數據具有充分的完整性。

（3）在界面操作時和接口調用時，分別對數據進行必要的校驗和判斷，確保數據合法、合理。

（4）定期進行數據分析，從時間戳、數據重復等方面，加強數據整體判斷，及時發(fā)現(xiàn)問題并結合日志等歷史數據定位問題原因，及時解決數據錯誤，優(yōu)化數據完整性并避免問題再次發(fā)生。

2.5.4控制安全措施

設計完整的過程控制異常處理機制，針對異常灑鐵、扒渣臂頂包、扒渣臂卡包口等情況，進行不間斷檢測，并進行＜1s的快速響應。灑鐵方面，在傾翻時，監(jiān)控包口下方漏液情況；扒渣臂頂包和卡包口則實時檢測扒渣臂運動數據，發(fā)現(xiàn)數據異常的長時間（＜200ms）未變化，則認為機械臂異常。發(fā)現(xiàn)異常情況，立即進行制定好的安全復位流程，提示并切換為人工操作模式。

3　代表性及推廣價值

本方案經過近三年的現(xiàn)場實踐和調整，發(fā)現(xiàn)問題、總結問題、解決問題，最終讓智能扒渣系統(tǒng)滿足了試點鋼廠較為苛刻的安裝條件限制，并保證智能扒渣運行效果。總結實施經驗和軟硬系統(tǒng)協(xié)同工作邏輯和關鍵限制條件，切實有效地放寬了設備安裝方面的限制要求，使這套方案可以適配更加廣泛的應用場景，具有更強的推廣能力。

在效能提升和節(jié)能減耗方面，通過人工智能的方法，對人工扒渣動作進行分析，學習主要扒渣流程。同時對扒渣控制進行細致微調，在原有扒渣效果的基礎上，進一步減少扒渣過程中產生的鐵損，降低了原料的損耗；同時可以更嚴格細致的控制扒渣過程的動作精度，從而更有效地節(jié)省扒渣過程的持續(xù)時間，使扒渣結束時，鐵水可以維持更高的溫度，為下一步的煉鋼過程節(jié)約升溫所需要的氧氣成本和相關能源。

摘自《自動化博覽》2024年4月刊