关键词： 深度学习   废钢检判   图像处理   目标检测   增量学习  

摘要： 废钢是指不能按原有用途使用且可作为熔炼原料回收的钢铁碎料及废旧钢铁制品。随着国家多年工业化的发展,以及国际铁矿石价格的影响,使用污染更小的废钢作为原料进行炼钢逐渐成为一种趋势。废钢检判是指对废钢料型及危险品进行检测识别,保证废钢供求双方的利益并确保炼钢生产的安全,是废钢产业发展的重要环节。当前钢厂主要依靠人工目视的方法进行废钢检判,具有劳动强度大、结果一致性差、危险性高等弊端,本文针对这些问题,调研钢厂的废钢检判现状,研究基于深度学习的废钢智能检判方法并设计实现一套对应的系统。本文的主要工作如下:针对废钢智能检判系统在实现过程中存在的部分废钢数据较少、图像质量易受影响的问题,本文基于构建的废钢图像数据集研究了废钢图像预处理方法,为后续模型训练奠定了基础。使用生成对抗网络和多图组合的数据增强方法,实现了对少样本种类废钢的数据扩充;使用基于像素变换和暗通道先验的图像增强方法,提高了废钢图像的整体质量。针对废钢智能检判的功能实现,本文研究了基于YOLOv5的废钢检判算法,并针对小目标废钢检判效果不佳的问题,在主干网络添加注意力机制并改进了网络的回归损失。此外,针对废钢数据集扩充后模型重训练时间成本高的问题,研究了基于增量学习的废钢检判模型重训练算法,使用知识蒸馏,参数微调及样本重构的方法,使废钢检判模型能够迅速完成增量更新。针对现有废钢检判产品智能化程度低、交互友好度不足的问题,本文结合研究的图像预处理方法以及废钢检判、模型重训练算法,对废钢智能检判系统的核心层和交互层进行设计,实现了一套包括废钢检判、数据标注、模型训练和用户管理功能的废钢智能检判系统。最终在系统测试中,对企业指定的数据集进行验证测试,结果满足企业提出的性能指标。

关键词： 废钢循环   供应链应收账款逾期天数预测   XGBoost  

摘要： 近年来,在碳达峰碳中和的大背景下,废钢循环利用对于钢铁行业的绿色健康发展具有重要意义。在面对经济下行压力日益增大的情境下,废钢循环利用供应链应收账款融资中逾期应收款的问题逐渐凸显,增加了企业资金链断裂的风险。为此,本文旨在利用机器学习模型预测供应链应收账款融资回款的逾期天数,为管理决策提供依据、降低风险,并助推废钢加工循环利用产业链良性发展。 本文分析了 JW公司业务审批和应收账款现状,选取其废钢循环利用场景下2021-2022年供应链各环节数据为样本,进行数据预处理并整合。通过访谈和数据分析,提炼出6个新参数变量。对预处理后的数据进行描述性统计分析,进一步了解数据特性。构建XGBoost模型,结合正则化和网格搜索优化参数,采用均方误差(MSE)和均方根误差(RMSE)指标进行预测,使用神经网络和随机森林模型,对比验证可行性。最后,通过随机森林和XGBoost筛选38个变量特征重要性,分析影响逾期天数的重要变量,为具有类似JW公司特征的企业,审批业务是否通过提供决策依据,以及帮助其识别风险来源、制定风险管理策略。 本文研究发现XGBoost模型在废钢循环利用供应链应收融资场景下,预测逾期天数较随机森林和神经网络表现更好,特别是结合业务特征和使用网格搜索优化参数后,得到更加准确的预测结果,其交叉验证的RMSE(均方根误差)为6.98天,较参数优化之前的10.81天明显缩小,预测结果远远小于JW公司可接受的逾期90天内,且分析提炼的参数如市场及政策变化(年份代替)、客户半年合作金额及次数等因素对逾期天数有显著影响。本文研究结果为采用机器学习方法探究供应链应收账款逾期天数提供一个新的视角,决策是否开展新业务提供依据,筛选变量支撑供应链应收账款风险管理,都具有重要启示意义。

关键词： 钛微合金钢   氮含量   TiN夹杂物   临界夹杂物尺寸   疲劳性能  

摘要： 伴随着我国钢铁行业的高速发展,社会废钢资源越来越多。此外,提高废钢比的转炉或电炉炼钢工艺在减少CO排放方面具有很大的优势。因此,提高转炉废钢比是当下的趋势。然而,过高的废钢比会导致钢中的氮含量大大增加,对钢的各种性能造成危害。目前,关于氮含量对钛微合金钢疲劳性能影响的研究还较少。本文以某钢厂冷轧生产的钛微合金钢为研究对象,研究了不同氮含量实验钢的微观组织、室温拉伸性能、冲击性能和疲劳性能。通过断口微观形貌分析、疲劳S-N曲线绘制、断口附近截面夹杂物分析等方式,探究氮含量对含钛钢疲劳性能的影响规律。所得主要结论如下:(1)氮含量对钛微合金钢力学性能和微观晶粒尺寸影响显著。随着氮含量由30 ppm提高至56 ppm,L30、M40和H56钢的抗拉强度分别为886 MPa、830 MPa和806 MPa,屈服强度分别为817 MPa、768 MPa和747 MPa。氮含量升高对屈强比影响不大,三组钢的屈强比均为0.92左右。(2)在4%硝酸酒精溶液腐蚀下,实验钢的显微组织由铁素体和极少量贝氏体组成,且表层、1/4厚度和中心处的晶粒尺寸相差不大,表明组织分布较为均匀。氮含量越低,实验钢的晶粒尺寸越小。较低氮含量会促使钢中微合金元素钛更多地形成纳米尺寸TiC等第二相粒子,有利于促进晶粒细化和沉淀强化,提升钢的各种性能。随着氮含量升高,各实验钢的抗拉强度和疲劳极限强度均下降。H56、M40和L30钢的疲劳极限强度分别为720 MPa、740 MPa和750 MPa。(3)对疲劳试样断裂面微观分析表明,大部分疲劳断裂试样起源于表面缺陷。所测37个试样中均未发现由TiN夹杂物引起的疲劳断裂。由夹杂物引起疲劳断裂的试样仅有5个,均为由铝脱氧或耐火材料卷入的氧化物类夹杂,尺寸在17～56μm之间。(4)对疲劳断裂试样断口附近的夹杂物分析统计表明,钢中的夹杂物以TiN夹杂为主,H56、M40和L30三组钢中夹杂物平均尺寸分别为3.50μm、3.22μm和2.89μm,密度分别为71个/mm、57个/mm和36个/mm。然而,根据疲劳临界夹杂物尺寸模型计算,H56、M40和L30钢引起疲劳断裂的最小临界夹杂物尺寸分别为7.1μm、6.5μm和5.9μm。因此钢中TiN夹杂物远小于临界夹杂物尺寸,无法引起疲劳断裂。(5)基于氮含量对钛微合金钢中TiN夹杂物析出及其对疲劳性能的影响规律,可以为钛微合金钢的经济脱氮和安全服役提供理论指导。

关键词： 激光诱导击穿光谱技术   废钢   定性分析   定量分析  

摘要： LIBS作为20世纪诞生的一种高能快速的光谱检测技术,凭借其无损、准确和便捷的优势,于21世纪快速崛起和发展,并在材料分析领域发挥了重要作用。在冶金产业中,如何利用钢铁生产过程中产生的废钢成为加快钢厂炼钢流程与优化产能配置的重要一环。对废钢进行检测并合理分配,能够促进钢铁产业的转型升级进程,减轻炼钢过程中产生的污染,提高经济和环境效益。将废钢作为研究对象,基于机器学习与便携式LIBS对废钢进行了定量分析研究,即对废钢中所含元素含量进行检测;以及定性分析研究,即对不同种类的废钢进行分类识别。同时验证了废钢定量和定性的可行性与准确性,主要做了如下工作:1)以废钢光谱为研究对象,对仪器参数与光谱预处理方法进行优化研究。首先对便携式LIBS的仪器参数进行优化分析,通过研究确定最优的参数,提高了光谱的稳定性;其次对常用的光谱预处理方法如光谱平均、光谱滤噪、基线校正和归一化进行了描述,同时,为了确定后续实验的最优预处理组合,通过实验对各方法进行了筛选,最终选择了基线校正和强度归一化作为实验的预处理方法,得到了适合后续分析的光谱数据与预处理组合。2)以废钢样品作为研究对象,对不同牌号的废钢进行了分类研究。利用XGBSFS特征选择算法对输入的光谱谱线进行特征选择,减少输入矩阵的维度,降低模型复杂度,建立优化的K最近邻算法和支持向量机算法模型。得到的XGBSFS-KNN和XGBSFS-SVM模型在测试集上的准确率分别为98.02%和99.01%,最终选取XGBSFS-SVM作为废钢定性分析模型,同时也对模型进行了多轮次的效果验证,验证准确率为98.68%,为钢铁企业提供了一种废钢分类识别方法的参考。3)以废钢样品作为研究对象,对废钢中所含元素的含量进行了检测研究。对钢中多种元素针对性建立了基于优化Voigt函数拟合的光谱标准化单变量模型和基于SSA优化的KELM多变量模型,前者平均决定系数为0.9978,后者平均决定系数为0.9961,均实现了对废钢元素含量的良好检测,为便携LIBS废钢元素检测提供了新思路。图22幅;表13个;参65篇。

关键词： 废钢识别   目标检测   YOLOv5   小目标   αIoU  

摘要： 废钢是一种可以替代铁矿石的工业资源。在钢铁回炼时,正确配比的废钢对回炼钢铁品质至关重要,但是在回炼中最重要的电磁吸取废钢工序里,因为废钢来源不同、种类繁多且受人力因素影响的问题存在,不能精准对吸取的废钢种类占比进行评估,进而影响出炉钢铁质量。本文以废钢种类分类识别为研究问题,通过分析废钢图像性质和主流目标检测算法优劣,采用YOLOv5算法来解决问题,并根据解决表现对YOLOv5进行优化调校,最后将算法模型封装系统以完成废钢种类统计工作。本文研究工作包括:(1)采集并构建废钢图像数据集,分析自建数据集中废钢图像目标性质,设计适合废钢图像的预处理策略,其中包括使用传统分割技术处理多目标图像,完成数据增扩。(2)研究废钢识别任务提出一种改进YOLOv5算法,其主要改进策略如下:1)Backbone中引入Stem改善首层结构低速情况,再使用SPDConv来增强Backbone在废钢图像中低分辨率小目标的低细粒度特征提取能力,丰富特征信息,并利用Sim AM机制进一步提升全局特征提取能力,最后通过Shuffle Net Module来降低引入SPDConv增加的计算量。2)Neck中将基于RFB的Bottleneck与再次引入的SPDConv结合共同加深特征融合程度。3)后处理中使用Soft NMS和αIo U提升边界框抑制和定位的性能。(3)为提升模型性能和收敛速度,研究分析了迁移学习理论,选择预训练与冻结训练的策略辅助模型调校,并设置实验验证两种训练策略对模型性能提升的有效性。针对模块改进方案设置了对比实验,对引入模块与原模块进行比较,以验证其优劣。同时增设消融实验分析改进对YOLOv5性能的影响,观察各优化方案对模型的影响权重。此外,还研究了主流目标检测算法,与改进模型进行对比实验,结果表明,改进模型m AP达到95.32%,明显优于其他各模型。(4)分析废钢分类识别的环境,对废钢磁吸移料过程进行详细说明,并针对移料特点设计新的移料工骤。新的工骤会将废钢料堆分层,并采集各层图像。划分封装系统各模块功能,对系统功能与输出进行详细说明,并将模型封装到系统中。使用系统完成废钢的识别分类评估工作,以期提升废钢回炼质量,其提升对后续工作研究具有一定的积极意义。本文使用改进YOLOv5解决废钢种类分类识别问题,其改进的YOLOv5算法性能优于主流算法,并且有较好的检测效果。基于改进模型封装的废钢分类识别系统提升了废钢回铸的透明性,促进了产业智能化的发展。

摘要： 2023年7月12-13日常州白金汉爵大酒店主办单位中国废钢铁应用协会中国国际贸易促进委员会冶金行业分会联合主办江苏沙钢集团有限公司承办单位冶金工业国际交流合作中心目前,经济社会恢复常态化运行,需求收缩、供给冲击、预期转弱三重压力得到缓解,国内经济开始企稳回升,社会生产生活秩序加快恢复,经济活力有望加速释放。存量政策和增量政策有望叠加发力,促进经济加快恢复,其中二季度因基数效应,GDP有望实现较大增幅。2023年中国经济发展走势将稳中有进,整体向好,经济发展的韧性、活力将进一步体现。

关键词： 转炉   废钢熔化   模型   成本   碳排放  

摘要： 随着近年来废钢产生量的逐年增加,以及国家对钢铁行业碳达峰、碳中和的要求,更高效的利用废钢已经成为转炉炼钢的重要发展方向。废钢是转炉冶炼的主要原料之一,由于其本身的冷料属性,废钢在转炉内的熔化过程对于转炉熔池温度的稳定控制和转炉生产的顺利进行有着十分重要的影响。但是目前关于转炉内废钢熔化的研究还比较缺乏,废钢比变化对转炉工艺、吨钢成本和污染物排放影响的定量研究也相对较少,限制了废钢在转炉中的高效利用。因此本文对废钢的熔化原理进行了分析,在此基础上建立了单体废钢熔化模型,并且结合转炉熔池温度和成分模型进一步得到了能够模拟转炉吹炼过程中废钢熔化的模型。根据机理模型建立了转炉物料消耗的计算模型,利用实际生产数据对模型参数进行分类回归计算,有效提高了模型的预测精度。基于碳平衡原理,通过合理划分高炉和转炉工序的计算边界,建立了碳排放模型。利用上述模型系统研究了废钢比变化对转炉物料消耗、转炉成本和污染物排放的影响。通过热态模拟实验探究了废钢熔化过程,确定了不同熔池条件下废钢熔化的控制环节,并且基于废钢熔化机理建立了废钢熔化模型。系统研究了转炉吹炼前期、中期、后期熔池条件下废钢的熔化速度和控制环节,确定了熔池碳含量和温度对废钢熔化的影响规律,分析了废钢尺寸和温度对废钢本身熔化过程的影响机理。在转炉冶炼前期和中期,提高熔池碳含量和温度都能够促进废钢熔化,在转炉冶炼后期,提高熔池温度对促进废钢熔化更重要。减少废钢尺寸提高废钢温度都能够有效缩短废钢熔化时间。基于三段式脱碳理论,建立了钢水含碳量连续预测模型。利用多元线性回归的方法建立了转炉磷含量和锰含量预测模型。根据转炉热平衡结合回归统计的方法建立了温度预测模型。在成分和温度模型的基础上,根据废钢熔化的原理使用有限差分法建立了转炉废钢熔化模型,模拟了转炉吹炼过程废钢熔化过程,并且分析了入炉废钢最大尺寸的影响因素。增加铁水温度和减少废钢比,都能够提高允许入炉的废钢最大尺寸。以某钢厂130t转炉为例,铁水温度提高25℃,废钢最大尺寸能够增加0.1 m左右。废钢比减少2.5%,废钢的最大尺寸增加约0.13 m。分析了废钢比对炉渣碱度、熔剂消耗量和氧气消耗量的影响规律。基于机理和分类回归的方法建立了静态模型计算石灰和氧气消耗量,明晰了废钢比对石灰和氧气消耗量的影响。基于转炉热平衡建立了废钢加入量计算模型,探究了影响转炉废钢比的因素。当废钢和钢水磷含量相同时,130 t转炉废钢比增加5%,碱度可以降低0.31,石灰消耗量可以减少241 kg,耗氧量减少189.63 Nm3。增加铁水温度、铁水碳含量和硅含量、降低钢水温度都能够提高废钢比,其中铁水硅含量的影响最大。在实际生产中可以根据铁水硅含量和铁水温度确定废钢比。分析了转炉成本的构成,建立了转炉成本计算模型,明确了原料条件、钢水条件、废钢成分和废钢比对转炉吨钢成本的影响规律。以130 t转炉为例,废钢碳含量增加0.1%,转炉吨钢成本增加约3.095元。废钢硅含量增加0.1%,转炉吨钢成本增加约1.2元。废钢磷含量增加0.01%,转炉吨钢成本增加约0.32元。存在一个废钢价格,在此价格时,当转炉存在多余热量,废钢比变化对转炉成本的影响很小。通过构建工序碳排放模型,得到了废钢比对高炉-转炉工序碳排放的定量影响。提高废钢比可以减少转炉工序的碳排放。当转炉中存在多余热量时,废钢比增加5%,转炉工序中吨钢碳排放量减少约7.1%,高炉工序中吨钢碳排放量可减少约5.97%,高炉和转炉工序吨钢碳排放量可减少约6.11%。当转炉热量不足时,废钢比增加5%,高炉和转炉工艺吨钢碳排放量可减少约4.67%。

关键词： 语义分割   废钢回收   卷积   Transformer   多尺度特征融合   双路编码器解码器  

摘要： 废钢回收是钢铁行业重要的生产环节之一。目前的废钢回收阶段依赖人工判级扣杂,存在多种问题,现场环境危险、人工判级扣杂标准不一、主观因素影响过大等。随着深度学习的发展,国内外学者将人工智能技术应用至废钢回收领域,大多方案依靠目标检测的方法识别图像中的废钢,得到不同类别废钢的件数特征,但是这种方法却无法得到不同类别废钢的面积特征,仅仅依靠件数特征无法准确预测整车废钢的重量。为了应对以上挑战,本文提出了一种基于深度学习的人工智能废钢回收方案。该方案包括基于卷积网络的车厢语义分割方法和基于Transformer的废钢语义分割方法,并且制作了废钢数据集,实现了智能化废钢扣杂系统。车厢分割任务使后续分割车厢内的废钢时不受图像背景中杂乱的废钢影响。 基于卷积结构的语义分割方法,实现分割装满废钢的货车车厢任务。为了使模型适应该任务,对算法进行改进。其一,在骨干网络的最后模块层加入卷积注意力机制,同时提高模型的通道注意力和空间注意力;其二,在空间池化金字塔中,将通过三个空洞卷积的特征图做级联方式的特征融合,保证在高空洞率下提高感受野的同时,不损失空间细节;其三,在解码器恢复特征图路径中逐层加入骨干网络中的浅层特征,加大多尺度特征融合,充分利用不同大小的特征图信息。实验结果显示,改进后的方法在车厢分割任务中m Io U达到96.40%。分割结果图像显示,改进后的方法在车厢分割任务中,车厢边缘连续、面积无空洞,充分适应本文任务。 基于Transformer的语义分割方法,实现废钢分割任务。为了使模型适应密集小目标语义分割任务,对算法进行改进。采用双路编码器解码器结构,同时汲取两个骨干网络的优点,将Transformer与卷积结合应用提取特征。Transformer的编码器对应简单高效的MLP解码器,CNN编码器对应特征融和的解码器,将两路特征图做线性变化和卷积融合,最后实现图像的语义分割任务。实验结果显示,改进后的方法在分割19类废钢任务中m Io U达到60.02%,相比基线模型的53.3%,提高了6.72%,充分证明了改进方法的有效性。分割结果图像显示,改进后的方法识别废钢种类更全,识别面积更精准,充分适应本文任务。

关键词： 废钢   语义分割   FCN   OCRNet   SegFormer-B5   Deeplabv3P  

摘要： 目前业界对废钢智能评级和扣杂的方案都是基于目标识别模型，但是目标识别模型与语义分割模型相比其无法精确刻画废钢的边界，造成对废钢的面积估计和特征采集不精准。然而当前语义分割模型众多，如何选择一种适合废钢判级场景的模型是亟待解决的问题。针对该问题，首先在实验室建立1∶3物理模型，模拟不同类型废钢入厂验质场景；然后，用2K分辨率摄像头采集图像数据；最后，将主流的20种语义分割模型进行对比分析。试验表明，在139张废钢数据集上应使用全卷积神经网络(fully convolutional network, FCN)模型搭配高分辨率网络(high-resolution net, HRNet)对废钢进行语义分割；在图像增强的1 529张废钢数据集上应使用基于Transformer改进的高效语义分割模型SegFormer-B5对废钢进行预测分类；从平均交并比(mean intersection over union, mIoU)评价指标来看，FCN和基于上下文表示的语义分割网络(object-contextual representations network, OCRNet)使用HRNet主干网络比残差主干网络(residual network, ResNet)平均提高6.6个百分点。

关键词： 废钢检判   图像识别   废钢分类   危险品检测   语义分割  

摘要： 随着国家对钢铁企业在节能、减排和可持续发展方面更严格政策标准的制定,废钢作为一种绿色环保且可循环利用的铁矿石替代资源,在钢铁行业中的重要性日益凸显。废钢传统检判方法主要依赖现场工作人员经验判断,容易导致由人为干扰、视觉疲劳等引发的误判现象。此外,废钢检判现场环境混乱复杂,给工作人员人身安全带来潜在风险。针对这些问题,钢铁回收和冶炼行业亟待寻求一种更科学高效的废钢智能检判方法,以适应行业发展。为此,论文采用图像识别等技术,针对废钢智能检判问题,研究图像分类、目标检测与语义分割等算法,实现对废钢分类判级和对废钢中潜在危险品、混入杂物等进行快速、准确的检测与扣除,提高废钢检判的准确性和安全性,为钢铁行业可持续发展提供有力支持。 论文将废钢智能检判分解为三项任务:废钢分类、废钢危险品检测、废钢混入杂物扣除分割。根据实际场景,将监控摄像头安装在钢铁企业废钢回收场地,构造合适的视角,覆盖废钢回收作业区域,构建废钢检判图像数据集,并进行算法设计改进与验证。 针对废钢分类任务,设计图像分类算法,识别废钢现场图像中的废钢类别。论文设计基于Conv Ne Xt的废钢分类识别算法。引入CA坐标注意力机制以提升网络特征提取能力。针对样本不平衡问题,改进损失函数,提高分类网络在废钢图像分类任务上的性能。设计对比试验与消融实验,验证算法的有效性。 针对废钢危险品检测任务,设计目标检测算法,对废钢现场图像中的危险品进行检测判别。考虑到对模型精度和实时性要求,设计了一种基于YOLOv5的目标检测模型。设计混合注意力策略,增强特征表达能力。利用Bi FPN网络改进原始网络特征融合结构,提高模型对多尺度目标特征的提取融合能力。通过增加困难样本在计算置信度损失值时的权重占比,使网络关注废钢危险品检测中困难样本学习。采用通道剪枝策略,降低模型参数量和运算量,提高模型推理速度。对比实验表明,优化方案满足废钢危险品检测任务的需求。 针对废钢混入杂物扣除分割任务,设计语义分割算法,对废钢中混杂物进行语义分割,估计杂物混入量。论文设计了基于Deep Lab V3+的废钢混入杂物扣除分割网络模型,将主干网络更换为Mobile Net V2,提升网络的推理速度与分割精度。在空洞空间金字塔中引入可变形卷积与带状池化,提升上下文特征信息的融合能力。对比实验表明,改进算法在处理废钢中混入杂物扣除分割任务上的有效性。