关键词： 废钢图像   特征提取   特征降维   集成学习   深度学习  

摘要： 钢铁工业决定了整个国家的工业化基础,是所有工业中不可替代的重要产业之一。废钢作为钢铁厂生产过程中主要的原料之一,因此废钢的快速精确分类将会直接影响到钢铁厂的生产与管理效率。 本文以废钢图像为研究对象,通过机器学习、集成学习和深度学习方法,对废钢图像数据进行类型识别研究。并且,针对集成学习算法和深度学习算法进行改进研究,完成相关算法的程序设计。根据算法识别结果计算相关性能评价指标,并完成对比分析。主要研究安排如下: (1)废钢图像特征计算和降维方法研究。根据废钢图像特性分别从纹理、颜色和形状三个方面进行特征提取。纹理特征方面,采用灰度共生矩阵、Gabor小波变换、灰度差分统计和灰度梯度共生矩阵四种方法提取了27维特征。颜色特征方面,采用R、G、B通道的颜色矩方法提取了9维特征。形状特征方面,采用Hu不变矩方法提取了7维特征。通过递归特征消除法计算最优特征集,保留10维特征作为一组实验数据。通过主成分分析方法计算变换后的特征主成分率,选择主成分率超过99.99%的4维特征作为一组实验数据。通过特征重要性挖掘方法,计算特征重要性评分并设定阈值,保留5维特征作为一组实验数据。 (2)基于机器学习的废钢类型智能识别研究。根据机器学习算法相关理论,构建了逻辑回归、支持向量机和决策树三种废钢图像类型识别算法,并介绍了多种算法识别结果性能指标参数。三种特征降维方法与三种识别算法进行组合实验,计算性能指标并完成对比分析,得到机器学习废钢类型识别算法最优实验方案。 (3)基于集成学习的废钢类型智能识别研究。根据集成学习算法相关理论,构建了基于Bagging、Boosting和Stacking的三种废钢图像类型识别算法,并提出了改进的Random-Boosting-Stacking算法。Random-Boosting-Stacking算法加入了训练样本随机和不同算法随机,并对每组训练样本的每个算法难以区分样本进行误差学习。特征降维方法与三种传统集成算法进行组合实验,计算性能指标并完成对比分析。其中,根据实验结果性能指标验证了改进的Random-BoostingStacking算法是可行且有效的,其结果性能指标优于传统集成学习算法。 (4)基于权重注意力多尺度残差网络废钢类型智能识别。根据卷积神经网络提出了权重注意力多尺度残差网络(WA-Inception-Res Net)对废钢图像类型识别。WA-Inception-Res Net网络采用Inception结构与残差思想,对多尺度卷积之后的特征加上权重注意力机制,以此增强重要特征信息。通过设置不同的batch＿size以及设计了一种学习率调整策略进行参数对比试验。结果表明,WA-InceptionRes Net平均准确率为98.19%,最高准确率为100%,验证了WA-Inception-Res Net网络在废钢类型识别任务上的有效性。

关键词： 废钢铁资源   应用现状   发展趋势  

摘要： 我国废钢铁行业的发展将是依托大型钢铁企业，依托废钢铁加工物流示范基地、废钢铁企业，利用区块链+废钢铁场地运营管理系统项目、废钢智能化自动检验系统、装备高效节能环保的废钢铁加工装备，推进降低企业税负，平抑“税收洼地”的效应，坚持标准品质，强化管理，建立有序的废钢加工流通系统，持续提升废钢比，力争“十四五”底实现工业化、产品化、区域化、规模化工业化，为钢铁工业超低排放、绿色高质量发展开辟新格局，做出新的贡献。

关键词： 废钢加工   技术可行性   经济可行性   不确定性分析   概率分析  

摘要： 钢铁工业是国民经济的基础产业,随着经济社会的发展,钢铁产品的需求量越来越大,但传统钢铁行业面临着能源消耗大、铁矿石对外依存度高、环保减排压力大的困境,如何在保证经济发展和环境不被破坏的前提下实现资源的循环利用,成为当前迫切需要解决的问题。废钢铁是重要的载能资源,是当前唯一可以代替铁矿石的炼钢原材料,合理地利用废钢铁是减少能源消耗、减缓资源对外依存度以及降低污染物排放的重要举措,也是钢铁行业转型升级的发展趋势。本文以BM废钢加工项目为研究对象,分七个章节对项目的可行性研究内容进行探讨和分析。全文首先对研究背景和意义、国内外研究现状以及研究方法、技术路线等进行了详细阐述;然后对废钢回收的价值、废钢再制造流程以及项目可行性研究的相关理论和方法进行归纳总结;再然后对项目的基本情况、建设规模、产品方案、市场供需及竞争环境等进行了分析和研究,从市场前景角度论证了项目市场的可行性;紧接着,从厂址选择、建设条件、技术工艺方案、设备方案、工程方案、人员配置以及节能与环保等角度对项目的技术条件进行了综合分析,确定了项目在技术方面的可行性;另外,根据基础数据、投资估算与资金筹措测算了项目的成本费用及营收情况,通过财务评价方法,测算出项目财务净现值为4824.28万元,投资税后财务内部收益率为18.38%,投资回收期为6.48年,流动比率、速动比率分别为2.93、2.05,表明项目具有较好的盈利能力和偿债能力,论证了项目的经济可行性;之后,还重点对项目进行了盈亏平衡分析、敏感性分析、概率分析以及风险分析,经过分析得出项目的盈亏平衡点为58.46%,净现值大于零的概率为0.69,表明项目风险较小,进一步论证了项目财务和经济效益的可行性;最后得出本项目必要、可行的结论。本文的研究可为项目投资决策者提供全面的理论依据,并为其他类似项目的可行性研究提供借鉴和参考。同时,发展废钢产业可以缓解资源缓解约束,从源头降低碳排放,促进钢铁行业转型升级和绿色低碳可持续发展,对实现“碳达峰、碳中和”目标有着重大的作用。

摘要： 2022年6月，世界钢铁工业协会和国际回收局相继发布《世界钢铁统计数据2022》和《全球钢铁循环统计数据2017-2021》。本刊编辑部梳理归纳2021年全球主要国家钢铁生产、废钢使用以及进出口情况。一、全球钢铁生产及废钢使用概况世界钢铁协会发布的《世界钢铁统计数据2022》显示，2021年全球粗钢产量为19.52亿吨，较2020年增加3.83%。从生产工艺来看，2021年全球电炉钢产量为5.63亿吨，较2020年增加14.43%，占世界粗钢总产量的28.9%,

关键词： 电弧炉   废钢预热   数值模拟   正交试验   布料优化  

摘要： 废钢预热是电弧炉炼钢余热回收、能源循环再利用的重要技术,可以避免大量的烟气余热资源浪费,降低电弧炉冶炼能耗,对于推进双碳目标的实现具有重要意义。某钢铁企业引进一批大型双竖井废钢预热型直流电弧炉,实际生产时在预热后期出现竖井底部废钢大量熔化滴落的现象,严重影响电弧炉冶炼出钢重量稳定性,同时竖井内废钢的预热温度分布不均匀,上部废钢预热温度较低,导致整体预热温度达不到理想的入炉要求。因此,如何制定废钢预热工艺来提高废钢预热效果成为钢铁企业节能减排亟需解决的问题。本文利用ANSYS有限元数值模拟软件,基于传输原理基本理论,针对废钢预热过程中所出现的问题进行模拟研究和优化设计。首先通过建立三维整体简化模型,得到预热过程废钢温度场和烟气流场分布云图;考虑到以实际尺寸建模存在计算量大、效率低等问题,在三维整体模型中选择较小尺寸区域,利用对称面构建废钢预热局部模型,通过对比局部模型与整体模型的模拟结果,验证了局部模型的可行性;接着利用局部模型对不同种类废钢中影响其预热温度的因素,如比表面积、形状、堆密度、厚度进行单因素研究,得到各因素对废钢预热温度的影响规律;在单因素研究的基础上,采用正交试验的方法对竖井铺底料进行优化设计,得出使竖井底部废钢满足不超过熔化温度且获得最大预热效率的最佳工艺参数组合为:废钢堆密度0.45t/m、厚度4mm、烟气速度0.3m/s,预热时间600s,最后模拟验证了正交试验所得最佳参数组合对于竖井铺底料预热结果的改善。针对竖井内部预热温度分布不均的问题,通过构建竖井全尺寸废钢预热二维模型,得到竖井截面整体高度上废钢和烟气的预热温度分布;使用红外测温枪进行实地测量,从底部废钢的预热温度和烟道出口的烟气温度两个方面验证了模拟结果的正确性;最后以温度均匀性系数和总体平均温度为评价指标,研究布料结构对竖井整体预热温度的影响。结果表明,当重型废钢分布于竖井靠下位置时,可以提高竖井内总体最低预热温度,减小预热温差,增大温度均匀性系数,最大程度避免预热温度不均匀的问题;同时采用中小型废钢、破碎料和重型废钢交叉分布的方式,可以获得最大的平均温度,提高废钢对烟气的利用效率。

关键词： 废钢配料   智能车间   行车无人化   炼钢工程   智能系统  

摘要： 随着废钢资源综合利用日益紧迫，解决炼钢区域智能废钢车间、废钢行车无人化配料的技术难题已经成为当务之急。本文结合前人的研究与实践，给出了一种较为完整的设计方案，为炼钢区域智能废钢车间建设，为废钢行车无人化配料系统的系统架构设计、软件工程实施提供相应的技术服务与方案指导。

关键词： 废钢识别   深度学习   细粒度图像识别   注意力机制  

摘要： 相对于传统的图像分类、识别任务,细粒度图像无论在外形还是其他各个方面都具有较高的相似点。在采集图像过程中,由于目标具有不同的状态、角度、物体遮挡、其他干扰等因素,因此类与类的不同之处较大,同类物体之间的相似度高,在识别的过程中就会导致错误率较高。 (1)论文以废钢细粒度图像为研究对象,从提高图像识别的准确度出发,对采集到的原始废钢图像进行了一系列的预处理操作,几何变换降低了由于设备本身的误差以及滤波去噪、图像增强等技术去除图像中存在的噪声点,以增强废钢细粒度图像的质量,这些预处理操作使得废钢细粒图像自身的固有特点更加明显,以便于后续废钢细粒度图像的特征提取。 (2)通过对预处理后废钢细粒度图像提取了颜色特征、纹理特征以及形状特征,基于以上三种特征提取方法,完成对废钢细粒度图像的特征提取,一共得到40个特征,其中包含有6个颜色特征,27个纹理特征,7个形状特征。最终模型识别的准确率在很大程度上取决于特征的好坏,采用t-SNE降维可视化的方法对提取到的特征进行可视化并为每个样本构造成特征矩阵用于后续建模分析。这些特征将作为后续机器模型的输入,本文的研究是小样本废钢细粒度图像,采用了支持向量机算法对提取到的废钢特征建立模型,取得了较好的识别结果。基于支持向量机算法的准确率可以达到93.4%,精准度为92.7%,召回率为94.3%,F1-score为93.5%。结果表明在废钢细粒度小样本数据集下支持向量机具有较好的识别结果。 (3)将小样本废钢图像数据做数据增强,构建了基于小样本实验的深度学习网络,加入CBAM注意力机制,CBAM模块有通道注意力机制与空间注意力机制,通道注意力机制注重废钢图像的内容,空间注意力机制更注重废钢区域所在的位置。网络的深度、宽度以及图像的分辨率三者的关系进行了约束,实现深度学习在小样本情况下的废钢识别研究。实验结果表明了本文所提出算法的有效性,相对其他方法,本文提出的基于双线性VGG网络在废钢细粒度数据集上达到较高的分类精度,且具有较高的鲁棒性。破碎料识别的准确率达到98%,召回率达到95%,F1-score为96%;轻薄件识别的准确率达到95%,召回率达到98%,F1-score为97%。