1、方案背景与目标

1.1 生产现场现状

在炼钢脱硫扒渣工序，国内不同钢铁生产厂的工况差异较大。虽然工业自动化已经推动了多年，但在炼钢扒渣领域，自动化水平参差不齐，差异较大。一些工厂内，完成了远程扒渣改造，即通过在现场架设摄像机，将视频图像及控制信号连接到远离扒渣现场的操作室内，操作工看着屏幕控制扒渣机进行扒渣动作。

目前，仅有有限的几家工厂，正在进行或完成了几个试点扒渣位的自动扒渣改造。但经了解，这些改造方案，对于相机架设的位置，都做了较为严格的限制，都要求相机安装在铁包正前方的高出，距离要求相对较近。这样的限定使得拍摄到的包口图像可以呈现较为规整的正圆，期内铁水页面清晰，包壁对内部遮挡较小。这样的情况位扒渣过程控制的视频分析带来的很多便利，但同时也限制了推广的便捷性。经过调研，很多钢厂的扒渣位并没有预留出如此好的拍摄位置。有的是拍摄位置被其他设备占用，有的是拍摄位置不易安装新设备。在这些扒渣位，上述方案无法直接实施部署。

1.2 本方案解决问题

1) 重新制定相机安装位置方案，制定拍摄效果新标准，降低对拍摄位置的唯一限制，使可选安装位置范围更大，限制更宽松；

2) 针对满足新标准的拍摄条件，设计算法解决在其环境下的智能扒渣控制问题。主要包括自动倾翻控制、自动扒渣控制等方面。需要提升控制精度，以确保工作效率，并使现场具备较好的铁损控制。

3) 通过对控制参数的精度优化，提升扒渣过程执行效率和控制控制精度，从而达到降低扒渣过程铁损和提升扒渣控温能力的效果。

本方案主要技术目标

1)自动倾翻：通过软件程序控制铁水包自动倾翻到合适的角度，使扒渣阶段可以轻松的将铁渣扒出包口不受阻碍；

2)智能扒渣：通过机器视觉方法分析铁水包内页面铁渣分布情况，智能规划扒渣路径，并将像素坐标转换给出精确的扒渣位置控制坐标。

3)整体架构：系统整体架构包括：成像硬件系统、测量和控制硬件系统、数据存储、机器视觉图像分析服务、神经网络关系拟合服务、智能控制服务、系统应用服务以及贯穿以上几个部分的数据总线、接口服务以及监控管理。机器视觉图像分析服务用于提供基于图像的分析结果；神经网络关系拟合服务用于进行数值数据分析和预测；智能控制服务根据这两个服务的分析结果，进行智能扒渣控制的中控，并针对异常情况进行及时处理。系统应用服务提供了扒渣实时情况的展示，包括当前包信息、实时扒渣画面、实时分析效果、扒渣量曲线、状态监控等，可以查看扒渣历史情况记录。

2、方案详细介绍

2.1平台架构

平台整体架构包括：成像硬件系统、数据存储、智能分析服务、全流程跟踪服务、平台应用服务以及贯穿以上服务的数据总线、接口服务以及监控管理。

2.2硬件系统

硬件系统基于现有扒渣位情况进行改造，加装倾翻拉绳传感器、距离传感器、雷达液位计、工业相机、监控摄像机等设备，进行图像和必要数据的采集工作。

2.3软件系统

2.3.1 机器视觉图像分析服务：

自动倾翻和渣面分析利用了机器视觉图像处理技术。利用卷积神经网络模型对图片进行处理，实现非负矩阵分解的效果，完成特征提取。该模型先用于自动倾翻过程判定是否倾翻到位，后用于对包口范围进行脱硫渣分析，指导扒渣过程。

2.3.2 神经网络关系拟合服务：

设计神经网络模型如下图，进行关系拟合服务。网络模型输入层和输出层的节点数量，根据实际拟合的多维关系来确定。激活函数根据实际拟合的多维关系正则化方式来确定。采用MSE Loss作为损失函数评估训练中的预测差距。采用AdamW方法进行模型优化，该方法在梯度下降法的基础上，引入动量和自适应学习率调整等方法，加快训练速度，并有效提高训练终点为最优拟合结果的成功率。

利用神经网络关系拟合模型，具体完成倾翻终点预测和像素坐标转换。

2.3.2.1 倾翻终点预测

在自动倾翻控制时，因为相机的安装位置，影响了完全机器视觉方案控制倾翻到位的实际精度。分析的实际停止倾翻时刻，铁包已经处于临洒铁位置，此时突然停止铁包倾翻运行，会导致其中的铁水因惯性溢出包口，造成设计外的洒铁，导致铁损的升高。同时，洒铁会造成安全防护报警，从而中断本次自动扒渣流程。因此，设计实现一套预测倾翻终点的模型来支持自动倾翻控制。

本模型利用铁水液位、包口净空，预测倾翻达到终点位置时对应的拉绳传感器目标值。数据采集阶段，按照如下流程进行模型训练数据积累。

[倾翻终点预测模型数据积累流程]

STEP 1：     铁包车开始进站；

STEP 2：     通过距离传感器采集连续的距离曲线；

STEP 3：     通过距离曲线计算包口净空；

STEP 4：     铁包完成进站，通过雷达液位计测量铁水液位；

STEP 5：     由扒渣工执行人工倾翻；

STEP 6：     在扒渣工根据经验判定倾翻到位而停止倾翻动作时，记录拉绳传感器值作为目标值；

STEP 7：     由（, , ）组成一条训练数据。

考虑包口受到粘渣影响，距离传感器曲线高点可能并非是实际的铁包包口净空值，而实粘渣突出的位置，因此取高点值附近一段曲线，并选取其低点值作为包口净空的测量值。

2.3.2.2 像素坐标转换

在进行扒渣控制时，核心是进行坐标转换。将图像上的像素坐标转换成为实际位置的地理坐标，并进一步将实际位置的地理坐标转换为扒渣臂控制的传感器目标值，从而达到最终的控制扒渣臂的目的。但因为相机斜拍的原因，要确定第一步目标地理坐标的基准坐标系，需要借助标定工具完成。而在实际现场中，对包口区域进行标定范围过大且中空，这对标定板制作和现场安装找平等都造成了困难。因此设计使用神经网络实现像素坐标转换模型来解决该问题。

本模型将图像分析结果指定的扒渣臂应抵达位置的像素坐标，转换为控制扒渣臂抵达该位置时扒渣机转动编码器目标值、扒渣机伸缩距离传感器目标值。

在数据积累阶段，与扒渣工协作，在进行人工扒渣的过程中，完成数据的采集。具体步骤为如下。

[像素坐标转换模型数据积累流程]

STEP 1：     While 扒渣进行中：

       STEP 1.1:  操作工移动扒渣臂到渣面位置；

       STEP 1.2:  操作工降下扒渣板到渣面；

       STEP 1.3: 保存此时图像，并记录转动编码器值作为、伸缩距离传感器值作为，构成一条中间数据。

STEP2： 遍历每一条中间数据：

       STEP 2.1:  对图像中扒渣板探入渣面的位置，以交接处的亮线为基准，获取亮线两端点的像素坐标；

       STEP 2.2:  取两点坐标中值，得到中点坐标、，与、构成一条最终数据。

利用两个分析结果，可以实现更加精确的扒渣过程控制。

2.3.3 智能控制服务：

结合图像分析和数值分析结果。控制自动倾翻和智能扒渣。

2.3.3.1自动倾翻过程

利用倾翻终点预测模型进行倾翻控制，流程如下。

[基于倾翻终点预测模型进行自动倾翻控制流程]

STEP 1-4：   与数据积累流程相同；

STEP 5：     确认启动自动倾翻；

STEP 6：     通过倾翻终点预测模型，根据、预测终点拉绳传感器值；

STEP 7：     控制程序控制铁包开始倾翻；

STEP 8：     当拉绳传感器值达到时，停止倾翻。

为了防止因粘渣导致包口净空测量错误，保留完全机器视觉方案中的洒铁保护功能。在倾翻过程中，若拉绳传感器值达到前，接到洒铁保护报警，则立刻停止倾翻并执行铁包复位，同时进入手动模式交由扒渣工进行后续操作。

2.3.3.2智能扒渣控制

结合图像分析给出的渣面分布结果、智能路径规划给出的具体坐标和像素坐标转换给出的控制目标值，进行扒渣控制。具体步骤如下：

[基于像素坐标转换模型控制自动扒渣流程]

STEP 1：     开始自动扒渣

STEP 2：     While 扒渣量未达到要求：

       STEP 2.1:  利用机器视觉方法分析渣面分布情况；

       STEP 2.2:  根据渣面分布，选取要进行扒渣的位置；

       STEP 2.3:  通过像素坐标转换模型，将扒渣位置的像素坐标、，转换为转动编码器目标值和伸缩距离传感器目标值；

       STEP 2.4:  控制扒渣臂移动，使转动编码器值达到，伸缩距离传感器值达到，移动期间调整扒渣臂俯仰，使扒渣臂到达目标位置时，扒渣板探入渣面一定深度；

       STEP 2.5:  控制扒渣臂回到包口位置，完成本轮扒渣动作。

2.4数据通信

主要数据通信链路包含算法服务器、成像硬件系统、测量和控制硬件系统以及扒渣机等四方。算法服务器与两个硬件系统进行直接数据通信，完成数据获取和分析结果输出。结果为控制信号，发送给测量与控制系统的PLC，最终执行扒渣臂的自动控制。

2.5 安全措施

2.5.1设备安全措施

在设备部署的施工过程中，做好设备防护工作，确保必要的工作环境条件得以满足；

规范施工操作流程，确保施工质量达标；

定期进行设备检查，及时发现设备问题；

设备附近按照规定，张贴设备说明告示版，危险警告标识等必要的通知、警告标志。

2.5.2网络安全措施

 · 做好远程访问保护，如主机系统关闭对外密码远程登录功能并以授权密钥的方式进行远程身份验证、数据库访问设置有限权限的远程访问等安全设置，尽可能杜绝远程连接安全风险；

· 采用专业协议与PLC和相机进行通信，通信固定IP和端口，防止非法的链接和数据传输；

· 采用HTTPS协议实现网络通信，构建本地证书体系，实现安全的数据加密；

· HTTP接口方面，原则上所有接口需在用户权限下进行访问，以确保操作日志完整性；

2.5.3数据安全措施

· 进行完整、合规、符合必要范式要求的数据结构设计和约束设计，强制要求必要的数据完整性；

· 合理使用事务机制，以保证数据具有充分的完整性；

· 在界面操作时和接口调用时，分别对数据进行必要的校验和判断，确保数据合法、合理；

· 定期进行数据分析，从时间戳、数据重复等方面，加强数据整体判断，及时发现问题并结合日志等历史数据定位问题原因，及时解决数据错误，优化数据完整性并避免问题再次发生。

2.5.4 控制安全措施

设计完整的过程控制异常处理机制，针对异常洒铁、扒渣臂顶包、扒渣臂卡包口等情况，进行不间断检测，并进行＜1s的快速响应。洒铁方面，在倾翻时，监控包口下方漏液情况；扒渣臂顶包和卡包口则实时检测扒渣臂运动数据，发现数据异常的长时间（＜200ms）未变化，则认为机械臂异常。发现异常情况，立即进行制定好的安全复位流程，提示并切换为人工操作模式。

3、代表性及推广价值

本方案经过近三年的现场实践和调整，发现问题、总结问题、解决问题，最终让智能扒渣系统满足了试点钢厂较为苛刻的安装条件限制，并保证智能扒渣运行效果。总结实施经验和软硬系统协同工作逻辑和关键限制条件，切实有效的在的放宽了设备安装方面的限制要求，使这套方案可以适配更加广泛的应用场景，具有更强的推广能力。

在效能提升和节能减耗方面，通过人工智能的方法，对人工扒渣动作进行分析，学习主要扒渣流程。同时对扒渣控制进行细致微调，在原有扒渣效果的基础上，进一步减少扒渣过程中产生的铁损，降低了原料的损耗；同时可以更严格细致的控制扒渣过程的动作精度，从而更有效的节省扒渣过程的持续时间，使扒渣结束时，铁水可以维持更高的温度，为下一步的炼钢过程节约升温所需要的氧气成本和相关能源；同时结合传感器融合技术提供准确的相关生产数据，为工艺的提升提供有迹可循的数据保障。