煉鋼合金減量化智能控制模型及其應(yīng)用

鄭瑞軒，包燕平，王仲亮

北京科技大學(xué)鋼鐵冶金新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100083

鋼鐵行業(yè)是我國(guó)能源資源的消耗大戶，在國(guó)家“碳達(dá)峰、碳中和”的目標(biāo)下，如何實(shí)現(xiàn)企業(yè)的能源和資源的高效利用，減少生產(chǎn)過程碳排放和能源消耗，是鋼鐵企業(yè)亟需解決的關(guān)鍵問題[1-2].鐵合金是鋼鐵冶煉過程中必不可少的原輔料之一，主要作用是鋼液的脫氧和合金化. 據(jù)統(tǒng)計(jì)我國(guó)鐵合金年產(chǎn)能約為 5800萬噸，其中鋼鐵生產(chǎn)用合金消耗超過3000萬噸. 然而，鐵合金的生產(chǎn)是高耗能過程，煙塵、廢渣和廢水等污染排放嚴(yán)重，大多數(shù)鐵合金生產(chǎn)能耗大于4000 kW·h·t-1，電解鋁能耗高達(dá)1.33 kW·h·t-1，每年我國(guó)鐵合金生產(chǎn)能耗不低于2320億kW·h，折合2850萬噸標(biāo)準(zhǔn)煤. 若鋼鐵企業(yè)能夠?qū)崿F(xiàn)煉鋼過程的合金減量化控制，則可以有效減少能源消耗，為國(guó)家“雙碳”目標(biāo)助力.

鐵合金是煉鋼的主要原料之一，其成本占到煉鋼生產(chǎn)成本的5%～10%[3]. 幾乎所有的鋼種，都需要通過鐵合金進(jìn)行脫氧和合金化以獲得特定的化學(xué)成分并產(chǎn)生所需的機(jī)械性能[4]. 目前煉鋼用鐵合金種類繁多且價(jià)格各異，若煉鋼時(shí)鐵合金種類選擇不當(dāng)，不但會(huì)使煉鋼生產(chǎn)成本增加，而且會(huì)產(chǎn)生質(zhì)量問題. 因此，如何更智能地選擇鐵合金種類和確定最佳合金加入量是非常重要的. 傳統(tǒng)的鐵合金加料模式是鋼廠技術(shù)人員主要憑經(jīng)驗(yàn)確定合金種類、操作人員憑經(jīng)驗(yàn)確定合金加入量，這樣的操作模式一般把鐵合金的收得率設(shè)定為一個(gè)固定值，不隨鋼液參數(shù)的變化而調(diào)整，往往導(dǎo)致合金加入量偏高，鋼液成分不穩(wěn)定，提高了煉鋼成本的同時(shí)也造成鋼液質(zhì)量的波動(dòng). 因此，煉鋼廠迫切需要一種科學(xué)且實(shí)用的鐵合金加料模式與手段，目前已有部分研究者進(jìn)行了相關(guān)的研究[5-13]，這些研究有的已經(jīng)取得的一定的突破，但大多還是停留在理論研究階段，與現(xiàn)場(chǎng)實(shí)際生產(chǎn)聯(lián)系不夠緊密.

本文基于國(guó)內(nèi)某煉鋼廠工藝特點(diǎn)，對(duì)合金減量化工藝展開研究，建立了合金減量化智能控制模型，旨在提升鋼鐵企業(yè)現(xiàn)場(chǎng)的智能化水平，降低鐵合金消耗，在給企業(yè)帶來經(jīng)濟(jì)效益的同時(shí)減少能源消耗，助力“碳達(dá)峰、碳中和”目標(biāo). 受市場(chǎng)影響，目前鐵合金價(jià)格變化較大，煉鋼合金成本控制難度增加，該模型可在滿足鋼液成分達(dá)標(biāo)的前提下，使合金加入成本大幅度降低，并實(shí)現(xiàn)鋼液合金成分的窄區(qū)間控制，提高鋼產(chǎn)品性能的穩(wěn)定性.

1 基于 K 均值聚類的合金耗量數(shù)據(jù)分析

在實(shí)際生產(chǎn)過程的合金化操作中，合金物料在加入到鋼液之后會(huì)有部分損失，使其不能夠完全被鋼液吸收，這些合金損耗主要受冶煉工藝條件的影響，包括鋼液的狀態(tài)參數(shù)如鋼液氧含量、溫度、鋼渣的狀態(tài)和加合金過程的鋼液狀態(tài). 合金減量化研究重點(diǎn)之一就是找出合金損耗的關(guān)鍵影響因素，從這方面著手減少合金在使用過程中的損耗、提高合金的收得率[14-15].

本文首先利用SPSS軟件對(duì)出鋼溫度、冶煉周期、吹氧時(shí)間、吹氧量、鐵水和廢鋼裝入量、TSO氧含量、TSO碳含量等煉鋼工藝參數(shù)與合金耗量進(jìn)行相關(guān)性分析，得到影響合金耗量的關(guān)鍵因子后，根據(jù)關(guān)鍵因子的范圍對(duì)合金耗量進(jìn)行分類分級(jí). 傳統(tǒng)的分類方式為有監(jiān)督過程，即存在有先驗(yàn)知識(shí)的訓(xùn)練數(shù)據(jù)集，需根據(jù)已有經(jīng)驗(yàn)劃分區(qū)間后排列組合，分組數(shù)量大且不能完全提取數(shù)字特征.聚類是一種無監(jiān)督的學(xué)習(xí)方式，它可將具有較高相似度的數(shù)據(jù)對(duì)象劃分至同一類簇，且簇內(nèi)的對(duì)象越相似，聚類的效果越好，適合于數(shù)據(jù)量大的冶金工業(yè)分析. 這里采用的K均值聚類算法（K-means clustering algorithm）是一種迭代求解的聚類分析算法[16]，其步驟是首先隨機(jī)選取K個(gè)對(duì)象作為初始的聚類中心，然后計(jì)算每個(gè)對(duì)象與各聚類中心之間的距離，把每個(gè)對(duì)象分配給距離它最近的聚類中心. 每分配一個(gè)樣本，K均值聚類的聚類中心會(huì)根據(jù)現(xiàn)有的對(duì)象被重新計(jì)算. 通過迭代計(jì)算最小誤差平方和，得到具有不同特征的K組數(shù)據(jù). 這樣對(duì)K組合金耗量數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，可以發(fā)現(xiàn)合金收得率與關(guān)鍵因子的相關(guān)關(guān)系. 如圖1(b)中，3.69±0.032c、3.94±0.038a和 3.94±0.043b，其中 0.032、0.038、0.043為數(shù)值誤差限，a、b、c為差異顯著性分析結(jié)果標(biāo)注，字母不同表示存在顯著性差異，字母相同表示差異不顯著. 本文中噸鋼耗量在對(duì)工藝參數(shù)的K均值聚類間差異性顯著，說明與氧耗量、廢鋼比和終點(diǎn)溫度等具有較強(qiáng)的相關(guān)關(guān)系.

以某120 t轉(zhuǎn)爐煉鋼廠為研究對(duì)象，選取140爐次42CrMo鋼種爐次進(jìn)行相關(guān)性分析，得出影響合金收得率的主要因素為噸鋼耗氧量、裝料鐵水比和出鋼溫度，采用基于K均值聚類歸納法對(duì)錳元素收得率進(jìn)行研究，將數(shù)據(jù)分為3個(gè)聚類，如圖1(a)所示. 對(duì)出鋼階段錳元素收得率分類統(tǒng)計(jì)，如表1所示，錳元素收得率均值為87.31%，1類收得率高于均值1.15%，2類收得率低于均值0.75%.在所選取的140爐次中，分類1爐次共33爐，占比23.57%，分類2爐次共29爐，占比20.71%. 在收得率高于均值的1類中出鋼溫度低，裝料鐵水比高，噸鋼耗氧量略高于其他兩類，而收得率低于均值的2類情況與之相反. 在噸鋼鐵合金耗量上如圖1(b)和1(c)所示，聚類1在硅錳和中碳錳鐵噸鋼耗量上均低于均值，分別低2.64%和2.15%，而聚類2在這兩類錳系合金噸鋼耗量上分別高于均值3.96%和2.80%.

圖1 42CrMo轉(zhuǎn)爐出鋼工序工藝參數(shù)聚類分布圖(3個(gè)聚類)(a)及噸鋼硅錳耗量(b)和噸鋼中碳錳鐵耗量(c)Fig.1 Cluster distribution map of process parameters in the 42CrMo converter steel discharge process (3 clusters) (a), silicomanganese consumption per ton of steel (b), and medium carbon ferromanganese consumption per ton of steel (c)

表1 3聚類爐次占比及錳收得率Table 1 3 Clustering proportion and the manganese yield in each cluster

由此可見在不同的鋼液條件下，尤其是鋼液的耗氧量和溫度不同時(shí)，鐵合金元素的損耗存在明顯差異. 若將噸鋼耗氧量、裝料鐵水比和出鋼溫度控制在聚類1范圍內(nèi)，減少2類的爐次占比，可顯著降低轉(zhuǎn)爐出鋼過程的鐵合金損耗. 以上研究針對(duì)轉(zhuǎn)爐出鋼過程的合金化，對(duì)于LF精煉合金化筆者采用同樣的方法進(jìn)行了研究，其中LF精煉用于K均值聚類分析的輸入?yún)?shù)包括LF取一樣溫度、電耗以及C含量. 利用該方法將具有不同特征的關(guān)鍵因子自動(dòng)劃分為K類，從而在計(jì)算合金加入量時(shí)可以根據(jù)實(shí)際鋼液條件選擇不同收得率，避免了采用單一收得率按照控制上限加入合金造成的浪費(fèi)，也為后續(xù)合金減量化模型提供了依據(jù).

2 合金減量化模型

2.1 模型功能與框架結(jié)構(gòu)

運(yùn)用Matlab R2020a Appdesigner程序設(shè)計(jì)編制了合金減量化智能控制系統(tǒng)的人機(jī)交互界面，模型計(jì)算流程如圖2所示. 模型主要功能和框架結(jié)構(gòu)如下：

（1）合金信息數(shù)據(jù)庫(kù).

運(yùn)用Oracle 11g軟件建立合金信息數(shù)據(jù)庫(kù)，數(shù)據(jù)庫(kù)與模型連接，模型在運(yùn)行過程中可以實(shí)時(shí)調(diào)用數(shù)據(jù)庫(kù)內(nèi)的數(shù)據(jù)用于模型計(jì)算使用. 數(shù)據(jù)庫(kù)信息從企業(yè)各級(jí)數(shù)據(jù)庫(kù)中獲取，包括但不限于合金化驗(yàn)成分、鋼液取樣化驗(yàn)成分、生產(chǎn)工藝參數(shù)和鋼種目標(biāo)內(nèi)控成分等.

（2）實(shí)時(shí)在線的輸入與輸出模式.

模型可以實(shí)現(xiàn)實(shí)時(shí)的參數(shù)獲取與數(shù)據(jù)輸出，模型啟動(dòng)后，根據(jù)合金批號(hào)更新鐵合金的成分信息及價(jià)格信息，然后模型根據(jù)所讀取的爐號(hào)在數(shù)據(jù)庫(kù)中讀取出該爐次所對(duì)應(yīng)的鋼種與執(zhí)行標(biāo)準(zhǔn)，并獲取該爐次的鋼液基本信息，最后根據(jù)鋼種和執(zhí)行標(biāo)準(zhǔn)調(diào)取工藝卡以設(shè)定合金化后目標(biāo)鋼液成分.

（3）智能化的合金使用效果評(píng)價(jià)與分析系統(tǒng).

模型包括基于K均值聚類的合金耗量數(shù)據(jù)分析和基于主成分分析法的BP神經(jīng)網(wǎng)絡(luò)收得率預(yù)測(cè)模型，已結(jié)束爐次的生產(chǎn)數(shù)據(jù)會(huì)輸出到數(shù)據(jù)庫(kù)，經(jīng)過使用效果評(píng)價(jià)之后傳輸?shù)绞盏寐暑A(yù)測(cè)模型中，實(shí)現(xiàn)預(yù)測(cè)模型的自學(xué)習(xí)，不斷完善收得率預(yù)測(cè)模型精度.

（4）基于智能分析結(jié)果的合金種類選擇與加入量計(jì)算模型.

模型基于歷史數(shù)據(jù)的智能分析結(jié)果，選取成本最低的合金加入種類，根據(jù)已有條件利用intlinprog函數(shù)計(jì)算出符合鋼液目標(biāo)成分設(shè)定值，且總加入成本最低的鐵合金加入量. 該模型對(duì)于轉(zhuǎn)爐爐后的合金化和LF精煉的合金化均適用，轉(zhuǎn)爐爐后合金化模型僅進(jìn)行一次配料計(jì)算，鋼液目標(biāo)成分一般設(shè)定為略低于鋼種內(nèi)控成分的下限值，具體數(shù)值管理者根據(jù)鋼種實(shí)際情況進(jìn)行設(shè)定. 在LF精煉工序模型計(jì)算流程與轉(zhuǎn)爐工藝類似，將LF精煉合金化前鋼液化驗(yàn)成分與鋼種內(nèi)控值進(jìn)行對(duì)比，若符合成分要求則該爐次合金配料完成，否則返回到上一步重新進(jìn)行配料計(jì)算與加料操作，直到成分達(dá)標(biāo)為止，一般LF精煉工序進(jìn)行1～2次加料.

圖2 模型計(jì)算流程圖Fig.2 Model calculation flowchart

2.2 界面設(shè)計(jì)

在模型進(jìn)行配料計(jì)算前，需要獲取當(dāng)前爐次所煉鋼種內(nèi)控目標(biāo)成分、鋼液信息、合金信息等，這些數(shù)據(jù)都是通過企業(yè)Oracle數(shù)據(jù)庫(kù)與模型進(jìn)行交互調(diào)用的，可在生產(chǎn)過程中實(shí)時(shí)獲取. 同時(shí)，模型會(huì)將所讀取數(shù)據(jù)顯示在模型主界面并且用于后續(xù)的合金配料計(jì)算，合金減量化智能控制模型主界面如圖3所示. 模型數(shù)據(jù)顯示主要由以下幾部分組成：工藝基本參數(shù)模塊、合金信息模塊、合金種類選擇模塊、合金收得率預(yù)測(cè)模塊、鋼液化驗(yàn)成分模塊、加入量計(jì)算結(jié)果模塊.

圖3 合金減量化智能控制模型主界面Fig.3 Main interface of the intelligent control steelmaking ferroalloy reduction model

2.3 模型計(jì)算方法

模型在物料平衡計(jì)算的基礎(chǔ)上，采用線性規(guī)劃作為核心算法[17-23]，包括決策變量、目標(biāo)函數(shù)、約束條件三部分構(gòu)成，其中決策變量為模型最終的輸出結(jié)果，為每種合金的加入量，目標(biāo)函數(shù)為鐵合金總加入成本最低原則，約束條件包括需要保證鋼液合金元素含量滿足品種標(biāo)準(zhǔn)需求，同時(shí)控制雜質(zhì)元素含量小于含量標(biāo)準(zhǔn)最大值，從而計(jì)算出成本最低的合金加料方案.

（1）決策變量.

在合金化過程中，需要添加多種合金料對(duì)鋼液成分進(jìn)行調(diào)整. 總共提供n種合金料，每種合金加入量為x1，x2,···，xn. 且合金加入量必須滿足以下非負(fù)條件：

式中：xi表示第i種合金加入量，kg；n表示合金種類總數(shù).

（2）目標(biāo)函數(shù).

以合金加入總成本Z最低為目標(biāo)函數(shù)，公式如下：

式中：ri表示第i種合金料的單價(jià)，￥?kg-1.

（3）約束條件.

為了獲得最優(yōu)的合金配料方案，需要對(duì)目標(biāo)函數(shù)設(shè)置約束條件. 約束條件包括成分約束和用量約束，成分約束即按照模型計(jì)算所得的合金質(zhì)量加入進(jìn)鋼液后，必須保證鋼液化學(xué)成分含量滿足鋼種標(biāo)準(zhǔn)需求.

式中：P表示鋼液總質(zhì)量，kg；gj表示第j種元素含量目標(biāo)值；kj表示第j種雜質(zhì)元素含量目標(biāo)值；bj表示第j種元素合金化前的含量；cij表示第i種合金中第j種元素的含量；ηj表示第j種元素的收得率；min表示下限值；max表示上限值.

用量約束即在實(shí)際生產(chǎn)過程中，合金用量通常有一定的最大限制：

式中：Li代表實(shí)際生產(chǎn)中第i種合金的最大加入量.

合金收得率是配料計(jì)算的重要參數(shù)，直接影響模型計(jì)算合金加入量及合金化后的鋼液化學(xué)成分，準(zhǔn)確的合金收得率能夠提高鋼液成分命中率[24]. 因此，本文采用基于主成分分析法（Principal component analysis，PCA）的BP神經(jīng)網(wǎng)絡(luò)對(duì)合金收得率進(jìn)行預(yù)測(cè)[25-28]，前文中已采用基于K均值的聚類分析法對(duì)合金收得率的影響因素進(jìn)行了研究，將噸鋼耗氧量、裝料鐵水比和出鋼溫度相關(guān)工藝參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量用于預(yù)測(cè)合金收得率. 由于變量間存在一定的相關(guān)性，故對(duì)其進(jìn)行主成分分析處理，建立基于PCA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)合金收得率并嵌入模型用戶界面，神經(jīng)網(wǎng)絡(luò)建立流程如圖4，網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示.

圖4 合金收得率PCA-BP神經(jīng)網(wǎng)絡(luò)建立流程圖Fig.4 Flowchart of the alloy element yield PCA-BP neural network

圖5 PCA-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.5 Structure diagram of the PCA-BP neural network

3 模型效果與應(yīng)用

3.1 收得率預(yù)測(cè)準(zhǔn)確度驗(yàn)證

為了驗(yàn)證基于K均值聚類分析和PCA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)收得率預(yù)測(cè)的準(zhǔn)確度，以某鋼廠500爐次42CrMo鋼生產(chǎn)數(shù)據(jù)為數(shù)據(jù)樣本，對(duì)錳元素收得率預(yù)測(cè)模型進(jìn)行訓(xùn)練，并選取50爐數(shù)據(jù)作為驗(yàn)證集，驗(yàn)證模型預(yù)測(cè)精度. 模型預(yù)測(cè)誤差頻率分布如圖6所示，其中部分預(yù)測(cè)結(jié)果如表2所示，可以看出同一座轉(zhuǎn)爐生產(chǎn)的相同鋼種，在不同爐次的鋼液狀態(tài)下合金收得率各不相同，若在合金配料時(shí)按照固定的收得率進(jìn)行計(jì)算，將會(huì)使得合金加入量計(jì)算值與實(shí)際需求的用量差值較大，不利于合金配料的準(zhǔn)確性和命中率.

圖6 合金收得率預(yù)測(cè)誤差頻率分布Fig.6 Frequency distribution of the alloy yield prediction error

對(duì)收得率預(yù)測(cè)模型的預(yù)報(bào)誤差范圍及命中率進(jìn)行分析，如圖6所示. 可以發(fā)現(xiàn)預(yù)測(cè)誤差主要分布在±2%之內(nèi)，預(yù)測(cè)誤差在±2.0%以內(nèi)的命中率為100%；預(yù)測(cè)誤差在±1.5%以內(nèi)的命中率為81.1%；預(yù)測(cè)誤差在±1.0%以內(nèi)的命中率為50.9%；預(yù)測(cè)誤差在±0.5%以內(nèi)的命中率為32.1%，預(yù)測(cè)結(jié)果較準(zhǔn)確，能滿足實(shí)際生產(chǎn)的要求.

3.2 合金化成本優(yōu)化對(duì)比

為了驗(yàn)證模型對(duì)煉鋼用鐵合金的降本效果，運(yùn)用模型進(jìn)行模擬計(jì)算，研究不同鋼種的實(shí)際合金成本與優(yōu)化成本. 本文選取某煉鋼廠11種鋼種共35個(gè)爐次的合金加料數(shù)據(jù)為樣本進(jìn)行對(duì)比分析，合金加入總成本統(tǒng)計(jì)結(jié)果如圖7所示.

表2 合金收得率預(yù)測(cè)結(jié)果和實(shí)際收得率對(duì)比Table 2 Comparison of the actual alloy yield and the forecast alloy yield

圖7 模型計(jì)算成本與實(shí)際成本對(duì)比Fig.7 Comparison of the model calculation alloy cost and the actual alloy cost

從圖可以看出，在統(tǒng)計(jì)的35爐數(shù)據(jù)中，所有爐次的模型計(jì)算合金配料方案噸鋼成本均低于實(shí)際值，不同鋼種噸鋼合金降本2.5%～29%，平均噸鋼合金成本降低11.06%，成本降低最多的爐次為38.7 ￥?t-1. 對(duì)于像軸承鋼和高合金鋼之類，合金加入量大且合金加入種類多的鋼種，合金計(jì)算降本效果更顯著. 以42CrMo鋼為例，模型計(jì)算結(jié)果降本 684～2609 ￥·爐-1，噸鋼降本 5.7～21.7 元，合金化成本降低6.0%～11.85%.

3.3 模型應(yīng)用案例

將合金減量化智能控制模型應(yīng)用于某鋼廠轉(zhuǎn)爐廠1#轉(zhuǎn)爐在線運(yùn)行，應(yīng)用模型指導(dǎo)現(xiàn)場(chǎng)合金配料. 模型在線運(yùn)行期間共指導(dǎo)生產(chǎn)115爐，其中42CrMo鋼的部分工業(yè)應(yīng)用實(shí)驗(yàn)結(jié)果如表3所示，結(jié)果表明試驗(yàn)爐次鋼包取樣的鋼液成分均符合要求. 通過基于K均值聚類的合金耗量數(shù)據(jù)分析，優(yōu)化控制噸鋼耗氧量、裝料鐵水比和出鋼溫度等工藝參數(shù)，顯著降低了轉(zhuǎn)爐出鋼過程鐵合金的損耗，提高了收得率，實(shí)驗(yàn)爐次較歷史對(duì)照爐次Mn收得率提高3.22%～5.29%，平均提高3.54%. 同時(shí)結(jié)合模型計(jì)算優(yōu)化合金配料方案實(shí)現(xiàn)整體合金加入成本的降低，對(duì)實(shí)驗(yàn)爐次的合金降本效果進(jìn)行追蹤，實(shí)驗(yàn)爐次較歷史對(duì)照爐次鐵合金加入總成本降低5.95%～14.74%，平均降幅11.72%，綜合降本效果明顯.

表3 工業(yè)試驗(yàn)結(jié)果Table 3 Results of the industrial test

合金減量化智能控制模型在現(xiàn)場(chǎng)使用的一段時(shí)間里，模型運(yùn)行穩(wěn)定，各工序數(shù)據(jù)傳輸順暢，生產(chǎn)爐次均滿足成分需要，未發(fā)生成分超標(biāo)或成分不合的情況，生產(chǎn)爐次與歷史數(shù)據(jù)相比，降本效果較明顯. 結(jié)果表明，該模型適用于煉鋼生產(chǎn)現(xiàn)場(chǎng)復(fù)雜的工況條件，能夠符合現(xiàn)場(chǎng)的生產(chǎn)要求，具有一定的推廣應(yīng)用價(jià)值.

4 結(jié)論

(1) 基于K均值聚類法對(duì)轉(zhuǎn)爐出鋼過程合金損耗的影響因素進(jìn)行分析，將選取的140爐次42CrMo鋼按噸鋼耗氧量、裝料鐵水比和出鋼溫度聚為3類. 利用聚類方法減少分組數(shù)量，有效提取數(shù)字特征，在出鋼溫度低，裝料鐵水比高的1類中錳收得率高于均值1.15%，條件相反的2類中錳收得率低于均值0.75%. 控制冶煉工藝過程在合金收得率高的范圍內(nèi)進(jìn)行，有利于減少合金的消耗，降低煉鋼生產(chǎn)成本，實(shí)現(xiàn)降本增效.

(2) 建立了基于PCA-BP神經(jīng)網(wǎng)絡(luò)和混合整數(shù)線性規(guī)劃的合金減量化智能控制系統(tǒng)，并采用Matlab軟件編制用戶界面，模型實(shí)時(shí)準(zhǔn)確地獲取當(dāng)前冶煉爐次的合金收得率，利用intlinprog函數(shù)線性規(guī)劃求解得出合金加入成本最低的加料方案，提高了合金化鋼液成分準(zhǔn)確度，減少由傳統(tǒng)人工經(jīng)驗(yàn)計(jì)算配料造成的成本浪費(fèi)和成分超標(biāo)的情況發(fā)生.

(3) 合金減量化智能控制模型在現(xiàn)場(chǎng)工業(yè)生產(chǎn)測(cè)試中運(yùn)行穩(wěn)定，模型與企業(yè)檢化驗(yàn)系統(tǒng)等數(shù)據(jù)庫(kù)互聯(lián)互通，能夠?qū)崿F(xiàn)數(shù)據(jù)的實(shí)時(shí)查詢與調(diào)用. 應(yīng)用模型指導(dǎo)合金配料降本效果明顯，不同鋼種噸鋼合金降本2.5%～29%. 在模型工業(yè)在線應(yīng)用試驗(yàn)中，試驗(yàn)爐次較歷史爐次鐵合金加入總成本降低5.95%～14.74%，平均降幅11.72%，綜合降本效果明顯.