Development of an Application for Scrap Metallic Management in Electric Steelmaking

电炉废钢管理应用开发

Valourec Solu巴西管材公司（VSB）的钢厂配备了高度灵活的Consteel电弧炉（EAF），它可以使用固态金属料和热铁水，其热铁水的混合比例范围很广。鉴于废钢来源和供应商的多样性，VSB钢厂开发了废钢在线资源管理工具（STORM），以确保冶炼后钢包中的钢水重量和钢水成分，做到均匀加料。该应用程序集成了一个人工智能模型，用于废钢分类、均质化和热铁水混合规则、供应商声誉和库存管理。STORM 1.0从2020年开始使用；2023年发布的第2版旨在通过减少废钢分类错误和提高电炉EAF的废钢均质性来降低成本。

引言

Valourec Solu Tubulares do Brasil（VSB）采用一体化全流程工艺生产无缝钢管，从生物炭生产和铁矿石开采开始，到产品的最终加工成型，如轧制、拉拔或锻造，以及热处理。在VSB的Jeceaba工厂，通过电弧炉（EAF）工艺生产钢管用钢水。工艺流程包括通过康斯迪预热段Consteel?技术）连续连续向炉内供给废钢，通过侧壁铁水溜槽来加入热铁水；电弧炉炼钢后经过钢包精炼炉（LF）和真空脱气炉（VD）对钢水进行温度和化学成分微调精炼，通过连铸工艺浇铸钢水，在连铸机内凝固生产所需要的连铸管坯。

电炉金属料为20%至50%是含碳量较高液态铁水和固态生铁，其余为废钢。目前，VSB钢厂目录提供270多种钢种，从低碳到高碳，0.4%碳和高达5%合金（Mo, Cr,Ni等）。对于石油工业，VSB生产的钢磷含量低于0.10%。（译注：原文是0.10%，估计有误，应该是0.010%P）

至于在市场上采购到的废钢，这是电炉金属料的大部分，废钢的大小/密度和化学成分变化很大；它们的差异与它们的起源有关（报废废钢或工业自产废钢）；其加工（捆压、剪压、氧气切割、粉碎机或自然状态）；对工艺质量不利的残余元素（如铜、铬、钼等）的含量；和废钢的尺寸大小有关。不同的废钢特性导致不同的价格，每种金属废钢料在市场上的供应和需求影响全年的价格变化。

电弧炉冶炼车间在同时使用几种金属废钢料和生铁方面具有灵活性。生产钢液所消耗的金属料混合组成，主要是依据钢种的化学成分、原材料价格和所需的生产率有关。

金属料占粗钢总成本的大头，此外，在VSB钢厂，固态金属料加入时间相当于EAF运行的生产时间（通电时间）的70%左右。因此，金属废钢料堆比重的变化对总的生产周期有很大的影响。因此，必须确定金属料混合物，以保证钢种的化学成分要求，并尽量减少钢液的生产成本。

讨论

废钢分类的重要性

目前，VSB钢厂的外部采购的金属废钢料供应是由分布在巴西各州的至少100个不同的供应商提供的。生产出的钢液的质量和成本取决于送入电弧炉的金属料的质量和成本。更好地控制原材料意味着更好地控制生产的钢液的成本和质量。

电炉的产能还与原料的质量有关，特别是其废钢的堆比重，以确保连续供应和减少加料时间，从而最大限度地缩短周期时间。

为了保证连续装料，废钢的密度均匀性要好，化学成分符合客户的要求是至关重要的。废钢的堆比重或化学成分问题可能导致生产组织中因钢水化学成分出现偏差或康斯迪传送机上缺乏废钢而断电停止生产。

由于来自工业废钢和公司采购的废钢种类繁多，废钢的标准化非常重要，以确保废钢均匀性和持续的供应。考虑到废钢在尺寸、堆比重、化学成分和其他特性方面的异质性，控制进厂废钢的可变性和尽量减少遇到含有高浓度残余元素的废钢，通过一种称为废钢分类的活动来控制钢中的残余元素含量。

在VSB，废钢料分类包括目视检查从供应商收到的废钢类型，验证或修改发票上注明的用于付款的废钢类型，以及确定按照类型给定废钢储存地，将同质废钢堆放在一起。废钢分类的另一个功能是评估另类情况的出现，如废钢内有气瓶存在、废钢长度尺寸超过康斯迪运输机可接受范围、打包料尺寸不符合规格用户的要求、废钢内含有过高浓度残余化学元素、污垢泥土的存在等等。此活动主要在废钢卸入堆场时候进行，如果发现任何不符合项，将通知供应商并对其进行付款处罚。在废钢加料中另类不合格项的存在会导致与电炉EAF的安全性、成本和生产率相关的损失。

从供应商采购的废钢达到钢厂要避免电炉直接使用，以防止生产的某些钢种对残余元素有着严格的控制，或避免堆比重的不同造成康斯迪加料输送中进入炉内金属量的波动。为了实现这一目标，VSB钢厂有一个废钢堆场，废钢料场有三个废钢跨，用于不同堆密度和不同残余元素含量的废钢堆放。对于这种废料的均质化，VSB采用了一种叫做“千层饼”的程序。它包括分层构建废钢堆，在每一层中保留相同类型的废钢，然后在下一层中改变废钢类型，以此类推，直到达到每一堆的预期体积量或最大高度，类似于千层饼。它非常类似于雪佛龙汽车人字齿轮。这个废钢堆的消耗从上到下垂直于层的方向，确保每次用抓斗抓废钢能从每层中去除一点，逐步消耗废钢堆一层。这样，不同堆比重的废钢得到均质化，避免了残余元素高的废钢集中消耗。

废钢跨料场被分成若干个废钢堆场，并根据这些废钢堆进一步划分和轮流交替：

1.优质废钢：源自工业生产的金属废钢料→在VSB钢厂，它被保留下来，用于对残余元素要求有严格限制的钢种。

2.混合料或低成本废料：来自社会的报废金属废钢了→用于对残余元素限制较少的钢种。

目标是确保昂贵的优质废钢在它们之间均匀化并分配给特殊钢冶炼使用，而混合型废料则尽可能均匀化以确保不同堆比重和化学成分的混合。

考虑到上述情况，废钢料场对以下方面至关重要：

?混合废钢以均匀的堆比重和化学成分。

?隔离非金属（污垢，塑料，木材等）。

?避免非标准废钢尺寸件的进入。

?从低成本废钢中分拣出优质废钢。

?确保最低库存和持续地将废钢交付到电炉加料区。

该废钢堆场旨在以均匀的废钢堆比重向EAF输送金属料；高的金属化率；废钢件长度重量符合（VSB Consteel运输机的限制）；合适的化学成分；废钢的持续供应；和没有非放射性物质。。

通过这种方式，废钢分类与以下方面更加相关：

?确保EAF金属料的质量。

?确定废钢堆比重和化学成分均质化的最佳场地（哪个跨和哪个堆场）。

?根据不符合项对供应商施加惩罚。

?必要时进行部分或全部退货。

?核实并在必要时更改发票中注明的废钢类型，以便付款处理。

?为分类报告记录证据。

考虑到装料时间在康斯迪电弧炉炼钢生产周期中的重要性，人们可以考虑通过利用更高的废钢堆比重来解决康斯迪电炉废钢装料负荷问题，从而使跌入熔池中的废钢始终达到较高的密度。然而，这种假设并不准确，因为康斯迪工艺需要三个基本要素：

1.在康斯迪加热段上优化废钢层次高度，以改善与烟气的热交换，从而降低冶炼能耗。通过只使用高堆比重的重型废钢，康斯迪输送机只能在槽底形浅厚度的废钢层，不能从高温烟气中吸收较多的热量。

2.优化康斯迪输送废钢的负载：如果仅使用高堆比重废钢，输送机将遭受太多下料冲击，设备需要较多的维护。

3.当废钢进入电炉熔池时，需要提高废钢的熔化速度。由于废钢是浸入到熔池钢水中而熔化，而不是由电极电弧来熔化废钢，如果只使用高密度废钢，则熔池中的熔化速率会降低（其效果是像一个漂浮的大“冰块”，熔化时间长久）。

轻薄料废钢/低密度废钢抵消上面提到的三个效应。

只使用高堆比重重废的一些影响是重废的可用性和价格。市场上高密度废料不是能够完全100%直接投入使用，这些废钢必须是经过氧气切割处理/打包/粉碎处理。如果市场上对这些高密度重废的需求增加，价格自然就会上涨，价格高了需求也就少了。

综上所述，在废钢堆密度、价格和电炉性能之间取得平衡是必要的。这些因素导致需要良好的金属了废钢优化/管理。

考虑到这种情况，并且考虑到即使有废料场活动的操作程序，有关废钢卡车运动到哪个堆场，其部分决策在很大程度上依赖于操作人员的认知水平，VSB开发了废钢在线资源管理工具STORM系统：即废钢工具在线资源管理。STORM应用程序是用于钢厂消耗的综合金属了废钢管理工具。它包括金属料采购、接收、物流、通过机器学习模型自动废钢分类、目的地、库存、消耗和供应商可靠性等功能。实施这一系统的主要目标是加强质量管理和降低与电炉EAF中使用的原材料相关的成本。

废钢在线资源管理工具STORM系统完全是由自动化团队在VSB内部开发的，结合了过程技术、方法、原材料和物流团队的想法和贡献。

使用机器学习技术进行废钢分类

最近，机器学习技术在自动废钢分类中的应用显著增加，极大地提高了钢铁行业分拣过程的效率和准确性。

Kim等人（2021）通过引入一种使用激光诱导击穿光谱（LIBS）的创新信号处理方法而脱颖而出。通过整合机器学习技术，该研究强调了LIBS在金属废料光谱分类方面的应用前景，这是专门为高速分选系统设计的。然而，强调了对LIBS光谱进行预处理以确保在动态工业环境中稳健运行的关键需求。

Williams等人（2023）利用磁感应光谱（MIS）与机器学习相结合，根据金属或合金成分对有色金属进行分类。研究表明，单独使用MIS可使不锈钢的识别度和回收率超过80%，达到93%以上。在废铝切片中观察到由于铝合金混合物的挑战，通过引入颜色信息克服了这一挑战，从而显著提高了识别度和回收率。

Diaz-Romero等人（2022）提出了一种利用深度学习进行质量估计和废钢分类的创新方法。该方法利用DenseNet神经网络进行分类，利用反向传播神经网络（BPNN）进行质量预测，实现了质量预测回归精度高的鲁棒性，对C&W测试数据集的分类精度达到95%。

Xu等人（2023）提出了CSBFNet，这是一种基于深度学习的废钢自动分类和评估模型。在高分辨率视觉传感器捕获的废钢质量检测模拟数据的训练下，CSBFNet在中国一家钢厂进行了测试和改进，对所有类型的废钢的总体精度达到了92.4%。

Santos（2023）解决了废钢分类的自动化问题，提出了一种具有目标检测的深度学习方法。经过训练的模型在96张图像的测试集中准确地检测了127个类别，作者强调了使用不同的预训练网络和数据库增强进行测试的改进机会。

Reis（2023）对废钢分类进行了全面的文献综述，引用了Baumert et al.（2008）和Armellini等人（2022）的著作。这两项研究都有一个共同的目标，即提供更好的废钢可追溯性，为电弧炉控制系统提供准确的信息，从而提高生产过程效率。Reis（2023）强调了废钢自动分类的好处，比如通过密度计算和废钢种类的混合来保证送如电炉的装料的均匀性，从而使电炉的运行更加稳定。另一个突出的好处是在分类过程中减少了人为操作的主观性，因为决定特征是视觉的，如大小、形状、颜色和重量。

该文献背景构成了具体研究的基础，展示了在钢铁行业不同背景下用于增强自动废钢分类的方法的多样性。每项研究都有助于了解和实施先进的废物管理系统，强调这些技术对更可持续和更有效的做法的重要性。

STORM前VSB的废钢分类

尽管技术和操作标准以及团队培训不断改进，但供应商的数量以及由此产生的接收条件给VSB钢厂带来了复杂性，需要更精细的手段来进一步改进因为规范外原因造成额外消耗，导致返工重新冶炼生产。

以下项目包括在实施废钢在线资源管理工具STORM前，有关接收和使用金属料废钢和生铁的管理方面的主要关注事项：

?非集成信息系统（物流和原材料）。

?仅依靠操作人员的原有知识做出决策：金属料和废钢的目的地、分类、稀释残余元素高等级金属料的需要等。

?Excel电子表格中的非标准化报告。

?只有带有“问题”金属料照片的记录。

?用操作员的手机拍摄的照片。

?缺乏照片记录的标准化存储模式。

?对于残余元素超标的物料，缺乏标准稀释残余元素的操作模式。

STORM的好处

废钢在线资源管理工具STORM的主要思想是，根据废钢料车的自动初始分类结果，建议每个货物的最佳目的地，以减少废钢装卸的机器设备运动，并以化学成分和废钢堆比重的均匀化为目标。此外，系统记录不符合项并计算供应商声誉。

STORM的其他优点：

?废钢分类（第二次分类）完全在应用程序中通过电脑获得的所有废钢的照片执行，并根据需要使用云存储生成报告。

?通过供应和分类历史获得的供应商“信誉”。一个累积评级良好的供应商将拥有正向积极的信誉，有利于对供应商取舍的决策。

?自动生成分类报告，发送给供应商，并通过电子邮件发送给内部收件人，包括原材料协调，采购等。

?在云中存储整个系统生成的数据。

废钢在线资源管理工具STORM系统在钢厂内部金属料管理中表现出许多优点。它有助于对原材料进行细致的控制，提供对供应商和废钢类型的详细了解。值得注意的是，该系统提高了电炉EAF中使用的金属料质量的均匀性，减轻了使用高质量和低质量金属料之间的大幅波动。这种方法在中期降低了原材料的成本，因为废钢均质化程序消除了使用更昂贵的废钢进行低残余元素原料的必要性。该系统通过全面记录金属料填装信息，协助买方和供应商之间的谈判，同时列入供应商“声誉”数据，增加了新废钢分类时的分类重点，确保了更可靠的结果。

通过实现预定义的逻辑，系统消除了操作者的决策，最大限度地减少了决策过程中错误和偏差的可能性。它还通过使用照片和预定义的列表减少了对异常情况和金属料进行错误分类的可能性。此外，该系统还提供了用于消费或储存的可追溯性，有助于改进原材料库存管理，并允许查询与原材料流相关的信息，包括废钢跨高度、供应商历史情况以及分类器分类情况和班次。

用STORM从市场接收废钢的工艺流程

钢厂电炉接收金属料废钢消耗的过程分为以下几个阶段：分拣、放射性检查、自动分级、称重、目视检查、卸料、内部移动和电炉消耗（图1）。

图1从市场接收废钢的工艺流程

分拣阶段包括生成废钢收据控制票据，引导车辆进入分拣区。卡车和废钢的详细信息被记录下来，并给司机一个跟踪标签。要求将要卸下废钢的卡车通过两个放射性门柱入口检查。交通灯根据放射性检查的结果指示是否允许卸载（绿色信号）或不允许卸载（红色信号）。当卡车通过时，固定摄像机会捕捉到废钢表面的照片，并将这些信息发送给自动分类系统。使用照片和预定义规则对废钢进行第一次分类。需要强调的是，摄像机只捕捉卡车顶部的图像。即使拍摄了几张废钢表面的照片，它们也可能不能代表整个汽车里面的废钢。因此，鉴于这种情况，在卡车卸到废钢料场时进行第二次目视检查。这种二次检查可以确认或改变最初的分类。

摄像头后的信号灯表明卡车是否可以继续行驶，此信息显示在LED面板上。第一个分类数据发送给STORM。位于废钢料场的STORM操作员可以人为要求废钢车离开分拣区到废钢料场卸货。然而，该系统会优先考虑分拣区的哪些卡车应该首先卸货，以遵守制作千层饼的混合规则。卸货信息被传递给STORM，显示在屏幕上，供分拣团队决定哪辆卡车应该去废钢料场卸货。

到达堆场后，装载废钢卡车通过地磅秤称重，并由操作员进行自动识别分类的确认。在自动分类的基础上，系统自动指示出废钢应卸在哪一堆。卸料时，另一名操作人员检查卸料废钢，进行第二次分类，确认废钢类型，检查不合格物品，卸料后用电脑拍照。然后，空卡车再次通过地磅，在STORM中记录净重。废钢的重量记录在库存的堆场，最终确定分类。STORM记录每一堆废钢的重量和类型，计算其特征的加权平均值。这些平均信息有助于混合规则和自动目的地确定。其他因素，如卡车集装箱类型，供应商声誉，混合限制和等待检查的时间被考虑在内。

废钢自动分类

通过对深度学习模型的训练，建立了废钢自动分类系统。第一步是通过固定摄像仪收集图像。在卡车到达工厂的那一刻，摄像头就会得到卡车运送的废钢图像。在收集了大量图像后，对每个图像进行标记并构建一个数据集。标记阶段是深度学习模型开发中最重要的部分之一，在某些情况下，废钢类彼此非常相似，一些小细节将它们区分开来。因此，我们付出了巨大的努力来正确地标记每个图像，这对模型的成功至关重要。

该模型使用深度神经网络EfficientNetV2作为基础进行训练（Tan等人, 2021）。这个网络被用来对13类废钢进行分类。建立的数据集大约有10,000张图像，它被分成三个部分，80%用于训练，14%用于验证，6%用于测试。在训练过程中使用验证分区来评估模型的性能并引导训练收敛。测试分区仅在训练结束后使用模型从未见过的图像来评估模型的性能。经过训练，该模型在测试分区上的准确率达到96%。图2为模型分类流程图；这张照片是从卡车上拍摄的，模型识别了废钢。

图2模型废钢分类

每辆卡车可以拍摄许多图像，对每幅图像分别进行分类推理；以这种方式，如果为一辆卡车拍摄10张图像，就会进行10次推断，一辆卡车上应该有相同的废钢。然而，有时一辆卡车可以装载一个以上的废钢分类级别。由于模型为每张图像指定一个类，因此同一辆卡车的一组图像可以具有不同的类型废钢。

为了解决这个问题，制定了一套规则来指明废钢卡车的最终废钢类别。为此，它检查相应类的图像数量，以及每个类的质量。例如，如果在10张图片中有8张图片识别为废钢A，2张识别为废钢B，规则会在某些情况下说最终的这车废钢分类是A。但如果A是高质量的废钢，B是低质量的废钢，废钢A被废钢B污染了，即使大多数图片被分类为A，规则会给出与A不同的最终分类结果。

因此，利用该模型和规则实现了废钢的自动分类。通过更多的培训和调整规则来改进模型，将指导解决方案取得更好的效果。

混合规则

混合规则的概念在STORM 2.0中实现，如图3所示的示意图所示。该决策模型综合了不同废钢类型自动混合过程中的各种信息。该模型考虑以下信息：

图3混合规则和自动目的地建议所需信息的方案

1.在分拣过程中有关废钢类型的初始自动分类的信息。通过自动分类确定废钢类型后，混合模型寻求以下注册信息：

a.废钢类型：是低成本废钢还是优质废钢。从自动分类中派生的预定义规则确定废钢是被分类为优质废钢还是低成本废钢。

b.该废钢类型的平均堆比重。

c.废钢是否经过打包处理的说明，这个细节是至关重要的，因为目标模型已经预先登记了每堆中允许的打包废钢的最大百分比。假定在同一堆中超过30%的比例可能导致康斯迪输送机中的废钢缠绕。

d.混合型废钢中存在的影响质量关键残余元素的平均百分比：铜和铬。假设在这两者混合的同时，其他残余元素也将被均匀化。

e.根据废钢类型，检查是否有任何限制将废钢混入其他废钢堆中。例如，某些废钢类型可能具有专用装载方法，例如仅通过料篮装载，或者可能用于非常有限范围的废钢类型。因此，这些废钢类型被保存在单独的废钢堆中，模型是需要知道这些信息。

f.供应商信誉：模型根据供应商的名称检索供应商的信誉。

g.卡车在分拣阶段的等待时间。该模型优先呼叫卡车来完成千层饼规则，但卡车不应超过现场允许的最长时间。当接近最大时间限制时，模型提示卡车卸载。

2.每个废钢堆的信息：在VSB钢厂，废钢堆是固定的。为了使STORM概念发挥最佳作用，最好是使用封闭废钢堆场或开放使用消耗废钢堆场的概念（废钢堆正在卸废钢构造或运输给电炉消耗中）。

a.应登记每个废钢堆的最大允许承载能力（吨）。

b.每个废钢堆的库存数量应在每次卸载废钢后更新。

c.必须在记录中提供每个废钢堆的名称和位置（例如，1号场、2号场、3号场……）。

d.更新各废钢堆的状态。一个堆废钢堆会关闭停止供给电炉使用，直至贮存的废钢重量达到规定的最大容量为止。一旦达到最大容量，将开放给电炉消耗使用。从这一点开始，它将保持打开状态，直到再次关闭为止。

e.为每一个废钢堆指定可接受的废钢组：混合、优质废钢原料或其他有混合限制的废钢类型。

3.另一个至关重要的信息是所有可用于装卸废钢的机器设备的实时定位。虽然这些信息可以通过安装在机器设备上的GPS系统获得，但在没有这样的系统的情况下，STORM 2.0假设，对于最后一堆接收到的废钢，仍然处于“关闭消耗废钢”状态，将有一台机器设备靠近它。

考虑到第1,2,3项所描述的信息，模型内的混合规则将遵循以下标准来确定分拣阶段可用废钢的排放优先级，以确保千层饼废钢堆的构建：

1.该系统考虑的最后一堆任何废钢卸载记录。假设卸料机靠近这些废钢堆，例如，如果最后记录废钢数量的堆场是2号堆场的A堆和3号堆场的H堆，则假定卸料机就在这些废钢堆附近。

2.该模型的第一个任务是继续加载机器附近的废钢堆，同时遵守千层饼规则。

a.对于同一层，可以保持相同的废钢类型。

b.所有废钢堆的平均密度为目标。在进行废钢堆填充加高时，要回答以下问题：堆内废钢的平均堆比重是高于还是低于目标数值？如果高于，模型将要求一辆废钢堆比重低于目标值的卡车。如果低于目标，模型将要求卡车的堆比重高于目标。目标是使所有堆具有相似的平均堆比重，避免一个堆堆比重高，另一个堆比重低。

c.对于下一层，优先考虑的是避免使用与前一层相同的废钢类型。但是，如果没有其他类型的废钢等待卸载，则应优先考虑更换供应商。

d.优先填充该堆，直到达到其注册设定的最大容量。如果在任何时候，没有更多的卡车等待卸载，可以完成正在进行的废钢堆，模型将建议下一个废钢堆的废钢量最接近达到最大容量。

e.考虑供应商声誉。

f.根据废钢堆的化学成分，将堆登记为高铜混合废钢堆、低铜混合废钢堆和优质废钢堆。

g.每一废钢堆都有废钢打包料的最大百分比。

STORM的自动分类结果

废钢在线资源管理工具STORM 2.0在2023年7月投入生产。废钢分类分两个阶段进行。第一种分类包括检查卡车表面的废钢。在STORM 2.0中，第一次分类由AI模型自动执行。然而，这种分类只考虑卡车表面的废钢。因此，第二次分类仍然是必要的。

现在自动执行第一个分类。然而，为了对模型进行外部验证，人工分类器会对自动分类结果进行验证，并在必要时对最终结果进行调整。自动分类和人工分类都被存储起来，用于检查模型的性能，也用于重新训练和增强模型。这个阶段对于评估和提高自动分类的实际质量至关重要。

当模型对图像进行推理时，它会给出废钢的类别和该类别的置信度百分比。在置信度小于50%的情况下，结果不可靠，结果更改为“unknown Scrap”。当图像中没有废钢时就会发生这种情况；例如，只显示卡车部件（图4）或只显示地面的图像。或者当模型不理解图像上的废钢是什么时。对结果的信心与训练阶段有关。有了更多的图像和做得好的标签，模型将增加分类的信心。

图4不明废钢的例子

图5为固定相机拍摄的废料图像，与模型分类结果。所有图像分类正确，置信度高，达到90%以上。只有废钢B的置信度较低，只有58%，但模型也正确地对其进行了分类。废钢B是一种废钢，在某些情况下类似于废钢D，这取决于图像是如何拍摄的。在这种情况下，置信度较低，可能是因为模型理解该图像也可以归类为废钢D或其他类别。

图5废钢分类的例子及其各自的置信度

自动分类监测6个月。在此期间，共收到5271辆卡车废钢。图6显示了同一时期自动分类为每辆卡车指定一个类别的结果分布。观察到，自动分类对82%的卡车提供了一定的分类，对18%的卡车无法识别废料类别。如前所述，许多因素会导致模型结果置信度低，使结果不可识别废钢unknown Scrap；一种是在训练数据集分布模式之外的图像上出现新的情况。正因为如此，重新训练模型很重要，随着时间的推移，会得到更好的结果。

图65271辆卡车通过自动分类分配未识别和已识别的废料

仅考虑模型识别的废钢，将这些自动分类与人工操作进行的分类进行比较。从6月到10月的分类对应于第一个模型版本。另一方面，11月和12月的结果来自于用更多图像重新训练的第二个模型（本文中模型的版本）所做的分类。可以观察到，91%的分类卡车（图7）的自动分类与操作员进行的分类是一致的。这显示了模型再训练的好处。

图7自动分类和人工分类之间的一致性百分比

本工作还描述了应用程序组件的开发，该组件负责自动建议混合不同类型废钢的目的地，以实现密度和化学成分的均匀化。应用程序已经实现了这个功能。然而，其有效性依赖于自动分类功能的正常运行。在监测和改进自动分类的初始阶段之后，将启动旨在使废钢均质化的存储自动目的地定义阶段，进行测试，并将在即将发表的论文中讨论结果。另一个正在进行的开发是STORM与使用价值4.0系统的集成，该系统建议给电炉加入金属料以最大限度地降低钢液的成本，最大限度地提高产量或减少特定炉号的碳足迹。

结论

金属料废钢的自动分类是金属废钢料有效管理和工业流程优化的重大进步。本文重点介绍了在此背景下使用的各种技术，从机器学习算法到计算机视觉系统。然而，STORM 2.0应用程序的开发并不仅仅局限于使用自动分类模型，还涉及到创建一个基于自动分类的系统，管理金属废钢料流向钢厂。

STORM 2.0的开发涉及实现用于自动分类的深度学习技术，其主要目标是将人类分类中的隐性知识转化为一个系统，从而减少电钢厂在这一关键任务中的错误机会。此外，该系统还集成了来自废钢料卡车分拣过程的信息，以建议材料的目的地，旨在提高交付到电炉金属料的质量。自动分类阶段已经在VSB运行，对于训练数据集中使用的废钢，人工智能模型的准确率达到96%。自动目标值地定义阶段目前正在进行验证，并将成为未来论文的主题。但是，必须强调新模型再培训阶段的重要性，以考虑可能收到的任何新类型的废钢料。另一个关键步骤是标记，其中为训练期间考虑的每个图像定义真实标签。此阶段的错误可能导致模型输出不准确。在废钢料分类方面具有丰富经验的人员与此阶段高度相关。在VSB的前六个月，自动分类结果与人工分类结果之间的一致性占模型识别废钢料的总分类的91%。这个百分比可以通过再培训和标签阶段的增强来提高。通过改进收集废钢料照片的程序（相机位置或照片收集的时间）或调整根据为同一负载拍摄的多张照片确定每个负载的最终分类的规则，也可以减少分类中结果未确定的废钢料百分比。

综上所述，在一个综合系统中对废钢料进行自动分类是朝着改善对交付给钢厂的原材料管理迈出的关键一步，需要不断改进。

来源：唐杰民冶金40年