Sensitivity Analysis of State Space Models for Scrap Composition Estimation in EAF and BOF

📄 arXiv: 2504.11319v1 📥 PDF

作者: Yiqing Zhou, Karsten Naert, Dirk Nuyens

分类: eess.SY

发布日期: 2025-04-15

DOI: 10.1088/1742-6596/3050/1/012001

💡 一句话要点

提出基于状态空间模型的废钢成分估计方法，适用于电弧炉和转炉炼钢过程。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 状态空间模型 卡尔曼滤波 废钢成分估计 电弧炉 转炉 炼钢过程 质量平衡 Unscented卡尔曼滤波

📋 核心要点

  1. 电弧炉和转炉炼钢中，准确估计废钢成分至关重要，但现有方法难以应对实时性和噪声干扰。
  2. 论文提出基于质量平衡的状态空间模型，利用卡尔曼滤波及其变体进行参数估计和成分预测。
  3. 实验表明，模型对多数变量噪声具有鲁棒性，但炉渣质量估计的准确性对整体性能影响显著。

📝 摘要（中文）

本研究开发并分析了用于估计炼钢过程中废钢元素成分的线性和非线性状态空间模型，适用于电弧炉（EAF）和转炉（BOF）工艺。这些模型结合了质量平衡方程，并使用改进的卡尔曼滤波器（针对线性情况）和Unscented卡尔曼滤波器（UKF，针对非线性情况）进行拟合。以Cu和Cr作为代表性元素，我们评估了模型预测对关键过程变量（包括钢质量、钢成分、废钢输入质量、炉渣质量和炉渣中氧化铁分数）中测量噪声的敏感性。结果表明，该模型对大多数变量中的中等噪声水平具有鲁棒性，特别是当误差低于10％时。但是，当炉渣质量估计中存在噪声时，准确性会显着降低。这些发现突出了在工业环境中应用状态空间模型进行实时废钢成分估计的实际可行性和局限性。

🔬 方法详解

问题定义：在电弧炉（EAF）和转炉（BOF）炼钢过程中，准确估计废钢的元素组成至关重要，这直接影响到最终钢材的质量和生产成本。然而，由于废钢来源复杂，成分波动大，以及过程测量存在噪声，实时准确地估计废钢成分是一个挑战。现有方法往往依赖于离线分析或简化的经验模型，难以满足实时性和准确性的需求。

核心思路：本研究的核心思路是将炼钢过程建模为一个状态空间系统，其中废钢的元素组成是状态变量，而过程测量（如钢质量、炉渣质量等）是观测变量。通过建立质量平衡方程，将状态变量和观测变量联系起来。然后，利用卡尔曼滤波（及其非线性扩展）来估计状态变量，从而实现对废钢成分的实时估计。这种方法能够有效地融合过程知识和测量数据，并对噪声具有一定的鲁棒性。

技术框架：该研究的技术框架主要包括以下几个步骤：1) 建立状态空间模型，包括状态方程和观测方程。状态方程描述了废钢成分随时间的变化，观测方程描述了过程测量与废钢成分之间的关系。2) 选择合适的卡尔曼滤波算法。对于线性状态空间模型，使用标准的卡尔曼滤波器；对于非线性状态空间模型，使用Unscented卡尔曼滤波器（UKF）。3) 利用历史数据或模拟数据训练模型，估计模型参数。4) 在实际炼钢过程中，利用实时测量数据，通过卡尔曼滤波算法实时估计废钢成分。

关键创新：该研究的关键创新在于将状态空间模型和卡尔曼滤波技术应用于废钢成分估计问题。与传统的离线分析或经验模型相比，该方法能够实现实时估计，并能够有效地处理测量噪声。此外，该研究还针对非线性状态空间模型，采用了Unscented卡尔曼滤波器（UKF），提高了估计的准确性。

关键设计：在模型设计方面，关键在于选择合适的质量平衡方程，并准确地描述过程测量与废钢成分之间的关系。在卡尔曼滤波算法方面，需要仔细调整过程噪声和测量噪声的协方差矩阵，以获得最佳的估计性能。此外，对于Unscented卡尔曼滤波器（UKF），需要选择合适的sigma点生成策略，以保证估计的准确性和稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该模型对大多数过程变量中的中等噪声水平具有鲁棒性，特别是当误差低于10％时。然而，当炉渣质量估计中存在噪声时，准确性会显着降低。这表明炉渣质量的准确测量对于废钢成分估计至关重要。该研究为实际工业应用提供了重要的参考。

🎯 应用场景

该研究成果可应用于电弧炉（EAF）和转炉（BOF）炼钢过程的实时废钢成分估计，从而优化配料方案，提高钢材质量，降低生产成本。此外，该方法还可以扩展到其他冶金过程，如铁水预处理、合金化等，具有广阔的应用前景。未来，结合机器学习算法，可以进一步提高模型的预测精度和鲁棒性。

📄 摘要（原文）

This study develops and analyzes linear and nonlinear state space models for estimating the elemental composition of scrap steel used in steelmaking, with applications to Electric Arc Furnace (EAF) and Basic Oxygen Furnace (BOF) processes. The models incorporate mass balance equations and are fitted using a modified Kalman filter for linear cases and the Unscented Kalman Filter (UKF) for nonlinear cases. Using Cu and Cr as representative elements, we assess the sensitivity of model predictions to measurement noise in key process variables, including steel mass, steel composition, scrap input mass, slag mass, and iron oxide fraction in slag. Results show that the models are robust to moderate noise levels in most variables, particularly when errors are below $10\%$. However, accuracy significantly deteriorates with noise in slag mass estimation. These findings highlight the practical feasibility and limitations of applying state space models for real-time scrap composition estimation in industrial settings.