由于电弧炉炼钢厂在钢铁行业向低碳工艺转型中起着关键作用，因此预计其产量将会增加。为此，各方都在努力提高其可持续性。欧洲的“ALCHIMIA”项目提供了一个范例研究，旨在降低电弧炉炼钢厂的能源和资源消耗。基于联邦学习和高级优化算法的应用，设想会建立一个决策支持系统，以帮助操作人员选择最佳的原材料组合。该研究的重点在于应用基于机器学习的模型来计算废钢的特性，并估算精炼后的钢水成分和温度。

01 前言

EAF&Smart Manufacturing

欧洲绿色协议的目标包括到2030年将二氧化碳排放量减少55%，并在2050年实现温室气体净排放量的完全削减，同时最大限度地提高资源利用效率，同时确保没有人或地方被边缘化。此外，绿色协议工业计划旨在加快工业转型，特别是在气候中和方面，遵循之前的行动和政策。在这种情况下，能源密集型产业（如化工、钢铁、水泥、有色金属等）是全球二氧化碳排放的第二大来源，约占总排放量的17%，而所使用的材料中只有12%是二次资源。此外，为了实现气候中和并提升整体可持续性，欧盟（EU）的目标是提高工业流程的循环利用率并减少废钢产生，以实现资源的有效利用。面临的挑战是到2030年将再生材料的使用量增加一倍，同时减少原材料的开采及其相关的环境影响。要实现这些目标并同时推动可持续的社会和经济转型，研究和创新活动至关重要。包括基于人工智能（AI）的技术在内的数字技术在实现循环型和气候中和的产业方面发挥着关键作用。在这种情况下，先进的建模技术和优化策略的结合是决策者们进行决策时的有用工具。

本文重点探讨了电弧炉炼钢厂这一领域，通过回收废钢，这些工厂具备推动钢铁行业可持续发展和循环利用的潜力。废钢是电弧炉炼钢的主要原料，既用于一次冶炼，也用于二次冶炼，从而降低了整个过程的环境影响。使用废钢是面向2050年实现碳中和的钢铁生产转型的关键因素。此外，还可以节省宝贵的一次能源，并且从整个废钢/电弧炉（EAF）流程来看，与使用一次能源的生产方式相比，大约可以节省72%的能源。然而，仍有很大的改进空间，例如提高对二次资源的利用、废钢的预处理和分类、副产品的再利用以及对一次和二次资源综合再利用。此外，从整个价值链的角度来看，整个生产过程也可以得到优化。

这项工作是作为欧洲项目“具有竞争力的绿色欧洲冶金工业的数据与分散式人工智能”的一部分而开展的（项目编号：ALCHIMIA，资助协议号：101070046）。该项目旨在通过优化废钢及其他原材料的配比，来降低电弧炉炼钢路线和冶金工艺的环境影响。ALCHIMIA项目包含两个实际案例研究：钢铁案例研究和铸造案例研究。钢铁案例研究涉及一家重要的欧洲钢铁公司，该公司与三家电弧炉炼钢厂共同参与了该项目。铸造案例研究则针对一家意大利铸造厂，它是汽车零部件生产领域的领军企业。本研究开发了一套基于机器学习（ML）方法的模型，用于预测和分类铸造生产线上的缺陷，以协助操作人员管理生产过程，并最终停止生产。该项目的方法论设想开发以用户为中心的决策支持系统（DSS），该系统基于联邦学习（FL）和持续学习（CL）。具体而言，FL是一个基于差分隐私的分布式学习框架，其目标是在服务器上学习一个全局模型，同时将客户端在各自私有本地数据上学习到的参数进行汇总。ALCHIMIA平台将为工厂经理和操作人员提供决策程序支持，以实现最佳的材料和能源管理。建模工作是决策支持系统的核心部分，因为它重现并模拟了生产过程的关键步骤。该项目的新颖之处在于应用了先进的人工智能技术，如FL和CL，同时结合对“人为因素”的分析，以将新的数字技术纳入工业流程中。FL允许服务器在多个分散的客户端之间学习一个机器学习模型，这些客户端私有地存储它们自己的训练数据。与集中式机器学习不同，FL将计算任务保存在服务器上，并且不需要客户端将其私有数据外包给服务器。在FL中，许多客户端以协作方式训练模型，在中央服务器的协调下，训练数据以分散状态保存。由于这些情况，联邦学习（FL）体现了数据收集的基本原理，并且减少不可靠数据，能够缓解一些主要的隐私问题以及由现有研究中集中式机器学习方法所导致的成本因素和相关问题。FL允许以去中心化的方式为每个生产工厂定制训练模型，从而有助于创建一个优化的全球模型，同时避免创建集中式数据集。持续学习（CL）能够持续提高机器学习模型的准确性，确保系统的长期适应性和升级。本文所呈现的工作与ALCHIMIA的钢铁案例研究相关，涉及使用基于机器学习的创新模型对电炉钢循环的两个生产阶段（用于土壤污染物预测的废钢处理以及产品质量）进行建模。

2 工作背景及目标

EAF&Smart Manufacturing

如前所述，ALCHIMIA的目标是开发一个决策支持系统，以帮助电弧炉炼钢厂的工艺操作人员和工厂管理人员在保证产品质量的同时，降低钢铁生产的经济成本，同时保持其环境影响最小化。为此，该决策支持系统下的监督和控制应用程序包括从废钢采购过程到最终质量检查的钢铁工作的数字孪生模型。数字孪生的主要目标包括废钢采购过程的建模、废钢处理、废钢库存、废钢装入电弧炉、熔炼过程以及最终在LF中进行钢水精炼。数字孪生通过与实际过程的直接连接来提高其准确性，利用基于机器学习的数据驱动建模方法，并通过向操作人员提出控制趋势、制定和解决与上述目标相关的优化问题与实际环境进行通信。从宏观角度来看，主要目标是找到从废钢中生产钢的最佳配方，这一过程要从成本/化学/能源角度对废钢的特性进行评估，一直到通过添加铁合金、脱氧剂和造渣剂对LF中钢质量精炼的热力和化学行为。在环境影响方面，最优工艺方案能最大限度地减少通过生命周期评估（LCA）计算出一系列影响类别，包括CO2排放量。

这些模型是通过使用真实的历史数据进行本地训练的，并且随后利用FL模式来开发和部署一个全球模型。该模型能够利用所有本地数据集的优势，同时又不会在FL客户端和参与者之间共享信息，从而确保数据隐私和网络安全问题。本文报告了与废钢处理和LF相关的建模结果，特别是展示了一个实际工厂的本地模型的运行结果。