研究人员与云南锡业合作开发了一种AI模型，可根据实时炉况数据估算炉渣含锡量，使操作人员较传统实验室检测更快掌握金属损失情况。

炉渣含锡量是衡量冶炼表现的重要指标。若炉渣中残留过多的锡，则意味着这部分金属未能以粗锡形式回收，而是发生了损失。

该项技术面临的难点在于，炉渣含锡量通常无法进行连续测量。在本研究所用的工业炉内，工艺数据每分钟记录一次，而炉渣含锡量仅约每三小时进行一次实验室检测。

将炉况数据转化为虚拟测量值

来自云南锡业、云南大学和中南大学的研究人员开发了一种“软测量模型”，可根据连续记录的炉况数据估算炉渣含锡量。

该模型使用的测量数据包括温度以及一氧化碳、氧气和二氧化硫浓度。这些变量可反映炉内工况及还原气氛，而还原气氛负责将氧化锡转化为金属锡。

该模型并非完全依赖于数据驱动，同时还融入了基础冶金知识。通常，较强的还原条件应能降低炉渣中的残锡量，因此模型在训练时会倾向于得出符合这一关系的预测结果。

在工业运行数据上测试

研究人员利用一台运行中的顶吹锡冶炼炉连续30天的数据对该模型进行测试，数据包括43,200条按分钟记录的工艺参数，以及240项炉渣实验室化验结果。

在留出的测试时段内，该模型的R²值达到0.889，且在所评估的方法中预测误差最低。模型还可给出不确定性估计，以便系统提示某项预测可能可靠性较低。

此外，更高频率地估算炉渣含锡量，可帮助操作人员更早发现回收率较低的时段，而无需等待数小时后取得下一次实验室检测结果。

迈向更智能的过程监测

研究人员谨慎指出，该研究仅基于单台炉一个月的运行数据。在这一方法适用于更广泛的工业应用之前，仍需在更长的生产周期、不同入炉条件及其他炉型中开展进一步验证。

尽管如此，这项工作展示了AI如何利用既有炉况测量数据支持更快速的工艺决策，并提高了冶炼过程中锡回收情况的可视性。

关注ITA，获取更多权威资讯。