一家钢铁厂用边缘AI优化连铸工艺：从人工调参到数据驱动的完整记录

去年秋天，江苏一家钢铁企业的连铸车间负责人找到了我们。他们那条6机6流的方坯连铸机，投产后表面纵裂纹和角部裂纹的废品率长期在6-9%之间波动。最严重的时候，一个月内发生了两次漏钢事故，一次导致结晶器铜管损坏，停产了将近两天。

连铸这事挺复杂的——钢水从大包下来，经过中间包进入结晶器，在冷却水的强烈冷却下形成坯壳，然后被拉矫机拉出。任何一个参数偏了，坯壳就可能出问题。薄了漏钢，厚了拉不动，冷却不均匀就出裂纹。

这家厂的情况更特殊：操作工凭经验手动调拉速和二冷水配比，钢种换了参数跟着变，但操作工的水平高低不一，同一个钢种不同班组调出来的参数能差不少。

这篇文章记录我们怎么一步步帮他们用边缘AI把连铸过程数据化、稳定化。技术细节尽量写清楚，踩坑的地方也不藏着掖着。

一、现场情况摸底

去车间实地看了一圈，才知道钢铁厂的现场条件和之前做过的其他行业差太多了：

• 高温环境：结晶器附近环境温度在60-80°C，钢水温度接近1500°C。普通传感器扛不住，热电偶也得选耐高温型号
• 设备情况：6流方坯连铸机，断面150×150mm。拉速在2.0-3.5m/min之间。结晶器铜管已经用了大半年，磨损明显
• 现有数据：PLC里已经有拉速、结晶器液位、振动频率、二冷水流量等参数，但数据没有被利用起来——记录在Excel里，除了出问题的时候翻查一下，平时没人看
• IT能力：车间有仪表工，懂PLC但不懂网络。厂里的服务器是10年前的，IT部门只管ERP，不碰产线设备
• 痛点：表面裂纹导致的下游轧制开裂是退货的主要原因，每个月都有几起质量异议

第一次去车间，我站了不到20分钟就出来了——太热了。想想操作工每天要在那个环境里待8个小时，确实不容易。

二、方案设计

这次的方案跟之前做过的IoT项目思路不一样。连铸机本身已经有PLC在控制，不缺传感器，缺的是把数据关联起来找出问题根因的能力。

最终方案分四层：

采集层：扩展传感器阵列

PLC里已有的信号直接通过Modbus TCP读取，包括：

• 拉速（每流的实时速度）
• 结晶器液位（涡流传感器+放射源双备份）
• 结晶器振动频率和振幅
• 二冷水各段流量（足辊段、1段、2段、3段分别监控）
• 中间包钢水温度

缺什么补什么。我们发现几个关键参数没有监测：

• 结晶器铜管温度：在结晶器铜管的四个面各嵌入3排热电偶，共12个点，监测坯壳凝固情况。热电偶选了K型铠装，耐温到1000°C以上
• 冷却水温差：在结晶器冷却水的进水和出水各装一个PT100，监测温差——温差突然变大往往是坯壳变薄的信号
• 结晶器液面波动：PLC已有液位信号，但我们把采样频率从1秒一次提高到100毫秒一次，捕捉瞬时波动——波动过大是卷渣的前兆

6流的连铸机，总共加了72个热电偶和6组冷却水温差传感器。传感器本身不贵，但安装是个麻烦事。

边缘层：现场部署边缘AI网关

在连铸操作室放了一台边缘AI网关，负责：

• 采集PLC数据（Modbus TCP，每100ms一次）
• 采集热电偶阵列数据（通过RS485转Modbus，每秒一次）
• 本地运行实时分析模型（坯壳厚度预测、裂纹风险评分、漏钢预警）
• 本地缓存7天原始数据（操作室跟机房之间的网络偶尔会断）
• 把处理后的统计数据和告警上传云端看板

边缘网关放在操作室有个好处——操作工能直接看网关的显示屏。一开始他们也觉得这东西可有可无，后来真出了预警，他们开始重视了。

分析层：数据关联和模型构建

这部分花的时间比较多。工厂积累了一年的生产记录和质检数据，但格式不统一、字段不完整。我们把基础数据拉通做了几个关键分析：

• 裂纹-参数关联分析：把每个炉次的生产参数（拉速、过热度、冷却强度、振动参数、保护渣类型）与质检结果（裂纹类型、位置、严重程度）做关联，发现拉速波动幅度和纵裂纹发生率相关性比较高——拉速波动超过±0.15m/min时，裂纹率是稳定状态的约3倍
• 坯壳厚度预估模型：基于结晶器热电偶的温度分布和凝固传热方程，建立实时坯壳厚度预估。操作界面显示每流出口侧的预估坯壳厚度，低于安全阈值时自动预警
• 漏钢预警模型：结合热电偶温度变化趋势和冷却水温差变化，建立多参数漏钢预警。比传统的单一温差阈值更灵敏——传统方法只能提前2-3分钟，我们的模型可以提前约15分钟

展示层：操作工看板和告警

一块24寸触摸屏放在操作台旁边，展示：

• 6流的实时运行状态（拉速、液位、坯壳厚度）
• 热电偶温度热力图（哪个位置的坯壳偏薄一目了然）
• 裂纹风险指数（红黄绿三级）
• 钢种-参数推荐值（同一个钢种的历史较优参数组合）
• 告警通过车间广播+操作室灯柱推送，不用依赖手机——操作工在嘈杂的车间里可能不看手机，但灯柱亮了肯定知道

三、实施过程

第一周：传感器加装，碰到不少硬骨头

安装热电偶到结晶器铜管，看起来简单，实际上折腾了好几天：

• 铜管外侧有冷却水套，热电偶要穿过水套才能贴到铜管外壁。水套是密封的，打孔位置稍有偏差就漏水。第一根打下去就漏了，叫停了整个安装
• 后来改用预埋式——在结晶器铜管加工的时候预留了热电偶安装孔，这才解决问题。但已经装上去的结晶器只能等换结晶器的时候再统一改
• 6个流的结晶器规格不完全一样——有几流是新换的铜管，有几流已经用了大半年。新铜管的热电偶温度读数比旧铜管低约5-8°C，在建立基线的时候要把这个差异考虑进去，不然新铜管会被误判为\"冷却过度\"
• 操作室到车间的网线布线走了两次。第一次用的普通网线，在高温区域被烤软了，换成耐高温硅胶护套网线才扛住

教训：在高温工厂做传感器安装，别图省事。耐高温线缆、防尘防水接头、金属软管走线——这些都是必须的，不是可选项。

第二周：PLC数据对接，协议兼容问题

连铸机的PLC是西门子S7-400，通过以太网模块接入。原以为Modbus TCP直接读就行了，实际碰到了几个问题：

• PLC里有些数据是INT类型，有些是REAL类型，地址映射表不全。我们对着电气图纸一个一个点位确认，花了三天
• PLC扫描周期是50ms，但上位机有数据压缩——同样的数据值在30秒内不变时，上位机就不更新。这个压缩导致我们的采样看起来\"卡顿\"。后来改成直接从PLC底层读取寄存器，绕过了上位机的数据压缩层
• 热电偶数据通过RS485采集，走的Modbus RTU协议。但6流的72个热电偶轮询一遍要2秒——100ms采样周期的目标达不到。解决方案：

  # 优化后：将72个热电偶分成4组，4条RS485总线并行采集
  # 485-1: 1-3流 左侧热电偶 (18个)
  # 485-2: 1-3流 右侧热电偶 (18个)
  # 485-3: 4-6流 左侧热电偶 (18个)
  # 485-4: 4-6流 右侧热电偶 (18个)
  # 单总线轮询时间: 18 × 约100ms = 约1.8秒
  # 4路并行后单流采样周期: 约1.8秒 → 可接受

第三周：数据采集，发现了几个有意思的事

系统上线数据采集后，不给告警，先收集一周数据建基线。这一周的数据让我们对连铸过程有了些新的认识：

• 拉速波动比操作工自己说的要大。操作工觉得\"拉速很稳定\"，实际记录显示波动幅度在±0.1-0.3m/min之间。根源是结晶器液位自动控制系统的PID参数没调好，液位波动反过来导致了拉速调整
• 中间包钢水温度（过热度）在不同炉次之间能差30°C以上。炼钢车间的出钢温度不稳定是第一道工序就有的问题，连铸这边只能被动适应
• 有一流结晶器的热电偶温度分布明显不对称（左侧比右侧高约15°C），判断是结晶器铜管偏磨。停机检查后证实了，更换铜管后恢复正常
• 夜班和白班的工艺参数有明显的\"漂移\"——夜班操作工倾向于把拉速调低一点（担心出问题自己要加班处理），白班操作工则调得高一点。这个漂移解释了为什么同一个钢种，白班和夜班的产品质量有差异

第四周：模型调试和试运行

坯壳厚度预估模型和漏钢预警模型上线后，第一周就遇到了挑战：

• 漏钢预警模型太敏感了。上线第一天就报了3次预警，车间主任打电话问我是不是系统坏了。检查后发现其中2次是热电偶信号瞬断导致的误判——热电偶接头在高温下接触不良，温度读数突然掉下来，模型以为是坯壳变薄。加了滤波和中值处理后解决了
• 坯壳厚度预估偏差大。模型预测的坯壳厚度和实际取样的测量值差了5-8mm。排查后发现结晶器铜管的磨损系数没考虑——旧铜管导热效率下降，实际的凝固速度比模型算的慢。加入铜管使用天数作为修正参数后，误差控制在约2mm以内
• 裂纹风险指数刚开始就一个值，操作工看完说\"你这个风险高，告诉我怎么办\"。后来在每个预警后面加了建议操作提示：\"建议拉速降低0.2m/min\"或\"建议二冷水1段增加约5%\"

四、实际效果

系统上线运行3个月后，我们统计了几个数据：

当然也有些预期之外的东西：

收获：热电偶阵列的温度分布数据成了结晶器状态的\"体检报告\"。发现了2次结晶器偏磨（铜管的一侧温度比其他侧高10°C以上），更换后裂纹率进一步下降。以前结晶器坏了才知道，现在提前就知道哪个流该换结晶器了。

问题：保护渣（结晶器润滑粉）的消耗量变大了——部分流拉速提高后保护渣消耗跟不上。后来换了匹配高拉速的保护渣型号，这个问题才解决。

五、遇到的问题和解决办法

热电偶寿命问题

K型热电偶在连铸环境下，平均寿命约3-4个月。主要原因是高温氧化和机械振动导致的焊点脱落。我们在结晶器检修时统一更换，每次换铜管时顺便换热电偶，不算额外增加工作量。后来试了S型热电偶，寿命更长但价格贵约5倍，目前只在关键位置使用。

数据一致性问题

炼钢车间的出钢数据（钢水成分、温度）和连铸车间的数据不在一个系统里。AI Agent要分析质量根因，需要跨系统关联数据。我们写了一个轻量级的数据桥接脚本，每炉次自动从炼钢MES拉取数据补充到连铸数据集中。

操作工信任问题

前面提到过了。刚开始操作工对系统预警抱着\"又来了\"的态度。真正转折点是一次系统提前预警了坯壳变薄，操作工没当回事，结果真的出现了表面裂纹。那次之后，操作工开始认真看看板的建议。信任是需要时间和真实案例来建立的。

六、个人的思考

这个项目跟之前做过的不少IoT项目感受不一样的地方：

钢铁行业的数字化基础比想象中好，但数据\"孤岛\"很严重。PLC层面数据很完整，采样精度也够，但数据只在控制室里转，跟质检、跟工艺优化不通。数据不缺，缺的是把数据串起来用的人和方法。

连铸的工艺优化空间比预期大。操作工的经验很重要，但经验有上限——人脑无法同时追踪20多个参数的变化趋势。一个参数的微小偏移可能半天都发现不了，但计算机可以。关键是参数关联分析——拉速波动大、冷却水偏弱、保护渣匹配不对，这三个因素单独看都不严重，但叠加起来裂纹率就上去了。

传感器选型在高温场景下是最大的限制因素。环境温度60-80°C，钢水1500°C，辐射热烧伤皮肤是常事。能用热成像吗？车间里全是水蒸气，成像效果不行。能用激光吗？结晶器振动频繁，激光打不准。最后回到热电偶这个\"笨办法\"——它不酷，但可靠。

操作工从\"怀疑\"到\"信任\"再到\"依赖\"的转变很关键。项目刚开始，操作工觉得这是来抢他们饭碗的。后来发现系统帮他们干活（不用自己盯着参数了），态度开始转变。再后来系统报的预警救了他们几次，态度变成依赖。这个转变需要时间，强制推行只会适得其反。

七、给你的建议

如果你也在考虑用AI优化连铸工艺，几点实在的建议：

1. 从结晶器温度监测开始——这是投入产出比比较高的切入点。热电偶成本不高，安装难度适中，带来的预警效益明显
2. 别一上来就想做全流程闭环控制。先把数据采上来、把参数关联分析做清楚，让操作工看到数据有用，后面全自动的事情水到渠成
3. 拉速稳定性是很多问题的根源。连铸的很多质量问题（裂纹、偏析、形状不良）都能追溯到拉速波动。先把这个搞定，能解决一半问题
4. 留出传感器维护的预算。高温环境下的传感器寿命有限，要有定期更换计划。数据断档比没有数据更麻烦——操作工习惯了看数据，突然看不见了会质疑系统的可靠性
5. 给操作工留一个\"手动干预\"的入口。不要让操作工觉得系统在替他们做决定，让他们觉得系统在辅助他们做更好的决定。这个心理区别很重要