高炉人工智能控制系统(高炉自动化控制系统由什么组成)

 

一 引言

一直以来，对于非钢铁生态圈内的人员，凡是提到炼铁工作最直观的印象大多是高温、高粉尘、高危险、高强度、高能耗、落后、淘汰等负面的词汇，对于炼铁技术也认为大多是傻大黑粗，对于炼铁工作现场的印象则大多停留在下图1中的场景（图片来源于网络）。因此，近年来，广大90后、00后对于钢铁现场相关工作更多是望而生畏、敬而远之。

图1 高炉炼铁场景

殊不知，钢铁工业是国民经济的重要基础产业，是国家经济水平和综合国力的重要标志，钢铁发展直接影响着与其密切相关的国防工业及建筑、机械、造船、汽车、家电等行业。随着国际产业的转移和中国国民经济的快速发展，我国钢铁工业不仅在数量上快速增长，而且在品种质量、装备水平、技术经济、节能环保等诸多方面都取得了很大的进步。近年来，随着智能制造的深入推进，钢铁企业在原有基础上融合并应用了物联网、大数据、云计算、人工智能、移动互联等技术，形成了大量的典型应用示范。

二 人工智能技术在炼铁的应用

炼铁生产是典型的流程工业，是钢铁工业重要的一环，主反应器大多是高温、高压、密闭、连续生产的巨型黑箱，其冶炼特点体现为多因素影响、大时滞、高度耦合和复杂的物理化学变化。随着炼铁自动化和信息化的进程，以及物联网的建设，炼铁生产过程产生大量且包含结构化、半结构和非结构化的数据，但是由于炼铁生产的复杂性，这些数据的清洗、解析、挖掘难度较大，这就造成传统炼铁更多依赖人工经验的现象，而人工智能技术与传统炼铁工艺的结合，为解决这类问题提供了很好的途径。人工智能技术已经深入炼铁生产过程的各个方面，如铁前采购与配料优化、冶炼过程控制、炉况诊断、质量预测、设备故障诊断、生产计划与调度等[1]。

2.1 人工智能在高炉铁水硅含量趋势预测中的应用

高炉铁水硅含量趋势即炉温趋势是高炉操作中的重要控制参数，炉温的稳定对于高炉炉况稳定顺行至关重要。因此，一直以来对炉温预测相关的研究络绎不绝，研究思路可以分为机理建模和数据科学建模。关于机理建模不是本文内容，在此不多赘述，关于数据科学建模可简要归纳如下：

（1）基于时间序列的预测模型：Pandit[2]等早在1975年就利用数理统计方法，仅以高炉铁水硅含量单序列历史数据建立自回归预测模型。Ostermark等人[3]等则进一步建立了[SI]的向量自回归滑动平均（VARMAX）预测模型。相关研究表明，时间序列方法对于炉况较平稳的情形能得到较好的预测命中率，但在炉温波动较大时预测效果欠佳。

（2）基于人工神经网络的预测模型：人工神经网络ANN（Artificial Neural Network）具有良好的适应能力、容错能力以及极强的复杂非线性映射逼近能力，能够克服许多传统建模方法无法解决的问题。因此，ANN从一开始就受到很多高炉炼铁研究人员重视，并建立了一系列的硅含量预测模型[4]。综合研究结果表明，ANN方法能够获得比时间序列方法更好的预测效果。与SVM方法相比，在ANN实际应用中学习时间长且容易产生过拟合现象，这阻碍了ANN算法更为广泛的应用。正因如此，最近几年ANN在高炉冶炼过程建模中的应用势头已被SVM所超越。

（3）基于SVM的预测模型：基于统计学习理论的支持向量机（Support Vector Machine ,SVM）具有坚实的理论基础，适合有限样本学习[5]。因此，相关研究人员已基于此建立了高炉硅含量预测模型[6]，并通过仿真实验说明：基于的预测模型具有很好的泛化性能，在大多数情况下能获得优于其它方法的预测效果，目前被认为是性能最好的算法之一。

（4）基于非线性动力学理论的预测模型：针对高炉冶炼过程的复杂性，郜传厚[7-8]等人对其进行了混沌辨识，并建立了混沌预测模型；罗世华[9]等人辨识了高炉的分形特性并由此建立了分形预测模型。相关研究结果验证了高炉的混沌和分形特性，为高炉冶炼过程的研究提供了崭新的视角。

（5）基于极限学习机算法的预测模型：刘学艺[10]等人基于极限学习机算法ELM（Extreme Learning Machine）简单、学习速度快，且具有很强的泛化性能的优势，以国内不同钢铁企业的两座高炉（容积分别为750m3、2500m3）的风量、风温、风压、料速、透气性、喷煤量、富氧量、煤气成分、碱度等二十多项对炉温影响的冶炼参数为基础，以对应的800炉高炉硅含量样本数据，并将其中前700炉作为建模时的训练样本，剩余100炉作为测试样本。分别研究了ELM算法和DP_ELM（Distance Preserving ELM）距离保持极限学习机算法的预测分析，得出结论为ELM模型在两座高炉上表现出不同的效果（如下图2所示），一座高炉炉温样本数据波动小（[SI]含量0.3-0.6），其预测数值精度较好，但趋势一致性较差；而另一座高炉炉温样本数据波动较大（[SI]含量0.3-1.0），其预测趋势一致性较好，但是数值精度较差，总体ELM算法预测效果不理想。

图2 ELM模型预测结果

在ELM算法训练和测试性能不稳定且在小样本情形下泛化性能较差的问题的基础上，提出了DP_ELM（Distance Preserving ELM）距离保持极限学习机全新机器学习算法。预测结果表明（如下图3所示）：DP_ELM算法的训练和预测性能更为稳定，且预测结果准确性也更好，但是DP_ELM算法的训练时间增长明显。

图3 DP_ELM模型预测结果

2.2 基于模糊控制算法的高炉风机防喘振系统

鼓风机是高炉冶炼的核心设备，若高炉鼓风机出现故障突然断风，极易引发高炉风口灌渣、风口烧出、送风设备爆炸等重大事故。喘振是鼓风机最常见的异常现象，也是鼓风机固有的机械特性，喘振会使机组产生振动，具有极大的危害性［11］。

互联网小常识：标准分类的IP地址由网络号和主机号组成，共32位，采用点分十进制的方法表示。

目前喘振的传统控制方法是通过建立数学模型实现对被控对象的控制；由于PID算法容易实现，鲁棒性强，可以消除稳态误差；因此，在实际的工业生产中被广泛应用。但是纯粹的PID算法稳定性差，响应时间慢，很容易受外界环境干扰；实际中的被控对象都具有非线性、不确定性以及时滞性，单一的PID线性控制很难满足复杂的工业的需求。

方林[12]等人在原有 PID 控制算法的基础上加入模糊控制算法，弥补了纯粹 PID 算法稳定性差、超调时间长的缺点，在现场改造后实际运行结果（如下图4、5 所示）表明：采用模糊 PID 算法的鼓风机防喘控制系统的气体出口流量与排气压力比较稳定，对控制系统的调节相对比较快速，防喘控制对复杂的工业现场适应能力较强，并且防喘控制系统的稳定性较好，明显降低了鼓风机喘振的几率。

图4 改造前后鼓风机出口流量数据对比

图5 改造前后鼓风机排气压力数据对比

参考文献：

[1] 李新创,栾治伟,施灿涛. 人工智能技术在钢铁行业中的应用研究[J].冶金自动化. 第44卷.2020.1:1-6.

[2] Pandit S M, Clum J A, Wu S M. Modelling prediction and control of blast furnace operation from observed data by multivariate time series[C]. Ironmaking Proceedings,1975:34-43.

互联网小常识：电子邮件系统使用的协议主要有：简单邮件传送协议（SMTP,端口25）；邮局协议第三版（POP3，端口110）；Internet消息访问协议版本4(IMAP4，端口143)，可以用telnet IP port的方法测试服务是否正常。

[3] Ostermark R,Saxen H. VARMAX-modelling of blast furnace process variables[J]. European Journal od Operational Research,1996:85-90.

[4] 姚斌,杨天钧. 铁水硅预报神经网络专家系统的遗传优化生成[J].钢铁,2000,35(4):13-16.

[5] 唐振浩,唐立新. 钢铁生产典型过程操作解析与优化[D].沈阳:东北大学,2014.

[6] 渐令,刘祥官.支持向量机在铁水硅含量预报中的应用[J]. 冶金自动化，2005，29(3):33-36.

[7] 唐贤伦,庄陵,胡向东. 铁水硅含量的混沌粒子群支持向量机预报方法[J].控制理论与应用, 2009,26(8):838-842.

[8]郜传厚,周志敏,邵之江.高炉冶炼过程的混沌性解析[J].物理学报,2005,54(7):3343-3348.

[9] 罗世华,刘祥官.高炉铁水含硅量的分形结构分析[J].物理学报,2006,55(4):1490-1494.

[10] 极限学习机算法及其在高炉冶炼过程建模中的应用研究[D].浙江: 浙江大学,2013.

[11] 郑海生. 高炉鼓风机防喘振控制系统的分析与研究[J]. 科技资讯, 2014(4):155-156.

[12] 方林,张寿明. 鼓风机防喘振控制系统的应用研究[J]. 计算机与数字工程. 2018.6(344)：1251-1255.

互联网小常识：交换机与网桥的主要区别是主要功能都采用硬件完成，端口最多128（网桥24）。

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186