鋼鐵生產智能管控技能

張 利

河鋼集團有限公司審計部駐宣鋼審計處

鋼鐵生產智能管控技能

張 利

河鋼集團有限公司審計部駐宣鋼審計處

系統介紹了鋼鐵生產過程智能控制的應用情況，特別以煉鐵，煉鋼及連鑄，軋鋼及深加工過程，描述了國內外先進智能控制系統的有關功能等，同時對國內有關應用前景做了展望.

鋼鐵生產；冶煉；軋鋼；智能控制

1　鋼鐵生產智能控制技術基礎

鋼鐵工業屬于混合型流程工業，兼有接連型和離散型工業流程的特征，其生產進程既包括物理過程也包括化學進程，具有構造復雜性，參數不確定性等一系列特征，伴著客戶對產品質量請求的進步，以及市場競爭加重迫切需要進一步降低成本，只是依靠傳統的管控辦法一般難以見效，智能管控一般建立在相對完善的自動化配備的基礎上.這些年在冶金自動化得到了多方面的使用，僅日本使用的實例就超越百件，其間用于設定與管控占45.2%，用于計劃占32.3%，用于確診占14.5%，用于檢查占6.4%.用于學習占1.6%。

在鋼鐵生產進程中，怎么有效判別生產設備的作業狀況，以進步體系的精確決議計劃才能，削減周邊環境形成的影響，是進程智能管控的一個關鍵基礎問題。這些年，智能檢查與多傳感器交融技能在解決不斷定信息及信息組成中體現出杰出的適用效果。在工況辨認中依據生產設備狀況提取其特征，得到該目標的多源信息。選用D-S依據理論，經過信息的交融得到比單一傳感器更精確，更全面的狀況值。現代冶金生產規模大，負荷重，生產流程長，連續運轉是能耗大戶。同時電機耗能占整個冶金工業適當大的份額，冶金生產各個環節的電機。如煉鐵過程的高爐鼓風機、高爐質料和出鐵場除塵風機、煉鋼進程的轉爐除塵風機、軋鋼進程的軋機各機架主傳動電機等，多選用高壓大功率電機。電壓水平為3/6KV或許更高.容量在1000KV以上這些大電機當中，依技術流程的特征和投資方面的因素。有的選用直流傳動電機，也有的選用溝通傳動電機，這些電機選用適當的調速計劃。不僅對于完成生產技術是必要的，并且能夠有效地節能，在施行領先的調速計劃中，智能技能占有適當關鍵的地位。經過運用適當的智能管控戰略，就能大大地削減核算和硬件的擔負，會集精力進步傳動的運轉性能、魯棒性和可靠性。

2　冶煉過程智能控制

在國際上現已選用的或廣泛選用的具有實用性的煉鐵進程人工智能管控技能，如高爐貯礦槽的堆積狀況將影響下一道工序，過去只要質料在庫管理和定時裝入。新的智能管控辦法包括超靜態裝入方法和超動態裝入方法，超靜態裝入方法關鍵針對燒結礦，選用接連慢行裝入方法，當卸料車到料槽，慢行卸料，而大大削減停車定點卸料的偏析和放料時粗粒會集而影響下一作業，超動態裝入方法主要是針對塊礦，過去是礦槽到最低料位才裝入！因為落差大而粉化率加大，本方法能夠管控料位差，使之堅持最好料位而按捺粉化率。礦層混礦均勻管控國外早就運用了新的管控理論，如采樣數字PID管控STC自校對管控，和自學習管控。選用智能管控將會獲得非常好的效果，寶鋼燒結分廠國內自行開發并成功運用的智能模型，其原理也能夠使用到高爐配料進程的礦焦切出，排出控制。在爐頂裝料時，選用智能算法進步FCG的管控水平對于改進爐內料的散布和鍛煉也是非常關鍵的。經過對FCG流量特性的測定與補正、對前次控制差錯進行反應和前饋補正，并按爐料是礦石、焦炭、干料、濕料的區別或按粒度施以不一樣的管控！可以消除裝入開始點和完畢點不一致而致使圓周方向裝料的不均勻。對高爐煤粉噴吹體系各個環節作業特性以及煤粉噴吹量各種調理方法的剖析。對噴煤量調理的新路徑進行了探討，指出選用智能技能來完成噴煤量自動管控以到達非常好的水平是可行的"在煉鋼方面，日本新日鐵和日本鋼管均開發了轉爐吹煉管控專家體系，川崎制鐵開發了溶劑冷卻劑轉入管控專家體系"日本鋼管福山廠轉爐在原有靜態、態和排氣模型的基礎上。依據操作人員經驗。找出渣化，噴濺形式用以斷定吹煉管控形式，專家體系依據鐵水溫度#成分等靜吹煉初始數據，評價渣化狀況和噴濺可能，輔導操作人員修正氧槍上吹形式，依據吹煉中傳感器數據和排氣模型核算結果。評價動態渣化狀況和噴濺可能，斷定氧槍吹氧量，副槍質料投入量、礦石投入速度和爐罩高度等，依據吹煉中副槍測定的數據和動態模型核算結果，斷定有無必要在止吹前調整吹煉。止吹后用副槍測定，斷定終點出鋼，體系實踐使用中，進步了吹煉水平，降低了吹濺發作率！即便含硅量處于峰值時，也能按捺吹濺發作，吹煉時刻縮短！鋼水含磷量安穩。

3　軋制進程智能管控

在軋制進程智能管控及自動化方面，選用人工智能技能如人工神經元網絡，經過收集實測數據來觀察技術進程。積攢經驗，并且將曾經只要熟練的人員才能把握的經驗融入核算，彌補了慣例數學模型的缺乏，它的學習功能不斷習慣設備的實時狀況"一旦選用了人工智能的數學模型有點像魔術師的黑盒子，選用人工智能同傳統數學模型相聯系的組合模型側重于技術進程內的各種剖析關系式，易于操作員和技術技能人員承受和使用"來自慣例數學模型中從前的經驗不是丟掉，而是經過算法模型和神經元網絡之間的協作關系悉數并入組合模型當中，通過這種辦法使設定精度悉數得到進步。

結束語：

對于智能管控的項目要聯系硬件設備來開發軟件要實用化、產品化，冶金工廠在基本建設時投入較大"聯系建設項目上一些高水平的智能管控機遇相對恰當，可是基建項目竣工時一般為了搶進度"同時智能管控需要一定的數據積攢。因此常常形成在投產時只查核基礎自動化功能，比及生產時刻長了"一些數據收集的傳感器都不大靈了，一線興趣也就不大了"沒有將智能管控的效果發揮出來。

［1］馬竹悟，人工智能在日本鋼鐵工業中的應用［J］中國冶金2013（1）.

［2］涂序彥，人工智能在煉鋼過程中的應用［J］特殊鋼2013（2）

［3］何青等，基于多傳感器模糊處理的工況識別［J］信息與控制2013（1）.

［4］甘朝暉等，人工智能在電氣傳動中運用的進展［J］變頻器世界2013（4）.

［5］楊天均，徐金梧&高爐冶煉過程數學模型［J］北京.科學出版社2013（2）.