以MES平臺數據為基礎的Proficy Csense在熱軋加熱制度優化中的應用

張德欽，陳冬玲

（1.廣西鋼鐵集團責任有限公司，防城港，538000；2.柳州職業技術學院，廣西 柳州 545006）

0 引言

鋼廠經過近2 年的MES 系統實施改造，已經建立起來MES 系統已經能采集、存儲生產過程中的工藝、操作、設備等數據，這些這些數據基本采集周期是一分鐘，由于熱軋生產設備眾多、工藝復雜、生產環節多等特點，采集到的數據量巨大。針對目前MES 系統“智能化”問題，利用MES 平臺采集的生產數據，采用工業大數據分析方法和數據挖掘，建立鋼坯出爐溫度數學模型和噸鋼能耗數學模型，進行加熱制度的優化，實現節能生產。

軋鋼加熱爐的能源消耗約占冶金行業能源消耗的10%左右，其中軋鋼加熱爐又占了75 至80%。如何有效提高加熱爐的熱效率，降低能源消耗，從而提高企業的競爭力，已成為當前各個鋼廠所不得不面對的最重要的課題之一。熱軋廠軋鋼加熱爐為大型加熱爐，盡管加熱爐在國內得到推廣應用，但是關于大型加熱爐的加熱制度的優化研究很少，僅僅依靠人工經驗，獲得優化的溫度制度十分困難[1]。傳統的基于物理化學機理建立模型的方法，無法完整地描述復雜的工業過程系統。筆者以具有典型生產條件的柳鋼熱軋加熱爐為對象，通過引入適用于大量輸入、輸出數據的復雜非線性過程系統的研究策略，采用海量歷史生產過程數據，結合鋼材軋制工藝制度，得出各個因變量之間的影響關系，找到影響煤耗的關鍵指標，建立鋼坯出爐溫度的數學模型。研究成果應用在熱軋2#生產線的加熱爐，已取得顯著效果，對加熱爐的優化操作具有重要意義。

1 Proficy Csense簡介

Proficy CSense 能對工業生產和設備數據進行分析與知識挖掘，監視工藝和設備性能，識別生產變化的原因，減少波動、優化生產。Proficy Csense 以MES 數據平臺為基礎,建立在線生產優化模型。模型通過實時數據不斷修正自身，其優化結果具有很強的實時性。Proficy Csense 提供連接不同種類的歷史數據源，進行數據準備、可視化查看數據，還可以建立規則模型。從這些模型中挖掘出的知識，幫助過程改進的收益進行評估，整個過程使用這個模型系統，可以找出生產過程波動的原因，并且進行調整。

采用Proficy Csense 分析實時數據過程包括三個階段：數據準備階段、模型建立階段和實時應用階段。數據準備階段就是收集所要分析的各種現場數據，包括綜合質量數據和過程數據，并對數據進行關聯性分析，合并關聯度高的數據、剔除關聯度低的數據，并以此作為模型建立的依據。模型建立階段就是設定所要輸出的目標值（可以一個或多個），已處理過的數據建立模型，并以部分歷史數據訓練模型，得到所期望的目標值。實時應用階段就是以建立好模型為算法，連接實時數據，輸出數據直接用于優化生產。圖1為Proficy Csense軟件架構①。

圖1 Proficy Csense軟件架構

2 采用工業大數據方法進行數學模型的建立和優化

通過將軋鋼鋼坯加熱環節所產生的數據（包括鋼坯的入爐溫度、預熱段溫度及時間、一加熱段溫度及時間、二加熱段溫度及時間、三加熱段溫度及時間、均熱段溫度及時間和出爐溫度）經過“數據清洗”后，采用主成分回歸（Principal Component Regression）算法，簡稱PCR，建立起鋼坯出爐溫度數學模型和噸鋼能耗的數學模型，再通過數據轉換的方法，可以挖掘出影響噸鋼能耗波動和出爐溫度波動的主要參數，最后通過雙目標優化法對這兩個數學模型的主要參數進行優化設計，使被優化的參數能夠在滿足多種限制條件下自動調整，使鋼坯的出爐溫度滿足工藝制度的同時，使噸鋼能耗控制在最低水平。

2.1 PCR算法原理

回歸分析法是一種應用最大似然法估計回歸系數的回歸方法，它不要求變量服從協方差矩陣相等和殘差項服從正態分布。回歸分析要求模型的解釋變量之間不能具有線性的函數關系，然而各變量常常不是獨立存在的，而是存在多重共線性（multi-collinearity）關系。多重共線性關系增大估計參數的標準誤差，降低模型的穩定性。主成分回歸是解決回歸分析分析中的多重共性問答常用方法之一。通過主成分變換，將高度相關的變量的信息綜合成相關性低的主成分，然后以主成分代替原變量參與回歸[2]。PCR 原理和步驟如下：第一，原始數據標準化；第二，計算相關系數矩陣；第三，求相關矩陣R 的特征根、特征向量和方差貢獻率，確定主成分；第四，建立主成分特征函數；第五，使用主成分代替原始變量進行多元回歸。

2.2 建立鋼坯出爐溫度和噸鋼煤耗耗數學模型

采用PCR 算法，在csense 中建立數學模型。將入爐溫度、預熱段溫度及時間、各加熱段溫度及時間、均熱段溫度及時間等變量通過正交旋轉變換轉化為少數幾個互不相關的主成分，再將數據結構簡化的主成分與出爐溫度及噸鋼能耗分別建立回歸方程，從而得到出爐溫度及噸鋼煤耗的數學模型。由于建模時只考慮少數幾個主成分且不至于損失太多信息，因此建立好的數學模型不僅能夠有效克服輸入變量的多重共性和誤差性對模型造成的影響，而且能夠有效減少噪音的干擾，所以具有更高的預測精度。建立的數學模型如圖2所示。

圖2 在csense中建立的鋼坯出爐溫度數學模型

2.3 噸鋼煤耗數學模型的優化

在找到出爐溫度及噸鋼能耗的數學模型的基礎上，在csense 中利用其非線性優化算法進行優化。通過雙目標優化法對這兩個數學模型的主要參數進行優化設計，使被優化的參數能夠在滿足多種限制條件下自動調整，使鋼坯的出爐溫度滿足工藝制度的同時，讓噸鋼煤耗耗控制在較低水平。優化前后煤耗對比如圖3所示。從圖3可以看出，優化后的煤耗明顯低于優化前的煤耗。

圖3 優化前后煤耗對比

3 鋼坯出爐溫度和噸鋼煤耗耗數學模型在熱軋加熱制度優化中應用

3.1 優化加熱制度

采用建立和優化好的數學模型，對熱軋二線雙爐生產時的SPHC-1L 的加熱爐溫度制度進，對比煤耗變化情況。實驗對象為熱軋1450mm 生產線，具體如表1 所示，優化前后的加熱制度如表2、表3所示。

表1 加熱制度優化實驗對象

表2 優化前加熱溫度

表3 優化后的加熱制度

3.2 測試結果

具體結果見表4、表5。

表4 煤耗對比

表5 成材率對比

3.3 實驗結論

本次試驗，對入爐溫度在500℃以上的板坯進行煤耗和成材率統計，綜合煤耗降低，成材率正常。在生成過程中，按照試驗溫度加熱的板坯在粗軋和精軋的板形無明顯變化，軋線順行均在可控范圍內。鋼卷在軋制完成和冷軋工序的表面質量均正常。

4 結語

用CSENSE建立的數學模型和優化模型，用于熱軋加熱制度是可行的，可以推廣應用。但在在應用過程中，也遇到不少問題，如MES 平臺收集的數據量大，包括了正常生產數據、非常正常生產數據、異常數據，通常需要工藝人員首先根據生產情況對數據進行初步的篩選和剔除，由于數據量大，需要花費工藝人員大量的時間，如果能有一個系統或平臺能對數據進行預處理，能大大提高模型的構建速度和精度。

注釋：

①基于GE 智能平臺Proficy CSense http://www.gongkong.com/download/201505/80680.html