高爐煉鐵生產中的大數據技術研究現狀與展望

劉小杰，李欣，劉二浩，劉頌，呂慶

（1.華北理工大學冶金與能源學院，河北省現代冶金技術重點實驗室，河北 唐山063210；2.承德鋼鐵集團有限公司，河北 承德 067000）

隨著“十三五”規劃的實施，工業大數據的發展成為制造業轉型升級的重心。隨著新一輪產業變革和技術革命的快速興起，鋼鐵制造業在轉型升級、互聯網＋的推進下，加快工業化信息化發展，邁入建設智能工廠的歷史新階段[1]。

快速發展的數據格局，促使國內部分領先的鋼鐵企業開始通過物聯網、云計算、移動互聯網和大數據等技術的應用，加快實現自動化、數字化和智能化制造進程，構建具有高價值、低成本、低資源消耗和低污染的新型生產管理模式。

工業大數據是實現智能制造的基礎，是企業轉型升級搶占未來制高點的關鍵。工業大數據是指通過對工業生產的大量數據的分析，挖掘出工業生產過程的潛在規律，實現工業的智能化生產、決策和調控，以及生產過程的可視化。隨著大數據技術的不斷發展，高爐煉鐵生產中已逐漸呈現出各種數字化和智能化的應用，如燒結終點預報模型、高爐煉鐵大數據平臺、鐵水溫度的預測模型、爐缸工作狀態的預報及反饋系統等。大數據技術在高爐煉鐵生產中的不斷應用，體現了鋼鐵行業加快實現數字化和智能化的目的，也為我國鋼鐵行業實現綠色制造提供了扎實的理論和實踐基礎。

1 燒結生產中的大數據技術研究現狀

大數據技術在燒結生產中的研究主要集中燒結礦化學成份、燒結終點、燒結配料和燒結礦質量等重要參數方面。研究結果可為燒結生產提供在線預測，克服燒結過程的大滯后性問題，為燒結過程的穩定生產提供保證。

袁致強[2]研究了基于深度置信網絡的燒結礦化學成份預測模型，并結合PGNAA成分在線檢測技術和DBN預測模型，實現燒結礦化學成分在線預測，克服燒結過程的大滯后，且使系統運行順通。

邵慧君[3]研究了基于灰色預測理論、神經網絡和組合預測方法的燒結礦質量預測系統，以TFe含量和堿度為中心的區間優化控制策略為優化方法，結合MATLAB編程技術開發了6#燒結機質量預測與控制系統，在生產實踐中取得了一定的成效。

汪清瑤等[4]根據燒結礦歷史生產數據建立以燒結礦轉鼓強度和耐磨指數為指標的預測模型，隨后對基于瞬發γ中子活化分析( PGNAA)成分技術的工業物料在線檢測儀器檢測，經化學式轉化得到的數據進行在線預測，并將結果反饋給燒結過程以達到燒結礦質量在線調控的目的。實驗仿真結果表明，在線預測明顯縮短了物料調控時間，改善了燒結礦工藝品質，預測結果比較準確。

吉訓生等[5]采用基于IFA算法優化的BP神經網絡預測燒結礦FeO含量，并與傳統的GA-BP預測模型、標準BP預測模型和FA-BP預測模型進行比較，結果表明該方法不僅加快了網絡的學習速率，并且提高了模型的預測精度。

向婕[6]針對燒結礦化學成分檢測的滯后性，建立了基于神經網絡的燒結礦成分預測模型，在此基礎上通過專家規則技術，建立配料優化模型。以生產成本為目標，以化學成分指標為約束，求取較優的配料比，實現了燒結配料優化控制。

汪森輝等[7]采用改進的AdaBoost.RS算法，自適應調整松弛變量的閾值，以極限學習機為弱學習器建立燒結終點位置預報集成算法模型。結果表明,當絕對誤差小于1.6 m時，模型的預報結果命中率為97.4%，均方根誤差為0.58，預報值序列與實際目標值序列的相關系數為0.78。

燒結生產過程中相關預測模型的開發，雖然在一定程度上達到了較高的準確率，但由于燒結廠的數據波動大、重要參數缺失和存儲時間短等問題，給開發者在數據的處理、分析及預測系統的開發上帶來一定的困難，從而在實際應用中降低預測的準確率及可信度。因此，現場數據的準確性需要引起鋼鐵企業的重視。

2 高爐生產中的大數據技術研究現狀

隨著大數據技術的不斷應用，從各高爐數據平臺的建立，到高爐生產中鐵水硅含量、鐵水溫度和鐵水質量等重要參數預測模型的開發，我們發現鋼鐵企業已經向“綠色和智能”煉鐵新模式的大方向轉變。

2.1 高爐大數據平臺的建立

高爐大數據平臺是高爐數據可視化的關鍵，更是實現高爐智能化生產的前提和保證。高爐相關數據通過大數據技術進行整理和分析，并存儲在數據平臺中，根據高爐需要對數據進行挖掘和計算，從而實現高爐煉鐵可視化、自動化和智能化。

在“研究應用高爐大數據，推動智能煉鐵發展”的專題報道中指出，河鋼承鋼開展了“高爐大數據智能預測系統”課題研究，以最復雜的高爐工藝段為對象，圍繞河鋼承鋼高爐大數據應用與智能煉鐵開展研發工作。通過交叉學科前沿技術的集成與實際應用，實現高爐大數據云平臺交互、高爐冶煉過程可視化、大數據挖掘與智能分析等目標，對于提升高爐煉鐵自動化和智能化水平有很大的推動作用。

車玉滿[8]對大數據云平臺技術在高爐工藝中的應用與發展進行了綜述，指出高爐大數據云平臺是以高爐為核心的大數據處理中心，可以建立高爐機理模型與生產管理相結合的數學模型，也可以進行高爐大數據全流程挖掘與云計算。對于裝配多座高爐的企業，可以實現集約化集控管理，達到提高高爐生產效率、降低勞動強度的目標，同時實現綠色、高效和智能煉鐵。

2.2 高爐鐵水硅含量的預測

鐵水硅含量是爐缸熱制度的化學熱表示方式，與爐缸鐵水溫度有很好的正相關性。因此，我們可以利用鐵水硅含量來表示爐溫，也可作為鐵水質量的表征，是鋼鐵企業非常關心的重要指標。鐵水硅含量的預測可為爐溫和鐵水質量提供判斷依據，從而穩定爐缸狀態。

馬淑艷[9]基于高爐數據的時變特性，用時間差分模型計算高爐鐵水硅含量的變化值，基于支持向量機優秀的處理非線性數據分類的特性，用支持向量機計算鐵水硅含量的變化趨勢，得到鐵水硅含量的預測結果。

莊田[10]對Elman-Adaboost模型在高爐鐵水硅含量的建模上進行了比較完整的研究，不僅從定量上對硅含量進行了回歸預測，還從定性上對硅含量的變化方向進行了分類預測，得到了比較理想的預測結果，最后對回歸與分類的預測結果進行了信息融合，使結果更具可靠性、魯棒性和實用價值。

李軍朋[11]以柳鋼2號高爐為對象，系統研究了數據驅動建模方案。分別提出了基于變遺忘因子隨機梯度法的Wiener 模型和門控極限學習機結構模型的鐵水硅含量建模方案。通過高爐數據仿真實驗，驗證了門控極限學習機結構模型較Wiener 模型的有效性，尤其針對鐵水硅含量波動較大的爐況，該算法仍能夠實現較好的預測。利用 LABVIEW和MATLAB混合編程方法開發了“高爐鐵水硅含量預測系統”，并在柳鋼2號高爐上進行了實驗，得到了很好的運行效果。該系統能夠為高爐操作者提供很好的操作指導。

李澤龍[12]采用LSTM-RNN模型進行硅含量預測，首先根據時間序列趨勢及相關系數選擇自變量，并對復雜工況的實際生產數據進行驗證。然后用程序自動求解較優參數進行硅含量預測。最后將LSTM-RNN模型與PLS模型及RNN模型的結果進行對比，驗證該方法的優勢。研究發現LSTMRNN模型預測誤差穩定，預測精度較高，比傳統的統計學及神經網絡方法取得了更好的預測精度。

2.3 高爐鐵水溫度的預測

高爐鐵水溫度是否穩定對高爐順行有著直接的影響，是衡量高爐最為重要的一個指標，同時可以間接的體現高爐冶煉成本。隨著高爐煉鐵工藝的高速發展，鋼鐵廠對高爐鐵水的質量要求，特別是鐵水溫度要求越來越高。高爐鐵水溫度的預測可以協助現場工人對高爐進行過程控制，保證高爐穩定順行。

李愛蓮等[13]針對傳統高爐溫度模型的固有缺陷，提出了一種基于灰色關聯分析的ELM（極限學習機-extreme learning machine）溫度預報模型。首先通過灰色關聯分析對輸入變量進行相關性分析，提高模型的性能，然后結合分析后的變量采用ELM學習算法訓練神經網絡，最后運用現場數據對模型進行訓練和測試，并與傳統的模型相比較。結果表明該模型能快速和準確地預報高爐溫度，并且能使現場工人了解操縱高爐的要求。

李愛蓮等[14]基于BP神經網絡的數據預處理方法建立高爐鐵液溫度預測模型。首先通過對數據的濾波去噪及相關性分析，選擇與高爐鐵液溫度相關的輸入和測量變量；再用創新的智能優化算法（粒子群蟻群算法）優化BP神經網絡的參數，從而提高模型的精度。依據生產現場實際數據進行的試驗表明，所建立的基于數據預處理與智能優化的高爐鐵液溫度預測模型的命中率有明顯的提高，對實際生產現場更具有指導意義。

崔桂梅等[15]以高爐鐵水溫度為研究對象，建立BP神經網絡多元時間序列模型和T-S模糊神經網絡多元時間序列模型。應用高爐實際數據做模型檢驗，結果表明，T-S模糊神經網絡多元時間序列模型取得了更好的命中率和預測精度。

2.4 高爐鐵水質量的預測

鐵水質量是高爐煉鐵中最為重要的參數之一。一方面，鐵水質量可反映爐內反應狀況，是用于調節路況的重要指標；另一方面，鐵水質量可反映煉鐵流程的生產品質，并直接決定后續煉鋼等工序的質量。鐵水質量的預測能夠使操作人員根據預測結果提前調整爐況，穩定鐵水質量，保持高爐平穩運行，減少爐況波動。

李澤龍使用ARMAX模型對高爐冶煉進行建模，并實現了ARMAX模型的在線算法。針對在線算法存在不可解的風險，提出弱平穩貝葉斯準則來解決此問題。將LSTM模型應用于鐵水質量建模。基于對兩種算法的研究，提出一種ARMAXLSTM模型框架，該框架首先使用ARMAX模型提取線性模態，然后使用LSTM模型對前者的殘差進行建模。最終實現縮減LSTM規模的同時提升了準確率。

2.5 高爐其他主要參數的預測

隨著大數據技術在高爐煉鐵生產中的快速發展和應用，除鐵水硅含量、鐵水溫度和鐵水質量等重要參數預測模型不斷被開發出外，高爐煤氣利用率、入爐焦比和爐缸內襯熱面狀態等參數的預測也逐漸被開發應用。

肖登峰等[16]以兩座具有代表性的中高型高爐的一氧化碳利用率時序為樣本，采用混沌相空間重構技術，對其進行相空間重構。其次利用自相關方法和G-P方法計算其重構空間的參數（時滯時間和嵌入維數）。最后基于已獲的混沌重構相空間參數，采用混沌加權一階多步預測方法，建立高爐一氧化碳利用率的混沌預測模型，對其進行多步預測。現場實際數據的預測結果表明了所提出方法的有效性和預測模型的精準性。

岳有軍等[17]采用灰色關聯度分析和粒子群算法優化最小支持向量機的預測方法進行高爐入爐焦比的預測。應用灰色關聯度分析理論確定影響入爐焦比的主要因素，采用粒子群算法對最小二乘支持向量機的核寬度和正則化參數進行優化，最后用優化后的最小二乘支持向量機模型進行預測。仿真結果表明，改進方法具有更高的預測精度，為煉鐵工學入爐焦比預測提供了一種有效的新方法。

熊文真等[18]采用ARIMA模型及馬爾科夫鏈建立了ARIMA-MC模型對高爐煤氣的發生量進行預測。結合某鋼鐵企業實際的原始數據，通過實驗，隨機抽取多組測試結果中的兩組，1#和2#各30個點進行預測，結果表明預測平均相對誤差分別為2.27%和3.03%。實驗結果證明新算法的有效性。

李佳玲等[19]采用爐缸內部流動傳熱CFD正解模型和一維傳熱逆解模型預測爐缸的內襯熱面形狀，該計算模型考慮了耐火磚內溫度變化對導熱系數的影響，并利用1150℃等溫線對熱面形狀的預測作為初始值，結果顯示預測后的計算溫度和工廠熱電偶測量溫度很好地吻合，驗證了熱面形狀預測方法的準確性和有效性。

3 大數據技術應用在高爐煉鐵生產中的展望

目前，大數據技術已在我國高爐煉鐵的生產中實現了開發和應用。隨著大數據技術的不斷成熟，高爐煉鐵也逐漸邁上了綠色化和智能化生產的步伐。但大數據技術應用的前提是標準化的工業大數據，即在規范的、屬性明確的和可追溯可定位的大數據規范體系下，能隨時進行數據分析、趨勢預測和輔助決策等一系列研究。

眾所周知，我國大部分鋼鐵企業的高爐煉鐵數據，由于煉鐵設備的復雜性、檢化驗結果的時滯性、現場數據的準確性以及檢測設備不足等，都存在一定的錯誤、波動大、準確率低以及缺少關鍵參數等問題，使大數據應用在煉鐵生產中的準確性降低，甚至不能滿足生產需求。因此，我們要對煉鐵大數據，乃至工業大數據進行數據標準化，以滿足大數據技術的開發與應用。

對高爐大數據的標準化，提出以下建議：

（1）建立統一的數據基礎標準，包括：參數術語、數據表格式、數據庫模式和大數據構架標準等；

（2）建立統一的數據采集標準，包括：各工序的數據采集參數、采集點方位、采集方法、采集設備標準、檢化驗時間和檢化驗方法等；

（3）建立統一的大數據技術標準，包括：數據收集、數據預處理、數據存儲與管理、數據處理與分析、數據訪問與接口和數據可視化等；

（4）建立統一的平臺標準，包括：基礎平臺、管理平臺、計算機平臺和系統平臺等；

（5）建立統一的應用標準，包括：數據可視化、預測系統和輔助決策系統等。

標準化的煉鐵大數據可為數據可視化、數據分析、重要參數預報和輔助決策等研究提供準確、統一和穩定的數據，可提高預報系統和輔助決策系統的準確性，為我國鋼鐵企業早日實現高爐智能煉鐵提供了保證。因此，工業大數據的標準化是我國鋼鐵企業需要緊抓的首要問題。我國鋼鐵企業，要以數據標準化為前提和保證，在“中國制造2025”的國家戰略政策的指引下，開展智能生產、智能管理和智能服務，推動工業大數據在智能制造中的發展應用。