李明亮¹ ，莫朝興² ，謝慶生³ ，李宏玉²

（1.廣西柳鋼中金不銹鋼有限公司，廣西玉林 537699；2.廣西柳州鋼鐵集團有限公司，廣西柳州 545002； 3.廣西鋼鐵集團有限公司，廣西防城港 538000）

【摘 要】 煉鐵高爐內(nèi)部是一個“黑匣子”系統(tǒng)，依靠現(xiàn)有測量手段難以直接、真實反映高爐內(nèi)部生產(chǎn)狀況，高爐操作者對爐況難以準確判斷。為了解決這一問題，結(jié)合煉鐵數(shù)據(jù)架構(gòu)和特點，利用統(tǒng)計學和機器學習方法，對煉鐵生產(chǎn)過程中的工業(yè)大數(shù)據(jù)進行挖掘和應(yīng)用，將數(shù)據(jù)的分析過程轉(zhuǎn)化為數(shù)學模型，及時發(fā)現(xiàn)煉鐵工藝規(guī)律，提煉煉鐵工藝知識，促進煉鐵精益生產(chǎn)和指標進步。

【關(guān)鍵詞】 大數(shù)據(jù)；煉鐵；高爐；精益生產(chǎn)

0 引言

煉鐵的主要生產(chǎn)設(shè)備是高爐，高爐冶煉是將金屬鐵從鐵礦石中提煉出來的連續(xù)生產(chǎn)過程。為了監(jiān)控冶煉的實時狀態(tài)，每座高爐系統(tǒng)安裝了數(shù)千只傳感器，這些數(shù)據(jù)對維持高爐生產(chǎn)的高效穩(wěn)定發(fā)揮了重要作用。然而，高爐內(nèi)部仍然是一個“黑匣子”，可直接獲取的生產(chǎn)過程信息不足，僅依靠現(xiàn)有測量手段難以直接、真實反映高爐內(nèi)部生產(chǎn)狀況，影響了高爐操作者對爐況的準確判斷，難以對生產(chǎn)進行精益管理。但高爐煉鐵擁有豐富的數(shù)據(jù)資源，數(shù)據(jù)科學、智能技術(shù)的快速發(fā)展為解決高爐煉鐵過程中的不確定性問題提供了有效手段^［1］ 。通過對高爐生產(chǎn)全過程的工業(yè)大數(shù)據(jù)進行統(tǒng)計、分析和挖掘，可以獲取更多有利于指導高爐優(yōu)化操作的知識，為操作人員提供更多的參考依據(jù)。目前，深度學習已成為基于大數(shù)據(jù)和強算力的機器學習領(lǐng)域的研究熱點，在計算機視覺、語音識別等領(lǐng)域取得了突破性進展^［2］ ；大數(shù)據(jù)在賦能高爐煉鐵智能應(yīng)用方面的研究也取得了一定成果，在煉鐵智能平臺構(gòu)建、高爐爐溫預(yù)測、鐵水質(zhì)量預(yù)測和爐缸侵蝕判斷等方面初顯成效^［3］ 。

1 煉鐵廠數(shù)據(jù)

柳鋼煉鐵廠的生產(chǎn)工序包括高爐、上料、熱風爐、噴煤、供料、凈環(huán)軟水、干法除塵、鼓風機和 TRT等系統(tǒng)，這些系統(tǒng)的連續(xù)日常生產(chǎn)產(chǎn)生了大量數(shù)據(jù)。

1.1 煉鐵數(shù)據(jù)架構(gòu)

為了滿足生產(chǎn)數(shù)據(jù)的存儲和調(diào)用需求，煉鐵廠建立了數(shù)據(jù)中心，實現(xiàn)數(shù)據(jù)的共享存儲和一體化運維。煉鐵廠工業(yè)大數(shù)據(jù)的整體架構(gòu)如圖1所示。數(shù)據(jù)源包括煉鐵內(nèi)部生產(chǎn)過程信息和外部生產(chǎn)信息，其中生產(chǎn)過程信息由檢測儀表、視頻、語音和圖像數(shù)據(jù)構(gòu)成；外部生產(chǎn)信息主要來自公司 MES和 ERP等信息系統(tǒng)。數(shù)據(jù)通過PLC、DCS、無線網(wǎng)關(guān)和網(wǎng)絡(luò)技術(shù)進行采集，在數(shù)據(jù)中心完成存儲和治理，最終以數(shù)據(jù)報表、數(shù)學模型和實時監(jiān)控系統(tǒng)等形式實現(xiàn)數(shù)據(jù)展示和應(yīng)用。

1.2 煉鐵數(shù)據(jù)特點

1）數(shù)據(jù)量大。目前每日數(shù)據(jù)發(fā)生量超過1 GB，按高爐 10年爐齡計算，數(shù)據(jù)總量將超過 3.5 TB。每新增 1 座高爐，數(shù)據(jù)量將成倍增長。隨著管理精細化程度不斷提高，數(shù)據(jù)量也相應(yīng)持續(xù)增加。

2）數(shù)據(jù)分布范圍廣。煉鐵廠涉及多個系統(tǒng)，數(shù)據(jù)來源各異，生產(chǎn)監(jiān)控數(shù)據(jù)通過配套 PLC和 DCS系統(tǒng)匯聚，分散設(shè)備經(jīng)由無線網(wǎng)關(guān)采集，上下游工序數(shù)據(jù)采用網(wǎng)絡(luò)技術(shù)獲取，最終所有數(shù)據(jù)均通過網(wǎng)絡(luò)傳輸至數(shù)據(jù)中心進行集中存儲。

3）數(shù)據(jù)關(guān)聯(lián)性強。從生產(chǎn)全流程分析，各數(shù)據(jù)之間存在相互耦合和影響關(guān)系。以鐵水質(zhì)量判斷為例，其影響變量多達 16 個^［4］ ，且各變量間具有顯著的耦合特性。若直接使用未經(jīng)處理的輸入變量進行建模，將導致信息冗余和模型計算量過大的問題。

4）數(shù)據(jù)采集頻率多樣化。為滿足精益生產(chǎn)管理需求，不同應(yīng)用場景采用差異化的采集頻率：遠程實時監(jiān)控需達到秒級采集；統(tǒng)計分析報表則采用分鐘級、小時級、日級和月級等多時間維度的采集頻率。

5）數(shù)據(jù)挖掘深度低。當前，實時監(jiān)控數(shù)據(jù)占比超過70%，報表統(tǒng)計分析數(shù)據(jù)約占20%，采用數(shù)學算法和機理分析進行深度挖掘的數(shù)據(jù)不足10%。

6）數(shù)據(jù)治理能力有待提升。當前數(shù)據(jù)采集環(huán)節(jié)缺乏有效的質(zhì)量評估與預(yù)警機制，導致數(shù)據(jù)中心存儲了大量失效或無效數(shù)據(jù)，不僅造成存儲資源浪費，還顯著降低了系統(tǒng)查詢效率。

2 工業(yè)大數(shù)據(jù)應(yīng)用

煉鐵工業(yè)大數(shù)據(jù)挖掘是指運用算法從海量數(shù)據(jù)中提取隱含、未知且具有潛在價值信息的過程。該過程主要包含四個關(guān)鍵環(huán)節(jié)：數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)統(tǒng)計分析和數(shù)據(jù)挖掘。目前，煉鐵工業(yè)大數(shù)據(jù)挖掘主要采用統(tǒng)計學方法和機器學習技術(shù)兩種方式。

2.1 基于統(tǒng)計學的數(shù)據(jù)挖掘

通過對煉鐵生產(chǎn)過程相關(guān)數(shù)據(jù)進行大范圍、長周期的統(tǒng)計分析與數(shù)據(jù)重組，并結(jié)合人工經(jīng)驗，可以有效獲取數(shù)據(jù)的概率分布特征、變量相關(guān)性以及變化趨勢等關(guān)鍵信息。這種方法對于及時發(fā)現(xiàn)和掌握煉鐵生產(chǎn)規(guī)律具有顯著的促進作用。

2.1.1 實現(xiàn)生產(chǎn)運行狀態(tài)評價

通過采集工業(yè)實時檢測數(shù)據(jù)和人工錄入數(shù)據(jù)，基于計算機信息化系統(tǒng)開發(fā)了包括生產(chǎn)指標、操作過程、運行狀態(tài)、原料消耗及能源消耗等在內(nèi)的數(shù)百張統(tǒng)計分析報表。通過這些報表，管理人員可對生產(chǎn)狀況進行橫向?qū)Ρ?、縱向?qū)?yōu)，逐步歸納出可以進行精細管控的指標，如高爐順行指數(shù)、經(jīng)濟運行狀況等，并逐步將傳統(tǒng)人工經(jīng)驗判斷轉(zhuǎn)化為數(shù)學模型，更直觀、更全面、更及時地展現(xiàn)生產(chǎn)運行情況。

2.1.2 實現(xiàn)生產(chǎn)變化趨勢分析

1）開發(fā)高爐全息體檢系統(tǒng)，基于高爐生產(chǎn)過程關(guān)鍵參數(shù)的采集與分析，構(gòu)建了多時間維度的高爐生產(chǎn)狀態(tài)評估體系。該系統(tǒng)研究各時間段參數(shù)與高爐體檢評分的相關(guān)性，量化反應(yīng)高爐的操作控制重點，通過早期異常識別及時啟動防控措施，促進高爐爐況精益管理。高爐全息體檢系統(tǒng)結(jié)構(gòu)框架圖如圖2所示。

2）開發(fā)原燃料質(zhì)量管理系統(tǒng)，對煉鐵生產(chǎn)質(zhì)量的關(guān)鍵影響因素進行管控，將管理觸角延伸至燒結(jié)廠、焦化廠等前道工序，全面采集與煉鐵生產(chǎn)相關(guān)的數(shù)據(jù)，自動分析高爐入爐原燃料質(zhì)量變化趨勢，及時發(fā)現(xiàn)質(zhì)量異常和劣化趨勢，并通過圖表、曲線等形式進行直觀展示。該系統(tǒng)集成了研發(fā)的高爐爐料質(zhì)量跟蹤控制裝置^［5］ ，利用RFID技術(shù)實時獲取不同批次、不同質(zhì)量原燃料的位置信息，結(jié)合原燃料質(zhì)量化驗數(shù)據(jù)和皮帶秤稱量數(shù)據(jù)，實現(xiàn)對原燃料在皮帶運輸過程中的全線跟蹤。這使得高爐操作人員能夠準確掌握不同質(zhì)量原燃料的入爐時間，從而及時調(diào)整操作參數(shù)，有效應(yīng)對原燃料質(zhì)量變化帶來的影響。

2.1.3 實現(xiàn)設(shè)備劣化趨勢診斷

基于設(shè)備運行實時數(shù)據(jù)，對設(shè)備運行狀態(tài)進行趨勢監(jiān)控與管理，通過圖譜分析對汽輪鼓風機進行健康狀態(tài)評估。系統(tǒng)每月自動生成診斷報告，對機組劣化趨勢進行分析評判，當出現(xiàn)突發(fā)異常情況時，能夠及時觸發(fā)報警并立即啟動分析診斷流程。

根據(jù)診斷分析結(jié)果，系統(tǒng)可對汽輪機組進行故障診斷、精確定位、實時預(yù)警及預(yù)測性維修決策，從而有效促進設(shè)備的精益化管理。

2.1.4 實現(xiàn)生產(chǎn)安全狀態(tài)評估

采集煉鐵廠數(shù)百臺煤氣報警儀的實時監(jiān)控數(shù)據(jù)，構(gòu)建煤氣報警儀集中監(jiān)控系統(tǒng)。管理人員可在辦公室通過辦公電腦實時掌握煤氣報警儀的運行狀態(tài)，也可借助手機 APP實現(xiàn)隨時隨地監(jiān)控?；诿簹鈭缶瘍x的實時監(jiān)控數(shù)據(jù)，通過統(tǒng)計分析能夠及時獲取生產(chǎn)現(xiàn)場煤氣含量超標報警次數(shù)及泄漏頻率^［6］ ，從而采取針對性的管控措施預(yù)防安全事故發(fā)生，有效提升安全精益管理水平。煤氣報警儀集中監(jiān)控系統(tǒng)架構(gòu)如圖3所示。

2.2 基于機器學習的數(shù)據(jù)挖掘

利用計算機技術(shù)實時模擬人類學習過程，對現(xiàn)有數(shù)據(jù)進行知識結(jié)構(gòu)劃分，系統(tǒng)能夠自動識別煉鐵生產(chǎn)中的隱性知識，從而為操作人員提供科學決策的數(shù)據(jù)支持。

2.2.1 實現(xiàn)生產(chǎn)信息的檢測與識別

1）基于機器視覺技術(shù)，對風口成像儀采集的圖像信息進行智能診斷，構(gòu)建高爐風口智能診斷報警系統(tǒng)。通過對數(shù)萬條圖像樣本的機器學習訓練，該系統(tǒng)能夠有效識別風口斷煤、風口漏水、風口掛渣和渣皮脫落等狀態(tài)^［7］ ，診斷準確率達到95%以上。

2）通過成像裝置采集高爐爐前出鐵狀態(tài)和出渣狀態(tài)的原始視頻圖像，系統(tǒng)可以實時監(jiān)測高爐爐前出渣工況，準確獲取高爐出渣鐵時間，促進爐前精益管理。具體方法是：對采集站保存的時間連續(xù)20 幀時序圖像，取其灰度特征最大連通面積進行K 值計算，根據(jù) K 值計算結(jié)果，判斷高爐出渣鐵狀態(tài)，K值計算公式為：

式中：K為高爐出渣鐵趨勢值，無量綱；x（i）就是1到 20組成的數(shù)組，x（i）=［1，2，3，?，20］；tzmj指圖像灰度特征面積；MAX（tzmj（1，20））為對應(yīng)采集站保存的連續(xù)20幀時序圖像的灰度特征值最大連通面積，px；AVG（x（1，20））代表 x（i）從 1 取到 20 的平均數(shù)；AVG（tzmj（1，20））指所取的20個連通面積的平均數(shù)^［8］。

3）在鐵口安裝成像裝置和照明裝置，基于模板匹配算法實現(xiàn)高爐開鐵口深度的在線實時檢測，從而提升開鐵口工序的精益化管理水平。具體實現(xiàn)方法為：采用 Python編程語言對鐵口狀態(tài)原始視頻圖像進行數(shù)字化處理，首先將原始圖像切分為三個通道，并為每個通道賦予相應(yīng)權(quán)值；隨后在各通道上應(yīng)用歸一化平方差匹配算法進行特征匹配計算；最終通過加權(quán)求和方式整合三個通道的匹配結(jié)果，輸出最優(yōu)匹配解^［9］。

4）基于數(shù)據(jù)驅(qū)動的多輸出 ARMAX 建模方法，實現(xiàn)了對高爐十字測溫中心溫度的在線估計^［10］，解決了十字測溫裝置中心位置傳感器損壞導致的溫度檢測失效問題。該建模方法中，用于十字測溫中心點溫度預(yù)測的ARMAX模型表達式為：

2.2.2 實現(xiàn)生產(chǎn)過程智能監(jiān)控

1）搭建高爐鐵溝侵蝕監(jiān)控模型^［11］，在高爐每個鐵溝埋設(shè)44支熱電偶，獲取鐵溝重點部位的溫度監(jiān)測數(shù)據(jù)，建立穩(wěn)定的二維穩(wěn)態(tài)導熱模型，實現(xiàn)對高爐鐵溝侵蝕劣化趨勢的精準監(jiān)測和使用壽命的精細化管控。柳鋼2BF鐵溝侵蝕模型監(jiān)控預(yù)警系統(tǒng)界面如圖4所示。

2）基于熱成像技術(shù)實時采集高爐煤氣放散煙囪的火焰溫度數(shù)據(jù)，通過機器學習訓練構(gòu)建火焰滅火狀態(tài)的智能識別模型，實現(xiàn)煤氣放散煙囪滅火狀態(tài)的在線檢測和預(yù)警^［12］。

3）采用集成自編碼與主成分分析（PCA）的隨機權(quán)神經(jīng)網(wǎng)絡(luò)建模方法，構(gòu)建對高爐多元鐵水質(zhì)量在線估計的 NARX 模型^［13］，顯著提升了鐵水質(zhì)量的精益化管理水平。該NARX模型表達式為：

Y (t) = fNARX (X (t)，?，X (t - p)，Y (t - 1)，?，Y (t - q) ) （3）

式中：Y為待估計的鐵水質(zhì)量；X為建模輸入變量集；t為時間（取自然數(shù)）；p和q分別為過程輸入、輸出時序系數(shù)，根據(jù)所研究的高爐煉鐵過程時序和時滯關(guān)系以及大尺度的鐵水質(zhì)量采樣頻率值，確定 p=1、q=1。

用于集成自編碼與 PCA 的隨機權(quán)神經(jīng)網(wǎng)絡(luò)模型構(gòu)建方法如下。

1）自編碼器的編碼過程：

H = f (W1X + b1 ) （4）

式中：H是隱藏層特征表示，f (⋅)是激活函數(shù)，W1是編碼器的權(quán)重矩陣，X是輸入數(shù)據(jù)，b1是偏置向量。

2）PCA降維過程：

H' = PCA(H ) （5）

式中：H'是經(jīng)過 PCA 降維后的特征表示，PCA 函數(shù)代表了主成分分析過程，它將隱藏層 H轉(zhuǎn)換為降維后的特征H'。

3）隨機權(quán)重前饋神經(jīng)網(wǎng)絡(luò)（RVFLNs）的學習過程：

Y = g (W2H' + b2 ) （6）

式 中 ：Y 是 網(wǎng) 絡(luò) 的 輸 出 ，g (⋅) 是 激 活 函 數(shù) ，W2 是RVFLNs的權(quán)重矩陣，H'是PCA處理后的特征，b2是偏置向量。

2.2.3 實現(xiàn)生產(chǎn)操作自動控制

1）研發(fā)了一種高爐干法除塵布袋防高溫保護控制方法^［14］，該方法通過打通高爐系統(tǒng)和干法布袋除塵系統(tǒng)的關(guān)聯(lián)數(shù)據(jù)，在高爐出現(xiàn)“管道”工況導致煤氣溫度驟升時，根據(jù)預(yù)設(shè)的保護控制算法，按順序逐步關(guān)閉干法除塵布袋箱體，實現(xiàn)分級保護，從而最大限度降低設(shè)備損壞及生產(chǎn)損失。

2）研發(fā)了高爐防灌渣緊急自動降頂壓控制方法^［15］，通過打通高爐系統(tǒng)、鼓風機系統(tǒng)、熱風爐系統(tǒng)和 TRT系統(tǒng)的關(guān)聯(lián)數(shù)據(jù)，搭建高爐爐頂壓力控制數(shù)學模型。該系統(tǒng)可在高爐異常工況下自動調(diào)節(jié)頂壓，當送風系統(tǒng)發(fā)生故障時，能夠快速降低爐頂壓力，有效防止高爐風口灌渣事故的發(fā)生。

3）通過對格子磚熱風爐的燃燒機理建模，實現(xiàn)熱風爐全自動優(yōu)化燃燒控制。

2.2.4 實現(xiàn)生產(chǎn)異常狀態(tài)預(yù)警

通過集成 PCA-ICA 的高爐過程監(jiān)測方法并給出相應(yīng)的貢獻圖故障診斷指標及控制限，實現(xiàn)對高爐運行過程的異常監(jiān)測以及異常辨識^［16］。該方法能夠及時發(fā)現(xiàn)生產(chǎn)異常并采取管控措施，防止故障擴大化。

3 應(yīng)用效果

通過將工業(yè)大數(shù)據(jù)與煉鐵生產(chǎn)深度融合應(yīng)用，在生產(chǎn)管理方面實現(xiàn)了高爐爐況的數(shù)字化評價，使高爐順行指數(shù)得到有效提升，每年可避免各類爐況失常事故數(shù)十次，實現(xiàn)增產(chǎn)10萬t以上，同時減少處理爐況所需的焦炭用量 1 萬 t以上。在高爐爐齡及附屬設(shè)備持續(xù)老化、大部分高爐實施護爐生產(chǎn)的工況下，主要生產(chǎn)經(jīng)濟技術(shù)指標仍保持相對穩(wěn)定。在設(shè)備管理方面，實現(xiàn)了設(shè)備故障的準確定位，顯著提高了故障處理效率；通過實施設(shè)備運行狀態(tài)量化管理，使設(shè)備故障率大幅下降，高爐綜合休風率長期控制在 1% 以下。在社會效益方面，生產(chǎn)系統(tǒng)實現(xiàn)穩(wěn)定高效運行后，有效促進了節(jié)能、降碳、環(huán)保、安全等工作的有序推進，同時也降低了工人的勞動強度和生產(chǎn)人力成本。

4 結(jié)語

工業(yè)大數(shù)據(jù)在賦能煉鐵精益生產(chǎn)方面發(fā)揮著重要作用。為充分挖掘數(shù)據(jù)資產(chǎn)的潛在價值，企業(yè)應(yīng)實施有效的數(shù)據(jù)管理策略。通過建立嚴格的管理制度，確保數(shù)據(jù)日常維護工作實現(xiàn)標準化、規(guī)范化運行，從而保障生產(chǎn)數(shù)據(jù)的準確性與可靠性。只有基于準確數(shù)據(jù)挖掘獲得的知識才是可信的。隨著數(shù)據(jù)量的持續(xù)增長，可挖掘知識將呈指數(shù)級增加，這將顯著提升煉鐵行業(yè)的經(jīng)濟技術(shù)指標。本文基于統(tǒng)計學方法和機器學習技術(shù)對煉鐵生產(chǎn)過程的工業(yè)數(shù)據(jù)進行挖掘與應(yīng)用，其實際應(yīng)用效果可為工業(yè)界實現(xiàn)更高效、更環(huán)保的煉鐵生產(chǎn)過程提供參考。

［參 考 文 獻］

[1] 石泉，唐玨，儲滿生 .基于工業(yè)大數(shù)據(jù)的智能化高爐煉鐵技術(shù)研究進展［J］.鋼鐵研究學報，2022，34（12）：1314-1324.

[2] 孟令茹，李福民，劉小杰，等.高爐煉鐵智能化的研究現(xiàn)狀與展望［J］.冶金自動化，2023，47（2）：27-40.

[3] 唐文文，李欣，劉小杰，等.大數(shù)據(jù)賦能高爐煉鐵智能應(yīng)用［J］.冶金自動化，2022，46（4）：11-22+29.

[4] YUAN M ，ZHOU P ，LI M，et al.Intelligent Multivariable Modeling of Blast Furnace Molten Iron Quality Based on Dynamic AGA-ANN and PCA［J］. Journal of Iron and Steel Research（International）， 2015，22（6）：487-495.

[5] 柳州鋼鐵股份有限公司. 高爐爐料質(zhì)量跟蹤控制裝置：201821130724.8［P］.2019-02-15.

[6] 柳州鋼鐵股份有限公司 .煉鐵廠煤氣報警儀集中監(jiān)控系統(tǒng)及方法：201811653300.4［P］.2019-05-31.

[7] 柳州鋼鐵股份有限公司 . 一種爐風口 AI 自動斷煤方法及系統(tǒng)：202310810377.2［P］.2023-10-03.

[8] 柳州鋼鐵股份有限公司. 高爐出渣鐵狀態(tài)在線檢測方法：201910388544.2［P］.2020-12-25.

[9] 柳州鋼鐵股份有限公司. 高爐開鐵口深度在線檢測方法：202010367421.3［P］.2022-03-22.

[10] 周平，劉記平.基于數(shù)據(jù)驅(qū)動多輸出ARMAX建模的高爐十字測溫中心溫度在線估計［J］.自動化學報，2018，44（3）：552-561.

[11] 李明亮，莫朝興，謝慶生，等.柳鋼煉鐵數(shù)字化工廠建設(shè)實踐［J］. 煉鐵，2023，42（2）：64-68.

[12] 柳州鋼鐵股份有限公司 . 高爐煤氣放散煙囪火焰滅火檢測裝置：202021580639.9［P］.2021-03-05.

[13] 周平，張麗，李溫鵬，等 .集成自編碼與 PCA 的高爐多元鐵水質(zhì)量隨機權(quán)神經(jīng)網(wǎng)絡(luò)建模［J］. 自動化學報，2018，44（10）：1799-1811.

[14] 柳州鋼鐵股份有限公司.一種高爐干法除塵布袋防高溫保護控制方法：202410218679.5［P］.2024-04-09.

[15] 李明亮，黃金堂 .高爐防灌渣緊急自動降頂壓控制方法的實現(xiàn)［J］.冶金自動化，2020，44（3）：26-29.

[16] 劉記平 . 基于多元統(tǒng)計分析的高爐煉鐵過程監(jiān)測研究［D］. 遼寧：東北大學，2018.