CN1207399C - 智能控制高炉冶炼的*** - Google Patents
智能控制高炉冶炼的*** Download PDFInfo
- Publication number
- CN1207399C CN1207399C CNB021375690A CN02137569A CN1207399C CN 1207399 C CN1207399 C CN 1207399C CN B021375690 A CNB021375690 A CN B021375690A CN 02137569 A CN02137569 A CN 02137569A CN 1207399 C CN1207399 C CN 1207399C
- Authority
- CN
- China
- Prior art keywords
- partiald
- tau
- blast furnace
- furnace
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 241001062472 Stokellia anisodon Species 0.000 title claims description 11
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 54
- 229910052742 iron Inorganic materials 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000003723 Smelting Methods 0.000 claims abstract description 29
- 239000002184 metal Substances 0.000 claims description 44
- 229910052751 metal Inorganic materials 0.000 claims description 44
- 229910052710 silicon Inorganic materials 0.000 claims description 37
- 239000010703 silicon Substances 0.000 claims description 37
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 35
- 238000003745 diagnosis Methods 0.000 claims description 20
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 238000001816 cooling Methods 0.000 claims description 17
- 239000000571 coke Substances 0.000 claims description 14
- 229910052717 sulfur Inorganic materials 0.000 claims description 14
- 239000003245 coal Substances 0.000 claims description 13
- 238000002347 injection Methods 0.000 claims description 12
- 239000007924 injection Substances 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 12
- 239000000843 powder Substances 0.000 claims description 12
- 239000011593 sulfur Substances 0.000 claims description 11
- 239000005864 Sulphur Substances 0.000 claims description 10
- 230000006855 networking Effects 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 8
- 238000009423 ventilation Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 5
- 239000007789 gas Substances 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 238000009628 steelmaking Methods 0.000 claims description 4
- 208000011580 syndromic disease Diseases 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 abstract description 5
- 239000002893 slag Substances 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 14
- 230000001276 controlling effect Effects 0.000 description 10
- 229910000831 Steel Inorganic materials 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 8
- 238000005303 weighing Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 7
- 239000000203 mixture Substances 0.000 description 6
- 230000036760 body temperature Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 239000008188 pellet Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 229910000805 Pig iron Inorganic materials 0.000 description 1
- 229910004298 SiO 2 Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Manufacture Of Iron (AREA)
Abstract
本发明的智能控制高炉冶炼的***,包括在高炉主控室设置的1号、2号两个优化站,它们与若干个操作站组成主控室局域网,作为工长操作平台;在炼铁厂设置服务器与各控制工序终端联网,组成炼铁厂局域网,并将其与主控室局域网联网形成炼铁过程信息实时采集、自动传送与处理的网络***;在1号优化站设置智能控制软件模块,在2号优化站设置按冶炼程序流程自动显示智能控制图表和故障指示图表的模块;在高炉冶炼进程中,通过智能控制***软件模块,以人机会话和简明模型图表的方式输出结果,向高炉工长提供操作,提示工长采取适当措施,可有效避免发生炉况故障,保持高炉在最佳热状态下运行,达到优化控制的目标。
Description
技术领域
本发明涉及智能控制高炉冶炼的***。
背景技术
在钢铁联合企业的各种生产工艺流程中,高炉炼铁工艺流程是最复杂的。
现有的高炉冶炼控制***包括在线动态采集高炉数据的传感器,装备在高炉主控制室用于判断高炉本体工作状态、高炉热状态和高炉冶炼进程顺行状态的若干个操作站组成的微机监控***,炼铁工艺的各个控制子工序及信息传递流程如图1所示:值班工长在高炉主控室组织高炉炼铁的生产进程:要求槽下配料称量***按照配料单称量各种原燃料,装到料车中;要求卷扬上料布料***按照确定的装料制度把炉料装到高炉里;要求热风炉车间按照确定的数量向高炉供风、富氧与加湿;要求喷煤车间按照给定的喷煤速率向高炉喷吹煤粉。这些复杂的调控是工长通过脑力劳动,根据自己的经验和简单的工艺计算作出的。而每一个控制子工序都有自己的数据采集与控制子***实施工长要求的控制,它们简称为子工序的基础自动化。
值班工长在高炉主控室通过观察仪表或微机监测的画面,把握高炉本体温度压力流量检测的数百项参数的变化情况;在高炉作业日志上记录各种数据,包括炉顶混合煤气自动分析数据以及由化验室电话报来的铁水、炉渣、入炉原燃料化学成分数据;铁水过磅站电话报来的铁水称量数据;炉前出渣出铁的现场数据、铁水测温与铁水在线称量数据等。在每一炉生铁冶炼进程中,工长凭个人经验对炉况和炉温作出综合判断与调控决定,然后用电话通知相关的子工序进行调控。炼铁专家称这种“看仪表、抄数据、凭经验”的作业方式为第二代高炉操作技术。
显然,由于炼铁过程影响因素众多,情况错综复杂,对炉温的判断和控制复杂多样,因此凭经验操作难免发生疏忽和失误,导致炉况不顺,产量下降、能耗增高、质量波动的情况发生。而且,各班工长的经验也不一致,操作水平也有差别,导致高炉冶炼过程不能保持在最佳状态下。
由上可知:已有的高炉生产工艺流程虽然已经实现了各子工序的局部自动化控制,但是,在高炉主控室的工长对高炉冶炼进程的整体运筹控制方面存在着2个重要缺陷:1)数据信息传递手段落后;2)冶炼过程数据信息加工方式落后,凭个人经验操作。因此高炉生产潜力不能充分发挥。
从20世纪70年代起,国内外冶金界就开始研究高炉冶炼过程的自动化控制。但是,由于高炉过程自动化涉及炼铁工艺技术、计算机信息技术、自动控制技术和数学模型技术等方面多学科交叉研究,技术难度大,因此,迄今高炉冶炼过程完全自动化控制并没有实现。目前国际先进的大型高炉过程控制采用“高炉专家***”,把工长操作统一在专家***平台上。
中国专利局1987年12月23日公布的日本钢管公司申请的专利《控制高炉运行的方法》(CN87103633A)、1990年7月11日公布的新日铁公司申请的专利《高炉操作管理方法和装置》(CN1043745A)和1998年4月22日公布的首钢总公司申请的专利《利用人工智能专家***高炉冶炼的方法》,可以看到这些专家***各自从不同的角度建立专家知识库和推理机,用大型计算机来帮助高炉工长加强高炉的运行管理与控制,进行炉况诊断,及时提示工长采取适当的措施,控制炉温的发展,避免高炉故障和保障生产的正常进行。
以上3个背景技术文件都没有从现代控制论与智能控制论的原理角度建立高炉过程的最佳状态与随机最优控制模型,建立高炉过程多目标优化模型以及铁水含硅量[Si]智能控制偏微分方程;也没有建立起炼铁厂的微机局域网,实现信息网络化和“智能控制***”在操作—技术—管理上的“三位一体”应用。
发明内容
本发明的目的是针对上述背景技术的不足,提供一种智能控制高炉冶炼的***,以实现高炉冶炼在操作—技术—管理上的“三位一体”智能控制,达到提高产量,降低消耗,改善铁水质量和保持炉况稳定顺行、高炉长寿的目标。
本发明的智能控制高炉冶炼的***,包括在线动态采集高炉数据的传感器,装备在高炉主控制室用于判断高炉本体工作状态、高炉热状态和高炉冶炼进程顺行状态的若干个操作站组成的微机监控***,在高炉主控制室设置1号优化站和兼作服务器的2号优化站两台微机,该两台微机与若干个操作站组成主控室微机局域网,构成工长智能化操作的硬件平台;在炼铁厂设置服务器,与槽下配料子工序的终端,卷扬布料子工序的终端,富氧鼓风子工序的终端,喷煤子工序的终端,化验室终端,以及厂长办公室、技术科、机动科、生产统计科、调度室等管理部门的终端联网,组成炼铁厂局域网,并且与主控室局域网联网,形成炼铁过程信息实时采集与自动传送的网络***;在1号优化站设有为工长控制冶炼进程提供操作的智能控制***软件模块,所说的智能控制***软件模块包括:数据库模块,冷却***设备诊断模块,炉况顺行故障诊断模块,配料优化计算模块,最佳热状态与随机最优控制计算模块,铁水含硅量与含硫量的智能控制模块,以及管理报表自动生成模块,在2号优化站设有按冶炼程序流程自动显示智能控制图表和冷却***故障、炉况顺行故障指示图表的模块,其特征在于在高炉最佳热状态与随机最优控制模块中建立了多目标优化模型公式如下:
上述公式中,U(t)是高炉利用系数,Max表示最大化,K(t)是焦比,min表示最小化,[Si](t)是铁水含硅量,要求控制在最佳范围([Si]0-a,[Si]0+a)中,[Si]0是最佳炉温,a是与方差相关的波动范围,[S]是铁水含硫量,满足炼钢的质量要求应低于限定值[S]0;积分号下的F1、F2、F3、F4表示各自的复杂函数关联,其中Y为原燃料参数,Z为设备参数,X为状态参数,u为控制参数,
分别为它们的变化率。
在铁水含硅量智能控制模块中建立了应用神经网络算法计算的偏微分方程公式如下:
式中
是铁水含硅量的变化量,
是料速变动指数,
是透气性变动指数,
是铁量差指数,τ1为时间滞后量,
是煤气利用率变动指数,
是风量变动指数,
是风温变动指数,
是喷煤速率变动指数,
是风湿变动指数,而A、F、C、Q、L、W、B、S各项常系数则是以某一设定的样本容量的数据,按照多元回归自学习得到的回归系数。
上述设在1号优化站的智能控制***软件模块具有数据库层、程序层和人机交互界面层的3层结构,数据库层包括:由高炉可编程控制器PLC上自动采集的数据与作业点手工录入的数据,分50个数据表在服务器上建立起分钟级、小时级等不同层次的原始数据库,由炼铁工艺原理与经验建立的专家知识库和由数学模型计算得到的优化参数库;程序层包括:各数学模型的数量计算程序、各逻辑判断程序和知识推理程序,人机交互界面层包括:为工长提供操作数据及结果预测的各种简明智能化图表与数据画面;
所说的服务器是工业用服务器,优化站、操作站与终端均采用奔腾III型以上微机。
高炉冶炼应用本发明***时,运行在1号优化站和2号优化站上的智能控制***软件模块跟随着高炉冶炼进程实时在线自动采集的数据与微机局域网上自动传递的数据按照一定的时间要求自动运行,以人机会话和简明模型图表的方式输出结果,向高炉工长提供操作,提示工长采取适当措施,避免发生炉况故障,保持高炉在最佳热状态下运行。在1号优化站上,值班工长通过人机交互界面调用智能控制***的各个软件模块,包括冷却设备故障诊断模块、炉况顺行故障诊断模块、配料优化计算模块、最佳炉热状态与随机最优控制模型计算模块、铁水含硅量与含硫量的智能控制模块以及作业管理报表自动生成模块;在2号优化站上,秒级进程对5秒周期自动采集的有关数据进行冷却设备故障自动诊断,如果诊断为故障状态,则自动显示诊断画面,提示工长采取措施消除故障,否则不显示;秒级进程也对风量、风压、透气性3项敏感参数进行判断,当判断出炉况故障征兆时会自动显示诊断画面,提示工长采取措施消除故障征兆;分钟级进程则以3分钟为周期对炉况故障的有关数据进行诊断,如果诊断为炉况故障征兆,则自动显示诊断画面,提示工长消除炉况故障征兆,否则不显示;30分钟进程在线显示铁水含硅量与含硫量的智能控制画面,对每炉铁冶炼期间进行3-4次控制预报,其输出数据是工长调控炉温的依据;在化验室终端,化验员录入铁水、炉渣的化学成分数据,烧结矿、球团矿、生矿和焦炭的化学成分与检验数据,并且通过网络***自动传送到高炉主控室,成为配料校核单自动计算、铁水含硅量控制方程计算、含硫量预测计算、最佳炉热状态计算的最新数据源;如果根据最新的原燃料成分自动进行配料计算表明热平衡与碱度平衡偏离优化范围,则提示工长变料并做新的配料计算。
本发明的优点有以下几方面:
(1)由于炼铁工艺的特殊性,生产过程涉及大量工艺计算与统计。应用本发明可提高工长作业过程智力劳动自动化的水平,减轻工长脑力劳动强度,提高工作效率。
(2)炼铁生产过程涉及子工序多,原来的数据传递是通过电话机进行的,效率低且容易出错。本发明建立炼铁厂局域网后,数据传递实现了网络化,因而能够实现信息处理的自动化。
(3)在炼铁厂厂部各相关科室联网后,技术科工程师、厂长都能够在各自的办公室使用“智能控制***”进行实时技术分析和优化决策,实现了智能控制***在操作控制—技术分析—管理决策上的“三位一体”应用。大大提高了炼铁生产过程的信息化水平与科学管理水平。
(4)由于智能化数学模型的建立,特别是多目标优化模型确定冶炼过程最佳热状态与随机最优控制以及炉温的智能控制偏微分方程的计算,为工长优化控制冶炼进程提供了科学依据,因此应用本发明能够取得提高产量、降低能耗、保证铁水质量要求并且生产平稳发展的显著效益。
(5)本发明适应中国普通高炉的装备条件。“智能控制***”不仅克服了引进的“高炉专家***”不能应用于一般中小型高炉、不能全方位服务于工长作业的缺点,而且在高炉最佳热状态与随机最优控制模型上、在铁水含硅量控制偏微分方程的设计上优于引进的“高炉专家***”。完全可以替代进口的高炉专家***,并且其费用仅是引进专家***的1/2-1/3。
附图说明
图1为高炉冶炼过程信息采集与控制流程示意图;
图2为智能控制***的微机局域网配置示意图;
图3为智能控制***的工艺程序流程图;
图4为冷却水温差状态智能判断图;
图5为高炉本体温度场诊断图;
图6为炉况稳定顺行状态诊断图;
图7为配料优化计算的“炉料配料校核单”;
图8为冶炼过程炉热最佳状态优选图(炉温图);
图9为冶炼过程风量—透气性控制优选图(风透图);
图10为冶炼过程焦炭负荷与鼓风动能控制匹配图;
图11为利用系数最佳的冶炼强度范围优选图;
图12为利用系数最佳的铁水含硅量[Si]优选图;
图13为利用系数最佳的炉渣碱度(R)优选图;
图14为铁水含硫量[S]最佳决策的[Si]优选图;
图15为铁水含硫量[S]最佳决策的(R)优选图;
图16为配料碱度与实际炉渣碱度非线性关联图;
图17为炉温智能控制***图。
具体实施方式
参照图2,本发明的智能控制高炉冶炼***,包括在线动态采集高炉数据的传感器,装备在高炉主控制室用于判断高炉本体工作状态、高炉热状态和高炉冶炼进程顺行状态的1号操作站(监控槽下称量***)、2号操作站(监控卷扬***)与3号操作站(监控高炉本体参数)组成的微机监控***,并且在高炉主控制室创新设置了1号优化站和兼作服务器(数据库服务器1)的2号优化站两台微机,与3个操作站组成主控室局域网,构成工长智能化操作的硬件平台;同时,在炼铁厂调度室设置了局域网服务器5,与富氧鼓风子工序的终端(热风炉终端6),槽下配料子工序的终端(槽下终端7),卷扬布料子工序的终端(卷扬终端8),喷煤子工序的终端(喷煤终端9),化验室终端10,过磅站终端11以及厂长办公室、技术科、机动科、生产统计科等管理部门的终端12联网,组成炼铁厂局域网,并且与主控室局域网联网,形成炼铁过程信息实时采集与自动传送的网络***。在1号优化站设有为工长控制冶炼进程提供操作的智能控制***软件模块,所说的智能控制***软件模块包括:数据库模块(含原始数据库、专家知识库、优化参数库及查询、添加、修改、删除等项功能),冷却***设备诊断模块,炉况顺行故障诊断模块,配料优化计算模块,最佳热状态与随机最优控制计算模块,铁水含硅量与含硫量的智能控制模块,以及管理报表自动生成模块,这些软件模块的工艺功能设计是按照全方位服务于工长的作业和实现“优质、低耗、高产、长寿”的炼铁目标要求进行的。在2号优化站设有按冶炼程序流程自动显示智能控制图表和冷却***故障、炉况顺行故障指示图表的模块。
图2中的炼铁厂局域网,通过以太网实现了炼铁生产过程信息传送的网络化、自动化与数据资源共享。它克服了原来化验室、过磅站、调度室靠电话向高炉主控室传递数据信息,技术科、生产统计科靠抄录“高炉作业日志”上的数据进行技术分析和生产统计的落后状态。由各个岗位自动采集或手工录入的数据,存入服务器数据库后,都自动成为高炉工长实时预测控制铁水含硅量的信息源,同时也是各科室完成管理职能所需的共享数据。
智能控制高炉冶炼***的工作过程如图3所示。它服务于高炉工长作业的工作方式分为人机交互与自动提示两种。工长在1号优化站上按照人机交互方式调用***的各个软件模块,包括冷却设备故障诊断模块、炉况顺行故障诊断模块、配料优化计算模块、最佳炉热状态与随机最优控制模型计算模块、铁水含硅量与含硫量的智能控制模块以及作业管理报表自动生成模块,逐级展开功能菜单,按照需要设定时间与参数,就能够获得高炉过程智能控制的各种信息,指导工长的操作。另一方面,由于实现了信息网络化,因此,各个模块都可以在线按照设定的时间要求自动运行,根据最新的在线实时采集数据和终端录入的最新数据,进行计算和判断,并且在2号优化站上自动显示智能控制图表、故障指示图表,提示工长及时采取对策或措施,实现高炉过程优化与智能化控制。在2号优化站上,程序自动流程包括:秒级进程对5秒周期自动采集的有关数据进行冷却设备故障自动诊断,如果诊断为故障状态,则自动显示诊断画面,提示工长采取措施消除故障,否则不显示;秒级进程也对风量、风压、透气性3项敏感参数进行判断,当判断出炉况故障征兆时会自动显示诊断画面,提示工长采取措施消除故障征兆;然后是分钟级进程,以3分钟为周期对炉况故障的有关数据进行诊断,如果诊断为炉况故障征兆,则自动显示诊断画面,提示工长消除炉况故障征兆,否则不显示;然后是30分钟进程,在线显示铁水含硅量与含硫量的智能控制画面,对每炉铁冶炼期间进行3-4次控制预报,显示30分钟-60分钟-90分钟的工作画面,其输出数据是工长调控炉温的依据;在化验室终端,化验员录入铁水、炉渣的化学成分数据,烧结矿、球团矿、生矿和焦炭的化学成分与检验数据,并且通过网络***自动传送到高炉主控室,成为配料校核单自动计算、铁水含硅量控制方程计算、含硫量预测计算、最佳炉热状态计算的最新数据源;如果根据最新的原燃料成分自动进行配料计算表明热平衡与碱度平衡偏离优化范围,则提示工长变料并做新的配料计算。每天作业完成后,各种作业数据全部进入数据库后,工长即可运行管理报表自动生成模块,统计汇总一天的生产数据。
以下对几个软件模块分别加以说明:
1)冷却***设备故障诊断模块
冷却***设备故障诊断模块以5秒周期自动采集冷却壁温度、进水温度、出水温度、混合煤气的H2含量、炉身温度的数据,这些数据与专家知识库中相应的数据进行综合对比与判断,得到冷却设备故障的自动诊断或报警。在2号优化站自动显示的“冷却水温差状态智能判断图”,如图4,图中以鲜明的色彩和“状态提示”告诉工长在9段冷却壁中哪部分水温差正常,哪部分水温差过高或过低,哪部分最高或最低;哪部分可能漏水或检测的热电耦已经坏了。当判断炉体温度为异常状态时,在2号优化站自动显示“高炉本体温度场诊断图”,如图5,图中右上方数据表是当前实测的各部位温度值,右下方是各部位温度的优化范围,通过自学习统计得到,左边温度状态图中横轴线的长短是实际值与优化值的比值决定的,横轴线太长则温度过高,太短则温度过低,由此工长一目了然看清几十项温度数据的异常所在,从而及时采取措施予以消除。图4、图5的智能化方法比起工长自己一一检查几十项数据是否正常大大提高了工作效率,避免人为疏忽容易发生的失误。
2)炉况故障诊断模块
炉况故障诊断模块对3分钟周期自动采集的数据和化验室输入的数据,运用数理逻辑运算模型和事件发生概率模型进行炉况故障诊断;当判断高炉可能发生炉墙结厚—结瘤—顽固性结瘤、炉缸堆积、悬料和管道4种主要类型炉况故障中的某种征兆时,2号优化站自动显示“炉况稳定顺行状态诊断图”,如图6,以异常炉况发生概率的方式进行预警,提示工长注意及时采取措施,避免故障发生。炼铁专家给出的判断规则直接编入诊断程序,而判断的数量依据则以变量方式,读入专家知识库中相应的字段。如果更改专家知识库中的基准数据,那么诊断的结论也就随之改变。图中对12项参数变动状态判断,按照炼铁专家的知识,分为:上升、下降、剧升、剧降,以鲜明色彩注明,正常状态则不显示。这样,工长很容易从计算机的智能化判断结论中确定发生问题的参数所在及其严重性,从而采取相应的措施消除故障。
3)配料优化计算模块
配料优化计算模块把工长变料中手工计算“炉料校核单”的工作方式,改变为在1号优化站上自动完成配料优化计算。在1号优化站上,当化验室通过网络传送最新一炉铁水与炉渣化验成分数据到达时,则自动运行配料计算程序,进行焦炭负荷—配料碱度的校核,与实际炉渣碱度和铁水含硅量进行相关分析,判断当前的铁水含硅量[Si]与炉渣碱度(R)是否偏离最佳状态。如果判断为炉热连续上升或连续下降趋势,偏离最佳状态,则1号优化站自动显示对应原燃料成分下的“炉料配料校核单”计算结果,如图7,提示工长重新运行配料优化计算模块。工长可以进入配料优化模块的计算程序,在选择菜单的3种配料方案中进行选择,自动完成“炉料校核单”计算。如果选择智能自动计算方案,那么则由计算机自动确定当前炉况下的配料碱度与焦炭负荷。工长只需输入料批总重量和熟料比这2个参数,整个“炉料校核单”计算即自动完成,输出结果如图7。配料优化自动计算的数学模型公式包括:
∑Xi=W
1-X3/(X1+X2+X3)=SLB
∑Xi×(TFe)I×1.0645=LW
LZR=(∑Xi×(CaO)I+X4×0.0065)/(∑Xi×(SiO2)I+X4×0.063
+PML×0.098/LPS-LW×E([Si])×60/28)
LZR=F(R)
W/X4=FH
式中:X1为烧结矿批重,X2为球团矿批重,X3为生矿批重,X4为干焦批重。各化学成分脚标与矿种对应。W为料批总重量,SLB为熟料比,LW为每批料的理论铁量。PML为喷煤速率,0.098为煤粉的平均灰份,LPS为小时料批数;E([Si])为[Si]滤波值。FH为干焦负荷,LZR为配料碱度,它与实际炉渣碱度(R)之间的非线性关系F(R)由图16得到。运用数学规划方法可以求解出X1~X4。
4)高炉最佳热状态与随机最优控制计算模块
根据炼铁工艺原理,建立高炉过程多目标优化的模型公式如下:
上述4个公式包含着提高产量、降低焦比、铁水含硫量[S]符合炼钢的质量要求和铁水含硅量[Si]的平稳控制。公式中,U(t)是高炉利用系数,Max表示最大化,K(t)是焦比,min表示最小化,[Si](t)是铁水含硅量,要求控制在最佳范围([Si]0-a,[Si]0+a)中,[Si]0是最佳炉温,a是与方差相关的波动范围,[S]是铁水含硫量,满足炼钢的质量要求应低于限定值[S]0;积分号下的F1、F2、F3、F4分别表示各自的复杂函数关联,其中Y为原燃料参数,Z为设备参数,X为状态参数,u为控制参数,
分别为它们的变化率,对U(t)、K(t)、[Si](t)和[S](t)这4个变量按照时间序列划分样本,进行多元统计计算,确定能够提高利用系数、降低焦比、铁水含硅量合适与铁水含硫量满足要求的重要参数优化控制范围及其组合,其计算结果在1号优化站上分为9幅画面输出:
1)铁水含硅量—炉渣碱度二元优选图(见图8),应用聚类分析方法得到较高利用系数的[Si]-(R)优化控制范围是:
Ω1={[Si]∈([Si]0-a;[Si]0+a).and.(R)∈((R)0-b;(R)0+b)};
2)风量—透气性指数二元优选图(见图9);应用聚类分析方法得到较高利用系数的风量FL—透气性FF的优化控制范围是:
Ω2={(r1≤r≤r2)∩(θ1≤θ≤θ2)}式中
3)鼓风动能—焦炭负荷二元匹配图(见图10),用于优选焦炭负荷与鼓风动能优化范围。得到较高利用系数的优化控制范围是:
Ω3={(OPC0≤OPC≤OPC1)∩(BE0≤BE)}
于是可以得到高炉冶炼过程最佳状态的参数优化控制范围是:
Ω=Ω1∩Ω2∩Ω3
4)利用系数—冶炼强度优选图(见图11),它反映利用系数与冶炼强度之间的非线性关系,由图中的峰值可知当冶炼强度控制在某一范围时,利用系数能够达到最大值。
5)利用系数—铁水含硅量优选图(见图12),它反映利用系数与铁水含硅量[Si]之间的非线性关系,由图中的峰值可知当[Si]控制在某一范围时,利用系数将达到最大值。
6)利用系数—炉渣碱度优选图(见图13),它反映利用系数与渣碱度(R)之间的非线性关系,由此可知当碱度控制在某一范围时利用系数将达到最大值。
7)铁水含硫量—铁水含硅量优选图(见图14),它反映铁水的质量指标—铁水含硫量[S]与铁水含硅量[Si]的非线性关系。由此计算满足铁水质量要求的铁水含硅量[Si]的优化控制范围。
8)铁水含硫量—炉渣碱度优选图(见图15),它反映铁水的质量指标—铁水含硫量[S]与炉渣碱度(R)的非线性关系。由此计算满足铁水质量要求的炉渣碱度(R)的优化控制范围。
综合图8~图15,我们可以计算得到既满足铁水质量要求,又尽可能挖掘高炉生产潜力的铁水含硅量[Si]与炉渣碱度(R)的最优控制范围。
9)配料碱度—炉渣碱度关联图(见图16),它反映理论渣碱度LZR与实际炉渣碱度(R)的非线性关系。由此可以得知:在最佳炉渣碱度(R)确定后,最佳配料碱度LZR也就随之确定。
由此得到高炉冶炼过程重要参数的最佳状态与随机最优控制范围,并且随着高炉条件的变化,通过自学习修正优化参数范围。
通过以上多种数学模型计算高炉过程的最佳状态与主要参数的随机最优控制范围,其结果以图表方式提供给高炉工长,指导工长的调控。这些优化模型计算都是手工无法实现的。现在工长只要调用模块,按照操作步骤进行人机会话,即可在线快速计算得到高炉冶炼过程的最佳参数,工长按照统一的参数最佳范围进行调控,当然能够改善高炉的技术经济指标。
5)高炉冶炼过程铁水含硅量的智能控制模块
应用神经网络算法建立冶炼过程铁水含硅量[Si]控制的偏微分方程是本项技术的核心。所建立的智能控制偏微分方程是:
式中
是铁水含硅量的变化量,
是料速变动指数,
是透气性变动指数,
是铁量差指数,τ1为时间滞后量,
是煤气利用率变动指数,
是风量变动指数,
是风温变动指数,
是喷煤速率变动指数,
是风湿变动指数,而A、F、C、Q、L、W、B、S各项常系数则是以某一设定的样本容量的数据,按照多元回归自学习得到的回归系数。该方程计算得到的结果以“炉温智能控制***图”的形式显示在2号优化站屏幕上,并且跟随冶炼作业进程,每30分钟进行一次预测计算和更新画面,作为工长动态控制炉温的指示仪表,控制炉温向着最佳状态发展。
图17是炉温智能控制***图。该图每30分钟按照最新自动采集的数据和化验室、过磅站终端录入的数据自动刷新一次,为工长调控炉温提供操作指导。图17的上方是最近4炉铁水的含硅量[Si]—含硫量[S]的状态及下一炉的预测。图17的左边是3项状态变量的变动直方图;右边是3项控制变量的变动直方图。中间则是按照出铁后30分钟—60分钟—90分钟分3次自动判断料速—透气性—风量—喷煤的状态与控制变动,炉温的发展方向以及对控制变量(喷煤—风量—风温)控制对策的建议,包括工长自主判断的结论与控制效果。
根据炼铁工艺的特点,每间隔30分钟时间在2号优化站上自动地进行一次铁水含硅量[Si]偏微分方程的计算。这样,在一炉铁约2小时冶炼期间,可进行3次预测控制。它改变了原来各种炉温预报模型在冶炼一炉铁期间只有一次预报和验证的被动状况。在3次预测控制中,如果前面时间的控制变动在偏微分方程计算结果中不符合炉温的优化控制要求,那么在随后半小时中可以修正控制。一炉铁冶炼过程可有3次修正控制的机会,可以保证炉温向着优化范围发展。
试验表明,应用本发明可使高炉炉温平稳控制水平提高,包括悬料等炉况故障的次数显著减少,铁水含硅量[Si]预测控制的命中率达到85%以上,取得了提高利用系数,降低焦比的显著技术经济效益。
Claims (4)
1.一种智能控制高炉冶炼的***,包括在线动态采集高炉数据的传感器,装备在高炉主控制室用于判断高炉本体工作状态、高炉热状态和高炉冶炼进程顺行状态的若干个操作站组成的微机监控***,在高炉主控制室设置1号优化站和兼作服务器的2号优化站两台微机,该两台微机与若干个操作站组成主控室微机局域网,构成工长智能化操作的硬件平台;在炼铁厂设置服务器,与槽下配料子工序的终端,卷扬布料子工序的终端,富氧鼓风子工序的终端,喷煤子工序的终端,化验室终端,以及厂长办公室、技术科、机动科、生产统计科、调度室管理部门的终端联网,组成炼铁厂局域网,并且与主控室局域网联网,形成炼铁过程信息实时采集与自动传送的网络***;在1号优化站设有为工长控制冶炼进程提供操作的智能控制***软件模块,所说的智能控制***软件模块包括:数据库模块,冷却***设备诊断模块,炉况顺行故障诊断模块,配料优化计算模块,最佳热状态与随机最优控制计算模块,铁水含硅量与含硫量的智能控制模块,以及管理报表自动生成模块,在2号优化站设有按冶炼程序流程自动显示智能控制图表和冷却***故障、炉况顺行故障指示图表的模块,其特征在于在高炉最佳热状态与随机最优控制模块中建立了多目标优化模型公式如下:
3.根据权利要求1所述的智能控制高炉冶炼的***,其特征在于:所说的服务器是工业用服务器,优化站、操作站与终端均采用奔腾III型以上微机。
4.根据权利要求1所述的智能控制高炉冶炼的***,其特征在于设在1号优化站的智能控制***软件模块具有数据库层、程序层和人机交互界面层的3层结构,数据库层包括:由高炉可编程序控制器PLC上自动采集的数据与作业点手工录入的数据,分50个数据表在服务器上建立起分钟级、小时级不同层次的原始数据库,由炼铁工艺原理与经验建立的专家知识库和由数学模型计算得到的优化参数库;程序层包括:各数学模型的数量计算程序、各逻辑判断程序和知识推理程序,人机交互界面层包括:为工长提供操作数据及结果预测的各种智能化图表与数据画面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB021375690A CN1207399C (zh) | 2002-10-17 | 2002-10-17 | 智能控制高炉冶炼的*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB021375690A CN1207399C (zh) | 2002-10-17 | 2002-10-17 | 智能控制高炉冶炼的*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1403594A CN1403594A (zh) | 2003-03-19 |
CN1207399C true CN1207399C (zh) | 2005-06-22 |
Family
ID=4749034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB021375690A Expired - Fee Related CN1207399C (zh) | 2002-10-17 | 2002-10-17 | 智能控制高炉冶炼的*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1207399C (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915027A (zh) * | 2012-11-16 | 2013-02-06 | 武汉钢铁(集团)公司 | 一种基于模式识别技术构建的高炉冶炼专家***及其方法 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100485047C (zh) * | 2006-12-18 | 2009-05-06 | 冶金自动化研究设计院 | 高炉智能诊断与决策支持*** |
CN101329566B (zh) * | 2008-07-31 | 2010-06-09 | 中冶南方工程技术有限公司 | 高炉供料***与高炉布料***之间数据传递控制方法 |
CN101794128A (zh) * | 2010-02-26 | 2010-08-04 | 山西太钢不锈钢股份有限公司 | 高炉炉前实时信息监视*** |
CN102703626B (zh) * | 2012-06-16 | 2014-01-15 | 冶金自动化研究设计院 | 高炉co2排放智能优化控制*** |
CN102855416B (zh) * | 2012-09-30 | 2015-04-01 | 高亨达 | 有色金属冶炼数字化管理*** |
CN104651557B (zh) * | 2015-03-16 | 2017-03-08 | 中冶赛迪工程技术股份有限公司 | 一种高炉喷煤速率设定方法 |
CN105404146B (zh) * | 2015-11-10 | 2019-01-04 | 国家电网公司 | 一种电石炉炉况诊断方法和*** |
DE102017103830A1 (de) * | 2016-02-29 | 2017-08-31 | Fanuc Corporation | Maschinensystem, maschinensteuercomputer, basissoftwareanwendung, computerlesbares speichermedium, und maschinensteuerungsverfahren für die interkommunikation mit maschinen |
CN105974896B (zh) * | 2016-06-07 | 2018-08-28 | 东北大学 | 一种基于信息物理融合的转炉炼钢优化控制***及方法 |
CN106676227A (zh) * | 2017-02-08 | 2017-05-17 | 辽宁鸿盛冶金科技有限公司 | 一种转炉主要操作制度综合智能模型 |
CN108941496B (zh) * | 2017-05-17 | 2020-06-16 | 上海梅山钢铁股份有限公司 | 炼钢连铸过程质量实时跟踪及控制***及方法 |
CN110857837B (zh) * | 2018-08-22 | 2021-08-17 | 南京梅山冶金发展有限公司 | 一种基于多高炉原燃料输送物流智能控制方法 |
CN109815282A (zh) * | 2018-12-03 | 2019-05-28 | 江苏省沙钢钢铁研究院有限公司 | 一种炼铁***大数据平台 |
CN113110322B (zh) * | 2021-04-09 | 2022-05-20 | 广东韶钢松山股份有限公司 | 一种虚拟工长决策控制方法、装置、***及存储介质 |
CN113234874B (zh) * | 2021-05-14 | 2022-01-11 | 浙江大学 | 一种基于动态贝叶斯网络的高炉故障监测与自愈控制*** |
WO2023131858A1 (en) * | 2022-01-04 | 2023-07-13 | Tata Steel Limited | Method and system for determining and controlling thermal level of a blast furnace |
-
2002
- 2002-10-17 CN CNB021375690A patent/CN1207399C/zh not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915027A (zh) * | 2012-11-16 | 2013-02-06 | 武汉钢铁(集团)公司 | 一种基于模式识别技术构建的高炉冶炼专家***及其方法 |
CN102915027B (zh) * | 2012-11-16 | 2014-08-13 | 武汉钢铁(集团)公司 | 一种基于模式识别技术构建的高炉冶炼专家***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN1403594A (zh) | 2003-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1224720C (zh) | 一种利用智能控制***控制高炉冶炼的方法 | |
CN1207399C (zh) | 智能控制高炉冶炼的*** | |
CN108763550B (zh) | 高炉大数据应用*** | |
CN105925750A (zh) | 一种基于神经网络的炼钢终点预测方法 | |
CN1038146C (zh) | 利用人工智能专家***控制高炉冶炼的方法 | |
CN106909705A (zh) | 一种高炉铁水质量预报方法及其*** | |
CN111831719A (zh) | 一种高炉炼铁的生产过程智能控制方法及*** | |
CN111893237B (zh) | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 | |
CN1766130A (zh) | 一种高炉热风炉***协调控制方法 | |
CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
CN102876838A (zh) | 一种转炉内碳含量和温度检测*** | |
CN112226563A (zh) | 一种炼铁热风炉烟气二氧化硫排放源头管控方法与*** | |
CN113761787A (zh) | 基于深度迁移网络的高炉铁水硅含量在线预测方法及*** | |
CN114626303A (zh) | 一种基于神经网络的高炉炉温预测及指导操作的方法 | |
CN107164597A (zh) | 一种无副枪无炉气检测一键式转炉自动炼钢方法 | |
CN116306272A (zh) | 一种基于大数据的转炉热损失率预测方法 | |
CN115293453A (zh) | 一套钢铁厂热工***能效根因分析优化方法 | |
CN111680932B (zh) | 一种高炉异常炉况成因的获取方法和装置 | |
Bazhanov et al. | Development of control system for a complex technological object using fuzzy behavior charts | |
Trofimov et al. | Generalized structure of an intelligent control system for technological objects and experience of its use | |
Trofimov | Automated expert systems in blast-furnace process control | |
CN215895295U (zh) | 一种钢铁行业含铁金属物料加热自动化控制*** | |
CN117806169B (zh) | 基于神经网络的炉温预警优化方法、***、终端和介质 | |
Agrawal et al. | Improving Blast Furnace Operations Through Advanced Analytics | |
CN210765374U (zh) | 基于经验值模型的热风炉空燃比快速寻优*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20050622 Termination date: 20111017 |