车玉满，郭天永，孙鹏，姜喆，姚硕，费静，刘炳南
（鞍钢集团钢铁研究院，辽宁 鞍山114009）
摘要：阐述了我国高炉智能技术发展历程与存在问题，介绍了高炉大数据云平台的基本构成和高炉冶炼过程可视化技术，并对高炉大数据平台发展方向进行了探讨。
关键词：高炉；专家系统；大数据；可视化
自 1996 年以来，我国历年钢铁产量都高居世界第一，目前产能达到 12 亿 t/a。我国钢铁行业体量庞大，势必造成整个行业产能过剩、企业之间竞争激烈、利润率低等问题，迫使企业从过去简单地扩张产能，转向谋求转型升级。因此，企业必须建立信息化、智能化生产与管理模式，极大化提高生产效率、精细化控制生产成本，提高企业竞争力[1]。
目前，我国高炉已经完成大型化、现代化改造，大量信息技术已在高炉工序得到推广与应用，但是由于高炉工序复杂，除高炉本体外，还包括原燃料供应工序、热风炉工序、煤粉喷吹工序、渣铁处理工序以及化检验系统等，大量附属工序数据独立在“信息孤岛”，因为缺乏合适的处理技术，很多数据没有得到有效整合，没有经过分析和加工转化为更有价值的信息，成为信息化、智能化技术在高炉上应用的限制环节。应用大数据技术和互联网+技术可以有效整合高炉各工序数据，结合冶炼工艺机理，对数据进行多维度深度挖掘，提高对高炉冶炼过程规律的认识和一些特殊现象的解析。利用物联网+、大数据云平台等技术对高炉工序全流程进行系统转型升级，实现大数据融合，打破信息孤岛，对生产过程PLC 系统、 检化验系统 （Lims 系统）及 MES 系统等进行统一采集、存储及预处理，结合高炉冶炼机理开发高炉数学模型，提升高炉生产、管理整体信息化、智能化水平，高炉冶炼实现从“黑盒子”向“白盒子”的实质性突破。
1 我国高炉智能技术发展历程与存在问题
1.1 高炉智能技术发展历程
高炉冶炼过程是在密闭容器（也被称为“黑盒子”）内进行的复杂过程，在“黑盒子”内发生的物理反应、化学反应、传热过程、传质过程都无法直接测量和跟踪，因此，高炉操作过分依赖操作人员经验知识[2]。为实际解析高炉冶炼过程中各种现象，从 20 世纪 70 年代开始，主要由日本、前苏联等国家对多座在线生产高炉和小型实验高炉进行整体解剖[3]，调查分析高炉内温度场分布、炉内含铁原料下降与还原过程行为、高炉内焦炭行为、炉内渣铁形成过程与规律、高炉料柱结构及形成机理、高炉侵蚀炉型和形成机理，开展系统物理模型模拟实验，早期开发大量数组模型用于解析高炉内一些特殊现象和规律，主要是机理模型和数理统计数学模型。随着计算机技术在高炉工艺的应用，陆续开发出针对高炉布料、回旋区固体运动、炉缸焦炭颗粒运动、炉内多相流动等数学模型[4-5]。数学模型从一维逐渐发展到二维和三维，经过不断完善与发展， 一些数学模型已融合到高炉专家系统中。我国高炉专家系统几种主要类型[6]如表1 所示。
1.2 国内高炉专家系统存在问题
大部分企业的高炉专家系统在应用一段时间后，均由于各种原因没能达到预期目标，最终被放弃应用。主要原因如下：
（1） 高炉附属工序数据独立在“信息孤岛”，整个炼铁工序数据得不到有效整合，无法深度挖掘数据内涵，专家系统无法完整解析高炉内一些特殊现象；
（2） 化检验数据失真或数据输入滞后，专家系统得到数据不可靠或数据时效性差，造成推理机给出错误的反馈信息，高炉操作人员对专家系统失去信任；
（3） 高炉专家系统缺少有效维护，尤其是引进的高炉专家系统，由于没有培养自己的专业维护人员，专家系统得不到有效维护与完善，最终被迫放弃应用。
如上所述，由于存在“瓶颈”问题，以往高炉专家系统在国内并没有得到进一步发展， 但随着信息技术、智能技术，尤其是大数据技术的发展与应用，大数据云平台技术开始在高炉工序得到应用。
2 高炉大数据云平台基本构成
在新形势下，我国经济已由高速增长阶段转向高质量发展阶段，《中国制造 2025 发展规划》明确了制造强国战略政策体系，加快传统工业化和信息化深度融合，把数字化、网络化、智能化、绿色化作为提升产业竞争力的技术基点。“钢铁行业转型以智能制造为方向”，依靠信息化打造智能化钢铁企业，《钢铁“十三五”规划》和《钢铁行业投资指南》中明确提出培育形成一批钢铁智能制造工厂，尤其是支持钢铁生产关键工序的大数据中心平台建设，因此，结合信息化技术、物联网技术，钢铁联合企业高炉生产智慧化和集约化将成为新的发展方向[7]。
2.1 建立以高炉为核心大数据处理中心
将先进信息技术、物联网技术结合应用于高炉上，建立以高炉为核心覆盖其它炼铁工序数据源和大数据的处理中心，打破“信息孤岛”，高炉主体工序与附属工序数据同步采集与预处理，建立集团公司级炼铁大数据云平台，为高炉群实现集约化管理模式奠定基础。高炉大数据网络平台拓扑如图 1 所示。
大数据云平台直接采集数据来自高炉本体及其附属工序的基础自动化，具体采集数量及采集周期根据数学模型、专家系统、可视化监控系统要求而定，原燃料成分、渣铁成分分析数据来源于Lims 系统，原燃料价格、单耗数据来源 MES 系统，系统自动将这些数据保存到数据中心数据库中，然后对数据进行预处理、分析后，将数据重新分类，按时间数列存储在不同数据表中。大数据云平台充分利用互联网、大数据等先进技术，打破附属工序“信息孤岛”，使整个数据链得到充分融合[8]。
2.2 建立高炉机理模型与生产管理结合数学模型
在大数据平台基础上，深度解析高炉冶炼机理以及高炉多元、多相、多场强烈耦合的内部现象，将高炉冶炼机理与数据分析融合，修正与重构高炉数学模型。
炼铁专业机理模型主要包括以下几部分：
（1） 高炉物料和能源利用热平衡计算模型遥根据要求实时进行物料计算和热平衡计算、RIST 操作线计算、高炉配料计算及炉渣成分预测计算和高炉生产成本计算等[9]。 RIST 操作线计算案例如图 2 所示。
图 2 中操作线反映了 O 的传输过程。纵坐标代表 O 的来源，横坐标代表 O 的去向，操作线 AE 斜率代表实际冶炼碳比（碳素消耗），直线 PW 代表 FeO+CO=Fe+CO2 反应达到理想所产生的碳比，炉身工作效率代表上述反应到达理想的程度，EB 代表高炉内 FeO 直接还原过程，BA 代表间接还原过程。理想状态下 S 点与 W 点重合，S 点与 W 点越近，则炉身工作效率越高，反之，则炉身工作效率低。
（2） 高炉冶炼工艺计算模型。主要包括高炉数据报表自动生成、鼓风动能在线计算、风口理论燃烧温度在线计算、炉缸安全容铁量在线计算尧理论渣铁量计算、炉缸死焦堆状态及炉缸活跃指数计算等。
（3）高炉炉况综合评价。汇集全方位数据，对数据溯源分析，对特征数据提取、整合、结果推送，推送变更操作影响因素、 上一班次操作参数炉况评价和运行趋势分析。
2.3 高炉大数据全流程挖掘与云计算
基于大数据云平台构建多目标优化系统，在云计算平台基础上进行大数据分析，形成包含各工艺阶段的全面工艺分析、智能监测、智能优化。将大数据深度挖掘与自学习技术应用于高炉冶炼过程，针对设定目标实现高炉大数据内在规律的自学习与炉况预测及高炉操作自决策，有效突破传统专家系统存在的“瓶颈”，大幅提升智能化水平。
将历史数据与当前操作关联，实现高炉生产过程多种操作参数优化，推算最佳高炉工艺路线。主要内容如下：①高炉典型操作炉型大数据分析与分类，包括高炉高产、低耗操作炉型优化后的工艺参数，高炉高产操作炉型优化后工艺参数，高炉低耗操作炉型优化后工艺参数；于高炉稳定顺行状态大数据分析； ②高炉上部煤气流分布管控；③高炉中部煤气流分布管控；⑤高炉下部煤气流分布管控。
3 实现高炉冶炼过程可视化技术
传统上高炉内被业界称为“黑盒子”，即在“黑盒子”内所发生各种现象都无法直接测量，高炉操作只能依赖操作人员经验，但随着检测技术进步和智能技术应用，通过构建多源信息融合交互性的高炉冶炼环境，充分发挥大数据的价值，在高炉大数据云平台交互基础上，高炉冶炼全过程逐步实施可视化监控，实现“黑盒子”向“白盒子”的突破性进步。
3.1 炉顶料面三维可视化监控系统
高炉炉顶热成像仪监测炉内气流分布状况，可以清晰显示料面温度和炉内气流分布的状况，形成料面圆周方向图像，通过图像识别技术建立料面温度分布参数，经过数学模型模拟计算，计算各环位炉料落点、各种布料制度料面形状、炉喉径 向 O/C 分布，指导高炉布料操作[10]。 炉顶料面热成像如图 3 所示，炉顶料面 O/C 分布如图 4 所示。
3.2 高炉操作炉型可视化监控系统
建立高炉炉内不同区域炉墙内型变化和炉内气流分布判断模型，实现对炉体的内衬厚度、渣皮厚度、操作炉型的在线监测和图像重建，对炉墙结瘤、渣皮频繁脱落、操作炉型不合理等异常情况进行诊断[11]。高炉操作炉型监控示意图如图 5 所示。
3.3 高炉风口回旋区三维可视化监控系统
应用多视角的高炉风口 CCD 图像，利用图像识别技术建立高炉风口回旋区模型，提取图像温度数据，可视化地反映回旋区分布情况，监控风口区域焦炭运动、喷吹煤粉流股大小，及时发现风口区域“生降”等，判断高炉炉缸工作状态[12]。
3.4 三维数字化炉缸内衬侵蚀可视化诊断系统[13]
有效实现复杂条件和不充分条件下的炉缸内衬侵蚀三维可视化监控，实现各个服役阶段炉缸的三维圈方位侵蚀诊断和安全评估，科学确定炉缸内衬的安全厚度和安全预警线，科学制定目标炉缸安全维护技术，保证高炉安全受控。炉缸内衬侵蚀三维监控如图 6 所示。
4 高炉大数据云平台发展方向
目前，我国高炉已经完成大型化、现代化改造，炼铁工序装备大量先进技术，为大数据技术应用和实现智能化管理提供了良好的基础条件，例如检测仪表齐全、基础自动化装备好的高炉，会积累一代炉役的各种数据，如何把各种数据集中在数据中心、分类处理，建立以高炉为核心的数据平台，尤其是配置多座高炉的企业，更应该建立大数据中心，在数据平台基础上，分析出有价值的数据，建立高炉冶炼过程数学模型和专家系统，对高炉冶炼过程发生的所有现象进行智能分析、预测、诊断和可视化管理，实现设备智能化点检，最终实现企业高炉生产集约化管控模式，实现精细化、智能化炼铁，对钢铁行业意义重大。
高炉群智能化、集约化管理模式如图 7 所示，是以大数据技术及配套数学模型和人工智能技术为基础，主要包括下列内容。
4.1 高炉大数据云平台设计与研发
整合现有高炉信息系统，包括高炉本体温度、流场、操作参数，高炉矿焦槽上料、消耗数据、热风炉数据、煤粉喷吹数据、炉前操作数据、出铁出渣数据，此外，还应该包括 ERP 系统、MES 系统、化检验 Lims 系统以及设备工作状态参数等数据。以上述数据构建企业内大数据私有化云服务系统，通过大数据云平台交互功能设计与研发，实现大数据采集、数据存储和客户端交互，进行大数据分析和预处理、数据分类和数据挖掘，按数学模型和专家系统需求，按时间顺序分类储存，从数学模型计算结果中生成高炉生产调度管理系统。
4.2 在大数据云平台上开发与应用生产过程数学模型
为加强对高炉生产过程管控和为高炉操作人员提供辅助，数学模型必须包括一些机理数模、工艺计算模型，以高炉工艺模型为核心，构建多目标智能优化体系，在云平台的基础上实现数学模型集成，形成一套包含各工艺阶段、各种监测预警的完整数学模型系统。
4.3 在大数据云平台基础上开发与应用高炉专家系统
应用大数据挖掘与机器自学习技术，建立高炉炉况综合评价系统、异常炉况预报与诊断系统，应用自学习优化算法，随着高炉炉役发展、原燃料条件变化，实时修改、完善高炉专家知识库、规则库，实现高炉大数据内在规律的高炉操作自决策系统，有效解决以往专家系统存在的“瓶颈”问题，大幅提升智能化水平。
4.4 在大数据云平台基础上开发与应用高炉冶炼
全过程 3D 可视化监控系统基于 3D 数值模拟仿真技术，采用离散元、有限元和多相流体力学计算方法，对高炉全过程包括上部煤气流分布、料面形状，中部炉体操作炉型，下部煤气流分布、回旋区形状和软融带形状实施三维可视化监控，实现高炉生产由“黑盒子”向“白盒子”突破，帮助高炉操作者直观了解高炉内部冶炼状况和现象。
4.5 在大数据云平台基础上开发与应用高炉智能配料和上料系统
根据大数据平台中各种炉料成分数据和设定的冶炼制度，结合物料平衡和热平衡计算结果，计算出原料和燃料用量及其配比， 然后反馈给上料系统，实现高炉智能化配料和上料，提高炉温和炉况稳定性。
4.6 在大数据云平台基础上开发与应用设备智能化点检
高炉工序所涉及各种设备的数量种类众多尧分布区域广，到目前为止，主要是设备点检人员人工作业遥通过大数据平台实时采集设备状态数据，经过数据筛选、处理、特征分类，实现对设备状态的远程实时监测、诊断和管理，在线远程反映被监测设备的真实运行状态，采取正确的维护措施，缩短维修时间，降低设备的维修费用，提高产品的竞争力。
5 结语
发展高炉大数据已成为必然趋势，在高炉大数据云平台交互平台基础上，发挥大数据挖掘与智能分析等核心功能，深度挖掘大数据中蕴藏内在关联规律，提出高炉冶炼过程数据特征，在大数据云平台基础上开发与应用高炉冶炼过程数学模型、高炉冶炼全过程 3D 可视化监控技术、高炉专家系统，有效评价高炉炉况、预测与诊断异常炉况，并实施操作指导，实现对炼铁全过程的实时监控。对装配多座高炉的企业，实现集约化集控管理，达到提高高炉生产效率、降低劳动强度的目标，同时实现绿色、高效、智能炼铁。
参考文献
[1] 杨天钧, 张建良, 刘征建, 等. 野新常态冶下高炉炼铁技术转型升级和创新之路[C]// 第十届中国钢铁年会暨第六届宝钢学术年会论文集. 上海: 中国金属学会, 2015: 1-18.
[2] 陈建华, 徐红阳. 野高炉专家系统冶 应用现状和发展趋势[J]. 现代冶金, 2012, 40(3): 6-10.
[3] 周传典. 高炉炼铁生产技术手册 [M]. 北京: 冶金工业出版, 2012: 163-170.
[4] 马富涛, 张建良, 张磊, 等. 铁前数模技术进展与大数据应用探讨[J]. 钢铁, 2018, 53(12): 1-9.
[5] 储满生, 郭宪臻, 沈峰满, 等. 多流体高炉数学模型的开发和应用[J]. 钢铁, 2007, 42(12): 11-15.
[6] 叶冬柏. 高炉数学模型和专家系统的研究[D]. 沈阳: 东北大学, 2007.
[7] 孙小东. 高炉生产数据分析平台的开发[J]. 工业加热, 2017, 46 (5): 60-65.
[8] 牛海宾, 孙茂锋, 杨进. 大数据在高炉炼铁生产中的应用与愿景[J]. 河北冶金, 2018(1): 51-59.
[9] 车玉满, 郭天永, 孙鹏, 等. 高炉降低碳素消耗技术研究[J]. 鞍钢技术, 2018(5): 16-20.
[10] 高征铠, 高泰. 高炉可视化与仿真技术的创新和实践[J]. 中 国冶金, 2013, 23 (2): 8-11.
[11] 赵东明, 李建军, 曾宇, 等. 鞍钢 4 号高炉炉墙结厚原因及解决措施[J]. 鞍钢技术, 2019(1): 48-50.
[12] 陈克武. 高炉回旋区形状的数值模拟与可视化研究[J]. 金属材料与冶金工程, 2016(5): 23-28.
[13] 石琳, 程素森, 孙亮. 高炉炉缸三维侵蚀形状的可视化技术[J]. 冶金自动化, 2005(1): 5-9.