高爐煉鐵生產(chǎn)中的大數(shù)據(jù)技術研究現(xiàn)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(xiàn)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(guī)劃的實施，工業(yè)大數(shù)據(jù)的發(fā)展成為制造業(yè)轉型升級的重心。隨著新一輪產(chǎn)業(yè)變革和技術革命的快速興起，鋼鐵制造業(yè)在轉型升級、互聯(lián)網(wǎng)＋的推進下，加快工業(yè)化信息化發(fā)展，邁入建設智能工廠的歷史新階段[1]。

快速發(fā)展的數(shù)據(jù)格局，促使國內部分領先的鋼鐵企業(yè)開始通過物聯(lián)網(wǎng)、云計算、移動互聯(lián)網(wǎng)和大數(shù)據(jù)等技術的應用，加快實現(xiàn)自動化、數(shù)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(chǎn)管理模式。

工業(yè)大數(shù)據(jù)是實現(xiàn)智能制造的基礎，是企業(yè)轉型升級搶占未來制高點的關鍵。工業(yè)大數(shù)據(jù)是指通過對工業(yè)生產(chǎn)的大量數(shù)據(jù)的分析，挖掘出工業(yè)生產(chǎn)過程的潛在規(guī)律，實現(xiàn)工業(yè)的智能化生產(chǎn)、決策和調控，以及生產(chǎn)過程的可視化。隨著大數(shù)據(jù)技術的不斷發(fā)展，高爐煉鐵生產(chǎn)中已逐漸呈現(xiàn)出各種數(shù)字化和智能化的應用，如燒結終點預報模型、高爐煉鐵大數(shù)據(jù)平臺、鐵水溫度的預測模型、爐缸工作狀態(tài)的預報及反饋系統(tǒng)等。大數(shù)據(jù)技術在高爐煉鐵生產(chǎn)中的不斷應用，體現(xiàn)了鋼鐵行業(yè)加快實現(xiàn)數(shù)字化和智能化的目的，也為我國鋼鐵行業(yè)實現(xiàn)綠色制造提供了扎實的理論和實踐基礎。

1 燒結生產(chǎn)中的大數(shù)據(jù)技術研究現(xiàn)狀

大數(shù)據(jù)技術在燒結生產(chǎn)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(shù)方面。研究結果可為燒結生產(chǎn)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(wěn)定生產(chǎn)提供保證。

袁致強[2]研究了基于深度置信網(wǎng)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(xiàn)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(tǒng)運行順通。

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

汪清瑤等[4]根據(jù)燒結礦歷史生產(chǎn)數(shù)據(jù)建立以燒結礦轉鼓強度和耐磨指數(shù)為指標的預測模型，隨后對基于瞬發(fā)γ中子活化分析( PGNAA)成分技術的工業(yè)物料在線檢測儀器檢測，經(jīng)化學式轉化得到的數(shù)據(jù)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(yōu)化的BP神經(jīng)網(wǎng)絡預測燒結礦FeO含量，并與傳統(tǒng)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(wǎng)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(jīng)網(wǎng)絡的燒結礦成分預測模型，在此基礎上通過專家規(guī)則技術，建立配料優(yōu)化模型。以生產(chǎn)成本為目標，以化學成分指標為約束，求取較優(yōu)的配料比，實現(xiàn)了燒結配料優(yōu)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(shù)為0.78。

燒結生產(chǎn)過程中相關預測模型的開發(fā)，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(shù)據(jù)波動大、重要參數(shù)缺失和存儲時間短等問題，給開發(fā)者在數(shù)據(jù)的處理、分析及預測系統(tǒng)的開發(fā)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(xiàn)場數(shù)據(jù)的準確性需要引起鋼鐵企業(yè)的重視。

2 高爐生產(chǎn)中的大數(shù)據(jù)技術研究現(xiàn)狀

隨著大數(shù)據(jù)技術的不斷應用，從各高爐數(shù)據(jù)平臺的建立，到高爐生產(chǎn)中鐵水硅含量、鐵水溫度和鐵水質量等重要參數(shù)預測模型的開發(fā)，我們發(fā)現(xiàn)鋼鐵企業(yè)已經(jīng)向“綠色和智能”煉鐵新模式的大方向轉變。

2.1 高爐大數(shù)據(jù)平臺的建立

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

在“研究應用高爐大數(shù)據(jù)，推動智能煉鐵發(fā)展”的專題報道中指出，河鋼承鋼開展了“高爐大數(shù)據(jù)智能預測系統(tǒng)”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(shù)據(jù)應用與智能煉鐵開展研發(fā)工作。通過交叉學科前沿技術的集成與實際應用，實現(xiàn)高爐大數(shù)據(jù)云平臺交互、高爐冶煉過程可視化、大數(shù)據(jù)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(shù)據(jù)云平臺技術在高爐工藝中的應用與發(fā)展進行了綜述，指出高爐大數(shù)據(jù)云平臺是以高爐為核心的大數(shù)據(jù)處理中心，可以建立高爐機理模型與生產(chǎn)管理相結合的數(shù)學模型，也可以進行高爐大數(shù)據(jù)全流程挖掘與云計算。對于裝配多座高爐的企業(yè)，可以實現(xiàn)集約化集控管理，達到提高高爐生產(chǎn)效率、降低勞動強度的目標，同時實現(xiàn)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(yè)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(jù)，從而穩(wěn)定爐缸狀態(tài)。

馬淑艷[9]基于高爐數(shù)據(jù)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(yōu)秀的處理非線性數(shù)據(jù)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(tǒng)研究了數(shù)據(jù)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(shù)據(jù)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(xiàn)較好的預測。利用 LABVIEW和MATLAB混合編程方法開發(fā)了“高爐鐵水硅含量預測系統(tǒng)”，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(tǒng)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(jù)時間序列趨勢及相關系數(shù)選擇自變量，并對復雜工況的實際生產(chǎn)數(shù)據(jù)進行驗證。然后用程序自動求解較優(yōu)參數(shù)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(yōu)勢。研究發(fā)現(xiàn)LSTMRNN模型預測誤差穩(wěn)定，預測精度較高，比傳統(tǒng)的統(tǒng)計學及神經(jīng)網(wǎng)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(wěn)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(xiàn)高爐冶煉成本。隨著高爐煉鐵工藝的高速發(fā)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(xié)助現(xiàn)場工人對高爐進行過程控制，保證高爐穩(wěn)定順行。

李愛蓮等[13]針對傳統(tǒng)高爐溫度模型的固有缺陷，提出了一種基于灰色關聯(lián)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(lián)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(jīng)網(wǎng)絡，最后運用現(xiàn)場數(shù)據(jù)對模型進行訓練和測試，并與傳統(tǒng)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(xiàn)場工人了解操縱高爐的要求。

李愛蓮等[14]基于BP神經(jīng)網(wǎng)絡的數(shù)據(jù)預處理方法建立高爐鐵液溫度預測模型。首先通過對數(shù)據(jù)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(chuàng)新的智能優(yōu)化算法（粒子群蟻群算法）優(yōu)化BP神經(jīng)網(wǎng)絡的參數(shù)，從而提高模型的精度。依據(jù)生產(chǎn)現(xiàn)場實際數(shù)據(jù)進行的試驗表明，所建立的基于數(shù)據(jù)預處理與智能優(yōu)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(chǎn)現(xiàn)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(jīng)網(wǎng)絡多元時間序列模型和T-S模糊神經(jīng)網(wǎng)絡多元時間序列模型。應用高爐實際數(shù)據(jù)做模型檢驗，結果表明，T-S模糊神經(jīng)網(wǎng)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(shù)之一。一方面，鐵水質量可反映爐內反應狀況，是用于調節(jié)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(chǎn)品質，并直接決定后續(xù)煉鋼等工序的質量。鐵水質量的預測能夠使操作人員根據(jù)預測結果提前調整爐況，穩(wěn)定鐵水質量，保持高爐平穩(wěn)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(xiàn)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(wěn)貝葉斯準則來解決此問題。將LSTM模型應用于鐵水質量建模?；趯煞N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(tài)，然后使用LSTM模型對前者的殘差進行建模。最終實現(xiàn)縮減LSTM規(guī)模的同時提升了準確率。

2.5 高爐其他主要參數(shù)的預測

隨著大數(shù)據(jù)技術在高爐煉鐵生產(chǎn)中的快速發(fā)展和應用，除鐵水硅含量、鐵水溫度和鐵水質量等重要參數(shù)預測模型不斷被開發(fā)出外，高爐煤氣利用率、入爐焦比和爐缸內襯熱面狀態(tài)等參數(shù)的預測也逐漸被開發(fā)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(shù)（時滯時間和嵌入維數(shù)）。最后基于已獲的混沌重構相空間參數(shù)，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?，F(xiàn)場實際數(shù)據(jù)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(lián)度分析和粒子群算法優(yōu)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(lián)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(shù)進行優(yōu)化，最后用優(yōu)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(fā)生量進行預測。結合某鋼鐵企業(yè)實際的原始數(shù)據(jù)，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(shù)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(shù)據(jù)技術應用在高爐煉鐵生產(chǎn)中的展望

目前，大數(shù)據(jù)技術已在我國高爐煉鐵的生產(chǎn)中實現(xiàn)了開發(fā)和應用。隨著大數(shù)據(jù)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(chǎn)的步伐。但大數(shù)據(jù)技術應用的前提是標準化的工業(yè)大數(shù)據(jù)，即在規(guī)范的、屬性明確的和可追溯可定位的大數(shù)據(jù)規(guī)范體系下，能隨時進行數(shù)據(jù)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(yè)的高爐煉鐵數(shù)據(jù)，由于煉鐵設備的復雜性、檢化驗結果的時滯性、現(xiàn)場數(shù)據(jù)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(shù)等問題，使大數(shù)據(jù)應用在煉鐵生產(chǎn)中的準確性降低，甚至不能滿足生產(chǎn)需求。因此，我們要對煉鐵大數(shù)據(jù)，乃至工業(yè)大數(shù)據(jù)進行數(shù)據(jù)標準化，以滿足大數(shù)據(jù)技術的開發(fā)與應用。

對高爐大數(shù)據(jù)的標準化，提出以下建議：

（1）建立統(tǒng)一的數(shù)據(jù)基礎標準，包括：參數(shù)術語、數(shù)據(jù)表格式、數(shù)據(jù)庫模式和大數(shù)據(jù)構架標準等；

（2）建立統(tǒng)一的數(shù)據(jù)采集標準，包括：各工序的數(shù)據(jù)采集參數(shù)、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(tǒng)一的大數(shù)據(jù)技術標準，包括：數(shù)據(jù)收集、數(shù)據(jù)預處理、數(shù)據(jù)存儲與管理、數(shù)據(jù)處理與分析、數(shù)據(jù)訪問與接口和數(shù)據(jù)可視化等；

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

（5）建立統(tǒng)一的應用標準，包括：數(shù)據(jù)可視化、預測系統(tǒng)和輔助決策系統(tǒng)等。

標準化的煉鐵大數(shù)據(jù)可為數(shù)據(jù)可視化、數(shù)據(jù)分析、重要參數(shù)預報和輔助決策等研究提供準確、統(tǒng)一和穩(wěn)定的數(shù)據(jù)，可提高預報系統(tǒng)和輔助決策系統(tǒng)的準確性，為我國鋼鐵企業(yè)早日實現(xiàn)高爐智能煉鐵提供了保證。因此，工業(yè)大數(shù)據(jù)的標準化是我國鋼鐵企業(yè)需要緊抓的首要問題。我國鋼鐵企業(yè)，要以數(shù)據(jù)標準化為前提和保證，在“中國制造2025”的國家戰(zhàn)略政策的指引下，開展智能生產(chǎn)、智能管理和智能服務，推動工業(yè)大數(shù)據(jù)在智能制造中的發(fā)展應用。