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】 煉鐵高爐內部是一個“黑匣子”系統，依靠現有測量手段難以直接、真實反映高爐內部生產狀況，高爐操作者對爐況難以準確判斷。為了解決這一問題，結合煉鐵數據架構和特點，利用統計學和機器學習方法，對煉鐵生產過程中的工業大數據進行挖掘和應用，將數據的分析過程轉化為數學模型，及時發現煉鐵工藝規律，提煉煉鐵工藝知識，促進煉鐵精益生產和指標進步。

【關鍵詞】 大數據；煉鐵；高爐；精益生產

0 引言

煉鐵的主要生產設備是高爐，高爐冶煉是將金屬鐵從鐵礦石中提煉出來的連續生產過程。為了監控冶煉的實時狀態，每座高爐系統安裝了數千只傳感器，這些數據對維持高爐生產的高效穩定發揮了重要作用。然而，高爐內部仍然是一個“黑匣子”，可直接獲取的生產過程信息不足，僅依靠現有測量手段難以直接、真實反映高爐內部生產狀況，影響了高爐操作者對爐況的準確判斷，難以對生產進行精益管理。但高爐煉鐵擁有豐富的數據資源，數據科學、智能技術的快速發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］ 。通過對高爐生產全過程的工業大數據進行統計、分析和挖掘，可以獲取更多有利于指導高爐優化操作的知識，為操作人員提供更多的參考依據。目前，深度學習已成為基于大數據和強算力的機器學習領域的研究熱點，在計算機視覺、語音識別等領域取得了突破性進展^［2］ ；大數據在賦能高爐煉鐵智能應用方面的研究也取得了一定成果，在煉鐵智能平臺構建、高爐爐溫預測、鐵水質量預測和爐缸侵蝕判斷等方面初顯成效^［3］ 。

1 煉鐵廠數據

柳鋼煉鐵廠的生產工序包括高爐、上料、熱風爐、噴煤、供料、凈環軟水、干法除塵、鼓風機和 TRT等系統，這些系統的連續日常生產產生了大量數據。

1.1 煉鐵數據架構

為了滿足生產數據的存儲和調用需求，煉鐵廠建立了數據中心，實現數據的共享存儲和一體化運維。煉鐵廠工業大數據的整體架構如圖1所示。數據源包括煉鐵內部生產過程信息和外部生產信息，其中生產過程信息由檢測儀表、視頻、語音和圖像數據構成；外部生產信息主要來自公司 MES和 ERP等信息系統。數據通過PLC、DCS、無線網關和網絡技術進行采集，在數據中心完成存儲和治理，最終以數據報表、數學模型和實時監控系統等形式實現數據展示和應用。

1.2 煉鐵數據特點

1）數據量大。目前每日數據發生量超過1 GB，按高爐 10年爐齡計算，數據總量將超過 3.5 TB。每新增 1 座高爐，數據量將成倍增長。隨著管理精細化程度不斷提高，數據量也相應持續增加。

2）數據分布范圍廣。煉鐵廠涉及多個系統，數據來源各異，生產監控數據通過配套 PLC和 DCS系統匯聚，分散設備經由無線網關采集，上下游工序數據采用網絡技術獲取，最終所有數據均通過網絡傳輸至數據中心進行集中存儲。

3）數據關聯性強。從生產全流程分析，各數據之間存在相互耦合和影響關系。以鐵水質量判斷為例，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）數據采集頻率多樣化。為滿足精益生產管理需求，不同應用場景采用差異化的采集頻率：遠程實時監控需達到秒級采集；統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）數據挖掘深度低。當前，實時監控數據占比超過70%，報表統計分析數據約占20%，采用數學算法和機理分析進行深度挖掘的數據不足10%。

6）數據治理能力有待提升。當前數據采集環節缺乏有效的質量評估與預警機制，導致數據中心存儲了大量失效或無效數據，不僅造成存儲資源浪費，還顯著降低了系統查詢效率。

2 工業大數據應用

煉鐵工業大數據挖掘是指運用算法從海量數據中提取隱含、未知且具有潛在價值信息的過程。該過程主要包含四個關鍵環節：數據采集、數據預處理、數據統計分析和數據挖掘。目前，煉鐵工業大數據挖掘主要采用統計學方法和機器學習技術兩種方式。

2.1 基于統計學的數據挖掘

通過對煉鐵生產過程相關數據進行大范圍、長周期的統計分析與數據重組，并結合人工經驗，可以有效獲取數據的概率分布特征、變量相關性以及變化趨勢等關鍵信息。這種方法對于及時發現和掌握煉鐵生產規律具有顯著的促進作用。

2.1.1 實現生產運行狀態評價

通過采集工業實時檢測數據和人工錄入數據，基于計算機信息化系統開發了包括生產指標、操作過程、運行狀態、原料消耗及能源消耗等在內的數百張統計分析報表。通過這些報表，管理人員可對生產狀況進行橫向對比、縱向尋優，逐步歸納出可以進行精細管控的指標，如高爐順行指數、經濟運行狀況等，并逐步將傳統人工經驗判斷轉化為數學模型，更直觀、更全面、更及時地展現生產運行情況。

2.1.2 實現生產變化趨勢分析

1）開發高爐全息體檢系統，基于高爐生產過程關鍵參數的采集與分析，構建了多時間維度的高爐生產狀態評估體系。該系統研究各時間段參數與高爐體檢評分的相關性，量化反應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。高爐全息體檢系統結構框架圖如圖2所示。

2）開發原燃料質量管理系統，對煉鐵生產質量的關鍵影響因素進行管控，將管理觸角延伸至燒結廠、焦化廠等前道工序，全面采集與煉鐵生產相關的數據，自動分析高爐入爐原燃料質量變化趨勢，及時發現質量異常和劣化趨勢，并通過圖表、曲線等形式進行直觀展示。該系統集成了研發的高爐爐料質量跟蹤控制裝置^［5］ ，利用RFID技術實時獲取不同批次、不同質量原燃料的位置信息，結合原燃料質量化驗數據和皮帶秤稱量數據，實現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量原燃料的入爐時間，從而及時調整操作參數，有效應對原燃料質量變化帶來的影響。

2.1.3 實現設備劣化趨勢診斷

基于設備運行實時數據，對設備運行狀態進行趨勢監控與管理，通過圖譜分析對汽輪鼓風機進行健康狀態評估。系統每月自動生成診斷報告，對機組劣化趨勢進行分析評判，當出現突發異常情況時，能夠及時觸發報警并立即啟動分析診斷流程。

根據診斷分析結果，系統可對汽輪機組進行故障診斷、精確定位、實時預警及預測性維修決策，從而有效促進設備的精益化管理。

2.1.4 實現生產安全狀態評估

采集煉鐵廠數百臺煤氣報警儀的實時監控數據，構建煤氣報警儀集中監控系統。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，也可借助手機 APP實現隨時隨地監控?；诿簹鈭缶瘍x的實時監控數據，通過統計分析能夠及時獲取生產現場煤氣含量超標報警次數及泄漏頻率^［6］ ，從而采取針對性的管控措施預防安全事故發生，有效提升安全精益管理水平。煤氣報警儀集中監控系統架構如圖3所示。

2.2 基于機器學習的數據挖掘

利用計算機技術實時模擬人類學習過程，對現有數據進行知識結構劃分，系統能夠自動識別煉鐵生產中的隱性知識，從而為操作人員提供科學決策的數據支持。

2.2.1 實現生產信息的檢測與識別

1）基于機器視覺技術，對風口成像儀采集的圖像信息進行智能診斷，構建高爐風口智能診斷報警系統。通過對數萬條圖像樣本的機器學習訓練，該系統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^［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和出渣狀態的原始視頻圖像，系統可以實時監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 K 值計算結果，判斷高爐出渣鐵狀態，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組成的數組，x（i）=［1，2，3，?，20］；tzmj指圖像灰度特征面積；MAX（tzmj（1，20））為對應采集站保存的連續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；AVG（tzmj（1，20））指所取的20個連通面積的平均數^［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。具體實現方法為：采用 Python編程語言對鐵口狀態原始視頻圖像進行數字化處理，首先將原始圖像切分為三個通道，并為每個通道賦予相應權值；隨后在各通道上應用歸一化平方差匹配算法進行特征匹配計算；最終通過加權求和方式整合三個通道的匹配結果，輸出最優匹配解^［9］。

4）基于數據驅動的多輸出 ARMAX 建模方法，實現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測的ARMAX模型表達式為：

2.2.2 實現生產過程智能監控

1）搭建高爐鐵溝侵蝕監控模型^［11］，在高爐每個鐵溝埋設44支熱電偶，獲取鐵溝重點部位的溫度監測數據，建立穩定的二維穩態導熱模型，實現對高爐鐵溝侵蝕劣化趨勢的精準監測和使用壽命的精細化管控。柳鋼2BF鐵溝侵蝕模型監控預警系統界面如圖4所示。

2）基于熱成像技術實時采集高爐煤氣放散煙囪的火焰溫度數據，通過機器學習訓練構建火焰滅火狀態的智能識別模型，實現煤氣放散煙囪滅火狀態的在線檢測和預警^［12］。

3）采用集成自編碼與主成分分析（PCA）的隨機權神經網絡建模方法，構建對高爐多元鐵水質量在線估計的 NARX 模型^［13］，顯著提升了鐵水質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為待估計的鐵水質量；X為建模輸入變量集；t為時間（取自然數）；p和q分別為過程輸入、輸出時序系數，根據所研究的高爐煉鐵過程時序和時滯關系以及大尺度的鐵水質量采樣頻率值，確定 p=1、q=1。

用于集成自編碼與 PCA 的隨機權神經網絡模型構建方法如下。

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，W1是編碼器的權重矩陣，X是輸入數據，b1是偏置向量。

2）PCA降維過程：

H' = PCA(H ) （5）

式中：H'是經過 PCA 降維后的特征表示，PCA 函數代表了主成分分析過程，它將隱藏層 H轉換為降維后的特征H'。

3）隨機權重前饋神經網絡（RVFLNs）的學習過程：

Y = g (W2H' + b2 ) （6）

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

2.2.3 實現生產操作自動控制

1）研發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和干法布袋除塵系統的關聯數據，在高爐出現“管道”工況導致煤氣溫度驟升時，根據預設的保護控制算法，按順序逐步關閉干法除塵布袋箱體，實現分級保護，從而最大限度降低設備損壞及生產損失。

2）研發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、鼓風機系統、熱風爐系統和 TRT系統的關聯數據，搭建高爐爐頂壓力控制數學模型。該系統可在高爐異常工況下自動調節頂壓，當送風系統發生故障時，能夠快速降低爐頂壓力，有效防止高爐風口灌渣事故的發生。

3）通過對格子磚熱風爐的燃燒機理建模，實現熱風爐全自動優化燃燒控制。

2.2.4 實現生產異常狀態預警

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

3 應用效果

通過將工業大數據與煉鐵生產深度融合應用，在生產管理方面實現了高爐爐況的數字化評價，使高爐順行指數得到有效提升，每年可避免各類爐況失常事故數十次，實現增產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備持續老化、大部分高爐實施護爐生產的工況下，主要生產經濟技術指標仍保持相對穩定。在設備管理方面，實現了設備故障的準確定位，顯著提高了故障處理效率；通過實施設備運行狀態量化管理，使設備故障率大幅下降，高爐綜合休風率長期控制在 1% 以下。在社會效益方面，生產系統實現穩定高效運行后，有效促進了節能、降碳、環保、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人力成本。

4 結語

工業大數據在賦能煉鐵精益生產方面發揮著重要作用。為充分挖掘數據資產的潛在價值，企業應實施有效的數據管理策略。通過建立嚴格的管理制度，確保數據日常維護工作實現標準化、規范化運行，從而保障生產數據的準確性與可靠性。只有基于準確數據挖掘獲得的知識才是可信的。隨著數據量的持續增長，可挖掘知識將呈指數級增加，這將顯著提升煉鐵行業的經濟技術指標。本文基于統計學方法和機器學習技術對煉鐵生產過程的工業數據進行挖掘與應用，其實際應用效果可為工業界實現更高效、更環保的煉鐵生產過程提供參考。

［參 考 文 獻］

[1] 石泉，唐玨，儲滿生 .基于工業大數據的智能化高爐煉鐵技術研究進展［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.大數據賦能高爐煉鐵智能應用［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控系統及方法：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：202310810377.2［P］.2023-10-03.

[8] 柳州鋼鐵股份有限公司. 高爐出渣鐵狀態在線檢測方法：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.基于數據驅動多輸出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.柳鋼煉鐵數字化工廠建設實踐［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 的高爐多元鐵水質量隨機權神經網絡建模［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［J］.冶金自動化，2020，44（3）：26-29.

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