A multilevel resource-saving blast furnace process control
Автор: Barbasova T.A.
Рубрика: Автоматизированные системы управления технологическими процессами
Статья в выпуске: 1 т.21, 2021 года.
Бесплатный доступ
A multilevel resource-saving blast furnace process control is considered. The resource-saving control is provided for operating, adaptation, technical and economic control in the automated systems of blast-furnace processes. It is proposed to form optimal operation modes of blast furnace heating, metal charge structures, natural gas and oxygen consumption. Decisions are made using Kohonen neural networks taking into account current and planned parameters of coke quality, iron ore, raw materials and blast. At the level of operating control, the work suggests a model predictive control to improve the resource conservation indicators. The method is based on decomposition of the general problem of the process dynamics identification on particular problems: dynamic synchronization and identification of process transfer functions. At the level of adaptive control, optimal operating modes of blast furnaces are expedient to be developed with respect to blast furnace heating, structure of metal charge, natural gas and oxygen rate considering the current and planned parameters of coke, blasting. The blast furnace operating modes are suggested to be determined based on Kohonen neural networks. In evaluating the efficiency of introducing the model predictive control, the existing actual statistics of scatter of BF mode parameters should be based upon. The fact is that the introduction of model predictive control assumes no radical change of the BF melt technology. Like in all the control systems, the BF process is considered as the set control object with all its characteristics. Changing process settings, raw material content does not introduce any cardinal variation in the scatter of process characteristics. However, in this case a transient process occurs which is necessary for the control system to identify the changing conditions. The transient process is inherent to all the control systems and the blast furnace process is not an exclusion. As a result of transient process, the control system is set to the optimal mode.
Blast furnace process, blast-furnace process optimization, self-organizing maps, kohonen neural networks, cluster analysis, u-matrix, model predictive control
Короткий адрес: https://sciup.org/147233794
IDR: 147233794 | УДК: 681.536.6 | DOI: 10.14529/ctcr210112
Многоуровневое ресурсосберегающее управление доменным процессом
Рассмотрены вопросы построения многоуровневого ресурсосберегающего управления доменным процессом. Ресурсосберегающее управление целесообразно выполнять на основе внедрения автоматизированной системы для оперативного, адаптивного и технико-экономического управления доменным процессом. На уровне адаптивного управления целесообразно осуществлять формирование оптимальных режимов работы доменных печей по нагреву печей, структуре металлошихты, расходу природного газа, кислорода с учетом текущих и планируемых параметров качества кокса, железорудного сырья, дутья. Определение режимов работы доменной печи предлагается осуществлять на основе нейронных сетей Кохонена. На уровне оперативного управления в работе предложен метод модельно-упреждающего управления, повышающий показатели эффективности использования ресурсов. Метод основан на декомпозиции общей задачи определения динамических характеристик сложных технологических процессов на частные задачи динамической синхронизации и идентификации передаточных свойств. Для решения сложных задач идентификации предложено использовать искусственные нейронные сети. При оценке эффективности введения модельно-упреждающего управления необходимо исходить из существующей реальной статистики разброса режимных параметров доменного процесса. Дело в том, что введение модельно-упреждающего управления не предполагает коренной смены технологии доменной плавки. Как и во всех системах управления, здесь доменный процесс рассматривается как заданный объект управления со всеми своими характеристиками. Изменение уставок процесса, состава сырья не вносит кардинального изменения в разброс характеристик процесса. Однако при этом возникает переходный процесс, необходимый системе управления для идентификации изменившихся условий. Переходный процесс присущ всем системам управления, и доменный процесс не является исключением. В результате переходного процесса система управления настраивается на оптимальный режим.
Список литературы A multilevel resource-saving blast furnace process control
- Tovarovsky I.G. [Regulatory assessment of the blast furnace parameters influence on the coke consumption and productivity]. Steel, 2014, vol. 5, pp. 4-11. (in Russ.)
- Tovarovskiy I.G. Domennaya plavka: monogr. [Blast furnace melting. Monograph]. 2nd ed. Dnepropetrovsk, Porogi Publ., 2009. 768 p.
- Tovarovskiy I.G. Sovershenstvovamye 7 opt7m7zats7ya parametrov domennogo protsessa [Improvement and optimization of the blast furnace process parameters]. Moscow, Metallurgiya Publ., 1987. 196 p.
- Spirin N.A., Lavrov V.V., Parshakov S.I., Denisenko S.G. Opt7m7zats7ya 7 7dent7f7kats7ya tekhno-log7chesk7kh protsessov v metallurg77 [Optimization and identification of processes in metallurgy]. Ekaterinburg, UGTU-UPI, 2006. 307 p.
- Suchkov A.V., Lisienko V.G., Suchkov V.A. Sovershenstvovamye upravlen7ya mnogomernym tekhnolog7chesk7m ob"yektom na pr7mere domennoy pech7 [Improvement of multidimensional technological control on blast furnace: case study]. Ekaterinburg, UrFU, 2012. 126 p.
- Wen X., Cao H., Hon B., Chen E., Li H. Energy Value Mapping: A Novel Lean Method to Integrate Energy Efficiency into Production Management. Energy. DOI: 10.1016/j.energy.2020.119353
- Kule J. Blast Furnace Model Development and Application in the British Steel Corporation. Proc. Conf., Univ. Surrey. Sept. 11th - 13th. 1979. London, 1980, pp. 403-415.
- Sasaki M., Ono K., Suzuki A. Formation and Melt-down of Softening-Melting Zone in Blast Furnace. Trans. of the Iron and Steel Inst. Jap., 1977, vol. 17, no. 7, pp. 391-400.
- Burgess J.M., Jenkins D.R., Hockings K.L. Analysis of Blast Furnace Pressure Tappings, using a Cohesive-zone Gas-distribution Model. Ironmak7nf and Steelmak7ng, 1984, vol. 11, no. 5, pp. 253-261.
- Kumar S.A., Suresh N. Production and Operations Management. New Age Internat7onal (P) Ltd., 2009. 284 p.
- Yagi J. Mathematical Models of the Blast Furnace Process. Tetsu-to-Hagane, 1983, no. 10, pp.1242-1249.
- Sugiama T., Yagi J.,Omori Y. A Theoretical Analisis on Gas Flow and Heat Transfer in Packed Beds with Fused and Unfused Layers. Tetsu-to-Hagane. Journal of the Iron and Steel Inst. Jap., 1978, vol. 64, no. 12, pp. 1676-1684.
- Yagi J., Takeda K., Omori Y. et al. Two-dimensional Simulation on the Gas Flow and Heat Transfer in the Blast Furnace. Trans. of the Iron and Steel Inst. Jap., 1983, vol. 22, no. 11, pp. 884-892.
- Gobetto M. Operations Management in Automotive Industries: From Industrial Strategies to Production Resources Management, Through the Industrialization Process. Springer Sc7ence + Bus7ness Med7a Dordrecht, 2014, XXII. 245 p. DOI: 10.1007/978-94-007-7593
- Ultsch A., Siemon H.P. Kohonen's self-organizing feature maps for exploratory data analysis. Proceed7ngs of International Neural Networks Conference (INNC). Paris, 1990. pp. 305-308.
- Jefferson C.P. Feedforward Control of Blast Furnace Stoves. Automatics, 1979, vol. 15, iss. 2, pp.149-159.
- Avneet P.M. Artificial Intelligence and Its Application in Different Areas. International Journal of Engineering and Innovative Technology (IJEIT), 2015, vol. 4, iss. 10, pp. 79-84.
- Kumar D. Optimization of blast furnace parameters using artificial neural network. MTech thesis, 2015. 36 р.
- David S.F., David F.F., Machado M.L.P. Artificial Neural Network Model for Predict of Silicon Content in Hot Metal Blast Furnace. Materials Science Forum, 2016, vol. 869, pp. 572-577.
- Tungkaya Y., Koklükaya E. Comparative performance evaluation of blast furnace flame temperature prediction using artificial intelligence and statistical methods. Turkish Journal of Electrical Engineering & Computer Sciences 24, 2016, pp. 1163-1175.
- Fernández J.M.M., Cabal V.Á., Montequin V.R., Balsera J.V. Online estimation of electric arc furnace tap temperature by using fuzzy neural networks. Engineering Applications of Artificial Intelligence 21, 2008, pp.1001-1012.
- Angstenberger J. Blast furnace analysis with neural networks. Artificial Neural Networks ICANN96. Springer Berlin Heidelberg, 1996, pp. 203-208.
- Kazarinov L.S., Barbasova T.A. Identification Method of Blast-Furnace Process Parameters. International Conference for young scientists "High Technology: Research and Applications 2015 (HTRA 2015)", Key Engineering Materials, 2016, vol. 685, pp. 137-141. DOI: 10.4028/www .scientific.net/KEM .685.137
- Kohonen T. Self-Organizing Maps (Third Extended Edition). New York, 2001. 501 p.
- Kazarinov L.S. Sistemy. Upravleniye ipoznaniye: analiticheskiye ocherki [Systems. Control and Cognition: analytical essays]. Chelyabinsk, South Ural St. Univ. Publ., 2017. 496 p.
