六西格玛技术在铁水硅含量稳定性分析中的应用

田欣 庞清海 何志军 张军红 金永龙

(1．唐山钢铁集团有限责任公司;2．辽宁科技大学材料与冶金学院)

0 引言

高炉冶炼是炼铁系统中能源消耗最大的工序，约占整个炼铁工序能耗的50%左右［1］。提高高炉冶炼过程的稳定性，减少高炉炉况波动对燃料消耗的影响，可有效降低铁水的冶炼成本，对提高企业竞争力具有重要的意义。高炉炼铁是在密闭容器内进行大量复杂化学反应的过程，高炉内部冶炼过程具有连续性和不可视性，生产者仅能通过外界仪器和仪表参数信息，利用经验对高炉内的情况进行判断。通常根据铁水的硅含量对铁水温度进行预测，从而判断高炉炉缸内部的热状态［2］。如果生产过程中铁水的硅含量波动较大，则说明高炉内部热状态不稳定，很可能给高炉稳定顺产造成困难，导致原料和燃料的大幅消耗。因此，提高高炉生产过程中铁水硅含量的稳定性，可通过控制原燃料消耗而实现成本的降低。数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的、并有潜在价值信息的非平凡过程［3－6］。数据挖掘技术在炼铁自动控制系统中的应用日益广泛，技术亦日趋成熟，在模拟高炉现象、分析操作参数对炉况和冶炼指标的影响等方面发挥了巨大的作用［7］。六西格玛是十分成功的质量管理方法之一，六西格玛的核心理念不仅是一个质量上的标准，而旨在使企业在持续改进业务流程中不断追求完美的产品和服务质量［8－9］。我国宝钢和武钢等大型钢铁企业已成功引进六西格玛技术，并在节能减排和成本控制等方面取得了显著成果。本研究针对唐钢2500 m3高炉铁水硅含量频繁波动的情况，运用Minitab 软件对唐钢的生产数据进行回归分析，提高铁水硅含量的稳定稳定性，维持唐钢高炉的稳定顺产，对企业节能降耗和成本控制具有重要实际意义。

1 理论研究方法

针对唐钢高炉生产中铁水硅含量频繁波动的难题，通过六西格玛管理技术对唐钢的生产数据进行回归分析，找出主要影响硅含量水平的诸多因素，通过对影响因素进行调控来降低铁水硅含量对唐钢高炉生产的影响。技术方案的具体流程图如图1 所示。

2 高炉铁水硅含量的稳定性分析

对唐钢北区2500 m3高炉2012年现场生产数据进行统计分析，从每月的生产数据中连续抽取5个数据，建立w［Si］均值与标准差(Xbar－S)的控制图，如图2 所示。

图1 技术方案流程图

图2 唐钢2500 m3 高炉2012年w［Si］的波动

由图2 可以看出，2012年w［Si］的标准差S 最大值为0．06，而最小值仅为0．008，说明2012年北区2500 m3高炉铁水的硅含量整体波动较大。其中1 ～7月份w［Si］的均值波动最为显著，而4月份的w［Si］数值更是超出控制要求的下限，这说明此座高炉炉缸的热稳定性较差，频繁的热量波动将会对高炉的稳定生产产生不利影响。为了维持高炉长期的稳定顺产，需对高炉w［Si］稳定性的影响因素进行分析，从而通过相应措施来提高高炉热制度的稳定性。

图3 唐钢2500 m3 高炉2012年w［Si］标准差的变化

3 铁水硅含量影响因素的确定

图4 鱼骨图

通过头脑风暴法，利用鱼骨图从原燃料质量、入炉控制、炉内参数、喷吹控制等多个方面对铁水w［Si］含量的变化进行分析，对所有可能影响w［Si］的因素进行筛选，与w［Si］含量相关的因素如图3所示。对上述选取的因素进行相关性分析和失效矩阵分析，从而得到影响w［Si］的主要因素，包括热风温度，料柱透气性，热风压力，炉内压差，烧结矿品位，铁水温度和物理热指数等。

4 高炉生产数据的回归分析

运用Minitab 软件对上述影响w［Si］的主要因素逐一进行回归分析，从而得到如下模型:

式中:t—热风温度，℃;P— 热风压力，kPa;ΔP— 压差，kPa;λ—烧结矿品位，%;T—铁水温度，℃;Ktp—物理热指数。

回归数据分析和方差分析分别见表1 和表2。

表1 回归分析数据

表2 方差分析数据

通过上述模型的建立，由表2 方差分析结果可知P=0．000 ＜0．05，说明回归效果显著。并得到S(σ 的估计量)为0．0044，R －Sq(多元全相关系数)=99． 0%，R － Sq(调整后的多全相关系数)=98．8%，即热风温度，热风压力，压差，烧结矿品位，铁水温度，物理热指数等对w［Si］的综合影响贡献率达到98．8%，且R－Sq和R－Sq(调整)二者差距较小，说明模型精确度较高。对上述建立的w［Si］回归模型进行残差分析，分析结果如图5、图6、图7、图8 所示。

图5 残差的正态概率图

图6 残差与拟合值

图7 残差的直方图

图8 残差与观测值

由图5 ～图8 中数据可以看出，数据趋于正态、随机分布，无倾向性，无异常状态，模型有效。以上分析结果表明，影响w［Si］的主要因素有热风温度、热风压力、炉内压差、烧结矿品位、铁水温度、物理热指数。其中，热风温度、压差、烧结矿品位、物理热指数等参数与w［Si］的变化存在正相关关系，而热风压力、铁水温度则对w［Si］有负相关的影响，上述各项参数对w［Si］影响的贡献率达98．8%。因此，可以通过调控上述影响因素来降低铁水硅含量的波动。

5 工艺改进与参数调控

对于2012年唐钢2500 m3高炉w［Si］波动不稳定的问题，2013年采取改进措施，实现了铁水硅含量波动稳定。建立热风温度，热风压力，压差，烧结矿品位，铁水温度，物理热指数的时间序列模型如图9、图10、图11 所示。

图9 热风压力和压差的时间序列图

由图9 可以看出，2012年热风压力在292 kPa～326 kPa 范围内波动，压差在115 kPa ～133 kPa 范围内波动，压差的大幅波动会对高炉内部透气性带来很大影响，进而影响高炉顺行，造成铁水硅含量波动不稳定。2013年通过调整送风制度，将热风压力和压差控制在较稳定的的水平，热风压力在30 kPa～315 kPa 范围内波动，压差在117 kPa ～127 kPa 范围内波动。

图10 热风温度和铁水温度的时间序列图

由图10 可以看出，2012年热风温度在1135 ℃～1196 ℃范围内波动，铁水温度在1481 ℃ ～1512 ℃范围内波动，铁水温度的波动直接影响铁水硅含量的稳定，它们有正相关关系;热风温度对理论燃烧温度有很大影响，因此，热风温度的大幅波动会带来炉内热状态的不稳定，进而造成w［Si］的不稳定。因此，2013年采取措施将热风温度和铁水温度控制在较稳定的水平，热风温度在1181 ℃ ～1200 ℃范围内波动，铁水温度在1493 ℃～1508 ℃范围内波动。

图11 烧结矿品位和物理热指数的时间序列图

由图11 可以看出，物理热指数在2012年7月份至2013年6月份维持较高水平且较稳定，这对稳定w［Si］和低硅冶炼是很有利的;2012年烧结矿品位波动很不稳定，且烧结矿品位由2012年至2013年不断下降，因此，为稳定高炉铁水的硅含量，要求烧结生产工序应尽可能提高和稳定烧结矿品位。

2013年1 至6月唐钢2500 m3高炉w［Si］波动及其标准差变化分别如图12 和图13 所示。

由图13 可以看出，铁水硅含量在2013年1 ～6月份控制较稳定，铁水硅含量的标准差波动也比较小，标准差均值为0． 025，较2012年下降7%。因此，针对唐钢2500 m3铁水高炉铁水硅含量波动不稳定的情况，利用六西格玛技术查找影响因素，并通过改善影响因素来稳定铁水硅含量是可行的，为高炉稳定顺产，节能降耗提供了保障。

6 结论

1)对2012年唐钢2500 m3高炉生产数据进行挖掘分析，确定了影响铁水硅含量的主要因素，包括热风温度、热风压力、炉内压差、烧结矿品位、铁水温度和物理热指数等。铁水硅含量影响有效性分析结果表明，上述因素对硅含量的综合影响率为98．8%。

2)通过工艺优化稳定了影响铁水硅含量的主要因素，将热风压力控制在305 kPa ～315 kPa，压差控制在117 kPa ～127 kPa，热风温度控制在1181 ℃～1200 ℃，铁水温度控制在1493 ℃～150 ℃范围内波动，2013年高炉铁水硅含量标准差相比2012年降低7%。

图12 唐钢2500 m3 高炉2013年1 至6月w［Si］的波动

图13 唐钢2500 m3 高炉2013年1 至6月w［Si］标准差波动

3)利用六西格玛管理技术对钢铁企业的生产数据进行分析，可建立多元复杂工艺参数之间的隐性关系，对钢铁企业生产设备的稳定和顺产具有十分必要的实际意义。

［1］张寿荣． 我国钢铁工业21 世纪技术进步的重点［J］． 钢铁，2005，40(5):1 －4．

［2］曾燕飞，李小伟． 基于BP 神经网络的高炉铁水硅含量预测模型研究［J］． 微机算机信息，2006(19):291 －292．

［3］储满生，郭宪臻，沈峰满等． 基于多流体理论的高炉数学模型及其求解［J］． 东北大学学报，2007，28(3):361 －364．

［4］汪政富，杨天钧，倪学梓等． 高炉过程的多目标最优化［J］．系统工程理论与实践，1994(11):53 －61．

［5］Rasul M G，Tanty B S，Mohanty B． Modeling and analysis of blast furnace performance for efficient utilization of energy［J］． Applied thermal engineering，2007，27(1):78 －88．

［6］Ziebik A，Stanek W． Energy and exergy system analysis of thermal improvements of blast －furnace plants［J］． International journal of energy research，2006，30(2):101 －114．

［7］张建良，曹维超，国宏伟等． 数据挖掘在炼铁系统中的应用现状及展望［J］． 冶金自动化，2012，36(5):6 －9．

［8］熊霞． 六西格玛管理软件比较［J］． 计量与测试技术，2008，35(5):27 －28．

［9］李莉． 六西格玛管理的创新性与局限性［J］． 山西财经大学学报，2009，12(3):92 －93．