以MES平台数据为基础的Proficy Csense在热轧加热制度优化中的应用

张德钦，陈冬玲

（1.广西钢铁集团责任有限公司，防城港，538000；2.柳州职业技术学院，广西 柳州 545006）

0 引言

钢厂经过近2 年的MES 系统实施改造，已经建立起来MES 系统已经能采集、存储生产过程中的工艺、操作、设备等数据，这些这些数据基本采集周期是一分钟，由于热轧生产设备众多、工艺复杂、生产环节多等特点，采集到的数据量巨大。针对目前MES 系统“智能化”问题，利用MES 平台采集的生产数据，采用工业大数据分析方法和数据挖掘，建立钢坯出炉温度数学模型和吨钢能耗数学模型，进行加热制度的优化，实现节能生产。

轧钢加热炉的能源消耗约占冶金行业能源消耗的10%左右，其中轧钢加热炉又占了75 至80%。如何有效提高加热炉的热效率，降低能源消耗，从而提高企业的竞争力，已成为当前各个钢厂所不得不面对的最重要的课题之一。热轧厂轧钢加热炉为大型加热炉，尽管加热炉在国内得到推广应用，但是关于大型加热炉的加热制度的优化研究很少，仅仅依靠人工经验，获得优化的温度制度十分困难[1]。传统的基于物理化学机理建立模型的方法，无法完整地描述复杂的工业过程系统。笔者以具有典型生产条件的柳钢热轧加热炉为对象，通过引入适用于大量输入、输出数据的复杂非线性过程系统的研究策略，采用海量历史生产过程数据，结合钢材轧制工艺制度，得出各个因变量之间的影响关系，找到影响煤耗的关键指标，建立钢坯出炉温度的数学模型。研究成果应用在热轧2#生产线的加热炉，已取得显著效果，对加热炉的优化操作具有重要意义。

1 Proficy Csense简介

Proficy CSense 能对工业生产和设备数据进行分析与知识挖掘，监视工艺和设备性能，识别生产变化的原因，减少波动、优化生产。Proficy Csense 以MES 数据平台为基础,建立在线生产优化模型。模型通过实时数据不断修正自身，其优化结果具有很强的实时性。Proficy Csense 提供连接不同种类的历史数据源，进行数据准备、可视化查看数据，还可以建立规则模型。从这些模型中挖掘出的知识，帮助过程改进的收益进行评估，整个过程使用这个模型系统，可以找出生产过程波动的原因，并且进行调整。

采用Proficy Csense 分析实时数据过程包括三个阶段：数据准备阶段、模型建立阶段和实时应用阶段。数据准备阶段就是收集所要分析的各种现场数据，包括综合质量数据和过程数据，并对数据进行关联性分析，合并关联度高的数据、剔除关联度低的数据，并以此作为模型建立的依据。模型建立阶段就是设定所要输出的目标值（可以一个或多个），已处理过的数据建立模型，并以部分历史数据训练模型，得到所期望的目标值。实时应用阶段就是以建立好模型为算法，连接实时数据，输出数据直接用于优化生产。图1为Proficy Csense软件架构①。

图1 Proficy Csense软件架构

2 采用工业大数据方法进行数学模型的建立和优化

通过将轧钢钢坯加热环节所产生的数据（包括钢坯的入炉温度、预热段温度及时间、一加热段温度及时间、二加热段温度及时间、三加热段温度及时间、均热段温度及时间和出炉温度）经过“数据清洗”后，采用主成分回归（Principal Component Regression）算法，简称PCR，建立起钢坯出炉温度数学模型和吨钢能耗的数学模型，再通过数据转换的方法，可以挖掘出影响吨钢能耗波动和出炉温度波动的主要参数，最后通过双目标优化法对这两个数学模型的主要参数进行优化设计，使被优化的参数能够在满足多种限制条件下自动调整，使钢坯的出炉温度满足工艺制度的同时，使吨钢能耗控制在最低水平。

2.1 PCR算法原理

回归分析法是一种应用最大似然法估计回归系数的回归方法，它不要求变量服从协方差矩阵相等和残差项服从正态分布。回归分析要求模型的解释变量之间不能具有线性的函数关系，然而各变量常常不是独立存在的，而是存在多重共线性（multi-collinearity）关系。多重共线性关系增大估计参数的标准误差，降低模型的稳定性。主成分回归是解决回归分析分析中的多重共性问答常用方法之一。通过主成分变换，将高度相关的变量的信息综合成相关性低的主成分，然后以主成分代替原变量参与回归[2]。PCR 原理和步骤如下：第一，原始数据标准化；第二，计算相关系数矩阵；第三，求相关矩阵R 的特征根、特征向量和方差贡献率，确定主成分；第四，建立主成分特征函数；第五，使用主成分代替原始变量进行多元回归。

2.2 建立钢坯出炉温度和吨钢煤耗耗数学模型

采用PCR 算法，在csense 中建立数学模型。将入炉温度、预热段温度及时间、各加热段温度及时间、均热段温度及时间等变量通过正交旋转变换转化为少数几个互不相关的主成分，再将数据结构简化的主成分与出炉温度及吨钢能耗分别建立回归方程，从而得到出炉温度及吨钢煤耗的数学模型。由于建模时只考虑少数几个主成分且不至于损失太多信息，因此建立好的数学模型不仅能够有效克服输入变量的多重共性和误差性对模型造成的影响，而且能够有效减少噪音的干扰，所以具有更高的预测精度。建立的数学模型如图2所示。

图2 在csense中建立的钢坯出炉温度数学模型

2.3 吨钢煤耗数学模型的优化

在找到出炉温度及吨钢能耗的数学模型的基础上，在csense 中利用其非线性优化算法进行优化。通过双目标优化法对这两个数学模型的主要参数进行优化设计，使被优化的参数能够在满足多种限制条件下自动调整，使钢坯的出炉温度满足工艺制度的同时，让吨钢煤耗耗控制在较低水平。优化前后煤耗对比如图3所示。从图3可以看出，优化后的煤耗明显低于优化前的煤耗。

图3 优化前后煤耗对比

3 钢坯出炉温度和吨钢煤耗耗数学模型在热轧加热制度优化中应用

3.1 优化加热制度

采用建立和优化好的数学模型，对热轧二线双炉生产时的SPHC-1L 的加热炉温度制度进，对比煤耗变化情况。实验对象为热轧1450mm 生产线，具体如表1 所示，优化前后的加热制度如表2、表3所示。

表1 加热制度优化实验对象

表2 优化前加热温度

表3 优化后的加热制度

3.2 测试结果

具体结果见表4、表5。

表4 煤耗对比

表5 成材率对比

3.3 实验结论

本次试验，对入炉温度在500℃以上的板坯进行煤耗和成材率统计，综合煤耗降低，成材率正常。在生成过程中，按照试验温度加热的板坯在粗轧和精轧的板形无明显变化，轧线顺行均在可控范围内。钢卷在轧制完成和冷轧工序的表面质量均正常。

4 结语

用CSENSE建立的数学模型和优化模型，用于热轧加热制度是可行的，可以推广应用。但在在应用过程中，也遇到不少问题，如MES 平台收集的数据量大，包括了正常生产数据、非常正常生产数据、异常数据，通常需要工艺人员首先根据生产情况对数据进行初步的筛选和剔除，由于数据量大，需要花费工艺人员大量的时间，如果能有一个系统或平台能对数据进行预处理，能大大提高模型的构建速度和精度。

注释：

①基于GE 智能平台Proficy CSense http://www.gongkong.com/download/201505/80680.html