高炉炼铁生产中的大数据技术研究现状与展望

刘小杰，李欣，刘二浩，刘颂，吕庆

（1.华北理工大学冶金与能源学院，河北省现代冶金技术重点实验室，河北 唐山063210；2.承德钢铁集团有限公司，河北 承德 067000）

随着“十三五”规划的实施，工业大数据的发展成为制造业转型升级的重心。随着新一轮产业变革和技术革命的快速兴起，钢铁制造业在转型升级、互联网＋的推进下，加快工业化信息化发展，迈入建设智能工厂的历史新阶段[1]。

快速发展的数据格局，促使国内部分领先的钢铁企业开始通过物联网、云计算、移动互联网和大数据等技术的应用，加快实现自动化、数字化和智能化制造进程，构建具有高价值、低成本、低资源消耗和低污染的新型生产管理模式。

工业大数据是实现智能制造的基础，是企业转型升级抢占未来制高点的关键。工业大数据是指通过对工业生产的大量数据的分析，挖掘出工业生产过程的潜在规律，实现工业的智能化生产、决策和调控，以及生产过程的可视化。随着大数据技术的不断发展，高炉炼铁生产中已逐渐呈现出各种数字化和智能化的应用，如烧结终点预报模型、高炉炼铁大数据平台、铁水温度的预测模型、炉缸工作状态的预报及反馈系统等。大数据技术在高炉炼铁生产中的不断应用，体现了钢铁行业加快实现数字化和智能化的目的，也为我国钢铁行业实现绿色制造提供了扎实的理论和实践基础。

1 烧结生产中的大数据技术研究现状

大数据技术在烧结生产中的研究主要集中烧结矿化学成份、烧结终点、烧结配料和烧结矿质量等重要参数方面。研究结果可为烧结生产提供在线预测，克服烧结过程的大滞后性问题，为烧结过程的稳定生产提供保证。

袁致强[2]研究了基于深度置信网络的烧结矿化学成份预测模型，并结合PGNAA成分在线检测技术和DBN预测模型，实现烧结矿化学成分在线预测，克服烧结过程的大滞后，且使系统运行顺通。

邵慧君[3]研究了基于灰色预测理论、神经网络和组合预测方法的烧结矿质量预测系统，以TFe含量和碱度为中心的区间优化控制策略为优化方法，结合MATLAB编程技术开发了6#烧结机质量预测与控制系统，在生产实践中取得了一定的成效。

汪清瑶等[4]根据烧结矿历史生产数据建立以烧结矿转鼓强度和耐磨指数为指标的预测模型，随后对基于瞬发γ中子活化分析( PGNAA)成分技术的工业物料在线检测仪器检测，经化学式转化得到的数据进行在线预测，并将结果反馈给烧结过程以达到烧结矿质量在线调控的目的。实验仿真结果表明，在线预测明显缩短了物料调控时间，改善了烧结矿工艺品质，预测结果比较准确。

吉训生等[5]采用基于IFA算法优化的BP神经网络预测烧结矿FeO含量，并与传统的GA-BP预测模型、标准BP预测模型和FA-BP预测模型进行比较，结果表明该方法不仅加快了网络的学习速率，并且提高了模型的预测精度。

向婕[6]针对烧结矿化学成分检测的滞后性，建立了基于神经网络的烧结矿成分预测模型，在此基础上通过专家规则技术，建立配料优化模型。以生产成本为目标，以化学成分指标为约束，求取较优的配料比，实现了烧结配料优化控制。

汪森辉等[7]采用改进的AdaBoost.RS算法，自适应调整松弛变量的阈值，以极限学习机为弱学习器建立烧结终点位置预报集成算法模型。结果表明,当绝对误差小于1.6 m时，模型的预报结果命中率为97.4%，均方根误差为0.58，预报值序列与实际目标值序列的相关系数为0.78。

烧结生产过程中相关预测模型的开发，虽然在一定程度上达到了较高的准确率，但由于烧结厂的数据波动大、重要参数缺失和存储时间短等问题，给开发者在数据的处理、分析及预测系统的开发上带来一定的困难，从而在实际应用中降低预测的准确率及可信度。因此，现场数据的准确性需要引起钢铁企业的重视。

2 高炉生产中的大数据技术研究现状

随着大数据技术的不断应用，从各高炉数据平台的建立，到高炉生产中铁水硅含量、铁水温度和铁水质量等重要参数预测模型的开发，我们发现钢铁企业已经向“绿色和智能”炼铁新模式的大方向转变。

2.1 高炉大数据平台的建立

高炉大数据平台是高炉数据可视化的关键，更是实现高炉智能化生产的前提和保证。高炉相关数据通过大数据技术进行整理和分析，并存储在数据平台中，根据高炉需要对数据进行挖掘和计算，从而实现高炉炼铁可视化、自动化和智能化。

在“研究应用高炉大数据，推动智能炼铁发展”的专题报道中指出，河钢承钢开展了“高炉大数据智能预测系统”课题研究，以最复杂的高炉工艺段为对象，围绕河钢承钢高炉大数据应用与智能炼铁开展研发工作。通过交叉学科前沿技术的集成与实际应用，实现高炉大数据云平台交互、高炉冶炼过程可视化、大数据挖掘与智能分析等目标，对于提升高炉炼铁自动化和智能化水平有很大的推动作用。

车玉满[8]对大数据云平台技术在高炉工艺中的应用与发展进行了综述，指出高炉大数据云平台是以高炉为核心的大数据处理中心，可以建立高炉机理模型与生产管理相结合的数学模型，也可以进行高炉大数据全流程挖掘与云计算。对于装配多座高炉的企业，可以实现集约化集控管理，达到提高高炉生产效率、降低劳动强度的目标，同时实现绿色、高效和智能炼铁。

2.2 高炉铁水硅含量的预测

铁水硅含量是炉缸热制度的化学热表示方式，与炉缸铁水温度有很好的正相关性。因此，我们可以利用铁水硅含量来表示炉温，也可作为铁水质量的表征，是钢铁企业非常关心的重要指标。铁水硅含量的预测可为炉温和铁水质量提供判断依据，从而稳定炉缸状态。

马淑艳[9]基于高炉数据的时变特性，用时间差分模型计算高炉铁水硅含量的变化值，基于支持向量机优秀的处理非线性数据分类的特性，用支持向量机计算铁水硅含量的变化趋势，得到铁水硅含量的预测结果。

庄田[10]对Elman-Adaboost模型在高炉铁水硅含量的建模上进行了比较完整的研究，不仅从定量上对硅含量进行了回归预测，还从定性上对硅含量的变化方向进行了分类预测，得到了比较理想的预测结果，最后对回归与分类的预测结果进行了信息融合，使结果更具可靠性、鲁棒性和实用价值。

李军朋[11]以柳钢2号高炉为对象，系统研究了数据驱动建模方案。分别提出了基于变遗忘因子随机梯度法的Wiener 模型和门控极限学习机结构模型的铁水硅含量建模方案。通过高炉数据仿真实验，验证了门控极限学习机结构模型较Wiener 模型的有效性，尤其针对铁水硅含量波动较大的炉况，该算法仍能够实现较好的预测。利用 LABVIEW和MATLAB混合编程方法开发了“高炉铁水硅含量预测系统”，并在柳钢2号高炉上进行了实验，得到了很好的运行效果。该系统能够为高炉操作者提供很好的操作指导。

李泽龙[12]采用LSTM-RNN模型进行硅含量预测，首先根据时间序列趋势及相关系数选择自变量，并对复杂工况的实际生产数据进行验证。然后用程序自动求解较优参数进行硅含量预测。最后将LSTM-RNN模型与PLS模型及RNN模型的结果进行对比，验证该方法的优势。研究发现LSTMRNN模型预测误差稳定，预测精度较高，比传统的统计学及神经网络方法取得了更好的预测精度。

2.3 高炉铁水温度的预测

高炉铁水温度是否稳定对高炉顺行有着直接的影响，是衡量高炉最为重要的一个指标，同时可以间接的体现高炉冶炼成本。随着高炉炼铁工艺的高速发展，钢铁厂对高炉铁水的质量要求，特别是铁水温度要求越来越高。高炉铁水温度的预测可以协助现场工人对高炉进行过程控制，保证高炉稳定顺行。

李爱莲等[13]针对传统高炉温度模型的固有缺陷，提出了一种基于灰色关联分析的ELM（极限学习机-extreme learning machine）温度预报模型。首先通过灰色关联分析对输入变量进行相关性分析，提高模型的性能，然后结合分析后的变量采用ELM学习算法训练神经网络，最后运用现场数据对模型进行训练和测试，并与传统的模型相比较。结果表明该模型能快速和准确地预报高炉温度，并且能使现场工人了解操纵高炉的要求。

李爱莲等[14]基于BP神经网络的数据预处理方法建立高炉铁液温度预测模型。首先通过对数据的滤波去噪及相关性分析，选择与高炉铁液温度相关的输入和测量变量；再用创新的智能优化算法（粒子群蚁群算法）优化BP神经网络的参数，从而提高模型的精度。依据生产现场实际数据进行的试验表明，所建立的基于数据预处理与智能优化的高炉铁液温度预测模型的命中率有明显的提高，对实际生产现场更具有指导意义。

崔桂梅等[15]以高炉铁水温度为研究对象，建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型。应用高炉实际数据做模型检验，结果表明，T-S模糊神经网络多元时间序列模型取得了更好的命中率和预测精度。

2.4 高炉铁水质量的预测

铁水质量是高炉炼铁中最为重要的参数之一。一方面，铁水质量可反映炉内反应状况，是用于调节路况的重要指标；另一方面，铁水质量可反映炼铁流程的生产品质，并直接决定后续炼钢等工序的质量。铁水质量的预测能够使操作人员根据预测结果提前调整炉况，稳定铁水质量，保持高炉平稳运行，减少炉况波动。

李泽龙使用ARMAX模型对高炉冶炼进行建模，并实现了ARMAX模型的在线算法。针对在线算法存在不可解的风险，提出弱平稳贝叶斯准则来解决此问题。将LSTM模型应用于铁水质量建模。基于对两种算法的研究，提出一种ARMAXLSTM模型框架，该框架首先使用ARMAX模型提取线性模态，然后使用LSTM模型对前者的残差进行建模。最终实现缩减LSTM规模的同时提升了准确率。

2.5 高炉其他主要参数的预测

随着大数据技术在高炉炼铁生产中的快速发展和应用，除铁水硅含量、铁水温度和铁水质量等重要参数预测模型不断被开发出外，高炉煤气利用率、入炉焦比和炉缸内衬热面状态等参数的预测也逐渐被开发应用。

肖登峰等[16]以两座具有代表性的中高型高炉的一氧化碳利用率时序为样本，采用混沌相空间重构技术，对其进行相空间重构。其次利用自相关方法和G-P方法计算其重构空间的参数（时滞时间和嵌入维数）。最后基于已获的混沌重构相空间参数，采用混沌加权一阶多步预测方法，建立高炉一氧化碳利用率的混沌预测模型，对其进行多步预测。现场实际数据的预测结果表明了所提出方法的有效性和预测模型的精准性。

岳有军等[17]采用灰色关联度分析和粒子群算法优化最小支持向量机的预测方法进行高炉入炉焦比的预测。应用灰色关联度分析理论确定影响入炉焦比的主要因素，采用粒子群算法对最小二乘支持向量机的核宽度和正则化参数进行优化，最后用优化后的最小二乘支持向量机模型进行预测。仿真结果表明，改进方法具有更高的预测精度，为炼铁工学入炉焦比预测提供了一种有效的新方法。

熊文真等[18]采用ARIMA模型及马尔科夫链建立了ARIMA-MC模型对高炉煤气的发生量进行预测。结合某钢铁企业实际的原始数据，通过实验，随机抽取多组测试结果中的两组，1#和2#各30个点进行预测，结果表明预测平均相对误差分别为2.27%和3.03%。实验结果证明新算法的有效性。

李佳玲等[19]采用炉缸内部流动传热CFD正解模型和一维传热逆解模型预测炉缸的内衬热面形状，该计算模型考虑了耐火砖内温度变化对导热系数的影响，并利用1150℃等温线对热面形状的预测作为初始值，结果显示预测后的计算温度和工厂热电偶测量温度很好地吻合，验证了热面形状预测方法的准确性和有效性。

3 大数据技术应用在高炉炼铁生产中的展望

目前，大数据技术已在我国高炉炼铁的生产中实现了开发和应用。随着大数据技术的不断成熟，高炉炼铁也逐渐迈上了绿色化和智能化生产的步伐。但大数据技术应用的前提是标准化的工业大数据，即在规范的、属性明确的和可追溯可定位的大数据规范体系下，能随时进行数据分析、趋势预测和辅助决策等一系列研究。

众所周知，我国大部分钢铁企业的高炉炼铁数据，由于炼铁设备的复杂性、检化验结果的时滞性、现场数据的准确性以及检测设备不足等，都存在一定的错误、波动大、准确率低以及缺少关键参数等问题，使大数据应用在炼铁生产中的准确性降低，甚至不能满足生产需求。因此，我们要对炼铁大数据，乃至工业大数据进行数据标准化，以满足大数据技术的开发与应用。

对高炉大数据的标准化，提出以下建议：

（1）建立统一的数据基础标准，包括：参数术语、数据表格式、数据库模式和大数据构架标准等；

（2）建立统一的数据采集标准，包括：各工序的数据采集参数、采集点方位、采集方法、采集设备标准、检化验时间和检化验方法等；

（3）建立统一的大数据技术标准，包括：数据收集、数据预处理、数据存储与管理、数据处理与分析、数据访问与接口和数据可视化等；

（4）建立统一的平台标准，包括：基础平台、管理平台、计算机平台和系统平台等；

（5）建立统一的应用标准，包括：数据可视化、预测系统和辅助决策系统等。

标准化的炼铁大数据可为数据可视化、数据分析、重要参数预报和辅助决策等研究提供准确、统一和稳定的数据，可提高预报系统和辅助决策系统的准确性，为我国钢铁企业早日实现高炉智能炼铁提供了保证。因此，工业大数据的标准化是我国钢铁企业需要紧抓的首要问题。我国钢铁企业，要以数据标准化为前提和保证，在“中国制造2025”的国家战略政策的指引下，开展智能生产、智能管理和智能服务，推动工业大数据在智能制造中的发展应用。