Steel Works Energy-Saving Strategies Through ArtificialIntelligence Techniques
人工智能技术助钢厂节能
电炉(EAF)工艺路线生产钢水的主要挑战之一是在保持高产量和减少二氧化碳排放的同时优化能源消耗。本文介绍了将人工智能作为智能矩阵解决方案Smart Metrix Solutions的一部分应用于钢铁行业的一些策略,电炉中的原材料物流预测、电炉中的钢水温度预测、钢包精炼炉合金和辅料添加优化以及对连铸机进行温度调度预报以优化钢水过热度。此外,适当的学习算法允许优化工艺处理时间,提高能源效率和减少排放。能源效率是钢铁生产的一个重要方面,它提供了一系列好处,包括节约成本、环境可持续性、提高竞争力和提高生产率:
1.节约成本:能源是钢铁生产过程中最高的成本之一,减少能源消耗可以显著节约成本。通过实施节能实践和技术,钢铁生产商可以降低能源成本,提高盈利能力。
2.环境可持续性:钢铁生产是一个高度能源密集型的过程,导致温室气体排放和空气污染。通过减少能源消耗,钢铁生产商可以减少碳足迹,最大限度地减少对环境的影响。
3.提高竞争力:钢铁行业竞争激烈,能源效率日益成为钢铁生产商竞争力的重要因素。能够以节能方式生产钢铁的公司将在市场竞争中处于更有利的地位,并吸引寻求对环境负责的产品的客户。
4.提高生产率:实施节能技术和实践还可以改善生产过程,提高生产率。例如,减少电弧炉(EAF)的能耗还可以增加电炉的产能,从而以相同的能量生产更多的钢水。通过投资节能技术和不断实践摸索,钢铁生产商可以强化其运营效率,并在这个快速变化的行业中取得长期的成功。从工艺上看,北美某国基于EAF钢铁生产,自2010年以来,“电炉工艺路线”一直占据主导地位(占总产量的60%以上)。在世界范围内,电炉钢产量在过去10年里一直在稳步增长(占世界钢铁生产总量的28.9%)。电炉工艺路线被认为是钢铁生产中的低碳技术之一。[2]参考文献2显示,某国在2015年至2030年能源需求不断增长,推广包括电弧炉在内的低碳技术,有可能节约约4.2%的能源(3.212亿吨煤当量)。但改变技术确实不容易的,[3]在2015年4月至6月进行的一项调查中,30名受访者(7名是电炉生产商)中,90%的人表示他们有能源管理系统来跟踪和优化能源使用,79%的企业将能源效率目标纳入其核心战略业务,93%的企业有某种形式的外部对标工艺参数和流程,成本控制和更高的生产率是实施能源效率的主要推动力(成本控制比遵守政府法规重要五倍),47%的受访者表示,在实施节能项目方面有过负面经历,主要与投资回收期比预期时间要长。根据作者的经验,冶金工艺降低能耗的第一步应侧重于确定和检测能源使用情况,然后确定和实施节能机会。以下是在一般冶金过程中可以采取的减少能源消耗的一些步骤:
1.对能源消耗进行分析:这种分析是对一个能源工艺设施使用进行系统的评估,它可以帮助确定高能耗领域和潜在的节能领域,这里可以包括对标企业参数指标的方法。[4]
2.识别和测量能源使用:识别和测量所有过程阶段的能源使用,包括原材料准备、生产和生产后续过程。
3.确定节能机会:分析能源审计期间收集的能源使用数据,以确定可以实现节能的领域。
4.实施节能措施:在能源审计期间确定的节能措施可以包括流程优化、能源回收系统、先进的控制系统、绝缘隔热和能源管理系统。
5.监测和评估:监测和评估节能措施的有效性,以确定任何额外的节能机会。
6.培训员工:培训员工在日常工作中节能的重要性和节约能源的方法。
7.持续改进:通过定期监测、测量和实施新的节能技术和最佳实践,不断努力提高能源效率。这些步骤如图1所示。图1工业节能措施能源审计(确认和检测能源使用)→确认和贯彻节能措施→监控和评估→部分:节能策略作为核心管理之一;职工培训;持续改进和最佳实践在电炉短流程工艺路线(电炉、钢包精炼炉、真空脱气炉、连铸机)的情况下,人们相信,减少能源消耗的机会转化为钢水温度管理和优化材料流动,以及工艺过程的持续时间。其中一种方法,预测和温度管理,自20世纪80年代以来一直是钢铁研究的一个不变的主题。例如,参见参考文献5。Lu和william[5]利用钢锭处理过程的凝固、加热和冷却过程的数学模型,通过计算机模拟预测了钢锭的完整热历程状态。Yoshitani[6]回顾了亚洲某国工业在20世纪70年代末所做的工作,通过仪表和控制系统更面向实际温度测量,节省了大约10%的能源。参考文献5和6表明,当时计算机和控制系统的使用对钢铁工业的影响最为显著。使用模型来预测温度和物料平衡(相关合金和辅料的添加)是由Abraham等人给出的,[7]预测温度和测量温度之间的一致性很好,预计冶炼顶渣成分可用于渣系研究使用,以提高除磷效率和顶渣的泡沫化。本文将回顾近年来在EAF路线上降低能源消耗的经验。这些节省可以通过大量数据(大数据)以及人工智能(AI)算法对这些数据的应用来实现。近年来,大数据在钢铁行业已成为共识。这些都代表着节能的机会,可以更好地掌握整个钢铁生产操作,减少工序时间,实现数据驱动的优化过程,并最终实现更具成本效益的节能减排战略。
钢铁工业中的人工智能和数据科学
在互联网的帮助下,电子、数据和连接、仪表、计算机和控制系统已经转变为所谓的工业4.0。如今,机器学习和面向人工智能的算法正在进入钢铁生产过程和决策中。2020年,Narciso和Martins[8]发表了一篇基于大型专题研究,并展示了机器学习工具(遗传算法,可追溯到2014年)在钢铁行业能效方面的至少一项应用(共参考了42篇论文)。在这篇综述中,[9]John等人使用关键的使能技术方法来评估人工智能对钢铁行业脱碳(与节能高度相关)的影响,他们在参考汇编科学文章的基础上编制了一份人工智能工具清单,他们在Scopus中发现了2015~2020年期间与人工智能和钢铁行业相关的140篇论文(仅在2020年就有45篇论文,占其中的30%以上)。他们发现,人工智能更侧重于对现有技术的渐进式改进,但也提供了可持续创新减少障碍的能力(系统集成和灵活性挑战、需求侧和风险障碍)。从作者的角度来看,数据科学可以被视为统计学和计算机科学的结合,由四个主要领域组成:[12~14]•数据工程。•数据描述性分析。•估计、预测和预测。•机器学习(包括深度学习等)。数据工程涉及数据存储、检索和可追溯性。其他三个领域将在下面的术语“数据分析”下讨论。数据分析:
数据分析是发现新的商业价值来源的基础。它可以像Davenport[14]一样分为四个层次(或历史阶段):分析1.0对应于统计性描述,并将成为能源消耗分析(数据描述性分析)的基础;分析2.0结合了更全面的方法和现代数据技术,包括大数据方法——它们可以分别等同于探索性数据分析和数据挖掘(分析1.0和分析2.0),以发现节能机会;分析3.0已经成为公司决策战略的一部分,可以等同于估计、预测和预测领域,这是数据驱动型组织的中心;而分析4.0则与智能系统和机器学习有关。后者(分析4.0)与最高级别的自动化相关联。工作流程:
正如RogerPeng和Elizabeth Matsui所表达的那样,这里讨论的数据分析并不具有线性工作流:[18]“…在现实中,数据分析是一个高度迭代和非线性的过程,通过一系列的循环可以更好地反映出来[…],在这个过程中,每一步都学习到信息,然后通知是否(以及如何)改进和重做刚刚执行的步骤,或者是否(以及如何)进行下一步。”然而,数据科学有一些基本的过程要素需要遵循。根据作者的经验,在钢铁行业流程中寻求解决方案以解决特定问题的工作流程如图2所示。图2钢铁行业的数据分析(收集数据→探索性数据分析→建立模型→模型解释→模型贯彻→结果验证和评估)能源节约的数据密集型策略
本建议基于以下几点:•能源消耗分析(审核)。•EAF中的温度预测。•优化电炉原材料。•钢包精炼炉(LF)物料添加优化。•控制精炼炉到连铸机(CCM)的钢水过热度最小化(Autoheat)。第一步,能耗分析,这个分析是不可缺少的,它与拥有数据有关:“你无法改善不检测的事物。”其他解决方案侧重于充分识别和测量工厂的总体能源使用情况,特别是独立工序/阶段/各站。能源消耗分析系统地评估了工厂的能源使用情况。这一分析有助于了解和确定高能耗领域以及节能方面的潜力。在从原材料的准备和装载运输到生产车间和生产后工艺过程的所有阶段,确定和检测整个工厂的能源消耗是必要的。根据获得的数据,节能的第一步是分析这些使用过的数据,以寻找改进的机会,并确定可以实现节能的领域。在电弧炉短流程工艺路线:EAF-LF-VD-CCM中分享了这一工作经验。EAF中的温度预测:
确定电弧炉中钢水的温度对于确保生产高质量钢所需的反应发生至关重要,这将影响后续工艺。因此,有必要采取测温取样。然而,拥有一个可以预报钢水温度的工具对于在不牺牲产品质量的情况下及时调整以提高能源效率和增加产量同样重要。•方法:采用神经网络等先进技术来评估原辅材料用量和消耗功率,以及其他变量,以预测钢水运输到LF炉所需的温度。•效益:通过实时预测钢水温度,减少了取样的操作,并可以及时进行调整,以达到二次冶金过程所需的最佳温度,这样就提高了能源效率,增加了产量。根据工厂原有的自动化设备和操作人员的水平,EAF可节省高达2%的能源。EAF中的原辅材料添加:
在电弧炉的熔化废钢等原材料过程中,需要达到一个目标连铸所需要的钢水成分和温度,这必须在整个工艺过程中保持。然而,由于金属料的加入(如直接还原(DRI,废钢等)不足,导致不经济的电力消耗,保持这种负载均衡通常是一项复杂的任务。因此,自动加料模型会干预这些值,从而实现所需最佳的原辅材料量和加入时机。•方法:原辅料添加倾向模型由质量和能量平衡组成,以确定当前在任何时候的连铸所需的参数。然后,根据目标热负荷与实际热负荷的差值,模型计算并确定用于加料控制,使当前热负荷与目标热负荷尽可能接近。对比之下,功率模型跟踪基于消耗功率(MWh)的情况。•效益:自动预估模型允许在线预计算附加(物料流)和EAF中的前馈功率分布。该工具确保符合钢厂热能的目标热负荷分布,从而优化金属料负荷添加和功耗,以及优化钢铁料的熔化时间,见图2,经计算可节省5%的能源。LF炉加料优化:
该模型是根据所需钢种的化学成分和质量平衡来设计优化精炼渣。精炼渣料是专门形成的冶炼辅料顶渣,用于从钢铁生产中去除非必需元素,精炼渣能够捕获夹杂物和金属氧化物(钙、铝或铁合金的添加微调了钢的化学性质)。因此,通过设计优化精炼渣的化学成分是控制精炼渣添加量的一种方法。[11,19]•方法:使用质量平衡的物理原理计算了每炉钢水热量的运行特性和历程、当前连铸条件和钢渣的初始成分。根据精炼渣的初始成分和最终目标化学成分,该系统为所讨论的工艺提供适当操作加料的建议。在这个模型和下一个模型中,都建立了指标来最小化当前炉号和历史可用炉号数据之间的“距离”。在这个过程中,虽然不能测量,但可以推断和预报当前炉的特征。•效益:添加优化模型降低了物料的消耗(减少43%的添加料),模型预测了钢水中最终的氧化物夹杂。此外,它通过减少处理时间改善了工艺过程控制,从而减少了4.7%的能源,实现了优质钢材的目标,并将LF生产率提高了5.6%。最后,获得了25%的成本节约(由于添加料较少)。图4显示了简化后生成加料优化模型的数据,包括质量平衡(例如加CaO)和解达到解决方案平衡点问题的非线性解。图3电弧炉内的物质和能量流动(左侧上:石灰,氧气,DRI加入速率,DRI加入量,电能输入,THD渣料渣条件,其它。左下:DRI加入速率,钢水成分,THD渣料条件,其它。右侧上:DRI加入速率,DRI成分,石灰成分,THD渣料条件,其它;右下:DRI加入速率,石灰加入速率,氧气流量,温度,THD渣料条件,其它)图4钢包精炼炉加料优化(左上:钢包钢水重量,EAF出钢时添加量,进入LF炉钢水温度,历史数据,所需精炼渣成分;左中:精炼渣化学成分;左下:我们使用:从ML模型估算,精炼渣目标成分,物料计算模型;当需要的时候我们和估计和重新计算比较所需要的精炼渣成分。中上:机器学习模型,中间:质量平衡,中下优化。右上:预报LF炉加料;右中:我们计算LF炉渣量,根据加入的每种渣料。例如:总重量CaO=K+(Cal1*%CaO_cal1)/100+(Cal2*%CaO_cal2)/100+(Cal3*%CaO_cal3)/100…,右下:最终调整加入量。)图5中的两个图表(AIMB表示人工智能质量平衡)表明,开发的模型在两种特定精炼炉物料(粗石灰和铝棒)方面的可变性低于运营商的决策。请注意,在加铝料的情况下,与实际操作人员提出的不同解决方案相比,模型提出的原材料数量明显减少。图5钢包精炼炉添加量优化结果自动控制钢水温度:优化过热度:
在该解决方案中,预测了电炉出钢后钢水送到钢包精炼炉的温度,并在不符合目标温度的情况下提前进行调整控制。在这种情况下,[20]建立了LF出站温度到连铸机的确定机制。钢水从离开LF到凝固过程(见图6)都是处在放热阶段(温度降低)。图6优化钢水过热度需要的钢水过热度(高于钢水液相线的温度,以避免因冷却而中断钢水生产过程)来补偿这些热损失。如果过热度不够,就会得到低温钢水,必须提高连铸机的拉速,从而导致质量问题。相反,如果过热度过高,则能量损失大(过度消耗能量)。此外,连铸可能发生漏钢事故,这样就需要降低CCM的拉速,而产生其它的质量问题。•方法:该模型考虑了基于钢的类型、钢水重量、工艺过程中每个阶段的温度损失、吊运过程中的温度损失、连铸机的拉速以及最佳工艺和运输时间的过去连铸的操作条件。然后,该模型自动计算每炉钢水必须处理的时间和温度,以获得从LF到连铸机CCM的适当出站钢水温度。•效益:LF炉的生产率提高了7.5%至8.8%。LF炉的节能在1.59%到1.86%之间,并保证生产的钢水质量(内部和表面)。最后是工艺过程控制方面的改进。图7为原来的过热度(实际值)与模型计算得到的过热度(优化过热度)的对比,平均降低了10℃左右。在这些假设下,模型生成要执行的纠正操作。图7原先的实际过热值度(绿色,上部)与优化过热值(紫色,下部)结论本文提出了一系列基于人工智能的电弧炉工艺路线的钢铁生产过程节能解决方案。通过提出的解决方案,每家钢厂都有能力根据其独特的需求、条件和投资目标定制其节能战略。这些解决方案基于能耗测量和数据密集型技术的基本要素,以温度预测和添加物料优化为基础。建议的节能措施包括改进EAF和LF的操作,可以使得连铸机CCM受益。这些步骤有可能通过预测EAF中的温度节省高达2%的能源,通过EAF中的加料优化(DRI,废钢,石灰等)节省5%的能源,通过添加物料的优化在LF中节省4.7%的能源,通过LF中的钢水过热度优化节省2%的能源,当所有方法一起实施时,总节能高达7~10%。最后,这些解决方案不仅可以应用于EAF工艺路线,还可以应用于整个钢铁行业的所有流程。参考文献1. World SteelAssociation, “World Steel in Figures 2002–2022,” International Iron and SteelInstitute, Brussels, Belgium, 1 January 2023,https://worldsteel.org/steel-topics/ statistics/world-steel-in-figures.2. R. An, B. Yu, R. Liand Y-M. Wei, “Potential of Energy Savings and CO2 EmissionReduction in China’s Iron and Steel Industry,”Applied Energy,Vol. 226, 2018, pp. 862–880.3. Organisation forEconomic Co-operation and Development – OECD Steel Committee, “EnergyEfficiency in the Steel Sector: Why It Works Well but Not Always,” 2015,accessed 31 January 2023, https: // www. oecd. org/ sti/ind/Energyefficiency-steel-sector-1.pdf.4. E. Worrell and L.Price, “An Integrated Benchmarking and Energy Savings Tool for the Iron andSteel Industry,”International Journal of Green Energy,Vol. 3, No. 2, 2006, pp. 117–126.5. Y-Z. Lu and T.Williams, “Energy Savings and Productivity Increases With Computers — A CaseStudy of the Steel Ingot Handling Process,”Computers in Industry,Vol. 4, No. 1, 1983, pp. 1–18.6. Y. Yoshitani,“Contribution of Control Systems to Energy Savings in Steel Works,”4th IFACSymposium on Automation in Mining, Mineral and Metal Processing, Helsinski, Finland, 1983.7. S. Abraham, Y. Wang,R. Petty, T. Sprague, T. Franks and E. Brown, “Dynamic EAF Energy and MaterialBalance Model for Online Process Optimization,”AISTech 2021 ConferenceProceedings, 2021.8. D. A. Narciso and F.Martins, “Application of Machine Learning Tools for Energy Efficiency inIndustry,”EnergyReports,Vol. 6, 2020, pp. 1181–1199.9. N. John, J.H.Wesseling, E. Worrell and M. Hekkert, “How Key-Enabling Technologies’ RegimesInfluence Sociotechnical Transitions: The Impact of Artificial Intelligence onDecarbonization in the Steel Industry,”Journal of CleanerProduction,Vol. 370, 2022, p. 1336624.10. F-F. Henrich, O.Jannasch, H. Shafy, J. Daldrop, S. Arikan and M. Ruckl, “Systematic Applicationof AI to Quality Optimization From Steelmaking to Galvanizing,”Iron & SteelTechnology,Vol. 18, No. 12, 2021, pp. 44–50.11. P.C. Pistorius,“Data Analysis to Assess Carry-Over Slag,”Furnace Tapping 2022, TheMinerals, Metals & Materials Series, Berlin,Springer, 2022, pp. 51–58.12. T. Barton and C.Muller, eds., Apply Data Science: Introduction, Applications and Projects,Wiesbaden: Springer Vieweg, 2023.13. J. Chen, B. Ayalaand D. Alsmadi, “Fundamentals of Data Science for Future Data Scientist,”Analytics andKnowledge Management, Auerbach Publications, NewYork, N.Y., USA, 2018, pp. 167–193.14. T.H. Davenport,“From Analytics to Artificial Intelligence,”Journal of BusinessAnalytics,Vol. 1, No. 2, 2018, pp. 73–80.15. B. Nenchev, C.Panwisawas, X. Yang, J. Fu, Z. Dong, Q. Tao, J-C. Gebelin, A. Dunsmore, H.Dong, M. Li, B. Tao, F. Li, J. Ru and F. Wang, “Metallurgical Data Science forSteel Industry: A Case Study on Basic Oxygen Furnace,”Steel Research International,Vol. 93, No. 12, 2022, p. 2100813.16. G.W. Song, B.A.Tama, J. Park, J.Y. Hwang, J. Bang, S.J. Park and S. Lee, “Temperature ControlOptimization in a Steel-Making Continuous Casting Process Using a MultimodalDeep Learning Approach,”Steel Research International,Vol.90, No. 12, 2019, p. 1900321.17. M.F. Peintinger andF-F. Heinrich, “Eliminating CO2, Energy, and Quality InefficienciesThrough Application of AI,”AISTech 2022 Conference Proceedings, 2022.18. R. Peng and E.Matsui, The Art of Data Science: A Guide for Anyone Who Works With Data,Leanpub, 2018.19. M. Argaez, N.Sanchez and A. Alvarez, “Applying Several AI Approaches to Improve the LF SteelQuality by Sulfide Capacity Estimation and Slag Chemical CompositionPrediction,”AISTech2021 Conference Proceedings, 2021.20. E. Morales, M.Argaez-Salcido, N. Sanchez and A. Alvarez, “Energy Savings and QualityReliability by Superheat Control Prediction to the Continuous Casting ThroughMachine Learning,”Iron & Steel Technology,Vol.20, No. 1, 2023, pp. 40–47.作者
EsnardoMorales:Project Senior Engineer, ECON Tech, Puebla, Pue., Mexico esnardo. morales@econ-tech.comRichardMarquez:Investigator Senior Engineer, ECON Tech, Puebla, Pue., MexicoAlexAlvarez:Project Manager, ECON Tech, Puebla, Pue., Mexico唐杰民2024年5月在安徽黄山屯溪翻译自某国的《钢铁技术》今年5月期刊。水平有限,翻译不准不妥之处请各位专家老师和看官给予指正。为响应“长三角一体化发展国家战略”,在浙江省政府指导下,立足嘉善的基础件制造领域优势,2021年嘉善县人民政府与上海大学合作共建“上海大学(浙江)高端装备基础件材料研究院”这一高能级创新载体,旨在通过集聚人才,以基础件材料技术为突破口,构建服务长三角、辐射全国的材料研发平台,提升我国基础件和装备制造业水平和技术进步。
上善院总占地面积110亩,有标准化轻工厂房5幢及部分附属功能性房屋,总建筑面积约2万平米。上善院建筑基本采用稀土耐蚀普碳钢结构搭建,亦是自然的大气暴露场。正在构建国家长三角大气暴露试验场。
点击下方,关注我们