Оптимизация параметров доменной плавки с использованием нейронных сетей для точного прогнозирования содержания кремния в чугуне
Оптимизация параметров доменной плавки с использованием нейронных сетей для точного прогнозирования содержания кремния в чугуне
Аннотация
В статье представлен инновационный подход к повышению точности прогнозирования содержания кремния в чугуне в доменных печах с применением методов глубокого обучения. Актуальность исследования обусловлена необходимостью минимизации отклонений в химическом составе чугуна, что напрямую влияет на себестоимость продукции и энергоэффективность металлургических процессов. Традиционные методы, такие как множественная линейная регрессия и авторегрессионные модели, демонстрируют ограниченную эффективность из-за нелинейной динамики технологических параметров и задержек в измерениях
.В работе предложена гибридная архитектура нейронной сети, сочетающая долгую краткосрочную память (LSTM) для анализа временных рядов и полносвязные слои для регрессионного прогнозирования. Модель обучена на данных доменной печи №3 ПАО «Северсталь» за 2018–2023 гг., включающих 18 000 плавок. Предобработка данных включала устранение шумов методом вейвлет-преобразования, нормализацию по методу Z-Score и синхронизацию временных меток с использованием алгоритма динамического временного выравнивания (DTW)
.Валидация модели на тестовой выборке (20% данных) показала, что средняя абсолютная ошибка (MAE) прогноза составила 0,07%, что на 40% ниже, чем у традиционных методов. Коэффициент детерминации (R²) достиг 0,96, что подтверждает высокую объясняющую способность модели. Интеграция алгоритма в систему управления печью позволила сократить отклонение содержания кремния на 18% за счет автоматической корректировки температуры дутья и состава шихты.
Практическая значимость исследования подтверждена внедрением модели на производстве, что привело к ежегодной экономии 3,2 млн рублей на одной печи. Результаты работы открывают перспективы для создания цифровых двойников доменных процессов с использованием искусственного интеллекта.
1. Введение
Содержание кремния в чугуне — критически важный параметр, определяющий его свойства и себестоимость дальнейшей переработки в сталь. Оптимальный диапазон кремния обеспечивает снижение образования шлаков и повышение КПД печи
. Однако традиционные методы контроля, основанные на эмпирических формулах и статистическом анализе, не учитывают временные задержки и нелинейные взаимодействия между параметрами, такими как температура колошникового газа, давление в горне и состав шихтовых материалов .Согласно исследованиям, ошибки прогнозирования кремния в 0,1% приводят к увеличению энергопотребления на 2–3% и потерям до 5 млн рублей в год на одной печи
. В этой связи внедрение методов искусственного интеллекта, способных анализировать многомерные временные ряды, становится ключевым направлением модернизации металлургических производств.Цель работы — разработка нейросетевой модели для прогнозирования содержания кремния с точностью выше 95% и создание алгоритма оптимизации параметров плавки в реальном времени.
2. Методы и принципы исследования
2.1. Источники данных
Исследование проведено на данных доменной печи №3 ПАО «Северсталь» (выборка: 18 000 плавок, 2018–2023 гг.). Параметры регистрировались с частотой 1 Гц и включали:
а) температуру дутья (1000–1250°C);
б) давление в горне (250–400 кПа);
в) состав шихты (Fe: 85–92%, SiO₂: 4–7%, Al₂O₃: 1–3%);
г) производительность (12 000–15 000 т/сутки).
2.2. Предобработка данных
– Устранение шумов с помощью вейвлет-преобразования (вейвлет Добеши 4-го порядка)
.– Нормализация методом Z-Score для устранения масштабных различий.
– Синхронизация временных меток алгоритмом DTW для компенсации задержек датчиков.
2.3. Архитектура модели
Гибридная нейронная сеть включает в себя:
а) два LSTM-слоя (256 и 128 нейронов) с активацией Tanh для анализа временных зависимостей;
б) три полносвязных слоя (64, 32, 1 нейрон) с регуляризацией L2 (λ=0,01);
в) Dropout (0,3) для предотвращения переобучения
.Обучение проводилось на фреймворке TensorFlow 2.8 с использованием оптимизатора Adam (learning rate=0,001) и функции потерь Huber для устойчивости к выбросам
, .2.4. Анализ результатов
Тестирование на 3600 доменных плавках показало, что предложенная модель превосходит альтернативы по всем основным показателям (см. табл. 1).
Таблица 1 - Сравнение показателей гибридной модели с традиционными методами прогнозирования
Метод | Средняя абсолютная ошибка (MAE), % | Коэффициент детерминации (R²) | Время обучения, ч |
Множественная регрессия | 0,12 | 0,78 | 0,1 |
SVM с ядром RBF | 0, 10 | 0,85 | 2,5 |
GRU-сеть | 0,09 | 0,89 | 4,2 |
LSTM-модель | 0,07 | 0,96 | 5,8 |
Метод SHAP (Shapley Additive Explanations) выявил, что 72% вклада в прогноз обеспечивают:
а) температура дутья (32%);
б) содержание SiO₂ в шихте (25%);
в) давление в горне (15%)
.2.5. Промышленное внедрение
Внедрение разработанной LSTM-модели в систему управления доменной печью №3 ПАО «Северсталь» осуществлялось в три этапа:
1. Пилотное тестирование. в течение 2 месяцев модель интегрировали в тестовый контур SCADA-системы, где она прогнозировала содержание кремния без влияния на управляющие сигналы. Это позволило сравнить рекомендации модели с действиями операторов. Результаты показали, что в 83% случаев прогнозы ИНС обеспечивали более стабильные значения кремния (σ=0,04% против 0,07% у ручного управления) .
2. Поэтапная автоматизация. на втором этапе алгоритм получил право корректировать температуру дутья в диапазоне ±15°C от заданного значения. Для минимизации рисков внедрение проводилось в три смены с постепенным увеличением зоны ответственности модели. Анализ 400 плавок показал, что автоматизированное управление сократило время стабилизации температуры на 22% (с 45 до 35 минут).
3. Полная интеграция. Через 6 месяцев модель подключили к системе управления составом шихты. Использование оптимизационного алгоритма на основе градиентного спуска позволило динамически корректировать соотношение Fe/SiO₂, учитывая прогноз содержания кремния на 3 часа вперед. Это снизило колебания SiO₂ в шихте с ±0,8% до ±0,3% .
2.6. Технические аспекты внедрения
– для обработки данных в реальном времени был развернут серверный кластер на базе NVIDIA DGX A100 с latency <50 мс;
– взаимодействие с датчиками обеспечено через OPC UA-шлюз, что исключило необходимость модернизации существующей АСУ ТП;
– внедрение сопровождалось обучением более чем 35 сотрудников, включая инженеров-металлургов и операторов.
2.7. Экономический и экологический эффект
Снижение отклонения кремния на 18% позволило уменьшить добавление ферросилиция на 12 кг/т чугуна, что эквивалентно экономии 8,4 млн руб./год при текущих ценах на FeSi75.
Оптимизация температуры дутья сократила расход угля на 420 т/год, снизив выбросы CO₂ на 1100 т.
Повышение стабильности процесса уменьшило объем брака на 2,4%, высвободив 6500 т чугуна для переработки в сталь.
3. Основные результаты
3.1. Высокая точность прогнозирования
– Разработанная LSTM-модель обеспечила MAE=0,07% и R²=0,96, превзойдя не только традиционные методы (регрессия, SVM), но и современные подходы, такие как градиентный бустинг (MAE=0,09%)
.– Время прогноза составило 0,8 с на одну плавку, что позволяет использовать модель в системах реального времени.
3.2. Технологическая оптимизация
– Автоматическая корректировка температуры дутья снизила ее стандартное отклонение с 14°C до 9°C, повысив тепловую стабильность процесса.
– Динамическое управление шихтой уменьшило колебания SiO₂ в загрузке на 62%, что критически важно для предотвращения «холодных» и «горячих» ходов печи.
3.3. Экономическая эффективность
– Годовой экономический эффект от внедрения составил 3,2 млн руб. на одной печи, с периодом окупаемости 14 месяцев.
– Сокращение расхода угля и ферросилиция позволяет снизить себестоимость чугуна на 4,7% (с 18 200 до 17 350 руб./т).
4. Заключение
Проведенное исследование демонстрирует значительный потенциал применения нейронных сетей для оптимизации доменной плавки, в частности, в контексте повышения точности прогнозирования содержания кремния в чугуне. Разработанная гибридная модель на базе архитектуры LSTM подтвердила свою эффективность не только в условиях лабораторных испытаний, но и в реальном производственном цикле, что подчеркивает ее практическую ценность для металлургической отрасли. Успешное внедрение алгоритма в систему управления доменной печью №3 ПАО «Северсталь» стало возможным благодаря тщательной предобработке данных, учитывающей временные задержки и нелинейные взаимосвязи параметров, а также оптимизации вычислительных ресурсов для работы в режиме реального времени.
Полученные результаты свидетельствуют о том, что интеграция методов искусственного интеллекта в традиционные металлургические процессы позволяет преодолеть ограничения, свойственные классическим подходам. В отличие от эмпирических моделей, опирающихся на статичные уравнения регрессии, нейронные сети способны адаптироваться к изменяющимся условиям плавки, таким как колебания качества сырья или износ футеровки печи. Это обеспечивает не только высокую точность прогнозов, но и устойчивость системы управления к внешним возмущениям. Кроме того, автоматизация корректировки ключевых параметров (температуры дутья, состава шихты) минимизирует влияние человеческого фактора, что особенно актуально в условиях дефицита квалифицированных операторов.
Перспективы дальнейшего развития исследования связаны с углублением интеграции искусственного интеллекта в системы управления металлургическими процессами. Создание цифровых двойников доменных печей, объединяющих физико-химические модели с нейросетевыми алгоритмами, позволит проводить виртуальные эксперименты по оптимизации режимов плавки без остановки производства. Расширение функционала модели за счет прогнозирования содержания серы, фосфора и других примесей может стать основой для комплексной системы контроля качества чугуна. Кроме того, использование методов трансферного обучения открывает возможности адаптации разработанной архитектуры к различным типам печей и сырьевым базам, что особенно важно для предприятий с разнородным парком оборудования.
Таким образом, исследование вносит значительный вклад в развитие цифровых технологий в металлургии, предлагая конкретный инструмент для повышения конкурентоспособности отечественных предприятий в условиях глобализации рынка. Дальнейшая работа в этом направлении может стать катализатором для формирования новых стандартов в отрасли, где искусственный интеллект и Big Data занимают центральное место в стратегиях технологического развития.