Optimisation of blast furnace smelting parameters using neural networks for accurate prediction of silicon content in cast iron
Optimisation of blast furnace smelting parameters using neural networks for accurate prediction of silicon content in cast iron
Abstract
The article presents an innovative approach to improving the accuracy of predicting the silicon content in cast iron in blast furnaces using deep learning methods. The relevance of the research is due to the necessity to minimise deviations in the chemical composition of cast iron, which directly affects the cost of production and energy efficiency of metallurgical processes. Traditional methods, such as multiple linear regression and autoregressive models, demonstrate limited efficiency due to nonlinear dynamics of technological parameters and delays in measurements
.The work suggests a hybrid neural network architecture combining long short-term memory (LSTM) for time series analysis and full-layer connectivity for regression forecasting. The model was trained on data from 'Severstal' blast furnace No. 3 for 2018–2023, including 18,000 melts. Data preprocessing included noise removal using the wavelet transform method, normalisation using the Z-Score method and time stamp synchronisation using the dynamic time alignment (DTW) algorithm
.Validation of the model on a test sample (20% of data) showed that the mean absolute error (MAE) of the forecast was 0.07%, which is 40% lower than that of traditional methods. The coefficient of determination (R²) reached 0.96, confirming the high explanatory power of the model. Integration of the algorithm into the furnace control system reduced the deviation of silicon content by 18% due to automatic adjustment of blast temperature and charge composition.
The practical significance of the research is confirmed by the implementation of the model at production facilities, which resulted in annual savings of 3.2 million rubles per furnace. The results of the work open prospects for creating digital twins of blast furnace processes using artificial intelligence.
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.