Цифровая трансформация пирометаллургических технологий: состояние, научные проблемы и перспективы развития

Приводится обзор и критический анализ процесса цифровизации ведущих российских предприятий черной металлургии в соответствии с концепцией развития «Индустрия 4.0». Она предусматривает создание цифровых двойников пирометаллургических технологий, широкое применение машинного зрения и искусственного интеллекта. Представлены примеры отечественных промышленных систем, использующих в производственном цикле технологии машинного (технического) зрения, цифровых помощников (двойников) металлургических агрегатов и их комплексов. Применительно к доменному производству рассмотрены системы технического зрения, используемые для контроля процессов в верхней и нижней зонах доменной печи. Перспективным направлением является интеграция систем технического зрения и поддержки принятия решений, включающих алгоритмы и программные модули реализации детерминированных математических моделей отдельных явлений доменной плавки. В их в основу положены фундаментальные физические представления о процессах доменной плавки. Одним из основных направлений цифровой трансформации пирометаллургических технологий является создание интеллектуальных систем управления технологическим процессом агрегатов и их комплексов в металлургии в режиме реального времени. При постановке и решении задач требуются не только изучение характеристик, описывающих влияние изменения условий плавки на технико­экономические показатели работы отдельных печей, но и детальный анализ для математического описания внешних и внутренних ограничений. Представлены примеры подсистем контроля тепловых потерь доменной печи, прогнозирования параметров фурменных очагов и управления распределением дутьевых параметров по окружности доменной печи, автоматизированной системы анализа и прогнозирования производственных ситуаций доменного цеха. Создание таких систем проведено на основе современных принципов и технологий разработки соответствующего математического, алгоритмического и программного обеспечений.

1. Digital Twin // Gartner Glossary. [Электронный ресурс]. URL:https://www.gartner.com/en/information­technology/glossary/digital­twin (дата обращения 05.08.2021).

2. Цифровой двойник. Digital Twin of Organization, DTO //TADVISER. Государство. Бизнес. [Электронный ресурс]. URL:http://www.tadviser.ru/index.php/Статья:Цифровой_двойник_(Digital_Twin) (дата обращения 05.08.2021).

3. Цымбал В.П. Математическое моделирование сложных систем в металлургии. Кемерово; М.: изд. объединение «Российские университеты»: Кузбассвузиздат – АСТШ, 2006. 431 с.

4. Дмитриев А.Н., Золотых М.О., Витькина Г.Ю. Совершенствование аглококсодоменного производства с использованием цифровых технологий в рамках «Индустрии 4.0» // Черная металлургия. Бюллетень научно­технической и экономической информации. 2020. Т. 6. № 4. С. 339–345. https://doi.org/10.32339/0135-5910-2020-4-339-343

5. Stockman G., Shapiro L.G. Computer Vision. Prentice Hall PTR. Upper Saddle River, United States. 2001. 608 p.

6. Машинное (техническое) зрение. Металлургия // Mallenom Systems. [Электронный ресурс]. URL: https://www.mallenom.ru/resheniya/mashinnoe­zrenie/po­otroslyam/metallurgiia (дата обращения 05.08.2021).

7. Северсталь осваивает изготовление систем видеоинспекции поверхности проката // ИИС «Металлоснабжение и сбыт». [Электронный ресурс]. URL: https://www.metalinfo.ru/ru/news/118725 (дата обращения 05.08.2021).

8. Контроль положения горячекатаных рулонов на конвейере // Mallenom Systems. [Электронный ресурс]. Режим доступа: https://www.mallenom.ru/vnedrenia/pmz/metallurgy2 (дата обращения 05.08.2021).

9. Группа ЧТПЗ внедрила новую технологию испытания труб на основе машинного зрения // Пресс­центр группы «ЧТПЗ». [Электронный ресурс]. URL: https://chelpipe.ru/press­center/gruppa­chtpz­vnedrila­novuyu­tekhnologiyu­ispytaniya­trub­naosnove­mashinnogo­zreniya­/ (дата обращения 05.08.2021).

10. Форум «Информационные технологии в металлургии и металлообработке» // Форум «ИТМЕТАЛЛ». [Электронный ресурс]. URL: https://итметалл.рф/ (дата обращения 05.08.2021).

11. ТВ­ММК. Лидер цифровизации. Эфир: 17­12­2020 // YouTube Видеохостинг. [Электронный ресурс]. URL: https://www.youtube.com/watch?v=7opclYs93dA (дата обращения 10.01.2021).

12. Pan D., Jiang Z., Chen Z., Gui W., Xie Y., Yang C. Temperature measurement method for blast furnace molten iron based on infrared thermography and temperature reduction model // Sensors. 2018. Vol. 18. No. 11. Article 3792. https://doi.org/10.3390/s18113792

13. Usamentiaga R., Molleda J., Garcia D., Granda J.C., Rendueles J.L. Temperature measurement of molten pig iron with slag characterization and detection using infrared computer vision // IEEE Transactions on Instrumentation and Measurement. 2012. Vol. 61. No. 5. P. 1149–1159. https://doi.org/10.1109/TIM.2011.2178675

14. Shi L., Wen Y.­B., Zhao G.­S., Yu T. Recognition of blast furnace gas flow center distribution based on infrared image processing // Journal of Iron and Steel Research International. 2016. Vol. 23. No. 3. P. 203–209. https://doi.org/10.1016/S1006-706X(16)30035-8

15. Zhu Q., Lü C.­L., Yin Y.­X., Chen X.­Z. Burden distribution calculation of bell­less top of blast furnace based on multi­radar data // Journal of Iron and Steel Research International. 2013. Vol. 20. No. 6. P. 33–37. https://doi.org/10.1016/S1006-706X(13)60108-9

16. Спирин Н.А., Овчинников Ю.Н., Швыдкий В.С., Ярошенко Ю.Г. Теплообмен и повышение эффективности доменной плавки. Екатеринбург: изд. Уральского государственного технического университета, 1995. 243 с.

17. Ишметьев Е.Н., Салихов З.Г., Щетинин А.П., Будадин З.Г. Автоматическая диагностика эксплуатационного состояния опасных зон пирометаллургического агрегата // Известия вузов. Черная металлургия. 2010. № 1. С. 58–61.

18. Spirin N.A., Shvydkii V.S., Ovchinnikov Yu.N., Lavrov V.V., Gusev A.A. Mathematical modeling of heat transfer in blast furnace raceway // Steel in Translation. 1998. Vol. 28. No. 4. P. 5–8.

19. Abhale P.B., Viswanathan N.N., Saxen H. Numerical modelling of blast furnace – Evolution and recent trends // Mineral Processing and Extractive Metallurgy: Transactions of the Institute of Mining and Metallurgy. 2020. Vol. 129. No. 2. P. 166–83. https://doi.org/10.1080/25726641.2020.1733357

20. Bambauer F., Wirtz S., Scherer V., Bartusch H. Transient DEM­CFD simulation of solid and fluid flow in a three dimensional blast furnace model // Powder Technology. 2018. Vol. 334. P. 53–64. https://doi.org/10.1016/j.powtec.2018.04.062

21. Fu D., Chen Y., Rahman M.T., Zhou C.Q., D’Alessio J., Ferron K.J. Validation of the numerical model for blast furnace shaft process // AISTech – Iron and Steel Technology Conference Proceedings. 2012. Article 92531. P. 417–427.

22. De Castro J.A., Nogami H., Yagi J.­I. Three­dimensional multiphase mathematical modeling of the blast furnace based on the multifluid model // ISIJ International. 2002. Vol. 42. No. 1. P. 44–52. https://doi.org/10.2355/isijinternational.42.44

23. Peacey J.G., Davenport W.G. The iron blast furnace: theory and practice. Elsevier Science. 2013. 266 p.

24. Baniasadi M., Peters B. Preliminary investigation on the capability of eXtended discrete element method for treating the dripping zone of a blast furnace // ISIJ International. 2018. Vol. 58. No 1. P. 25–34. https://doi.org/10.2355/isijinternational.ISIJINT-2017-344

25. Рамм А.Н. Современный доменный процесс. М.: Металлургия, 1980. 304 с.

26. Теплотехника доменного процесса / Б.И. Китаев, Ю.Г. Ярошенко, Е.Л. Суханов, Ю.Н. Овчинников, В.С. Швыдкий. М.: Металлургия, 1978. 248 с.

27. Товаровский И.Г. Доменная плавка. Днепропетровск: Пороги, 2009. 768 с.

28. Большаков В.И. Технология высокоэффективной энергосберегающей доменной плавки. Киев: Наукова думка, 2007. 411 с.

29. Андронов В.Н. Экстракция черных металлов из природного и техногенного сырья. Доменный процесс. Донецк: Норд­Пресс, 2009. 377 с.

30. Бабарыкин Н.Н. Теория и технология доменного процесса. Магнитогорск: МГТУ, 2009. 257 с.

31. Дмитриев А.Н. Математическое моделирование доменного процесса. Екатеринбург: УрО РАН, 2011. 162 с.

32. Доброскок В.А., Кузнецов Н.А., Туманов А.И. Математические модели процессов газодинамики и восстановления в доменной печи // Известия вузов. Черная металлургия. 1985. № 3. С. 145, 146.

33. Курунов И.Ф., Ященко С.Б. Методика расчета технико­экономических показателей доменной плавки // Научные труды Московского института стали и сплавов. 1983. № 152. С. 57–64.

34. Ченцов А.В., Чесноков Ю.А., Шаврин С.В. Балансовая логико­статистическая модель доменного процесса. Екатеринбург: УрО РАН, 2003. 176 с.

35. Ueda S., Natsui S., Nogami H., Yagi J.­I., Ariyama T. Recent progress and future perspective on mathematical modeling of blast furnace // ISIJ International. 2010. Vol. 50. No. 7. P. 914–923. https://doi.org/10.2355/isijinternational.50.914

36. Теория и практика прогнозирования в системах управления / С.В. Емельянов, С.К. Коровин, Л.П. Мышляев, А.С. Рыков, В.Ф. Евтушенко. М.: Российские университеты, 2008. 487 с.

37. Загайнов С.А., Онорин О.П., Гилева Л.Ю., Волков Д.Н., Тлеугобулов Б.С. Разработка и внедрение математического и программного обеспечения для гибких технологических режимов работы доменных печей // Сталь. 2000. № 9. С. 12–15.

38. Информационные системы в металлургии / Н.А. Спирин, Ю.В. Ипатов, В.И. Лобанов, В.А. Краснобаев, В.В. Лавров, В.Ю. Рыболовлев, В.С. Швыдкий, С.А. Загайнов, О.П. Онорин. Екатеринбург: изд. УГТУ–УПИ, 2001. 617 с.

39. Математическое моделирование металлургических процессов в АСУ ТП / Н.А. Спирин, В.В. Лавров, В.Ю. Рыболовлев, Л.Ю. Гилева, А.В. Краснобаев, В.С. Швыдкий, О.П. Онорин, К.А. Щипанов, А.А. Бурыкин. Екатеринбург: УрФУ, 2014. 558 с.

40. Pavlov A.V., Polinov A.A., Spirin N.А., Onorin O.P., Lavrov V.V. Use of model systems for solving new technological problems in blast­furnace production // Metallurgist. 2017. Vol. 61. No. 5­6. P. 448–454. https://doi.org/10.1007/s11015-017-0516-7

41. Муравьева И.Г., Тогобицкая Д.Н., Нестеров А.С., Иванча Н.Г. Новый уровень управления доменной плавкой в разработках ИЧМ // Черная металлургия. Бюллетень научно­технической и экономической информации. 2019. Т. 75. № 11. С. 1231–1236. https://doi.org/10.32339/0135-5910-2019-11-1231-1236

42. Hashimoto Y., Kitamura Y., Ohashi T., Sawa Y., Kano M. Transient model­based operation guidance on blast furnace // Control Engineering Practice. 2019. Vol. 82. P. 130–141. https://doi.org/10.1016/j.conengprac.2018.10.009

43. Saxen H., Gao C., Gao Z. Data­driven time discrete models for dynamic prediction of the hot metal silicon content in the blast furnace – A review // IEEE Transactions on Industrial Informatics. 2013. Vol. 9. No. 4. Article 6341833. P. 2213–2225. https://doi.org/10.1109/TII.2012.2226897

44. Spirin N.A., Polinov A.A., Gurin I.A., Beginyuk V.A., Pishnograev S.N., Istomin A.S. Information system for real­time prediction of the silicon content of iron in a blast furnace // Metallurgist. 2020. Vol. 63. No. 9­10. P. 898–905. https://doi.org/10.1007/s11015-020-00907-y

45. Френкель М.М., Федулов Ю.В., Белова О.А. и др. Экспертная система управления ходом доменной плавки // Сталь. 1992. № 7. С. 15–18.

46. Соловьев В.И., Павлова Е.А., Краснобаев В.А. Интеллектуальная автоматизированная система управления металлургическими агрегатами // Черные металлы. 2004. № 7­8. С. 26–29.

47. Spirin N.A., Onorin O.P., Istomin A.S., Lavrov V.V., Gurin I.A. Information modelling system for diagnostics of different types of blast­furnace smelting deviations from normal conditions // IOP Conference Series: Materials Science and Engineering. 2018. Vol. 411. No. 1. Article 012072. https://doi.org/10.1088/1757-899X/411/1/012072

48. Ge A.X. A Neural Network Approach to the Modeling of Blast Furnace: Thesis (M. Eng.). Massachusetts Institute of Technology, 1999. 69 p.

49. Chen J. Predictive system for blast furnaces by integrating a neural network with qualitative analysis // Engineering Applications of Artifcial Intelligence. 2001. Vol. 14. No. 1. P. 77–85. https://doi.org/10.1016/S0952-1976(00)00062-2

50. Jimenez J., Mochon J., De Ayala J.S., Obeso F. Blast furnace hot metal temperature prediction through neural networks­based models // ISIJ International. 2004. Vol. 44. No. 3. P. 573–580. https://doi.org/10.2355/isijinternational.44.573

51. Сибагатуллин С.К., Харченко А.С., Девятченко Л.Д. Приложение марковских цепей к анализу эффективности работы доменной печи // Известия вузов. Черная металлургия. 2018. Т. 61. № 8. С. 649–656. https://doi.org/10.17073/0368-0797-2018-8-649-656

52. Кулаков С.М., Трофимов В.Б. Интеллектуальные системы управления технологическими объектами: теория и практика. Новокузнецк: изд. СибГИУ, 2009. 223 с.

53. Xie H., Wang J., Wang G., Xiao­dong Sun X.­D. Application of big data in optimization of blast furnace operation // AISTech 2019 – Proceedings of the Iron & Steel Technology Conference. 2019. Vol. 2019­May. P. 587–591. https://doi.org/10.33313/377/062

54. Zhang Y., Sukhram M., Cameron I., Bolen J., Rozo A. Industrial perspective of digital twin development and applications for iron and steel processes // AISTech – Iron and Steel Technology Conference Proceedings. 2020. Vol. 3. P. 1975–1984. https://doi.org/10.33313/380/213

55. Cameron I., Sukhram M., Lefebvre K., Davenport W. Blast furnace ironmaking: analysis, control and optimization. 1st ed. Elsevier Science. 2019. 828 p. https://doi.org/10.1016/C2017-0-00007-1

56. Kazarinov L.S., Barbasova T.A. Elliptic component analysis. In: 2nd International Conference on Industrial Engineering, Applications and Manufacturing. ICIEAM. 2016. Article 7910936. https://doi.org/10.1109/ICIEAM.2016.7910936

57. Shnayder D.A., Kazarinov L.S., Barbasova Т.А., Lipatnikov A.V. Data mining and model­predictive approach for blast furnace thermal control // Intelligent Systems Conference. IntelliSys. 2017. Vol. 2018 – January. Article 8324364. P. 653–660. https://doi.org/10.1109/IntelliSys.2017.8324364

58. Kamo K., Hamamoto K., Maeda T., Narazaki H., Yakeya M., Tanaka Y. Method for predicting gas channeling in blast furnace // R and D: Research and Development Kobe Steel Engineering Reports. 2018. Vol. 68. No. 2. P. 7–11.

59. Onorin O.P., Polinov A.A., Pavlov A.V., Spirin N.A., Gurin I.A. About a possibility of using blast furnace heat balance to control heat losses // Metallurgist. 2018. Vol. 62. No. 3­4. P. 218–224. https://doi.org/10.1007/s11015-018-0648-4

60. Polinov A.A., Pavlov A.V., Onorin O.P., Spirin N.A., Gurin I.A. Blast distribution over the air tuyeres of a blast furnace // Metallurgist. 2018. Vol. 62. No. 5­6. P. 418–424. https://doi.org/10.1007/s11015-018-0676-0

61. Kuang S., Li Z., Yu A. Review on modeling and simulation of blast furnace // Steel Research International. 2018. Vol. 89. No 1. Article 1700071. https://doi.org/10.1002/srin.201700071

62. Pettersson F., Saxen H. Model for economic optimization of iron production in the blast furnace // ISIJ International. 2006. Vol. 46. No. 9. P. 1297–1305. https://doi.org/10.2355/isijinternational.46.1297

63. Gordon Y., Izumskiy N., Matveienko G., Chaika O., Lebid V., Vyshinskya O. Diagnostics, optimization and mathematical models of coke­sinter­hot metal production process // AISTech 2019 – Proceedings of the Iron & Steel Technology Conference. 2019. Vol. 2019 – May. P. 479–484. https://doi.org/10.33313/377/050

64. Bettinger D., Fritschek H., Schaler M., Kronberger T., Wollhofen R. A holistic approach to ironmaking digitalization // AISTech 2019 – Proceedings of the Iron & Steel Technology Conference. 2019. Vol. 2019 – May. P. 577–585. https://doi.org/10.33313/377/061

65. Alter M.A. Optimization of parameters of blast furnace smelting under conditions of plant operation with limited supply of coke, natural gas or iron­bearing materials // AISTech – Iron and Steel Technology Conference Proceedings. 2020. Vol. 1. P. 302–309. https://doi.org/10.33313/380/035

66. Модельные системы поддержки принятия решений в АСУ ТП доменной плавки / Н.А. Спирин, В.В. Лавров, В.Ю. Рыболовлев, А.В. Краснобаев, О.П. Онорин, И.Е. Косаченко. Екатеринбург: УрФУ, 2011. 462 с.

67. Waissi G.R., Demir M., Humble J.E., Lev B. Automation of strategy using IDEF0 – A proof of concept // Operations Research Perspectives. 2015. Vol. 2. P. 106–113. https://doi.org/10.1016/j.orp.2015.05.001

68. Hou C., Wang J., Chen C. Using hierarchical scenarios to predict the reliability of component­based software // IEICE Transactions on Information and Systems. 2018. Vol. E101D. No. 2. P. 405–414. https://doi.org/10.1587/transinf.2017EDP7127

69. Chen B., Hsu H.­P., Huang Y.­L. Bringing desktop applications to the web // IT Professional. 2016. Vol. 18. No. 1. Article 7389272. P. 34–40. https://doi.org/10.1109/MITP.2016.15

70. Phan J. MATLAB – C# for Engineers. CreateSpace Independent Publishing Platform. 2010. 322 p.