prof. dr hab. Tadeusz Wieczorek mgr inż. Krystian Mączka Katedra Zarządzania i Informatyki Politechnika Śląska
Charakterystyka procesu topienia złomu w piecu łukowym Problemy do rozwiązania Prezentacja wyników Wnioski
Prowadzony jest całkowicie w oparciu o złom, przez co pełni ważną rolę w odzyskiwaniu surowców wtórnych Mniej energochłonny w porównaniu z procesem wytwarzania stali w hutach zintegrowanych Umożliwia wytwarzanie różnych gatunki stali, od węglowych do wysokostopowych Duża wydajność procesu Masa [x10 6 T] 1000 900 800 700 600 500 400 300 200 100 0 BOF EAF Produkcja stali na świecie Inne 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 Rok 63% 34% 3%
Wielkość produkcj ji [x10 6 T] 8 7 6 5 4 3 2 1 0 6,8 3,3 5,8 5,8 2,1 2,6 Produkcja stali w Polsce 6,1 6,1 6,2 5,5 5,7 4,9 4,2 4,4 3,0 3,2 BOF - metody konwertorowe EAF - metody elektrostalownicze 4,94,8 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 Rok 3,0 4,1
Hala wsadowa Wsad złomowy Ciągłe odlewanie stali Piec kadziowy Elektryczny piec łukowy
3 15 3 10 3 10 5 2x2 2 [min] Zał. Kosz 1 Topienie kosza 1 Zał. Kosz 2 Topienie kosza 2 Zał. Kosz 3 Topienie kosza 3 Dogrzewanie kąpieli Pomiar temp. Próba chem. Koniec topienia t/n Spust stali 55 [min] do 65 [min] KOSZ 1 temperatura aktywność tlenu skład chemiczny KOSZ 2 KOSZ 3
Produkcja ~ 6000 wytopów rocznie 25 % wytopów (1500) 3 próby 2 % wytopów (120) 4 próby 1 % wytopów (60) 5 prób 1500 x 2 + 120 x 4 + 60 x 6 = 3840 [min] 3840 / 55 = 70 [wytopów] 70 x 65 = 4550 [ton / rok] * 4550 * 0,9 = 4095 [ton / rok] * 10% -COS odlewanie małego przekroju (80,100)
3 15 3 10 3 10 5 2x2 2 [min] Zał. Kosz 1 Topienie kosza 1 Zał. Kosz 2 Topienie kosza 2 Zał. Kosz 3 Topienie kosza 3 Dogrzewanie kąpieli Pomiar temp. Próba chem. Koniec topienia t/n Spust stali
Skrócenie czasu topienia poszczególnych koszy poprzez wykrywanie okresu w którym łuk elektryczny pali się w uspokojony sposób Zmniejszenie liczby pomiarów (temperatury i aktywności tlenu) podczas etapu dogrzewania kąpieli poprzez zastosowanie sieci neuronowych do predykcji wartości temperatury i aktywności tlenu w rzeczywistym czasie trwania procesu
Zbieranie i przygotowanie danych Budowa i testowanie modeli Implementacja programowa na stanowisku EAF Weryfikacja wyników podczas trwania rzeczywistego procesu produkcyjnego
Serwer 1: Zbieranie danych ze sterowników Rejestrowanie zmiennych w bazie danych Serwer 2: Zbieranie danych wejściowych do sieci neuronowej Odpytywanie nauczonej sieci neuronowej aktualnymi danymi Rejestrowanie w bazie danych wyników predykcji Podpowiedzi dla operatora Sterowniki PLC ` Piec EAF Operator EAF
700 SpT 1 SpT 2 SpT 3 600 500 Napięcie [V V] 400 300 200 100 0 0 t [min]
Identyfikacja okresu spokojnego topienia SMA = x + x + x + i+ 1 i+ 2... n x i i+ n x i kolejne wartości pomiarowe, n okres Przyjęty okres uśredniania: n=50
Identyfikacja okresu spokojnego topienia 700 600 500 400 300 200 100 0 0 3 5 8 11 13 16 19 21 24 27 29 32 34 37 40 42 45 48 50 Napięcie [V] 53 56 58 61 t [min]
Wariancja krocząca (RV) RV 2 2 ( xi xn ) + ( xi+ 1 xn ) +... + ( xi n xn ) n = + 2 x i kolejne wartości pomiarowe, x n wartość średnia z n kolejnych wartości n okres Przyjęty okres: n=50
Identyfikacja okresu spokojnego topienia 10 9 8 7 6 5 4 3 2 1 0 54 0 3 5 8 11 13 16 19 21 24 27 30 32 35 38 40 43 46 48 51 wariancja 56 59 62 SpT SpT 1 2 SpT 3 t [min] Przyjęty próg: δ 2 = 2,5
Identyfikacja okresu spokojnego topienia 700 600 SpT 1 SpT 2 SpT 3 500 400 300 Napięcie [V] 200 100 10 9 8 7 6 5 4 3 2 1 0 54 0 3 5 8 11 13 16 19 21 24 27 30 32 35 38 40 43 46 48 51 wariancja 56 59 62 0 0 t [min] SpT SpT 1 2 SpT 3 t [min]
Identyfikacja spokojnego topienia -analiza charakterystyk prądowych Algorytm zużycia energii elektrycznej
Identyfikacja spokojnego topienia -analiza charakterystyk prądowych Algorytm zużycie energii elektrycznej Klasyfikator oceniający możliwość zakończenia topienia danego kosza na podstawie w/w informacji oraz dodatkowych danych o aktualnym i poprzednim wytopie(wymurówka, stopa, wsad)
Temperatura Trening -dane z 1200 wytopów (2890 pomiarów) Test dane z 200 wytopów (430 pomiarów) Aktywność tlenu Trening -dane z 1000 wytopów (2100 pomiarów) Test dane z ok. 140 wytopów (307 pomiarów)
Aktywność tlenu (19 x 2890) Energia zuż. K1-K3 Energia zuż. Dogrzew. (do pomiaru) Ilość wdmuchanego węgla (do pomiaru) Temperatury dna pieca B1-B6 Tlen lanc (do pomiaru). Tlen palnika (do pomiaru). Gaz palnika (do pomiaru) Wagi koszy K1 K3 Kod gatunku CeloxProba(wyjście) Temperatura (16 x 2100) Energia zuż. K1-K3 Energia zuż. Dogrzew. (do pomiaru) Ilość wdmuchanego węgla (do pomiaru) Ilość wdmuchanego tlenu (do pomiaru) Temperatury dna pieca B1-B6 Wagi koszy K1 K3 Kod gatunku Temperatura próba (wyjście)
Aktywność tlenu Model Funkcja aktywacji warstwa ukryta Funkcja aktywacji wyjściowa Średni błąd testowania [ppm] Std[ppm] MLP-19-4-1 Tanh Wykładnicza 131,15 87,12 Temperatura > 400 [ppm] Model Funkcja aktywacji warstwa ukryta Funkcja aktywacji wyjściowa Średni błąd testowania [ppm] Std[ppm] MLP-16-11-1 Tanh Liniowa 16,27 10,51 1620-1640 [⁰C]
160 140 Test Trening 120 Ilość przypadk ków 100 80 60 40 20 0 Błąd [ppm]
700 600 Test Trening Ilość przypadk ków 500 400 300 200 100 0 100- -80-100 -60-80 -40-60 -20-40 0-20 0-20 20-40 40-60 60-80 80-100 100+ Błąd [⁰C]
Kluczowym aspektem jest poprawność danych uzyskanych z rzeczywistego procesu przemysłowego System neuronowy przewidujący parametry procesu może znacząco przyczynić się do zredukowania ilości wykonywanych pomiarów temperatury i aktywności tlenu, a co za tym idzie do skrócenia czasu całego procesu. Ważną cechą systemu jest możliwość jego działania w rzeczywistym czasie trwania procesu co pozwala na zastosowanie opracowanych modeli do sterowania w warunkach przemysłowych m.in. wskazywania możliwości zakończenia topienia poszczególnych koszy Poprawne dobranie funkcji celu może zwiększyć dokładność predykcji sieci neuronowej?
krystian.maczka@polsl.pl Dziękuję za uwagę