面向能耗及质量控制的加热炉运行参数优化方法及应用

2021-11-01马文圣毛尚伟杜思君

计算机测量与控制 2021年10期

陶涛，马文圣，汤槟，毛尚伟，杜思君

(1.中冶赛迪重庆信息技术有限公司，重庆 401122；2.重庆大学-辛辛那提大学联合学院，重庆 400044)

0 引言

加热炉作为冶金工业中能耗较大的设备[1]，如何在持续提升加热质量的同时降低能源消耗，已经成为加热炉模型系统优化的研究重点。传统优化方法通常基于加热燃烧与自动化控制理论，利用公式推导与数学建模的方法对加热炉燃烧模型或控制系统直接进行优化。例如，应用模型计算与实际生产相结合的方法优化大型加热炉混装板坯加热制度，以降低燃料消耗并减少氧化烧损[2]；通过优化提高L1数据跟踪系统的准确性，提高板坯加热质量[3]；通过混合煤气热值计算的方式优化空煤配比系数，改善加热炉燃烧效率[4]；通过高温低残氧优化提升板坯温度均匀性并降低能耗[5]；根据PLC控制输出值设定不同燃烧状态提高热处理质量[6]；基于传统建模优化算法获得炉温最优分布曲线，以获得热负荷沿炉长方向的最佳分配策略[7]；利用在一定范围氧浓度下氧气和空气交叉限幅的稀氧燃烧控制技术，节能降耗并减少环境污染[8]；利用经验公式推导优化确定加热炉空燃比，实现对炉温的控制和燃料的高效利用[9]；基于板温预报模型对板坯温度进行软测量，并根据软测量结果对炉温进行设定和调整[10]；从两个维度分别解析出传递函数，优化蓄热式加热炉炉膛压力自动控制[11]；通过加热炉板坯温度预报模型和炉温自动控制模型，提高加热炉温度控制精度和自动化操作水平[12]。这些方法都依赖对燃烧理论及加热工艺的理解，各种因素间的作用关系非常复杂，优化过程十分繁琐，且优化后的模型与实际加热场景存在偏差，往往需要技术人员手动设置参数来进行实时控制。这些实时参数修正操作很大程度上依赖于技术人员的经验，存在试错周期，无法达到足够的精度，缺乏理论与数据的支持，存在极大的不确定性，会对加热质量产生不利影响，造成能源浪费和利用率低等问题。因此，亟需一种有别于传统加热燃烧模型优化的方法，为传统加热炉燃烧模型及技术人员提供加热炉运行参数优化的辅助支持。

基于数据挖掘的方法可以对历史数据进行分析寻优，其结果是历史上真实存在的，不存在无法实现的问题[13]，同时也避免了对工艺理论和参数关系规律的无限探索。例如，将数据挖掘的方法应用于热轧过程的卷曲温度控制[14]以及热轧带钢产品质量分析[15]；利用决策树分析加热炉的生产数据并获取规则，实现加热炉最优炉温曲线的寻优及设定[16]；利用决策树分析适用于专用炉模式的加热炉炉群生产组织策略[17]；利用基于粗糙集的关联规则算法，挖掘不同原料在连铸环节中的最佳温度控制曲线[18]；利用数据挖掘、知识图谱和人为导向的智能增强技术，提升钢板冷却温度命中率[19]；运用数据挖掘的模糊聚类算法对冶炼数据进行分析，获得较优的用氧规则[20]。这些应用都证明了该方法的有效性。基于此，本文设计了一种优化推荐算法，可以根据技术人员设定的业务筛选规则、能耗及质量评价权重，从历史加热数据中挖掘最优的运行参数，反馈给技术人员进行操作控制，辅助提高钢坯加热质量并降低燃料单耗。

目前该系统已初步部署在某钢厂的热轧生产线，处于测试验证阶段，从测试结果来看，使用该系统所推荐的加热炉运行参数来控制加热炉运行，可以有效提高钢坯的加热质量，同时还能够有效地降低燃料单耗，达到节能减排的效果。

1 优化推荐算法

优化推荐算法利用大数据分析与挖掘技术，通过对加热炉运行过程中钢坯的加热信息数据进行分析挖掘，寻找最优的加热运行参数并进行推荐。

该算法将历史加热过程中每一支钢坯的加热运行参数、加热质量和能耗数据当作一个数据样本，在选定的样本空间中搜索最优样本并推荐运行参数范围。对于异常样本，算法提前识别并标记，在寻优之前将其筛除。在搜索寻优过程中，算法不仅考察单个样本的评价得分，还考察了在样本空间中与之相邻的样本群体，对整体的样本表现进行评估。这样的搜索寻优策略能有效避免单个高分样本带来的偶然性，给推荐结果带来更高的支持度和置信度。

基于以上分析，设计了以异常样本识别算法和搜索寻优算法为核心的算法流程，如图1所示。

图1 优化推荐算法流程图

具体地，异常样本识别过程会根据数据更新频率，定期对钢坯加热数据样本集进行聚类并识别其中的异常样本，然后更新异常标签，为筛选功能提供支持。优化目标打分过程根据评价指标和权重对筛选样本评分，评分高者可获得优先推荐。搜索寻优过程根据一定的策略从高评分样本中搜索支持度和置信度高的最优样本。近邻样本寻找过程根据样本的相似程度，找出与最优样本最接近的K个相似样本。最后，根据近邻样本的运行参数计算推荐值范围，完成推荐。

1.1 异常样本识别

该算法在离线场景下，识别历史数据中的异常样本。当进行后续参数优化推荐时，可以有选择地过滤异常样本，避免异常值对优化推荐算法的影响。

通常技术人员在进行参数优化时，会限定钢种、规格、温度进行样本筛选。在此情况下，为了避免因为某种类型的数据较为稀疏而被错判为异常值的情况，可以对不同钢种、规格、温度的数据样本进行划分，并分别对每个划分进行异常样本识别。具体地，从数据库获取钢坯加热数据样本集D={d1,d2,…,dn}，将其按照不同钢种、规格、温度的组合划分为m个子样本集，即D={D1,D2,…,Dm}。对D中每一个子集抽取炉膛压力、炉温等重要因素作为特征，得到特征集F={F1,F2,…,Fm}。对F中的子集分别使用孤立森林iforest算法，计算出每一个样本的异常类别得分，将得分大于阈值的判定为异常样本。

孤立森林iforest由k个孤立树itree组成，每个itree是一棵二叉树。在构建itree时，先随机抽样一批样本，再随机选择一个特征，并在该特征上随机选择一个值，将样本中小于该值的数据划分到左支，大于等于该取值的划分到右支。对左右两支数据重复上述步骤，直到满足数据不可再分，或二叉树达到最大深度为止。

在计算数据样本x的异常得分时，主要考察样本所在叶子节点的平均深度：深度越小，异常得分越大，则越可能为异常样本；反之，深度越大越可能为正常样本。具体地，样本x的异常得分计算公式为：

score(x)=2-E(h(x))/C(n)

(1)

其中:E(h(x))表示样本x在多棵树中深度的均值，n表示样本个数，C(n)=2H(n-1)-2(n-1)/n，H(n)=ln(n)+ξ，ξ=0.577 215 664 9为欧拉常数。

异常样本识别算法整体流程如下。

算法：异常样本识别

输入：样本集D

过程：

(1)令O为异常样本集

(2)根据钢种、规格、温度划分D={D1,D2,…,Dm}

(3)抽取特征集F={F1,F2,…,Fm}

(4)fori= 1,2,...,mdo

(5) 对Fi进行聚类，计算Fi中每个样本的异常类别得分，大于阈值判定为异常样本

(6) 将Fi中的异常样本加入异常样本集O

输出：异常样本集O

1.2 搜索寻优

分别对断面温差、燃耗进行归一化计算，可获得断面温差得分和燃耗得分。假设某一个样本di的断面温差得分为s1i，燃料单耗得分为s2i，则有：

(2)

(3)

其中：tmax和tmin为样本集中断面温差的最大和最小值，rmax和rmin为样本集中燃料单耗的最大和最小值，ti和ri为该样本di的断面温差和燃料单耗。结合用户设定的权重，可得到每个样本的加权得分：

swi=s1i*w1+s2i*w2

(4)

寻找的目标样本是否满足优化需求，需要考虑该样本的支持度和置信度。若两个样本在炉膛压力、炉温等重要特征组成的空间中距离较近而低于一个阈值，则可认为这两个样本具有相似操作。假设与目标样本具有相似操作的样本组成近邻样本群体，则支持度表示近邻样本群体中的样本个数，置信度表示近邻样本群体中样本得分的均值。支持度高表示找到的目标样本周围分布着与其相似的样本，对应到实际操作中，表示各项操作参数更容易实现；置信度高表示该近邻样本群体都能达到较优的效果，避免了单一目标样本带来的偶然性。因此，需要找到支持度和置信度都较大的目标样本作为最优推荐样本。

根据数据样本的优化目标加权得分从高到低排序，设定一个窗口大小win，每轮遍历win个样本，计算本轮中每个样本的支持度和置信度，若某个样本的支持度满足设定的阈值且置信度在本轮所有样本中最大，则判定该样本为最优推荐样本。

对于某一个样本di，可以计算其他样本dj(j=1,2,…,n)与该样本di的欧式距离distij。假设有距离阈值distt，近邻样本群体ngi表示distij

搜索寻优算法整体流程如下。

算法：搜索寻优

输入：样本集D={d1,d2,…,dn}，窗口大小win，距离阈值distt，支持度阈值st

过程：

(1) 令H=φ，为当前轮次遍历的所有样本的集合；令最优样本b=Null

(2) 将样本集D={d1,d2,…,dn}按得分从高到低排序，假设有序队列仍为{d1,d2,…,dn}

(3)fori= 1,2,…,ndo

(4) 计算di的支持度supi

(5) 计算di的置信度coni

(6)H.add((di,supi,coni))

(7) ifi%win==0 then

(8) 获得H中支持度大于s_t，且置信度最大的样本dj

(9)b=dj

(10) return

(11)ifH≠φthen

(12) 获得H中支持度大于s_t，且置信度最大的样本dj

(13)b=dj

输出：最优样本b

通过寻优算法找到最优样本b后，计算样本集中其他样本dk(k=1,2…,n)与最优样本的欧氏距离distk，在满足距离阈值限制条件distk

s_distk=distk*w1+(1-sk)*w2

(5)

根据s_distk从小到大排序，选择前K个样本形成近邻样本集N。

对于炉膛压力、温度等参数，寻找样本集N中的最大最小值作为推荐值范围，得到推荐值范围集R。

2 优化推荐系统

本文结合上述优化推荐算法设计了加热炉运行参数优化推荐系统。该系统以优化推荐算法为核心，设计并实现了包括人机交互、前后端处理、算法处理及线下数据采集与处理在内的一体化计算机软件系统。

2.1 应用设计

该系统由人机交互界面、前端处理模块、后端处理模块、算法处理模块、线下数据采集模块以及数据库组成，各模块功能如表1所示。

表1 优化推荐系统各模块功能

人机交互界面为网页形式，主要承担着与用户的沟通交互功能，大致可分为条件输入和结果展示两个部分。前端处理模块一方面为交互界面的展示提供运行逻辑，另一方面作为数据接收和转移的桥梁。后端处理模块通过访问数据库统计出当前的数据量、全部钢种类型、全部规格和温度最大最小值等信息，用于交互界面的展示；另外通过与算法处理模块的交互，接收算法模块的分析结果。算法处理模块利用用户输入的数据筛选条件、评价函数权重进行参数的寻优推荐。为了能够源源不断地接入最新的加热炉运行数据，线下数据采集模块对加热炉实时运行数据进行处理，最终生成结构化数据并存放在mysql数据库中。

优化推荐系统中各个模块的交互关系如图2所示。

图2 优化推荐系统各模块交互关系

如图2所示，技术人员在人机交互界面设定分组筛选参数、评价函数权重，通过前端模块获取用户设定并传输给后端模块；后端模块在接收到设定的筛选范围参数后，查询数据库并返回样本数等统计信息给前端模块进行展示，同时将筛选范围参数、评价函数权重传输给算法模块；算法模块在接收到后端请求后，查询数据库获取筛选范围内的历史钢坯加热信息数据，利用寻优推荐算法获得分析结果，并传输给后端；后端接收到分析结果后，进行相关数据的持久化操作，并返回给前端进行交互界面展示，完成整个系统的“人员设定-优化分析-结果展示”闭环功能。

2.2 输入及输出

为了进行更加精细化的分析，可以向优化推荐系统输入将要分析的钢种、规格、温度等筛选条件参数，系统会根据筛选参数对历史数据进行分组筛选。同时，技术人员还可以根据对加热质量及能耗的优化偏重程度，输入加热质量和燃料单耗的评价权重。系统需要输出与质量及能耗控制相关，且技术人员能直接控制的参数，如炉膛压力、炉气温度，并预估按此推荐参数进行加热炉控制后能够实现的断面温差及燃料单耗。

如表2所示，技术人员向系统输入数据样本分组筛选参数和评价函数权重。其中，样本分组筛选参数包括钢种、规格等；评价函数权重包括断面温差权重、燃料单耗权重。通过设置输入条件参数，可以告知系统分析的历史数据范围，满足定制化、精细化的控制需求。

表2 优化推荐系统输入

如表3所示，系统分析完成后将输出各段的最优运行参数范围，包括炉膛压力、炉气温度等，辅助技术人员进行加热炉运行参数设置。同时，系统将展示推荐的参数所能达成的效果，给出断面温差和燃料单耗的优化提升比例，更加直观地展现优化推荐系统带来的实际价值。

表3 优化推荐系统输出

3 实验结果与分析

该优化推荐系统在某钢厂初步部署后，处于系统功能测试及收益分析预估阶段。在系统优化输出各个参数的控制范围后，技术人员可将此范围作为参考，实时调控加热炉相关运行参数，以达到优化目的。为了提前分析并预估技术人员按推荐参数范围进行实时调控后的效果，本文利用历史加热数据，对该系统的性能收益进行了实验分析。实验分析结果表明，在使用经过优化后的加热炉运行参数后，以断面温差为指标的加热质量得到提升，加热炉燃料单耗得以降低。

针对业务及数据中出现较多的钢种、规格和入炉温度，本文对2020年4月1日到6月28日期间的某钢厂棒线加热炉历史加热数据进行统计分析，具体结果如表4所示。其中，入炉温度作为一个范围，这里根据钢厂的具体加热工艺，分为温坯和热坯。

表4 某钢厂棒线加热炉历史加热数据统计分析表

对于钢种为“HRB400E”，钢坯规格为“170*170*11 400”，成品规格为“16”“18”“20”“22”的温坯、热坯，分别统计筛选样本的断面温差和燃料单耗均值，推荐系统找出的近邻样本群体的断面温差和燃料单耗均值，进而计算相对变化比例。从数据统计结果来看，其断面温差最少降低4.92%，最多降低21.03%，降低比例均值为10.12%；燃料单耗最少降低3.95%，最多降低17.31%，降低比例均值为14.30%。若按平均燃料单耗0.594 6 GJ/t，降低比例14.30%计算，燃料单耗可降低0.085 GJ/t。按每GJ热值71.12元计算，可减少6.05元/t。

虽然以上仅为数据分析得出的理论收益而非实际效果，但也从数据层面证明了该方法的有效性，反映了该系统的应用价值。