首页 >
论文范文 >
工程工业论文 >
重工业论文 >
冶金工业论文 >
大数据技术推动高炉炼铁智能化发展的研究现状及展望
摘要：高炉是传统长流程钢铁冶炼工艺中能耗和碳排放的主要载体，在“双碳”目标和“十四五”规划政策背景下，利用大数据技术推动高炉炼铁生产向绿色化、智能化转型是钢铁企业未来的重点发展方向。首先，阐述了高炉炼铁工序在钢铁冶炼流程中的关键地位，分析了实现高炉长期高质量稳定运行存在的技术难点；然后，介绍了工业大数据技术架构，综述了大数据技术在高炉的关键指标预测、操作参数优化、大数据管理平台等3个方面应用的研究现状；最后，对基于大数据技术推动的高炉炼铁智能化发展进行了总结和展望。
加入收藏
一、前言
目前，我国钢铁生产以高炉-转炉长流程工艺为主，包括烧结、焦化、高炉炼铁、转炉炼钢、轧钢等重点工序，具有高能耗、高碳排放的特点，在此工艺基础上生产出的粗钢占我国粗钢总产量的90%以上[1]。虽然近年来我国在大力开发气基直接还原、电炉炼钢等短流程钢铁冶炼技术，但结合我国钢铁工业的生产现状可以预见，在未来相当长的一段时间内长流程工艺都会占据钢铁生产的主导地位。在长流程工艺中，高炉是炼铁的核心设备，高炉的运行状态直接决定了出炉铁水的质量，并间接影响到后续炼钢工序及最终产品的质量。另外，高炉也是主要的能耗和碳排放载体（如图1所示），高炉炼铁工序贡献了钢铁生产全流程能耗的60%和碳排放的73.6%[2]。基于高炉在钢铁生产中的关键地位，实现高炉高质量运行及高炉炼铁生产环节的节能减排是钢铁工业研究的热点问题。
图1 钢铁生产各工序二氧化碳排放量与能耗占比
高炉冶炼过程是典型的“黑箱”模型，炉内的物化反应、传热传质过程无法直接从外界观测。在高炉生产过程中，经常需要依靠生产人员的经验对炉内状态进行判断，导致对高炉生产现场操作的调控具有一定的时滞性，调控的准确性也得不到充分保障，由此造成了部分不必要的能源浪费[3]。此外，由于高炉生产周期长、工序复杂且各道工序间环环相扣，出炉铁水质量会受到种类繁多并存在耦合关系的操作参数影响，从而更加增大了维持高炉长期平稳、高效、低耗运行的难度。
我国“十四五”规划提出了加快传统制造业数字化转型、推动数字经济与实体经济融合发展的指导理念。对数字赋能，提高生产智能化水平，数字化、绿色化协同发展，打造高质量绿色智慧工厂，是未来钢铁企业发展的重要方向。针对当前高炉炼铁环节存在的难题，利用大数据技术整合高炉生产流程中产生的海量数据，打破工序间“信息孤岛”的壁垒，深入挖掘隐藏在数据中的生产规律，对高炉炼铁过程进行实时跟踪、科学分析与优化，实现高炉运行可视化、信息化、数字化、智能化，对于达到高炉长期高质量稳定生产及节能减排的目标具有重要意义。
二、工业大数据技术架构
如今，工业生产自动化水平不断提高，各类检测设备和技术的应用也越来越广泛，伴随着互联网和物联网技术的成熟，数据获取、存储与信息流通比以往更加便捷，工业生产进入大数据时代。在此背景下，企业拥有的数据总体上呈现出规模大、速度快、类型多、质量低的特点[4]。为了对企业海量、异源、多维生产数据进行高效管理，合理从数据中挖掘有效信息，解决传统制造业向数字化转型的难题，大数据技术在工业生产中的应用得到了快速发展。
工业大数据技术的数据处理过程符合大数据分析生命周期，包括数据采集、存储和预处理，数据分析和挖掘，数据应用等主要层次[5]。
1. 数据采集、存储和预处理
数据采集、存储是大数据技术工业应用的基础环节，主要依靠生产中的智能仪表或PLC、DCS等系统对生产数据实时采集并存入数据库，在使用数据时可以从企业数据库中直接批量获取。初步采集到的数据中结构化、半结构化和非结构化3种类型可能会同时存在。另外，在工业生产中容易存在噪声数据和异常数据，因此通常需要对初步得到的数据进行预处理，以便对其进行进一步的分析和挖掘。
数据预处理技术主要包括对初步获取的数据进行解析转换、数据集成和数据清洗等工作[6]。数据解析转换是将不同类型的数据归一化处理，实现数据的一致性。数据集成是将企业中不同来源、不同格式、不同特点的数据进行集中，加快响应速度，提高企业数据的协调和统一。数据清洗可以补充部分缺失数据，筛除噪声数据和异常数据，对冗余数据进行合理清除。在数据分析之前对数据进行预处理，可以提高数据质量，增强数据分析的效率和准确性。
2. 数据分析和挖掘
数据分析包括描述性分析、诊断性分析、预测性分析和指导性分析4种类型[7]。描述性分析只对现有数据进行可视化展示，不进行下一步的推断；诊断性分析是对已经发生事件背后的成因进行探究；预测性分析通过数学建模、机器学习等工具对未来进行一定的预测；指导性分析是在以上分析的基础上提出最优化方案。
数据挖掘技术建立在数据库管理技术和机器学习、统计学等数据分析技术基础之上，通过各种算法在大量数据中挖掘数据间的潜在关系，识别数据中隐含的规律，在此基础上对决策提供支持[8]。常用的数据挖掘模型有支持向量机、回归分析模型、决策树模型、聚类模型、人工神经网络模型、回归分析模型等。
3. 数据应用
数据应用部分主要完成大数据技术在企业中的实际应用，包括利用大数据技术完成产品设计研发、生产制造、企业运维服务和经营管理等场景的可视化展示、智能预测、智能监控、工艺优化、决策优化、组织管理优化等任务，实现大数据技术在企业产品全生命周期和企业运营管理中的智能应用[9]。
三、大数据技术在高炉炼铁生产中的应用研究
目前，对大数据技术在高炉炼铁生产中的应用研究主要集中在关键指标预测、操作参数优化和大数据管理平台3个方面。
1. 关键指标预测
关键指标的准确预测对于高炉运行状态的判断及进一步的生产调控具有重要价值。目前，对铁水温度、铁水硅含量、煤气产生量等指标的预测研究较多。
铁水温度是反映高炉铁水质量的表征之一。王晓敏等[10]通过研究发现高炉风口亮度与铁水温度存在正相关关系，并采用机器学习方法对两者的关系进行了拟合，实现了通过风口图像亮度对铁水温度进行预测的目的。王振阳等[11]在某高炉5年间的日均数据基础上，基于支持向量回归和极限学习机2种算法，构建了出炉铁水温度的预测模型，模型预测的平均误差为4.33℃。崔桂梅等[12]通过不同神经网络模型输出与高炉实际运行数据比较发现T-S模糊神经网络模型在高炉铁水温度预测方面具有一定的优越性能，并发现风温、喷煤、煤气利用率是影响铁水温度的主要因素。
铁水硅含量不仅可用于表征铁水质量，由于高炉内温度难以直接测量，通常也用铁水硅含量反映炉内的热状态。孙洁等[13]将粒子群算法和遗传算法相结合对用于预测铁水硅含量的极限学习机模型进行了优化，提高了模型的预测精度。蒋朝辉等[14]针对不同工况下影响铁水硅含量的参数波动较大且具有时滞性的问题，开发了一种基于最优工况迁移的预测方法，实现了不同工况下的铁水硅含量的预测。刘小杰等[15]筛选出某钢厂高炉的17个输入参数，构建了3种机器学习模型对铁水硅含量进行预测，结果表明Adaboost模型结果准确度最高。
高炉煤气是高炉炼铁工序的副产物，对煤气的产生量预测有助于提高煤气利用率，从而提高高炉整体能源利用率。包向军等[16]在结合季节性差分自回归模型和长短记忆模型的基础上，建立了梯度驱动时序预测复合模型，得到了较好的预测结果。李志刚等[17]利用卷积神经网络对海量生产数据进行特征提取，将得到的特征向量作为输入提供给门结构循环单元网络进行煤气产生量预测，结果表明此方法的预测精度和速度超过BP神经网络和LSTM预测模型。张琦等[18]利用小波分析将高炉历史生产数据进行噪声去除，再通过一种改进的最小二乘支持向量机模型对高炉煤气产生量进行预测，预测精度达到1.55%。
此外，还有学者基于大数据技术对高炉煤气利用率、焦比、透气性、炉缸热状态、炉缸侵蚀等指标或状态的预测进行了研究。这些研究对于指导高炉的合理运行具有重要价值。
2. 操作参数优化
在高炉生产中，炉内环境高温、化学反应和气固运动复杂等影响高炉正常运行的不确定因素较多，仅靠生产人员的经验对高炉进行操作调控已经不能满足当下对高炉高质量生产的要求。随着自动化水平的提高和工业互联网的发展，依靠大数据技术实现对高炉操作参数的优化成为现实。
田毅等[20]基于大数据挖掘技术建立了高炉最优参数调控模型，首先通过最优参数模型找到在最优经济成本条件下的操作参数集合，在此基础上筛选出对经济成本影响较大的关键参数，最后利用神经网络模型对操作参数的调控进行动态预测，通过某钢铁企业高炉的历史运行数据验证了此参数调控优化模型可以帮助企业实现节能降耗。
李壮年等[21]在机器学习算法预测的基础上利用遗传算法对高炉操作参数进行了多目标优化，得到了最优操作参数，对高炉操作参数的合理选择具有一定指导意义。
刘馨等[22]基于某钢厂高炉4年运行数据，通过工艺理论、操作经验与随机森林算法相结合的方法筛选出23个影响高炉铁水质量与产量的操作参数，利用聚类算法对其分类后选出其中波动范围较大的13个操作参数，并给出这些关键操作参数的合理范围。
崔桂梅等[23]以燃料比为最优化目标，利用神经网络建立了多目标优化模型，基于遗传算法求得Pareto最优解。得到炉温处于合理运行状态约束下燃料比达到最优值时的喷煤量，实现了高炉的节能目标。
刘颂等[24]针对某钢厂高炉历史运行数据，对其进行预处理后建立数据仓库，采用聚类算法对数据进行分类，筛选出和炉况变化强相关的变量，并分析出不同炉况下核心参数的范围，对高炉长期稳定运行提供了一定的参考。
综上，基于高炉历史运行数据，通过特征提取、聚类划分等方法提取出影响高炉运行状态的主要参数，分析得到主要参数的合理范围，或通过机器学习算法建立预测、优化模型，利用优化算法得到最优参数组合，是对高炉运行参数进行优化的有效手段。
3. 大数据管理平台
高炉炼铁工序流程复杂、数据量大且分布分散，导致数据整体利用水平不高。大数据管理平台将高炉炼铁全流程的数据集中化、可视化，利用大数据分析系统实现全厂范围生产与管理的辅助决策，提升高炉炼铁的智能化水平。
车玉满等[25]综述了高炉大数据平台的应用现状和发展趋势，提出高炉智慧平台应在围绕高炉生产工艺基础上，高效整合各工序的生产数据，实现信息高效互通，充分利用数据挖掘与数据分析技术，对高炉生产规律进行解析，开发集监控、预测、诊断、优化于一体的高炉冶炼生产管理模式，提高高炉的智能化和标准化水平。
李宏扬等[26]论述了高炉互联网平台建设的需求和目标，设计了高炉互联网平台的整体架构、技术架构及平台功能，为高炉炼铁大数据平台的建设和发展提供了新方案。
在实际应用方面，葛秀欣等[27]提出了钢铁企业数字孪生工厂构建方案。该数字孪生平台包括数据底座、孪生应用和智慧决策3个层次，实现了高炉工厂整体信息可视化展示、生产过程智能监控及设备运行智能管理等功能。基于此方案的数字孪生工厂在多地钢铁企业投入应用。
2021年，宝钢股份宝山炼铁基地全球首套高炉智慧运行平台投入运行，将四大炼铁基地中14座高炉的各级工序数据跨地集中，实现高炉智能诊断、智能操控、智能评价，为高炉生产决策提供支持，将大数据转化为生产力[28]。
此外，首钢、马钢、鞍钢等大型钢铁生产企业均在建设高炉大数据管理平台，将数据资源化、资产化，推动高炉炼铁智慧生产，实现钢铁工业的“中国制造2025”。
四、总结与展望
高炉是长流程钢铁冶炼工艺的关键设备，也是重要的能耗和碳排放载体。在工业互联网时代，以生产工艺为中心，利用大数据技术对高炉炼铁生产中的海量数据充分挖掘、应用，将数据资源化、资产化，加速高炉炼铁生产向数字化、智能化转型，对于实现高炉高效低耗、高质量稳定运行的目标具有重要意义。
当前大数据技术在高炉炼铁生产智能化转型的多环节、多方面已经取得了一定的研究成果并进行了实际应用。但由于我国钢铁企业数量众多，且各企业间发展不均衡，高炉炼铁智能化发展工作需要在政策与企业层面继续推进。另外，由于各钢铁企业的生产设备与信息技术存在差异，不同企业间在数据采集、处理和应用层面可能会存在不一致的问题。因此，解决大数据技术标准化、工程化问题，对于大数据技术的工业应用推广具有重要实际意义。最后，建议钢铁企业未来在高炉炼铁等单个工序智能化转型的基础上，推动包括烧结、焦化、高炉、转炉、轧钢等工序在内的钢铁生产制造全流程智能协同发展，从而实现钢铁行业整体转型升级。
参考文献:
[1]张琦,沈佳林,籍杨梅.典型钢铁制造流程碳排放及碳中和实施路径[J].钢铁,2023, 58(2).
[2]刘然,赵伟光,刘颂,等.高炉冶炼智能化的发展与探讨[J].钢铁,2023,58(5).
[3]车玉满,郭天永,孙鹏,等.大数据云平台技术在高炉工艺应用与发展[J].鞍钢技术,2019(4).
[4]张洁,汪俊亮,吕佑龙,等.大数据驱动的智能制造[J].中国机械工程,2019,30(2).
[5]彭宇,庞景月,刘大同,等.大数据:内涵､技术体系与展望[J].电子测量与仪器学报,2015, 29(4).
[6]廖建新.大数据技术的应用现状与展望[J].电信科学,2015,31(7).
[7]王坤.基于大数据技术的高炉炉缸温度预测[D].唐山:华北理工大学,2020.
[8]杨理云.数据挖掘技术及其应用[J].经营与管理,2006(12).
[9]刘检华,李坤平,庄存波,等.大数据时代制造企业数字化转型的新内涵与技术体系[J].计算机集成制造系统,2022,28(12).
[10]王晓敏,诸刚,陈云宝,等.基于高炉风口图像亮度的铁水温度预测[J].冶金自动化, 2021, 45(S1).
[11]王振阳,江德文,王新东,等.基于支持向量回归与极限学习机的高炉铁水温度预测[J].工程科学学报,2021,43(4).
[12]崔桂梅,李静,张勇,等.高炉铁水温度的多元时间序列建模和预测[J].钢铁研究学报,2014,26(4).
[13]孙洁,崔婷婷,刘晓悦,等.PSO-GA优化ELM的高炉铁水硅含量预测[J].机械设计与制造,2022(3).
文章来源:季玉璋,张卫军,刘馨,池中源.大数据技术推动高炉炼铁智能化发展的研究现状及展望[J].冶金经济与管理, 2023,(06):17-20.
分享：
稀土元素具有独特的外部电子结构和化学特性,在净化钢液､变质夹杂､改善组织､提升性能等方面具有显著的积极作用,逐渐成为高附加值钢铁材料的重要微合金元素[3,4]｡我国在20世纪中叶就已开展了稀土在钢中的应用研究,但是我国工业大生产中稀土添加技术成熟度较低｡
2025-05-08
为了适应大数据时代形势发展要求,推进监督工作高质量发展,三钢学习借鉴了中国宝武钢铁集团数字化监督的经验做法,探索构建具有三钢特色的数字化监督机制,基于大数据平台采集各业务系统的数据并建设分析模型,对公司经营各领域的重点风险环节进行在线监测,发现问题及时预警､及时处置。
2025-05-08
在钢铁行业的生产过程中,铊主要来源于矿石原料和煤燃料的使用[1]｡在矿石的开采和冶炼过程中,铊常常以硫化物､氧化物或元素形式存在｡含铊矿石经过高温处理后,铊会部分挥发并附着在烟尘和炉渣中,部分进入废水体系｡钢铁企业大量使用燃料煤,其中的铊会在燃烧过程中释放出来,并在废气处理和冷却过程中进入水体｡
2025-03-21
可燃气体燃烧过程中，氨的存在对燃烧器中的金属铁、铝和铜都有腐蚀作用[6],可燃气体中的氨气与水接触后，形成氨水，与铜发生氧化反应生成蓝色的[Cu(NH3)4]2+,从而导致燃烧器存在传热效果变差、腐蚀、脱落等风险。
2024-12-17
电解锰渣是湿法冶炼生产金属锰过程中通过硫酸浸出、氧化除铁等工艺产生的酸性废渣，其主要化学成分包括氧化锰、硫酸钙、二氧化硅、氧化铝及氧化铁等，其物相组成以二水石膏和石英为主[1]。每生产1 t金属锰产生9～11 t的电解锰废渣，目前我国电解锰渣的堆存量已超1亿t, 每年新增超过1 000万t[2]。
2024-11-01
据欧洲光伏协会(SPE)数据显示(图1)[1]，全球光伏装机总量达1624 GW，中国以656 GW的光伏累计装机容量稳居全球第一，占比为40%，欧盟、美国紧随其后，装机容量分别为263 GW、173 GW。 根据中国电力企业联合会数据统计(图2)[2],2023年，中国电力供应结构中传统能源发电占比65%，可再生能源发电占比35%，其中光伏发电占比仅6%。
2024-10-30
沥青路面的抗滑性能与道路安全性密切相关。如何控制路面抗滑性能衰减，保持高抗滑性能是众多道路研究者关注的重要问题[1-2]。钢渣作为一种钢铁尾矿废料，产量虽然巨大，但综合利用率只有30%左右，导致出现资源浪费和环境污染等问题。将沥青混合料中的部分常规集料替换为钢渣是处理固体废弃物的有效方法[3-4]。
2024-09-09
钢铁行业的采购管理是确保企业生产运营顺利进行的重要环节，其核心目标在于保障原材料质量稳定、降低采购成本、提高采购效率及减少资金占用，确保供应链的稳定性。随着市场竞争的加剧，钢厂面临着更加复杂和严峻的采购环境[1,2]。
2024-07-04
持续改进是工程教育认证工作的重要理念，也是认证通用标准中的三个核心标准之一[1,2]。对已通过认证的专业，应建立持续改进工作的体制机制，不断迭代完善，实现真正意义的专业教育质量保障。其中的重点工作是建立面向产出的评价机制，即每年度对达成状况进行评价并做出改进。
2024-06-19
稀土金属常被添加于其他金属中制成具有特殊性能的新型特种合金，在新兴科技领域、国防科工领域、能源领域都有着广泛的应用，市场需求量大[1,2,3,4,5]。中国是世界上生产稀土和消费稀土的大国，随着国家对绿色发展的要求提高，作为高能耗产业的稀土产业也在逐步向着节能减排的方向发展[6,7]。因此，降低稀土金属生产的能耗、提高生产效率逐渐成为稀土冶金领域的一个热门研究方向。
2023-12-18
人气：3456
人气：2871
人气：2852
人气：2834
人气：2453
我要评论
期刊名称：中国冶金
期刊人气：4897
主管单位：中国科学技术协会
主办单位：中国金属学会
出版地方：北京
专业分类：工业
国际刊号：1006-9356
国内刊号：11-3729/TF
创刊时间：1991年
发行周期：月刊
期刊开本：大16开
见刊时间：1年以上
影响因子：0.000
影响因子：0.494
影响因子：0.617
影响因子：0.143
影响因子：0.758
科普杂志阅读、期刊信息查询、论文下载、文献查询、原创文章检测等多项服务。
服务热线
您的论文已提交，我们会尽快联系您，请耐心等待！
你的密码已发送到您的邮箱，请查看！
2023-12-17
224
上传者：管理员
