基于模型与算法的天然气加热炉节能智能优化规划解决方案案例
基于模型与算法的加热炉节能应用与实践
汇报内容
一．需求分析及建设目标
二．优化策略及系统架构
三．关键应用场景
四．实施规划及项目价值
业务现状
针对不同理化指标和尺寸的钢坯，进行不同的加热工艺参数控制，如气量、风量、
风压、炉膛温度、出口温度、炉膛压力等；
分段加热，由低温炉区向高温炉区大约六个阶段进行加热；
每炉区有一温度探测点，各炉区依据工艺要求有不同数量的燃料及空气投入装置；
通过多年经验积累制订不同材料的加热参数，但仍有新牌号材料需进行工艺规划；
靠熟练操作工经验工艺调度，工艺调度不是很频繁，订单批量大小不固定，工单小
发和投入产出数量、质检信息手工输入，中控室可以查询。
业务现状
窑炉大约九年修了一次。。
按批次连续进行坯料加热的投入和产出，出炉后进行入加工工序；
加工的首工序冲孔对坯料温度有具体要求， 温度合适方能上机作业；
加热情况对产品质量的影响在后工序如轧制、定径、矫直、冷却阶段得以反馈；
客户在环形炉的热工节能方面已达到了行业领先水平，但仍将持续改进。
需求分析
企业对成本挖潜提出了更高的需求，环形炉做为最久的工艺装备、耗能装备是本次节
能降耗及产品工艺质量提升的重点；
对坯料的环形炉加热工艺参数进行持续优化和快速规划，从经验参数逐渐到精准参数
的转化；
对坯料的环形炉加热作业实现精益控制，从经验的开放式控制到精准的闭环式控制；
通过合理的工艺优化及工艺控制，在降低能耗及排放的同时。提升加热工艺作业效率，
并基于前工序的工艺质量优化， 提升后面加工工序的流转效率和加工质量；
项目建设目标
实现生产效率提升；
在对工艺及质量指标体系的定义的基础上， 通过与生产自动化系统及制造管理系统 的融 合，实时获取生产过程中的生产、工艺、质量、设备、能源等相关数据和指标，以对生
产运营过程进行精准的测量、精准的评价， 通过这种数字化手段，将个人生产作业经验
转变成企业知识，并以此指导优化调度过程，提高生产效率。
生产效率提升关键词：
生产时间、准备时间、加热时间、换装时间、抢修时间等等。
项目建设目标实施关键
实现能耗降低；
在仪表、阀门、和自动化的基础上， 通过对生产数据与理论计算数据的对标和智能 分析，发现燃烧控制的最优路径，完善燃烧控制标准并持续优化，持续改善节能降
耗的目标；
能耗降低的关键词：
空燃比、天然气流量、空气流量、电量、加热时间、阀门执行机构精准度、氧含量、
炉温等等。
项目建设目标实现路径
提高烧炉自动化水平；
实现环形加热炉自动烧炉，提高自动化水平， 降低操作人员的劳动强度，提高加热质量。
烧炉空燃比动态优化与节能降耗：
实现炉温自动控制以及空燃比动态优化，提升燃气燃烧效率，减低加热炉吨钢能耗和氧
化烧损，实现节能降耗。
提升生产效率
优化生产调度和设备管理水平，减少等待和准备时间，减少抢修时间。
解决的问题
汇报内容
一．需求分析及建设目标
二．优化策略及系统架构
三．关键应用场景
四．实施规划及项目价值
优化策略
通过环形炉热工智能模型的建设，建立加热炉加热工艺过程与不同钢坯的对照关系， 依据
后续工艺生产进度，依托模型自动调整加热的温度与步进的速度；
通过对DCS系统的燃烧自动化，对进风量、进气量等热工动态控制模型的建立，实现对面
向工艺目标的热工作业的智能控制， 从而达到稳产、高产、节能降耗的目标。
系统总体架构
工艺智能优化架构
汇报内容
一．需求分析及建设目标
二．优化策略及系统架构
三．关键应用场景
四．实施规划及项目价值
工艺智能优化
智能化管理（AI）—工艺智能优化目标
实现对常规牌号及规格坯料加热温控参数标准的智能优化，从而替代人
工经验、稳定质量指标、提升收率；
实现对个性产品生产的温控参数的智能推荐。辅助实现快速工艺设计、
快速订单响应。
智能化管理（AI）—工艺智能优化目标
通过数字化系统的建立，对热工作业工艺标准进行优化，把加热炉的作业数据数字 化，从而把操作工的操作经验转变成企业的知识，再通过对这些知识大数据（工艺 质量大数据）建模分析，实现由系统动态地智能推荐不同坯料不同工况下的优化的 加热工艺参数，从而建立优化的加热作业的工艺标准，并通过DCS集成将该标准下
发到DCS操作上位去执行；
智能化管理（AI）—工艺智能优化机理
智能化管理（AI）—工艺智能优化技术路线
智能化管理（AI）—工艺智能优化技术路线
智能化管理（AI）—基于智能模型的工艺优化
利用平台建立反应温度、成品质量之间的关联关系及算法模型， 并进行模型的 训练；
通过模型对存量或增量的工艺质量大数据进行分析，从而自动规划不同牌号、 不同配方，不同原料质量指标、不同产品质量指标下的优化工艺标准推荐，如 形成动态的聚合反应的标准温控曲线，以对聚合反应进行作业指导，从而保障
工艺的匹配、质量的稳定、收率的提高、能耗的减低；
如果实现了闭环的自动化改造，则对优化的温控参数进行下发。
工艺智能控制
自动控制关键参数
输入数据： 温度信号（炉膛温度等） 、流量信号（总管空气、天然气流量，各段 空气、天然气流量等）压力信号（总管空气、天然气压力、炉膛压力等）阀位信 号（空气天然气各阀阀位、鼓风机、引风机、助燃风机阀位信号等）， 其他（出
钢胚温度、氧含量检测等） 。
输出数据： 天然气调节阀总管动作量、天然气调节阀支管动作量、空气调节阀总 管动作量、空气调节阀支管动作量、风机（鼓风、引风、助燃风机）动作量、助
燃风机阀门动作量（如有）等。
自动控制改造升级原则
尽量利用现有的设施与设备，减少改造投资；
对满足生产要求的功能予以保留，对缺少的自动功能进行补充完善，尽量保
持原来的操作习惯；
改造过程尽量减少对生产的影响，调试过程尽可能少影响生产，尽可能少干
扰现场。
可随时切换到现有操作状态。
炉温控制画面截图
自动化优化主要功能
炉膛燃烧控制的优化，主要通过判断不同参数和烧炉情况，不断优化空燃比， 实现烧
炉过程全自动优化控制。
流量优化控制： 针对空气和天然气调节过程的外部干扰因素，改善过程特性， 提高执行 过程的控制质量；
空燃比优化控制： 模糊控制模型依据工况判断温度变化、阀门操作等信息，实现空燃比 快速寻优；
燃烧控制决策： 通过分析炉膛温度、生产节奏、空气天然气流量和压力等信息，实现各 段炉膛温度的优化控制；
自学习模型： 依据炉膛工况，实现控制算法内关键变量的自学习计算和修正， 提高控制 精度。
炉温控制系统总体架构
炉温控制策略
根据企业管理目标及工艺控制要求， 对生产炉温控制关键指标进行梳理定义。
交叉控制策略： 为了让空燃比控制更加精细， 依据温度偏差自动调整双交叉限幅，有效控制动 态空燃比，温度偏差较大的时候减弱或取消限幅功能，提高控制系统的响应速度，将这个情况
下的参数设置修改为单交叉限幅控制， 即升温先加风，减温先降天然气；
模糊+PID温度控制器： 在温度偏差大于阈值时，采用速度更快模糊控制策略进行快速调节，
在较小温度偏差时采用PID进行精细调节；
前馈优化： 当生产节奏和产品发生变化，胚料所需吸收的热量也发生变化，必然使天气燃气消
耗量也发生变化，需要依据生产节奏， 依据前馈优化计算， 即时增减流量，实现更及时控制。
炉温自动化控制关键技术
空燃比自动优化： 依据热效率及热损失与过剩空气系数关系曲线结合自寻优 函数，在工况变化时自动找到新的空燃比，使燃料充分燃烧，炉内氧含量降
到最优，提高燃烧效率，降低天然气的消耗量。
自学习算法： 在燃烧的过程中，自动学习加热炉各检测变量的特征，建立知 识库。在工况变化时，调节阀反馈不是非常精准的情况下，通过判断不同参 数变化和烧炉的情况，推理专家修正策略，修正燃烧控制中的关键参数，随
时保持最佳燃烧状态。
汇报内容
一．需求分析及建设目标
二．优化策略及系统架构
三．关键应用场景
四．实施规划及项目价值
项目实施周期规划
第一阶段：基础自动化及数据采集改造： 1个月；
实现烧炉自动化所必需的现场调研、设计、采购、编程调试等工作。
第二阶段：工艺智能优化阶段 ： 3个月； 建立智能优化模型，进行工艺目标的智能优化；
第三阶段：工艺智能控制阶段 ： 1个月。 建立智能控制模型，实现工艺作业的智能控制
智能优化项目指标考核
考核时间： 本系统稳定投运30天后，启动考核验收，统计考核数据；
模型有效率： 在涂层工艺阶段的模型有效率 =取得正向效果的生产批次数/使用模型优化 参数生产的总批次数；
正向效果： 指采用模型优化的工艺参数生产后获得的质量合格率的稳定或提升、 目标质
量指标的适度可控。
工艺规划效率： 新产品坯料加热工艺参数的规划效率 。
智能控制项目指标考核
考核时间： 本系统稳定投运7天后，启动考核验收，统计考核数据；
自动化投用率：安装调试完成后，连续实验7天， 符合基础条件时，系统各回路自动投 入运行，通过记录各回路人工干预次数（非实施方设备或软件原因）， 时间加权后判断 自动化投用率是否大于95%；
节能降耗： 系统投用后，加热炉天然气消耗节约率不低于5%； 在保持工况不变的前提 下，抽取系统使用前后正常生产的一段时间的班组平均数据进行比较， 统计天然气单耗 数据（选择2~3种产量较大的规格，加热工艺， 产量等工况类似，异常班组生产数据需 剔除）。
项目经济指标预估
直接经济效益：
节省天然气效益 =年加热钢坯产量 x 吨钢天然气耗量 x 5% x 天然气单价；
间接经济效益：
减少人为干预：减少因为个人能力造成的不良干扰，稳定加热质量和产品品质，提高成
材率；
提高自动化程度：减轻现场劳动强度和人工因素， 减少加热炉操作的生产管理问题。
促进企业技能环保和低碳经济：通过空燃比的动态优化， 天然气燃烧充分，减少一氧化
碳和二氧化碳的排放总量。
项目实施案例：山西吕梁建龙加热炉智能烧钢系统
Thankyou.
