Pull to refresh

Comments 28

Что значит

течет по желобу с непостоянным сечением

Сечение желоба-то как может меняться?

Да, сечение может меняться.

В среднем, жёлоб ремонтируют - меняют футеровку - каждые 20-40 дней в зависимости от количества пропущенного материала (чугуна/шлака) и типа лётки.

Ремонт происходит путём снятия изношенной футеровки, установки «опалубки», последующей футеровки.

Смена футеровки происходит по причине ее разгара с течением времени. Соответсвенно, сечение меняется с течением времени.

Шлак похож на лаву и может застывать при контакте как с желобом так и с выходным отверстием. По мере истекания шлака желоб "заростает".

Дополню информацию к посту. На фото ниже состояние шлакового желоба после длительной работы в течение 23 суток. Только представьте себе, данная летка пропустила через себя порядка 32 тысяч тонн шлака!

Желоб после цикла в работе
Желоб после цикла в работе

Ниже на фото подготовка желоба к плановой замене. Так выглядит желоб перед тем, как пропустить через себя тысячи тонн чугуна и/или шлака!

Подготовка желоба
Подготовка желоба

Спасибо за статью, было интересно читать!

А что за специальные холодильники по всему периметру? Как они выглядят, работают?

Спасибо!

Почти по всему контуру доменной печи присутствует контур водяного охлаждения и огнеупорной футеровки для поддержания прочности и целостности брони (металлического кожуха) доменной печи. Холодильники (плитовые холодильники) - это фактически теплообменники, где происходит охлаждение брони водой.

Материал плитовых холодильников в основном медный или чугунный.

Схематично см. рис.1.13 из «Геердес М., Ченьо Р., Курунов И., Лингардт О., Рикеттс Д. Современный доменный процесс (2015 г.)».

Внешний вид плитовых холодильников неплохо представлен на фото на данном сайте.

Недавно разговаривал с одним уважаемым профессором по поводу Доменного процесса. Говорят, в Бразилии некоторые печи малого объема не имеют "холодильников" и охлаждаются поливом.

Подскажите, а не рассматривали вариант измерения объема проходящего продукта с помощью уровнемера, которые вешается над желобом с четко известной геометрией? Тогда с помощью математики, зная уровень продукта в желобе можно пересчитать его в объем, конечно с приличной погрешностью. Такой способ применяется для расчета объема сбросных вод.

Не слышал про применение данного подхода для расчета объема сточных вод, спасибо за информацию!

В случае с доменным производством геометрия желоба не является четко известной. Футеровка желоба изнашивается, поэтому в указанном подходе необходимо также оценивать износ футеровки и делать соответствующие коррекции.

В любом случае схожий подход рассматривали, склонились к описанному варианту в статье.

Там смысл в том, что вы делаете вставку в существующий желоб, в котором у вас известно сечение прохода. Оно может быть обычным или более хитрым, но суть все равно сводится к тому, что вы пересчитываете уровень в расход.

Это может выглядеть вот таким хитрым образом, или есть более простые решения. Вопрос в погрешности.
Это может выглядеть вот таким хитрым образом, или есть более простые решения. Вопрос в погрешности.

Конечно, футировка - это больная тема всей расходометрии. Но это решение хорошо тем, что вы меняете только вставку, а не дорогостоящий прибор, который не контактирует со средой.

Я такие решения видел у rosemount. У них даже контроллер свой под это был выпущен, который и обеспечивал математику, но реальных проектов в России можно по пальцам пересчитать. Да и сложности на данный момент с их поставкой в Россию, но ведь на emerson свет клином не сошелся. Важен метод, а не производитель.

Примеры установки с сайта emerson
Примеры установки с сайта emerson

И вправду - важен метод. Есть даже пару мыслей, кто может реализовать подход. Буду иметь в виду, спасибо за мини-презентацию метода!

Выше в комментариях прикрепил фото желоба до и после цикла работы. Можете оценить изменение его геометрии:-)

насколько я понял из предыдущих веток, геометрия меняется из за застывания шлака. иногда желоб прочищают

Как писали выше - возможны "наросты" материала на желобе и разгар футеровки. Футеровку (кладку) периодически меняют.

Мне кажется, для детекции уровня жидкого расплава в печи помогут только радиоактивные уровнемеры.

Хотел написать об этом же, да.

У металлургов существуют совершенно дикие решения иногда - например, в футеровку и лещадь печи замуровать несколько ампул с Co-60 одну над другой, а снаружи поставить измеритель мощности дозы радиоактивного излучения. С разгаром футеровки ампулы будут разрушаться (и кобальт смешиваться с чугуном, ну да и чего уж =) ), и по дискретным изменениям измерения мощности дозы снаружи печи можно сказать, сколько слоев огнеупорного кирпича еще осталось неповрежденными внутри печи.

Вряд ли до радиоактивные уровнемера они бы не догадались, будь это применимо к условиям.

Наверное, как-то ещё по воздействию на изменяющееся магнитное поле можно...
От очень большой катушки))

Возможно. В доменном производстве достаточно много технических нюансов/ограничений. Поэтому будем благодарны, если вы поделитесь промышленными случаями применения указанных уровнемеров в доменном производстве для целей контроля уровня жидкого расплава в печи.

Также нужно понимать, что использование любых элементов оборудования с радиоактивными источниками требует соблюдения дополнительных мер безопасности и норм, связанных с применением радиоактивных приборов.

Всегда приятно прочесть статью про реальный сектор. Как глоток свежего воздуха, спасибо!
Пока читал, возник вопрос: внутрь Земли тоже нельзя заглянуть, но тем не менее ученые достоверно знают ее строение: где какие слои, какие жидкие, какие металлические, тк изучают недра сейсмическими методами. Не было мысли "прозванивать" печь и смотреть на то как меняются характеристики сигнала?

Спасибо!

Зачастую изучение аналогичных проблем в других сферах помогает найти решение в искомых. Например, комментарий про измерение объема сточных вод выше.

Насколько позволяет общая эрудиция предположу, что строение Земли исследуется до сих пор. Есть теории подтверждённые рядом явлений. Тем не менее, человечество бурит скважины типа Кольской сверхглубокой для изучения/подтверждения доводов. Значит, не все ясно. Аналогично и с доменной печью: есть много теорий и описанных математических выкладок о процессах внутри агрегата частично подтверждённых практикой. На практике, увы, теория не всегда работает или требует определённых производственных условий для сходимости.

Насчёт «прозванивания» доменной печи. Есть серия существующих решений основанных на разных физических принципах. Например, было выяснено, в зависимости от наполненности горна изменяется ЭДС кожуха печи. Или при изменении объёма продуктов плавки в горне изменяется растяжение корпуса печи - итого получаем задачу из сопротивления материалов по измерению деформации тензодатчиками. Однако на практике не все работает как хотелось бы… Возможно, об этом расскажем в последующих сериях;-)

P.S. Также имеются решения по «сканированию» доменной печи, но на остановленном агрегате.

Спасибо за подробный ответ. Буду ждать новых публикаций!

спасибо. очень очень интересная статья. а можете немного подробнее рассказать, как получали и готовили данные (не очень понятно, как можно получить ground truth, если все делается на глаз) , что юзали, как обучали? какая в итоге приблизительная точность ?

Могу вкратце рассказать, ибо ответ требует дополнительной статьи. Статья больше нацелена раскрыть дополнительные неочевидные возможности применения data science моделей в промышленности.

Получение данных.
Для получения данных ездил на завод. Выяснял, какие датчики установлены, а какие нет по цепочке истечения шлака. Там же на заводе выгружал данные (порядках 2-х месяцев) из технологического сегмента. Производственный персонал и дирекция по автоматизации помогли в данных вопросах.

Предвыбор признаков.
Далее, исходя из физических принципов, выбирал те признаки (показания датчиков), которые могут привнести ценность в обучении. Ground truth (если вы про target в терминах data science или на русском языке — целевая переменная — масса шлака) брал из последующей технологической цепочке замера гранулированного шлака.

Чистка данных.
Следующий шаг — изучал распределения признаков. Были явные выбросы из-за неточностей измерения, нестандартных режимов работы агрегатов и пр. Данные чистил эвристическими (правилами) и статистическими методами. Шаги автоматизировал.

Предобработка признаков.
Так как часть признаков (в том числе целевая переменная) были интегральными, за 1-2 часа (а у нас задача — ежесекундно/ежеминутно оценивать выход шлака), то на данном этапе пришлось повозиться. Основная идея — использование свойств интеграла для перехода фактически к приращениям.

Окончательный выбор признаков.
Запускал отдельный алгоритм по выбору признаков по пороговым значениям «степени важности признаков».

Алгоритм обучения.
Линейные модели в помощь:-)

Валидация и тестирование. Использовал принципы nested cross-validation (вложенная перекрестная валидация). Раньше видел неплохую статью на scikit-learn, сейчас не смог найти. Можете обратиться по ссылке на один из блогов про машинное обучение или посмотреть на github в README в презентации на подход (или прямая ссылка на конкретный слайд тут).

Метрики.
Не уверен, что могу делиться точными цифрами. Метрики удовлетворили производство, моделью пользуются, периодически запрашивает доступ новый персонал:-) Сами значения метрики выведены на экран для повышения прозрачности сервиса. То есть персонал может оценить точность модели в режиме реального времени (с лагом в 1-2 часа из-за позднего замера целевой переменной).

Общие принципы построения модели
Автоматизировал каждый шаг используя библиотеки с функцией DAG (Directed Acyclic Graph - направленный ациклический граф). Условно говоря, каждый этап, описанный выше (с бОльшей дискретизацией), дробил на скрипты и автоматизировал очередь их выполнения (с сохранением результатов обучения каждого значимого перезапуска предподготовки данных и обучения модели). Более подробно см. github с похожим принципом построения модели обучения (возможно, еще доработаю проект... пока обилие интересных задач в НЛМК завлекают больше:-) ).

Перенос обученной модели в продуктовый сегмент.
Выделю основное. После выяснения ключевых признаков для модели создали consumer Kafka (в нашем контексте шина данных) с записью в базу данных Postgres. Далее — небольшой сервис для общения с базой данных и вызовом обученной модели с визуализацией.

P.S. Старался объяснить общими словами, без использования data science терминологии.

Спасибо огромное за подробный ответ. Интересные у вас задачки. Завидую ))

К сожалению, не могу плюсануть

Надеюсь, внес хоть частичку ясности.
P.S. Почему не можете плюсануть?:-)

Да, стало понятней. Для таких нетривиальных случаев, всегда интересно, как собирали датасет.
п.с. Это не я, это Хабр такой )). Сейчас карма 0, рейтинг 0. Недавно вообще отрицательная была. Кто, за что и почему - тайна великая есть. Комментирую только технические вещи, ну и иногда хвалю за посты. А тут раз и минус прилетел. Загадка.

п.п.с. Я к вам кстати кидал сивишник (недели две назад). Очень хочеться заниматься реальными задачами, особено в области компутерного зхрения (но не обязательно. Описанная выше задачка тоже прекрасна), а не этой рекламой и прочими конверсиями. Но тишина.

Sign up to leave a comment.