DigitalSolutions for the Hot Strip Mill: Leveraging Industry 4.0
热轧带钢数字化解决方案：借力工业4.0
数字技术正在改变工业的各个层面。作为特定数字技术的早期采用者，钢铁有机会引领所有重工业，以提高我们的可持续性和竞争力。本专栏是AIST成为钢铁数字化转型中心战略的一部分，通过提供各种平台来展示和传播钢铁制造特定的工业4.0知识，从大局概念到具体流程。在当今瞬息万变、竞争激烈的钢铁行业，在降低能耗和碳足迹的同时，生产出始终如一的高质量产品是一项复杂的挑战。为了增加压力，该行业还必须在面对繁忙的市场条件和不断变化的劳动力动态时保持灵活，同时跟踪可持续发展目标的进展。网络物理系统(CPS)、数字孪生和其他数字解决方案已经成为应对这些挑战和降低风险的宝贵工具，同时增加了成功的机会。这些概念是互联工业、工业4.0和工业互联网联盟(IIC)所表达的思想的基础。本文将研究热轧带钢轧机中正在使用的数字解决方案。它还将探讨轧机模拟技术背后的构建模块，以及它们如何与显著降低的成本和提高的传感器和计算机性能相结合，成为热连轧机现代数字孪生的基础。本文探讨了一些现实世界的例子，在这些例子中，数字化已经转化为实用且经过验证的解决方案，可以推动可持续性、可维护性、质量和生产率的提高。采用这些解决方案对于实现进一步改进和保持行业竞争力至关重要。热连轧带钢自动化简史
在20世纪90年代之前，由于下游客户的及时采购实践，轧钢厂的主要目标是保持生产效率和高产品质量，以生产各种批量减少的钢铁产品。从20世纪90年代开始，钢铁生产商还背负着提高能源效率和盈利能力的沉重负担。在21世纪初，随着对成分性能精确公差控制的特种级钢材的需求不断增长，钢铁行业面临的挑战进一步增加。在每个时代，钢铁生产商都通过采用最新的控制和自动化技术，以更高的速度和精度克服了行业面临的新挑战。这些新技术利用不断增长的计算能力提供的速度、数量和各种数据来构建和分析生产设备、操作实践和轧制过程的系统模型，以提高过程自动化的速度和准确性。[2]程序解决问题的方法被开发和应用，为具体问题创造了解决方案。这些解决方案随后被控制系统实时应用。然而，近年来，轧制过程变得越来越复杂，过程的精确建模也变得越来越困难。如果不能对生产线运行的所有条件和所有产品类型的过程进行建模，就会存在不能依赖控制系统来提供正确操作的情况。在这种情况下，正确的生产线操作取决于操作员的经验和技能，或者取决于现场专业工程师不断调整轧机设置模型的调谐参数。为了应对这一挑战，有必要采用基于大数据和分析技术、工业物联网(IIoT)和机器学习/人工智能(ML/AI)的更先进模型。[2]利用数字化解决方案优化热轧带钢生产
本节列出的例子说明了这一点，尽管在控制系统方面并不新鲜，但数字化的兴起导致了向预测分析的转变和优化目标的扩大。为了确保准确预测和测量更复杂的性能指标，需要大量数据，包括来自2级系统、实验室测试、传感器和物联网设备的信息。当与自动化和优化最佳实践一起实施时，数字化解决方案可以在生产力、可持续性、质量和可维护性等关键领域对优化工厂运营产生深远影响，如图2所示。
（左侧：预报生产品种规格，品种规格扩展，操作者干涉最小化，操作个性化最小，自适应干扰，设备效率最大化；停机时间最小化，维护灵活性，可靠的自动化设备。右侧：单位消耗最小化，操作条件优化，消耗复合均衡化；预报产品质量，生产灵活化，钢种规格快速更换，前馈和反馈控制。）•可持续性：优化的能源管理对于钢厂保持其能源效率和朝着更可持续的未来努力至关重要。然而，由于生产过程的复杂性，实现这一目标可能是一项具有挑战性的任务。支持物联网的传感器和设备可用于监控热轧带钢生产过程，并提供有关能耗各个方面的实时数据。能源消耗和预测系统可以通过准确预测能源消耗并确定需要改进的领域来帮助工厂优化能源使用，从而提高能源效率并改善对能源成本的控制。此外，这项技术还有助于减少工厂对环境的影响，有助于为所有人建立一个更绿色的未来。通过采用可持续能源管理实践，工厂可以变得更加环保，并在创造一个更可持续的世界中发挥自己的作用。•可维护性：维护轧制设备对于减少停机时间和防止生产力损失至关重要。早期发现轧制过程中的异常对于安排维护和避免昂贵的设备故障至关重要。然而，由于设备和控制系统产生的大量数据，对于操作人员来说，检测所有相关信号是一项挑战。因此，从过程、设备传感器和控制系统中收集与特定机械、操作或控制系统问题相关的信号是必要的。•质量：在轧制过程中，导致产品质量问题的原因是机械、操作或控制系统问题。从经验中我们都知道，特定的机械(或操作或控制)问题会造成产品质量缺陷。用户可以潜在地检测到这些独特的信号模式并调查原因。然而，即使检测到独特的轧制信号模式，人工分析中通常也需要很长时间才能发现因果关系并找到问题的根本原因。为了帮助决策者，数据的智能解释是必不可少的。•生产率：通过预测性维护计划减少计划外停机，提高工厂的整体生产率。有效的策略还包括减少或消除轧制过程中的低效率物料流，在低迷期后或引入新产品之前验证操作的“模拟轧制”，以及在引入控制算法或设备更改之前对运行中的轧机进行模拟或跟踪。数字化解决方案应用实例
智慧节能
为了本文的目的，适用于各种钢铁设施和工艺的节能解决方案可以分为四类。这些在图3的左侧进行了说明。第一类包括提供带有高效设备和带有反馈回路的能源控制的基本包。第二类是智能节能方法，利用来自其他功能的预测信息，例如热轧带钢轧机模型和控制器。第三类是寻求在更大范围内优化能源使用的另一种形式的智能方法。最后，第四类的重点是钢厂的电力管理，并利用预测信息。
对于2、3和4类，预测控制对于实现更大的节能至关重要。图3说明了轧机自动化系统的层次结构与能源解决方案类别之间的关系。值得注意的是，这种等级制度不仅存在于轧钢厂，也存在于其他类型的工厂。3级系统管理生产和产品以满足客户要求，2级系统中的计算机从3级系统接收生产计划和产品规格，并向1级控制器提供设置命令。有时，控制功能在2级计算机中实现。一级控制人员负责产品全程的动态控制，以保持目标质量和稳定运行。0级由电机、驱动单元和液压系统组成，它们直接驱动轧机中的设备按照1级控制器给出的命令运行。[3]一般来说，上层系统比下层系统能够获得更多可用于预测的信息，如图3所示。例如，2级计算机可以访问接下来的几个板坯的信息，包括化学成分、尺寸和温度，上层系统知道产品目标。使用这些信息，第2级计算机中的设置功能计算如何实现目标。在设置函数中对轧制力矩、带钢速度变化和带钢冷却水量进行了预测。虽然第一级函数可以从第二级获得这些信息，但它们主要使用更简单的方法，如反馈控制和顺序过程来计算操作值。“智慧节能控制”定义为利用当前和历史数据的上层系统的预测信息进行节能控制。第3类和第4类的控制方法使用预测信息来管理和优化电力、生产和产品质量。因此，在更广泛的意义上，类2、3和4可以被认为是智能方法。基于控制参数优化的轧制能耗管理
能源优化系统是解决可持续性和节能问题的数字解决方案的一个例子。即使是很小的优化也可以为整体节能做出贡献。图4显示了热轧带钢(HSM)能量优化系统的配置，其目的是为操作人员或一级控制人员找到最佳设置。
（轧制条件（PDI，目标，其它，进入到（1）使用轧机设定模型进行模拟生产，人工给出轧制条件变化阐述，输出产品的厚度，温度等等进入到，（2）能源消耗计算-ECPS，（3）预报材料的特性-MPPS，检验产品质量和机械性能，能源消耗是否处在较低水平上。给出有效的轧制条件。主要工艺设备：高压水除鳞，立辊侧压机+粗轧机1，立辊侧压机粗轧机R2，切头剪，七机架精轧机组，层流冷却辊道，地下卷取机。）该系统使用从3级系统发送下来的产品数据输入(PDI)数据，为轧机提供动态控制和轧制模型设置的初始计算。能源消耗预测系统(ECPS)根据模型设置的输入预测材料轧制所需的总能量，而材料性能预测系统(MMPS)计算材料的强度和延伸率。这些计算在设置模型、能量预测系统和材料性能预测之间形成一个迭代循环，以达到最优值。[3]然后将结果发送给一级控制器或作为信息提供给操作员。能耗预测系统在完成所有设置计算后，计算板坯在加热炉内轧制产品所消耗的能量。同时对材料性能进行了计算和优化。该信息允许操作员和工程师检查轧制带卷的能源使用情况。钢铁厂的能源优化
节能对于钢厂的高效运行至关重要，可以降低成本并达到ESG目标。一种有效的方法是将峰值电能水平保持在一定的阈值以下。这样做，可以减少设备的容量和合同电力需求，从而避免电力消费者在其用电量超过合同数量时必须支付的昂贵罚款。从电力供应的角度来看，热轧带钢和中板轧机对生产线构成了挑战，因为它们的电力需求在轧制和闲置运行期间变化很大。然而，这些生产线也可以为节约能源和减少高峰需求提供机会。为了解决这个问题，可以实施电气预测和控制系统，如图5所示。
预测系统(如图左侧所示)包括两个关键组件：ECPS，用于预测使用的电力，以及轧制定时预测功能。控制系统(如右侧所示)包括负载均衡功能，可以利用电池或生产重新调度来减少峰值电力需求。[3]目前，该预测系统可以提前30分钟预测电力需求，[3]为运营商和工程师提供他们需要的信息，以做出明智的决策，以减少电力消耗。干预措施可能包括降低运行速度或增加闲置时间，以避免超过峰值电能阈值。通过优化能源消耗，钢铁厂可以降低成本，提高整体效率。热轧带钢轧机数字孪生的益处
可以肯定地说，所有现代轧机都使用各种类型的数字处理器和软件来监控、模拟和与物理系统交互。当所有这些处理被合并到相同的数字解决方案中时，由此产生的“孪生”在前面描述的优化目标领域中具有额外的益处。•可持续性-模型能源消耗在什么-如果模拟练习，以选择最佳的电机容量。[4]•可维护性-模拟轧制降低了新产品引入时设备损坏的风险。•质量-确保可靠和及时地应用正确材料的产品参考资料。•生产效率-在避免产品生产冲突的同时增加物料流动性。数字孪生是物理对象、系统或过程的虚拟表示，允许对其性能和行为进行实时监控、模拟和分析。有趣的是，数字孪生概念是工业4.0的一种新方法，但那些在金属轧制行业工作过的人会认识到数字孪生的特征，因为它们已经在金属生产线上存在了几十年。计算机化的物料跟踪和流量控制、虚拟轧制和模拟都不是什么新鲜事物。在许多工厂中，这些多种功能由单个软件系统解决方案支持，该解决方案可以被视为工业4.0之前的数字孪生。将计算和网络技术的最新进展应用于这样一个系统，为实现工业4.0数字孪生的承诺提供了一条简单的途径。例如，基于2级的运输主管是支持以下活动的合并轧机孪生。[5]∘ 通过智能地组合多个输入(轧速、轧件定位等)，精确地追踪轧制钢板时候的头部和尾部。∘ 主动控制轧制节奏控制轧件走向(辊道速度和方向)，用于在可逆轧机和中板轧机中防止轧件干扰碰撞。∘ 在传感器发生故障时的恢复，因为它会自动检测并模拟传感器继续进行第2级和第1级处理。∘ 操作者要实时核实预期的第2级、第1级和工厂设备的性能。∘ 自动模拟轧件头尾跟踪事件，并向第一级发送参考信息。∘ 同一个孪生体可以与生产系统“分离”，提供一个与实际轧钢车间相同的平台。∘ 进行假设场景，调查不同轧制条件下的新产品和能源需求。•作为实际工厂活动的“只读监听器”，在部署到生产系统之前提供更严密的模型测试。传输监控方法的优点
使用基于运输指示的数字孪生系统，可以在生产过程中提供精确的跟踪和定时功能，从而缩小轧制时候两个轧件之间的时间间隔，提高工厂的生产率。模拟功能允许提前测试和验证轧机的行为，从而降低了计划外停机的风险。在整个系统离开自动化供应商之前对其进行实际测试，并在现场对工厂进行集成模拟，减少了调试时间和风险，并为整个系统生命周期的持续系统支持提供了有价值的工具。扩展传输监控数字孪生因素
利用最新的技术和工业4.0技术，以及一个灵活的、可配置的2级平台实现的传输监控，有助于添加ML/AI分析来修改生产系统参数，为操作员集成VR可视化和实时信息，以及更高保真度的监测和预测轧辊和设备的磨损或损坏。设备与轧制异常诊断系统
设备与轧制异常诊断系统通过采集设备传感器、过程和控制系统等各来源的信号，对轧制过程进行监测。系统分析设备工艺参数，包括轧制力、电机电流、带钢张力、轧制速度等相关数据，识别设备和轧制中的异常及其症状。有了这个系统，工程师可以快速识别特定的机械，操作或控制系统问题，由于操作工厂中的信号量庞大，人类感观很难或不可能检测到这些问题。使用设备异常诊断系统对设备和轧制条件正常状况进行持续监测是解决维护关键性能指标的关键步骤。这种数字化解决方案有助于防止意外停机、设备损坏和产品缺陷，从而有助于高效维护生产线设备。此外，它增加了避免这些问题的可能性，并有助于有效维护线路设备。该系统为工程师提供信息，帮助他们调查异常的位置和原因，从而发现潜在的问题并采取措施避免问题的发生。轧钢厂的过程数据，如轧制压力、电机转矩、电机电流等，由IoT Edge Database采集并存储。异常检测功能监控轧机设备数据的状态和变化，检测轧机的故障。状态监测的一个例子如图8所示。状态监测的一般流程是从热连轧工艺过程中采集数据开始的，如轧制压力和电机电流。然后对收集到的数据进行处理，以识别属性，包括设备，项目编号，绝对值和偏差。利用基本统计、概率密度、自回归模型和快速傅立叶变换等技术对处理后的数据进行分析。利用霍特林指数Hotelling Index和T方分布、带偏度补偿的控制图、阈值等工具根据分析的数据进行判断。最后一步包括诊断问题，提供失败的原因或可能的原因，然后提出处理或对策建议。
图6 热连轧机轧件传输和轧制执行系统的输送监控/数字孪生
（第一行：原始数据：例如：设备R1，R2，F1~F7，即所有粗轧机和精轧机组，项目：如轧制力，电流；第二行：数据预处理：数据属性：设备，项目，绝对值/偏差值，轧制期间/空载运行，等等；第三行：分析：数值指标：基本统计，概率密度估计，自回归模型，FFE等；第四行：判断：判断由：霍特林指数和χ2分布，带有偏度补偿的控制图，阈值；第五行：诊断处理：诊断和处理：推理，可能的原因，建议）产品质量异常分析系统
产品质量异常分析系统旨在识别轧制过程中产品质量问题的原因，这些问题可归因于机械，操作或控制系统问题。尽管这些都是产品缺陷的常见根本原因，但确定具体的根本原因通常是困难的，而且需要消耗资源。用户可以检测到可能指示这些问题的潜在原因的唯一信号模式。人工分析人员通常需要花费大量时间来调查这些模式并确定问题的根本原因，即使对于经验丰富的用户也是如此。为了帮助决策者，对数据有一个智能的解释是至关重要的。异常分析系统采用自动聚类技术对产品质量进行异常检测和分析。通过分析与带卷参数和轧制条件相关的数据，系统可以快速识别和区分“不同的东西”和“独特的模式”。这允许快速检测问题并加快找到问题的根本原因，从而更快地解决产品质量问题。1. 产品质量异常分析：该功能为用户提供详细的质量分析信息，如公差分类、趋势图聚类、质量参数的相关性、质量问题潜在原因的识别等。通过利用这些功能，用户可以在质量问题的根本原因分析中采取必要的后续步骤。2. 质量图聚类分析:产品质量异常分析系统通过捕获波形特征，自动对所有轧制带卷的质量图进行分类。该功能记录了每个分类组的缺陷和滚动条件的常见原因，使用户能够快速识别和解决问题。通过提供深入的质量信息和见解，产品质量异常分析系统使用户能够更快，更准确地识别质量问题。通过这些特性，用户可以采取主动措施来提高产品质量并将风险降至最低，从而获得更好的业务成果。试样分析
图9示出条带钢宽度数据的聚类示例。使用与目标的宽度偏差的原始数据集(由大约730个带卷组成)，工具聚类了头部，中间部分，尾部和整个带卷的典型变化模式。这个示例自动将12种典型的行为模式聚类，将原始数据划分并分类为12种不同的模式。用户可以预先选择集群中的模式数量。
图中，y轴表示宽度偏差，x轴表示归一化长度。例如，在左上角的框架中，128个带卷的红色分类图表显示，许多带卷具有类似的宽度偏差行为，其中头部部分比目标更宽。通过查看中间部位的分类结果，用户可以识别大多数波动，例如滑痕或宽度变化。这些信息有助于用户确定提高宽度精度的有效方法，例如调整带卷头部的短时间的轧制过程控制。此外，生成一个带卷列表，其中包括类别号和其他信息，如钢材等级，产品厚度和宽度。该列表允许用户识别哪些产品显示类似的宽度偏差行为。波动模式分析功能是快速识别产品质量数据中常见模式的重要工具。在长时间审查产品质量数据时，用户手动逐个带卷审查采样图表数据并识别波动模式可能是一项繁琐且耗时的任务。但是，该功能可以自动识别波动和异常的典型模式，减少用户识别和解决这些问题的工作量。此外，该功能还可以检查其他质量问题，如厚度和温度，提供对产品质量数据的全面分析。结论
钢铁行业面临着压力，在不断变化和扩大的产品范围内生产一致的高质量产品，在面对不断变化的市场条件时更加灵活，减少能源消耗和碳足迹，同时跟踪和报告实现这些目标的进展。成功应对这些复杂而错综复杂的挑战，尤其是在实时情况下，不是直观或直接的，因此网络物理系统、数字孪生和数字解决方案的好处比以往任何时候都更大，它们可以降低风险，增加成功的机会。这些优点，再加上传感器和计算机成本的大幅降低和性能的提高，正在推动各行业的采用。本文提供了一些现实世界的例子，说明这些方法如何在热轧带钢应用中提供益处。随着实际、成熟的应用和行业内不断增加的相关经验，围绕数字化的炒作和流行语已经转化为适合目的的解决方案和实际结果。在某些情况下，如果不采用包括建模、仿真、预测分析和广泛连接在内的数字解决方案，甚至很难进一步提高可持续性、可维护性、质量和生产力。
参考文献
1. TMEIC, “Steelworks CPS/simulationtechnology,” 28 February 2023, www. tmeic. co. jp/ technology/no11.2. N. Kubo, H. Imanari, T. Sakamotoand T. Horikawa, “Technologies for Smart Rolling Mills,” AISTech 2018Conference Proceedings, 2018.3. H. Imanari, M. Kihara, K. Kitagohand K. Kubota, “Intelligent Energy-Saving Technology for Steel Industry,”AISTech 2018 Conference Proceedings, 2018.4. N. Prince, P. Jackson and S.Kodama, “Selection of Induction Motor Drives for Reversing Hot Mill RollerTables,” AISTech 2011 Conference Proceedings, 2011.5. P. Jackson and W. Filipczyk,“Transport Director — Complete Mill Simulation, Ghost Rolling and OptimizedMill Sequencing Control,” AISTech 2013 Conference Proceedings, 2013.6. W. Filipczyk and J. McMillen,“Fully Configurable Level 2 Infrastructure for Metal Rolling and ProcessingControl Systems,” AISTech 2008 Conference Proceedings, 2008.
作者
Gary Gepitulan：Senior Sales Application Engineer, TMEIC Corp. Americas,Roanoke, Va., USA gary.gepitulan@tmeic.comJohn McMillen：Chief Specialist Business Development, TMEIC Corp. Americas,Roanoke, Va., USA john.mcmillen@tmeic.comPaul Jackson：Senior Process Automation Level 2 Engineer, TMEIC Corp.Americas, Roanoke, Va., USA paul.jackson@tmeic.comJustin Hollingsworth：Business Development Manager, TMEIC Corp. Americas, Roanoke,Va., USA justin.hollingsworth@tmeic.com唐杰民2024年3月上旬在安徽黄山屯溪和苏州翻译自某国《钢铁技术》本月期刊，水平有限，对自动化了解不足，翻译不准不妥不对之处请各位看官给予指正。版权声明：本文来源：唐杰民冶金40年，由 #轧钢之家 整理发布，版权归原作者所有。转载请注明来源；文章内容如有偏颇，敬请各位指正；如标错来源或侵权，请跟我们联系。欢迎关注微信公众号【轧钢之家】ID：zhagangzhijia，欢迎合作：15092009951。
