人工智能在工業自動化中的應用

呂慧超

(山信軟件股份有限公司萊蕪自動化分公司 山東 濟南 271104)

0 引言

人工智能(artificial intelligence,AI)的概念最早在20世紀50年代提出,隨著互聯網大數據云計算等技術的不斷發展[1],人工智能技術已經相對完善,并且呈現爆發式增長。比如物聯網使得大量數據能夠被實時獲取,大數據為深度學習提供了數據資源及算法支撐,人工神經網絡能夠自動進行感知監測和控制,專家系統能夠自動處理設備故障,云計算則為人工智能提供了靈活的計算資源。隨著智能制造4.0時代的到來,人工智能應用已經貫穿于設計、生產、管理和服務等制造業的各個環節。本文圍繞鋼鐵冶金自動化,以人工智能技術的應用為核心,探討了人工智能技術在鋼鐵自動化中的應用價值,并圍繞冶金電氣設備控制、冶金生產狀態智能感知(分為運行狀態監測和運行狀態識別)、操作參數智能優化、運行指標智能優化、冶金生產過程智能協同管理方面的研究進展進行了分析,以期為冶金行業的自動化智能化建設提供一定參考借鑒。

1 計算機人工智能技術的概述

人工智能技術指的是利用計算機軟件技術進行人類思維的模擬,從而使計算機系統具有人類獨有的學習、動作、思考等行為能力,并以此為基礎進行相關功能的拓展,使機械設備能夠在人工智能的控制下完成某些動作或者特殊能力。這樣在工業生產或者日常生活中一些復雜的操作就能夠通過人工智能代替人類完成,提高工作效率,降低人力成本,減少操作風險。同時人工智能由于具備更強的執行性、計算能力和操作精度,在某些方面完全可以代替人類高效高質量地完成相關工作,減少因為人類主觀意識所產生的失誤。現階段人工智能技術具體分為3類。

(1)認知AI。該類人工智能技術屬于基礎性應用技術,主要是通過人工智能的認知運算能力,借助計算機系統,幫助人們解決一些生活工作中的問題。同時隨著大數據以及云計算等技術的日益成熟,人工智能的認知學習能力能夠進一步增強其思維邏輯能力,在學習的過程中積累更多經驗,為人工智能應用范圍的拓展延伸奠定良好基礎。

(2)機器學習AI。該類人工智能技術以汽車無人駕駛系統為主要應用代表,人工智能能夠代替駕駛員自動駕駛汽車,實時識別路況信息,做出相應的駕駛操作,模擬駕駛員的思維邏輯來確保汽車行駛安全。機器學習必須建立在計算機網絡和特定算法的基礎之上,需要通過大量的數據來對人工智能系統進行訓練,這樣才能夠實現模擬人類思維的目的,該類技術是今后人工智能應用的關鍵領域所在。

(3)深度學習AI。與認知運算和機器學習相比,深度學習屬于人工智能應用的尖端技術,能夠模擬人類大腦的結構形成人工神經網絡,具備學習復雜概念的能力。同時在數據量中,深度學習的數據量更大,具備人類的分析學習能力,能夠有針對性地進行圖文、影像等的識別提取。除此以外,深度學習AI的自主意識也更為先進,能夠與人類展開對話交流,甚至為人類的日常生活工作提供幫助,協助人們完成家務,解決生活中的一些簡單問題。

2 工業自動化控制中的人工智能運用價值

人工智能作為21世紀最為重要的技術之一,對于整個人類的發展進步都有著積極的促進作用。在Gartner《2022年人工智能技術成熟度曲線》報告中明確指出,人工智能能夠進一步增強企業的競爭優勢[2]。將人工智能應用于冶金自動化控制中,能夠為冶金企業帶來下述價值:第一,降低成本。人工智能在現場控制和環境感知方面具有更高的穩定性和靈敏度,與以往所用的自動控制系統相比,可更好確保電氣設備及機電設備的運行準確性和安全性,并且可以進一步減少人員配置,這對于降低整體生產成本,有著積極促進作用。第二,提高控制精度。人工智能技術具備更強的邏輯運算能力,可以結合冶金生產中的實際情況,自動制定相應的控制方案,確保冶金控制系統一直處于最佳運行狀態,提高控制精度。第三,適應性強。在以往電氣自動化控制中,多采用單路或者線性控制,控制效果相對較好,但是多只針對特定的工藝路線或者產品。而人工智能下的自動控制可以結合具體環境變化迅速完成電氣控制系統的調整和優化,更適用于復雜的冶金生產過程。

3 人工智能在工業自動化控制中的具體應用

文章以冶金生產為例,對人工智能的具體應用展開了下述探討。

3.1 人工智能在冶金電氣設備控制中的應用

冶金電氣設備的運行控制過程相對復雜,一方面指的是其控制技術復雜,另一方面指的是整體控制程序復雜。所以從設計角度進行分析,冶金電氣設備原有的控制系統與人工智能技術存在一定的相似性。人工智能主要是借助相關技術,實現對復雜、隨機、模糊柔性控制問題的解決,具有良好的自我學習、自適應能力,因此將其應用于冶金設備電氣設備控制中可獲得良好效果。比如以多核學習的高爐框架、以VOL技術為基礎的高爐系統驅動建模、高爐熱風流量設定、鐵水含硅量預測、爐況分析等。通過專家系統能夠更加準確的實現高度流量的實時調整和控制,解決以往人工在控制熱風爐加熱空氣量、煤氣量等方面的問題,進一步提高燃燒控制的智能化程度,提高燃燒效率。同時在高爐診斷和監控工作中,也可以基于專家系統、數據挖掘技術等構建實時在線控制模型,結合高爐工作的特點、冶煉計算模型等研發出能夠適用于高爐生產運行狀態的爐況分析系統,為操控人員管控高爐,監控高度指標提供有效幫助[3]。再者還可以借助專家知識和數學建模構建基于煉鋼成分功能的控制系統,用戶提前將相關參數或者閾值輸入到系統之中,以此為依據結合專家經驗和數據庫自動生成契合度更高的產品,確保最終冶金產品的質量。之后再通過冶金產品目標成分,對最終產品的力學性能展開預測分析,再通過鋼纖維演變數學模型對冶金產品在軋制中的目標成本進行分析,這樣就能夠掌握產品最終的力學性能。除此以外,基于人工智能所構建的電氣設備在線監控系統,能夠更好地服務于電氣設備的運維工作,提前預測設備故障,幫助工作人員制定有效措施,避免非計劃性停機情況的產生。同時還可以在發生突發事故時迅速進行定位,并給出有效的解決方案,盡可能降低故障影響。

3.2 在冶金生產運行狀態智能感知中的應用

3.2.1 運行狀態監測

在冶金生產中需要應用到大量設備設施,不同機械設備的實時運行情況,組成了運行狀態。借助現代化的監測技術和信息傳輸技術,能夠更加準確完成對整個冶金機電系統運行狀態的掌握,并預知其后續發展情況,這對于冶金生產有著極其重要的作用。一方面借助實時監測能夠更加科學的完成機電設備運行故障特征的分析判斷,并采用相應的措施,避免產生突發事故;另一方面以此為基礎,能夠展開預防性維修,通過提前性的針對性的維修計劃,有效防范設備設施發生故障,提高設備運行穩定性和運行效益[4]。比如在冶金生產中,為了實現對鐵前工序的監測,可以結合冶金生產工藝和各類不同設備的運行情況,構建基于循環風機、高爐鼓風機等振動狀態的智能在線監測系統,這樣就可以在相關機械設備發生異常時,及時判斷和識別故障特征,避免機械設備出現帶病作業,確保生產安全。大量工業測試表明,智能在線監測系統在冶金生產運行狀態監測中能夠起到有效的作用,但是要將其完全用于生產現場,還必須經過反復的測試和研究。

3.2.2 運行狀態識別

在冶金自動化控制中,各項決策的制定都必須建立在運行狀態識別的基礎上,結合不同的運行狀態,制定出有針對性的控制決策,切實保證冶金產品的質量產量,并盡可能降低在生產中的能耗。冶金生產與加熱燃燒密切相關,所以其運行狀態也體現在生產中的熱狀態。例如在煉鐵生產中,高度熱狀態具體分為向涼、正常和向熱3種,其中向涼和向熱兩種狀態對鐵前生產的能耗、生產安全、生產效率等都直接相關。所以利用人工智能技術進行冶金運行狀態的識別有著非常重要的意義。運行狀態一般指的是在某個時間段內,動力設備運行參數間的相互關系,設置有標的的運行狀態也被特指為工況。具體生產中,多是以專家經驗的人工智能方法來進行運行狀態識別,高爐煉鐵屬于“黑箱”系統,工作人員的專家經驗與高爐運行密切相關。在現階段可以通過提取高爐煉鐵生產中的各種表征參數特征來構建出異常爐況專家系統,通過專家系統和專家經驗來進行高度異常狀態的識別和處理[5]。在異常爐況專家系統運行中,主要是針對高爐煉鐵中的某些特定參數數據進行提取分析,然后再通過模糊推理等來完成運行狀態識別。該方法在運行中受專家經驗知識以及操作人員綜合能力素養的影響,所以在具體應用中需要通過學習不斷對其進行完善優化。

3.3 操作參數智能優化

冶金高爐極其復雜,并且在冶煉過程中,爐體需要保持密閉,因此,為了確保高爐的安全穩定運行,必須嚴格控制相關操作參數。在現階段高度運行,基本都是借助專家經驗來制定決策,雖然該方法應用效果相對良好,但是在現階段為了增強競爭力,提高冶金生產的節能減排效果和產品質量,鋼鐵企業需要構建起更加智能化的操作參數控制系統,實現集約型生產的目的。在現階段,高爐操作參數的優化多是通過黑箱建模來展開分析,建筑工業大數據和智能優化方法來進行最優操作參數的選擇和確定。比如可以通過人工神經網絡遺傳、遺傳算法等構建高爐多目標優化模型,通過模擬分析來得出最優的燃燒溫度、焦比、壓差等相關操作參數。焦炭可以通過煤粉噴吹來代替,這更有助于改善爐況。同時在現階段還可以小波神經網絡構建預測模型,通過粒子群優化方法來找出高爐生產中熱風量、噴煤量等相關參數的最優解。

3.4 運行指標智能優化

在冶金生產中需要從成本、能耗、質量、產量等多方面指標來進行運行生產控制。對于高爐煉鐵,需要重點圍繞煤氣利用率、產量來作為運行控制指標。為了提高煤氣利用率和產量,降低生產成本,需要圍繞具體生產指標中的相關參數,結合智能控制系統,對運行指標進行優化。在現階段可以借助信息化技術、大數據技術,結合高爐、燒結、焦化等各個環節間的工藝順序和產品關系,構建起基于原料成本的協同優化模型,在利用遺傳算法對配料并進行優化調整,從系統性入手考慮原料成分、能耗等對整個冶金過程的影響,從全局入手優化各個環節的運行性能指標[6],在促進產量質量提高的同時,盡可能降低冶金生產中的能耗污染,實現綠色冶金生產的發展目標。

3.5 鋼鐵冶金過程智能協同管控

現階段互聯網技術、5G技術等的迅速發展,為智能感知、智能控制和智能優化等多種人工智能技術的融合提供了便利,為冶金生產智能協同管控目標的實現提供了技術支撐。在冶金生產中分為多個不同工序,為了實現對各工序生產過程的監測,針對各工序都建立了相應的監測、控制和優化調度系統,但是所設置的監測點相對分散,控制系統層級多,并且整個系統的架構也呈現離散狀態,這就給整個冶金生產控制造成了困難,無法從全局入手做好各系統的協調控制。比如說,管理人員不能夠及時感知各設備設施的運行狀態,識別其中的問題故障;不能夠對物料能源的使用狀態進行監測,無法根據生產指標、環保指標等對操作參數進行優化調整[7]。但是智能協同管控系統的構建就可以避免上述問題的發生,該系統包括以下幾個架構層次:(1)數據中心層。該層主要負責對冶金生產中各種設備設施以及生產參數的采集、儲存和處理,并且其還需要負責將不同類型和標準的數據轉換為同一格式。(2)調控中心層。結合全流程數據,分別實現物流運輸、全過程監視監控、設備監控、能源制造等功能,進而達成對冶金生產過程的實時協調、實時調控和動態平衡。(3)協同管控層。圍繞以上兩層獲得的信息數據,綜合整個冶金生產目標對不同工序展開優化調整,并分析部分生產數據,確保不同工藝環節間的有效銜接,提高生產效率和產品質量。(4)智能管控層。該層主要用于高級數據的開發探索,分析生產中的異常情況,并進行溯源[8];預測和平衡生產中的能耗量;結合設備運行狀態分析結果進行智能報警;物流調度優化等。比如利用在線智能金屬成分檢測分析儀,通過裝在智能機械手臂上的金屬成分檢測儀對產品逐個進行檢測,檢測出的產品成分元素和生產此產品的原料成分進行比對,比對相符則放行,如果發現異常則會發出報警,這樣就能夠有效地降低了因工作人員失誤造成的產品諢號的重大質量隱患。智能協同管控系統中能夠實現對不同工序數據的整合、分析存儲和共享,從整個冶金生產過程入手實現決策調度的智能化和自動化,不斷提高冶金生產的效率和質量[9-10]。

4 結語

綜上所述,人工智能應用于冶金自動化是冶金行業發展的必然趨勢,因此在現階段需要圍繞冶金自動化積極探索人工智能技術的合理應用,充分發揮人工智能技術的優勢,為冶金企業生產效益和競爭力的提升作出貢獻。