人工智能在工业自动化中的应用

2023-11-19吕慧超

信息记录材料 2023年8期

吕慧超

(山信软件股份有限公司莱芜自动化分公司山东济南 271104)

0 引言

人工智能(artificial intelligence,AI)的概念最早在20世纪50年代提出,随着互联网大数据云计算等技术的不断发展[1],人工智能技术已经相对完善,并且呈现爆发式增长。比如物联网使得大量数据能够被实时获取,大数据为深度学习提供了数据资源及算法支撑,人工神经网络能够自动进行感知监测和控制,专家系统能够自动处理设备故障,云计算则为人工智能提供了灵活的计算资源。随着智能制造4.0时代的到来,人工智能应用已经贯穿于设计、生产、管理和服务等制造业的各个环节。本文围绕钢铁冶金自动化,以人工智能技术的应用为核心,探讨了人工智能技术在钢铁自动化中的应用价值,并围绕冶金电气设备控制、冶金生产状态智能感知(分为运行状态监测和运行状态识别)、操作参数智能优化、运行指标智能优化、冶金生产过程智能协同管理方面的研究进展进行了分析,以期为冶金行业的自动化智能化建设提供一定参考借鉴。

1 计算机人工智能技术的概述

人工智能技术指的是利用计算机软件技术进行人类思维的模拟,从而使计算机系统具有人类独有的学习、动作、思考等行为能力,并以此为基础进行相关功能的拓展,使机械设备能够在人工智能的控制下完成某些动作或者特殊能力。这样在工业生产或者日常生活中一些复杂的操作就能够通过人工智能代替人类完成,提高工作效率,降低人力成本,减少操作风险。同时人工智能由于具备更强的执行性、计算能力和操作精度,在某些方面完全可以代替人类高效高质量地完成相关工作,减少因为人类主观意识所产生的失误。现阶段人工智能技术具体分为3类。

(1)认知AI。该类人工智能技术属于基础性应用技术,主要是通过人工智能的认知运算能力,借助计算机系统,帮助人们解决一些生活工作中的问题。同时随着大数据以及云计算等技术的日益成熟,人工智能的认知学习能力能够进一步增强其思维逻辑能力,在学习的过程中积累更多经验,为人工智能应用范围的拓展延伸奠定良好基础。

(2)机器学习AI。该类人工智能技术以汽车无人驾驶系统为主要应用代表,人工智能能够代替驾驶员自动驾驶汽车,实时识别路况信息,做出相应的驾驶操作,模拟驾驶员的思维逻辑来确保汽车行驶安全。机器学习必须建立在计算机网络和特定算法的基础之上,需要通过大量的数据来对人工智能系统进行训练,这样才能够实现模拟人类思维的目的,该类技术是今后人工智能应用的关键领域所在。

(3)深度学习AI。与认知运算和机器学习相比,深度学习属于人工智能应用的尖端技术,能够模拟人类大脑的结构形成人工神经网络,具备学习复杂概念的能力。同时在数据量中,深度学习的数据量更大,具备人类的分析学习能力,能够有针对性地进行图文、影像等的识别提取。除此以外,深度学习AI的自主意识也更为先进,能够与人类展开对话交流,甚至为人类的日常生活工作提供帮助,协助人们完成家务,解决生活中的一些简单问题。

2 工业自动化控制中的人工智能运用价值

人工智能作为21世纪最为重要的技术之一,对于整个人类的发展进步都有着积极的促进作用。在Gartner《2022年人工智能技术成熟度曲线》报告中明确指出,人工智能能够进一步增强企业的竞争优势[2]。将人工智能应用于冶金自动化控制中,能够为冶金企业带来下述价值:第一,降低成本。人工智能在现场控制和环境感知方面具有更高的稳定性和灵敏度,与以往所用的自动控制系统相比,可更好确保电气设备及机电设备的运行准确性和安全性,并且可以进一步减少人员配置,这对于降低整体生产成本,有着积极促进作用。第二,提高控制精度。人工智能技术具备更强的逻辑运算能力,可以结合冶金生产中的实际情况,自动制定相应的控制方案,确保冶金控制系统一直处于最佳运行状态,提高控制精度。第三,适应性强。在以往电气自动化控制中,多采用单路或者线性控制,控制效果相对较好,但是多只针对特定的工艺路线或者产品。而人工智能下的自动控制可以结合具体环境变化迅速完成电气控制系统的调整和优化,更适用于复杂的冶金生产过程。

3 人工智能在工业自动化控制中的具体应用

文章以冶金生产为例,对人工智能的具体应用展开了下述探讨。

3.1 人工智能在冶金电气设备控制中的应用

冶金电气设备的运行控制过程相对复杂,一方面指的是其控制技术复杂,另一方面指的是整体控制程序复杂。所以从设计角度进行分析,冶金电气设备原有的控制系统与人工智能技术存在一定的相似性。人工智能主要是借助相关技术,实现对复杂、随机、模糊柔性控制问题的解决,具有良好的自我学习、自适应能力,因此将其应用于冶金设备电气设备控制中可获得良好效果。比如以多核学习的高炉框架、以VOL技术为基础的高炉系统驱动建模、高炉热风流量设定、铁水含硅量预测、炉况分析等。通过专家系统能够更加准确的实现高度流量的实时调整和控制,解决以往人工在控制热风炉加热空气量、煤气量等方面的问题,进一步提高燃烧控制的智能化程度,提高燃烧效率。同时在高炉诊断和监控工作中,也可以基于专家系统、数据挖掘技术等构建实时在线控制模型,结合高炉工作的特点、冶炼计算模型等研发出能够适用于高炉生产运行状态的炉况分析系统,为操控人员管控高炉,监控高度指标提供有效帮助[3]。再者还可以借助专家知识和数学建模构建基于炼钢成分功能的控制系统,用户提前将相关参数或者阈值输入到系统之中,以此为依据结合专家经验和数据库自动生成契合度更高的产品,确保最终冶金产品的质量。之后再通过冶金产品目标成分,对最终产品的力学性能展开预测分析,再通过钢纤维演变数学模型对冶金产品在轧制中的目标成本进行分析,这样就能够掌握产品最终的力学性能。除此以外,基于人工智能所构建的电气设备在线监控系统,能够更好地服务于电气设备的运维工作,提前预测设备故障,帮助工作人员制定有效措施,避免非计划性停机情况的产生。同时还可以在发生突发事故时迅速进行定位,并给出有效的解决方案,尽可能降低故障影响。

3.2 在冶金生产运行状态智能感知中的应用

3.2.1 运行状态监测

在冶金生产中需要应用到大量设备设施,不同机械设备的实时运行情况,组成了运行状态。借助现代化的监测技术和信息传输技术,能够更加准确完成对整个冶金机电系统运行状态的掌握,并预知其后续发展情况,这对于冶金生产有着极其重要的作用。一方面借助实时监测能够更加科学的完成机电设备运行故障特征的分析判断,并采用相应的措施,避免产生突发事故;另一方面以此为基础,能够展开预防性维修,通过提前性的针对性的维修计划,有效防范设备设施发生故障,提高设备运行稳定性和运行效益[4]。比如在冶金生产中,为了实现对铁前工序的监测,可以结合冶金生产工艺和各类不同设备的运行情况,构建基于循环风机、高炉鼓风机等振动状态的智能在线监测系统,这样就可以在相关机械设备发生异常时,及时判断和识别故障特征,避免机械设备出现带病作业,确保生产安全。大量工业测试表明,智能在线监测系统在冶金生产运行状态监测中能够起到有效的作用,但是要将其完全用于生产现场,还必须经过反复的测试和研究。

3.2.2 运行状态识别

在冶金自动化控制中,各项决策的制定都必须建立在运行状态识别的基础上,结合不同的运行状态,制定出有针对性的控制决策,切实保证冶金产品的质量产量,并尽可能降低在生产中的能耗。冶金生产与加热燃烧密切相关,所以其运行状态也体现在生产中的热状态。例如在炼铁生产中,高度热状态具体分为向凉、正常和向热3种,其中向凉和向热两种状态对铁前生产的能耗、生产安全、生产效率等都直接相关。所以利用人工智能技术进行冶金运行状态的识别有着非常重要的意义。运行状态一般指的是在某个时间段内,动力设备运行参数间的相互关系,设置有标的的运行状态也被特指为工况。具体生产中,多是以专家经验的人工智能方法来进行运行状态识别,高炉炼铁属于“黑箱”系统,工作人员的专家经验与高炉运行密切相关。在现阶段可以通过提取高炉炼铁生产中的各种表征参数特征来构建出异常炉况专家系统,通过专家系统和专家经验来进行高度异常状态的识别和处理[5]。在异常炉况专家系统运行中,主要是针对高炉炼铁中的某些特定参数数据进行提取分析,然后再通过模糊推理等来完成运行状态识别。该方法在运行中受专家经验知识以及操作人员综合能力素养的影响,所以在具体应用中需要通过学习不断对其进行完善优化。

3.3 操作参数智能优化

冶金高炉极其复杂,并且在冶炼过程中,炉体需要保持密闭,因此,为了确保高炉的安全稳定运行,必须严格控制相关操作参数。在现阶段高度运行,基本都是借助专家经验来制定决策,虽然该方法应用效果相对良好,但是在现阶段为了增强竞争力,提高冶金生产的节能减排效果和产品质量,钢铁企业需要构建起更加智能化的操作参数控制系统,实现集约型生产的目的。在现阶段,高炉操作参数的优化多是通过黑箱建模来展开分析,建筑工业大数据和智能优化方法来进行最优操作参数的选择和确定。比如可以通过人工神经网络遗传、遗传算法等构建高炉多目标优化模型,通过模拟分析来得出最优的燃烧温度、焦比、压差等相关操作参数。焦炭可以通过煤粉喷吹来代替,这更有助于改善炉况。同时在现阶段还可以小波神经网络构建预测模型,通过粒子群优化方法来找出高炉生产中热风量、喷煤量等相关参数的最优解。

3.4 运行指标智能优化

在冶金生产中需要从成本、能耗、质量、产量等多方面指标来进行运行生产控制。对于高炉炼铁,需要重点围绕煤气利用率、产量来作为运行控制指标。为了提高煤气利用率和产量,降低生产成本,需要围绕具体生产指标中的相关参数,结合智能控制系统,对运行指标进行优化。在现阶段可以借助信息化技术、大数据技术,结合高炉、烧结、焦化等各个环节间的工艺顺序和产品关系,构建起基于原料成本的协同优化模型,在利用遗传算法对配料并进行优化调整,从系统性入手考虑原料成分、能耗等对整个冶金过程的影响,从全局入手优化各个环节的运行性能指标[6],在促进产量质量提高的同时,尽可能降低冶金生产中的能耗污染,实现绿色冶金生产的发展目标。

3.5 钢铁冶金过程智能协同管控

现阶段互联网技术、5G技术等的迅速发展,为智能感知、智能控制和智能优化等多种人工智能技术的融合提供了便利,为冶金生产智能协同管控目标的实现提供了技术支撑。在冶金生产中分为多个不同工序,为了实现对各工序生产过程的监测,针对各工序都建立了相应的监测、控制和优化调度系统,但是所设置的监测点相对分散,控制系统层级多,并且整个系统的架构也呈现离散状态,这就给整个冶金生产控制造成了困难,无法从全局入手做好各系统的协调控制。比如说,管理人员不能够及时感知各设备设施的运行状态,识别其中的问题故障;不能够对物料能源的使用状态进行监测,无法根据生产指标、环保指标等对操作参数进行优化调整[7]。但是智能协同管控系统的构建就可以避免上述问题的发生,该系统包括以下几个架构层次:(1)数据中心层。该层主要负责对冶金生产中各种设备设施以及生产参数的采集、储存和处理,并且其还需要负责将不同类型和标准的数据转换为同一格式。(2)调控中心层。结合全流程数据,分别实现物流运输、全过程监视监控、设备监控、能源制造等功能,进而达成对冶金生产过程的实时协调、实时调控和动态平衡。(3)协同管控层。围绕以上两层获得的信息数据,综合整个冶金生产目标对不同工序展开优化调整,并分析部分生产数据,确保不同工艺环节间的有效衔接,提高生产效率和产品质量。(4)智能管控层。该层主要用于高级数据的开发探索,分析生产中的异常情况,并进行溯源[8];预测和平衡生产中的能耗量;结合设备运行状态分析结果进行智能报警;物流调度优化等。比如利用在线智能金属成分检测分析仪,通过装在智能机械手臂上的金属成分检测仪对产品逐个进行检测,检测出的产品成分元素和生产此产品的原料成分进行比对,比对相符则放行,如果发现异常则会发出报警,这样就能够有效地降低了因工作人员失误造成的产品诨号的重大质量隐患。智能协同管控系统中能够实现对不同工序数据的整合、分析存储和共享,从整个冶金生产过程入手实现决策调度的智能化和自动化,不断提高冶金生产的效率和质量[9-10]。