English

Profiel

Nieuws

Publicaties

Jobs

Stages & eindwerken

Contact

Wiskundige topmodellen sturen de hoogoven

Voor de sturing en optimalisatie van het hoogovenproces maken wij intensief gebruik van wiskundige modellen. Zij geven ons op ieder moment een beeld van het proces in de hoogoven en stellen ons in staat bij te sturen waar nodig. De gespecialiseerde afdeling Systemen en Modellen van ArcelorMittal Gent ontwikkelt en onderhoudt deze modellen in nauwe samenwerking met de productieafdelingen.

Een hoogoven is een grote chemische reactor, die ijzererts omzet tot vloeibaar ruwijzer. Dat gebeurt bij hoge temperatuur, onder hoge druk en in een omgeving met veel CO-gas. In de hoogoven kunnen we dus maar weinig metingen uitvoeren en daarom zijn wij geheel aangewezen op wiskundige modellen.

Er zijn drie soorten modellen:

• Modellen waarmee wij op korte termijn (15 minuten) de thermische toestand van de hoogoven volgen. Deze modellen moeten vooral snel reageren op toestandsveranderingen, want zij helpen de operator de gewenste thermische toestand in stand te houden.
• Modellen die een meer gedetailleerd beeld geven van het inwendige proces in de hoogoven. Ze stellen ons in staat om op langere termijn de hoogoven optimaal te laten werken.
• Classificatiealgoritmes die ons helpen om beschikbare metingen op te volgen en te interpreteren.

Modellen voor de thermische toestand

Voor een goede werking van de hoogoven houden wij de temperatuur van het ruwijzer constant. Dit lijkt eenvoudig te realiseren door de temperatuur te meten en de energietoevoer naar de hoogoven bij te sturen. Wij moeten echter rekening houden met de grote traagheid van het hoogovenproces. Alleen al door de grote massa materiaal die moet worden verwarmd, kunnen er soms enkele uren verlopen tussen het afkoelen van de hoogoven en het moment waarop ook de ruwijzertemperatuur daalt.

Dankzij de wiskundige modellen kunnen wij deze vertraging wegwerken. Zo meten wij bijvoorbeeld de samenstelling van het gas dat de hoogoven bovenaan verlaat. Door kleine veranderingen in deze samenstelling nauwkeurig op te volgen, kunnen wij berekenen welke chemische reacties er op ieder moment in de hoogoven plaatsvinden. Omdat iedere reactie een gekende hoeveelheid energie verbruikt, kan de hoogovenoperator steeds de gepaste energie toevoeren.

Figuur 1: vanuit de controlezaal stuurt de operator het hoogovenproces.

Zo kan de operator in de controlezaal de thermische toestand van de hoogoven perfect controleren. Dit thermische model is echter niet het enige dat hij ter beschikking heeft. Er zijn tal van modellen en metingen die hem continu informatie verschaffen over de toestand van de hoogoven, of zelfs de evolutie in de nabije toekomst voorspellen. Dit alles levert zoveel informatie op, dat zelfs ervaren operatoren af en toe hulp kunnen gebruiken bij het interpreteren hiervan. Daarvoor werken wij met een expertsysteem. Dat is een geautomatiseerd systeem dat alle informatie over de hoogoventoestand verzamelt, op basis van bepaalde regels een diagnose van de huidige toestand stelt en vervolgens ook een actie voorstelt. De regels waarmee het systeem werkt, zijn gebaseerd op de ervaringen van de operatoren. Dankzij het expertsysteem krijgen de operatoren steeds een advies over een te nemen actie, maar uiteindelijk beslissen zij zelf.

Figuur 2: een expertsysteem adviseert de operator, op basis van metingen en modelresultaten. De kennis van het expertsysteem is afkomstig van de operator.

Modellen voor optimalisatie op langere termijn

Het is niet voldoende om de hoogoven thermisch onder controle te houden. Door de steeds veranderende omstandigheden (zoals schommelingen in de kwaliteit van de grondstoffen), moeten ook andere parameters geregeld worden aangepast om steeds het optimale werkingspunt te handhaven. Hiervoor gebruiken de procesingenieurs allerhande modellen. Zo beschikken zij over een thermisch–chemisch model van de hoogoven, dat de volledige gasstroming in de hoogoven, en de belangrijkste reacties modelleert. Dat levert een vrij volledig beeld op van het inwendige van de hoogoven, enkel op basis van een aantal metingen aan de rand. Een andere voorbeeld is het model voor de ladingsverdeling, waarmee wij de gasstroming sturen.

Figuur 3: via wiskundige modellen krijgen we een beeld van de toestand in het inwendige van de hoogoven.

Classificatiealgortimes voor de opvolging van de metingen

In een aantal gevallen is het aantal beschikbare meetpunten zo groot, dat we modellen gebruiken om de metingen op te delen in klassen en op een eenvoudige manier voor te stellen. Een voorbeeld van een dergelijke techniek is de Self Organising Map, uit de wereld van de neurale netwerken. Hij kan gebruikt worden om de evolutie van meerdimensionale metingen over een langere periode te volgen.
Wij meten de temperatuur op verschillende plaatsen in de wand van de hoogoven. Dat levert een temperatuursprofiel op over de hoogte van de hoogoven (figuur. 4)

Figuur 4: we meten temperatuursverloop in de wand van de hoogoven.

Om de tijdsevolutie van dit profiel op te volgen, laten wij het netwerk uit de profielen van een lange periode (bv. een jaar), 16 typische patronen berekenen (klassen in het jargon), en geordend op een kaart plaatsen: zie figuur 2.
Vanaf nu kunnen we iedere dag berekenen welk van de 16 klassen het best past bij het temperatuursprofiel van die dag, en dit op de kaart aanduiden (een punt op de kaart). Ook de best passende klassen van de voorbije dagen worden getoond (lijn op de kaart).
De hoogoveningenieur kan nu in één oogopslag zien hoe het temperatuursprofiel de voorbije dagen is geëvolueerd. De informatie van meerdere dagen en van verschillende meetpunten is op die manier teruggebracht tot één lijn op de kaart.

Figuur 5: met een neuraal netwerk delen we de temperatuursprofielen in 16 klassen in. In één oogopslag kan je de evolutie van de voorbije dagen volgen.