ПОСУТОЧНОЕ ПЛАНИРОВАНИЕ И ОПТИМИЗАЦИЯ ПОТОКОВ СЫРЬЯ В ЧЕРНОЙ МЕТАЛЛУРГИИ
DOI:
https://doi.org/10.57070/2304-4497-2024-3(49)-86-96Ключевые слова:
металлургия, моделирование, посуточное планирование, оптимизация, агломерационная фабрика, доменный цехАннотация
На АО «ЕВРАЗ Объединенный Западно-Сибирский металлургический комбинат» (АО «ЕВРАЗ ЗСМК») с 2017 г. разрабатывается и эксплуатируется математическая модель СММ «Прогноз», охватывающая все переделы (от добычи руды до конечной продукции). Она применятся для расчетов технических кейсов, планов, паритетных цен по железорудному сырью и углю. Ее использование принесло за 2020 г. более 200 млн руб. экономического эффекта. Использование универсальной математической модели позволило в 2023 г. начать разработку модуля посуточной оптимизации работы агломерационной фабрики и доменного производства. Рассмотрен опыт АО «ЕВРАЗ ЗСМК» по разработке и внедрению системы посуточного планирования на базе модели СММ «Прогноз», которая изначально была предназначена для сквозного сценарного расчета основных сырьевых переделов от руды и углей до готовой продукции в объемном месячном планировании. Система использует оптимизационные алгоритмы поиска глобальной целевой функции по максимизации маржинального дохода в заданных ограничениях. Математическая модель переделов использует нормы и технологию, заданные на предприятии нормативными документами. При этом модель является универсальной. Перевод алгоритмов с помесячного на посуточный режим был осуществлен с минимальными доработками. Рассмотрены возникшие трудности и методы решения этих проблем. Первой проблемой, с которой столкнулись разработчики, была низкая скорость оптимизации модели в посуточной динамике из-за сильного усложнения оптимизационной нагрузки. Время расчета существенно возросло, для решения проблемы потребовались оптимизация скорости решения уравнений, задание границ переменных, определение стартовых точек, в результате чего скорость расчета для 30 дней снизилась до 40 мин. Второй проблемой была необходимость разработки сложного алгоритма управления поставками сырья. Важным аспектом стало сохранение удобства использования системы на прежнем уровне для конечного пользователя. Результатом реализации предложенных решений является рабочий инструмент, приносящий дополнительный доход для предприятия.
Библиографические ссылки
Лисиенко В.Г., Соловьева Н.В., Трофимова О.Г.Альтернативная металлургия: проблема легирования, модельные оценки эффективности.Москва: Изд-во Теплотехник,2007:440.
Протопопов Е.В., Калиногорский А.Н., Ган-зер А.А. Сталеплавильное производство: современное состояние и направления раз-вития. В кн.: «Металлургия: технологии, инновации, качество: тр. XX междунар. науч.-практ. конф. Ч. 1 / Под ред. Е.В. Про-топопова. Новокузнецк: ИЦСибГИУ. 2019:9–14. EDN: MAPRGL.
Johansen S.T. Mathematical modeling of met-allurgical processes. In: Third International Conference on CFD in the Minerals and Pro-cess Industries CSIRO, Melbourne, Australia 10–12 December 2003.Norway. 2003.
Svatos J.,Gargulak Z. Set of Models for Plan-ning Iron and Steel Production.IFAC Proceed-ings Volumes. 1983;16(15):55–62.https://doi.org/10.1016/S1474-6670(17)64256-3
Mitterlehner J., Loeffler G., Winter F., HofbauerH., Schmid H., Zwittag E., Buergler T.H., Pammer O.,Stiasny H. Modeling and Simulation of Heat Front Propagation in the Iron Ore Sintering Process. ISIJ International.2004;44(11):11–20.https://doi.org/10.2355/isijinternational.44.11
Yang W., Changkook R.,Choi S., Lee D., Huh W. Modeling of Combustion and Heat Transfer in an Iron Ore Sintering Bed with Considera-tions of Multiple Solid.ISIJ International.2004;44(3):492–499.https://doi.org/10.2355/isijinternational.44.492
Fernández-González D., Martín-Duarte R., Ruiz-Bustinza Í., Mochón J., González-Gasca C., Verdeja L.F. Optimization of Sinter Plant Oper-ating Conditions Using Advanced Multivariate Statistics: Intelligent Data Processing. The Minerals, Metals & Materials Society. 2016;68(8):2089–2095.https://doi.org/10.1007/s11837-016-2002-2
Shi Z., Lv W., & Mei G. A novel soft sensing modelling approach for sulphur content estima-tion in hotmetal pretreatment process. Iron-making & Steelmaking: Processes, Products and Applications. 2024;51.http://dx.doi.org/10.1051/metal/2023073
Shao H., Yi Z., Chen Z., Zhou Z., Deng Z. Application of artificial neural networks for pre-diction of sinter quality based on process pa-rameters control. Transactions of the Institute of Measurement and Control. 2019:42(3):1–18.https://doi.org/10.1177/0142331219883501
Mallicka A., Dhara S.,Rath S. Application of machine learning algorithms for prediction of sinter machine productivity. Machine Learning with Applications.2021;6:100186http://dx.doi.org/10.1016/j.mlwa.2021.100186
Song L., Qing L.,Xiaojie L., YanqinS. Syn-thetically predicting the quality index of sinter using machine learning model.Ironmaking & Steelmaking Processes, Products and Applica-tions.2020;47(7):828–836.https://doi.org/10.1080/03019233.2019.1617573
Mohanan S., Mohapatra P., Kumar A. C., Adepu R. K., Koranne V.M., Prasad Y. G.S., Reddy A.S., Ramna R.V. Prediction and Opti-mization of Internal Return Fines Generation in Iron Ore Sintering Using Machine Learning.Advances in Materials.2021;10(3):42–46.https://doi.org/10.11648/j.am.20211003.12
Metzger M., Sieber A., StirmerU. Mathemati-cal model for a metallurgical plant, and method for optimizing the operation of a metallurgical plant using a model.Pat. US 7,720,653 B2 USA Patent. 2010.
Lian X., Wu D., Lu S., Liu C., Wang H., Wang J.Optimal scheduling of multienergy medium in steel enterprises based on improved genetic simulated annealing algorithm.Proceedings of the 2024 Chinese Control and Decision Con-ference (CCDC).2024:2632‒2637.https://doi.org/10.1109/CCDC62350.2024.10587574
Liu Q., Shao X., Yang J.–P., Zhang J.–S.Multiscale modeling and collaborative manu-facturing for steelmaking plants. Chinese Jour-nal of Engineering. 2012;12:1698–1712. https://doi.org/10.13374/j.issn2095-9389.2021.09.27.010
Zhang J., Liu Y., LiuQ.Metallurgical Process Simulation and Optimization Metallurgical Process Simulation and Optimization. Materials.2022;15(23):8421.https://doi.org/10.3390/ma15238421
Леонтьев А. С., Рыбенко И. А. Опыт разработки и применения системы математиче-ского моделирования на «ЕВРАЗ ЗСМК». В кн.: Моделирование и наукоемкие информа-ционные технологии в технических и соци-ально-экономических системах: труды V Международной научно-практической конференции с международным участием/ под общ. ред. И.А. Рыбенко, Т.В. Киселе-вой. Новокузнецк: ИЦ СибГИУ. 2021:250–255. EDN: ATSSJP.
Леонтьев А.С., Рыбенко И.А. Опыт исполь-зования и повышения юзабилити системы математического моделирования производ-ства на металлургическом предприятии. Известия вузов. Черная металлургия. 2023;66(1):119–126. https://doi.org/10.17073/0368-0797-2023-1-119-126
Леонтьев А.С., Рыбенко И.А. Опыт внедре-ния машинного обучения для расчета каче-ства и производства агломерата на «ЕВРАЗ ЗСМК». В кн.: Металлургия: технологии, инновации, качество: тр. XXII междунар. науч.-практ. конф. Ч. 1/ Под ред. А.Б. Юрьева. –Сиб. гос. индустр. ун-т. Новокузнецк: ИЦ СибГИУ. 2021:82 –87.EDN: HRRSAU.
Информация о АО «ЕВРАЗ ЗСМК»// Газета Коммерсант. –URL: https://www.kommersant.ru/doc/3502550 (да-та обращения 16.09.2024).
Аналитическая платформа прогноз плат-форм//Сайт компании Форсайт. –URL: https://www.fsight.ru/ (дата обращения 16.09.2024).
GAMS. –URL: https://www.gams.com/latest/ docs/UG_ExecErrPerformance.html(датаоб-ращения: 19.10.2023).
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Алексей Сергеевич Леонтьев, Инна Анатольевна Рыбенко
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
