Создание цифрового помощника в управлении промышленными котлами

Задача

Оптимально управлять промышленными котлами

При чем тут доменный газ

Доменный газ – это побочный продукт, образующийся при производстве чугуна. В России чаще всего его используют в качестве дополнительного источника электроэнергии. Для этого газ подают в промышленные котлы, где он превращается в пар, а оттуда – в генератор. Полученное электричество может быть использовано предприятием для своих нужд или даже передано в городскую энергосеть.

Такого газа в стране много – Россия входит в тройку стран-лидеров по объему производства чугуна. Внутри страны наиболее значительные объемы производства приходятся на Уральский Федеральный округ, где сосредоточено 36,3% всех мощностей, и предприятия способны производить до 19,1 млн тонн чугуна в год.

Как образуется электричество

При плавлении сырья в доменной печи образуется не только чугун, но и побочные продукты горения, одним из которых является газ. Выходя из печи через определенные трубы, на одну тонну чугуна газ выносит около 50 кг пыли. Чтобы использовать газ дальше, его нужно провести через несколько этапов очистки.

Далее доменный газ подается на вход в промышленные котлы, где сжигается и передается в паровой аккумулятор, в результате чего генерируется электричество. Оно может быть использовано предприятием для своих нужд или даже передано в городскую энергосеть.

Если такого процесса нет, то газ просто сгорает на свече. Помимо доменного газа для генерации электричества также используется природный газ. Это сырье обладает стабильными качественными характеристиками, но оно дорогое. 

Конечная формулировка задачи и важное ограничение

Задачу мы сформулировали следующим образом: нужно добиться того, чтобы оптимально управлять котлами для получения пара, при этом по минимуму использовать платный природный газ и по максимуму – доменный, который достается бесплатно.

Одним из ограничений выступает КПД котлов, которое со временем меняется, и в идеальном мире оператору нужно успевать следить за работой каждого. 

Решение

Комбинация машинного обучения с оптимизацией

Изначально задачу мы разбили на три:

1. Понять зависимость парогенерации от потребляемых газов на каждом котле и в совокупности.
2. Научиться оптимизировать расход природного газа на отдельно взятом котле и в группе котлов.
3. Делать это в онлайн-режиме.
   
   

На входе у нас были следующие данные:

• Телеметрия с датчиков, которые приходят с отдельного котла и с группы котлов.
• Суммарная паропроизводительность котлов.
• Суммарный расход доменного газа, его калорийность (со временем меняется).
• Суммарный расход природного газа, его калорийность (не меняется).
• Паропроизводительность каждого котла во времени.
  
  

В итоговом решении мы комбинировали оптимизацию с машинным обучением: восстановили из телеметрии зависимость, как меняется КПД отдельного котла, как меняются свойства входных и выходных параметров, а полученные зависимости передали в оптимизацию. Оптимизация подсказывает оператору, как лучше управлять котлами и как менять режимы работы.

Результаты

Снижение использования природного газа на 3-10%

Результат работы модели – оптимальное решение по загрузке каждого котла в момент времени: насколько его нужно загрузить, каким газом и в каком количестве. С точки зрения реальных данных, на основе которых мы считали, мы добились снижение расхода природного газа на 3-10% относительно человеческого управления. На больших масштабах такое улучшение дает огромный экономический эффект.

За счет чего достигается оптимизация? Мы предполагаем, что в реальной жизни операторам трудно следить за телеметрией и увидеть падение КПД отдельно взятого котла. Скорее всего, люди стараются быть плюс-минус стабильными в управлении.

Плюс модели же в том, что алгоритм управляет расходом природного газа и паровой нагрузкой всех котлов в целом.

Особенность подхода и перспективы использования

Данный подход можно условно представить в виде двух взаимодействующих математических моделей: модели машинного обучения и модели нелинейной и линейной оптимизации. Первая восстанавливает зависимость из телеметрии и учится в реальном времени изменяющимся условиям, а вторая, получая восстановленные зависимости и ограничения, помогает принять более качественное решение в моменте. Такой метод перспективен в разных областях, в частности, в работе со сложным оборудованием в больших производственных компаниях, когда нужно быстро принимать решение на основе большого количество меняющихся факторов и телеметрии.