Podatkovno osnovani programski senzorji za spremljanje procesnih spremenljivk v elektroobločni peči

Blažič, Aljaž (avtor), Logar, Vito (mentor)

Disertacija se osredotoča na razvoj podatkovno osnovanih programskih senzorjev za spremljanje procesnih spremenljivk v elektroobločni peči (EOP), ki je ključna komponenta pri recikliranju jeklenega odpadka. Zaradi narave procesa je neprekinjeno merjenje ključnih procesnih spremenljivk zahtevno. Spremenljivki, kot sta temperatura kopeli in vsebnost raztopljenega kisika, pomembno vplivata na učinkovitost, porabo energije in splošno produktivnost postopka reciklaže jekla. Konvencionalne metode merjenja teh spremenljivk so invazivne, moteče za proizvodnjo in povezane z visokimi operativnimi stroški ter energetsko neučinkovitostjo. V disertaciji je predstavljen nov pristop programskega senzorja, ki temelji na mehki logiki. Ta pristop uporablja tehniko mehkega rojenja in model Takagi-Sugeno (TS) v kombinaciji z optimizacijo z rojem delcev (ang. particle swarm optimization – PSO) za ocenjevanje temperature kopeli v EOP. Doseganje predpisane temperature je ključno za doseganje ustrezne kvalitete jekla ter zagotavljanje ustreznih lastnosti jekla za nadaljnjo obdelavo. Predstavljena metoda temelji na začetnih meritvah temperature in nadaljnjih vhodih v EOP, kar omogoča neprekinjeno ocenjevanje temperature kopeli skozi celotno fazo rafinacije. Predlagani model odlikuje visoka natančnost napovedi in nakazuje, da lahko bistveno zmanjša število potrebnih meritev temperature, zmanjša izgube energije in skrajša čas reciklaže. Predlagan je tudi programski senzor vsebnosti raztopljenega kisika v kopeli, ki temelji na modelu TS in predikcijskih intervalih (PI) za napoved neopazovanega izhoda v zahtevnih merilnih pogojih. Na podlagi količine raztopljenega kisika operaterji ocenjujejo delež raztopljenega ogljika, ki predstavlja ključni parameter za zagotavljanje kakovosti jekla in njegovih mehanskih lastnosti. Vključitev PI zagotavlja sistematičen način za upoštevanje variabilnosti sistema in omogoča določitev najožjega možnega pasu, ki zajema predpisan odstotek podatkov kljub prisotnosti heteroskedastičnega šuma. Primerjalna analiza z dejanskimi obratovalnimi podatki EOP prikazuje učinkovitost modela pri premagovanju izzivov redkih izhodnih meritev. Nazadnje je predlagan nov kazalnik uspešnosti električnih oblokov, imenovan indeks kakovosti obloka (ang. arc quality index – AQI). Za upoštevanje nelinearnih in dinamičnih značilnosti obloka, vključno s procesi prekinitve in vžiga obloka, se uporablja trifazno nadomestno vezje, integrirano z modelom obloka Cassie-Mayr (CM). Za oceno parametrov modela CM se uporablja metoda PSO na realnih podatkih EOP z meritvami toka in napetosti. AQI je določen na podlagi odstopanj od optimalnih pogojev obloka in zagotavlja kvalitativno oceno kakovosti obloka, ki vključuje vidike stabilnosti in pokritosti obloka. Posledično lahko operaterji sprejmejo ciljno usmerjene ukrepe za izboljšanje AQI, vključno s prilagoditvami nivoja moči ali dolžine obloka in ukrepi za povečanje višine žlindre, s čimer optimizirajo obratovalne pogoje in izkoristek energije.

• Jezik: Slovenski jezik
• Ključne besede: elektroobločna peč, programski senzor, mehko modeliranje, Takagi-Sugeno, redke izhodne meritve, predikcijski interval, optimizacija z rojem delcev, raztopljen kisik, ocena temperature, model obloka Cassie-Mayr, nadomestno vezje
• Vrsta gradiva: Doktorsko delo/naloga
• Tipologija: 2.08 - Doktorska disertacija
• Organizacija: FE - Fakulteta za elektrotehniko
• Leto izida: 2024
• PID: 20.500.12556/RUL-165907
• COBISS.SI-ID: 219893507
• Datum objave v RUL: 13.12.2024

BLAŽIČ, Aljaž, 2024, Podatkovno osnovani programski senzorji za spremljanje procesnih spremenljivk v elektroobločni peči [na spletu]. Doktorska disertacija. [Dostopano 4 maj 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=165907

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Data-driven soft sensors for monitoring of the process variables in an electric arc furnace

Izvleček

This dissertation is dedicated to the development of data-driven soft sensors for monitoring process variables in an electric arc furnace (EAF), a critical component in the steel scrap recycling process. Due to the nature of the process, continuous measurement of key process variables such as steel bath tapping temperature and dissolved oxygen content is challenging. These variables have a significant impact on the efficiency, energy consumption and overall productivity of steel recycling processes. Conventional methods for measuring these variables are invasive, disruptive to production and associated with high operational costs and energy inefficiencies. The dissertation presents a novel fuzzy model soft sensor approach that utilizes fuzzy clustering and Takagi-Sugeno (TS) modelling in combination with particle swarm optimization (PSO) to estimate the bath temperature of the EAF. Achieving the prescribed temperature is crucial to achieve the desired steel quality and to ensure the appropriate steel properties for further processing. The presented method is based on initial temperature measurements and subsequent EAF inputs, enabling continuous estimation of the bath temperature throughout the refining process. The proposed model is characterized by a high prediction accuracy and suggests that it can significantly reduce the number of temperature measurements required, reduce energy losses and shorten tapping times. A soft sensor for dissolved oxygen content in a steel bath, based on a TS model and prediction intervals (PIs), is proposed to predict unobserved output under difficult measurement conditions. Based on the amount of dissolved oxygen, operators can estimate the dissolved carbon content, which is a key parameter to ensure the quality of the steel and its mechanical properties. The inclusion of PIs provides a systematic way to account for system variability and allows the derivation of the narrowest possible band containing a prescribed percentage of the data despite the presence of heteroscedastic noise. A comparative analysis with actual EAF operational data demonstrates the effectiveness of these models in overcoming the challenges of scarce output measurements. Finally, a novel key performance indicator for electric arcs, called the arc quality index (AQI), is proposed. A three-phase equivalent circuit integrated with the Cassie-Mayr (CM) arc model captures the nonlinear and dynamic characteristics of arcs, including the processes of arc breakage and ignition. A PSO technique is applied to real EAF data with current and voltage measurements to estimate the parameters of the CM model. The AQI is determined based on deviations from optimal arc conditions and provides a qualitative assessment of arc quality that includes aspects of arc stability and arc coverage. Consequently, operators can take targeted measures to improve the AQI, including adjustments to the power level or arc length and initiatives to increase the slag height, thereby optimizing operating conditions and energy utilization.

• Ključne besede: electric arc furnace, soft sensor, fuzzy modelling, Takagi-Sugeno, scarce output data, prediction interval, particle swarm optimization, dissolved oxygen, temperature optimization, Cassie-Mayr arc model, equivalent circuit