Обнаружение аномалий температуры жидкой стали завод

Вот смотрю на этот термин — и сразу всплывает куча полуграмотных трактовок. Многие до сих пор уверены, что достаточно поставить пирометр в районе ковша — и всё, технологический процесс под контролем. На деле же обнаружение аномалий температуры начинается с понимания, что сталь — не вода в чайнике, её температурное поле неоднородно, а аномалия может быть локальной, кратковременной и при этом критичной для марки стали. Мы в своё время на одном из заводов Урала столкнулись с тем, что визуально плавка идёт нормально, а по факту в 20% случаев пережог по краям зоны разлива был. И стандартные методы контроля это не отлавливали — потому что замеры делались выборочно, а не в режиме реального времени по всей поверхности.

Почему классические методы не всегда работают

Когда только начали заниматься автоматизацией контроля на МНЛЗ, думали — бери пирометр подороже, калибруй почаще, и будет счастье. Но оказалось, что даже дорогой пирометр, если он статично закреплён, не видит аномалий в ?мёртвых зонах? — например, под слоем шлака или в зоне сопряжения желобов. Однажды на комбинате в Череповце была ситуация: система показывала стабильные 1520°C, а по факту в средней части струи температура падала до 1480°C. Последствия — брак по всей партии литья.

Тут важно не просто мерить, а мерить в правильных точках и с правильной частотой. Мы пробовали ставить несколько датчиков по периметру — но это увеличивало стоимость системы и сложность обработки данных. Плюс — влияние дыма, пыли, пара. Инфракрасный метод в таких условиях требует не просто датчика, а ещё и алгоритмов компенсации помех. В итоге пришли к тому, что нужна не просто точечная диагностика, а распределённый мониторинг с элементами прогнозирования.

Кстати, о прогнозировании. Сейчас многие говорят про ?цифровые двойники? и предиктивные модели. Но на практике часто оказывается, что модель обучена на идеальных данных, а в реальности скачки напряжения, изменение состава шихты или банальный извод футеровки вносят такие коррективы, что модель начинает ?глючить?. Мы в 2019-м пробовали внедрять систему на базе машинного обучения — она работала, но только при стабильных условиях плавки. Стоило чуть изменить долю лома — и всё, аномалии пропускались.

Как мы пришли к инфракрасным системам непрерывного контроля

После нескольких неудачных попыток с точечными замерами начали изучать опыт китайских коллег — и вышли на компанию ООО Шэньян Тэнъи Электроникс. Они как раз делают ставку на непрерывное измерение температуры с использованием инфракрасного излучения. Сначала отнеслись скептически — думали, ещё один поставщик с красивыми презентациями. Но когда посмотрели их систему в работе на одном из заводов в Липецке — поняли, что подход другой.

Их технология строится не на одном датчике, а на сетке синхронизированных ИК-сенсоров, которые снимают температурное поле в реальном времени. Это позволило отслеживать не просто среднюю температуру, а градиенты и локальные выбросы. Например, если в зоне разлива появляется участок с температурой на 30-40°C ниже соседних — система сразу даёт сигнал, причём не просто сигнал ?аномалия?, а с привязкой к координатам и рекомендацией — проверить футеровку в этом месте или скорректировать скорость разлива.

Важный момент — их система не требует постоянной калибровки в процессе работы. Мы сами проверяли: после первичной настройки система стабильно работала 2-3 месяца без вмешательства. Это сильно разгрузило технологов — раньше каждую смену кто-то должен был проверять пирометры по контрольным точкам.

Пример внедрения на действующем производстве

В 2021 году мы запустили пилотный проект на одном из передельных заводов в Сибири. Задача была — снизить процент брака из-за переохлаждения стали в промежуточном ковше. До этого там стояли два точечных пирометра — и они фиксировали только общую динамику, но не локальные провалы.

Систему от ООО Шэньян Тэнъи Электроникс смонтировали над зоной разлива МНЛЗ. В первую же неделю выявили интересную закономерность: аномалии температуры чётко коррелировали с положением затвора в промежуточном ковше. Оказалось, что при определённом угле открытия возникали завихрения, которые приводили к локальному переохлаждению металла. Без распределённого контроля это бы не увидели.

После корректировки работы затвора и настройки скорости подачи стали брак по этой причине сократился на 18%. Но главное — появилась возможность прогнозировать износ футеровки. Система стала показывать участки с аномально высоким градиентом температуры — это сигнал о том, что футеровка в этом месте скоро потребует замены.

С какими сложностями столкнулись при внедрении

Конечно, не всё прошло гладко. Первая проблема — это совместимость с существующей АСУ ТП. Пришлось делать промежуточный шлюз для обмена данными между их системой и нашей SCADA. Инженеры ООО Шэньян Тэнъи Электроникс помогли с адаптацией протоколов, но настройка заняла почти месяц.

Вторая проблема — это обучение персонала. Сталевары поначалу не доверяли показаниям системы, особенно когда она выдавала аномалии, которые визуально не были заметны. Пришлось провести серию контрольных замеров термопарами в тех точках, где система показывала отклонения — и только когда в 95% случаев данные совпали, технологи начали реально использовать систему в работе.

Третья сложность — это обслуживание в условиях цеха. Датчики хоть и защищены, но всё равно требуют периодической очистки от пыли и окалины. Разработали график профилактики — раз в две недели чистка сжатым воздухом, раз в квартал — проверка оптики. Без этого точность падала на 5-7%.

Что в итоге получили и куда двигаемся дальше

Сейчас система работает уже на трёх наших площадках. Основной результат — это не только сокращение брака (в среднем на 12-15%), но и возможность строить более точные технологические карты. Стали учитывать температурные аномалии при переходе на новую марку стали — раньше такой возможности не было.

Из интересных наблюдений — система стала фиксировать микроаномалии, которые раньше считались шумом. Например, кратковременные всплески температуры на 10-15°C при подогреве ковша. Оказалось, что это признак неравномерного прогрева футеровки — теперь это учитываем при подготовке оборудования.

Планируем интегрировать их систему с нашей системой предиктивной аналитики. Хотим научиться не просто фиксировать аномалии, а прогнозировать их появление на основе данных о составе шихты, состоянии футеровки и режиме работы печи. ООО Шэньян Тэнъи Электроникс как раз анонсировали новый модуль для таких задач — будем тестировать в следующем квартале.

В целом, если раньше обнаружение аномалий температуры было скорее реактивной мерой, то сейчас становится элементом предиктивного управления. И это уже не просто ?поставить датчик?, а выстроить целую систему сбора, анализа и интерпретации данных в реальном времени. Без этого современному заводу просто не выдержать конкуренции.