仿真与机器学习驱动的回转窑数字孪生系统

【作者】 王耀祖； 宋晓然； 孙庆科； 张建良； 刘征建；

【机构】 北京科技大学智能科学与技术学院； 北京科技大学冶金与生态工程学院；

【摘要】 回转窑作为一种常见的工业设备,具有工程建设及运营造价低、原料适应性高、控制灵活等优点,而被广泛的应用于生产水泥、冶金、石灰、陶瓷和其他矿物材料的高温焙烧过程。但是,由于原料性质、操作参数、设备状况等多方面原因,常常引起回转窑内部发生块状物料的固结或结块现象,导致重力负荷增加,炉料运行不畅通,生产能耗提高、产品质量及产量大幅下降,因此,延长回转窑结圈周期已经成为相关行业面临的共性难题。回转窑智能监控系统通过集成温度、压力等传感器,以及结合机器学习、自控控制优化等技术,可以显著提高工业生产过程的效率和可靠性,为延长回转窑结圈周期提供辅助作用。对此,国内外专家学者围绕回转窑结圈机理、窑内温度场感知及回转窑结圈壁厚预测等方面展开大量研究并取得了显著进展。但是,当前窑内温度及壁厚的监测方法在效率和精度上仍存在诸多不足。首先,在回转窑温度场预测方面,传统的深度学习方法往往依赖于历史运行数据集的输入,忽略了反应机理模型,在可预测的数据类型和准确性方面存在先天不足。数值模拟技术的发展一定程度上解决了上述两方面缺点,其可以结合实际反应机理,精确计算反应器内的流动、传热和化学反应过程。然而,数值模拟对算力和建模操作均有较高的要求,要实现对反应器内部的连续、实时和高效预测具有挑战性。其次,实现回转窑结圈壁厚监测需要精准的回转窑内、外壁温度数据作为支撑,而传统壁厚监测方法获取内壁温度的手段较为简单,如使用简化的回转窑一维传热模型计算、通过外壁温度估算、在窑头安装测温仪等。现有方法无法全面、精准的计算回转窑内壁温度信息,进一步影响了结圈厚度的计算。针对上述不足,论文提出一种仿真与机器学习驱动的回转窑数字孪生系统,可以实现回转窑窑内全域温度场及结圈厚度的智能感知。论文首先针对回转窑内全域温度场感知的难题,结合CFD机理模型与机器学习模型,提出了一种实时感知回转窑内稳态温度场分布模型,实现回转窑内温度场的高精度感知。其次,搭建了基于红外测温的回转窑外壁温度监测系统,并结合回转窑全域温度场感知模型,提出了回转窑"内-外"温度场时空动态融合方法,建立了回转窑壁厚三维分布智能感知模型。最后,结合WebGL等建模技术,构建回转窑数字孪生系统,实现回转窑壁面温度、窑内温度及结圈厚度实时可视化。相关研究成果在国内某钢铁企业得到应用实践,温度场预测精度可达93%,回转窑壁厚监测精度达到91%,模型监测实时性达到0.04s,壁面分辨率为8mm。更多还原