Journals →  Цветные металлы →  2023 →  #4 →  Back

Автоматизация металлургических процессов
ArticleName Сбор и обработка данных алюминиевого электролизера с использованием многофункционального пробойного устройства и системы технического зрения
DOI 10.17580/tsm.2023.04.06
ArticleAuthor Петров П. А., Шестаков А. К., Николаев М. Ю.
ArticleAuthorData

Санкт-Петербургский горный университет, Санкт-Петербург, Россия:

П. А. Петров, декан факультета переработки минерального сырья, канд. техн. наук, эл. почта: Petrov_PA3@pers.spmi.ru
А. К. Шестаков, аспирант кафедры автоматизации технологических процессов и производств (АТПП), эл. почта: s195017@stud.spmi.ru
М. Ю. Николаев, магистрант кафедры АТПП, эл. почта: s212364@stud.spmi.ru

Abstract

Системы управления процессом выпуска алюминия, получившие наибольшее распространение на производстве, не обеспечивают своевременный контроль и регулирование основных технологических параметров электролиза (температуры электролита, концентрации глинозема, криолитового отношения, уровня металла и электролита). Эти параметры измеряют вручную и с большим интервалом (1 раз в сутки). Сложность внедрения автоматических систем контроля заключается в невозможности использования большинства датчиков и технических решений из-за тяжелых условий процесса электролиза (высокая температура, выделение вредных газов, пыление глинозема, переменное магнитное поле). В статье предложено решение, позволяющее осуществлять сбор значений уровня электролита в автоматическом режиме без необходимости разгерметизации ванны во время измерения при помощи лазерного дальномера, установленного внутри цилиндра пробойного устройства автоматической подачи глинозема (АПГ). Зная уровень электролита на каждом цикле питания, возможно определять минимальную порцию глинозема (интервал питания АПГ), а также добавлять дробленый электролит в автоматическом режиме (при наличии бункера с автоматической подачей дробленого электролита). Разработанная для обнаружения видимых выбросов вредных веществ система технического зрения на основе нейронной сети позволяет в случае нарушения сплошности криолит-глиноземной корки или разгерметизации ванны оперативно восстановить укрытие электролизера.

keywords Электролиз алюминия, контроль уровня электролита, лазерный дальномер, автоматическая подача глинозема, TensorFlow, машинное обучение, сверточная нейронная сеть, распознавание объектов, компьютерное зрение, выбросы загрязняющих веществ
References

1. Sizyakov V. M., Polyakov P. V., Bazhin V. Yu. Current trends and strategic objectives in the production of aluminum and its alloys in Russia. Tsvetnye Metally. 2022. No. 7. pp. 16–23.
2. Tarabarinova T. A., Golovina E. I. Capitalization of mineral resources as an innovation ecological strategy. Geology and Mineral Resources of Siberia. 2021. Vol. 4. pp. 86–96. DOI: 10.20403/2078-0575-2021-4-86-96
3. Savchenkov S., Beloglazov I. Features of the process obtaining of Mg – Zn – Y master alloy by the metallothermic recovery method of yttrium fluoride melt. Crystals. 2022. Vol. 12. p. 771. DOI: 10.3390/cryst12060771
4. Bolobov V. I., Chupin S. A., Bochkov V. S., Akhmerov E. V., Plaschinskiy V. A. The Effect of finely divided martensite of austenitic high manganese steel on the wear resistance of the excavator buckets teeth. Key Engineering Materials. 2020. Vol. 854. pp. 3–9. DOI: 10.4028/www.scientific.net/kem.854.3
5. Ojeda Pardo F. R., Sánchez Figueredo R. P., Belette Fuentes O., Quiroz Cabascango V. E. et al. Metallographic properties evaluation of the specimens obtained by the vibratory method (cast iron ISO 400-12). Journal of Physics: Conference Series. 2022. Vol. 2388. p. 012058. DOI: 10.1088/1742-6596/ 2388/1/012058
6. Zakirova G., Pshenin V., Tashbulatov R., Rozanova L. Modern bitumen oil mixture models in ashalchinsky field with low-viscosity solvent at various temperatures and solvent concentrations. Energies. 2023. Vol. 16. p. 395. DOI: 10.3390/EN16010395
7. Bolshunov A. V., Vasilev D. A., Ignatiev S. A., Dmitriev A. N., Vasilev N. I. Mechanical drilling of glaciers with bottom-hole scavenging with compressed air. Ice and Snow. 2022. Vol. 62. pp. 35–46. DOI: 10.31857/S2076673422010114
8. Kozyrev B. A., Sizyakov V. M., Arsentyev V. A. Principles of rational processing of red mud with the use of carboxylic acids. Non-Ferrous Metals. 2022. Vol. 53. pp. 30–34. DOI: 10.17580/nfm.2022.02.05
9. Fedorova E., Pupysheva E., Morgunov V. Modelling of red-mud particlesolid distribution in the feeder cup of a thickener using the combined CFDDPM approach. Symmetry. 2022. Vol. 14. p. 2314. DOI: 10.3390/sym14112314
10. Gorlanov E. S., Kawalla R., Polyakov A. A. Electrolytic production of aluminium. Review. Part 2. Development prospects. Tsvetnye Metally. 2020. No. 10. pp. 42–49. DOI: 10.17580/tsm.2020.10.06
11. Martynov S. A., Masko O. N., Fedorov S. N. Innovative ore-thermal furnace control systems. Tsvetnye Metally. 2022. No. 4. pp. 87–94. DOI: 10.17580/tsm.2022.04.11
12. The Program for improving the environmental efficiency of the branch office PJSC RUSAL Bratsk in Shelekhov. 2019. (n.d.).
13. Dubovikov O. A., Beloglazov I. I., Alekseev A. A. Specific features of the use of pulverized coal fuel in combined chemical processing. Obogashchenie Rud. 2022. No. 6. pp. 32–38. DOI: 10.17580/or.2022.06.06
14. Litvinova T., Kashurin R., Zhadovskiy I., Gerasev S. The kinetic aspects of the dissolution of slightly soluble lanthanoid carbonates. Metals. 2021. Vol. 11. p. 1793. DOI: 10.3390/met11111793
15. Kashurin R. R., Gerasev S. A., Litvinova T. E., Zhadovskiy I. T. Prospective recovery of rare earth elements from waste. Journal of Physics: Conference Series. 2020. Vol. 1679, Iss. 5. p. 052070. DOI: 10.1088/1742-6596/1679/5/052070
16. Boduen A. Ya., Petrov G. V., Kobylyansky A. A., Bulaev A. G. Sulfide leaching of high-grade arsenic copper concentrates. Obogashchenie Rud. 2022. No. 1. pp. 14–20. DOI: 10.17580/or.2022.01.03
17. Awrejcewicz J., Oikonomou V. K., Boikov A., Payor V. The present issues of control automation for levitation metal melting. Symmetry. 2022. Vol. 14. p. 1968. DOI: 10.3390/sym14101968
18. Cabascango V. E. Q., Bazhin V. Y., Martynov S. A., Pardo F. R. O. Automatic control system for thermal state of reverberatory furnaces in production of nickel alloys. Metallurgist. 2022. Vol. 66. pp. 104–116. DOI: 10.1007/S11015-022-01304-3
19. Nguyen H. H., Bazhin V. Y. Optimization of control system for electrolytic copper refining with digital twin during dendritic precipitation. Metallurg. 2023. No. 1. pp. 49–56. DOI: 10.52351/00260827_2023_01_49
20. Potocnik V., Reverdy M. History of computer control of aluminum reduction cells. Minerals, Metals and Materials Series. 2021. Vol. 6. pp. 591–599. DOI: 10.1007/978-3-030-65396-5_81/cover
21. Nozhko S. I., Grishaev I. I., Puzanov I. I., Zheleznyak Ya. M., Belotelov A. Yu. Usage of the new method of estimation of metal and electrolyte levels on aluminium electrolyzers for improving approximation of measurements. Tsvetnye Metally. 2010. No. 9. pp. 48–51.
22. Wang X., Hosler B., Tarcy G. Alcoa STARprobeTM. Essential Readings in Light Metals. 2016. Vol. 2. pp. 844–850. DOI: 10.1007/978-3-319-48156-2_126
23. Wang X., Tarcy G., Batista E., Wood G. Active pot control using alcoa STARprobeTM. Light Metals. 2011. pp. 491–496. DOI: 10.1002/9781118061992.ch87
24. Wang X. Alcoa STARprobeTM – update in further development for measuring cryolite properties. Light Metals. 2016. pp. 395–402. DOI: 10.1002/9781119274780.ch65
25. Fardeau S., Mattel A., Marcellin P., Richard P. Statistical evaluation and modeling of the link between anode effects and bath height, and implications for the ALPSYS pot control system. TMS Light Metals. 2014. pp. 845–850. DOI: 10.1007/978-3-319-48144-9_142/cover
26. Verreault J., Desgroseilliers B., Gariépy R., Simard C., Simard S. et al. Retrofit of a combined breaker feeder with a chisel bath contact detection system to reduce anode effect frequency in a potroom. Light Metals. 2011. pp. 467–470. DOI: 10.1007/978-3-319-48160-9_83
27. Nikandrov K., Zarouni A., Akhmetov S., Ahli N. Evolution of crust breaker control for DX+ and DX+ Ultra Technologies. Light Metals. 2016. pp. 511–514. DOI: 10.1002/9781119274780.ch84
28. Zhang H., Li T., Li J., Yang S., Zou Z. Progress in aluminum electrolysis control and future direction for smart aluminum electrolysis plant. JOM. 2017. Vol. 69. pp. 292–300. DOI: 10.1007/S11837-016-2150-4
29. Mulder A., Gao Y., Zhou D., Wong D. S., Ming L. et al. New generation control for daily aluminium smelter improvement generation 3 process control for potlines. Light Metals. 2014. pp. 835–840. DOI: 10.1002/9781118888438.ch140
30. Viumdal H., Mylvaganam S. Beyond the dip stick: Level measurements in aluminum electrolysis. JOM. 2010. Vol. 62. pp. 18–25. DOI: 10.1007/S11837-010-0161-0
31. Mann V., Buzunov V., Pingin V., Zherdev A., Grigoriev V. Environmental aspects of UC Rusal’s aluminum smelters sustainable development. Light Metals. 2019. pp. 553–563. DOI: 10.1007/978-3-030-05864-7_70
32. Zherdev A., Svoevskiy A., Pingin V., Shakhmatov V., Shtefanyuk Y. Environmental enhancement of potroom processes by using a machine vision system. Light Metals. 2022. pp. 979–984. DOI: 10.1007/978-3-030-92529-1_127
33. RUSAL Sustainability Report 2020. Available at: https://rusal.ru/sustainability/report/ (Accessed: 6.04.2023).
34. Bazhin V., Masko O. Monitoring of the behaviour and state of nanoscale particles in a gas cleaning system of an ore-thermal furnace. Symmetry. 2022. Vol. 14. pp. 923. DOI: 10.3390/sym14050923
35. Shklyarskiy Y. E., Batueva D. E. Operation mode selection algorithm development of a wind-diesel power plant supply complex. Journal of Mining Institute. 2022. Vol. 253. pp. 115–126. DOI: 10.31897/pmi.2022.7

36. Isaeva L. A., Mikhalev Y. G., Zharinova N. Y. Dynamics of formation and properties of cryolite-aluminous crusts. Tsvetnye Metally. 2020. No. 8. pp. 56–61. DOI: 10.17580/tsm.2020.08.07
37. Non-destructive testing systems: how they help to produce products in continuous machine operation. Available at: https://habr.com/ru/company/severstal/blog/567516/ (Accessed: 15.01.2023).
38. Gusberti V., Severo D. S., Welch B. J., Skyllas-Kazacos M. Modelling the aluminium smelting cell mass and energy balance – a tool based on the 1st law of thermodynamics.
39. Kashin D. A., Kulchitskiy A. A. Image-based quality monitoring of metallurgical briquettes. Tsvetnye Metally. 2022. No. 9. pp. 92–98. DOI: 10.17580/tsm.2022.09.13
40. Chen L. C., Papandreou G., Kokkinos I., Murphy K., Yuille A. L. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2018. Vol. 40. pp. 834–848. DOI: 10.1109/tpami.2017.2699184
41. Zakharov L., Martyushev D., Ponomareva I. N. Predicting dynamic formation pressure using artificial intelligence methods. Journal of Mining Institute. 2022. Vol. 253. pp. 23–32. DOI: 10.31897/pmi.2022.11
42. Boikov A., Payor V., Savelev R., Kolesnikov A. Synthetic data generation for steel defect detection and classification using deep learning. Symmetry. 2021. Vol. 13. DOI: 10.3390/sym13071176
43. Vasilyeva N. V., Boikov A. V., Erokhina O. O., Trifonov A. Y. Automated digitization of radial charts. Journal of Mining Institute. 2021. Vol. 247. pp. 82–87. DOI: 10.31897/pmi.2021.1.9
44. Pshenin V., Liagova A., Razin A., Skorobogatov A., Komarovsky M. Robot Crawler for surveying pipelines and metal structures of complex spatial configuration. Infrastructures. 2022. Vol. 7. p. 75. DOI: 10.3390/infrastructures7060075
45. Chen C., Chen Q., Xu J., Koltun V. Learning to See in the Dark. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2018. pp. 3291–3300. DOI: 10.1109/cvpr.2018.00347
46. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2016. pp. 770–778. DOI: 10.1109/cvpr.2016.90
47. Zhao S., Xie Y., Yue W., Chen X. A machine learning method for state identification of superheat degree with flame interference. Minerals, Metals and Materials Series. 2019. pp. 199–208. DOI: 10.1007/978-3-030-05955-2_19
48. Toreyin B. U., Çetin A. E. Online detection of fire in video. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2007. DOI: 10.1109/cvpr.2007.383442
49. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convol utional neural networks. Communications of the ACM. 2017. Vol. 60. pp. 84–90. DOI: 10.1145/3065386
50. Paszke A., Gross S., Massa F., Lerer A., Bradbury J. et al. An imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems. 2019. Vol. 32. pp. 8024–8035.

Full content Сбор и обработка данных алюминиевого электролизера с использованием многофункционального пробойного устройства и системы технического зрения
Back