• Nie Znaleziono Wyników

– Przyjaźń Coking Plant

W dokumencie Karbo, 2014, nr 3 (Stron 26-36)

Słowa kluczowe: koks, mieszanka węglowa, prognozowanie, jakość koksu, system informatyczny Keywords: coke, coal blend, prediction, coke quality, IT system

działów kontroli jakości. W przypadku korzystania wyłącz-nie z krajowej bazy surowcowej, najczęściej taka praktyka jest skuteczna, aczkolwiek czasochłonna i nie do końca pre-cyzyjna. Niemniej jednak, biorąc pod uwagę to, iż krajowe koksownie coraz częściej sięgają po węgle importowane z innych kontynentów (Australia, Ameryka Płn. i Płd.), takie prognozowanie może okazać się niewystarczające, ze wzglę-du na brak znajomości cech tych węgli przez pracowników koksowni. W takim przypadku niezbędne jest wdrożenie precyzyjnych modeli prognostycznych, umożliwiających szybkie i rzetelne prognozowanie jakości koksu.

Odpowiadając na potrzebę opracowania i wdrożenia skutecznego narzędzia umożliwiającego wiarygodne progno-zowanie jakości koksu, jak również optymalne gospodaro-wanie zasobami węgli koksujących, w ramach tematu 5.2 pt.

„Prognozowanie jakości koksu w skali „makro”, jako funkcja przejścia przez instalację koksowniczą” projektu „Inteligentna koksownia…” skonstruowano system informatyczny PCQ (Prediction of Coke Quality), który umożliwia:

– prognozowanie kluczowych parametrów jakościowych koksu, w oparciu o właściwości węgla wsadowego oraz parametry technologiczne procesu,

– optymalizację składu mieszanki węglowej w aspekcie jakościowym, ilościowym i cenowym,

– wskazywanie najbardziej optymalnego sposobu na utrzymanie wysokiej jakości produkowanego koksu, niezależnie od występujących wahań jakościowych węgli w dostawach do koksowni,

– wczesną identyfikację możliwych zakłóceń jakościowych koksu, już na etapie sporządzania mieszanki wsadowej i ich szybką, skuteczną eliminację.

System ten może ponadto stanowić uzupełnienie funk-cjonujących obecnie w polskich koksowniach systemów dyspozytorskich, w aspekcie zarządzania zasobami węglo-wymi oraz prowadzenia produkcji koksu. Założenia i sposób funkcjonowania PCQ przedstawione zostały w pracy [4].

Celem niniejszej pracy jest przedstawienie wyników te-stów modułu prognozującego jakość koksu, funkcjonującego w systemie PCQ. Testy przeprowadzono z wykorzystaniem historycznych danych produkcyjnych, pochodzących z sys-temu dyspozytorskiego wybranego zakładu koksowniczego.

Wybór partnera przemysłowego do testowania systemu PCQ

Statystyczna ocena przydatności wytypowanych modeli prognozowania parametrów jakościowych koksu dla celów sterowania jakością produkcji, wymaga dostępności do sze-rokiej bazy danych obejmującej zarówno właściwości węgli, mieszanek wsadowych oraz produkowanego koksu, jak również wartości parametrów technologicznych dotyczących sposobu prowadzenia procesu koksowania. Dane te determi-nują możliwość skutecznego przetestowania wytypowanych algorytmów prognozowania i ich dalsze doskonalenie przy wykorzystaniu metod statystycznych.

Wyboru zakładu koksowniczego, we współpracy z którym zaprojektowano i wykonano system prognozujący jakość koksu PCQ, dokonano w oparciu o rozpoznanie istniejących w koksowniach systemów gromadzenia i udostępniania da-nych produkcyjda-nych dotyczących:

– jakości węgli z dostaw z poszczególnych kopalń, – właściwości mieszanek wsadowych i ich komponentów

węglowych,

– parametrów jakościowych produkowanego koksu, naj-lepiej z możliwością podziału na koks sucho i mokro chłodzony,

– parametrów technologicznych procesu koksowania.

Do realizacji powyższego przedsięwzięcia, jak również przeprowadzenia odpowiednich testów programu została wybrana Koksownia Przyjaźń, obecnie należąca do JSW Koks SA. Koksownia Przyjaźń została wybudowana w ra-mach inwestycji realizowanej w latach 80. poprzedniego wieku. Uruchomienie produkcji nastąpiło 27 stycznia 1987 r., kiedy dokonano wypchnięcia pierwszego koksu z baterii nr 1. W okresie dla którego prowadzone były testy programu prognozującego PCQ, w Koksowni Przyjaźń eksploatowano 5 baterii koksowniczych, o łącznej zdolności produkcyjnej 3,40 Mt/rok. Jednym z decydujących czynników, który zadecydował o wyborze partnera przemysłowego był funk-cjonujący w koksowni od 2008 roku system elektronicznej bazy danych DYSPOZYTOR. System gromadzi wszystkie dane technologiczne i wyniki analityczne dotyczące całego cyklu produkcyjnego tj., począwszy od dostarczenia węgla

na teren koksowni, a skończywszy na ekspedycji produktu końcowego – koksu do jego odbiorcy. Przy wyborze partnera przemysłowego, wzięto także pod uwagę fakt, że Koksownia Przyjaźń jest jedyną koksownią w Polsce, która dysponując odpowiednio rozbudowaną bazą danych, jednocześnie jest producentem koksu sucho-chłodzonego i mokro-gaszonego.

Gromadzone dane dotyczące koksu sucho-chłodzonego po-zwoliły statystycznie ocenić wpływ tego sposobu chłodzenia koksu na poprawę jego wskaźników jakościowych: wytrzy-małości mechanicznej M40, wytrzymałości poreakcyjnej CSR i reakcyjności CRI, w odniesieniu do koksu mokro- gaszonego.

Dane wejściowe do testowania

Dane wejściowe, które posłużyły do testowania programu, zostały zaczerpnięte z systemu DYSPOZYTOR i obejmują zakres 9 miesięcy (trzy kwartały z 2012 roku). System DYS-POZYTOR został zaprojektowany przez pracowników Biura Informatyki Koksowni Przyjaźń i wdrożony w 2008 roku.

Do jego utworzenia wykorzystano język programowania Delphi oraz platformę bazodanową MS SQL serwer 2005.

System dysponuje obszerną bazą danych, oraz wszystkimi niezbędnymi informacjami z całego cyklu produkcyjnego, począwszy od dostarczenia węgla na teren koksowni, a koń-cząc w chwili gdy gotowy produkt – koks – opuści zakład.

Wszystkie dane zapisywane są w postaci tabelarycznej, odna-lezienie potrzebnych informacji jest proste i wyszukiwanie ich można prowadzić według dowolnego kryterium, np. wg daty dostawy węgli z wybranej kopalni, czy ilości wagonów węgla w wybranym czasie itp. Informacje do systemu wprowadzane są przez pracowników poszczególnych wydziałów, odpo-wiedzialnych za tę czynność (mistrzów, kierowników). Do systemu wprowadzane są dane z następujących wydziałów:

węglownia, piecownia, instalacja suchego chłodzenia koksu, sortownia, ekspedycja, energetyczny, węglopochodnych oraz bezpośrednio przez zakładowych dyspozytorów.

Dane dotyczące wyników wszystkich wykonywanych analiz wprowadzają pracownicy Centralnego Laboratorium Pomiarowo-Badawczego – oddział Dąbrowa Górnicza.

Z punktu widzenia testowania programu prognozującego PCQ, istotne są następujące dane:

Moduł Węglownia:

• Zbiorniki i urządzenia – stan węgla w zbiornikach,

• Mieszanka wsadowa:

– stan mieszanki wsadowej – przychód, rozchód, stan początkowy i stan końcowy mieszanki w każdej z trzech wież węglowych dla każdej zmiany,

– ilość komór i zużycie węgla na komorę,

• Stan węgla – dane dotyczą węgli z poszczególnych kopalń:

– skład mieszanki wsadowej – procentowy udział węgla z poszczególnych kopalń w mieszance podstawowej.

W przypadku zmiany receptury mieszanki podaje się również jej procentowy skład.

Moduł Piecownia:

• Ruch pieców

– ilości pracujących komór,

– czasy koksowania- dla każdej baterii planowany i wyko-nany czas koksowania,

– temperatura kanałów grzewczych – dla każdej baterii poda-wana jest temperatura dla strony maszynowej i koksowej, Moduł Instalacja Suchego Chłodzenia Koksu:

• Wielkość produkcji – dla każdej zmiany, dla każdego bloku ilość schłodzonych pojemników koksu,

Moduł Analizy Laboratoryjne:

• Analizy węgli z przychodów, mieszanki węglowej i jej komponentów:

– zawartość wilgoci całkowitej Wrt,

– zawartość wilgoci w próbce analitycznej Wa,

– zawartość części lotnych Vdaf(w przeliczeniu na stan suchy i bezpopiołowy),

– zawartość popiołu Ad (w przeliczeniu na stan suchy), – zawartość siarki Std (w przeliczeniu na stan suchy), – zawartość fosforu Pd (w próbce analitycznej), – zawartość chloru Cla (w próbce analitycznej), – wskaźnik wolnego wydymania SI,

– zdolność spiekania wg Rogi RI,

– parametry dylatometryczne: kontrakcja a i dylatacja – wytrzymałość poreakcyjna – CSR,b,

– reakcyjność wobec CO2 – CRI, – parametr pomocniczy CS600.

• Analizy koksu:

– zawartość wilgoci całkowitej Wtr,

– zawartość wilgoci w próbce analitycznej Wa,

– zawartość części lotnych Vdaf (w przeliczeniu na stan suchy i bezpopiołowy),

– zawartość popiołu Ad (w przeliczeniu na stan suchy), – zawartość siarki całkowitej Std (w przeliczeniu na stan

suchy),

– zawartość fosforu Pa (w próbce analitycznej), – zawartość chloru Cla (w próbce analitycznej), – wytrzymałość mechaniczna M40,

– ścieralność M10,

– zawartość związków alkalicznych: Na2O, K2O, – wytrzymałość poreakcyjna – CSR,

– reakcyjność wobec CO2 – CRI,

• Analizy dodatkowe.

W tablicy 1 zestawiono wartości niepewności rozszerzo-nych parametrów istotrozszerzo-nych z punktu widzenia prognozowania, oznaczanych przez CLP-B oddział Dąbrowa Górnicza, na zlecenie Koksowni Przyjaźń. Wartości niepewności oszaco-wano dla poziomu ufności 95 %. Podano również częstość oznaczania poszczególnych wskaźników (w odniesieniu do: węgla z danej kopalni oraz koksu z danej baterii). Jak widać, dla części parametrów oznaczenia wykonywane są stosunkowo rzadko, w związku z czym brakujące wielkości uzupełniane są poprzez realizację procedury wykorzystują-cej równanie (1), która odzwierciedla prawdopodobny trend

Tablica 1 Niepewności rozszerzone oraz częstotliwości oznaczania dla wybranych parametrów jakościowych

oznaczanych przez CLP-B oddział Dąbrowa Górnicza

Table 1

Values of expanded uncertainties and frequencies of determination of selected quality parameters that are analysed by CLP-B – division Dąbrowa Górnicza

WĘGIEL KOKS

Parametr Niepewność

rozszerzona Częstotliwość Parametr Niepewność

rozszerzona Częstotliwość

Ad 0,3 p.p. Z każdej dostawy Ad 0,3 p.p. Raz dziennie

Std 0,03 p.p. Z każdej dostawy Std 0,04 p.p. Raz dziennie

Pd 5,00 % 1-3 razy w miesiącu Pd 0,008 p.p. 2 razy w tygodniu

Cla 0,03 p.p. 1-3 razy w miesiącu Cla 0,01 p.p. 1 raz w tygodniu

Vdaf 1,00 p.p. Z każdej dostawy M40 0,9 p.p. Raz dziennie

Na2o+k2o 0,02 p.p. 1-3 razy w miesiącu M10 0,9 p.p. Raz dziennie

CRI 1,0 p.p.

Węgle podstawowe (typ 35):

3-4 razy w miesiącu Pozostałe węgle:

1 raz w miesiącu

Na2o+k2o 0,02 p.p. 2 razy w tygodniu

CSR 1,1 p.p. CRI 1,0 p.p. Raz dziennie

CS600 0,9 p.p. CSR 1,1 p.p. Raz dziennie

liniowy, występujący pomiędzy dwiema danymi rzeczywisty-mi, opisującymi wartości dowolnego parametru a:

(1)

gdzie:

ak – brakująca wartość parametru jakościowego, a1, an – dwie wartości rzeczywiste parametru

jakościo-wego, pomiędzy którymi występuje k brakujących wartości,

n – liczba wyrazów w ciągu wartości analiz przypo-rządkowanych do przychodów węgla, którego skrajne wyrazy (a1, an) są danymi rzeczywistymi.

Niemniej jednak, należy tutaj mieć na uwadze, że jakość danych generowanych przez proponowany algorytm zależy od tego, jak często dany parametr jest oznaczany. W ramach przeprowadzonych testów stwierdzono, że dla parametrów oznaczanych z częstością nie mniejszą niż 10 dni (zakładając jedną dostawę na dobę) wartości generowanych danych w spo-sób akceptowalny oddają rzeczywiste zmiany wartości takiego parametru. W przypadku, gdy częstość oznaczeń jest mniejsza, prognozowanie jakości koksu na podstawie takich danych obarczona jest większym błędem, który w opinii autorów powoduje, iż wyniki takiej prognozy powinny być traktowane z mniejszą ufnością. Dla testowanych danych wejściowych, problem ten dotyczy trzech parametrów: zawartość fosforu, chloru i alkaliów w koksie. Przeprowadzone testy wykazały, iż wyniki prognoz w większości przypadków odbiegają od wartości rzeczywistych, oznaczonych analitycznie.

Ocena jakości prognoz generowanych przez PCQ Prognozowanie jakości koksu w programie PCQ realizo-wane jest za pomocą dwóch niezależnych metod:

– poprzez wyliczenie wartości prognozowanych w opar-ciu o opracowane w IChPW modele matematyczne, – poprzez wykorzystanie historycznych wartości

metrów jakościowych mieszanek oraz wartości para-metrów koksu, który z tych mieszanek był uzyskiwany.

W pierwszym przypadku, do obliczeń system pobiera:

– skład procentowy węgli w mieszance,

– uśrednione wartości parametrów jakościowych węgli na składowisku,

– informacje dotyczące technologii prowadzenia procesu (numer baterii/wieży węglowej, system obsadzania i gaszenia/chłodzenia koksu, czas koksowania i mak-symalna temperatura kanałów grzewczych).

Jako dane wejściowe, na podstawie których wyliczane są wartości wskaźników opisujących jakość koksu, wykorzysty-wane są wszystkie parametry jakościowe węgli, dla których prowadzone są analizy laboratoryjne.

W przypadku drugiej metody, prognozowanie odbywa się na zasadzie wyszukania w bazie danych mieszanek o podobnych właściwościach do aktualnie obowiązującej

i przyporządkowaniu do tej mieszanki wartości parametrów jakościowych koksu, uzyskanych dla wyszukanego w po-przednim kroku zbioru mieszanek.

Ocenę jakości prognoz przeprowadzono dla parametrów:

zawartość popiołu w koksie, Ad, zawartość siarki całkowi-tej w koksie, Std, reakcyjność koksu, CRI, wytrzymałość poreakcyjna koksu, CSR, oraz wytrzymałość mechaniczna koksu, M40. Testy przeprowadzono dla danych produkcyjnych zgromadzonych dla baterii nr 3 (koksu sucho-chłodzony) oraz baterii nr 5 (koks mokro-gaszony). Informacje dotyczące:

liczby mieszanek, liczby stosowanych węgli oraz dodatków (pak, koks petrochemiczny oraz koksik), a także zakresów wartości parametrów koksu dla danych z testowanego okre-su czaokre-su zestawiono w tablicy 2. Jak widać, w okresie tym stosowano dużą liczbę mieszanek, oraz 20 różnych kompo-nentów mieszanki, co pozytywnie wpłynęło na jakość testów algorytmów prognozujących. Niestety, nie można tego samego powiedzieć o zakresach wartości parametrów jakościowych koksu. Dla wszystkich pięciu parametrów zmienność ich war-tości jest relatywnie niewielka, co z punktu widzenia statystyki matematycznej powoduje, iż wyniki testów statystycznych mogą być nierzetelne. Dlatego też w niniejszej pracy ocena działania algorytmów prognozujących przeprowadzona zo-stanie na podstawie histogramów rozkładów różnic (reszt) pomiędzy parami wartości rzeczywistych i prognozowanych, określonych dla każdej zmiany produkcyjnej. Taka analiza jest szczególnie przydatna z punktu widzenia przemysłu, ponieważ w jednoznaczny sposób daje ona odpowiedź, jaka jest ilość prognoz niespełniających założonych kryteriów jakościowych.

Prognozowanie zawartości popiołu i siarki w koksie Zawarta w koksie substancja mineralna zmniejsza jego wartość opałową i może obniżyć jego wytrzymałość mecha-niczną i poreakcyjną. Przewaga składników kwaśnych w sub-stancji mineralnej powoduje zwiększone zużycie topników.

Rosną wówczas potrzeby energetyczne procesu wielkopie-cowego i w efekcie następuje wzrost jednostkowego zużycia ) 1

Bateria nr 3 Bateria nr 5

Liczba mieszanek 50 40

Liczba węgli 17 17

Liczba dodatków 3 3

Zakres wartości Std 0,46 – 0,68 0,44 – 0,70 Zakres wartości Ad 8,4 – 11,0 8,3 – 10,5 Zakres wartości CRI 24,0 – 35,6 26,2 – 38,4 Zakres wartości CSR 54,8 – 67,6 50,8 – 60,9

Zakres wartości M40 80 – 84

-Tablica 2 Zestawienie: ilości komponentów, mieszanek oraz zakresów wartości parametrów jakościowych,

dla testowanego pakietu danych

Table 2 A set of data describing: amount of blend components,

blends and ranges of quality parameters, obtained for tested package of data

koksu, który przy przyroście zawartości popiołu w koksie o 1 %, zwiększa się o około 2,5 % [5]. Rysunek 1 przedstawia rozkład reszt dla zawartości popiołu w koksie. W przypadku baterii numer 3 dla ponad 80 % przypadków różnice pomię-dzy wartością prognozowaną oraz rzeczywistą (tzw. reszty) są nie większe niż 0,6 punktu procentowego (p.p.). Wartość 0,6 p.p. jest dwukrotnie większa od niepewności rozszerzo-nej. Co istotne, wszystkie reszty mieszczą się w przedziale +/- 0,9 p.p. Należy ponadto zauważyć, iż w analizowanym

przypadku lepszą precyzję wyników prognoz gwarantuje metoda polegająca na obliczeniu wartości prognozowanej.

W przypadku tej metody, tylko dla ok. 1 % spośród wszystkich przypadków wartość rzeczywista jest o ponad 0,6 p.p. wyższa w stosunku do wyniku prognozy. Dla metody polegającej na analizie danych historycznych przypadków takich jest ok. 5 %, co również jest zadowalającym wynikiem z punktu widzenia praktyki przemysłowej. Dla obu metod prognozowania stwier-dzono ponadto, iż test Shapiro-Wilka potwierdza normalność

Rys. 1. Rozkład różnic pomiędzy wartością rzeczywistą a prognozowaną

(■ – metoda przeszukiwania bazy danych, ■ – metoda obliczeniowa) dla zawartości popiołu w koksie, Ad; a) bateria nr 3, b) bateria nr 5

Fig. 1. Distribution of differences between the actual and the predicted

(■ – the method of database searching, ■ – the method of calculation) value for the ash content in coke, Ad; a) battery No. 3, b) battery No. 5

liczebnć

0 50 100 150 200 250 300 350

1 2 3 4 5 6

b )

- 0,9 - 0,6 - 0,3 0 0,3 0,6 0,9 0

50 100 150 200 250 300 350

1 2 3 4 5 6

liczebnć

a)

- 0,9 - 0,6 - 0,3 0 0,3 0,6 0,9 Adrz – Adp, %

Adrz – Adp, %

rozkładów reszt. Dla baterii numer 5 również wyniki prognoz przeprowadzonych obiema metodami są zadowalające. Tylko dla ok. 7 % przypadków wartość rzeczywista była wyższa o ponad 0,6 p.p. od wartości prognozowanej, natomiast ponad 75 % wszystkich reszt mieści się w przedziale +/- 0,6 p.p.

Siarka zawarta w koksie stanowi od 70–90 % siarki wnoszonej przez wszystkie surowce do wielkiego pieca.

Związanie jej przez zasadowe składniki żużla wymaga

odpowiedniej ilości topników i w konsekwencji prowadzi do zwiększenia zużycia koksu. Z doświadczeń przemy-słowych wynika, że przyrost zawartości siarki całkowitej w koksie o 0,1 % powoduje zwiększenie jednostkowego zużycia koksu o 0,3–1,1 % oraz zmniejszenie wydajności wielkiego pieca o 2,0 % [5]. Rysunek 2 przedstawia roz-kład reszt dla zawartości siarki w koksie. Dla baterii nr 3 wyraźna jest bardzo duża zgodność wyników uzyskanych obiema metodami prognozowania. Co więcej, dla obu metod

0 50 100 150 200 250 300

-3 -2 -1 0 1 2 3

liczebnć

0 50 100 150 200 250 300

-3 -2 -1 0 1 2 3

liczebnć

CRIrz – CRIp, %

CRIrz – CRIp, %

Rys. 2. Rozkład różnic pomiędzy wartością rzeczywistą a prognozowaną

(■ – metoda przeszukiwania bazy danych, ■ – metoda obliczeniowa) dla zawartości siarki w koksie, Std; a) bateria nr 3, b) bateria nr 5

Fig. 2. Distribution of differences between the actual and the predicted

(■ – the method of database searching, ■ – the method of calculation) value for the sulphur content in coke, Std; a) battery No. 3, b) battery No. 5

a)

b)

ponad 83 % analizowanych wyników mieści się w przedziale +/- 0,06 p.p. (dwukrotność niepewności rozszerzonej po-miaru zawartości siarki). Inaczej niż w przypadku popiołu rozkładają się reszty, których wartość bezwzględna jest wyższa od podwojonej niepewności – w tym przypadku dla ok. 13 % danych wartość rzeczywista jest wyższa o 0,06 p.p.

niż wartość prognozowana. Biorąc pod uwagę powyższy fakt oraz niesymetryczny kształt całego rozkładu danych, nasuwa się sugestia iż prawdopodobnie należy rozważyć analizę i weryfikację obydwu modeli prognostycznych, ponieważ w kształcie obecnym mają tendencję do niewielkiego zani-żania wyników. Podobnie sytuacja wygląda w przypadku danych uzyskanych dla baterii nr 5.

Prognozowanie wskaźników wytrzymałościowych Podczas załadunku koksu do wielkiego pieca występują pierwsze oddziaływania mechaniczne, w wyniku których następuje rozkruszanie koksu przebiegające wzdłuż istnie-jących w jego kawałkach szczelinach i pęknięciach. W tak zwanych suchych strefach pieca koks podlega dalszej degra-dacji ziarnowej, polegającej głównie na ścieraniu jego naroży oraz w mniejszym stopniu, kruszeniu pod wpływem sił ści-skających. Stopień degradacji koksu na tym etapie określa się wartościami wskaźników wytrzymałości mechanicznej i ścieralności. Najsilniejsze oddziaływania mechaniczne występują w komorze spalania, gdzie wskutek wysokiej energii kinetycznej wdmuchu, wirujące kawałki koksu ule-gają intensywnemu rozkruszaniu i ścieraniu. Parametrami opisującymi zachowanie się koksu w strefie wysokich tem-peratur wielkiego pieca, są wskaźniki wyznaczane w teście NSC (Nippon Steel Co.) – reakcyjność wobec CO2 (CRI) i wytrzymałość poreakcyjna (CSR). Rysunek 3 przedstawia rozkład reszt dla parametru CRI. Dla tego wskaźnika po-dwojona niepewność rozszerzona wynosi 2 p.p. Analizując wyniki prognoz można zauważyć, iż dla obu baterii ponad 90 % wartości wyliczanych jako różnica pomiędzy wynikiem rzeczywistym a prognozą mieści się w przedziale +/- 2 p.p.

Jest to bardzo dobry rezultat, szczególnie jeśli wziąć pod uwagę powszechnie znane trudności z prognozowaniem tego wskaźnika oraz to, iż w analizowanym zestawie danych tylko ok. 6 % wyników rzeczywistych jest niższych w stosunku do prognoz. Biorąc powyższe pod uwagę, można założyć iż proponowane modele potrafią precyzyjnie prognozować wartości wskaźnika CRI dla koksu, zarówno sucho-chło-dzonego jak również mokro-gaszonego. Jeszcze lepsze dopasowanie osiągnięto dla wytrzymałości poreakcyjnej koksu sucho-chłodzonego (rys. 4a). Ponad 94 % wyników mieści się w przedziale +/- 2,2 p.p., a tylko ok. 3 % wartości rzeczywistych jest wyższych o ponad 2,2 p.p. od wartości prognozowanych. W przypadku koksu mokro-gaszonego dokładność dopasowania jest nieco niższa (rys. 4b) – dla metody polegającej na analizie danych historycznych ok.

9 % reszt jest wyższa od podwojonej niepewności pomiaru.

Dla metody obliczeniowej takich reszt jest ok. 6 % spośród wszystkich analizowanych. Niemniej jednak osiągnięte rezultaty również są akceptowalne. Histogram reszt dla wskaźnika M40 został opracowany tylko dla metody obli-czeniowej i baterii nr 3. Wynika to z faktu, iż dla analizowa-nego okresu brak jest danych w systemie DYSPOZYTOR,

umożliwiających realizację algorytmu prognozującego na podstawie danych historycznych. Nadto, dla baterii nr 5 większość wyników oznaczenia parametru M40 odnosi się do mieszaniny koksu produkowanego przez baterie: 1, 2 oraz 5. Ze względu na to, iż są to różniące się między sobą baterie (bateria 1 i 2 współpracuje z instalacją suchego chło-dzenia koksu, ponadto bateria nr 1 została w ostatnich latach wyremontowana) uznano, iż nie można odnosić wartości M40 wyłącznie do baterii nr 5. Histogram reszt przedstawia rysunek 5. Jak widać, 90 % różnic pomiędzy wartością rze-czywistą i obliczoną mieści się w przedziale +/-0.9 p.p. Jest to bardzo dobry wynik, pozwalający stwierdzić, iż system PCQ potrafi prognozować wytrzymałość mechaniczną koksu z bardzo dużą dokładnością.

Podsumowanie

System prognozujący PCQ składa się z trzech modułów funkcyjnych, w tym modułu umożliwiającego prognozowa-nie jakości koksu. Działaprognozowa-nie tego modułu zostało dokładprognozowa-nie przetestowane z wykorzystaniem historycznych danych zaczerpniętych z systemu DYSPOZYTOR, funkcjonują-cego w Koksowni Przyjaźń, która jest jednym z zakładów produkcyjnych JSW Koks SA. Dane te obejmowały szeroki zakres stosowanych mieszanek węglowych, węgli wsado-wych, jak również czasów koksowania. Dzięki temu można było zasymulować wiele różnych konfiguracji, z którymi PCQ będzie musiał się zmierzyć w chwili, gdy zostanie on dostosowany do pracy „on-line”, z danymi bieżącymi.

Na podstawie wyników przeprowadzonych testów można wyciągnąć następujące wnioski:

– w celu zapewnienia poprawnych wyników prognoz sys-tem PCQ musi mieć możliwość korzystania z danych opisujących jakość węgla, gromadzonych z odpowiednią częstotliwością. W przypadku parametrów jakościowych oznaczanych rzadko (zawartość chloru, fosforu i alkaliów oznaczana jest 1-3 razy w miesiącu) wyniki prognoz jakości koksu odbiegają od wartości oznaczonych w la-boratorium. W związku z powyższym, aby móc korzystać z możliwości prognozowania wartości wyżej wymienio-nych parametrów zaleca się zwiększenie częstotliwości wykonywania analiz tych parametrów dla węgla;

– w przypadku parametrów, które oznaczane są dla każdej dostawy (zawartość siarki i popiołu), system PCQ pro-gnozuje ich wartość dla koksu z zadowalającą

– w przypadku parametrów, które oznaczane są dla każdej dostawy (zawartość siarki i popiołu), system PCQ pro-gnozuje ich wartość dla koksu z zadowalającą

W dokumencie Karbo, 2014, nr 3 (Stron 26-36)