Als je al meer dan tien jaar in deze branche werkt, heb je de evolutie van EAF-besturing meegemaakt: van een man die een stroommeter in de gaten hield en een joystick bediende tot systemen die de vermogenscurve in realtime optimaliseren en de aftaptemperatuur voorspellen voordat het eerste monster terugkomt. Dit is geen sciencefiction – dit is wat er tegenwoordig in ovens draait. Dit artikel behandelt de huidige stand van zaken op het gebied van intelligente besturing en waar je op moet letten.
I. Waarom intelligente besturing, en waarom nu?
1.1 Het probleem met improvisatie
De traditionele werking van een elektrische vlamboogoven is sterk afhankelijk van de ervaring van de operator. Dat werkt – tot op zekere hoogte. De beperkingen zijn reëel:
- Consistentie — verschillende operators, verschillende heats. Zelfs dezelfde operator heeft goede en slechte dagen.
- Reactiesnelheid — de menselijke reactietijd kan de dynamiek van de boog niet bijhouden. Tegen de tijd dat je de stroompiek ziet en de elektrode beweegt, heeft de boog alweer iets anders gedaan.
- Energie-efficiëntie — vuistregels voor energie- en zuurstofgebruik laten de werkelijke efficiëntie onbenut.
- Data — je genereert duizenden datapunten per heat en negeert ze grotendeels.
Intelligente besturing vervangt de operator niet. Het geeft hen betere informatie en een snellere reactie dan menselijke reflexen kunnen bieden.
1.2 De architectuur
Moderne EAF-besturingssystemen zijn doorgaans gelaagd:
```
┌───────────────────────────────────────────┐
│ Managementlaag (MES/ERP) │ ← productieplanning, kwaliteitscontrole
├──────────────────────────────────────────┤
│ Procesbesturingslaag (niveau 2) │ ← smeltmodellen, optimalisatie
├──────────────────────────────────────────┤
│ Basisautomatiseringslaag (niveau 1) │ ← PLC's, instrumentatie, actuatoren
└──────────────────────────────────────────┘
```
Niveau 1 is de realtime laag — deze stuurt de elektroderegelaars, de hydraulische kleppen en de afzuigventilator aan. Niveau 2 is waar de modellen zich bevinden — deze bepaalt wat de instelwaarden moeten zijn. Niveau 3 (MES/ERP) beheert de productieplanning en het kwaliteitsmanagement.
Een goede integratie tussen deze lagen maakt het verschil tussen een systeem dat er op papier goed uitziet en een systeem dat daadwerkelijk bijdraagt aan de staalproductie.
II. Intelligente voeding
2.1 De oude manier versus de nieuwe manier
Traditionele vermogenscurven zijn vooraf ingesteld: hoge spanning voor het smelten, waarna op een vooraf bepaald tijdstip wordt overgeschakeld naar een lagere spanning. Het probleem is dat de omstandigheden van het schroot per smeltproces verschillen. Een vaste curve kan zich niet aanpassen aan de vraag of het om zwaar of licht schroot gaat, of de oven koud of warm is, of dat het dak erop of eraf is.
De intelligente voeding past de vermogenscurve in realtime aan op basis van het daadwerkelijke vermogen van de verwarmingseenheid. Het systeem bewaakt:
- Boogstroom en -spanning (uiteraard)
- Elektrodepositie — geeft aan of er sprake is van een kortsluiting of dat de boog stabiel is.
- Transformator aftakpositie
- Temperatuur en warmtebelasting van de ovenbekleding
- Akoestische signalen van de boog
en gebruikt die gegevens om op elk moment de optimale spanningsaftakking en stroominstelwaarde te kiezen.
2.2 Wat verandert er en wanneer?
Tijdens het smeltproces wordt een hoog vermogen gebruikt om door het schroot heen te breken. Het systeem detecteert wanneer de elektroden doorbreken naar een gesmolten metaalbad en past de strategie aan.
Na de badvorming: verlaag de spanning, verhoog de stroomsterkte en laat een korte vlamboog ontstaan. Dit is de ideale situatie voor een efficiënte energieoverdracht naar het bad.
Nadat er schuimslak is gevormd, moet het vermogen worden aangepast om het thermisch evenwicht te bewaren. De schuimslak verandert de dynamiek van de warmteoverdracht en het ingestelde vermogen moet daarop worden afgestemd.
2.3 Akoestische beheersing
De vlamboog produceert geluid, en dat geluid draagt informatie met zich mee. Een open vlamboog (blootgesteld in de schroothoop) klinkt anders dan een verborgen vlamboog (onder schroot of slakken). De akoestische signatuur verandert ook duidelijk wanneer schroot instort.
Door microfoons te installeren (uiteraard beschermd tegen de hitte) en de frequentie-inhoud van het booggeluid te analyseren, kan het systeem het volgende bereiken:
- Detecteer wanneer de meltdown voltooid is en schakel over naar een andere energiestrategie
- Detecteer dreigende instorting van het schroot en til de elektroden op voordat de kortsluiting optreedt.
- Monitor de vorming van schuimslakken aan de hand van de verandering in het akoestische signaal.
Het is een goedkope sensor die je informatie geeft die je op geen enkele andere manier kunt verkrijgen.
2.4 Wat u wint
Winkels die slimme stroomvoorziening hebben geïmplementeerd, melden het volgende:
- Tijd tussen tikken: 3–10 minuten korter
- Energieverbruik: reductie van 5–15 kWh/ton
- Elektrodenverbruik: 0,1–0,3 kg/t reductie
- Levensduur van de ovenbekleding: 5%–15% verbetering
De voordelen zijn reëel, maar ze zijn afhankelijk van de goede werking van de rest van het systeem – elektroden, hydrauliek, sensoren. Intelligente besturing versterkt goede praktijken; het lost geen problemen met defecte apparatuur op.
III. Realtime bewaking van de ovenconditie
3.1 Je kunt niet controleren wat je niet kunt meten
De traditionele manier om ovens te bewaken is dat de operator door de deur of een kijkgaatje kijkt en een oordeel velt. Dat werkt wel, maar het is subjectief en loopt achter. Moderne meetinstrumenten leveren objectieve, realtime gegevens.
3.2 Temperatuurbewaking
Traditionele thermokoppelbemonstering — nog steeds de referentiemethode. Je dompelt een wegwerpthermokoppel onder, krijgt binnen enkele seconden een meting en dat is de temperatuur van het bad. Het probleem: de meting is intermitterend en je steekt een sonde in een mogelijk kouder gebied vlakbij de deur.
Continue temperatuurmeting — sensoren die in de ovenwand of -bodem zijn gemonteerd en een continu temperatuursignaal leveren. De technologie is de afgelopen jaren aanzienlijk verbeterd; de uitdaging blijft de levensduur van de sensoren in de zware omstandigheden van de elektrische vlamboogoven.
Infrarood temperatuurmeting — kijk door de deur of een speciaal venster naar het oppervlak van het bad of de slak. Dit geeft je een oppervlaktetemperatuur die je kunt gebruiken om de badtemperatuur af te leiden, vooral als je kalibreert met metingen van een dompelthermokoppel.
Met realtime temperatuurgegevens kan het besturingssysteem de temperatuur van de tappunten voorspellen en de energiestrategie aanpassen voordat de streefwaarde wordt overschreden.
3.3 Analyse van ovengassen
De samenstelling van de afgassen geeft aan wat er metallurgisch gebeurt. De belangrijkste soorten:
- CO en CO₂ — de verhouding geeft de ontkolingssnelheid en de naverbrandingsefficiëntie aan
- O₂ — geeft het oxidatievermogen in de oven aan
- H₂ — kan een indicator zijn van vocht in de lading of, ernstiger, een koelvloeistoflek.
Continue gasanalyse maakt het mogelijk om de zuurstofinjectie na verbranding in realtime te optimaliseren. Het stelt u ook in staat om een energiebalans voor de oven te berekenen: hoeveel energie er via de elektrische input binnenkomt, hoeveel via zuurstofreacties en hoeveel er door naverbranding wordt teruggewonnen.
3.4 Slakkenmonitoring
De chemische samenstelling en fysische toestand van de slak bepalen de metallurgische resultaten, maar traditioneel moest de toestand van de slak op het oog worden beoordeeld – kleur, vloeibaarheid, schuimvorming. Dat is subjectief en hangt af van de ervaring van de operator.
Wat is er nu beschikbaar:
- Slakkentemperatuursensoren — contactsensoren die de slaktemperatuur meten.
- Beeldanalyse — camera's (uiteraard watergekoeld) bij de ovendeur die beelden van de slak vastleggen; beeldverwerkingsalgoritmen analyseren de kleur en oppervlaktekenmerken van de slak.
- Elektrische geleidbaarheid van slakken — de geleidbaarheid van slakken hangt samen met de basiciteit en de oxidatietoestand; door deze te meten, verkrijgt u een indirecte indicator van de toestand van de slak.
- Monitoring van schuimslakken — akoestische sensoren of druksensoren die de hoogte en stabiliteit van het schuim meten.
Geen van deze systemen is nog perfect, maar ze worden steeds beter en ze leveren gegevens op die je in het besturingssysteem kunt invoeren.
IV. Elektrode-regulatie: Voorbij PID
4.1 De basislus
Elektroderegeling is een feedbacklus: meet de boogstroom en -spanning, vergelijk deze met de ingestelde waarden, bereken de fout en verplaats de elektroden om die fout te verminderen. Simpel in theorie, maar lastig in de praktijk omdat de boog een niet-lineaire, tijdsafhankelijke belasting is.
4.2 Bestrijdingsstrategieën
PID-regeling
De traditionele aanpak. Proportioneel-Integraal-Derivatieve (PID) regeling is eenvoudig, betrouwbaar en wordt door elke regeltechnicus begrepen. De beperking: er is een fundamentele afweging tussen reactiesnelheid en stabiliteit. Stel je hem snel af, dan gaat hij oscilleren; stel je hem stabiel af, dan is hij traag. Voor moderne, krachtige ovens met heftig fluctuerende vlambogen is PID alleen niet voldoende.
Fuzzy Control
Fuzzy control vereist geen nauwkeurig wiskundig model van het proces. In plaats daarvan codeer je besturingsregels die lijken op de manier waarop een ervaren operator denkt: als de huidige fout groot is en snel toeneemt, beweeg de elektrode dan abrupt. Fuzzy control kan de niet-lineaire boogkarakteristiek beter aan dan PID en is gangbaar geworden in moderne elektroderegelaars.
Neurale netwerken
Een neuraal netwerk kan de niet-lineaire relatie tussen boogstroom en elektrodepositie leren uit historische gegevens. Het voordeel: het kan zich aanpassen aan veranderende ovenomstandigheden. Het nadeel: het vereist een aanzienlijke hoeveelheid trainingsgegevens en het is een black box — als het een verkeerde beslissing neemt, is het moeilijk te begrijpen waarom.
Model Predictive Control (MPC)
MPC gebruikt een wiskundig model van het proces om toekomstig gedrag te voorspellen en optimaliseert de regelactie over een bepaalde voorspellingshorizon. Het is rekenintensiever dan de andere methoden, maar het kan omgaan met interacties tussen meerdere variabelen — bijvoorbeeld het feit dat het verplaatsen van één elektrode het booggedrag van de andere twee fasen beïnvloedt.
De meeste moderne systemen gebruiken een hybride aanpak: fuzzy logic voor de basisregeling, met PID als back-up en MPC-achtige optimalisatie op een hoger niveau.
4.3 Coördinatie van meerdere variabelen
Een driefasige wisselstroomoven heeft drie regelcircuits voor de elektroden, die op elkaar inwerken. Wanneer je één elektrode verhoogt, verandert de booglengte in de andere twee fasen vanwege de manier waarop het elektrische systeem is gekoppeld. Een goede regelaar houdt rekening met deze interacties en optimaliseert de driefasige stroomverdeling, niet alleen de regeling van individuele fasen.
V. Geautomatiseerd smelten
5.1 Wat "Automated" betekent
Geautomatiseerd smelten betekent niet dat er geen operator nodig is. Het betekent dat de computer de warmte regelt volgens een model, en dat de operator toezicht houdt in plaats van elke handeling handmatig te controleren.
Het smeltmodel omvat:
- Voedingsmodel — instelwaarden voor spanning en stroom voor elke fase
- Model voor zuurstoftoevoer: wanneer zuurstof toedienen, met welke stroomsnelheid en via welke lansen
- Praktisch model voor slakvorming: wanneer slakvormende materialen toevoegen en in welke hoeveelheden
- Legeringsmodel — hoeveelheden en timing van de toevoeging van legeringselementen
5.2 Zelflerende modellen
De betere systemen beschikken over zelflerende capaciteiten. Na elke test analyseert het systeem wat er is gebeurd: stroomverbruik, zuurstofverbruik, tijd tussen de metingen, succespercentage van de samenstelling, succespercentage van de temperatuur. Het zoekt naar correlaties — "toen ik deze stroomcurve en deze zuurstofstrategie gebruikte, duurde de test 5 minuten korter" — en past de modelparameters aan voor de volgende test.
Dit is waar de data waardevol wordt. Een oven die van elke verwarmingscyclus leert, is een oven die continu geoptimaliseerd wordt.
5.3 Belangrijkste geautomatiseerde bewerkingen
Geautomatiseerde meltdown-controle
Het systeem gebruikt stroom-, spannings- en akoestische signalen om te detecteren wanneer het smeltproces is voltooid en schakelt automatisch over naar de volgende energiestrategie. Er is geen oordeel van de operator nodig en het gebeurt sneller dan een mens kan reageren.
Geautomatiseerde schuimslakcontrole
Op basis van monitoring van de slakconditie en de intensiteit van de koolstof-zuurstofreactie past het systeem de zuurstofstroom en de koolstoftoevoeging aan om een stabiele schuimslaklaag te behouden. Dit is handmatig lastiger dan het lijkt – het systeem kan reageren op kleine veranderingen in de schuimhoogte die een operator zou missen.
Eindpuntvoorspelling
Met behulp van een temperatuurvoorspellingsmodel en een samenstellingsanalyse (van de afgassen en monsters) voorspelt het systeem wanneer de warmte klaar is om af te tappen. Het kan de operator een 'aanbevolen aftapmoment'-melding geven met een voorspelde temperatuur en samenstelling, waardoor het aantal herverhittingen en aftapbeurten die niet aan de specificaties voldoen, wordt verminderd.
VI. Regeling van rookafzuiging en stofopvang
6.1 Waarom automatische besturing hier belangrijk is
Een elektrische vlamboogoven (EAF) produceert veel rookgassen; de stofconcentratie in het ruwe gas kan oplopen tot 10–20 g/Nm³. Het stofafzuigsysteem moet dit aankunnen, maar verbruikt tegelijkertijd ook veel energie. Automatische regeling stemt de rookgasafzuigcapaciteit af op de werkelijke behoefte, waardoor er minder stroom nodig is voor de ventilatoren zonder dat de afzuigefficiëntie afneemt.
6.2 Regeling van de ventilatorsnelheid
In plaats van de ventilator op een constante snelheid te laten draaien, kunt u een frequentieomvormer (VFD) gebruiken om de ventilatorsnelheid aan te passen aan de smeltfase:
- Opladen en aftappen — maximale rookontwikkeling; laat de ventilator op volle snelheid draaien.
- Meltdown — hoge rookontwikkeling; draaien op middelhoge snelheid
- Raffinage — rookgasvorming neemt af; verlaag de ventilatorsnelheid
- Tussen de verwarmingsbeurten door: weinig tot geen rookontwikkeling; laat de motor op lage snelheid draaien of schakel hem uit.
De energiebesparing door frequentieomvormerregeling van grote stofafzuigventilatoren is aanzienlijk: vaak 20% tot 40% van het stroomverbruik van de ventilator.
6.3 Automatisering van het filterhuis
De meeste stofafzuigsystemen voor elektrische vlamboogovens maken gebruik van zakkenfilters. Het besturingssysteem regelt:
- Bewaking van het drukverschil en aansturing van de reiniging — de pulsstraalreiniging wordt geactiveerd door het drukverschil over de zakken; te vaak reinigen leidt tot verspilling van perslucht, te zelden reinigen resulteert in een te hoog drukverschil.
- Temperatuurbewaking — als de inlaattemperatuur de maximale temperatuur van de zakken overschrijdt (doorgaans rond de 120 °C voor standaardzakken), moet u een melding geven en mogelijk maatregelen nemen om de zakken te beschermen.
- Controle van het niveau in de stofcontainer: wanneer de stofcontainer vol is, moet u deze legen voordat deze terugstroomt in het filtergebied.
VII. De toekomst van regeltechnologie
7.1 Van automatisering naar intelligentie
Automatisering betekent dat het systeem een geprogrammeerde reeks uitvoert. Intelligentie betekent dat het systeem leert en optimaliseert. De grens ligt bij systemen die in de loop der tijd beter worden zonder expliciet opnieuw geprogrammeerd te hoeven worden.
Big Data Analytics
Een enkele smeltgang genereert duizenden gegevenspunten: elektrische parameters, temperaturen, gasanalyses, legeringstoevoegingen, tapgegevens. Door deze gegevens over honderden of duizenden smeltgangen te combineren, ontstaan er patronen:
Welke combinaties van grondstoffen leveren de kortste verwarmingstijden op?
Welke vermogenscurvevormen werken het beste voor welke afvalmengsels?
Welke operators behalen consequent de beste resultaten (en wat doen zij anders)?
Deze gegevens zijn al jaren beschikbaar. Nieuw is de rekenkracht om ze systematisch te analyseren en de resultaten terug te koppelen naar de regelmodellen.
Toepassingen van kunstmatige intelligentie
- Machine learning-modellen voor het voorspellen van de eindtemperatuur en -samenstelling — deze draaien nu in productie en presteren merkbaar beter dan de regressiemodellen die ze hebben vervangen.
- Expertsystemen die de kennis van ervaren operators omzetten in regels die de computer kan gebruiken.
- Diep leren voor complexe, niet-lineaire verbanden — bijvoorbeeld beeldanalyse van slakken, waarbij een diep leermodel de toestand van slakken kan classificeren aan de hand van een camerabeeld.
7.2 Digitale tweeling
Een digitale tweeling is een virtueel model van de fysieke oven dat parallel loopt met de daadwerkelijke apparatuur en realtime gegevens van de fabriek ontvangt. Toepassingen in de EAF-staalproductie:
- Virtuele inbedrijfstelling — test een wijziging in de besturingsstrategie in de digitale tweeling voordat deze in de echte oven wordt geïmplementeerd.
- Operatorstraining — een simulator gebaseerd op de digitale tweeling biedt operators een veilige omgeving om te oefenen met reageren op abnormale situaties.
- Foutvoorspelling — vergelijk de voorspellingen van de digitale tweeling met daadwerkelijke metingen; een toenemende afwijking kan een vroege indicator zijn van slijtage aan de apparatuur.
- Procesexperimenten — test 'wat als'-scenario's in het model zonder de productie te onderbreken
De technologie van digitale tweelingen is nog in ontwikkeling in de metaalindustrie, maar het potentieel is aanzienlijk.
7.3 Cloud- en ondersteuning op afstand
Doordat industriële netwerken betrouwbaarder en veiliger zijn geworden, zijn bewaking en ondersteuning op afstand steeds praktischer geworden:
- Bewaking op afstand — de leverancier van de apparatuur kan de prestaties van uw verwarmingsinstallatie in de gaten houden en problemen opsporen voordat u ze zelf ziet.
- Diagnose op afstand: als er iets mis lijkt te zijn, kan een specialist inloggen en helpen bij het diagnosticeren van het probleem zonder naar de locatie te hoeven reizen.
- Cloudgebaseerde optimalisatie: upload uw warmtegegevens naar een cloudplatform dat geavanceerdere optimalisatiealgoritmen kan uitvoeren dan uw lokale Level 2-systeem aankan.
- Kennisdeling — vergelijk uw prestaties met vergelijkbare ovens in andere fabrieken
Samenvatting
Intelligente besturing in de EAF-staalproductie is van onderzoekslaboratoria naar de productievloer verplaatst. De technologie die vijf jaar geleden nog baanbrekend was – akoestische besturing, zelflerende smeltmodellen, realtime gasanalyse – is nu verkrijgbaar bij diverse leveranciers en wordt wereldwijd in smeltovens toegepast.
De richting is duidelijk: meer sensoren, betere modellen en systemen die leren van elke batch. Voor staalproducenten is de vraag niet of ze intelligente besturing moeten invoeren, maar welke mogelijkheden prioriteit moeten krijgen en hoe ze in de bestaande processen kunnen worden geïntegreerd zonder de productie te verstoren.
De bedrijven die dit goed aanpakken – die goede sensoren, nauwkeurig afgestelde modellen en operators die begrijpen wat het systeem doet combineren – zullen de komende tien jaar de norm voor productiviteit bepalen.
