要点速览
- 连续退火过程中，带钢质量取决于 辐射管 内燃气燃烧器是否充分、稳定燃烧；但燃烧器数量多，且从炉外不可见。
- 传统检查依赖工人每半年一次、约半个月检修期内手持巡检，效率低，而且处于高温、有害气体环境中，安全风险高。
- 通过挖掘 BCU 已采集的离子电流数据，规则 + 离群检测模型可识别三类故障：长期无火、火焰不稳定、火焰未关闭，无需新增传感器。
- 在一条包含 218 组辐射管燃烧器 的产线上，人工半年巡检被约每两天一次的远程自动检查替代，并能报警和定位故障。
冷轧会在室温下对钢材造成强烈变形，使轧后板带的延展性和塑性明显下降。为了恢复这些性能，带钢必须经过退火，通过加热过程中的回复、再结晶和晶粒长大释放内部应力。因此，退火是冷轧厂最重要的工序之一，成品带钢质量与退火效率直接相关。而退火效率又取决于一个几乎无法直接观察的问题：辐射管内部火焰是否正常燃烧。
什么是辐射管？为什么它的火焰难以监测？
连续退火炉通常采用间接加热。燃气燃烧器在密闭的辐射管内燃烧，管壁向移动中的带钢辐射热量，燃烧气体不会直接接触带钢。每根管内布置大量燃烧器，且从炉外不可见。一旦某个燃烧器不点火、燃烧不稳定或未按要求关闭，带钢加热就会异常，内部应力释放不充分，质量和产能都会下降，但从炉外很难立即发现。
痛点：看不见、危险，并且半年才查一次
某全球领先钢铁企业的连续退火产线，过去只能依靠人工直接检查燃烧状态。辐射管每半年检修一次，每次检修约半个月，工人需要沿线使用手持检测设备逐一检查每根管的工作状态。这项工作速度慢、产出有限，而且要在高温和有害气体环境中进行，存在真实的安全风险。更麻烦的是，由于检查频率很低，异常辐射管可能长期未被发现，在两次检修之间持续影响产品质量并浪费能源。
项目目标看似简单，却很有挑战：建立一套信息系统，对辐射管内部燃烧进行监测，让工厂能够远程、安全、高效地巡检，从而保障带钢质量并提升生产效率。
关键思路：挖掘燃烧器已经产生的信号
突破口是不新增硬件。每个燃烧器都会通过燃烧器控制单元 BCU 产生离子电流，这个信号能够反映燃烧器是否点火、燃烧是否稳定。系统无需安装新传感器，也不需要人员进入炉区，而是直接从既有数据中提取价值。正如 DPlus® 平台 所做的那样：采集数据，赋予工程语境，完成分析，并把结果转化为针对具体燃烧器的报警动作。
三类故障，写在离子电流信号里
团队与现场燃烧专家一起，从离子电流数据中构造描述燃烧稳定性的特征，并建立基于规则 + 离群检测的异常识别模型。模型从两个方向比较燃烧器：纵向比较同一时段不同燃烧器，横向比较同一燃烧器在不同时段的变化。它能够识别三类燃烧事件，每类事件在数据中都有清晰特征：
- 长期无火：离子电流长时间保持在 0，说明燃烧器没有点火。
- 火焰不稳定：数值密集分布在正常峰值与 0 之间，集中在 4–15 区间，说明火焰反复波动。
- 火焰未关闭：低值 0–4 区间样本数量异常增加，说明燃烧器没有按预期关闭。
从信号到可用系统
模型被封装成可靠性团队日常使用的 Web 应用，围绕五类功能展开：BCU 报警监控、事件管理、火焰质量视图、分析报告和分布（频谱）分析。操作员可以一眼查看整条产线，每个燃烧器按状态着色；也可以进入被标记的燃烧器，查看离子电流分布，并追踪事件随时间的变化。在一次典型运行中，系统大约每两天跟踪一次产线燃烧器，并在 200 多个燃烧器中记录少量真实故障，例如约十个长期无火辐射管，以及少数火焰不稳定或未关闭事件。这些小而关键的信号，正是过去人工巡检可能数月才发现的异常。
带来的变化：运维、生产与能耗
运维。原本高风险、半年两次的手持巡检，被连续自动监测和提前预警替代。系统能够精确指出哪一组辐射管异常，让工程师把时间用于处理问题，而不是在高温、有害气体环境中逐个寻找问题。
生产。故障从“数月后发现”变成“数天内发现”，由燃烧器长期异常引发的质量问题、产能损失和原料浪费会明显减少。对不稳定燃烧的早期识别，也能降低其对设备造成的损伤。
能源。一批状态不佳的辐射管会让炉体升温变慢或难以达到目标温度，操作员往往不得不增加燃料和能量输入。提前识别这些辐射管，可以减少额外消耗，直接服务节能降碳。
给钢铁企业的启示
工厂里最有价值的信号，常常已经被记录下来，只是还没有被真正读懂。在这个案例中，原本仅用于燃烧控制的电流测量，通过特征工程和适度的异常模型，变成了远程、安全、可执行的巡检替代方案。没有新增传感器，也不需要推倒重来，只是把工厂自己的数据转化为可信的决策。