烧结系统智能制造与大数据技术应用探讨

 为了提升烧结工序的智能制造水平,系统总结了近几十年来烧结系统模型的研究进展。针对当前烧结终点预报、烧结矿成分和质量预报以及烧结配料优化模型存在的问题,开展了基于大数据、集成学习和深度学习等技术的烧结系统参数预报与优化研究,并着重介绍了模型在预报精度及泛化能力提升方面取得的成效。基于上述烧结系统参数预报模型,提出了现场应用烧结过程参数预报与优化系统系统的硬件结构设计和软件结构设计方法。最后从钢铁行业需求出发,剖析了先进信息化技术与工业自动化装备深度融合是提升烧结系统智能制造水平的重要途径,并探讨了大数据及人工智能技术在铁前烧结领域的研究方向和应用前景。     

基于改进的AdaBoost.RS算法的烧结终点预报分析

烧结终点的稳定控制是提高烧结机利用效率及烧结矿产量和质量的前提，因此获得准确的烧结终点位置是优化烧结过程的基础。通过分析烧结过程参数对烧结终点位置的影响，提出一种适用于烧结终点预测的集成算法。在AdaBoost.RS算法的基础上，自适应调整松弛变量的阈值，以极限学习机为弱学习器建立烧结终点位置预报集成算法模型。以宝钢烧结面积为495 m2的烧结机为例，利用实际生产数据进行模型检验。结果表明，当绝对误差小于1.6 m时，模型的预报结果命中率为97.4%，均方根误差为0.58，预报值序列与实际目标值序列的相关系数为0.78。对各影响因素定量分析结果表明，影响烧结终点位置的前三因素依次为料层厚度、台车速度与配水量。     

改进训练方法的模糊神经网络模型预报转炉终点磷的研究和应用

根据150 t转炉的冶炼工艺和生产数据及转炉终点磷含量的影响因素,并针对现有BP网络学习算法的不足,基于BP算法提出一种改进网络训练算法,建立了基于模糊神经网络的转炉终点磷含量的预报模型。结果表明,改进后的模型预报转炉终点磷含量误差为±0．002％的命中率达68．69％,预报误差±0．004％的命中率达95．96％,磷含量的最大误差为±0．006％。     

基于大数据技术的烧结终点优化控制

针对烧结终点优化控制问题,介绍了近年来关于烧结终点位置判断、烧结终点建模控制这两方面所取得的研究成果。基于大数据技术的兴起和国内外关于大数据技术的成功应用,提出了一种基于大数据技术的烧结终点优化控制策略,并给出了具体的实施方案。依据该实施方案,初步完成了烧结原始料层透气性预报模型的构建以及料层透气性核心操作参数最优控制范围的确定,用于指导现场操作人员改善透气性,保证烧结过程在稳定的原始料层透气性情况下运行生产,避免烧结过程后期因烧结终点偏差过大、对台车等操作参数异常调节而引起整个烧结过程发生更大的波动。     

基于神经网络的真空感应炉终点钢水温度预报

针对真空感应炉生产过程中温度测量成本较高及精度较差等不足,建立了基于RBF神经网络的真空感应炉终点钢水温度预报模型。对输入参数作了详细的分析、筛选,并运用聚类算法对该模型进行了训练。结合现场数据进行了学习和预报,预报命中率较高,表明采用该方法可很好地预报钢水温度。     

基于综合神经网络的优化配矿系统模拟模型及应用

针对烧结配矿的复杂性，建立了综合神经网络模拟模型，用以仿真烧结配矿与烧结矿产质量指标问的关系，并利用生产数据对模型进行了检验。综合神经网络的应用能大大提高预报的命中率。同时，对在其他领域的应用，也有很好的参考价值。     

转炉冶炼终点磷的预报模型

根据现场的冶炼工艺和生产数据，研究了转炉冶炼终点磷的预报方法；采用机理模型和偏最小二乘模型分析了终点磷的影响因素；建立了基于偏最小二乘回归的转炉终点磷的预报模型。结果表明，训练样本在终点磷的绝对误差为±0.003%，在控制精度范围内命中率达87.26%，测试样本在此精度范围内的命中率达到8627%。     

转炉终点氧含量预报模型

建立了两种转炉炼钢终点氧预报模型。即数学统计模型和神经网络模型。数学模型采用多元线性回归方法建模,该模型简单、可视,但预报效果不理想,预报误差小于80×10-6,命中率仅为72.7%。神经网络模型在选取适当输入参数的基础上,通过对现场生产数据进行训练,求得合理优化的网络权重,可对转炉终点氧含量进行离线预报,该模型的预报结果较好,预报误差小于80×10-6时,预报命中率超过86.4%。     

应用改进的神经网络模型预报转炉冶炼终点

准确预报转炉冶炼终点的钢水温度与碳含量对提高转炉终点命中率具有重要意义。针对现有多层前馈网络学习算法的不足,基于BP模型提出一种改进算法,建立了复吹转炉冶炼终点的预报模型,并与BP模型的预测结果进行了统计比较。研究表明,改进后的模型能够对冶炼终点进行良好的预报。采用单节点输出模型对终点钢水碳含量与温度分别进行预报,预测误差w(Δ[C])<±0.03%的命中率达97.22%,Δt<±12℃的命中率为94.44%。还建立了神经网络双节点输出模型对转炉终点钢水碳含量及温度同时进行预报,误差Δt<±15℃、w(Δ[C])<0.03%的双命中率为76.92%。     

基于DNN的烧结终点预报及智能调节系统开发

烧结工序作为传统长流程钢铁生产过程中的重要环节之一,其烧结矿产、质量直接影响炼铁生产的效益,而烧结终点作为检测烧结生产状态的重要指标,对其进行准确预报将对生产产生有效的推动作用。设计了基于Python语言的深度神经网络(DNN)预报模型,将训练好的模型应用于烧结终点预报,建立最终模型的均方差损失达到了0.375,精确度高,可满足现场要求。同时,从影响烧结终点的重要参数出发,构建烧结终点模糊控制器调节烧结终点,并构建点火温度智能化调节模型、混合水分优化模型和烧结矿化学成分区间优化控制方式来辅助调节烧结终点。最终使用Python语言完成烧结终点预报及操作指导系统的开发工作,实现了烧结终点的准确预报与烧结终点异常后的全方位、多角度智能化处理,构建了在线监测、终点预报、终点预报模型优化、异常报警、异常处理于一体的智能控制系统,为烧结生产人员实现烧结终点全流程优化提供有利指导。     

基于机器学习算法的“全三脱”工艺转炉终点预测

建立精准的转炉终点预测模型对生产效率和钢液洁净度的提升尤为重要。以首钢京唐钢铁联合有限责任公司“全三脱”工艺转炉为研究对象,对历史生产数据进行皮尔逊相关性分析,得到与转炉终点温度、碳含量最相关的15个自变量。利用BP神经网络、极限学习机(ELM)和支持向量机(SVM)3种机器学习算法分别建立了转炉终点预测模型。随后选取160组新样本数据来检验3种模型的预测精度,结果表明：SVM模型下转炉终点温度、碳含量预测模型精度更高,终点温度预测误差在±15℃内的命中率为90.6%,终点碳质量分数预测误差在±0.01%内的命中率为93.8%。另外,基于支持向量机算法建立的转炉终点预测模型,全三脱工艺比常规工艺的终点温度误差±15℃内、碳质量分数±0.01%内命中率分别提高了9.1百分点和14.4百分点。     

基于反应带触底映像的烧结终点预报模型

基于废气温度的烧结终点预报、调节方法预报准确性差、调节震荡性高,严重影响余热发电指标。研究各反应带料层厚度及垂直烧结速度的综合作用效果与反应带触底映像位置及长度的一一对应关系,建立基于烧结反应带触底映像位置及长度的烧结终点预报模型。新模型修正了现有预报模型关于烧结终点定义存在的根本性错误,采用反应带触底映像长度作为烧结终点预报指针,提出全程参与、分区预报、分级校正、补偿调节的烧结终点预报及自动调节新方法,并建立相应的烧结终点预报及调节动力决定模型。新模型采用数值模拟与实体数据关联相结合的方法面向生产实用,具有较高的可操作性。     

基于BP神经网络算法的脱磷转炉终点磷含量预报模型

为更准确地预测脱磷转炉冶炼终点钢水磷含量,选取某钢铁公司冶炼DC04钢种作为研究对象。根据工业试验得到的铁水条件、造渣料及吹氧量等工艺参数,利用灰色关联分析法得到各工艺参数关于脱磷转炉终点磷含量的灰色关联度,并结合BP神经网络算法建立关于脱磷转炉冶炼终点磷含量的预报模型。通过不断优化,使该模型实现预测脱磷转炉终点w(P)误差值分别在±0.004%、±0.006%和±0.008%时,命中率达到83.33%、90.00%和93.33%。通过该模型在现场的应用,可为钢铁企业更准确和快速的确定终点磷含量提供技术参考。     

烧结系统智能制造的发展现状与展望

为提升烧结工艺的智能制造水平,本文以大数据为核心线索,全面探讨了参数预测、图像识别、过程控制和系统平台等在烧结工艺中的应用。工艺参数预测有效提高了生产效率,保障了烧结矿质量;图像识别技术赋予机器“感知”能力,使其能够科学有效地对信息进行规划分类;烧结智能控制系统的水分、配料和终点控制应用显著提高了生产效率和产品质量,为烧结工艺智能化发展和钢铁工业可持续进步奠定了坚实基础;烧结大数据平台的实时数据分析确保数据的实时性与有效性,为企业烧结生产提供科学依据,提高了精准度和运行速度。在大数据的引导下,烧结工艺的智能制造水平得到显著提升,企业生产效率和烧结矿质量均得到有效保证。智能控制技术的快速发展使得钢铁工业迈向智能制造的转型升级成为必然趋势。     

BOF→LF→CC流程钢水温度预报

针对炼钢连铸流程的工艺特点和生产数据,建立了基于BP神经网络的"BOF→LF→CC"流程钢水温度预报模型。通过相关性分析筛选模型变量,利用五数概括法筛选数据,采用LM优化算法改进BP神经网络,利用生产数据对模型进行了训练和测试。并用Java语言开发了钢水温度预报模型的程序,在某钢厂进行了应用。结果表明,各区段钢水温度预报模型的预报命中率基本可以满足生产的要求。     

基于转炉烟气分析的熔池碳含量及温度动态预报

基于烟气分析获得烟气流量及成分,应用碳平衡原理构建的碳积分数学模型可动态预测熔池中的碳含量;对炉气信息延迟性、炉气量、枪位系数和脱碳速率拐点a与b等参数的修正,能够提高熔池碳含量动态预报的精度。在熔池碳含量动态预报的基础上,基于热平衡理论和碳氧反应热力学构建了熔池温度动态预报模型,通过脱碳速率拐点a和b的修正以及分阶段模型的构建,能够提高熔池温度的预报精度。在此基础上采用Visual Basic 6.0和SQL Server 2000数据库构建了熔池碳含量和温度动态预报系统,利用该系统对一定时期的46炉冶炼数据进行了离线运行,结果表明:终点w(C)0.2%时,预报偏差小于0.02%命中率为84.8%,模型终点温度预报偏差小于20℃命中率为84.8%,C-T双命中率达到73.9%,基本满足冶炼对终点命中率的要求。     

80 t转炉终点预报TSVR模型精度

 转炉炼钢是一个复杂的高温物理化学反应过程。在冶炼过程中不能连续检测钢的成分。所以,准确地预报终点的碳质量分数和温度对于提高终点命中率是非常有意义的。基于广西某钢厂80 t转炉炼钢实际生产数据,建立了终点碳质量分数和终点温度的孪生支持向量回归机(TSVR)预测模型,对100个炉次的实际生产数据进行了模型的训练,另外30个炉次的数据用于验证模型的精度。结果表明,预测误差Δω([C])≤ 0.01%的命中率为93.3%,Δt≤15 ℃的命中率为96.7%,双命中率为90%。与BP神经网络模型相比,TSVR模型的终点碳质量分数和终点温度命中率均比BP神经网络模型高。     

利用人工神经网络系统提高转炉终点碳温双命中率

以神经网络为基础开发出一套转炉冶炼终点控制模型。模型以转炉炼钢基础理论为依据,采用误差后向传播网络——BP网络为原形,对其算法进行改进,建立两个三层BP预测神经网络,选用29个输入参数,分别对终点温度和终点碳含量进行预报。通过采集现场操作数据和实际应用,碳温双命中率达到80%以上。     

基于烧结状态与集成学习的烧结矿转鼓强度预测

鉴于影响烧结转鼓因素较多,难精准预测的问题,将数据分析与现场经验结合,提出了一种基于烧结状态与集成学习的烧结矿转鼓强度自适应预测模型。该模型首先通过数据收集整合、异常数据识别与缺失数据处理等数据预处理过程,获取高质量烧结矿转鼓强度预测数据集合;再采用Boruta算法结合Pearson线性、XGBoost非线性相关性分析选择转鼓强度预测模型输入特征,避免了模型输入特征的不完整性;最后采用5种不同机器学习算法构建转鼓强度集成学习预测模型,各子模型预测结果权重可根据烧结生产实际情况进行自适应更新。结合现场生产实践与烧结历史数据分析,通过烧结终点温度与主管负压对烧结状态进行区分,在误差范围为0.5%时,转鼓强度的预测命中率在90%以上。     

基于熔池混匀度的转炉烟气分析定碳模型

转炉冶炼终点碳曲线拟合模型避开了熔池初始碳含量难以精准确定的问题,假设吹炼后期脱碳速率与熔池碳含量具有一定的函数关系,通过这种函数关系预报钢水终点碳含量.终点碳的三次方模型和指数模型预报精度在±0.02%之间的命中率分别为85.9%和81.2%.运用熔渣分子理论,基于冶炼热轧板材(SPHC)的渣组元成分,计算得出渣中FeO的活度为0.241.出钢温度为1686℃时,C和Fe元素选择性氧化的临界碳质量分数为0.033%.本文在传统指数模型的基础上,充分考虑了枪位、顶吹流量、底吹流量等操作参数对熔池脱碳速率的影响,建立了基于熔池混匀度的指数模型.基于熔池混匀度的指数模型与其他烟气分析碳曲线拟合模型相比,命中率有所提高.以新钢生产热轧板材(目标碳质量分数为0.06%)时的烟气数据为研究对象建模,终点碳质量分数预报误差在±0.02%之间的有75炉次,占验证数据量的88.2%.