烧结矿FeO含量预报系统开发与应用

针对FeO含量控制复杂与难度大的实际情况,开发了神经网路预报系统.采用改进后的4层前向神经网络,进行多因素输入建模,输出采用主因线性相关与次因非线性相关叠加,预报现场烧结矿FeO含量.网络结构设计精度高、泛化能力强.训练方差为0.01508846,用训练样本集测试FeO含量输出,检验的绝对平均误差为0.135 665,命中率为97.78%.采用训练后网络预报,绝对平均误差为0.189 226,命中率为91.14%.     

烧结矿FeO自动测量系统的研究

试验和生产实践表明,FeO含量对烧结矿冶金性能有重要影响,进而直接影响到烧结生产和高炉冶炼的技术经济指标。 人工取样化学分析FeO含量的方法由于取样时间间隔长、采样点集中、代表性差且取得结果的时间严重滞后(2～3小时),对烧结生产及稳定高炉操作所起的     

烧结矿FeO含量的波动

烧结生产过程中，由于多种因素的存在，极易生成过量的FeO。FeO是确保烧结矿产质量的必备成分，但它在烧结过程中多以柱状结晶体的形式存在，不易被还原，使烧结矿还原性变差，因此是众多烧结工作者一直努力控制的难点。长期以来，杭钢炼钢厂烧结矿FeO含量在9％～10％之间，远高于国内同行的7％--8％的水平，对高炉影响较大。根据烧结生产实践中出现的情况，简单分析在烧结操作过程中引起烧结矿FeO含量波动的几点因素。     

二烧烧结矿FeO适宜含量的研究

本文介绍了二烧烧结矿FeO适宜含量的试验室试验和工业试验结果。烧结矿的FeO平均含量由试验前的7.4％提高到8.4％以后,产量、质量明显提高;高炉冶炼也获得稳产、高产的良好效果。在目前的条件下,二烧烧结矿的FeO含量以8％左右为宜。     

浅析烧结矿中FeO的控制

分析了影响烧结矿中FeO含量的因素,提出了减少FeO含量波动的措施.     

降低烧结矿FeO含量 改善烧结矿冶金性能

本文对影响FeO含量升高的因素进行分析后,对烧结矿碱度的标准进行修订;大力推行低温烧结新技术,并对烧结原料进行合理搭配使用;确保燃料粒度满足烧结生产;以及举办职工培训班,提高职工节能降耗意识。通过半年多的努力,FeO含量有了比较明显的下降。     

基于双向长短时记忆网络模型预测烧结矿FeO含量

烧结过程中FeO含量是影响烧结矿性能的重要参考指标。对FeO含量变化进行实时观测和监视,可以减少烧结能耗,改善烧结效果。针对目前企业实时观测FeO含量手段较为单一的情况,研究了基于双向长短时记忆网络模型(bi-directional long short-term memory, BiLSTM)的烧结矿FeO含量预测模型。数据来源为攀钢六型烧结机2021年部分工艺数据,经过滤、提优等数据处理后,选取BiLSTM神经网络进行训练、调参,与企业现场烧结工艺相结合,提高了模型预测的准确率,基本实现了烧结矿FeO的预测。测试结果表明,在企业误差允许的范围内,准确率达90.2%,因此可以给予企业内烧结矿生产有效意见。     

高碱度条件下FeO对烧结矿性能的影响

FeO是烧结矿的主要成分,对烧结矿强度与冶金性能有重要影响。国内外都推行低FeO烧结,如何寻求既要提高烧结矿还原性又不降低强度是研究FeO的关键。攀钢烧结矿碱度（R）达到2.5左右,进行了FeO对烧结矿性能影响与FeO的影响因素实验。实验结果表明,强度、利用系数、成品率随FeO的上升而提高,FeO达一定值后指标亦达最大值,具有典型的二次曲线特性;随FeO的上升,还原性变差,低温还原粉化率改善。w（FeO）控制在7.24％～844％可兼顾质量、能耗、冶金性能等各种指标在最佳范围。在燃料配比不变的前提下,碱度、水分、SiO2、Al2O3、返矿用量任何一个因素量的上升均会导致FeO的下降,进而影响生产技术指标,因此须适当提高配炭量。     

基于神经网络的烧结矿化学成分自适应预报系统的开发

将多层前向人工神经网络应用于烧结矿化学成分预报，改进后的BP算法可以实现网络结构的自组织。应用该技术开发的烧结矿化学成分自适应预报系统能够快速，准确地预报烧结矿的化学成分，可用于在线操作指导或作为自动控制的依据。     

烧结矿FeO含量的研究

本文对影响烧结矿的FeO的因素进行了分析，并对FeO在生产过程中对烧结矿质量指标的影响进行了探讨和研究。     

唐钢烧结矿适宜FeO含量试验

在实验室条件下,研究了烧结矿中FeO含量与固体燃料配比之间的关系,分析了FeO含量对烧结矿机械强度、粒度组成、低温还原粉化性能、还原性能、熔滴性能的影响,认为在唐钢目前原料条件下适宜的烧结矿中FeO含量应控制在7.9%～9.2%。     

重钢三烧降低烧结算FeO的技术研究

对重钢三烧条件下影响烧结矿FeO的因素进行了分析。找出了降低烧结矿FeO的技术途径，并结合现实条件实施了降低烧结矿FeO的措施，取得了良好的效果．     

基于自适应遗传神经网络的烧结矿化学成分超前预报模型

提出了自适应遗传神经网络模型预测烧结矿化学成分的方法，用实际烧结生产数据对模型进行训练，并用该模型对烧结矿化学成分进行预报，仿真结果表明。该模型取得了很好的预测效果。     

基于线性规划和神经网络的优化烧结配料系统开发

合理经济地确定烧结配料问题,具有十分重要的意义。本文从技术要求和经济效益两方面综合考虑烧结配矿的最佳经济性问题。根据线性规划法的思路。以生产实践为基础,建立目标函数,确定约束条件,对烧结所用铁矿粉进行优化配料。同时,利用神经网络模型预测烧结矿的性能指标,依据其结果调整线性规划的约束条件,从而得到满足烧结矿质量要求的最佳配矿比。     

人工神经网络在烧结矿指标预测中的应用

应用误差反向传播方式建立了烧结矿性能指标预测的神经网络模型,并用实际烧结生产数据对模型进行了训练,训练后的模型可以对烧结过程进行分析,并可对烧结矿的FeO含量和烧结矿转鼓指数进行预测。     

基于模糊推理与神经网络的烧结图像识别

烧结机尾断面图像信息对于在线分析烧结矿质量指标起着十分重要的作用。本文针对烧结机尾断面图像存在较强的干扰噪声及烧结机尾断面图像特点,提出了一种基于模糊推理的自适应滤波方案,并采用双阈值自动分割方法对滤波后的图像进行了分割。在提取图像中有效特征信息的基础上,采用改进的BP神经网络模型结合烧结看火工的经验,建立了对烧结质量进行识别的神经网络分类器,并采用现场的实际图像数据对分类器进行了训练。对现场图像的烧结状况和FeO等级进行了识别。识别结果与烧结专家给出的结果基本一致。     

南(京)钢降低烧结矿FeO的攻关实践

介绍了我厂降低烧结矿FeO攻关实践所取得的效果，从提高焦粉破碎粒度合格率，降低焦粉配比。采用焦粉二次添加与低温厚料层烧结工艺生产高碱度烧结矿等方面论述了降低烧结矿FeO的措施，并指出了今后的努力方向。     

影响济钢400m~2烧结机烧结矿FeO含量的因素分析

讨论了FeO含量对烧结矿冷强度和烧结矿低温还原粉化率RDI+3.15的影响。降低烧结矿中的FeO含量有利于提高烧结矿还原性,但是过低的FeO含量会降低RDI+3.15。本文以济钢400m2烧结机为例,研究了影响烧结矿FeO含量的因素。研究发现,降低料层厚度和混合料水分、提高配碳量和焦粉粒度均能提高烧结矿中FeO含量;另外,降低碱度,提高SiO2含量也可以提高FeO含量。