基于大数据的智能化烧结技术研究进展

烧结是高炉炼铁过程的主要工序之一，利用大数据智能化技术有望解决烧结配矿原料条件复杂、配矿约束失真、配矿模型寻优困难、烧结过程参数预测模型精度低、产线适应性不强、烧结状态质量表征困难等传统难题。目前部分钢铁企业已经建立了包括烧结过程数据的炼铁数据平台，实现了烧结过程数据的采集存储与初步处理；现有配矿模型的约束设置与现场条件吻合度有所提升，通过数据分析与智能算法加快了配矿模型的寻优速度与精度；通过不同方法构建的烧结状态质量关键参数智能预测模型，在测试集上的预测效果良好；烧结过程综合评价与优化也进行了探索并取得了一定成效。基于现有研究进展，对烧结全链条数据治理、机理与数据融合的烧结智能配矿、烧结全产线关键参数自更新预测、数据与经验协同的烧结过程自适应综合评价体系构建与优化等智能化烧结技术的研究与应用方向进行了展望。需要针对烧结数据存在的问题开展模块化治理，消除参数间时滞性并构建参数动态关联规则库；进一步开发机理数据深度融合且适应产线条件的烧结智能配矿模型，并结合高炉使用效果对烧结智能配矿进行深度优化；结合产线自身数据特点与现场操作人员需求，全面选择烧结过程预测目标参数，并根据目标参数的数据频...     

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。     

基于大数据技术的烧结全产线质量智能控制系统

通过部署大数据采集平台,运用高效的分布式信息传输技术,完成海量烧结生产数据的采集和汇总,建立烧结全产线数据仓库;通过融合工艺知识和大数据挖掘技术,提取原料性能、配矿理论、过程工艺参数、产质量指标、生产成本等参数间的潜在规律;以数理统计和机器学习算法为核心,深入研究基于大数据技术的烧结全产线质量智能控制系统;通过决策树和最优化等方法,建立完善的决策体系。基于梯度提升树算法初步建立了烧结终点预报模型,模型预测命中率达99%以上,与以往建立的烧结终点预报模型相比,模型预报命中率和稳定性进一步提升。研究成果将促进烧结生产的创新、自动化和智能化发展,稳定控制烧结矿的产质量指标,降低生产成本,具有广泛的应用价值。     

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。     

基于深度学习的烧结返矿量组合预报模型研究

返矿量是影响烧结矿质量和炼铁成本的重要因素。针对该数据难以在短时间内获得且相关预测研究较少的问题，本文提出了一种应用深度学习算法构建的烧结返矿量组合预报模型。该模型首先将烧结实际生产流程大数据与数据预处理技术相结合，建立模型基础数据集；然后将烧结流程中存在的滞后性与时域神经网络相结合，实现模型的提前预报功能；同时将皮尔逊相关性分析和PCA技术制定的烧结配料规则与深度森林相结合，实现模型的实时监测功能。预测结果分析表明：该模型整体误差范围(返矿量在15 t/h内)命中率能够达到90%以上，并展示出良好的提前预报和实时监测效果，能够达到预测返矿趋势与数量的目标。     

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。     

铁矿粉烧结过程建模与仿真研究现状

铁矿烧结是高炉炼铁生产的重要环节,开展烧结过程建模、仿真与优化对提升烧结自动化水平,实现智能制造具有重要意义。阐述了铁矿粉烧结生产自动化建模与仿真的发展状况,从信息建模和智慧优化层面归纳总结了过程机理与特征信息的表征、数据驱动的融合和数值模拟的场态分析3类模型。结合烧结流程自动化,分析比较了系列方法的优势与局限,并指出了建模和仿真模型的应用发展趋势。面向国家2025智能制造战略需求,开展烧结过程建模与仿真的生产实践,积极推进烧结领域的智能制造。     

近年钢铁主业智能制造发展综述(上篇)

综述了铁前原料场、烧结、球团、高炉本体及其附属系统和钢铁智能制造概况,介绍了钢铁企业积极开展、推行从料场到轧材的各个工序基于"信息化、数字化、网络化、大数据技术和云计算"背景下的智能制造情况,以及在工艺过程优化、生产效率、指标提升等方面取得的良好效果,在一定程度上为钢铁企业即将或正在实施钢铁智能制造在技术选择、方向上提供了较为全面的借鉴。     

近年钢铁主业智能制造发展综述(上篇)

加智能制造是钢铁产业迈向高端的“催化剂”。据国内外相关钢铁智能制造专业技术文献资料,概述近年来国内外钢铁主业智能制造的科研、技术开发及生产应用状况。文献资料表明,钢铁企业积极开展、推行从料场到轧材的各个工序基于“信息化、数字化、网络化、大数据和云计算”背景下的智能制造,在工艺过程优化、生产效率、指标提升方面均取得了良好效果,一定程度上为钢铁企业即将或正在实施钢铁智能制造在技术选择、方向上提供了较为全面的借鉴。本文主要综述内容为钢铁智能制造概况和铁前原料场、烧结、球团、高炉本体及其附属系统。     

铁矿粉烧结原料智能制备研究进展

随着智能冶金技术的不断发展,利用人工智能、物联网等技术来实现原料智能化制备已经成为冶金行业的重要趋势。通过原料智能化制备可以实现烧结过程配料、制粒以及布料等方面的精确控制和优化,进而提高烧结矿产量和质量,同时减少生产成本和环境污染。介绍了铁矿粉烧结工艺中原料智能制备技术的应用现状和发展趋势,并通过铁矿粉烧结中的生产效率、成本、能源消耗以及烧结矿产质量指标等多方面综合分析智能制备技术的优缺点。智能配料部分系统介绍了烧结配料发展过程和智能配料模型及其算法,指出了物联网和人工智能等技术的促进作用。智能制粒部分详细介绍了混合料配水控制模型的发展阶段和研究进展,并重点分析了基于3层BP神经网络和Litster优化模型的智能制粒技术研究现状,尤其是结合数据清洗和预处理、引入正则化和dropout技术以及采用批量训练和并行计算等方法来实现智能制粒预测。智能布料部分讨论了利用多种技术来实现厚料层和料层偏析优化控制,以达到高效、高产烧结的目的,同时指出三元尺寸图、磁偏析以及EDEM软件仿真模拟等技术存在的问题,并给出相应的技术优化建议。系统总结了烧结原料制备过程中的配料、制粒和布料工序智能化现状和未来发...     

Research status on modeling and simulation of iron ore sintering process

Iron ore sintering is a part of blast furnace ironmaking production. In order to upgrade the sintering automation and intelligent manufacturing, it is necessary to carry out sintering process modeling and simulation optimization. The research status of sintering process modeling and simulation was discussed. And three kinds of model, namely process mechanism and feature information characterization model, data- driven fusion model and field state analysis numerical simulation model, were summarized from the aspects of information modeling and intelligent optimization. The advantages and disadvantages of a series of model construction methods were analyzed by combining with automation requirement of sintering process, and the simulation models application trends were proposed. According to the requirement of sintering intelligent manufacturing that included in the ??Made in China 2025?? plan, the production practices of sintering process modeling and simulation optimization are crucial.     

基于MIV-GA-BP模型预测烧结矿FeO含量

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。     

基于MIV-GA-BP模型预测烧结矿FeO含量

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。     

基于机器学习的钢铁轧制过程性能预测

 为了实现快速的热轧工艺优化设计,基于工业数据的钢铁材料性能预测引起了研究者的极大关注,对利用机器学习进行钢铁材料轧制过程性能预测的研究进展进行了梳理。首先介绍了钢铁材料轧制过程性能预测常用的主流机器学习算法,其中包括人工神经网络、模糊神经网络、支持向量机、随机森林、智能优化算法等。其次,分别对钢铁材料轧制过程性能预测建模方法研究进展和模型应用情况进行了综述。最后,对钢铁轧制过程性能预测研究进行了展望,指出了数据质量的改善、小样本数据建模、建模数据加密、模型可解释性研究、钢铁材料组织预测和利用模型进行有效的工艺优化设计等可能发展方向。     

板带轧制过程中的智能化关键技术

通过智能化关键技术实现多工序、全流程板带产品质量提升和生产过程优化，解决由于工序界面和工况复杂性导致的产品质量和生产效率问题，是板带轧制智能化的未来发展方向。在智能化系统构建中要开发以下智能化关键技术，首先要基于CPS架构建立多工序协调优化系统，实现轧制过程多工序协调优化与质量精准控制；其次，面向定制化生产的智能优化决策与动态排程技术，提高生产效率；第三，基于产品全流程质量在线监控、诊断与优化技术，打通制备全流程质量信息流，实现产品质量异常追溯和关键质量参数在制备全流程的优化；最后，开发轧制过程性能一体化智能控制技术，通过轧制过程温控- 变形耦合- 性能匹配控制，形成智能化组织性能预测、动态快速设计及钢种归并技术。     

基于GRU神经网络的巷道平均风速获取研究

针对矿井智能通风系统不能及时获取风速进而影响后续通风系统解算及优化的问题,利用ANSYS巷道风速分布模拟获取神经网络所需训练集,在人工测量与风速传感器监测数据的基础上,构建基于门控循环单元（Gated Recurrent Unit）神经网络的巷道平均风速预测模型。首先,提出神经网络模型,然后采用Adam优化算法对ANSYS模拟的点风速进行异常值和归一化等预处理,通过对不同形状巷道的监测点风速进行结构化处理后用于训练神经网络,找出各点风速与平均风速之间的强非线性关系,使预测风速逼近巷道实际平均风速,最后构建基于GRU神经网络的巷道平均风速预测模型。以王家岭煤矿实测数据作为测试集,将其应用于预测模型中,结果表明GRU神经网络模型具有较高精度和较强的泛化能力,能够获取巷道平均风速。矿井通风巷道平均风速预测模型在煤矿领域的成功应用,将为其他金属矿山智能通风系统及时准确获取风速参数提供新思路。     

深度学习技术在钢铁工业中的应用

 人工智能自1956年在达特茅斯会议上提出后,现在正处于为人类社会带来最大影响与变革的第三次浪潮,而深度学习作为掀起此次浪潮的主要驱动力,也必然会为钢铁智能制造注入新动能。为了探究深度学习技术在钢铁工业中的应用前景,通过对深度学习的几项关键技术在钢铁工业应用中的探索,介绍了作者目前取得的相关成果,阐明了当前阶段深度学习技术应用于钢铁智能制造的研究方向以及技术优势,为推进人工智能技术赋能钢铁制造的发展提供参考。     

钢铁企业大数据研发平台的建设与思考

摘要：通过分析当代大数据背景环境下的钢铁企业研发面临的新特点、新问题,提出了建设有助于解决钢铁企业研发问题的大数据研发平台。简要说明了构成钢铁企业大数据研发平台的钢铁冶金研发大数据管理分析服务应用系统、集成计算平台系统和机器学习平台系统的主要功能,并重点阐述钢铁企业大数据研发平台建设所遵循的主要原则和思路方法。最后通过对钢铁企业大数据研发平台建设的研究,基本可以解决钢铁企业研发过程中在数据处理或分析方面面临的问题,帮助钢铁企业研发模式实现由“经验+试错”上升到“计算+验证”的转变,同时还可以有效降低研发成本、提高研发效率,对未来钢铁企业大数据的发展具有重要的指导作用。     

基于多类别生产状态的烧结矿转鼓指数预测模型

将烧结生产大数据与机器学习算法相结合,提出了一种多类别生产状态下预测烧结矿转鼓指数的研究方法.通过数据采集、整合及预处理操作,共获得特征参数65种.以烧结终点位置(BTP)为基础,采用试验研究及可视化分析等方法将转鼓指数划分为2个类别.基于分类别转鼓指数数据集,使用特征选择算法计算了特征参数的重要排序,确定最佳特征参数...