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...     

尾矿库安全预警系统设计

金属矿山尾矿库的在线监测系统对尾矿库安全运行的保障并不充分,因此建立了适应极端气象的尾矿库在线监测系统,同时开发了基于尾矿库小流域精细化气象(降雨)预报的"尾矿库安全预警系统"。该系统实现了根据气象(降雨)预报提前3天对库水位进行预测,同时依据实时监测数据、预测数据,对安全进行综合评估,当不安全因素达到设定值时发出预警,并提示应急措施。这种融在线监测、预测、评估、预警为一体的复合系统能保证尾矿库的安全运行。     

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。     

加强烧结生产过程控制,降低烧结内返矿率

分析原燃料质量及生产过程控制对烧结内返矿率的影响因素,对存在的问题找出解决问题的措施,从而达到降低烧结内返矿率,降低烧结消耗的目的。     

基于烧结大数据预测小于10 mm烧结矿含量模型

为了给高炉提供合格的烧结矿,提出基于烧结生产线各个环节的大量数据,将XGBoost算法、因子相关分析与深度学习算法相结合的大数据技术对烧结矿小于10 mm粒级含量进行预测。首先,对烧结厂数据库的数据进行搜集、整合和预处理;其次,进行因子分析,筛选出适合建模的14个相关变量并进行变量之间的相关性分析;最后,建立深度神经网络算法模型。通过测试并与传统算法模型进行性能比较,结果表明,模型预测效果很好,达到了精确预测烧结矿小于10 mm粒级含量的目的,对烧结实际生产具有很好的指导意义。     

烧结返矿在转炉炼钢过程中的实践与应用

针对转炉炼钢使用烧结返矿后带来的问题进行了分析研究。通过优化烧结返矿的加入量、加入时机、氧枪枪位控制等措施,较好的解决了喷溅、脱磷、炉衬侵蚀、终渣TFe升高等工艺问题,实现了烧结返矿的批量稳定使用。同时统计分析了炉料成本与烧结返矿的使用量的关系,结果表明返矿使用量在15 kg/t~20 kg/t时炉料成本最低。     

一种新的烧结固体燃料优化模型的研究与实现

研究出一种新的自适用的烧结燃料配比优化模型.该模型主要包括:燃料与返矿的自适应模型、烧结状态模糊调节燃料配比模型以及两模型相结合的控制流程三个部分.该模型在新余铜等多家烧结厂应用后,取得了良好的效果,优化了燃料配比,稳定了烧结生产状况.     

烧结返矿提前润湿工艺的应用

通过对烧结返矿采用提前加水润湿工艺，强化返矿作为混合料造球的“核心”作用，不但减小了一次混合料水分波动，而且提高了混合料的成球速度和成球率，改善了烧结料层透气性，对提高烧结矿产、质量有很好的效果。     

基于深度森林算法的烧结矿转鼓指数预测模型

传统烧结转鼓强度检测方法存在检测结果滞后问题,这已经严重制约了烧结质量的提高。为了保证高质量烧结矿的顺利生产,提出了一种以烧结机实际工作生产数据为基础,应用深度森林算法建立的转鼓指数实时预测模型。首先,采集储存于异源数据库的2年内的烧结矿生产数据,并进行数据处理工作。然后,利用反向特征筛选方法提取了适用于转鼓指数预测的最优特征参数组合。最后,利用深度森林算法建立了转鼓指数预测模型。预测结果分析表明,与随机森林、支持向量机模型相比,深度森林模型综合预测能力最优,预测值误差接近零且展现出更高的命中率。通过烧结机实际工作生产数据检验和对模型进行训练和优化,能够达到对转鼓指数进行快速精准预测的目的,对烧结现场中烧结矿的高质量生产具有一定指导意义。     

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EEMD和机器学习的烧结矿FeO成分长短期综合预报

炼铁讲“七分原料，三分操作”,烧结矿是高炉炼铁的主要原料，FeO成分是影响烧结矿还原性、强度和粒度的重要指标，也是影响高炉铁水产量和燃料比的重要因素。因此，及时精确地掌握烧结矿FeO含量对于指导高炉炼铁的顺利生产具有显著作用。针对烧结矿FeO成分检测结果延时、精度差的问题，提出并建立一种集合经验模式分解EEMD和机器学习的FeO成分长短期综合预报模型。针对烧结数据进行探索性分析，挖掘了烧结数据存在的特性，有根据地采用箱线图和滑动窗口处理数据，保证了数据价值，为建模夯实了数据基础。综合模型包含2个模块。长期预报模型应用EEMD分解波动型FeO成分数据，降低输入数据的复杂性，以双向长短期记忆神经网络Bi-LSTM进行3 h内FeO成分的提前预报；短期预报模块融合EEMD、特征选择和提取方法构造衍生特征，增强模型对于输入和目标数据的学习能力，以极限树ET对下1 h的FeO成分进行预报。在未知烧结数据测试集的验证下发现，EEMD辅助机器学习建模能够大幅提升FeO成分预报精度和稳定性，EEMD-Bi-LSTM和EEMD-ET模型的平均绝对百分比误差M_APE为1%左右、均方误...     

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。     

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。     

高炉返矿喷吹工艺若干问题初探

结合国内外粉矿喷吹案例,重点探讨了返矿喷吹对高炉操作、生铁成本及烧结生产的影响,并提出了返矿喷吹初步设计方案。认为在一定生产条件下,返矿喷吹是可行的,初步目标是在返矿喷吹量为75 kg/t时,焦比降低的目标值应大于15 kg/t。今后研究的重点,应结合工业试验建立有关控制模型,以确定高炉能够完全消化槽下返矿的基本条件。     

利用热返矿的热量提高烧结机生产率

利用烧结返矿的热量,可以提高烧结机生产率。热返矿的添加方法有多种,其一,在混合、加水、造球以前,将热返矿添加到烧结料中。其二,将热返矿添加到混合后形成小球的烧结混合料中。其三,造球时将热返矿按不同比例添加到混合料中,其余的待造球后再加入。烧结返矿的温度在100～1000℃内变化。先将10％的烧结返矿添加到混合造球前的烧结混合料中,再将90％加入混合造球后的混合料中,返矿的温度范围为200～400℃和800～1000℃。我们发现,这样做的生产率最高。对于温度为400～600℃的返矿,最好是在混合、造球后的烧结料中添加60％,其余的40％加到已混合的烧结料中。同时还观察到,若将80～90％的温度为900℃或高于900℃的热返矿添加到混合、造球后的烧结混合料中,将有微量的金属铁出现。     

返矿对烧结过程和烧结矿质量影响的研究

混匀矿中返矿的比率约为25%～50%。如此大比例的返矿会对烧结过程和烧结矿质量产生很大影响。研究旨在揭示返矿量和焦粉量变化的影响。研究采用了因子设计方法,研究表明返矿的产生主要取决于烧结混合料中的固体燃料和返矿比例,增加混合料中的返矿配入量会减少烧结过程中的返矿发生量。烧结过程效率随着混合料中返矿比例的增加而提高(最适宜的混合碱度为1.6)。研究表明,要确保返矿平衡率在90%～110%的范围内,混合料中返矿配比最高不能超过35%,最小不能<25%。     

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。     

热返矿率对钒钛矿烧结生产的影响

本文在大量测量数据的基础上，运用数理统计的方法，定性定量分析了钒钛矿烧结热返矿率对产量，质量的影响，指出了目前生产应控制热返矿率在较佳的操作指标范围。文章指出，热返矿率显著地影响着烧结的产量和质量，降低热返矿率是提高烧结机产量，改善质量，降低能耗的有效径。文章还对降热返矿率的途径进行了初步探讨。     

一种基于深度神经网络的烧结料层透气性预报模型

为了保证整个烧结生产过程的顺利进行,通过对承钢2号烧结厂数据库中的数据进行采集、整合和预处理,运用相关性分析筛选出与料层透气性相关的重要特征变量,基于深度神经网络算法建立料层透气性预报模型,以即时为现场操作人员提供科学的操作指导。通过测试并与随机森林模型、支持向量机模型进行性能对比,结果表明,深度神经网络具有很好的预测效果,可实现对料层透气性的精准预测,对优化烧结现场的操作效果具有很好的指导意义。