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。     

基于承钢生产数据预测烧结矿FeO含量

为了克服烧结矿中FeO含量检验滞后的问题,基于烧结生产各个环节所积累的大量数据,采用XGBoost算法建立FeO含量预测模型,以指导生产工作人员及时调整配料方案和设备参数。首先对承钢3号烧结机sqlsever数据库中的相关数据进行提取和整合,然后结合特征工程对特征参数数据进行一系列可视化分析和处理,最后将XGBoost算法应用于预测烧结矿FeO含量的建模当中,并与决策树模型预测效果进行对比。结果表明XGBoost模型预测效果较好,预测后的损失值最小可达0.071 876,实现了准确预测FeO含量的目的,为烧结矿FeO含量的预测提供了一种有效的预测方法。     

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。     

基于改进BP神经网络的烧结矿FeO含量预测

影响烧结矿FeO含量的因素较多且FeO含量与各因素间呈现非线性关系,预测难度较大。针对烧结矿FeO含量难以直接预测的问题,提出一种Dropout算法与Adam算法和四层BP神经网络相融合的烧结矿FeO含量预测模型。为提高烧结矿FeO含量的预测准确率,结合烧结工艺,选取与烧结矿FeO含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Dropout算法改善四层BP神经网络结构,Adam算法优化四层BP神经网络的训练过程,进而提高模型的预测精度和泛化能力。试验表明,改进的模型预测烧结矿FeO含量误差值在±0.5、±0.8和±1.0时,命中率分别达到77.42%、88.71%和96.77%。与三层BP神经网络预测模型和支持向量机回归(support vector regression, SVR)模型相比,该模型的误差更小,同时预测精度也得到显著提升。     

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。     

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%。     

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。     

鞍钢烧结矿适宜FeO含量的研究

在实验室条件下,研究了烧结工艺参数与烧结矿FeO含量的定量关系及烧结矿FeO含量对烧结矿冶金性能的影响。结果表明,从FeO含量对烧结矿产量和质量指标的影响看,烧结矿FeO含量在8．08％-9．70％范围内较适宜;从FeO含量对冶金性能指标的影响看,烧结矿FeO含量在7．18％～8．08％范围内较适宜。综合分析结果,鞍钢烧结矿FeO含量应控制在8．00％左右较适宜。     

面向智能烧结的机尾断面烧结矿FeO预测研究

针对烧结工艺FeO预测准度问题,提出一种基于机器学习的预测模型。通过对机尾断面温度数据的采集和处理,建立包含多个特征的数据集。采用基于MIV(平均影响值)的特征选择方法,筛选出对预测模型权重占比较高的特征。使用Bi-LSTM(双向长短时记忆神经网络)算法对生产工艺数据进行训练和测试,得到高精度的预测模型。通过实验验证了该模型的预测效果,并与其他神经网络模型方法进行了比较,比较结果表明该模型具有较高的预测精度和实用性。在企业误差允许的范围内,准确率达90.2%,因此可以为智能烧结技术的应用和烧结质量的控制和优化提供重要的参考。     

承钢高碱度钒钛磁铁矿烧结性能研究

承钢钒钛磁铁矿烧结面临的两大问题是机械强度差、低温还原粉化严重。从烧结过程、矿物组成、矿物结构、烧结矿强度和低温还原粉化几个方面对承钢高碱度烧结进行研究,得出碱度在2.0~2.3时转鼓强度与低温还原粉化率出现了低洼区现象,生产要避免此区间。     

烧结矿FeO含量智能检测仪的开发

检测仪应用图像处理与神经网络技术,依照烧结看火工对烧结矿ＦｅＯ含量的判断方法,用ＣＣＤ摄像机采集烧结机尾断面图像,对所采集的图像进行实时处理,最后给出相应的ＦｅＯ含量等级。     

烧结机扩容对烧结矿FeO含量及转鼓强度的影响

在实验室条件下,探讨了烧结机扩容对烧结矿中FeO含量及烧结矿的转鼓强度的影响．试验表明,扩容有利于降低FeO含量,但扩容比例不当时将存在烧结死区．当烧结杯一维扩容15％时,料柱的平均转鼓强度为74．6％,与未扩容时相比,强度有所下降,但仍能满足生产要求．同时考虑到扩容增产的效果,认为扩容15％是有利的。当扩容百分比大于15％,烧结死区进一步扩大,使烧结矿的质量急剧下降,将难以满足高炉生产的要求．     

莱钢烧结生产条件下 FeO 含量影响因素的研究

烧结矿中FeO含量是评价烧结生产的一项综合性指标,它反映烧结过程的动态控制状况,它与烧结矿的转鼓强度、低温还原粉化率、还原性的相关性很大,是影响高炉炉况顺行的一个重要参数。近年烧结生产条件与工艺制度发生很大的变化,对影响FeO含量的因素进行实验研究,旨在寻求FeO最佳控制范围,提高烧结矿产质量,降低能耗,改善冶金性能。     

基于BP神经网络的烧结矿性能预报模型

 为解决烧结矿预报模型中未考虑铁矿粉高温基础特性的情况,在预报模型中添加了反应铁矿粉高温性能的同化反应特征数,即流动性特征数。采用BP神经网络建立烧结矿性能预报模型。选择影响高炉生产的烧结矿指标作为输出,分析影响这些指标的烧结操作制度,铁矿粉的高温、物化特性作为输入;通过BP神经网络建立预测模型,并对BP神经网络的算法进行优化。预报模型采用8-17-4的BP神经网络结构,经过训练后,预测精度达到85%以上,具有很好的准确性和自适应性。     

梅山高炉使用大量落地烧结矿的生产实践

在1号烧结机大修期间，梅山高炉搭配41%的落地烧结矿组织生产，通过加强烧结矿筛分，改善高炉操作等措施，在配用落地烧结矿期间，高炉保持了顺行高产，高炉月平均利用系数达到.083，创梅山历次烧结机大修期间高炉生产最好水平。