基于分布式神经网络模型的高炉炉温预测建模

高炉炼铁通常采用铁水Si含量间接反映炉温的变化,模型预测精度低。以影响炉温的6个变量为输入变量,采用基于自组织的分布式RBF神经网络模型分别对铁水温度和铁水Si含量建立预测模型,先用自组织神经网络划分输入输出样本空间,然后对每个子空间建立RBF神经网络子网模型,再使用子网模型对测试样本集的同一个样本点进行预测,并以测试样本点对每一子空间的隶属度为权值,对子网预测值进行加权求和,得到最终预测值。对比使用同一输入变量数据的铁水温度和铁水Si含量的预测模型命中率,研究表明,高炉铁水温度的命中率更高,具有更好的炉温预测效果。     

基于时间序列的神经网络高炉炉温预测

稳定的炉温是保证高炉顺行、提高生铁质量和实现节能降耗的必要条件。针对高炉炉温与铁水硅质量分数及铁水温度之间存在的相关关系,利用某钢铁厂高炉的在线生产数据,构建一种双输出神经网络炉温预测模型,同时预测铁水硅质量分数和铁水温度,以便更加全面地预测炉温;同时,深入研究炉温时间序列对该模型性能的影响,确定较好的时间序列,建立基于时间序列的炉温预测模型。仿真结果表明,模型预测精度大大提高,可为高炉操作人员决策提供可靠依据。     

基于大数据的高炉炉温监测预警系统

随着新一轮产业变革和技术革命的兴起，钢铁制造业正在由高碳向低碳、由低端向高端转型升级。为实现高效率、低能耗、长寿命、低污染的综合目标，现代炼铁工艺逐渐趋于绿色化、智能化。高炉为一个非线性、大时滞的黑箱化系统，高温高压的环境使得高炉炉温的测量和控制都不易实现。利用铁水硅含量、铁水温度与高炉炉温的正相关性，建立基于大数据分析的铁水硅含量以及铁水温度预测模型，间接实现对炉温的预测。首先，利用经过异常值、缺失值以及归一化处理后的高炉标准数据数据集，通过多角度的相关性分析方法完成对模型输入变量的选取；然后，通过模型综合对比，建立基于Adaboost模型的铁水硅含量、铁水温度预测模型；最后，结合计算机技术建立高炉炉温监测预警系统。该系统的应用不仅有效解决了传统冶炼工艺带来的弊端，而且能起到延长设备生命周期、提前预测炉况走向等作用，有效推动了高炉智能化转型。     

高炉铁水温度的多元时间序列建模和预测

针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型。应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度。     

基于支持向量回归与极限学习机的高炉铁水温度预测

选取某4000 m3级别高炉2014年至2019年时间范围内的日平均数据，以铁水温度为目标函数，首先对铁水温度的特征参量进行线性与非线性相关性分析、特征选择与规范化处理，获取了显著影响铁水温度的正负相关性特征参量。在此基础上，基于支持向量回归与极限学习机两种算法对铁水温度构建预测模型，模型均可对铁水温度实现有效预测，基于支持向量回归算法构建的预测模型较优，预测平均绝对误差为4.33 ℃，±10 ℃误差范围内的命中率为94.0%。      

基于随机森林算法的高炉铁水硅质量分数预测模型

为了研究高炉冶炼过程中铁水硅质量分数的预测问题,我们基于随机森林算法建立了高炉铁水硅质量分数预测模型。针对具有不同统计特征的2组高炉生产数据,分别建立了随机森林预测模型和支持向量机预测模型,并从预测命中率、相关系数、均方根误差以及绝对误差等4个方面对模型性能进行了综合的比较分析。结果表明:在炉况平稳或存在较大波动的情形下,随机森林预测模型都能获得显著优于支持向量机预测模型的预测精度。研究结果为探索高炉冶炼过程炉温的预测控制提供了新的建模思路。     

基于支持向量机的铁水硅含量的预测

为了准确预测高炉炼铁过程的硅含量,分析了高炉工艺参数对高炉铁水硅含量的时序性影响,以支持向量机理论为基础构建了2类铁水硅含量预测模型,即硅含量模型和硅变化量模型。利用首钢迁钢3号高炉铁水硅含量数据进行模型测试,测试结果表明2类模型预测命中率均可达到80%。     

高炉内铁水增硅试验分析

高炉出炉铁水含硅量[Si]一直被认为是衡量炉温(炉内渣铁温度)的标志。本试验表明,[Si]值不仅与炉内温度有关,而且还与炉子大小及冶炼条件和操作制度有关。当冶炼条件不同和操作制度变更时,若维持原渣铁温度,[Si]值必须相应改变,否则就会引起实际渣铁温度变化。同时[Si]值又是生铁质量指标。因此研究高炉内硅还原     

高炉-转炉铁钢界面铁水温降预测建模和分析

摘要：针对高炉 转炉铁钢界面间铁水在受铁、运输及预脱硫过程中的散热问题,以铁水温降为研究对象,分析铁钢界面铁水在运输过程温降的影响因素,建立基于极限学习机的铁水温降预测模型。实例研究结果表明,建立的预测模型能够很好地预测铁钢界面铁水运输过程温降,连续预测100罐铁水温降,当绝对误差小于10℃时,铁水温降命中率为87%,预测均方根误差为6.932。对铁水温降的各主要影响因素定量分析表明,铁水温降对受铁温度最为敏感。     

转炉炼钢过程氧化镍直接合金化的研究

基于某钢厂现场条件,对转炉炼钢过程氧化镍直接合金化冶炼耐候钢的可行性进行了热力学分析,结果表明：铁水中固有的［C］、［Si］、［Mn］、［Fe］等均可作为还原NiO的还原剂元素,在铁水阶段和转炉阶段进行直接合金化是完全可行的。在转炉出钢温度T=1960 K,w（［C］）=0.04%条件下,［C］的还原能力比［Fe］强,镍的回收率可达到99.9%。并在实验室进行了相关的动力学实验研究,1573 K时,在铁水（含碳3%）条件下氧化镍的还原反应速率非常快,15 min后氧化镍还原反应基本完成。     

Intelligent Multivariable Modeling of Blast Furnace Molten Iron Quality Based on Dynamic AGA-ANN and PCA

Blast furnace(BF)ironmaking process has complex and nonlinear dynamic characteristics.The molten iron temperature(MIT)as well as Si,P and S contents of molten iron is difficult to be directly measured online,and large-time delay exists in offline analysis through laboratory sampling.A nonlinear multivariate intelligent modeling method was proposed for molten iron quality(MIQ)based on principal component analysis(PCA)and dynamic genetic neural network.The modeling method used the practical data processed by PCA dimension reduction as inputs of the dynamic artificial neural network(ANN).A dynamic feedback link was introduced to produce a dynamic neural network on the basis of traditional back propagation ANN.The proposed model improved the dynamic adaptability of networks and solved the strong fluctuation and resistance problem in a nonlinear dynamic system.Moreover,a new hybrid training method was presented where adaptive genetic algorithms(AGA)and ANN were integrated,which could improve network convergence speed and avoid network into local minima.The proposed method made it easier for operators to understand the inside status of blast furnace and offered real-time and reliable feedback information for realizing close-loop control for MIQ.Industrial experiments were made through the proposed model based on data collected from a practical steel company.The accuracy could meet the requirements of actual operation.     

基于神经网络预测模型的高炉喷煤操作模式优化

针对高炉冶炼过程中喷煤量通常根据炉长经验总结而出、过程建模困难、生产过程工艺指标波动较大的问题,提出了一种喷煤量操作模式匹配的智能优化方法。该方法以高炉喷煤量为研究对象,以某钢厂高炉大量的实际工业运行数据为基础,首先对不可实时检测变量[Si]含量建立了BP神经网络预测模型,以对当前[Si]含量进行预测;然后基于专家标准挑选出优良模式集,采用模糊C均值聚类的方法对优良模式集进行分类;最后以综合工艺指标评判为前提,对当前输入条件采用基于相似度的方法,从优良操作模式库中寻出与当前输入条件距离最小的操作模式,从而完成模式匹配,进而实现喷煤过程优化控制,对高炉冶炼喷煤过程具有很好的指导作用。     

主成分分析和最小二乘支持向量机模型在铁水硫和硅含量预测中的应用

良好的铁水质量是铸铁性能可靠性和稳定性的保证,而铁水中硫(S)含量和硅(Si)含量是衡量铁水质量的主要指标,因此在出铁前精准获取铁水S含量和Si含量具有非常重要的意义。实验提出一种结合主成分分析(PCA)和最小二乘支持向量机(LS-SVM)模型的铁水S含量和Si含量的预测方法。将某钢厂大型高炉的在线采集数据作为研究对象,首先对影响铁水中S含量和Si含量变化因素的数据做主成分分析,求取主成分作为模型的输入变量,其次建立最小二乘支持向量机预测模型对铁水S含量和Si含量进行预测。在S含量预测过程中,正则化参数gam和核函数参数sig分别取20、700时,预测误差最小,其均方根误差为0.001 2,仿真时间为0.423 105s;Si含量预测过程中正则化参数gam和核函数参数sig分别取40、500时预测误差最小,均方根误差为0.023 8,仿真时间为0.079 522s。最后将实验结果与传统最小二乘支持向量机(LS-SVM)和结合PCA的BP神经网络预测模型(PCA+BP神经网络)的结果对比,后两组对比实验关于S含量预测的均方根误差分别为0.001 5和0.001 4,仿真时间分别为1.32...     

Multivariable Dynamic Modeling for Molten Iron Quality Using Incremental Random Vector Functional-link Networks

Molten iron temperature as well as Si,P,and S contents is the most essential molten iron quality(MIQ)indices in the blast furnace(BF)ironmaking,which requires strict monitoring during the whole ironmaking production.However,these MIQ parameters are difficult to be directly measured online,and large-time delay exists in offline analysis through laboratory sampling.Focusing on the practical challenge,a data-driven modeling method was presented for the prediction of MIQ using the improved multivariable incremental random vector functional-link networks(M-I-RVFLNs).Compared with the conventional random vector functional-link networks(RVFLNs)and the online sequential RVFLNs,the M-I-RVFLNs have solved the problem of deciding the optimal number of hidden nodes and overcome the overfitting problems.Moreover,the proposed M-I-RVFLNs model has exhibited the potential for multivariable prediction of the MIQ and improved the terminal condition for the multiple-input multiple-output(MIMO)dynamic system,which is suitable for the BF ironmaking process in practice.Ultimately,industrial experiments and contrastive researches have been conducted on the BF No.2in Liuzhou Iron and Steel Group Co.Ltd.of China using the proposed method,and the results demonstrate that the established model produces better estimating accuracy than other MIQ modeling methods.     

高炉冶炼预还原炉料能耗分析

 通过建立高炉冶炼预还原炉料数学模型,计算了原料铁品位、预还原炉料金属化率和铁的存在形态对高炉冶炼能耗的影响,比较了高炉冶炼预还原炉料和传统高炉的能耗。计算结果表明：针对不同铁品位原料,有一个适合高炉冶炼的炉料最佳金属化率,使高炉冶炼焦比最低;预还原炉料中的铁以硅酸铁形式存在时,主要进行直接还原,冶炼焦比较高;与传统高炉相比,高炉冶炼预还原炉料,可以大幅度降低焦比,但燃料比升高。     

氢气含量对含铁炉料还原及软熔性能的影响

为了研究氢气含量对含铁炉料还原及软熔性能的影响,利用程序还原炉分析了不同氢气含量对含铁炉料还原性能的影响,利用高温熔滴炉模拟高炉喷吹含氢煤气,研究了氢气含量对含铁炉料软熔性能的影响。结果表明,当增大氢气含量后,炉料的软化温度会升高,滴落温度逐渐降低,同时也会改善炉料结构的透气性,使得渣铁更加容易分离;氢气含量会使含铁炉料中的FeO含量降低,弱化了脱碳反应,从而促进生铁中碳含量的增加。低温时氢气含量对还原几乎没有促进作用,高温则会促进氢气的还原性能;同时,氢气会促进含铁炉料中铁的析出。     

含硼高硅铁水脱硅时硼的氧化

 提出以我国辽东地区硼铁矿经高炉分离后的含硼生铁为原料直接冶炼硼钢。针对含硼铁水中硅、硫含量较高的特点,以及有价元素硼的进一步提取利用,首先研究了铁水中主要元素硼的氧化行为。再利用中频感应炉、石墨坩埚或刚玉坩埚,以Fe2O3为氧化剂,研究了温度、Fe2O3与CaO添加量、熔体成分等因素对Si、B氧化的影响。结果表明,Si、B氧化几乎是同步的,在1 400 ℃下氧化率均可达到90%;实验结果和有关热力学计算表明,适宜的脱硅温度应在1 400 ℃以下;增加氧化剂Fe2O3有利于脱硅和硼的氧化,本实验条件下CaO添加量对脱硅和硼氧化影响不大。     

竖炉法冶炼含Cr和Ni的铁水试验研究

基于竖炉工艺,以不锈钢除尘灰、铁鳞、红土镍矿、铁精矿和铬矿为主要原料,采用小型试验竖炉进行高温冶炼模拟试验,探索竖炉工艺冶炼含Cr和Ni的铁水的可行性。研究结果表明：采用竖炉法处理不锈钢除尘灰,能实现除尘灰中Fe,Cr和Ni等有价元素的回收。Ni元素基本上全部进入铁水,其回收率高达99.80%,Cr的回收率也可达到95.82%。竖炉全红土矿冶炼含Cr和Ni的铁水是可行的,而且将红土镍矿球团和不锈钢除尘灰球团搭配入炉,不仅可充分回收Fe,Cr和Ni等元素,还可减少渣量、降低焦比。竖炉采用铬矿配加铁精矿球团和铁鳞球团冶炼含Cr铁水时,铁水中Cr质量分数可达到17.5%,最高可达20.48%,Cr回收率稍低,为87.15%,但有进一步提高的可能;随着铁水中Si含量的增加,Cr的回收率逐渐提高,磷的分配比逐渐减低;当铁水Si质量分数从1.38%提高到3.73%时,Cr的回收率和磷的分配比变化不大。     

碱度对高炉熔渣制备矿渣棉调质剂性能的影响

针对高炉渣制备矿渣棉的调质过程,研究碱度对高炉渣黏度和熔化性温度的影响规律。根据矿渣棉的基本成分,在熔融高炉渣中添加适量调质剂调整其化学成分,并加热混匀。研究结果表明,采用化学纯试剂对高炉渣进行调质时,碱度升高使得熔渣黏度向短渣特性进一步转化,熔化性温度升高,不利于熔渣流动性的提高;碱度对调质高炉渣表面张力的影响不显著;制备矿渣棉适宜的碱度为1.0。