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。     

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。     

烧结矿质量预测中神经网络的结构优化

利用BP神经网络，建立了烧结矿质量预测模型，预测烧结矿FeO含量和碱度及指标。并采取遗传算法、网络隐含层节点自构性学习等办法优化网络构造。仿真结果表明，模型能取得良好的预测结果。     

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。     

基于承钢生产数据预测烧结矿FeO含量北大核心CSCD

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0.071876,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。     

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。     

烧结矿FeO含量在线智能检测系统开发与应用

针对烧结矿FeO含量检测周期长,不利于烧结生产实时控制的问题,建立了基于烧结机尾断面图像和深度学习算法的烧结矿FeO含量软测量模型。该模型采用C^#高级程序语言开发了烧结矿FeO含量在线智能检测系统,并成功应用于宝钢湛江1^#烧结生产线。该系统在现场的运行结果表明：在误差区间±0.5%内,烧结矿FeO含量的软测量命中率在90%以上。该系统可以为生产现场的燃料配比实时调控提供参考,对降低烧结矿FeO含量波动和固体燃料消耗具有重要意义。     

关于烧结矿中FeO的几个问题

试验和生产证明,烧结矿中FeO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各项技术经济指标,因此,历来为广大烧结、炼铁工作者所重视。本文着重讨论烧结矿中FeO对烧结矿冶金性能的影响,影响烧结矿中FeO含量的因素,及烧结矿中FeO对烧结工艺的指导作用等问题。     

Research progress of sinter tail sectional image based on computer vision

The section of the tail of sintering machine can directly reflect the rich information of sintering process control and sinter quality. How to use computer vision technology to extract the characteristics of the tail section and realize the accurate prediction and control of sinter quality is one of the key research contents of intelligent sintering. The image preprocessing methods such as denoising, segmentation and feature extraction of sinter tail section images were compared and analyzed comprehensively. Then the application situation of the image analysis technique for sintering machine tail section in the field of sinter quality prediction and control was analyzed from the aspects of FeO content in sintering ore, sintering end point, drum strength, distribution uniformity, sinter mixture moisture, etc. In addition, taking the prediction for FeO content in sintering ore as an example, the development and evolution rules of the study on sinter tail section image based on computer vision were revealed. The disadvantages of the current research and the development trend in the future were also pointed out.     

基于计算机视觉的烧结机尾断面图像研究进展

摘要：烧结机尾的断面可以最直接地反映烧结过程控制与烧结矿质量的丰富信息。如何利用计算机视觉技术对机尾断面的特征进行提取,并实现烧结矿质量的精准预报和控制,是智慧烧结的重点研究内容之一。首先对烧结机尾断面图像的去噪、分割和特征提取等图像预处理方式进行了全面的对比和分析,然后从烧结矿FeO含量、烧结终点、转鼓强度、布料均匀性和烧结混合料水分等方面剖析了烧结机尾断面图像分析技术在烧结矿质量预报和控制方面的应用情况。另外,以烧结矿FeO含量预报为例,揭示了基于计算机视觉的烧结机尾断面图像研究的发展和演变规律,并指明了当前研究的不足以及未来的发展趋势。     

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。     

FeO对烧结矿性能及高炉生产影响的研究

通过对烧结矿FeO含量降低1%前后各一个月的烧结矿性能及其应用于高炉生产引起的高炉生产指标变化分析,总结出烧结矿FeO含量降低1%对唐钢烧结生产及高炉生产的影响规律。     

烧结矿FeO含量的确定

对国内烧结厂的烧结矿FeO操作进行了统计分析，结果表明．烧结厂的FeO操怍主要受原料中精矿比例、烧结料层厚度、烧结矿碱度和MgO、SiO2含量的制约．对一台已确定工艺的烧结机，片面追求低FeO操作是不现实的，应针对各自的烧结工艺特点，由试验确定适宜的FeO指标。     

莱钢烧结生产条件下FeO含量影响因素的研究

烧结矿中氧化亚铁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。