105 m2烧结机配加生石灰工业试验

在攀成钢105m2烧结机原燃料条件及生产设备条件下,用生石灰部分取代石灰石作为烧结熔剂的工业性试验。结果表明:在攀成钢105m2烧结系统现有生产设备条件及原料条件下配加5%的生石灰,试验期烧结机利用系数从1.38t/m2.h提高到1.52t/m2.h,提高了0.14%,幅度达到了10.14%;固体燃料消耗、烧结矿FeO含量分别下降了5.2kg/t、0.52%;烧结矿转鼓指数和筛分指数没有明显变化。配加3.9%的生石灰,试验期烧结机利用系数提高10.87%;固体燃料消耗下降了2.06 kg/t、烧结矿FeO含量降低0.41%;烧结矿转鼓指数和筛分指数同样没有明显变化。     

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。     

FeO对钒钛烧结矿产质量影响的研究

针对攀钢目前的烧结生产情况,在实验室进行了FeO对钒钛烧结矿产、质量影响的试验研究.结果表明,在烧结矿FeO含量4.34%-8.44%的范围内,随着FeO含量增加,烧结矿转鼓强度和成品率提高,产量上升,冶金性能改善;当烧结矿FeO含量>9.37%后,烧结矿的产质量均呈下降趋势.从目前攀钢的生产条件来看,钒钛烧结矿FeO含量的控制范围以7.24%～8.44%为宜.     

烧结矿中FeO含量的工艺控制措施及分析

从烧结矿强度指标和还原性指标两方面分析烧结矿中FeO含量对烧结矿质量的影响机理,探讨影响烧结矿中FeO含量的因素,包括烧结料层厚度、燃料配比和水分、烧结矿化学成分、焦粉粒度。认为:减少烧结矿FeO含量能增强烧结矿还原性能,但过低的FeO含量易造成烧结还原性能恶化。     

控制钒钛磁铁烧结矿FeO含量的方法

通过单因素试验,找出影响烧结矿FeO含量的因素为：混合料固定碳、烧结矿SiO2、烧结矿碱度、烧结矿TiO2、返矿配比、烧结料层厚度、混合料水分;其中混合料固定碳是显著影响因素,表现为强相关性。采用混合料固定碳计算公式,利用Excel电子表格建立生产应用现场模型,确定了烧结矿FeO与混合料的固定碳控制中心值,依据烧结物料结构与烧结矿成分变化,进行及时适当微调混合料的固定碳控制值,实现烧结矿FeO的稳定控制。攀钢钒炼铁厂从2006年起推广采用控制混合料固定碳含量来控制烧结矿FeO含量的方法后,烧结矿FeO稳定率比推广前提高了5.61%;同时,烧结矿固体燃耗、转鼓指数、烧结机利用系数等指标也得到了改善。     

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。     

固体燃料种类和配比对钒钛磁铁矿烧结过程及烧结矿性能的影响

结合承钢烧结现场原料条件,研究了固体燃料种类和配比对钒钛磁铁矿烧结过程及烧结矿冶金性能的影响.结果表明:当白煤代替焦粉作为烧结用固体燃料后,烧结矿中的磁铁矿、硅酸盐和玻璃质含量降低,而赤铁矿和铁酸钙含量升高,有利于改善烧结矿的冷态机械强度和低温还原粉化性能.承钢烧结的固体燃料配比不宜太高,当焦粉作为承钢烧结的固体燃料时,其配比应控制在5%左右;当白煤作为承钢烧结的固体燃料时,其配比应控制在5.5%至6%之间比较适宜.综合考虑,承钢烧结应采用白煤作为固体燃料,而烧结矿的FeO含量控制在7%左右为宜.     

攀成钢烧结配加高炉瓦斯灰工业试验

介绍了在攀成钢2×28.5 m2烧结机原燃料条件及生产设备条件下,用高炉瓦斯灰部分取代焦粉作为烧结燃料的工业性试验情况.结果表明:在28.5 m2烧结机系统情况下,配加1%的高炉瓦斯灰,烧结矿固体燃料消耗下降4.75 kg/t,而烧结机利用系数、烧结矿品位、烧结矿FeO含量、烧结矿转鼓指数和筛分指数没有明显变化.因而充分利用了炼铁二次资源,对缓解炼铁厂焦粉紧张、外购困难以及实现循环经济具有较大的实际意义.     

FeO对低钛烧结矿性能的影响

以宣钢烧结配矿为基础,采用微型烧结和烧结杯试验研究FeO对低钛烧结矿性能的影响。研究结果表明:在烧结过程中FeO对烧结矿质量影响较大。随着烧结料中FeO含量的增加,烧结矿的同化性温度降低,黏结相强度呈升高趋势,液相流动性指数先升高后降低。烧结杯试验验证,烧结矿的转鼓指数随着FeO含量的增加而升高,与烧结料中FeO对烧结矿基础性能的影响规律吻合。混矿中FeO含量控制在14.43%~16.19%时,烧结矿质量最优。合理控制烧结矿中FeO含量,运用烧结料中FeO对烧结矿的影响规律,对综合利用矿石资源和优化烧结配矿有重要意义。     

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。     

降低包钢烧结工序能耗的实践

在分析包钢烧结工序能耗结构的基础上,针对烧结固体燃料消耗偏高的问题,采取了多项节能措施:①改善燃料粒度组成,提高燃料粒度合格率;②提高烧结料层厚度;③降低烧结矿FeO含量;④提高烧结矿碱度合格率及稳定率。这些措施取得了良好的节能效果。与2006年相比,2008年包钢烧结固体燃料消耗减少了10.5%,烧结工序能耗降低了约9%。     

燃料配加工艺对烧结矿成分及性能的影响

采用现场工业试验的方法,探索了不同的燃料配加工艺对烧结矿中FeO、S及残C沿料层厚度方向的分布规律与变化趋势,以及对烧结矿低温冶金性能的影响。结果表明,在燃料全部外加的新工艺条件下,烧结矿中FeO、S及残碳沿料层厚度方向的分布趋于更加均匀,其标准偏差分别为0.39%、0.003%和0.003%,极差分别为0.99%、0.009%和0.004%;RDI+3.15(74.90%)、R(I78.90%)明显改善。分析认为,主要是新工艺的燃料配加方式使烧结料层的热量分布趋于合理,各处透气性更加均匀,对烧结生产产生有利影响。     

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。     

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。     

鞍钢烧结矿冶金性能优化研究

为改善鞍钢烧结矿的冶金性能，本文以碱度和FeO含量两个指标为出发点，进行了鞍钢烧结矿冶金性能的优化研究。研究内容包括不同碱度、不同FeO含量的烧结工艺指标和烧结矿低温还原粉化性、还原性和高温软熔性能等。研究结果表明：综合考虑各方面因素，鞍钢现有条件下烧结矿最适宜的碱度范围为2.0~2.1，FeO含量约为8.0~8.1%。此时，烧结能耗较低，烧结矿的强度和还原性较高，且高炉炉料的软熔区间较小，适合于高炉的强化冶炼。     

烧结机上连续检测烧结矿中FeO的含量

提高高炉生产率的巨大潜力在于烧结矿质量的提高。烧结矿质量最重要的一个指标是氧化亚铁(FeO)的含量。如何在带式烧结机上对烧结矿中FeO含量实现连续检测,并随之建立自动调节系统,是生产优质烧结矿急待解决的课题。顿涅茨综合技术学院炼铁教研室和科木纳尔冶金工厂烧结车间的研究人员,为寻求     

FeO对烧结矿影响的研究

烧结矿中FeO的含量与燃料消耗量有着密切的关系,常常被视为烧结过程中温度和热量水平的标志,作为评价成品烧结矿强度和还原性的指标。通过试验得出当FeO含量在7.50%~12.00%范围内变化时,烧结矿转鼓指数和成品率呈现先上升后下降的趋势,同时烧结矿冶金性能受到一定影响,还原度降低。     

略谈降低鞍钢烧结矿FeO含量的途径

本文对鞍钢烧结矿FeO含量较高的原因进行了分析,在此基础上,依据烧结过程氧位的分析,结合鞍钢烧结生产实际,提出了若干改善烧结矿质量,降低烧结矿FeO含量的途径。