基于烧结状态与集成学习的烧结矿转鼓强度预测

鉴于影响烧结转鼓因素较多,难精准预测的问题,将数据分析与现场经验结合,提出了一种基于烧结状态与集成学习的烧结矿转鼓强度自适应预测模型。该模型首先通过数据收集整合、异常数据识别与缺失数据处理等数据预处理过程,获取高质量烧结矿转鼓强度预测数据集合;再采用Boruta算法结合Pearson线性、XGBoost非线性相关性分析选择转鼓强度预测模型输入特征,避免了模型输入特征的不完整性;最后采用5种不同机器学习算法构建转鼓强度集成学习预测模型,各子模型预测结果权重可根据烧结生产实际情况进行自适应更新。结合现场生产实践与烧结历史数据分析,通过烧结终点温度与主管负压对烧结状态进行区分,在误差范围为0.5%时,转鼓强度的预测命中率在90%以上。     

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。     

BP网络在烧结矿质量预测中的初步应用

烧结矿质量指标包括FeO含量、转鼓强度、还原性、低温还原粉化以及软化和熔滴性能等多方面，寻求烧结矿质量指标分析的新方法和有效途径是极为必要的。本文通过建立烧结矿质量指标预测的神经网络模型，利用实际烧结生产数据对模型进行训练，对烧结矿低温还原粉化性能(RDI)和转鼓强度(TI)进行预测。     

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。     

基于RFE-DNN的烧结矿性能预警模型

针对某钢厂铁前数据库中烧结物料的预警空值与预警模型不完善问题，提出了一种烧结矿性能预警模型。将传统烧结工艺理论与大数据技术相结合，对原厂烧结生产数据进行预处理并搭建相应的烧结数据仓库，运用RFE(递归特征消除)对生产参数进行特征选择、重要性排序与相关性分析，然后运用DNN算法构建烧结矿化学成分与质量指标的预测模型，预测V₂O₅、CaO/SiO₂、TFe和FeO的R²分别达到0.965 8、0.824 7、0.846 2和0.871 1,预测筛分指数和转鼓指数的R²分别达到0.899和0.875,满足预测精度需求，并将预测结果结合预警区间对烧结矿性能进行预警。     

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。     

基于多类别生产状态的烧结矿转鼓指数预测模型

将烧结生产大数据与机器学习算法相结合,提出了一种多类别生产状态下预测烧结矿转鼓指数的研究方法.通过数据采集、整合及预处理操作,共获得特征参数65种.以烧结终点位置(BTP)为基础,采用试验研究及可视化分析等方法将转鼓指数划分为2个类别.基于分类别转鼓指数数据集,使用特征选择算法计算了特征参数的重要排序,确定最佳特征参数...     

基于数据增强的烧结矿转鼓强度预测研究

烧结矿转鼓强度是烧结过程中反映烧结矿质量的重要指标之一,其精确预测可以提高生产过程的控制精度和效率,降低生产成本和资源浪费。但在实际生产中,烧结矿转鼓强度预测存在一些困难,比如数据量有限、数据质量不佳等问题。因此,为了提高预测精度,首先采用生成对抗网络(GAN)对原始数据集进行扩增,以解决数据量有限的问题;然后采用麻雀搜索算法(SSA)优化的回声状态网络(ESN)构建预测模型。相比于传统的神经网络,ESN具有更好的稳定性和泛化能力,并且能够快速训练和适应新数据。通过试验验证了该模型的预测精度和效率,并与其他预测算法进行了比较。结果表明,采用扩增后的数据集和ESN模型可以显著提高预测精度,平均绝对百分比误差由1.41%缩小至1.06%。     

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。     

提高260区烧结矿强度的措施

2013年260m2烧结机使用杂矿烧结以来,平均转鼓指数为74.44%,不能满足高炉对烧结矿强度的要求,为实现保质保量供高炉的生产目标,烧结厂采取严格控制原料和燃料粒度、加强混合料水份控制、提高料层操作等措施之后,烧结矿强度得到改善。进入2014年后,烧结矿转鼓指数月均都达到75.5%以上,满足了高炉对烧结矿转鼓指数的要求,为高炉顺行作出了一定的贡献。     

基于改进的AdaBoost.RS算法的烧结终点预报分析

烧结终点的稳定控制是提高烧结机利用效率及烧结矿产量和质量的前提，因此获得准确的烧结终点位置是优化烧结过程的基础。通过分析烧结过程参数对烧结终点位置的影响，提出一种适用于烧结终点预测的集成算法。在AdaBoost.RS算法的基础上，自适应调整松弛变量的阈值，以极限学习机为弱学习器建立烧结终点位置预报集成算法模型。以宝钢烧结面积为495 m2的烧结机为例，利用实际生产数据进行模型检验。结果表明，当绝对误差小于1.6 m时，模型的预报结果命中率为97.4%，均方根误差为0.58，预报值序列与实际目标值序列的相关系数为0.78。对各影响因素定量分析结果表明，影响烧结终点位置的前三因素依次为料层厚度、台车速度与配水量。     

济钢36m~2烧结机低硅烧结生产实践

济钢在 2× 3 6m2 烧结机上探索采用低硅烧结工艺。对生产中的烧结减钢渣、烧结减黑旺、提高巴西矿粉配比以及单配精矿粉等阶段进行了总结和分析 ,指出随着烧结矿品位的提高及 Si O2 的降低 ,烧结矿的含粉率提高 ,转鼓指数降低     

兰炭作烧结燃料对生产小球团烧结矿的影响

通过烧结杯试验开展酸性小球烧结,利用KJZ-03铁矿石冶金性能综合测定仪、矿相显微镜等检测了烧结矿的还原性、低温还原粉化指标和矿相结构,重点研究了兰炭内配比例及生球粒度对垂直烧结速度、烧结机利用系数、烧结矿转鼓强度和成品率等方面的影响。结果表明,兰炭内配30%、生球3~10 mm粒度90%时烧结指标最优。提高兰炭内配比例,成品率从74.03%提高到80.23%,转鼓强度和利用系数分别提高了1.89%和0.23%,还原度有所改善,且低温还原粉化指数变化较小;同时,小球团烧结矿的矿物组成以磁铁矿和铁橄榄石为主,结构致密,从而提高了烧结矿强度。     

武钢四烧提高转鼓强度的实践

对武钢烧结厂第四烧结车间435m^2烧结机投产后，为了优化高炉技术经济指标。满足大型高炉需要。在提高四烧烧结矿转鼓强度方面所作的工作进行了总结。通过采取措施，四烧转鼓指数得到很大提高。烧结矿质量得到了炼铁厂的认可。为了进一步满足炼铁高炉对提高入炉品位的要求。需要继续开展强化烧结手段的研究。提高烧结矿强度。     

基于烧结过程的烧结矿性能预测模型研究

铁矿石品位现阶段呈现不断下降趋势,为缓解原材料供应压力,需要对烧结矿性能进行有效预测。铁矿石烧结工艺推进环节中,烧结矿作为主要炉料,会对铁矿石质量造成直接影响。利用人工神经网络耦合热力学计算方法提取热力学平衡态条件下烧结生成物,并进行预测模型构建,对于明确烧结机理、预测烧结矿性能具有重要作用。所构建模型主要包括物相生成模型、强度预测模型、成品率预测模型、低温还原粉化率预测模型。针对不同环节工作建立模型,对于明确把握烧结矿性能具有重要意义。     

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。     

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。     

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。     

烧结过程添加尿素对SO_2减排及烧结矿质量的影响

在邯钢新435 m~2烧结机正常生产的条件下,通过人工在烧结机圆辊下料处均匀抛洒尿素,探究了尿素在烧结过程中对SO_2的减排和烧结矿质量的影响。研究结果表明,在尿素的质量分数为0.04%时,烧结烟气中SO_2浓度由1 100 mg/m~3降低到550 mg/m~3,SO_2减排50%。烧结矿转鼓指数略有降低,烧结矿中的硫含量没有变化。