共查询到20条相似文献,搜索用时 81 毫秒
1.
2.
烧结是高炉炼铁过程的主要工序之一,利用大数据智能化技术有望解决烧结配矿原料条件复杂、配矿约束失真、配矿模型寻优困难、烧结过程参数预测模型精度低、产线适应性不强、烧结状态质量表征困难等传统难题。目前部分钢铁企业已经建立了包括烧结过程数据的炼铁数据平台,实现了烧结过程数据的采集存储与初步处理;现有配矿模型的约束设置与现场条件吻合度有所提升,通过数据分析与智能算法加快了配矿模型的寻优速度与精度;通过不同方法构建的烧结状态质量关键参数智能预测模型,在测试集上的预测效果良好;烧结过程综合评价与优化也进行了探索并取得了一定成效。基于现有研究进展,对烧结全链条数据治理、机理与数据融合的烧结智能配矿、烧结全产线关键参数自更新预测、数据与经验协同的烧结过程自适应综合评价体系构建与优化等智能化烧结技术的研究与应用方向进行了展望。需要针对烧结数据存在的问题开展模块化治理,消除参数间时滞性并构建参数动态关联规则库;进一步开发机理数据深度融合且适应产线条件的烧结智能配矿模型,并结合高炉使用效果对烧结智能配矿进行深度优化;结合产线自身数据特点与现场操作人员需求,全面选择烧结过程预测目标参数,并根据目标参数的数据频... 相似文献
3.
4.
5.
6.
7.
通过巴西矿和澳矿的对比实验室烧结试验,研究各项指标的变化情况,经过综合分析,配加巴西矿优于澳矿。 相似文献
8.
铁矿粉供应的复杂多变加剧了烧结配矿的难度,易导致烧结生产及烧结矿性能的不稳定。传统的烧结杯试验配矿方法费时费力,研究开发新的优化配矿方法替代传统烧结杯试验配矿方法是钢铁企业提高配矿效率、实现降本增效的重要途径。详细介绍了铁矿粉常温性能、铁矿粉高温性能、热力学计算等指导烧结配矿的方法,分析了主要烧结配矿方法的技术特点,对烧结配矿研究方向进行了展望。指出铁矿粉的高温性能是基于铁矿粉基础工艺性能的烧结优化配矿方法的核心。查明铁矿粉关键基础工艺性能与烧结产质量的关系,是解决烧结优化配矿可靠性的关键。 相似文献
9.
10.
《梅山科技》2016,(1)
当前的优化配矿模型仅考虑了混匀矿的常温特性,忽略了能够反映铁矿粉在烧结过程中行为作用的高温特性,故无法更有效的实现配矿。在明确铁矿粉基础特性与烧结产质量指标关系以及铁矿粉高温特性适宜范围等专家知识的基础上,以模块化的软件处理模式,采用线性函数及单纯形法算法,构造包括铁矿石信息库、矿石特性评价库、直接配矿模型以及优化配矿模型的优化配矿专家系统。直接配矿模型可以评估任意配矿比例下混匀矿化学成分、粒级分布以及高温特性能否满足烧结要求。优化配矿模型采用优化配矿和优化配料两步法进行优化,增加了系统的容错性和自适应性,能够在保证烧结矿化学成分和烧结产质量指标的条件下,计算成本最低的配矿和配料方案。实现了兼顾成本的基于铁矿粉综合自身特性的优化配矿,保证了烧结生产的效益及烧结矿的质量 相似文献
11.
12.
13.
为了改善钒钛烧结矿的低温还原粉化性能,将BP神经网络算法应用于钒钛烧结矿低温还原粉化性能预测中,指标数据的样本分为输入样本和输出样本,其中:输入样本为配碳量、碱度、w(Mg O)以及FMG粉配比,输出样本为钒钛烧结矿RDI+3.15,运用BP神经网络算法探索输入样本与输出样本间的关系。结果表明:BP神经网络模型适用于烧结矿还原粉化性能的研究,可以根据输入样本有效的预测输出样本,且平均相对误差为5.7%,满足工程实践中预测精度的要求,为钒钛烧结矿生产提供了指导。 相似文献
14.
15.
烧结矿中二氧化硅的含量对高炉炉渣产量以及冶炼能耗有重要影响,因此探索一种能够快速、准确地分析烧结矿中硅元素含量的方法具有重要的研究意义。拟采用激光诱导击穿光谱技术(LIBS)对30个烧结矿实际样品进行快速分析,收集其190~300 nm范围的光谱信号,先建立特征线(Si 288.16 nm)的标准曲线,分析特征线信号强度与元素浓度之间的关系;再以不同数量的特征作为输入,建立神经网络预测模型,分析不同模型的预测性能。实验结果表明,标准曲线法预测性能较差,相关系数为0.230 9;以55个特征建立的神经网络预测模型出现了过拟合现象,无法满足检测需求;以5个特征建立的神经网络预测模型为3个模型中最优,针对测试集,相关系数为0.886 3,均方根误差为0.209 0,相对误差为1.42%。此外,随着特征数的减少,模型平均训练时间从11.9 s缩短至0.3 s。LIBS技术结合神经网络方法能够有效地分析烧结矿中硅元素的含量,将为冶金过程快速调整配料提供数据支撑。 相似文献
16.
17.
基于神经网络的烧结矿化学成分超前预报 总被引:12,自引:2,他引:10
本文利用前馈神经网络,建立了烧结矿化学成分超前预报的模型;通过对现场实际运行数据分析表明,预报模型具有良了的预报结果和实际应用前景。 相似文献
18.
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。 相似文献
19.
人工神经网络在烧结矿指标预测中的应用 总被引:2,自引:2,他引:0
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。 相似文献
20.
在分析配矿方案、工艺参数、产、质量指标三者相互关系的基础上,提出了两种优化烧结工艺参数的数学逻辑模型,即网络输出参数优化模型和网络输入参数优化模型.通过神经网络建模,比较建模结果,网络输入参数优化模型的效果更好.在神经网络模型的基础上结合遗传算法求解网络输入参数优化模型,计算出最佳的工艺参数.模型通过应用,不仅降低了烧结能耗,而且提高了烧结矿的产、质量,验证了模型的有效性和实用性. 相似文献