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。     

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。     

烧结矿FeO含量的波动

烧结生产过程中，由于多种因素的存在，极易生成过量的FeO。FeO是确保烧结矿产质量的必备成分，但它在烧结过程中多以柱状结晶体的形式存在，不易被还原，使烧结矿还原性变差，因此是众多烧结工作者一直努力控制的难点。长期以来，杭钢炼钢厂烧结矿FeO含量在9％～10％之间，远高于国内同行的7％--8％的水平，对高炉影响较大。根据烧结生产实践中出现的情况，简单分析在烧结操作过程中引起烧结矿FeO含量波动的几点因素。     

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.     

武钢烧结矿中FeO含量的研究

烧结矿中FeO含量的高低,是烧结矿强度和还原性能的标志,是评价烧结矿质量的重要指标之一,它直接影响到烧结生产和高炉冶炼的各项技术经济指标。长期以来国内外烧结工作者,对降低烧结矿的FeO做了大量工作,取得了显著效果。     

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。     

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。     

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。     

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.     

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。     

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。     

鞍钢烧结矿适宜FeO含量的研究

在实验室条件下，研究了烧结工艺参数与烧结矿FeO含量的定量关系及烧结矿FeO含量对烧结矿冶金性能的影响。结果表明，从FeO含量对烧结矿产量和质量指标的影响看，烧结矿FeO含量在8．08％-9．70％范围内较适宜；从FeO含量对冶金性能指标的影响看，烧结矿FeO含量在7．18％～8．08％范围内较适宜。综合分析结果，鞍钢烧结矿FeO含量应控制在8．00％左右较适宜。     

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。     

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。