烧结矿小于10mm粒级含量指标的影响因素和改善措施

由于对小于10 mm的小粒级烧结矿含量指标的要求越来越严格,因此,分析在烧结以及供料过程中破坏烧结矿粒级组成的原因,并提出具有针对性的改善措施。实施改善措施后,生产的烧结矿10 mm粒级含量(质量分数)指标得到了明显的改善,由41.02%降到了38.85%,高炉炉料的透气性得到了明显的改善。     

基于深度学习的烧结返矿量组合预报模型研究

返矿量是影响烧结矿质量和炼铁成本的重要因素。针对该数据难以在短时间内获得且相关预测研究较少的问题，本文提出了一种应用深度学习算法构建的烧结返矿量组合预报模型。该模型首先将烧结实际生产流程大数据与数据预处理技术相结合，建立模型基础数据集；然后将烧结流程中存在的滞后性与时域神经网络相结合，实现模型的提前预报功能；同时将皮尔逊相关性分析和PCA技术制定的烧结配料规则与深度森林相结合，实现模型的实时监测功能。预测结果分析表明：该模型整体误差范围(返矿量在15 t/h内)命中率能够达到90%以上，并展示出良好的提前预报和实时监测效果，能够达到预测返矿趋势与数量的目标。     

一种基于深度神经网络的烧结料层透气性预报模型

为了保证整个烧结生产过程的顺利进行,通过对承钢2号烧结厂数据库中的数据进行采集、整合和预处理,运用相关性分析筛选出与料层透气性相关的重要特征变量,基于深度神经网络算法建立料层透气性预报模型,以即时为现场操作人员提供科学的操作指导。通过测试并与随机森林模型、支持向量机模型进行性能对比,结果表明,深度神经网络具有很好的预测效果,可实现对料层透气性的精准预测,对优化烧结现场的操作效果具有很好的指导意义。     

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。     

太钢全精矿烧结经济技术指标改善

太钢全精矿烧结使用的含铁原料粒度极细,特别是袁粉小于0.045 mm的含量超过了98%,烧结混合料制粒球少,导致混合料制粒效果变差,烧结料层透气性降低,带来烧结产、质量变差问题。通过开展改善混合料制粒效果、高比例配加生石灰、强化终点温度控制均衡性和设备优化改造等改善措施的开展,解决了全精矿烧结料层透气性差和烧结矿质量降低的问题,烧结矿质量稳中有升,2015年烧结矿转鼓强度完成77.91%,5~10 mm粒级的含量(质量分数)为17.38%,5 mm粒级的为5.49%,能满足高炉冶炼需求。     

基于深度森林算法的烧结矿转鼓指数预测模型

传统烧结转鼓强度检测方法存在检测结果滞后问题,这已经严重制约了烧结质量的提高。为了保证高质量烧结矿的顺利生产,提出了一种以烧结机实际工作生产数据为基础,应用深度森林算法建立的转鼓指数实时预测模型。首先,采集储存于异源数据库的2年内的烧结矿生产数据,并进行数据处理工作。然后,利用反向特征筛选方法提取了适用于转鼓指数预测的最优特征参数组合。最后,利用深度森林算法建立了转鼓指数预测模型。预测结果分析表明,与随机森林、支持向量机模型相比,深度森林模型综合预测能力最优,预测值误差接近零且展现出更高的命中率。通过烧结机实际工作生产数据检验和对模型进行训练和优化,能够达到对转鼓指数进行快速精准预测的目的,对烧结现场中烧结矿的高质量生产具有一定指导意义。     

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。     

混匀铁料粒度组成对烧结生产的影响研究

通过分析阳春新钢铁2013～2014年混匀铁料粒度组成与1台198 m~2烧结机生产数据的对应关系,得出在阳春新钢铁铁矿石资源以及烧结料层厚度为700 mm条件下,烧结透气性和烧结矿平均粒度与混匀铁料中的-200目、60～20目、20目～3 mm这3个粒级含量相关性明显,并结合烧结生产要求,总结得出这3个粒级的适宜控制范围。     

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。     

基于响应曲面法的烧结孔隙优化

基于烧结生产实际工艺参数,采用响应曲面法对烧结矿孔隙率进行优化研究,以碱度(A)、燃料配比(B)、燃料粒度(C)为设计变量,以烧结矿孔隙率(Y1)和转鼓指数(Y2)为目标函数,建立数学模型,进行三因素的优化设计分析.研究结果表明,碱度和燃料配比对孔隙率和转鼓指数影响显著,燃料粒度的影响较小;碱度与燃料配比、燃料配比与燃...     

焦粉粒度分布对铁矿石烧结指标的影响

焦粉粒度对烧结生产指标具有重要的影响。通过烧结杯试验开展焦粉粒度最佳组成的试验研究。结果表明，焦粉粒度从小于1 mm增加到5~8 mm时，烧结矿强度、烧结利用系数、固体燃耗、产量、垂直烧结速度及粒度分布均变差；烧结生产所使用的焦粉粒度组成可根据生产目标进行调整，当要求烧结矿转鼓强度达到最高值时，焦粉的粒度分布应当是57.20%的小于1 mm、25.63%的1~3 mm、11.17%的3~5 mm和6.00%的5~8 mm。当焦粉由鞍钢实际生产的粒度分布调整为最佳粒度分布时，烧结原料矿化过程合理，烧结矿转鼓强度增加1.48%，产量增加1.73%，10~40 mm的烧结矿增加2.16%，固体燃耗降低0.69 kg/t，冶金性能指标明显改善。研究结果对烧结生产中合理控制焦粉粒度分布具有一定的理论指导作用。     

首钢京唐1号烧结机800mm厚料层烧结生产实践

首钢京唐烧结厂1号550m2烧结机于2009年5月投产。该烧结机原设计料层厚度为750mm,生产中发现主抽风机风门开度一直保持低位,风机能力没有得到充分发挥。为了进一步提高烧结矿产质量,降低能耗,在不进行大的设备改造的前提下,通过采取梯形布料,使料层厚度增至800mm,并获得了较好的技术经济指标。实践表明,大型烧结机实施厚料层烧结,具有改善烧结矿质量,降低烧结工序能耗的优势。     

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。     

厚料层烧结技术的经济学解释

烧结料层透气性的Voice公式与经济学中的"柯-道生产函数"具有相似性,它们都是用来说明投入与产出之间的技术关系。用经济学中"规模效用递减"的基本法则和"边际分析"方法,引入到烧结生产中料层高度和抽风负压对烧结矿产出的分析中;作出了烧结生产的等成本曲线、等产出曲线;获得厚料层烧结生产条件下数量型增长和效益型增长的理论模型;首次从经济学角度解释了中国厚料层烧结生产机理和扩张路径,给出了烧结生产经济区的定义和确定方法;最后,提出厚料层烧结技术的发展方向不是单一或多个投入要素的提高,而是需要向提高全要素生产率的方向发展。     

不同SiO2质量分数精粉对烧结指标的影响

为了比较不同精粉配入混合料后对烧结指标及烧结矿质量的影响，进行了精粉高温性能测试及烧结杯试验。结果表明，不同精粉的表观形貌及高温性能有显著差别；在基本不改变熔剂结构的条件下，随精粉SiO2质量分数的升高，液相流动性显著降低，烧结过程中黏结相生成量减少，不利于混合料中各矿物之间黏结成矿。采用不同精粉烧结时，烧结矿微观矿物结构具有显著的差异；精粉中SiO2质量分数升高会导致烧结矿中铁酸钙生成量减少，SiO2酸盐逐渐增多，孔洞增加。与低SiO2精粉烧结相比，采用高SiO2精粉烧结后，固体燃耗增加，转鼓指数下降，粒度组成中小于10 mm的量增加。