基于BP神经网络的烧结过程预报模型

根据烧结矿化学成分与烧结工艺的预报、控制特点,采用了BP神经网络方法建立了烧结矿化学成分的预报模型。仿真实验的结果表明,模型具有较高的预测精度和较强的自学习功能,用拓扑结构为15-21-4的BP神经网络和0.6×10~(-3)的网络误差进行训练,模型的预报命中率在75%以上,充分验证了基于过程参数控制的烧结矿化学成分预测模型的准确性和有效性。     

降低鼓风机油泵故障率的研究

对汽轮鼓风机主油泵的故障原因进行系统的分析和研究后,在现有工艺和设备不变的情况下,对鼓风机油泵进行了改造。经过改造,降低了油泵的故障率,提高了鼓风机运行效率,确保了整个生产的安全、稳定运行。     

低品位褐铁矿作烧结铺底料的工艺优化

为了合理利用低品位褐铁矿资源,使用低品位褐铁矿作铺底料,研究了不同烧结工艺参数对烧结成品率、烧结矿转鼓强度等烧结指标的影响,并对烧结工艺参数进行了优化。结果表明,结合优化烧结工艺,使用低品位褐铁矿作铺底料对烧结料层透气性无明显改善作用,烟气最高温度与露点温度有所降低,烧结成品率有所提高,且成品烧结矿的转鼓强度与TFe含量均有所改善,有利于高炉焦比的降低。     

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。     

烧结加湿燃烧对NOx排放影响的研究

为了减少烧结过程中NO_x排放,研究了燃料工艺参数与烧结加湿燃烧对NO_x排放的影响。结果表明,烧结烟气中NO_x主要由燃料带入,燃料氮元素含量决定了烟气中NO_x浓度高低,燃料配比从6%降至4%,NO_x浓度平均值从424 mg/m³降至339 mg/m³; 燃料中碳元素能促进NO_x还原反应,同时提供更多热量,促进铁酸钙生成,缩短烧结时间。相对常规烧结,加湿燃烧烧结可以增强料层还原性气氛,增强NO异相还原反应,降低NO_x浓度; 并提高燃料完全燃烧程度,加快垂直烧结速度,提升烧结矿成品率与转鼓指数; 在蒸汽流量0.024 kg/min的工况下进行烧结加湿燃烧,NO_x浓度平均值从357 mg/m³降至338 mg/m³,转鼓指数提高约1个百分点。     

基于RBF-BP混合神经网络的烧结烟气NOx预测

摘要：对烧结烟气NOx生成量进行预测,能为烧结NOx源头和过程减排提供有效指导。利用BP神经网络模型和RBF神经网络模型对烧结烟气NOx进行了预测,在此基础上结合BP模型自适应学习能力强和RBF模型快速收敛的特性,采用优化模型结构、设立连接层的方法,构建RBF BP混合神经网络模型进行了NOx预测研究,并对3种模型的预测结果进行了对比分析。研究表明,3种神经网络模型中,RBF-BP混合模型的均方根误差为11.37mg/m3,平均绝对误差为7.14mg/m3,最大绝对误差为35.47mg/m3,最小绝对误差为0.0083mg/m3,各评价指标均为3种模型中最优,混合神经网络模型的预测数据稳定性更好,结果拟合程度更高且收敛速度最快。采用混合模型预测NOx能有效消除烟气NOx生成量反馈延迟。