人工神经网络与遗传算法在高炉焦比预报中的应用

建立了遗传算法与BP神经网络相结合的高炉焦比预报模型.该模型用于预报在不同操作条件下适宜的焦比,寻求高炉诸多操作参数与焦比之间的映射关系,为高炉操作者提供调整炉况的依据.实际应用表明,该模型具有较好的命中率.     

高炉布料过程仿真与决策系统

针对高炉布料过程中人工决策无法得到稳定、满意的径向矿焦比值及炉况发生变化时不能及时做出准确的布料调整,提出了基于操作优化的高炉布料仿真和决策系统.以高炉多层布料料面对应的径向矿焦比值与满意值的偏差最小为目标函数,建立高炉布料操作优化模型,用差分进化算法对该模型求解.本系统在某高炉实际运行后提高了炉况的稳定性,满足了工业现场科学稳定地控制径向矿焦比等技术指标的要求,同时在炉况变化时及时给出了布料调整方案.在工业实际运行中验证了该系统的有效性.     

基于主成分分析的高炉操作炉型评价

针对目前高炉操作炉型管理模型中存在用于评价炉型的指标多且重叠性大的问题,提出一种基于主成分分析的改进方法.该方法能够从传统评价炉型的指标(焦比、煤比、综合焦比、利用系数及铁水硅含量)中生成3个核指标,新的核指标空间相互独立,且能够代表原有的指标,从而解决了指标多且重叠性大的问题.在国丰1号1 780 m3高炉,开发应用了该改进的高炉操作炉型模型,确定了该高炉的主要操作炉型类别并对其进行了评价.     

基于BP神经网络的高炉焦化预测方法

焦比是高炉生产过程中的一个重要技术经济指标，也是实际生产中需要进行控制的目标之一。因为高炉反应的复杂性，采用传统的经验方法对焦比进行预测存在较大的误差，文章采用一个9－9－1改进的BP网络对高炉焦比进行预报，实验结果证明，经过训练的神经网络对高炉焦比有良好的预测效果，其预测误差小于2％，并根据生产实际探讨了将神经网络和专家系统相结合，对高炉焦比进行在线预报的可能性。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法。聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测。结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较。结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法.聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测.结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较.结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%.     

唐钢二炼铁厂3号高炉铁水硅含量神经网络预报模型

根据唐钢二炼铁厂3#高炉的生产情况和技术水平,建立了高炉铁水硅含量神经网络预报模型.模型采用BP网络,仿真试验结果表明,该模型具有较好的命中效果.同时,基于预报的铁水硅含量,结合部分专家知识,指导操作决策.具有很强的实用性.     

唐钢二炼铁厂3号高炉铁水硅含量神经网络预报模型

根据唐钢二炼铁厂3^#高炉的生产情况和技术水平，建立了高炉铁水硅含量神经网络预报模型。模型采用BP网络，仿真试验结果表明，该模型具有较好的命中效果。同时，基于预报的铁水硅含量，结合部分专家知识，指导操作决策。具有很强的实用性。     

基于辅料资源运行特性的高炉焦比预测

高炉冶炼过程运行具有非线性、大时滞、参数分布广等特征,是一个高度复杂的过程。其中焦比是高炉生产过程中最重要的技术经济指标之一,是高炉生产效率和能耗的集中体现。冶炼过程中煤、焦炭、氧气、石灰石、耐火材料等辅料资源在配合铁矿石等含铁主料资源转换成铁水的过程中,影响整个系统的资源消耗和环境排放,并形成不同的资源的转化效率。本文从辅料资源运行特性的角度对高炉综合焦比进行分析,采用拓扑结构为16-20-1改进的BP神经网络对高炉综合焦比进行预测。实践证明,该模型在对高炉生产数据进行学习后,其预测误差率低,具有一定的准确性和有效性。     

高炉主要操作参数与铁水含硅量滞后关系分析

随着钢铁工业生产的进步,炼铁和炼钢工艺均对铁水硅含量提出了越来越高的要求。降低高炉铁水硅含量不仅是高炉的冶炼方向,也是现代炼钢工艺的必然要求。文中以高炉炉温预报和操作指导模型的开发为背景,对影响模型的主要操作参数与铁水含硅量滞后关系进行了相关性和滞后时间的分析,为准确实现高炉炉热判断奠定了基础。     

焦炭强度在高炉内的变化规律

使用一台连续性高炉块状带热模型对焦炭在高炉中上部的失碳率与温度的对应关系进行了模拟研究。使用一台可调气氛高温抗压试验机研究了焦炭强度与温度和失碳率的关系。讨论了实际条件下焦炭失碳率及其强度在高炉内的变化规律。     

基于梯度提升决策树的焦炭质量预测模型研究

焦炭是高炉炼铁的重要原料,其质量是影响铁水质量和高炉顺行的重要因素,针对焦炭质量存在检验难、滞后性、预测误差大等问题,提出一种基于梯度提升决策树算法的焦炭预测模型;结合专家经验与相关性分析方法,深入研究配合煤质量对焦炭质量的影响;最后利用配合煤质量指标对焦炭质量指标灰分、硫分、耐磨强度、抗碎强度进行建模预测;根据某焦化厂历史生产数据对模型进行评估,实验结果表明:基于梯度提升决策树的焦炭质量预测模型相较于线性回归模型、随机森林模型,决策树模型误差小、准确率高,可以为焦化厂配煤炼焦提供一定的理论依据。     

烧结矿/兰炭混装还原试验研究

为了降低炼铁生产成本、优化炉料结构以及充分利用低品质冶金焦资源,在实验室条件下进行兰炭用于高炉炼铁的矿焦混装初步试验研究。采用综合热分析仪研究兰炭的基础特性,并模拟高炉条件下的矿焦混装程序还原过程。结果表明,兰炭与CO₂的反应性要好于焦炭,兰炭可明显降低烧结矿直接还原的起始温度并加快还原速率;在高炉还原条件下,兰炭可以降低大块焦的溶损率,提高烧结矿的还原度;增加兰炭加入量,烧结矿的还原度相应提高;在兰炭加入量相同的条件下,兰炭和烧结矿分层混装时烧结矿终点还原度较高;过多增加兰炭加入量和改变矿焦混装方式对抑制大块焦溶损率的作用较小。     

基于机器学习和遗传算法的高炉参数预测与优化

针对目前高炉炼铁模型精度不高问题,提出建立高炉生产过程中精确的多目标优化模型.首先对高炉的海量数据进行了数据预处理,其次采用支持向量机、随机森林、梯度提升树、XGBoost、LightGBM、人工神经网络6种机器学习算法对高炉焦比、K值进行了预测,并采用特征工程和超参调优对机器学习预测进行了优化,最后采用新的集成学习方法进行预测.预测结果不仅精准度高而且具有很好的鲁棒性.在机器学习的基础之上,采用NSGA-Ⅱ遗传算法对高炉参数进行了多目标优化分析,得到了Pareto最优解,高炉操作者可以根据该多目标优化结果针对不同的需求选择相应的控制参数.     

高炉焦比目标优化模型应用及结果分析

介绍了目标高炉应用焦比优化模型在线运行的环境,通过模型在线运行,得到了有关参数的优化结果,将优化民实际生产参数比较,结果是目标高炉降低烧结矿在熟料中的比例,提高球团矿比例,同时提高风温和富氧率,在煤粉喷吹量达186kg/t的基础上,可望将焦比降低到300kg／t左右水平。     

高炉布料过程中焦炭坍塌现象的模型研究

为了精确预测高炉炉料分布，开发了高炉布料数学模型。运用土力学边坡稳定理论，定量表示了焦炭向高炉中心的坍塌量。模拟结果与实测结果比较符合，证明此模型是适用的。结果表明，由于坍塌焦炭的积累，阻碍了矿石滚向高炉中心，明显改变了高炉边缘到中心的矿焦比。焦炭层的坍塌程度受布料模式、焦炭层的料面形状、矿石种类及配比、矿石批重和煤气流速等因素的影响，因此随着炉况的变化，焦炭层的坍塌状况也随之发生变化。     

焦炭质量预测模型

随着高炉大型化、富氧喷吹技术的发展,焦炭在高炉中的骨架作用愈加重要,钢铁企业迫切要求提高焦炭质量,为此需建立一组准确的焦炭质量预测模型,以更好地指导炼焦生产.在分析总结了国内外焦炭质量预测模型的基础上,对小焦炉实验数据进行了分析与回归,通过线性加修正的方法建立炼焦配煤数学模型,得到了焦炭灰分、硫分、机械强度(M40,M10)和热性质(CRI,CSR)的预测模型.通过实际生产进行了验证,模型的预测值与实测值间的误差均在6%以下,能很好地满足实际生产需求,为焦化厂快速准确得到配煤方案提供了理论依据.     

焦炭高温性质对高炉炉况的影响

采用可调气氛高温抗压试验机研究焦炭的高温抗压强度。在高炉实际反应程度范围内,焦炭抗压强度与失碳率呈近似直线关系。失碳率对强度的影响随温度升高而减弱,抗压强度也随温度升高而降低。在此基础上,从理论上分析了高炉用焦炭的破碎机理。