高炉优化配矿技术

高炉优化配矿技术1演讲内容1.必要性分析2.综合焦比和利用系数预报的ANN模型3.

ANN模型与优化高炉配矿模型的整合与效果4.结束语2

1.必要性分析我国高炉含铁原料的构成：由烧结矿、球团矿和天然块矿按一定比例配制而成，称为“高炉配矿”或“高炉综合炉料”烧结矿用若干种粉状铁矿石通过配加熔剂和燃料经过高温烧结制得，球团矿一般用一到两种细粒铁矿石经过造球、预热和焙烧制得，而天然块矿在入炉以前要经过破碎和筛分，使其在粒度方面达到高炉的要求。高炉的主要技术经济指标：利用系数、燃料比和生铁成本

它们在很大程度上决定于高炉配矿的性能在我国炼铁界流行着“三分操作七分原料”的说法

全球铁矿石资源条件的现状：优质铁矿石供应量大幅度减少，高炉使用的铁矿石品种不断增多而质量不断变差。

为了降低生产成本和增强企业的生存能力，各钢铁厂目前经常改变用矿品种，不断扩大低价矿（经常意味着低质）和含铁回收料的使用量。1.1对配矿模型的要求3高炉配矿的基本要求：1）生铁成分的要求，即[S]、[P]、[Mn]、[As]等在规定范围内；2）炉渣性能的要求，即CaO/SiO2、(CaO+MgO)/(SiO2+Al2O3)和脱硫能力、脱碱能力在规定范围内；3）有害元素负荷的要求，即单位生铁由原材料带入的S、P、Zn、K、Na、Pb、As、Cl、Cu等有害元素的总量在规定范围内高炉配矿的成本最低要求：生铁成本的构成：用矿成本（尽可能多使用低价矿），燃料成本（焦比和煤比低）和车间制造费（利用系数高）之和最低。还包括相应的熔剂成本（此项一般很少）铁矿石的性能包括：化学成分和冶金性能冶金性能又分为冷态冶金性能和高温冶金性能不仅是化学成分，而且高温冶金性能也对高炉生产指标有非常大的影响钢铁厂的原燃料管理制度规定：

烧结矿、球团矿和天然块矿的化学成分与冷态性能要定期检测；当烧结厂或球团厂计划使用新品种矿石时，要求通过实验室试验提前了解烧结矿、球团矿性能的变化；

高炉配矿，仅在计划大幅度调整球团矿或块矿的配比时，由公司的研究部门测试它的高温冶金性能。4配矿的高温冶金性能不可能简单地由各单品种铁矿石的冶金性能通过加权平均计算得到

而直接测定配矿的高温冶金性能由于高温实验很麻烦，时间长，人力物力消耗大，它不是一种常规的检测手段。目前高炉日常生产的现状是：需要频繁地调整和优化配矿方案，所以急需有一种配矿高温冶金性能的预测算法。上面所谈为高炉配矿本身性能对高炉生产指标的影响，但预报高炉生产指标还必须同时考虑高炉的操作条件（热制度、造渣制度、鼓风制度、喷吹制度、装料制度，等）的影响。5

1.2高炉配矿应用ANN技术的必要性操作中常用的两种焦比预测方法：（1）焦比影响系数法，系根据矿石铁分、烧结矿FeO、烧结矿碱度、烧结矿<5mm含量等各种性能指标的影响系数对焦比进行估算，其缺点是：a)取值范围往往很宽，难以根据本厂、本高炉和当前的原料与操作条件准确取值；b)有些已不适用于当前我国高炉的条件。（2）当矿石品种或化学成分发生较大变化时，利用热量换算系数（或称热量等数）进行变料计算，各种矿石的热量换算系数根据原料和生铁的主要成分及冶炼中的热效应，按热平衡原理求得。其缺点是：计算结果与实际值有较大偏差，且往往偏低。原因是：热平衡方程中没有考虑炉体热损失，而且难以确定铁氧化物的直接还原耗热量。由以上分析可知，优化高炉配矿模型包括两个核心模块，即综合焦比预报模型和利用系数预报模型。它们应该具有尽可能高的预报精度。炼铁高炉是一种高温、高压，密闭、连续式大型反应器，其生产效率（主要反映在燃料消耗和产量上）的影响因素：1）原燃料性质的变化；2）各种炉内反应（固体、液体、气体和粉体等多种物相之间热量、质量和动量传递状态）；3）炉子的工作内型；4）以上三种因素的交互作用。6从控制论的角度，高炉炼铁过程是一种多变量、大滞后的复杂动力学系统。经验证明，任何传统的数学手段，如回归统计方法等，都难以对高炉的燃料消耗和生产率做出准确预测，也无法在生产高炉上，通过工业性试验确定某单一因素对燃料消耗或生产率的影响系数。神经元网络是指由大量的人工神经元（类似于生物神经系统的神经细胞）互连而组成的网络，它试图从微观上解决人类认知功能，并在网络层次上模拟人类的思维方式和组织结构。神经网络是一个由简单处理单元构成的规模宏大的并行分布处理器，它通过合理的样本训练、学习专家的经验、模拟专家的行为，通过引入非线性转换函数来求解各种复杂的非线性问题，模仿大脑对这些知识进行处理，用以执行特定的任务或完成感兴趣的功能，可克服传统模式识别方法或一般算法在问题求解、决策制定时得不出结果或结果不准确的难题。7神经网络已在模式识别、信号处理、自动控制等领域取得了显著成效，在炼铁领域已应用于铁水含硅量和炉温预报、炉顶煤气温度分布模式识别等，在炼钢领域已应用于板坯连铸漏钢预报和复吹转炉终点氧含量预报等。范志刚等和韩红亮等尝试过应用神经网络对高炉焦比进行预报，但考虑的影响因素没有包括配矿的性能。本文介绍了神经网络技术在武钢优化高炉配矿模型开发中的应用，并比较了神经元网络和传统热平衡两种方法的综合焦比预报结果。[3]ZuoGuangqing,BjörkmanBo.AnexpertNetworkforPredictionandControloftheSiliconContentoftheHotMetal[C].TheInternationalConferenceOnMedellingAndSimulationInMetallurgicalEngineeringAndMaterialsScience,June11-13,1996,Beijing,China,417~422.[4]毕学工，邱剑.高炉炉温预报神经网络模型结构优化的研究[C].2001中国钢铁年会论文集（上卷），冶金工业出版社，北京，368.[5]李昕，毕学工.高炉铁水硅含量的神经网络预报[J].河南冶金，2010，18(1):21-23.[6]涂春林，毕学工，周勇.高炉炉顶温度分布模式识别神经元网络的研究[J].河南冶金，2004，12(1):10-12+20.作者以往应用ANN于高炉炼铁的研究8

2.综合焦比和利用系数预报的ANN模型BP（BackPropagation）网络是一种多层神经网络模型，它在神经网络中引入了隐含层神经元，使其具有更好的分类和记忆能力。BP算法的信号从输入层节点进入，从输出层节点导出，中间通过一层或多层隐含层节点实现高次非线性方程的模拟，对于输入信号，要先向前传播到隐含层结点，经过作用函数后，再把隐含层结点的输出信息传播到输出结点，最后给出输出结果。以三层网络结构为例，如图1所示，设置训练组为{}，i是输入层节点的编号，j是输出层节点的编号，k是数据样本编号。W是权值，h是中间层节点的编号。图1三层BP神经网络的结构2.1BP神经网络训练算法9BP网络通过训练，确定了输入、输出间的最优非线性关系，并将其分布到网络的连接权（输入层到中间层各节点间的权值，以及中间层到输出层各节点间的权值）上，在面对一组新的样本数据时，只需通过已确定的连接权矩阵进行运算，得到的输出结果即为新样本空间对应的预测值。判断最优非线性关系已经确定的依据：误差dj达到允许的范围之内，采用的误差函数为：T是观测值，y是计算值，n是样本总数102.2基于大数据建立ANN模型首先要考虑数据库的规模问题。由于神经元网络系基于实际生产数据建立，所以它不可避免地具有明显的统计学特点，即它对未知世界（各种可能的高炉配矿和操作条件下的综合焦比和利用系数）的预报精度与建立网络时的高炉状况的相似程度密切相关，相似度越高，网络的预报精度越高。因此，尽可能多地收集生产数据，尽力扩大数据库的规模无疑是一种正确选择。本文以武钢8号高炉为研究对象，收集了2010年4月至2014年11月连续4年8个月的生产数据，用于两种高炉生产指标预报ANN模型的研究。尽可能多地收集生产数据有利于提升未知世界与创建模型时包容世界的相似程度11此外，还要考虑大数据的正确使用，即排除数据中的噪声的问题。高炉是一种非常复杂的大型冶金系统，在实际生产中经常因为设备运行、电力供应、原材料或产品运输等环节出现故障而休风停产，还可能因为炉况发生严重失常而被迫减风、减压。在实际生产中，很难找到没有发生任何故障的月份。在处理故障过程中，按照规程采用减压、休风、停煤停氧、改高压等系列操作，这些操作会严重影响高炉的综合焦比和产量。为了减少ANN模型的复杂性和限制输入节点的数目，排除生产故障的影响，我们采取了将发生故障当日的数据舍去的措施。这样既能消除故障给数据带来的影响，也能保证所得规律具有一般性。122.3ANN模型输入节点的确定方法网络结构包含以下内容：输入节点向量（输入层节点类型与数目），隐含层数目（一般选1层），隐含层节点数目，学习速率，动量因子，输入层→隐含层各节点间的权值，隐含层→输出层各节点间的权值，精度（即收敛允许误差）和阈值，输出节点个数。采用单输出节点的网络，即综合焦比预报ANN网络的输出节点为综合焦比，利用系数预报ANN网络的输出节点为利用系数。确定ANN网络的输入节点的通常做法是结合现场获取数据的条件和根据与输出节点（如综合焦比或利用系数）的相关程度，而评判相关程度又有统计学的相关性分析和高炉炼铁理论分析两种方法。本文高度重视高炉配矿高温冶金性能对综合焦比和利用系数的影响，为此，基于武钢研究院提供的大量高炉配矿熔滴性能的测试结果，开发了开始滴落温度与FeO和计算熔点、软化区间与FeO和TFe、软熔区间与FeO和TFe的关系式，预测精度达到了±3℃，令人满意。如此，我们的输入节点清单中就有了三个新的成员：高炉配矿的开始滴落温度、软化区间和软熔区间。计算熔点：采用FactSage热力学计算软件包计算获得13一般的做法是选定输入节点的类型与数目后即不再改动，而本文的做法是首先建立输入节点清单，然后从清单中取出若干个节点进行网络训练，通过调整网络的其它结构参数（如中间层节点数，学习速率，动量因子等）进行训练，得到不同输入层条件下的收敛精度，最后选取收敛精度最高的输入层条件、与之对应的其它网络结构参数和各级权值向量，做为网络的训练结果。除了配矿的三个高温冶金性能指标以外，输入节点清单中还包括：风温，配矿的含铁品位，配矿的FeO含量，鼓风富氧率，炉顶煤气压力，炉顶煤气CO利用率，熟料比（烧结矿和球团矿在高炉配矿中的比例），生铁含硅量，焦炭含硫量，焦炭灰分含量，焦炭耐磨指数，焦炭抗碎指数，烧结矿含粉率（小于5mm的比例），高炉的Zn负荷（即单位生铁随炉料带人的Zn的重量）等。焦炭热性能指标（反应性CRI指数和反应后强度CSR指数）也很重要，但目前它们的检测频度比较低（一般一个月一次，或在需要时进行检测），所以暂时没有包括在输入节点清单里。即将输入层节点向量（节点类型与节点数目）作为一种优化条件142.4ANN模型的预报精度创建ANN要先后经历训练和预测两个阶段，表1和表2分别列出了综合焦比ANN模型和利用系数ANN模型的精度。

表1综合焦比ANN模型的精度

误差范围,kg/t精度，%误差范围,kg/t精度，%误差范围,kg/t精度，%±51.05±81.68±102.10训练62.289.294.6预报63.278.994.715

表2利用系数ANN模型的精度2010年4月至2014年11月时期，8号高炉的综合焦比平均值=476kg/t铁，利用系数的平均值=2.725t/(m3·d)。焦比预报ANN模型的精度比较高，而利用系数ANN模型的精度略低，原因可能是因为影响高炉产量的某些重要因素，因为没有量化的数据，没有包含在输入节点清单里。虽然如此，±0.10t/m3·d的预报精度也接近达到70%，基本可以满足生产上的要求。

误差范围t/(m3·d)精度%误差范围t/(m3·d)精度%误差范围t/(m3·d)精度%±0.051.8±0.103.7±0.155.5训练48.6583.7897.3预报52.6368.4278.95163.ANN模型与优化高炉配矿模型的整合与效果生铁成本由原材料成本、动力成本和车间制造费三大块构成，其中原材料成本包括：铁矿石成本（由各单品种含铁炉料的配比和价格计算），熔剂成本（由调整炉渣碱度时可能使用的石灰石、白云石、橄榄石等的用量和价格计算），燃料成本（由各种焦炭和喷吹煤粉的用量与价格计算）和辅料成本（由可能使用的洗炉料如萤石和锰矿、护炉料如钒钛球团矿的用量与价格计算）。动力成本包括电费、氮气、压缩空气、蒸汽等的成本。车间制造费包括设备固定投资折旧、管理费和人员工资，这一项随着高炉产量即利用系数的提高而减少。优化配矿的目的是在规定的高炉操作条件下（包括炉渣性能、送风制度、热制度、熟料比、焦炭性能、炉顶压力等），全面考虑铁矿石、燃料与熔剂等原材料成本的变化以及车间制造费的变化，搜索生铁成本最低的最佳高炉配矿方案。17优化高炉配矿模型的目标函数是生铁成本最低，它由以下15个子模型构成:（1）原材料化学成分与价格等计算条件的处理子模型；（2）各种原材料的理论出铁量和理论出渣量计算子模型；（3）配矿的理论出铁量和理论出渣量计算子模型；（4）配矿的熔滴性能预报子模型；（5）球团矿用量和块矿1用量计算子模型，块矿2用量和碎铁用量已知；（6）烧结矿用量和块矿1用量计算子模型，块矿2用量和碎铁用量已知；（7）综合焦比预报ANN模型，需要预先调用熔滴性能预报子模型；（8）熔剂用量子模型，根据碱度平衡计算某配矿方案的石灰石用量和蛇纹石用量；9）高炉产量预报ANN模型，需要预先调用熔滴性能预报子模型；（10）车间制造费子模型，根据车间制造费基准值与计算的高炉产量进行估算;（11）生铁成本子模型；（12）半步长优化模型，求解生铁成本最低的高炉配矿方案；（13）炉渣化学成分和生铁成分计算子模型；（14）原材料带人碱金属和锌的数量计算子模型;（15）模型结果显示和保存子模型。优化高炉配矿模型的数据库管理采用Oracle10g，计算机编程语言为MicrosoftC/C++6.0。18计算结果表明，由燃料比角度观察，与采用热量换算系数法比较，采用综合焦比ANN预报法可以得到符合高炉实际的配矿结果。一个例子是：热量换算系数法的焦比=330.04kg/t铁，煤比=157.48kg/t铁，生铁成本=1726.11元/t铁，燃料比=487.52kg