摘要:烧结是钢铁生产流程的一道主要工序，智能化烧结是钢铁智能制造的重要组成部分。本文综述了近年来烧结过程智能控制方面的研究进展，重点介绍了烧结矿化学成分智能控制、过程状态智能控制、固体燃料消耗优化控制和关键工艺参数优化方面所取得的进步，同时从数学建模、过程控制、工艺参数优化方面探讨了烧结过程智能控制的研究方向。

摘要:铁矿石烧结是钢铁制造中重要的铁前流程，是高炉炼铁的主要精料来源，也是钢铁行业实施“双碳”战略的前沿阵地。烧结终点、混合料水分以及FeO含量作为烧结过程中的关键参数，直观反映了烧结全流程的工况、能耗水平以及成品质量，是烧结过程在线检测的重点研究对象。本文重点阐述了这三个关键参数的检测方法研究现状，从工艺机理和参数特性出发，分析了现有检测方法的优缺点以及适用性，概括了当前烧结过程关键参数检测面临的问题，并对未来发展趋势进行了展望。

摘要:钢铁工业是促进我国经济持续发展的支柱型行业。钢铁冶金铁前工序环节较多，面临着数据量大、难以实时监控、难以把握生产状态、人工经验难以准确决策等诸多问题。铁前工序智能制造可推动钢铁企业实现产业转型升级。目前，数字孪生、透明感知、智能运维和智能决策分别在实现多源异构数据的采集与整合显示、系统运行状态信息采集、关键设备的监控与预警和生产参数与指标的优化方面取得了较好的成果，重点从这4个方面阐述了智能制造在铁前工序中的应用，并对未来的发展方向作出了展望。

摘要:通过系统地总结烧结工艺发展历程，围绕大数据技术在智能烧结过程中的应用研究，从烧结数据预处理、烧结关键参数预测、烧结关键参数评估与优化 3 个方面对智能化烧结技术进行了总结与分析。在烧结数据预处理方面，针对数据缺失、异常数值、数据量纲不同和特征冗余等问题，应综合考虑数据问题和算法特点，采取适当的插补缺失值、处理异常值、数据标准化和特征提取等方法，以提高数据质量和可信度。在烧结关键参数预测中，需要将大数据技术和烧结工艺理论相结合，采用深度学习和集成学习智能算法，建立烧结参数预测模型，提高模型的准确性和精准性。在烧结参数评估与优化控制方面，基于烧结过程数据信息与烧结工艺机制融合，采用机器学习方法建立烧结过程多目标协同优化模型，实现对烧结过程参数的评估与优化控制。基于新一代大数据技术和人工智能技术的发展，进一步展望了烧结智能系统未来的研究方向和发展前景。

摘要:烧结完成度是烧结热状态的直观体现，其精准识别对提升烧结过程稳定性和生产效率、降低烧结生产能耗具有重要意义。由于烧结现场生产环境恶劣，燃烧反应复杂，烟气和物料对流换热频繁，烧结完成度实时精准识别困难，目前仍依赖于“人工看火”。针对存在的问题，提出一种基于烧结机尾红外热图像特征的烧结完成度智能识别方法。该方法首先对红外热图像进行预处理，提出一种双阶段关键帧提取方法，获取受扬尘干扰小、红层完整清晰的关键帧图像；然后基于热图像 RGB 属性中 R 通道值变化趋势精准提取烧结红层 ROI 区域；并基于图像结构纹理分解挖掘隐含的料层信息，获取分区料层高度；设计并提取燃烧层高度占比分布等特征表征烧结完成度；最后构建 DS-CEFNet 智能识别模型，融合图像深层特征和手工设计的浅层特征，实现烧结完成度精准识别。结果表明，所提模型对烧结完成度的识别准确率达 96%，具有良好的应用价值。

摘要:铁矿成团过程中，对球团粒径有严格要求。为了能实时检测球团粒径，本文通过对造球机的动态区域图像进行分析，提出了前景提取加粘连分割的球团分割算法。该算法针对图像球团背景矿粉干扰问题，在Unet基础上融入可分离卷积结构，设计了轻量化的DSC-Unet前景分割网络，保证了前景分割的鲁棒性;同时针对球团相互重叠问题，使用了一种基于距离变换的分水岭分割方法，实现了前景粘连的分割，进而通过圆形拟合，获得球团直径。试验结果表明，所涉算法分割准确率达到97%，优于现有其他算法，达到了检测要求。

摘要:烧结矿转鼓强度是烧结过程中反映烧结矿质量的重要指标之一，其精确预测可以提高生产过程的控制精度和效率，降低生产成本和资源浪费。但在实际生产中，烧结矿转鼓强度预测存在一些困难，比如数据量有限、数据质量不佳等问题。因此，为了提高预测精度，首先采用生成对抗网络（GAN）对原始数据集进行扩增，以解决数据量有限的问题；然后采用麻雀搜索算法（SSA）优化的回声状态网络（ESN）构建预测模型。相比于传统的神经网络，ESN 具有更好的稳定性和泛化能力，并且能够快速训练和适应新数据。通过试验验证了该模型的预测精度和效率，并与其他预测算法进行了比较。结果表明，采用扩增后的数据集和 ESN 模型可以显著提高预测精度，平均绝对百分比误差由 1.41% 缩小至 1.06%。

摘要:针对烧结工序燃料粒度无法在线检测,以及人工检测滞后性大的难题,提出了一种基于机器人和多层智能筛分机的燃料粒度检测系统。该系统首先利用取样装置获取燃料样品,再采用微波装置对燃料进行干燥,干燥后的燃料再利用多层智能筛分机进行筛分,最后,利用一体化称重装置获取筛分后的各个粒径的燃料质量,从而计算出燃料粒度分布值。系统在某钢厂投入实际使用,运行结果表明其检测误差<5%,完全可以取代人工检测。重点阐述了该系统涉及的定质量缩分技术、微波快速干燥技术、多层智能筛分技术等关键技术,以期为该系统的改进以及大范围应用提供借鉴与指导。

摘要:鉴于影响烧结转鼓因素较多,难精准预测的问题,将数据分析与现场经验结合,提出了一种基于烧结状态与集成学习的烧结矿转鼓强度自适应预测模型。该模型首先通过数据收集整合、异常数据识别与缺失数据处理等数据预处理过程,获取高质量烧结矿转鼓强度预测数据集合;再采用 Boruta 算法结合 Pearson 线性、XGBoost 非线性相关性分析选择转鼓强度预测模型输入特征,避免了模型输入特征的不完整性;最后采用 5 种不同机器学习算法构建转鼓强度集成学习预测模型,各子模型预测结果权重可根据烧结生产实际情况进行自适应更新。结合现场生产实践与烧结历史数据分析,通过烧结终点温度与主管负压对烧结状态进行区分,在误差范围为 0.5%时,转鼓强度的预测命中率在 90%以上。

摘要:为了解决烧结矿粒度识别过程中颗粒形状不规则、边缘模糊、高度粘连、难以识别的问题，提出了一种基于多尺度特征融合的改进 UNet 网络对烧结矿图像进行分割。该网络通过引入残差和密集连接，并加入 SE 模块 (squeeze excitation block) 进行特征融合，提取低层次精确的轮廓信息，解决烧结矿轮廓特征利用率低的问题；每层利用多尺度密集连接，完成非对称信息交换，有效缓解编码特征和解码特征之间的语义鸿沟问题；在解码器部分添加两个解码器，引入烧结矿轮廓特征，进行多任务学习并形成新的损失函数，利用轮廓信息来约束烧结矿对象掩码分割，提高粘连烧结矿轮廓分割能力。试验结果表明，改进的 UNet 网络与其他网络相比，显著提高了粘连烧结矿图像的分割准确度，为烧结矿粒度的准确识别奠定了基础。

摘要:现场充分利用高炉煤气(BFG)可有效降低一次能源的消耗，但高炉现场工况不断变化，煤气供需关系时刻处于不平衡状态，导致煤气放散现象仍然存在。为了提高煤气利用率，提出一种基于时序注意力(T-Attention)网络的BFG预测方法。该方法首先结合高炉冶炼机理和最大互信息系数(MIC)选取影响BFG含量的关键因素；然后针对采集数据中存在随机扰动，利用小波分析去除数据中的噪声；且在建模过程中，利用门控循环单元(GRU)捕捉多变量数据中周期性波动规律，同时融入注意力机制实时计算每个样本中各变量与预测值之间耦合关系并进行权重分配，提高模型动态自适应能力和解读性；最后利用某钢铁厂高炉现场数据进行验证。结果表明，T-Attention网络模型预测效果优于传统方法，能够准确预测BFG中的指标，为后期BFG调度以及节能减排提供及时准确的决策参考。

摘要:烧结工序作为传统长流程钢铁生产过程中的重要环节之一，其烧结矿产、质量直接影响炼铁生产的效益，而烧结终点作为检测烧结生产状态的重要指标，对其进行准确预报将对生产产生有效的推动作用。设计了基于 Python 语言的深度神经网络（DNN）预报模型，将训练好的模型应用于烧结终点预报，建立最终模型的均方差损失达到了 0.375，精确度高，可满足现场要求。同时，从影响烧结终点的重要参数出发，构建烧结终点模糊控制器调节烧结终点，并构建点火温度智能化调节模型、混合水分优化模型和烧结矿化学成分区间优化控制方式来辅助调节烧结终点。最终使用 Python 语言完成烧结终点预报及操作指导系统的开发工作，实现了烧结终点的准确预报与烧结终点异常后的全方位、多角度智能化处理，构建了在线监测、终点预报、终点预报模型优化、异常报警、异常处理于一体的智能控制系统，为烧结生产人员实现烧结终点全流程优化提供有利指导。

摘要:烧结矿的化学成分是决定烧结矿质量和高炉冶炼顺行的关键因素之一。为了稳定烧结矿化学成分，通过对烧结矿与混合矿化学成分进行相关性分析，选取两者相关性高的化学成分作为输入参数，并采用贝叶斯算法优化随机森林算法里的超参数，对烧结矿中化学成分 [w(TFe)、w(FeO)、w(SiO₂)、w(CaO)、w(MgO)、w(Al₂O₃)、碱度(R)] 进行预测，建立了基于 BO-RF 的烧结矿化学成分预测模型。预测结果表明：烧结矿化学成分的预测准确率均达到 90.0% 以上，其中烧结矿 w(CaO) 的预测准确率达到 96.9%，烧结矿 R 的预测准确率为 96.5%。烧结矿化学成分预测相对误差均在 5.0% 以内，其中烧结矿 R 的预测相对误差在 3.5% 以内，烧结矿 w(TFe) 的预测相对误差在 1.4% 以内，整体预测精度较高。

摘要:为了改善高炉送风系统的供风均匀性，以某厂3200m³高炉送风系统为研究对象，采用数值模拟方法分析了总鼓风量、风口直径对系统供风均匀性的影响，并给出了具体改善方案。结果表明，在初始风口尺寸条件下，28#和 12#风口的鼓风动能明显小于其它风口，鼓风动能最大差值为 11.91 kJ/s，整体均匀性指数为 2.31，系统的供风均匀性不佳。将 28 和 12#风口调整成 130 mm 后，整体均匀性指数降为 0.87。在此基础上，增大所有风口直径和降低总鼓风量，均能小幅度改善系统供风均匀性，但平均鼓风动能下降较大。将送风系统的 28#风口直径调整为 127 mm、12#风口直径调整为 130 mm、26#和 30#风口直径调整为 132 mm 后，系统供风均匀性得到明显改善，鼓风动能最大差值降为 2.27 kJ/s，整体均匀性指数降为 0.45。

摘要:铁矿石烧结过程是铁前炉料制备的主要工序。烧结矿的质量对高炉冶炼有直接影响。工况是烧结过程燃烧状态的综合体现，而稳定的工况也是提升烧结矿质量的前提。因此，实现烧结过程工况感知对实际生产具有重要的指导意义。提出一种基于信息粒化与模糊规则的烧结过程工况感知方法，利用皮尔逊相关性分析方法对烧结过程参数进行分析，对工况感知模型输入参数的时间序列数据进行信息粒化，构建模糊规则模型，进而实现烧结过程的工况感知，并基于工业实际运行数据对所提出工况感知模型进行验证。试验结果表明，所构建的工况感知模型能够有效的感知工况，可为烧结过程优化决策提供依据和参考。

摘要:烧结台车定位跟踪是非稳态烧结高质量过程控制的基础，同时也是台车状态监控的关键。针对现有烧结生产过程中的物料跟踪和过程控制的问题，提出了一种全新的台车定位跟踪算法。该算法针对烧结台车定位场景设计了复数卷积神经网络结构，运用复数网络的俯角解决了相位从360°到0°跳变时定位系统误差大的问题；同时采用 GradCAM 技术解析网络的工作原理，以确保模型的泛化能力；通过在台车上加装定位二维码来二次确认定位信息的准确性。经过长达一年半的论证，证明系统具有高度的可靠性和稳定性，并能够有效地应用于烧结生产过程中的物料跟踪和过程控制。

摘要:为了提高烧结生产控制的自动化程度、烧结过程均匀性和烧结产、质量指标，开发了烧结混合料自动布料系统。该系统通过采用雷达料位仪监测料面宽度方向的分区料厚值，并与目标料厚进行比对，获得直接的分区料厚偏差量。通过红外热成像技术采集烧结机尾断面红外热成像视频及特征图像，分析烧结断面宽度方向分区温度分布、高温带厚度、烧结终点位置，获得间接的分区料厚偏差量。结合这两个分区料厚偏差量，反馈调节烧结布料圆辊转速和小闸门开度，在原料结构稳定的情况下，实现了烧结自动布料。实践表明：雷达料位监测系统和红外热成像系统可以准确检测料层厚度、识别烧结断面热状态，自动布料系统运行稳定，显著减少了主控工作人员对布料过程的干预，对降低操作人员劳动强度具有积极作用。

摘要:工艺设计的合理性与先进性是球团厂达产达效的根本，而工艺模拟可让设计者对工艺系统中的质量流与能量流以及两者间的相互影响关系的认识更加清晰明了。基于球团料层热质传输模型开发了链箅机—回转窑和带式焙烧机两种工艺模拟流程，并详细阐述了两种工艺模拟流程的步骤、控制策略以及应用方向，同时给出了实例流程的模拟结果以及与球团试验结果的对比。对比结果说明，模拟工艺可以使工艺设计从经验化转变到数字化，可为工艺优化和生产操作提供指导。

摘要:针对烧结矿FeO含量检测周期长，不利于烧结生产实时控制的问题，建立了基于烧结机尾断面图像和深度学习算法的烧结矿FeO含量软测量模型。该模型采用C^#高级程序语言开发了烧结矿 FeO 含量在线智能检测系统，并成功应用于宝钢湛江1^#烧结生产线。该系统在现场的运行结果表明：在误差区间 ±0.5% 内，烧结矿 FeO 含量的软测量命中率在 90% 以上。该系统可以为生产现场的燃料配比实时调控提供参考，对降低烧结矿 FeO 含量波动和固体燃料消耗具有重要意义。

摘要:烧结机漏风严重影响着烧结生产过程的各项经济技术指标，其会导致通过料层的有效风量减少，造成烧结矿产、质量指标变差，风机电耗增大。为了实时监测烧结机漏风、为漏风治理提供及时指导，基于氧平衡法设计了一套烧结漏风在线监测系统。该系统通过氧化锆测氧仪采集不同烧结烟气监测点的氧体积分数，基于 Visual Studio 平台搭建了漏风率计算模型，实现了烧结系统不同区间的漏风率实时监测与异常告警。通过分析烧结机漏风的关键因素与部位，结合及时堵漏和系统检修，烧结全系统漏风率由 40.72% 降至 34.15%，降低了 6.57%，达到了国内先进水平，促进了烧结低碳绿色发展。