一种基于配矿技术下预测烧结矿转鼓指数的方法技术

本发明专利技术公开一种基于配矿技术下预测烧结矿转鼓指数的方法，属于冶金炼铁技术领域。将碱度R2、镁铝比、混合料CaO成分、混合料Fe含量、混合料SiO2含量、混合料MgO含量、混合料Al2O3含量，七个变量进行数据预处理，基于原始数据的均值和标准差进行的标准化，将处理后的数据用Gradient Boost算法进行预测，得到基于配矿技术下对烧结矿转鼓指数的预测模型，该方法利用高斯分布数据扩增方法结合基于Gradient Boost算法的预测模型训练，利用该预测模型能够有效预测烧结矿转鼓指数，根据实际生产需求对所得方案进行排序以供配矿参考，满足实际冶炼工艺要求，能够有效提高高炉炼铁的效率。能够有效提高高炉炼铁的效率。能够有效提高高炉炼铁的效率。

【技术实现步骤摘要】
一种基于配矿技术下预测烧结矿转鼓指数的方法


[0001]本专利技术属于冶金炼铁
，具体涉及一种基于配矿技术下预测烧结矿转鼓指数的方法。

技术介绍

[0002]近些年，中国在开拓创新工艺以及新技术方面相当活跃，烧结机明显向大型化以及环保化方向发展，大型烧结机数量急剧增加，与此同时能耗指标大幅度降低，而且在此基础上环境指标明显改善，此外在烧结理论和技术方面也取得一些进步。
[0003]现有的相关技术中，中国专利申请公布号CN114067926A公开了一种烧结台车各料层烧结矿的转鼓强度预测方法。首先基于台车生产原料在不同工艺条件下进行烧结杯实验，得到不同的烧结矿，然后进行转鼓强度测试，同时对烧结矿的孔隙率、典型矿物含量、典型矿物显微力学性能进行测试分析，建立烧结矿的孔隙率、典型矿物含量、典型矿物显微力学性能与烧结矿的转鼓强度之间的定量关系模型；然后将烧结台车各料层的烧结矿待测样品的孔隙率、典型矿物含量以及对应矿物显微力学性能代入第一定量关系模型，从而预测得到烧结矿的转鼓强度。该工艺的不足之处在于：该方法从工艺出发，预测时间较长，利用多种仪器设备进行工艺加工，步骤较为繁琐。
[0004]中国专利申请公布号CN113358439A公开了一种球团矿转鼓强度测定用试样的制备装置及其方法，适用于炼铁原料以及球团矿生产检验
本专利技术通过鼓前筛分过程中对粒级的预判和减量秤的精确给料，实现转鼓强度测定用试样的快速制备。本专利技术通过筛分给料减量秤的给料出口在转鼓鼓前筛的接料口上方；转鼓鼓前筛固定在支架上；转鼓鼓前筛安装有小、中、大三种粒级出口，电动卸料阀安装在转鼓鼓前筛中粒级出口的溜管上；小粒级集料秤和中粒级集料减量秤以及大粒级集料秤都安装在转鼓鼓前筛相应粒级的物料出口下方；本专利技术通过鼓前筛分过程中对粒级的预判和减量秤的精确给料，实现转鼓强度测定用试样的快速制备。该方法从工艺出发，采用对机械结构的改进进行分析，对数据的分析会造成误差。
[0005]中国专利申请公布号CN103258130B公开了一种烧结矿转鼓强度预测方法，包括建立预测模型和用建立的预测模型预测转鼓强度两个步骤，所述建立预测模型的方法包括S1、采集具有烧结矿转鼓强度的各化学成分的样本数据；S2、针对样本数据，建立灰色残差修正模型和支持向量机模型进行转鼓强度预测；S3、组合预测：确定灰色残差修正模型和支持向量机模型两者的最优权系数，构成最优的组合预测模型进行转鼓强度预测。该方法的缺点在于对于小样本数据适用，但是如果是大数据量，SVM的运行时间和内存使用方面会明显有缺陷。
[0006]目前，烧结矿研究领域大量的研究数据、生产实践数据和实验室得到的实验数据等没有得到有效整合，更无法得到高效利用，烧结矿原料特性没有被深入系统的研究、测试和总结，无法变革现有的传统研发模式，实现烧结矿领域转鼓指数研究的快速发展。因此，本专利技术使用数学回归方法进行数据建模，构建“七个变量对应一个性能”的预测模型，建立
基于Gradient Boost算法（简称GB算法）的预测模型，输入采用碱度R、镁铝比、混合料CaO成分、混合料Fe含量、混合料SiO2含量、混合料MgO含量、混合料Al2O3含量指标，输出采用烧结矿转鼓指数预测优化烧结矿性能具有重要的意义。

技术实现思路

[0007]本专利技术的目的在于提供一种预测烧结矿转鼓指数的方法，进而得到最优的矿石混合比，节能减排。
[0008]为解决上述问题，本专利技术的实施例提供如下方案：一种基于配矿技术下预测烧结矿转鼓指数的方法，基于配矿技术用碱度R2、镁铝比、混合料CaO成分、混合料Fe含量、混合料SiO2含量、混合料MgO含量、混合料Al2O3含量七个变量，预测烧结矿转鼓指数，构建模型，模型预测过程包括以下步骤：首先进行数据预处理，对碱度R2、镁铝比两个指标进行了数据处理，计算公式如下：其中mean和std为x所在列的均值和标准差，x
ij
为预处理前数据，x
ij
’
为预处理后的数据；对混合料CaO成分、混合料Fe含量、混合料SiO2含量、混合料MgO含量、混合料Al2O3含量五个指标进行了数据处理，计算公式如下：min和max是x所在列的最小值和最大值，x
ij
为预处理前数据，x
ij
’
为预处理后的数据；其次：对已有的实验数据进行合理的扩增优化，对每组数据均产生符合标准的高斯分布的随机数据；再次：将扩容后上述的七个变量对应烧结矿的一个性能，构建“七个变量对应一个性能”的预测模型，建立基于Gradient Boost算法的预测模型，基函数的构成由决策树和神经网络共同构成，线性关系由决策树进行计算，非线性关系由神经网络进行计算；输入采用碱度R2、镁铝比、混合料CaO成分、混合料Fe含量、混合料SiO2含量、混合料MgO含量、混合料Al2O3含量，输出为烧结矿转鼓指数；最后：预测模型误差检测采用平均绝对百分比误差MAPE作为模型误差检验标准。
[0009]进一步的所述配矿技术，将包括巴西粉、巴粗、超特粉、老高返、块返、新高返、尘泥、白云石粉、石灰石粉、焦粉、无烟煤、FMG粉、PB粉、高炉除尘灰、生石灰等进行混合配矿，调制出不同碱度R2、镁铝比、CaO成分、Fe含量、SiO2含量、MgO含量、Al2O3含量，进而烧制为不同特性的烧结矿。
[0010]进一步的所述烧制采用SJ系列带式抽风烧结机，规模为265m2的条件下进行烧结。
[0011]进一步的，所述预测模型误差检测方法以平均绝对百分比误差MAPE作为模型误差
检验标准，公式如下：其中，一共有n个变量，y
t
表示第t个真实值，表示第t个预测值，MAPE的值越小，表示模型的预测结果越准确。
[0012]专利技术有益效果：该方法基于现有的实验数据以及原料成分，将原料碱度R2、镁铝比、混合料CaO成分、混合料Fe含量、混合料SiO2含量、混合料MgO含量、混合料Al2O3含量进行基于Gradient Boost算法的预测，根据预测模型的建立，得到基于配矿技术下预测烧结矿转鼓指数的模型，满足实际冶炼工艺要求，能够应用于烧结工艺中转鼓指数的预测。
附图说明
[0013]图1：Gradient Boosting回归模型预测流程图；图2：实施例最终训练的模型可视化图。
具体实施方式
[0014]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方案作进一步地详细描述。
[0015]本专利技术的实施例提供了一种基于配矿技术下预测烧结矿转鼓指数的方法。如图1所示，所述方法包括以下步骤：步骤一、配矿将实验原料包括巴西粉、巴粗、超特粉、老高返、块返、新高返、尘泥、白云石粉、石灰石粉、焦粉、无烟煤、FMG粉、PB粉、高炉除尘灰、生石灰等按照比例进行配矿，下面表1，表2中给出本专利技术使用配矿原料配比数据。
[0016]表1配矿原料配比表2配矿原料配比
步骤二、进行烧结将上述不同配比的原料进行混合，采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于配矿技术下预测烧结矿转鼓指数的方法，基于配矿技术用碱度R2、镁铝比、混合料CaO成分、混合料Fe含量、混合料SiO2含量、混合料MgO含量、混合料Al2O3含量七个变量，预测烧结矿转鼓指数，构建模型，模型预测过程包括以下步骤：首先进行数据预处理，对碱度R2、镁铝比两个指标进行了数据处理，计算公式如下：其中mean和std为x所在列的均值和标准差，x
ij
为预处理前数据，x
ij
’
为预处理后的数据；对混合料CaO成分、混合料Fe含量、混合料SiO2含量、混合料MgO含量、混合料Al2O3含量五个指标进行了数据处理，计算公式如下：min和max是x所在列的最小值和最大值，x
ij
为预处理前数据，x
ij
’
为预处理后的数据；其次：对已有的实验数据进行合理的扩增优化，对每组数据均产生符合标准的高斯分布的随机数据；再次：将扩容后上述的七个变量对应烧结矿的一个性能，构建“七个变量对应一个性能”的预测模型，建立基于Gradient Boost算法的预测模型，基函数的构成由决策树和神经网络共同构成，线性关系变量由决策树进行计算...

【专利技术属性】
技术研发人员：薛涛，李杰，张子驰，齐西伟，李一帆，张遵乾，任鑫英，杨爱民，
申请(专利权)人：华北理工大学，
类型：发明
国别省市：