CN114512197A - 一种基于配矿技术下预测烧结矿转鼓指数的方法 - Google Patents

Abstract

本发明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。

Description

一种基于配矿技术下预测烧结矿转鼓指数的方法

技术领域

本发明属于冶金炼铁技术领域，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。

背景技术

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。

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。

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技术领域。本发明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。本发明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；本发明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。

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。

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，本发明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。

发明内容

本发明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。

为解决上述问题，本发明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。

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。

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。

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。

发明有益效果：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

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

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方案作进一步地详细描述。

本发明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中给出本发明使用配矿原料配比数据。

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，采用SJ系列带式抽风烧结机，规模为256m²以及特定的风机频率、料层厚度、机速、混料时间、加水量、点火时间、点火负压等条件下进行烧结。

步骤三、建立基于Gradient Boost算法的预测模型

首先进行数据预处理，对碱度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。这种方法适合大多数的数据类型的数据，得到的数据是以0为均值，1为方差的正态分布，但这种方法改变了原始数据的结构，因此不适宜用于对稀疏矩阵做数据预处理。

另一种方法是用数据的最大值和最小值对原始数据进行预处理其是一种线性变 换。其标准化的计算公式如下：

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。此方法得到的数据会完全落入[0,1]区间内，而且能使数据归一化落到一定的区间内，同时保留原始数据的结构。

这种方法在本发明中混合料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，因为这五个指标适用于线性变换并且同时需要保留原始数据的结构，所以该方法适用于对这五种指标进行数据预处理。

部分预处理结果如下表3所示：

表3 烧结矿中成分

由于冶金试验存在试验数据量较少的问题，为训练预测模型得到更准确的预测结 果，需要将已有的试验数据进行合理扩增优化，对每组数据均产生符合标准的高斯分布的 随机数据，将波动值加到原始试验数据，扩增后的原始数据成正态分布：

根 据冶金试验，在影响转鼓指数性能变化的因素中，选取碱度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含量作为影响因素，构建预测转 鼓指数模型。

根据冶金实验数据特征，本发明选用Gradient Boost算法作为预测模型，采用机器学习与传统冶金行业相结合，实现行业创新性发展。

输入数据集是m组，每组属性有7个特征值x={x₁,x₂,…,x_m}其中若x_n为集合x中的任意值，则x_n={x₁,x₂,…,x₇}输入数据还包括实际值 y={y₁,y₂,…,y_m}，在本发明中实际值为烧结矿中的转鼓指数实际值，每组属性值都包括碱度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含量七个指标。

首先，确定Gradient Boost决策树目标函数：

公式 F*(x) 表示当损失函数最小时取得的目标函数；式中:

为反映训练样本准确性的损失函数；F(x)为损失函数最小化的 近似常数值，n为样本数，y为实际转鼓指数值，x为七个属性值。

其次，决策树模型使用加法函数k进行预测输出：

式中:

为分类回归树的空间，即每个f_k对应独立的树结构q和叶权重w，根据模型 训练，最终得出每个叶的叶权重w如下表4所示：

表4 模型中的叶权重w

为了有效地利用梯度推进的方法降低模型的残差：

单个 弱学习器的学习目标为

,式中:

为分类回归树函数， 最终通过训练取得。

最后，通过M次迭代最终强学习器预测函数公式如下：

图2为最终训练的模型可视化图，其中 x为样本特征，friedman_mse为损失函数值，samples为部分样本数，value为样本对应的值。 最终根据强学习器预测出转鼓指数如下表5所示：

表5 转鼓指数预测值与实际值

通过数据扩增，将烧结矿性能的试验结果合理扩增到3015组。本模型选择了2500组数据进行模型训练，500组数据进行模型测试，15组数据进行模型验证，表6是实施例中试验扩增数据的部分数据。本预测模型模型中选择了平均绝对百分比误差(MAPE)作为模型误差检验的标准。

表6 实施例中试验扩增数据部分数据

平均绝对百分比误差(MAPE)的数值越小，表示模型的预测结果越接近真实值，即 模型越准确，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。

经过数据扩增后建立的预测模型中，预测模型的MAPE=2.64%。另外500组测试数据得到的预测值的MAPE值均在0-10%，表明该预测模型能够准确预测转鼓指数。未进行数据扩增训练的预测模型的MAPE=3.45%，与经过数据扩增得到的预测模型的MAPE值相差不大。

根据本发明得到的转鼓指数寻找最佳配矿方案；智能烧结配矿需要根据用户需求及烧结限制性条件，智能推荐烧结配矿方案。对转鼓指数进行预测，最后根据实际生产需求对所得方案进行排序以供配矿参考。详细步骤如下：首先根据烧结原料库存及烧结指标对原料配比进行智能配料，得到初配解集；其次对初配解集中的方案进行转鼓指数预测，得到以转鼓指数为优化指标的配矿方案组；最后结合其他烧结矿质量指标，排序得到最优方案。

在得到本发明预测的转鼓指数后，基于烧结大数据的烧结智能闭包控制理念，首先将得到的转鼓指数汇总到数据库中，结合历史配矿方案得到烧结配矿改进方案。其次对烧结工艺进行控制，工艺控制条件更改后可通过实时在线设备对烧结生产线进行监控，以得到实时的烧结数据，最后将返回的烧结数据进一步用于转鼓指数预测模型优化，形成闭环控制。

本发明提供了一种基于配矿技术下预测烧结矿转鼓指数的方法，该方法基于现有的实验数据以及原料成分，将原料成分中碱度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含量七个指标建立了基于配矿技术下预测烧结矿转鼓指数的模型，利用高斯分布数据扩增方法对实验数据进行合理扩增，利用该预测模型能够有效预测烧结矿性能，且满足实际冶炼工艺要求，对预测烧结矿转鼓指数进而根据实际生产需求对所得方案进行排序以供配矿参考具有重要的意义。

Claims (4)

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，非线性关系变量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。

2.根据权利要求1所述的一种基于配矿技术下预测烧结矿转鼓指数的方法，其特征在于，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。

3.根据权利要求2所述的一种基于配矿技术下预测烧结矿转鼓指数的方法，其特征在于，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。

4.根据权利要求1所述的一种基于配矿技术下预测烧结矿转鼓指数的方法，其特征在于，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。

Images