TW202403058A - 燒結機的運行管理方法、燒結礦的製造方法及控制裝置 - Google Patents
燒結機的運行管理方法、燒結礦的製造方法及控制裝置 Download PDFInfo
- Publication number
- TW202403058A TW202403058A TW112110543A TW112110543A TW202403058A TW 202403058 A TW202403058 A TW 202403058A TW 112110543 A TW112110543 A TW 112110543A TW 112110543 A TW112110543 A TW 112110543A TW 202403058 A TW202403058 A TW 202403058A
- Authority
- TW
- Taiwan
- Prior art keywords
- raw material
- particle size
- sintering
- loading
- granulated particles
- Prior art date
Links
- 238000005245 sintering Methods 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 title claims description 21
- 239000002994 raw material Substances 0.000 claims abstract description 303
- 239000011361 granulated particle Substances 0.000 claims abstract description 144
- 238000005469 granulation Methods 0.000 claims abstract description 121
- 230000003179 granulation Effects 0.000 claims abstract description 121
- 238000005204 segregation Methods 0.000 claims abstract description 55
- 239000000203 mixture Substances 0.000 claims abstract description 46
- 238000002156 mixing Methods 0.000 claims abstract description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 210
- 238000011068 loading method Methods 0.000 claims description 152
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 56
- 229910052799 carbon Inorganic materials 0.000 claims description 43
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 34
- 238000007726 management method Methods 0.000 claims description 24
- 238000001354 calcination Methods 0.000 claims description 20
- 229910052742 iron Inorganic materials 0.000 claims description 17
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims description 15
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 claims description 12
- 239000000292 calcium oxide Substances 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 11
- 239000004615 ingredient Substances 0.000 claims description 4
- 229910018072 Al 2 O 3 Inorganic materials 0.000 claims description 2
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims 1
- 239000010410 layer Substances 0.000 description 82
- 239000007789 gas Substances 0.000 description 33
- 238000010801 machine learning Methods 0.000 description 18
- 238000012216 screening Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000008187 granular material Substances 0.000 description 9
- 238000011439 discrete element method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000011800 void material Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000571 coke Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000012768 molten material Substances 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B1/00—Preliminary treatment of ores or scrap
- C22B1/14—Agglomerating; Briquetting; Binding; Granulating
- C22B1/16—Sintering; Agglomerating
- C22B1/20—Sintering; Agglomerating in sintering machines with movable grates
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
燒結機30的運行管理方法包括:獲取包含燒結原料中所含的各原料的粒度、成分組成及調配比例的原料資訊的步驟;獲取包含自燒結原料對造粒粒子進行造粒時的燒結原料的水分含量的造粒條件的步驟;基於原料資訊及造粒條件來估計包含造粒粒子的粒度及造粒粒子的每個粒度的成分組成的造粒結果的步驟;獲取將造粒粒子裝入燒結機30而形成原料裝入層時的裝入條件的步驟;基於造粒結果及裝入條件來估計原料裝入層的高度方向上的造粒粒子的粒度偏析及成分偏析的步驟;以及基於粒度偏析及成分偏析中的至少一者來估計原料裝入層內的燒結溫度及排氣溫度中的至少一者。
Description
本揭示是有關於一種燒結機的運行管理方法、燒結礦的製造方法及控制裝置。
先前,於對製造燒結礦的燒結機進行運行管理時,大多由操作員基於各種感測器獲取的資料進行各種操作,進行燒結機的運行管理。
然而,藉由各種感測器,並不能獲取全部的成為左右燒結礦的生產性及品質的主要原因的資料。關於不能獲取的資料,基於能夠獲取的其他資料來估計不能獲取的資料,基於估計出的資料進行燒結機的運行管理。
專利文獻1揭示了一種估計燒結原料層中的高度方向上的原料的粒度分佈的方法。專利文獻2揭示了一種基於各種物理式來估計與燒結礦的品質直接相關的燒結層的層內溫度的方法。專利文獻3揭示了使用與燒結礦的品質直接相關的燒結層的層內溫度進行燒結機的運行管理。專利文獻4揭示了一種提高表示製造製程中的規定狀態的值的預測精度的技術。
[現有技術文獻]
[專利文獻]
專利文獻1:日本專利特開2020-12185號公報
專利文獻2:日本專利第6527306號公報
專利文獻3:日本專利第5729251號公報
專利文獻4:日本專利特開2019-87152號公報
[發明所欲解決之課題]
藉由專利文獻1揭示的方法估計的燒結原料層中的高度方向上的原料的粒度分佈並非與燒結礦的品質直接相關的資料。
專利文獻2揭示的方法使用焦炭的點火溫度及燒結層的空隙率作為用於估計燒結層的層內溫度的輸入資料,但該些資料是難以測定的資料。另外,專利文獻2並未揭示如何獲取該些難以測定的資料。
專利文獻3揭示的方法實際測量燒結層的層內溫度。為了實際測量燒結層的層內溫度,需要對燒結礦的製造設備進行大幅度改造,為了進行改造而需要長期的改造工期。
專利文獻4揭示的方法中,於將表示製造製程中的規定狀態的值預測為目的變量時,藉由基於製造條件實績及目的變量實績的機械學習來提高精度。但是,於製造製程是多個製程的集合體的情況下,由於亦會學習完全不會對目的變量的變化造成影響的製造條件,因此有導致偽相關等之虞。另外,機械學習雖然響應性及精度優異,但於使用了僅機械學習的系統的情況下,於使用了無實績的原料、方法等時無法使用。
本揭示的目的在於提供一種可容易地估計與燒結礦的品質直接相關的資料的燒結機的運行管理方法、燒結礦的製造方法及控制裝置。
[解決課題之手段]
本揭示的一實施方式的燒結機的運行管理方法是如下燒結機的運行管理方法,所述燒結機對在包含含鐵原料及含碳原料的燒結原料中添加水來造粒後的造粒粒子進行燒結,所述燒結機的運行管理方法包括:
原料資訊獲取步驟,獲取包含所述燒結原料中所含的各原料的粒度、成分組成及調配比例的原料資訊;
造粒條件獲取步驟,獲取包含自所述燒結原料對所述造粒粒子進行造粒時的所述燒結原料的水分含量的造粒條件;
造粒結果估計步驟,基於所述原料資訊及所述造粒條件,使用包含粒度估計模型及成分估計模型的造粒估計模型來估計包含所述造粒粒子的粒度及所述造粒粒子的每個粒度的成分組成的造粒結果,所述粒度估計模型於輸入所述含碳原料的粒度、所述燒結原料中所含的各原料的調配比例及所述水分含量時,輸出將所述造粒粒子的粒度劃分為多個的粒度劃分中的一個粒度劃分中的所述造粒粒子的含量,所述成分估計模型於輸入所述含碳原料的粒度、所述燒結原料中所含的各原料的調配比例及所述水分含量時,輸出將所述造粒粒子的粒度劃分為多個的粒度劃分中的一個粒度劃分中的所述造粒粒子的特定成分的含量;
裝入條件獲取步驟,獲取將所述造粒粒子裝入所述燒結機而形成原料裝入層時的裝入條件;
裝入結果估計步驟,基於所述造粒結果及所述裝入條件,使用裝入估計模型,估計所述原料裝入層的高度方向上的所述造粒粒子的粒度偏析及成分偏析,所述裝入估計模型表示將所述原料裝入層的高度方向劃分為多個的裝入劃分的各個裝入劃分中的各粒度的所述造粒粒子的含有比例;以及
燒結結果估計步驟,基於所述粒度偏析及所述成分偏析中的至少一者,使用包含能夠計算所述原料裝入層內的規定位置的燒結溫度的傳熱模型的煆燒估計模型,估計所述原料裝入層內的燒結溫度及排氣溫度中的至少一者。
本揭示的一實施方式的燒結礦的製造方法使用所述燒結機的運行管理方法裝置來製造燒結礦。
本揭示的一實施方式的控制裝置控制對在包含含鐵原料及含碳原料的燒結原料中添加水來造粒後的造粒粒子進行燒結的燒結機,所述控制裝置包括:
原料資訊獲取部,獲取包含所述燒結原料中所含的各原料的粒度、成分組成及調配比例的原料資訊;
造粒條件獲取部,獲取包含自所述燒結原料對所述造粒粒子進行造粒時的所述燒結原料的水分含量的造粒條件;
造粒結果估計部,基於所述原料資訊及所述造粒條件,使用包含粒度估計模型及成分估計模型的造粒估計模型來估計包含所述造粒粒子的粒度及所述造粒粒子的每個粒度的成分組成的造粒結果,所述粒度估計模型於輸入所述含碳原料的粒度、所述燒結原料中所含的各原料的調配比例及所述水分含量時,輸出將所述造粒粒子的粒度劃分為多個的粒度劃分中的一個粒度劃分中的所述造粒粒子的含量,所述成分估計模型於輸入所述含碳原料的粒度、所述燒結原料中所含的各原料的調配比例及所述水分含量時,輸出將所述造粒粒子的粒度劃分為多個的粒度劃分中的一個粒度劃分中的所述造粒粒子的特定成分的含量;
裝入條件獲取部,獲取將所述造粒粒子裝入所述燒結機而形成原料裝入層時的裝入條件;
裝入結果估計部,基於所述造粒結果及所述裝入條件,使用裝入估計模型,估計所述原料裝入層的高度方向上的所述造粒粒子的粒度偏析及成分偏析,所述裝入估計模型表示將所述原料裝入層的高度方向劃分為多個的裝入劃分的各個裝入劃分中的各粒度的所述造粒粒子的含有比例;以及
煆燒結果估計部,基於所述粒度偏析及所述成分偏析中的至少一者,使用包含能夠計算所述原料裝入層內的規定位置的燒結溫度的傳熱模型的煆燒估計模型,估計所述原料裝入層內的燒結溫度及排氣溫度中的至少一者。
[發明的效果]
藉由本揭示的燒結機的運行管理方法、燒結礦的製造方法及控制裝置,可容易地估計與燒結礦的品質直接相關的資料。
以下,參照圖式對本揭示的實施方式進行說明。
圖1是示意性地表示本揭示的一實施方式的燒結設備1的結構例的圖。燒結設備1是能夠由包含含鐵原料及含碳原料的燒結原料製造燒結礦的設備。
燒結設備1包括控制裝置10、造粒機20、燒結機30、破碎機40、冷卻器50、及篩分裝置60。
控制裝置10能夠與造粒機20、燒結機30、破碎機40、冷卻器50及篩分裝置60進行通訊。控制裝置10控制造粒機20、燒結機30、破碎機40、冷卻器50及篩分裝置60。
關於控制裝置10的結構及功能的詳情,將後述。
造粒機20由包含含鐵原料及含碳原料的燒結原料對造粒粒子進行造粒。於造粒機20對造粒粒子進行造粒時,向燒結原料中添加造粒水。燒結原料可進而包含含氧化鈣(CaO)原料作為副原料。造粒機20所造粒的造粒粒子被搬送至燒結機30。
造粒機20可為能夠製造造粒粒子的任意造粒機,例如可為轉鼓混合機。
燒結機30可為將造粒粒子燒結的任意燒結機,例如可為型帶式的燒結機。燒結機30包括燒結原料供給裝置31、托架32、點火爐33、及風箱34。
燒結原料供給裝置31將自造粒機20供給的造粒粒子裝入托架32。
托架32為封閉移動式的托架。自燒結原料供給裝置31將造粒粒子裝入托架32後,在托架32上形成原料裝入層。
點火爐33對形成於托架32上的原料裝入層的表層所包含的含碳原料進行點火。
風箱34將形成於托架32上的原料裝入層的空氣抽吸至下方。藉由風箱34將原料裝入層的空氣抽吸至下方後,原料裝入層內的燃燒及熔融體移動至原料裝入層的下方。如此,藉由燃燒及熔融體在原料裝入層內移動,而將原料裝入層燒結。其結果,可由原料裝入層獲得燒結餅。
破碎機40將自燒結機30供給的燒結餅破碎。破碎機40將燒結餅的破碎物供給至冷卻器50。
冷卻器50將自破碎機40供給的燒結餅的破碎物冷卻。經冷卻器50冷卻的燒結餅的破碎物被供給至篩分裝置60。
篩分裝置60將經冷卻器50冷卻的燒結餅的破碎物根據破碎物的粒徑進行篩分。例如,篩分裝置60將燒結餅的破碎物篩分為粒徑為5 mm以上的燒結礦與粒徑小於5 mm的返礦。
如此,藉由最終利用篩分裝置60進行篩分,而製造燒結礦。另外,可將經篩分裝置60篩分所得的返礦調配於燒結原料中而作為燒結礦的原料再次利用。
繼而,對控制裝置10的結構及功能進行說明。首先對控制裝置10的功能的概要進行說明。
控制裝置10獲取關於供給至造粒機20的燒結原料所包含的原料的資訊即原料資訊。
控制裝置10獲取包含造粒機20自燒結原料對造粒粒子進行造粒時的燒結原料的水分含量的資訊的造粒條件。
控制裝置10基於所獲取的原料資訊及造粒條件來估計由造粒機20造粒的造粒粒子的造粒結果。由控制裝置10估計的造粒結果包含造粒粒子的粒度及造粒粒子的每個粒度的成分組成。
控制裝置10獲取燒結原料供給裝置31將造粒粒子裝入至托架32而形成原料裝入層時的裝入條件。
控制裝置10基於所估計的造粒結果及所獲取的裝入條件來估計於托架32上形成的原料裝入層的高度方向上的造粒粒子的粒度偏析及成分偏析。
控制裝置10基於所估計的粒度偏析及成分偏析來估計原料裝入層內的燒結溫度及排氣溫度。此時,控制裝置10亦可並非基於粒度偏析及成分偏析此兩者,而是基於粒度偏析及成分偏析中的任一者來估計原料裝入層內的燒結溫度及排氣溫度。另外,控制裝置10亦可並非估計原料裝入層內的燒結溫度及排氣溫度此兩者,而是僅估計原料裝入層內的燒結溫度及排氣溫度中的任一者。
繼而,對控制裝置10的結構進行說明。
圖2是示意性地表示本揭示的一實施方式的控制裝置10的結構例的圖。控制裝置10可為如工作站、個人電腦等的通用的電腦,亦可為以作為燒結設備1的控制裝置10發揮功能的方式構成的專用的電腦。
控制裝置10包括控制部11、輸入部12、輸出部13、記憶部14、及通訊部15。
控制部11包括至少一個處理器、至少一個專用電路、或該些的組合。處理器為中央處理單元(Central Processing Unit,CPU)或圖像處理單元(Graphics Processing Unit,GPU)等通用處理器、或特化為特定處理的專用處理器。專用電路例如為現場可編程門陣列(Field-Programmable Gate Array,FPGA)或特殊應用積體電路(Application Specific Integrated Circuit,ASIC)。
控制部11讀取記憶於記憶部14中的程式、資料等,而執行各種功能。控制部11控制造粒機20、燒結機30、破碎機40、冷卻器50及篩分裝置60。
控制部11藉由執行自記憶部14讀取的程式,而可使控制部11作為原料資訊獲取部111、造粒條件獲取部112、造粒結果估計部113、裝入條件獲取部114、裝入結果估計部115、煆燒結果估計部116及導引資訊獲取部117發揮功能。
關於原料資訊獲取部111、造粒條件獲取部112、造粒結果估計部113、裝入條件獲取部114、裝入結果估計部115、煆燒結果估計部116及導引資訊獲取部117所執行的處理,將後述。
輸入部12包括一個以上輸入用介面,所述輸入用介面檢測用戶輸入,並獲取基於用戶操作的輸入資訊。輸入部12例如包括物理鍵、靜電電容鍵、與輸出部13的顯示器一體設置的觸控螢幕、或接收聲音輸入的麥克風等。
輸出部13包括輸出資訊並通知用戶的一個以上輸出用介面。輸出部13例如包括以圖像輸出資訊的顯示器、以聲音輸出資訊的擴音器等。輸出部13所包括的顯示器例如可為液晶顯示器(Liquid Crystal Display,LCD)、陰極射線管(Cathode Ray Tube,CRT)顯示器等。
記憶部14例如為快閃記憶體、硬碟、光記憶體等。記憶部14的一部分可處於控制裝置10的外部。於該情況下,記憶部14的一部分可為經由任意介面而與控制裝置10連接的硬碟、記憶卡等。
記憶部14儲存用以使控制部11執行各功能的程式、該程式所使用的資料等。
通訊部15包括應對有線通訊的通訊模組及應對無線通訊的通訊模組的至少一者。控制裝置10能夠經由通訊部15而與其他終端裝置等進行通訊。
繼而,對原料資訊獲取部111、造粒條件獲取部112、造粒結果估計部113、裝入條件獲取部114、裝入結果估計部115、煆燒結果估計部116及導引資訊獲取部117所執行的處理進行說明。
原料資訊獲取部111獲取關於供給至造粒機20的燒結原料所包含的原料的資訊即原料資訊。原料資訊包含燒結原料中所含的各原料的粒度、成分組成及調配比例的資訊。例如,於燒結原料包含含鐵原料、含CaO原料及含碳原料的情況下,原料資訊包含關於含鐵原料、含CaO原料及含碳原料的各自的粒度、成分組成及調配比例的資訊。含鐵原料例如可為鐵礦石。含CaO原料例如可為石灰石。含碳原料例如可為焦炭粉。
各原料的粒度的資訊亦可包含預先確定的每個粒度劃分的含有比例的資訊。各原料的成分組成的資訊例如亦可包含碳(C)濃度、水分濃度、氧化鈣(CaO)濃度及氧化鋁(Al
2O
3)濃度中的至少一者的資訊。
原料資訊獲取部111可藉由操作員對輸入部12的輸入操作來獲取原料資訊。操作員藉由對各原料進行篩分、化學分析等,可預先獲取原料資訊。另外,原料資訊獲取部111亦可藉由經由通訊部15接收由操作員輸入至其他終端裝置的原料資訊,而獲取原料資訊。
原料資訊獲取部111將所獲取的原料資訊輸出至造粒條件獲取部112。
造粒條件獲取部112獲取造粒條件,所述造粒條件包含造粒機20自燒結原料對造粒粒子進行造粒時的燒結原料的水分含量的資訊。造粒條件獲取部112可自造粒機20獲取造粒條件,亦可藉由操作員對輸入部12的輸入操作來獲取造粒條件。造粒機20自燒結原料對造粒粒子進行造粒時的燒結原料的水分含量根據燒結原料所包含的各原料的水分含量及添加至造粒機20中的造粒水添加量來求出。另外,各原料的水分含量例如可使用紅外水分計來進行測定。
造粒條件獲取部112獲取的造粒條件只要包含造粒機20自燒結原料對造粒粒子進行造粒時的燒結原料的水分含量的資訊即可,但亦可進而包含造粒機20自燒結原料對造粒粒子進行造粒時設定的其他條件的資訊。例如,造粒條件亦可進而包含造粒機20的佔空因數、旋轉速度及滯留時間的資訊。
造粒條件獲取部112將造粒條件及自原料資訊獲取部111獲取的原料資訊輸出至造粒結果估計部113。
造粒結果估計部113基於自造粒條件獲取部112獲取的原料資訊及造粒條件來估計由造粒機20造粒的造粒粒子的造粒結果。藉由控制裝置10估計的造粒結果包含造粒粒子的粒度及造粒粒子的每個粒度的成分組成。
造粒結果估計部113於估計造粒結果時,使用包含粒度估計模型及成分估計模型的造粒估計模型,估計造粒結果。粒度估計模型及成分估計模型可儲存於記憶部14中。
粒度估計模型是已學習的機械學習模型,所述已學習的機械學習模型於輸入燒結原料中所含的各原料的調配比例及造粒時的燒結原料的水分含量時,輸出將造粒粒子的粒度劃分為多個的粒度劃分中的一個粒度劃分中的造粒粒子的含量。
造粒結果估計部113藉由將各原料的調配比例及包含造粒時的燒結原料的水分含量的造粒條件輸入至自記憶部14讀出的粒度估計模型,可估計一個粒度劃分中的造粒粒子的含量。
再者,一個粒度劃分中的造粒粒子的含量是造粒粒子的粒度的一例。造粒粒子的粒度可藉由其他指標來表現。
粒度劃分例如可為3級。於粒度劃分為3級的情況下,例如可以超過8 mm、2.8 mm以上且8.0 mm以下、小於2.8 mm的方式進行劃分。粒度劃分並不限於3級,亦可為劃分得較其更多的粒度劃分。
造粒結果估計部113對其他粒度劃分亦重覆相同的處理,可估計各個粒度劃分中的造粒粒子的含量。而且,造粒結果估計部113可藉由估計所有粒度劃分中的造粒粒子的含量來求出造粒粒子的粒度分佈。
成分估計模型是已學習的機械學習模型,所述已學習的機械學習模型於輸入燒結原料中所含的各原料的調配比例及造粒時的燒結原料的水分含量時,輸出將造粒粒子的粒度劃分為多個的粒度劃分中的一個粒度劃分中的造粒粒子的特定成分的含量。
造粒結果估計部113藉由將各原料的調配比例及包含造粒時的燒結原料的水分含量的造粒條件輸入至自記憶部14讀出的成分估計模型,可估計一個粒度劃分中的造粒粒子的特定成分的含量。
造粒結果估計部113對其他粒度劃分亦重覆相同的處理,可估計各個粒度劃分中的造粒粒子的特定成分的含量。而且,造粒結果估計部113可藉由估計所有粒度劃分中的造粒粒子的特定成分的含量來求出造粒粒子的特定成分的含量。
造粒結果估計部113將估計出的各個粒度劃分中的造粒粒子的含量及各個粒度劃分中的造粒粒子的特定成分的含量輸出至裝入結果估計部115。
粒度估計模型及成分估計模型可藉由使用將輸入值與輸出的實績值作為一組的多個資料集來進行機械學習而預先生成,並儲存於記憶部14中。
於粒度估計模型及成分估計模型的輸入中可包含其他原料的粒度。另外,於向粒度估計模型及成分估計模型的輸入中,亦可包含造粒機20的旋轉速度、滯留時間等造粒條件。
另外,對使用機械學習模型作為粒度估計模型及成分估計模型的情況進行了說明,但粒度估計模型及成分估計模型可為多重迴歸模型。於該情況下,機械學習模型中的輸入成為多重迴歸模型的說明變量,機械學習模型中的輸出成為多重迴歸模型的目的變量。即便於多重迴歸模型中,亦可使用將輸入的值與輸出的實績值作為一組的多個資料集,預先計算出多重迴歸模型的各參數,並儲存於記憶部14中。
另外,於粒度估計模型及成分估計模型為機械學習模型的情況下,粒度估計模型及成分估計模型可藉由使用隨後獲取的資料集進行機械學習來更新。於粒度估計模型及成分估計模型為多重迴歸模型的情況下,可使用隨後獲取的資料集更新多重迴歸模型的各參數。
裝入條件獲取部114獲取燒結原料供給裝置31將造粒粒子裝入托架32而形成原料裝入層時的裝入條件。裝入條件獲取部114可自燒結機30獲取裝入條件,亦可藉由操作員對輸入部12的輸入操作獲取裝入條件。
裝入條件獲取部114獲取的裝入條件例如可包含托架32的速度、燒結原料供給裝置31所包括的副澆口的開度、燒結原料供給裝置31所包括的滑槽的角度的資訊等。
裝入條件獲取部114將獲取的裝入條件輸出至裝入結果估計部115。
記憶部14按照每個造粒粒子的粒度分佈及裝入條件,儲存表示將原料裝入層的高度方向劃分為多個的每個裝入劃分的各粒度的造粒粒子的含有比例的表格。於本實施方式中,表示每個裝入劃分的各粒度的造粒粒子的含有比例的表格是裝入估計模型的一例。
裝入結果估計部115於自造粒結果估計部113獲取造粒粒子的造粒結果,自裝入條件獲取部114獲取裝入條件時,自記憶部14讀出與粒度分佈及裝入條件對應的表示將原料裝入層的高度劃分為多個的每個裝入劃分的各粒度的造粒粒子的含有比例的表格。此處,自造粒結果估計部113獲取的造粒粒子的造粒結果是指造粒粒子的各個粒度劃分中的造粒粒子的含量、及造粒粒子的各個粒度劃分中的造粒粒子的特定成分的含量。
藉由使用離散元素法(Discrete Element Method,DEM)執行模擬燒結機30的燒結原料供給裝置31的模擬,可對每個裝入劃分預先計算出將原料裝入層於高度方向上劃分為多個的每個裝入劃分的各粒度的造粒粒子的含有比例。以所述方式計算出的表格可預先儲存於記憶部14中。
DEM是如下方法:計算出以估計的粒度分佈分佈的造粒粒子彼此碰撞時造粒粒子產生的力,並基於計算出的力,每隔規定的時間間隔計算出解析時間中的造粒粒子的行為。
於DEM中,作為輸入的資訊,除了使用造粒粒子的粒度分佈、托架32的速度、燒結原料供給裝置31所包括的副澆口的開度、及燒結原料供給裝置31所包括的滑槽的角度以外,還使用造粒粒子彼此的彈簧常數、造粒粒子與壁元件(托架32、滑槽、造粒機20)之間的切線方向及法線方向的彈簧常數以及造粒粒子與壁元件之間的摩擦係數(靜摩擦、滾動摩擦)。
托架32的速度、燒結原料供給裝置31所包括的副澆口的開度、以及燒結原料供給裝置31所包括的滑槽的角度可使用實際的裝置中的運行資料。另外,對於各種常數,設定各自的常數,以使多個原料的調配及水分含量中的安息角的實驗值與基於DEM計算出的計算值一致。
造粒粒子的平均粒徑的造粒粒子的數量變得最多,隨著遠離平均粒徑,其粒徑的造粒粒子的數量變少。因此,造粒粒子的粒度劃分可使接近平均粒徑的粒度劃分的大小變窄。藉此,可減小各粒子劃分中所含的造粒粒子的數量之差。若使粒度劃分的大小整體變窄,則計算負荷變高,但藉由僅使接近平均粒徑的粒度劃分的大小變窄,能夠抑制計算負荷的增大,並且獲取更詳細的裝入資料。
裝入結果估計部115基於自造粒結果估計部113獲取的造粒結果及自裝入條件獲取部114獲取的裝入條件,來估計於托架32上形成的原料裝入層的高度方向上的造粒粒子的粒度偏析及成分偏析。
裝入結果估計部115使用表示每個裝入劃分的各粒度的造粒粒子的含有比例的表格,來估計原料裝入層的高度方向上的造粒粒子的粒度偏析。另外,由於造粒粒子的每個粒度的成分組成由造粒結果估計部113估計,因此裝入結果估計部115可基於原料裝入層的高度方向上的造粒粒子的粒度偏析及每個裝入劃分的每個粒度的成分組成,來估計原料裝入層的高度方向上的造粒粒子的成分偏析。
再者,裝入結果估計部115不限於原料裝入層的高度方向,亦可估計於原料裝入層的寬度方向上亦劃分的裝入劃分中的造粒粒子的粒度偏析及成分偏析。於該情況下,於記憶部14中儲存表示不僅於原料裝入層的高度方向上,而且於寬度方向上亦分割的每個裝入劃分的各粒度的造粒粒子的含有比例的表格。
再者,表示每個裝入劃分的各粒度的造粒粒子的含有比例的表格是裝入估計模型的一例。另外,作為裝入估計模型,亦可使用在輸入每個粒度劃分的造粒粒子的含量、成分組成及裝入條件時,輸出每個裝入劃分的各粒度的造粒粒子的含有比例的已學習的機械學習模型或多重迴歸模型。
裝入結果估計部115將所估計的、原料裝入層的高度方向上的造粒粒子的粒度偏析及成分偏析輸出至煆燒結果估計部116。
煆燒結果估計部116基於自裝入結果估計部115獲取的、原料裝入層的高度方向上的造粒粒子的粒度偏析及成分偏析,有效利用計算了各種物理方程式的傳熱模型,來估計原料裝入層內的燒結溫度及排氣溫度。此時,煆燒結果估計部116亦可並非基於粒度偏析及成分偏析此兩者,而是基於粒度偏析及成分偏析中的任一者來估計原料裝入層內的燒結溫度及排氣溫度。另外,煆燒結果估計部116亦可並非估計原料裝入層內的燒結溫度及排氣溫度此兩者,而是僅估計原料裝入層內的燒結溫度及排氣溫度中的任一者。
煆燒結果估計部116例如亦可使用以下所示的參考文獻1中揭示的傳熱模型,來估計原料裝入層內的燒結溫度及排氣溫度。輸入至傳熱模型的資訊可為原料裝入層的厚度、托架32的速度、點火爐33內的溫度、原料裝入層內的成分濃度、原料裝入層內的空隙率以及排氣流量。原料裝入層的厚度、托架32的速度、點火爐33內的溫度亦可使用燒結機30的設定值。原料裝入層內的成分濃度及原料裝入層內的空隙率亦可使用利用由裝入結果估計部115估計的粒度偏析及成分偏析而計算出的值。排氣流量亦可使用燒結機30中所測定的值。再者,點火爐33內的溫度由點火爐33內的氣體流量決定,因此亦可代替點火爐33內的溫度而將點火爐33內的氣體流量輸入至傳熱模型。
(參考文獻1:大野光一郎 其他4人,焦炭的燃燒速度式對燒結製程層內的溫度分佈估計數值模擬造成的影響、鐵與鋼、Vol.101、2015、No.1、P19~P24)
煆燒結果估計部116藉由使用所述傳熱模型,可按照所設定的每個時間刻度來計算出原料裝入層內的規定位置處的燒結溫度及排氣溫度。時間刻度例如可為1秒。
所述傳熱模型是煆燒估計模型的一例。作為煆燒估計模型,亦可使用以下所示的參考文獻2中揭示的物理模型。(參考文獻2:山岡等人(Yamaoka et al). 「日本鋼鐵學會國際化(ISIJ International)」, Vol. 45, No.4, pp. 522)
煆燒結果估計部116將所估計的燒結溫度及排氣溫度中的至少一者輸出至導引資訊獲取部117。
導引資訊獲取部117獲取包含用於將燒結溫度及排氣溫度中的至少一者作為目標值的設定值的導引資訊。導引資訊亦可包含含碳原料的調配比例、含碳原料的粒度、含CaO原料的調配比例、造粒時的水分含量、造粒機20內的佔空因數、造粒機20的旋轉速度、原料裝入層的厚度、燒結機30所包括的托架32的速度、副澆口的開度、滑槽角度及燒結機30所包括的點火爐33內的溫度中的至少一者的設定值。該些設定值中,含碳原料的粒度可藉由改變棒磨機的處理量來控制。造粒機20內的佔空因數可藉由改變向造粒機20的燒結原料的搬送量來控制。另外,點火爐33內的溫度可藉由改變點火爐33內的氣體流量及空燃比來控制。
燒結溫度及排氣溫度中的至少一者的目標值是將由燒結設備1製造的燒結礦的品質滿足作為目標的燒結礦的品質為條件來決定。具體而言,於輸入燒結溫度及排氣溫度中的至少一者時,構築輸出燒結礦的良率的良率估計模型(品質估計模型),於該良率估計模型中輸入各種燒結溫度及排氣溫度。判定輸出的燒結礦的良率是否超過了目標值,於判定為輸出的燒結礦的良率超過了目標值時,將此時輸入的燒結溫度及排氣溫度確定為目標值。亦可使用已學習的機械學習模型或多重迴歸模型作為良率估計模型。
再者,燒結礦的良率是燒結礦的品質的一例。燒結礦的良率例如可為由下述式(1)計算出的值。
(粒徑5 mm以上的燒結礦的質量×100)/(粒徑5 mm以上的燒結礦的質量+粒徑小於5 mm的返礦的質量) (1)
作為燒結礦的品質,亦可使用燒結礦的強度、燒結礦的被還原性等代替燒結礦的良率。
於確定燒結溫度及排氣溫度中的至少一者的目標值時,導引資訊獲取部117對煆燒估計模型、裝入估計模型及造粒估計模型進行逆運算,獲取可達成燒結溫度及排氣溫度中的至少一者的目標值的含碳原料的調配比例、含碳原料的粒度、含CaO原料的調配比例、造粒時的水分含量、造粒機20內的佔空因數、造粒機20的旋轉速度、原料裝入層的厚度、燒結機30所包括的托架32的速度、副澆口的開度、滑槽角度及燒結機30所包括的點火爐33內的溫度中的至少一者的設定值。
導引資訊獲取部117於獲取含碳原料的調配比例、含碳原料的粒度、含CaO原料的調配比例、造粒時的水分含量、造粒機20內的佔空因數、造粒機20的旋轉速度、原料裝入層的厚度、燒結機30所包括的托架32的速度、副澆口的開度、滑槽角度及燒結機30所包括的點火爐33內的溫度中的至少一者的設定值時,將所獲取的設置值輸出至輸出部13。
輸出部13輸出自導引資訊獲取部117獲取的設定值。例如,於輸出部13包含顯示器的情況下,輸出部13將自導引資訊獲取部117獲取的設定值顯示於顯示器。
對顯示於顯示器的設置值進行了視認的操作員藉由調整為該設定值並使燒結設備1運作,可於作為目標的燒結溫度及排氣溫度下製造燒結礦。
或者,導引資訊獲取部117亦可將計算出的設定值自動設定為使燒結設備1運作時的設定值。藉此,燒結設備1可於作為目標的燒結溫度及排氣溫度下自動製造燒結礦。
參照圖3所示的流程圖,對本實施方式的燒結設備1所執行的燒結機30的運行管理方法進行說明。
於步驟S101中,控制裝置10的控制部11獲取包含燒結原料中所含的各原料的粒度、成分組成及調配比例的資訊的原料資訊。
於步驟S102中,控制部11獲取包含造粒機20自燒結原料對造粒粒子進行造粒時的燒結原料的水分含量的資訊的造粒條件。
於步驟S103中,控制部11基於所獲取的原料資訊及造粒條件,來估計包含造粒粒子的粒度及造粒粒子的每個粒度的成分組成的造粒結果。
於步驟S104中,控制部11獲取於燒結機30中裝入造粒粒子而形成原料裝入層時的裝入條件。
於步驟S105中,控制部11基於所估計的造粒結果及所獲取的所述裝入條件,來估計原料裝入層的高度方向上的造粒粒子的粒度偏析及成分偏析。
於步驟S106中,控制部11基於所估計的粒度偏析及成分偏析中的至少一者,來估計原料裝入層內的燒結溫度及排氣溫度中的至少一者。控制部11可將所估計的燒結溫度及排氣溫度輸出至輸出部13,並顯示於輸出部13。
(實施例)
參照圖4~圖8,對本實施方式的燒結設備1中的燒結機30的運行管理方法的實施例進行說明。
圖4是表示於各種條件下製造造粒粒子時的造粒粒子的粒度分佈及每個粒度的碳濃度的實績值的表。
如圖4所示,於T1~T24的24種條件下進行了測定。於圖4中,作為條件,示出了調配比例、焦炭粉粒度及水分含量。另外,作為實績值,示出了造粒粒子的粒度分佈及每個粒度的碳濃度。
於圖4所示的調配比例中,原料A是南美產的鐵礦石。原料B是與原料A品種不同的南美產的鐵礦石。原料C是澳大利亞產的鐵礦石。另外,於焦炭粉粒度中,「-2 mm」表示直徑大小小於2 mm的焦炭粉的比例。「-1 mm」表示直徑大小小於1 mm的焦炭粉的比例。另外,於造粒粒子的粒度分佈中,「+8.0」表示直徑大小超過8.0 mm的造粒粒子的比例。「2.8-8.0」表示直徑大小為2.8 mm以上且8.0 mm以下的造粒粒子的比例。「-2.8」表示直徑大小小於2.8 mm的造粒粒子的比例。另外,於每個粒度的碳濃度下,「+8.0」表示直徑大小超過8.0 mm的碳的濃度。「2.8-8.0」表示直徑大小為2.8 mm以上且8.0 mm以下的碳的濃度。「-2.8」表示直徑大小小於2.8 mm的碳的濃度。
使用圖4所示的實績值生成粒度估計模型及成分估計模型,使用該些來估計各粒度劃分中的造粒粒子的含量及每個粒度的碳濃度。此時,進行了使用機械學習模型的估計及使用多重迴歸模型的估計此兩種估計。
於使用機械學習模型進行估計的情況下,使用粒度估計模型及成分估計模型來進行估計。粒度估計模型使用在輸入焦炭粉的粒度、燒結原料的調配比例及造粒時的水分含量時,輸出各粒度劃分的造粒粒子的含量的模型。成分估計模型使用在輸入焦炭粉的粒度、燒結原料的調配比例及造粒時的水分含量時,輸出每個粒度的碳濃度的模型。
於使用多重迴歸模型來進行估計的情況下,粒度估計模型使用以焦炭粉的粒度、燒結原料的調配比例及造粒時的水分含量為說明變量、以各粒度劃分的造粒粒子的含量為目的變量的模型。成分估計模型使用以焦炭粉的粒度、燒結原料的調配比例及造粒時的水分含量為說明變量、以每個粒度的碳濃度為目的變量的模型。
圖5是表示使用機械學習模型來進行估計的情況及使用多重迴歸模型進行估計的情況下的估計值與實績值的相關係數的表。另外,關於使用機械學習模型的情況,示出了使用類神經網路(neural network)時的相關係數與使用分類與迴歸樹(Classification and Regression Tree,C&R Tree)時的相關係數。
參照圖5,於對任一模型進行了規格化的情況下均為高的相關係數,確認到控制裝置10可以高精度估計造粒粒子的粒度及每個粒度的特定成分的成分濃度。
另外,於使用機械學習模型時的相關係數與使用多重迴歸模型時的相關係數進行比較時,整體上使用機械學習模型時的相關係數變大,藉由使用機械學習,確認到可以更高的精度估計造粒粒子的粒度及每個粒度的碳濃度。
圖6是表示裝入估計模型的一例的圖。裝入估計模型是表示每個裝入劃分的各粒度的造粒粒子的含有比例的表格。
圖6中,對原料裝入層的每個裝入劃分示出各粒度的造粒粒子的含有比例。造粒粒子的粒度示出「+8.0」、「2.8~8.0」及「-2.8」此三種。「+8.0」為造粒粒子的粒徑超過8.0 mm,「2.8~8.0」為造粒粒子的粒徑為2.8 mm以上且8.0 mm以下,「-2.8」為造粒粒子的粒徑小於2.8 mm。
圖6所示的表格是藉由對每個造粒粒子的粒度分佈及裝入條件實施基於DEM的模擬而生成。所生成的表示每個裝入劃分的各粒度的造粒粒子的含有比例的表格儲存於記憶部14中。
圖7是表示計算良率與實績良率的相關關係的曲線圖。如圖7所示,使用根據傳熱模型求出的排氣溫度最高點位置進行計算的情況與使用原料裝入層內的空隙率進行估計的情況相比,計算良率與實績良率的相關性高。根據該結果,確認到藉由使用直接影響燒結的排氣溫度最高點位置,可以較使用不直接影響燒結的原料裝入層內的空隙率而言更高的精度來估計燒結礦的良率。
繼而,對將所述排氣溫度最高點位置調整為作為目標的排氣溫度最高點位置的結果進行說明。此時,藉由調整托架32的速度、原料裝入層的厚度、焦炭粉的調配比例、造粒水的添加量,來調整排氣溫度最高點位置。
圖8中示出於計算排氣溫度最高點位置時使用的燒結機30的規格。
首先,對計算出托架32的速度的設定值作為導引資訊的情況進行說明。可使燒結礦的良率為目標以上的排氣溫度最高點位置的目標值為18.0,相對於此,使用造粒估計模型、裝入估計模型及煆燒估計模型而估計的排氣溫度最高點位置為18.9。
此處,對煆燒估計模型進行逆運算,計算出用於使排氣溫度最高點位置為目標值即18.0的托架32的速度,結果計算出2.46 m/min作為托架32的速度的設定值。
基於該結果,將托架32的速度自2.50 m/min變更為2.46 m/min,結果排氣溫度最高點位置自18.9變為17.9。藉此,確認到可使排氣溫度最高點位置接近目標值即18.0。
接著,對計算出原料裝入層的厚度的設定值作為導引資訊的情況進行說明。
對煆燒估計模型及裝入估計模型進行逆運算後,結果可使排氣溫度最高點位置為目標值即18.0的原料裝入層的厚度的設定值計算出為623 mm。
基於該結果,將原料裝入層的厚度自650 mm變更為623 mm,結果排氣溫度最高點位置自18.9變為18.1。藉此,確認到可使排氣溫度最高點位置接近目標值即18.0。
接著,對計算出焦炭粉的調配比例及造粒水添加量的設定值作為導引資訊的情況進行說明。再者,造粒時的水分含量是藉由於燒結原料的水分含量中加入造粒水添加量而計算出,因此確定造粒水添加量的設定值與確定造粒時的水分含量的設定值為相同含義。
對煆燒估計模型、裝入估計模型及造粒估計模型進行逆運算,結果可使排氣溫度最高點位置為目標值即18.0的焦炭粉的調配比例計算出為5.18質量%,造粒水添加量計算出為13.7 t/h。
基於該結果,將焦炭粉的調配比例自5.10質量%變更為5.18質量%,將造粒水添加量自13.0 t/h變更為13.7 t/h,結果排氣溫度最高點位置自18.9變為18.1。藉此,確認到可使排氣溫度最高點位置接近目標值即18.0。
如此,確認到藉由基於導引資訊獲取部117獲取的導引資訊來調整燒結設備1的製造條件,可實現高品質的燒結礦的製造。
如上所述,於本實施方式的燒結機30的運行管理方法及本實施方式的控制裝置10中,控制裝置10執行如下步驟:原料資訊獲取步驟,獲取包含燒結原料中所含的各原料的粒度、成分組成及調配比例的原料資訊;造粒條件獲取步驟,獲取包含自燒結原料對造粒粒子進行造粒時的燒結原料的水分含量的造粒條件;造粒結果估計步驟,基於原料資訊及造粒條件,來估計包含造粒粒子的粒度及造粒粒子的每個粒度的成分組成的造粒結果;裝入條件獲取步驟,獲取將造粒粒子裝入燒結機30而形成原料裝入層時的裝入條件;裝入結果估計步驟,基於造粒結果及裝入條件,估計原料裝入層的高度方向上的造粒粒子的粒度偏析及成分偏析;以及燒結結果估計步驟,基於粒度偏析及成分偏析中的至少一者,估計原料裝入層內的燒結溫度及排氣溫度中的至少一者。如此,控制裝置10可估計原料裝入層內的燒結溫度及排氣溫度此與燒結機30的品質直接相關的資料。因此,由於不需要實際測量原料裝入層內的燒結溫度及排氣溫度,因此不需要對燒結機30的設備進行大幅度的改造。因此,本實施方式的燒結機30的運行管理方法及本實施方式的控制裝置10可容易地估計與燒結礦的品質直接相關的資料。
另外,本實施方式的導引資訊獲取部117可獲取包含用於將燒結溫度及排氣溫度中的至少一者作為目標值的設定值的導引資訊。藉由基於導引資訊獲取部117獲取的導引資訊來調整由燒結設備1製造的燒結礦的製造條件,可製造滿足作為目標的品質的燒結礦。例如,若以燒結礦的良率進行考慮,則先前必須於利用篩分裝置60篩分為粒徑5 mm以上的燒結礦與粒徑小於5 mm的返礦而求出良率後,才能實施基於良率的燒結礦的製造條件的調整。相對於此,藉由本實施方式的燒結機30的運行管理方法,可獲取導引資訊,可基於該導引資訊來調整燒結礦的製造條件,因此能夠進行更迅速的調整。進而,藉由本實施方式的燒結機30的運行管理方法,可考慮燒結溫度及排氣溫度此直接影響燒結礦的品質的因素來估計良率,因此可以高精度估計良率。若良率的估計精度變高,則伴隨於此,導引資訊的精度亦變高,因此可以更高的精度實現基於該導引資訊的燒結礦的製造條件的調整。如此,藉由於基於導引資訊調整後的製造條件下製造燒結礦,能夠製造高品質的燒結礦。
本揭示並不限定於所述實施方式。例如,可將方塊圖所記載的多個方塊加以整合,或可將一個方塊進行分割。亦可根據執行各步驟的裝置的處理能力或視需要並行地或按照不同的順序來執行,來代替依照記述按照時間序列執行流程圖所記載的多個步驟。除此以外,能夠於不脫離本揭示的主旨的範圍內進行變更。
例如,於所述實施方式中,列舉燒結原料包含含鐵原料、含CaO原料及含碳原料的情況為例進行了說明。然而,並不限於此,燒結原料只要包含含鐵原料及含碳原料即可,亦可不包含含CaO原料。其中,於導引資訊中包含含CaO原料的調配比例的情況下,燒結原料包含含鐵原料、含CaO原料及含碳原料。
進而,於所述實施方式中,列舉控制部11具有導引資訊獲取部117的功能的情況為例進行了說明。然而,並不限於此,控制部11亦可不具有導引資訊獲取部117的功能。其中,若控制部11具有導引資訊獲取部117的功能,則可製造滿足作為目標的品質的燒結礦,因此較佳為控制部11具有導引資訊獲取部117的功能。
1:燒結設備
10:控制裝置
11:控制部
12:輸入部
13:輸出部
14:記憶部
15:通訊部
20:造粒機
30:燒結機
31:燒結原料供給裝置
32:托架
33:點火爐
34:風箱
40:破碎機
50:冷卻器
60:篩分裝置
111:原料資訊獲取部
112:造粒條件獲取部
113:造粒結果估計部
114:裝入條件獲取部
115:裝入結果估計部
116:煆燒結果估計部
117:導引資訊獲取部
S101~S106:步驟
圖1是示意性地表示本揭示的一實施方式的燒結設備的結構例的圖。
圖2是示意性地表示本揭示的一實施方式的控制裝置的結構例的圖。
圖3是表示本揭示的一實施方式的燒結機的運行管理方法的順序例的流程圖。
圖4是表示實施例中的造粒粒子的粒度分佈及每個粒度的碳濃度的實績值的圖。
圖5是表示實施例中的實績值與估計的值之間的相關的圖。
圖6是表示實施例中的裝入估計模型的一例的圖。
圖7是表示實施例中的計算良率與實績良率的相關關係的曲線圖。
圖8是表示實施例中的燒結機的規格的圖。
1:燒結設備
10:控制裝置
20:造粒機
30:燒結機
31:燒結原料供給裝置
32:托架
33:點火爐
34:風箱
40:破碎機
50:冷卻器
60:篩分裝置
Claims (9)
- 一種燒結機的運行管理方法,其中,所述燒結機對在包含含鐵原料及含碳原料的燒結原料中添加水來造粒後的造粒粒子進行燒結,所述燒結機的運行管理方法包括: 原料資訊獲取步驟,獲取包含所述燒結原料中所含的各原料的粒度、成分組成及調配比例的原料資訊; 造粒條件獲取步驟,獲取包含自所述燒結原料對所述造粒粒子進行造粒時的所述燒結原料的水分含量的造粒條件; 造粒結果估計步驟,基於所述原料資訊及所述造粒條件,使用包含粒度估計模型及成分估計模型的造粒估計模型來估計包含所述造粒粒子的粒度及所述造粒粒子的每個粒度的成分組成的造粒結果,所述粒度估計模型於輸入所述含碳原料的粒度、所述燒結原料中所含的各原料的調配比例及所述水分含量時,輸出將所述造粒粒子的粒度劃分為多個的粒度劃分中的一個粒度劃分中的所述造粒粒子的含量,所述成分估計模型於輸入所述含碳原料的粒度、所述燒結原料中所含的各原料的調配比例及所述水分含量時,輸出將所述造粒粒子的粒度劃分為多個的粒度劃分中的一個粒度劃分中的所述造粒粒子的特定成分的含量; 裝入條件獲取步驟,獲取將所述造粒粒子裝入所述燒結機而形成原料裝入層時的裝入條件; 裝入結果估計步驟,基於所述造粒結果及所述裝入條件,使用裝入估計模型,估計所述原料裝入層的高度方向上的所述造粒粒子的粒度偏析及成分偏析,所述裝入估計模型表示將所述原料裝入層的高度方向劃分為多個的裝入劃分的各個裝入劃分中的各粒度的所述造粒粒子的含有比例;以及 燒結結果估計步驟,基於所述粒度偏析及所述成分偏析中的至少一者,使用包含能夠計算所述原料裝入層內的規定位置的燒結溫度的傳熱模型的煆燒估計模型,估計所述原料裝入層內的燒結溫度及排氣溫度中的至少一者。
- 如請求項1所述的燒結機的運行管理方法,其中,所述原料資訊獲取步驟獲取碳(C)濃度、水分濃度、氧化鈣(CaO)濃度及氧化鋁(Al 2O 3)濃度中的至少一者作為所述成分組成。
- 如請求項1或2所述的燒結機的運行管理方法,其中,所述裝入結果估計步驟使用裝入估計模型來估計所述粒度偏析及所述成分偏析,所述裝入估計模型表示將所述原料裝入層的寬度方向劃分為多個的裝入劃分的各個裝入劃分中的各粒度的所述造粒粒子的含有比例。
- 如請求項1至3中任一項所述的燒結機的運行管理方法,進而包括:導引資訊獲取步驟,獲取包含用於將所述燒結溫度及所述排氣溫度中的至少一者作為目標值的設定值的導引資訊, 所述導引資訊包含所述含碳原料的調配比例、所述含碳原料的粒度、所述水分含量、所述原料裝入層的厚度、所述燒結機所包括的托架的速度、副澆口的開度、滑槽角度及所述燒結機所包括的點火爐內的溫度中的至少一者的設定值。
- 如請求項4所述的燒結機的運行管理方法,其中,所述燒結原料進而包含含CaO原料, 所述造粒條件進而包含造粒機內的佔空因數及造粒機的旋轉速度, 所述導引資訊包含所述含碳原料的調配比例、所述含碳原料的粒度、所述含CaO原料的調配比例、所述水分含量、造粒機內的佔空因數、造粒機的旋轉速度、所述原料裝入層的厚度、所述燒結機所包括的托架的速度、副澆口的開度、滑槽角度及所述燒結機所包括的點火爐內的溫度中的至少一者的設定值。
- 如請求項4或5所述的燒結機的運行管理方法,其中,於輸入所述燒結溫度及所述排氣溫度中的至少一者時,所述目標值是使用輸出由所述燒結機製造的燒結礦的品質的品質估計模型,以所述燒結礦的品質滿足作為目標的燒結礦的品質為條件來決定。
- 如請求項6所述的燒結機的運行管理方法,其中,所述品質估計模型使用所述燒結機的運行中獲取的所述燒結溫度及所述排氣溫度中的至少一者、以及由所述燒結機製造的燒結礦的品質的實績值進行更新。
- 一種燒結礦的製造方法,使用如請求項4至7中任一項所述的燒結機的運行管理方法中獲取的導引資訊作為燒結礦的製造條件來製造燒結礦。
- 一種控制裝置,控制對在包含含鐵原料及含碳原料的燒結原料中添加水來造粒後的造粒粒子進行燒結的燒結機,所述控制裝置包括: 原料資訊獲取部,獲取包含所述燒結原料中所含的各原料的粒度、成分組成及調配比例的原料資訊; 造粒條件獲取部,獲取包含自所述燒結原料對所述造粒粒子進行造粒時的所述燒結原料的水分含量的造粒條件; 造粒結果估計部,基於所述原料資訊及所述造粒條件,使用包含粒度估計模型及成分估計模型的造粒估計模型來估計包含所述造粒粒子的粒度及所述造粒粒子的每個粒度的成分組成的造粒結果,所述粒度估計模型於輸入所述含碳原料的粒度、所述燒結原料中所含的各原料的調配比例及所述水分含量時,輸出將所述造粒粒子的粒度劃分為多個的粒度劃分中的一個粒度劃分中的所述造粒粒子的含量,所述成分估計模型於輸入所述含碳原料的粒度、所述燒結原料中所含的各原料的調配比例及所述水分含量時,輸出將所述造粒粒子的粒度劃分為多個的粒度劃分中的一個粒度劃分中的所述造粒粒子的特定成分的含量; 裝入條件獲取部,獲取將所述造粒粒子裝入所述燒結機而形成原料裝入層時的裝入條件; 裝入結果估計部,基於所述造粒結果及所述裝入條件,使用裝入估計模型,估計所述原料裝入層的高度方向上的所述造粒粒子的粒度偏析及成分偏析,所述裝入估計模型表示將所述原料裝入層的高度方向劃分為多個的裝入劃分的各個裝入劃分中的各粒度的所述造粒粒子的含有比例;以及 煆燒結果估計部,基於所述粒度偏析及所述成分偏析中的至少一者,使用包含能夠計算所述原料裝入層內的規定位置的燒結溫度的傳熱模型的煆燒估計模型,估計所述原料裝入層內的燒結溫度及排氣溫度中的至少一者。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022-051807 | 2022-03-28 | ||
JP2022051807 | 2022-03-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202403058A true TW202403058A (zh) | 2024-01-16 |
Family
ID=88200649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112110543A TW202403058A (zh) | 2022-03-28 | 2023-03-22 | 燒結機的運行管理方法、燒結礦的製造方法及控制裝置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JPWO2023189335A1 (zh) |
TW (1) | TW202403058A (zh) |
WO (1) | WO2023189335A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5913034A (ja) * | 1982-07-14 | 1984-01-23 | Nippon Kokan Kk <Nkk> | 焼結設備における原料の装入条件試験装置 |
JPS59222538A (ja) * | 1983-05-31 | 1984-12-14 | Kawasaki Steel Corp | 擬似粒子の粒度分布の推定値を利用する焼結操業方法 |
JP2005097658A (ja) * | 2003-09-24 | 2005-04-14 | Jfe Steel Kk | 焼結鉱主原料成分割合予測方法および焼結鉱成分割合制御方法ならび焼結鉱主原料成分割合予測プログラム |
JP7070191B2 (ja) * | 2018-07-20 | 2022-05-18 | 日本製鉄株式会社 | 高さ方向原料分布推定装置、高さ方向原料分布推定プログラム、及びその方法 |
-
2023
- 2023-03-08 WO PCT/JP2023/008930 patent/WO2023189335A1/ja active Application Filing
- 2023-03-08 JP JP2023546363A patent/JPWO2023189335A1/ja active Pending
- 2023-03-22 TW TW112110543A patent/TW202403058A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
JPWO2023189335A1 (zh) | 2023-10-05 |
WO2023189335A1 (ja) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111128313B (zh) | 一种烧结矿FeO含量检测方法及系统 | |
CN103017530A (zh) | 烧结终点预测方法及系统 | |
JP6911808B2 (ja) | 焼結鉱製造設備の制御装置、焼結鉱製造設備および焼結鉱の製造方法 | |
CN111304388B (zh) | 利用扫描雷达优化高炉煤气流分布的方法 | |
TW202040114A (zh) | 粒度分佈監視裝置、粒度分佈監視方法、電腦程式、爐、高爐、爐的控制方法以及高爐操作方法 | |
Zhou et al. | Effect of coke rate and basicity on computed tomography-measured pore parameters and effective thermal conductivity of iron ore sinter | |
US20200104439A1 (en) | Simulation apparatus, simulation method, and computer readable medium storing program | |
TW202403058A (zh) | 燒結機的運行管理方法、燒結礦的製造方法及控制裝置 | |
US20110170114A1 (en) | Method of controlling a transformation process of charge material to a product | |
CN103017535B (zh) | 一种主抽风机控制方法及系统 | |
CN103045855B (zh) | 烧结矿层厚度预测方法及系统 | |
JP7468799B2 (ja) | 焼結機の操業管理方法、焼結鉱の製造方法及び制御装置 | |
JP7070191B2 (ja) | 高さ方向原料分布推定装置、高さ方向原料分布推定プログラム、及びその方法 | |
JP5821656B2 (ja) | 生石灰濃度予測装置及び吹錬制御方法 | |
CN113159562B (zh) | 一种用多元散料层空隙度评价烧结矿粒度的方法 | |
Runkana | Model-based optimization of industrial gas-solid reactors | |
CN103033054A (zh) | 烧结机主抽风机负压控制方法及系统 | |
TW202403252A (zh) | 燒結礦的製造方法及控制裝置 | |
Ryabchikov et al. | Simulation of the combined effect of production factors on metallurgical sinter mechanical strength | |
CN111680932B (zh) | 一种高炉异常炉况成因的获取方法和装置 | |
KR101595796B1 (ko) | 용광로의 조업 효율 판단 장치 및 방법 | |
CN113051847B (zh) | 一种高炉炉渣热稳定性评价方法及优化方法 | |
WO2023189248A1 (ja) | 造粒粒子の粒度分布推定方法、造粒粒子製造方法及び造粒粒子製造装置 | |
Wei | Experimental and Numerical Studies of Burden Layers at Blast Furnace Charging | |
WO2023189251A1 (ja) | 造粒粒子の予測方法、造粒粒子の製造方法、造粒粒子製造装置及び焼結鉱の製造方法 |