刘彦林 孙志鹏  李素英  戚爽

（南京钢铁集团   江苏南京  210035）

摘要：在高炉炼铁过程中，烧结矿作为关键原料之一，其生产过程的质量控制直接影响炼铁的成本和效率。精准控制烧结终点温度对于确保烧结矿质量至关重要。本文基于烧结厂的实际生产数据，结合CNN-LSTM神经网络算法，构建了烧结终点温度预测模型。该模型通过对烧结生产过程中的关键参数进行深入分析，该模型能够准确预测烧结终点的位置和温度，为生产过程提供科学的决策支持，进而优化烧结工艺，显著降低返矿率，并有效提升烧结矿的质量与生产效率。本文详细介绍了模型的构建过程、实施效果及其在实际生产中的应用价值。

关键词： 烧结终点温度；CNN-LSTM；神经网络；返矿率

1  引言

高炉炼铁是现代钢铁生产中的核心工艺之一，作为高炉炼铁的关键原料之一，烧结矿的质量对高炉的冶炼效率以及生产成本具有决定性影响。烧结矿的生产过程涉及铁矿粉、燃料、溶剂等物料的混匀制粒、布料点火、烧结冷却、成品筛分等多个环节，其中烧结终点的温度控制是保证烧结矿质量的关键。烧结终点温度过高或过低都会对烧结矿的质量产生不利影响，进而影响高炉的冶炼效率和成本。因此，如何精准控制烧结终点的温度，成为烧结生产中的一大挑战。近年来，随着大数据技术的蓬勃发展以及人工智能领域的持续创新，基于数据驱动的预测模型在工业生产中的应用日益广泛。本文基于烧结厂的实际生产数据，结合CNN-LSTM神经网络算法，构建了烧结终点温度预测模型，旨在通过提前预测烧结终点的位置和温度，优化烧结过程，降低返矿率，提升烧结矿的质量和生产效率。

2  模型构建

2.1 数据来源与预处理

本模型的数据来源于烧结厂的历史生产数据，主要包括以下几类数据：

原料成分比例：包括返矿、混匀矿、燃料、溶剂、粉尘等的比例。

混匀过程参数：包括加水量、蒸汽量等。

烧结过程参数：包括点火炉负压、机速、九辊频率、大烟道负压、风机频率等。

通过对这些数据进行预处理，剔除异常值和缺失值，并进行归一化处理，确保数据的高质量和一致性。

2.2 模型算法

本模型采用基于CNN-LSTM的神经网络算法。CNN（卷积神经网络）用于提取输入数据的局部特征，LSTM（长短期记忆网络）用于捕捉时间序列数据中的长期依赖关系。模型的输入为相邻时刻与烧结终点温度（BTP）相关的因素，输出为烧结终点的位置和温度。

具体步骤如下：

数据输入：将经过预处理的数据集划分为训练集和测试集，并将其输入至CNN-LSTM模型。

特征提取：通过CNN层提取输入数据的局部特征。

时间序列建模：通过LSTM层捕捉时间序列数据中的长期依赖关系。

模型训练：通过正反向传播算法，训练模型参数，得到最终的烧结终点温度预测模型。

3  模型实施与效果

3.1 模型实施

在开发与测试阶段，构建了烧结终点预测界面（图1），并对其预测准确率进行了统计分析（图2）。初步结果表明，在大多数常规工况下，该模型能够较为准确地预测烧结终点，然而在某些特殊工况下，仍存在一定的预测偏差。同时，我们还开发了配料跟踪界面（图3）和烧结终点跟踪界面（图4），实现了对烧结过程的全面监控。

图1：烧结终点跟踪界面

图2：烧结终点预测准确率统计

图3：配料跟踪界面

图4：烧结终点跟踪界面

然而，在项目实施过程中，我们也遇到了一些问题。首先，数据质量问题影响了模型的训练效果，部分历史数据存在缺失。其次，模型在实际应用中的泛化能力有待提高，特别是在处理异常工况时。针对这些问题，我们采取了数据清洗和增强措施，并引入了迁移学习技术来提高模型的适应性。2024年6月，本模型在南钢4#烧结机进行硬件施工，并于9月份上线试运行。模型上线后，经对9月至10月的生产数据进行验证，模型的预测命中率分别达到了97.65%和99.71%，这一结果充分证明了该模型具有较高的预测精度。

3.2 效果分析

本项目数据资源通过面向烧结主控提供控制终点温度服务，提高烧结生产终点温度达标率，实现烧结返矿率指标改善, 以及现场管理提升、操作模式改变。计算逻辑如下：2024年6月份，本模型在4#烧结机进行硬件施工，项目快速推进并于9月份上线试运行。该模型9-10月份±0.4风箱的预测命中率分别为97.65、99.71.模型的命中率有所上升。此外，模型的命中率持续上升，表明模型在实际生产中的应用效果显著。

2024年1-10月份烧结二区的返矿率为22.60，11月返矿率为21.80，下降0.8个百分点，11月份毛产量为464247吨（该产量为4#、5#机合计产量）按照财务部门吨矿利润23元/t计算：预计11月份降本：（22.6-21.8）*100%*464247/2*23=4.27万元。设备作业率按照96%，4#机全年预计降本：4.27*12*96%=49.19万元。

4   结论

本文基于烧结厂的实际生产数据，结合CNN-LSTM神经网络算法，构建了烧结终点温度预测模型。该模型能够提前预测烧结终点的位置和温度，为生产提供参考依据，优化烧结过程，降低返矿率，提升烧结矿的质量和生产效率。模型的实际应用效果表明，其在烧结生产中具有较高的应用价值，能够有效降低生产成本，提升生产效率。

未来的研究方向将聚焦于进一步优化模型算法、扩大数据样本的规模与提升数据质量、增加生产过程波动数据的收集以及模型训练，同时深入探索与其他工艺参数之间的关联性分析。

参考文献

[1]郭世杰.烧结过程中的温度场模拟及优化研究[D].西安建筑科技大学,2023.DOI:10.27393/d.cnki.gxazu.2023.000555.

[2]邓小龙,陈虎,杨雄文,等.智能化烧结控制系统开发与应用[J].冶金自动化,2021,45(03):67-78.

[3]张学锋,唐晶晶,黄刘松,等.基于大数据的智能烧结预测技术研究进展[J].冶金自动化,2024,48(04):64-76.