丁成義 1，2 ， 常仁德 1 ， 郭勝蘭 3 ， 薛 生 1 ， 龍紅明 1，2 ， 余正偉 1，2
（1. 安徽工業(yè)大學(xué)冶金工程學(xué)院，安徽 馬鞍山 243032；
2. 安徽工業(yè)大學(xué)冶金工程與資源綜合利用安徽省 重點(diǎn)實(shí)驗(yàn)室，安徽 馬鞍山 243032；
3. 寶鋼湛江鋼鐵有限公司能源環(huán)保部，廣東 湛江 524000）
摘 要：隨著人工智能、物聯(lián)網(wǎng)等技術(shù)的發(fā)展，利用大數(shù)據(jù)、自動(dòng)化控制等手段來實(shí)現(xiàn)燒結(jié)過程智能控制及性能預(yù) 測(cè)已經(jīng)成為智慧煉鐵的發(fā)展趨勢(shì)。旨在綜述燒結(jié)過程智能控制和性能預(yù)測(cè)研究現(xiàn)狀，包括智能點(diǎn)火、料層狀態(tài)監(jiān)控、終點(diǎn)控制以及燒結(jié)礦性能檢測(cè)，并通過生產(chǎn)成本、質(zhì)量、效率、控制和預(yù)測(cè)的準(zhǔn)確率等多角度綜合分析不同技術(shù)的優(yōu)缺點(diǎn)。在智能點(diǎn)火方面，詳細(xì)分析點(diǎn)火工藝關(guān)鍵參數(shù)控制的重要性，指出機(jī)理分析法、數(shù)據(jù)驅(qū)動(dòng)、PIDNN 控制算法和修正的 EID 技術(shù)等在智能點(diǎn)火方面的應(yīng)用現(xiàn)狀。在料層狀態(tài)監(jiān)控方面，從料層溫度和漏風(fēng)監(jiān)測(cè) 2 個(gè)方面展開敘述，在料層溫度控制方面，重點(diǎn)分析溫度模擬系統(tǒng)、Matcom、VC++以及多線程技術(shù)應(yīng)用的準(zhǔn)確率，同時(shí)介紹氧氣平衡分析法、流體力學(xué)、紅外熱成像技術(shù)對(duì)燒結(jié)機(jī)漏風(fēng)監(jiān)測(cè)的影響。終點(diǎn)控制層面，系統(tǒng)討論了灰色理論、反向傳播神經(jīng)網(wǎng)絡(luò)、AdaBoost. RS 算法、減法聚類和粒子群優(yōu)化方法等技術(shù)特點(diǎn)和優(yōu)化建議。燒結(jié)礦性能檢測(cè)領(lǐng)域， 涵蓋了燒結(jié)礦成分在線檢測(cè)和燒結(jié)礦性能預(yù)測(cè)與控制研究，通過 PGNAA、LIBS 以及基于 DNN 和 LSTM 的在線監(jiān)測(cè)等技術(shù)智能分析燒結(jié)礦成分，同時(shí)介紹機(jī)器學(xué)習(xí)算法和神經(jīng)網(wǎng)絡(luò)等技術(shù)在燒結(jié)礦性能預(yù)測(cè)與控制方面的應(yīng)用現(xiàn)狀。綜合介紹了燒結(jié)過程在信息化、智能化以及雙碳背景下的發(fā)展情況及應(yīng)用效果，通過系統(tǒng)分析燒結(jié)過程控制發(fā)展現(xiàn)狀及特點(diǎn)，對(duì)未來燒結(jié)工藝在新形勢(shì)下的發(fā)展脈絡(luò)進(jìn)行預(yù)測(cè)總結(jié)，為鋼鐵企業(yè)在燒結(jié)智能化研究領(lǐng)域提供理論和應(yīng)用依據(jù)。
關(guān)鍵詞：燒結(jié)；智能控制；智能點(diǎn)火；終點(diǎn)控制；料層監(jiān)控；算法
智能化發(fā)展是燒結(jié)過程提效降本的關(guān)鍵。燒結(jié)是在高溫條件下將原料進(jìn)行焙燒，使其發(fā)生各種物理和化學(xué)變化，進(jìn)而使原料顆粒相互黏結(jié)形成一定強(qiáng)度的燒結(jié)礦，繼而作為高爐冶煉的含鐵原料。然而，燒結(jié)是一個(gè)多因素控制的黑箱模型，傳統(tǒng)的人工操作效率低、誤差大且缺乏穩(wěn)定性，這對(duì)燒結(jié)礦的冶金性能預(yù)測(cè)產(chǎn)生直接影響。隨著計(jì)算機(jī)技術(shù)和人工智能的快速發(fā)展，傳統(tǒng)的局部自動(dòng)化燒結(jié)已經(jīng)無法滿足現(xiàn)代化生產(chǎn)的需求［1］ 。因此，智能化控制和性能預(yù)測(cè)在燒結(jié)過程中得到了廣泛研究和應(yīng)用。例如，鞍鋼［2］ 利用人工智能和計(jì)算機(jī)技術(shù)創(chuàng)建了一個(gè)智能化的綜合控制系統(tǒng)，實(shí)現(xiàn)燒結(jié)過程的圖像分析、終點(diǎn)控制和原料動(dòng)態(tài)優(yōu)化，并獲得顯著的技術(shù)經(jīng)濟(jì)效益。河鋼集團(tuán)［3］ 應(yīng)用人工智能和大數(shù)據(jù)，實(shí)現(xiàn)了高爐冶煉過程預(yù)測(cè)、遠(yuǎn)程可視、綠色制造以及氫能技術(shù)等。在“雙碳”戰(zhàn)略背景下，燒結(jié)過程智能控制的目的在于實(shí)現(xiàn)低碳、高效、環(huán)保的生產(chǎn)方式，以減少碳排放和資源消耗，同時(shí)提高產(chǎn)品質(zhì)量和企業(yè)競(jìng)爭(zhēng)力。中國(guó)制造 2025 倡議促進(jìn)了冶金產(chǎn)業(yè)智能化、信息化和綠色化發(fā)展［4］ ，燒結(jié)工藝充分結(jié)合人工智能、大數(shù)據(jù)、傳感器、數(shù)據(jù)采集與處理及模型建立與優(yōu)化等技術(shù)，將有助于實(shí)現(xiàn)綠色化發(fā)展趨勢(shì)，并通過實(shí)施“智能+”的方式來實(shí)現(xiàn)燒結(jié)過程的智能控制和優(yōu)化。新興技術(shù)給鋼鐵制造企業(yè)帶來了巨大機(jī)遇和挑戰(zhàn)，目前，大多數(shù)鋼鐵企業(yè)在燒結(jié)過程智能化控制技術(shù)上面臨的難點(diǎn)有：首先考慮到燒結(jié)過程的復(fù)雜性，智能控制和性能預(yù)測(cè)技術(shù)難度較大，需要將眾多因素的相互影響和變化規(guī)律加以考慮；其次主要是對(duì)大量實(shí)時(shí)數(shù)據(jù)的需求，不完善的數(shù)據(jù)采集設(shè)備、數(shù)據(jù)質(zhì)量的不穩(wěn)定性以及數(shù)據(jù)分析能力的不足，會(huì)對(duì)燒結(jié)過程智能控制的穩(wěn)定性和準(zhǔn)確性產(chǎn)生影響，從而限制了該技術(shù)的應(yīng)用和推廣［5］ 。本文展望了燒結(jié)過程智能控制及燒結(jié)礦冶金性能預(yù)測(cè)的發(fā)展趨勢(shì)，并針對(duì)未來的研究提出了重點(diǎn)關(guān)注的問題和挑戰(zhàn)，同時(shí)提供了一些可能的解決方案。此類技術(shù)研究在提高燒結(jié)礦冶金性能、促進(jìn)燒結(jié)工藝可控性、降低生產(chǎn)成本、提高生產(chǎn)效率以及促進(jìn)工序一體化和綠色化發(fā)展等方面具有重要意義，通過不斷的創(chuàng)新和發(fā)展，有望實(shí)現(xiàn)更廣泛的應(yīng)用和推廣。智能化在鋼鐵領(lǐng)域的發(fā)展必然是一個(gè)漫長(zhǎng)的階段，這需要眾多科研工作者共同努力來創(chuàng)造一張屬于智能化鋼鐵領(lǐng)域的藍(lán)圖［6］ 。
1 燒結(jié)過程概述
1. 1 燒結(jié)工藝流程及其特點(diǎn)
鐵礦燒結(jié)是將鐵礦粉、燃料、熔劑及各種返礦等原料在一定條件下焙燒黏結(jié)為人造富礦，進(jìn)而為高爐煉鐵提供原料［7］ 。燒結(jié)杯試驗(yàn)流程包含配料、混料、制粒以及布料、燒結(jié)作業(yè)和冷卻處理等步驟。圖 1 所示為燒結(jié)工藝流程。
鐵礦粉需要確保其品位高和成分穩(wěn)定，熔劑的加入可以改善燒結(jié)礦的黏結(jié)相種類及數(shù)量［8］ 。無煙煤和焦粉是提供燒結(jié)熱量的典型燃料，而高返和內(nèi)返則是提高燒結(jié)制粒性能的母核成分［9］ 。配料和混料流程包括確定原料比例以促進(jìn)化學(xué)反應(yīng)、精確控制原料粒度以確保物料流動(dòng)性以改善燒結(jié)性能?；旌鲜钩煞志鶆蚍植?，并且水分適宜造球，進(jìn)而獲得具有良好粒度組成的混合料?？蛇x擇一次或二次混合，在中國(guó)多采用二次混合以確保制粒效果。作為燒結(jié)生產(chǎn)的關(guān)鍵環(huán)節(jié)，燒結(jié)作業(yè)涵蓋了布料、點(diǎn)火和燒結(jié)等步驟。在布料過程中，需要確保鋪底料和混合料均勻地分布在臺(tái)車上，點(diǎn)火過程要維持溫度為（1 250±50） ℃。
燒結(jié)過程的復(fù)雜性讓簡(jiǎn)單的數(shù)學(xué)方法和理論分析難以精準(zhǔn)地識(shí)別其特點(diǎn)。根據(jù)實(shí)際生產(chǎn)中的經(jīng)驗(yàn)總結(jié)表明，由于其過程長(zhǎng)、環(huán)節(jié)多和機(jī)理復(fù)雜等特點(diǎn)，燒結(jié)工藝難以精確調(diào)控［10］。因此，燒結(jié)過程智能控制技術(shù)是解決這類復(fù)雜大型系統(tǒng)控制問題的有效途徑。
1. 2 燒結(jié)過程參數(shù)
燒結(jié)過程參數(shù)主要可分為以下5種，如圖2所示。
為優(yōu)化燒結(jié)過程及提升產(chǎn)品質(zhì)量，需關(guān)注原料參數(shù)（粒度分布、孔隙率、含水量等物理特性及全鐵、堿度、亞鐵等化學(xué)成分）［11］ 、設(shè)備參數(shù)（燒結(jié)機(jī)風(fēng)速、進(jìn)料速度、燒結(jié)機(jī)壁溫度等參數(shù)）、狀態(tài)參數(shù)（風(fēng)箱廢氣溫度和終點(diǎn)溫度等）和操作參數(shù)（點(diǎn)火溫度等），同時(shí)，性能參數(shù)（燒結(jié)礦強(qiáng)度、化學(xué)成分、冶金性能等）也是重要的考慮因素［12］ 。
1. 3 智能化控制概念及特點(diǎn)
智能化控制是一種新型的自動(dòng)化控制方式，其基于先進(jìn)的技術(shù)和算法，融合大數(shù)據(jù)、傳感器、自適應(yīng)控制以及人工智能等多種技術(shù)，能夠?qū)崿F(xiàn)對(duì)系統(tǒng)參數(shù) 、操作模式和決策過程的智能化管理和優(yōu)化［13］。智能化控制的特點(diǎn)包括自學(xué)習(xí)與自適應(yīng)、實(shí)時(shí)監(jiān)測(cè)和預(yù)警、最優(yōu)化能耗管理、數(shù)據(jù)多源化及智能決策控制，具體特點(diǎn)如圖 3 所示。這種控制方式通過集成和協(xié)同運(yùn)用各種技術(shù)手段，達(dá)到提高系統(tǒng)的穩(wěn)定性、效率和可靠性的目的，有助于實(shí)現(xiàn)更高效、可持續(xù)和安全綠色化的生產(chǎn)。智能化控制系統(tǒng)在燒結(jié)過程中可實(shí)現(xiàn)點(diǎn)火、料層狀態(tài)監(jiān)控、終點(diǎn)控制以及燒結(jié)礦性能檢測(cè)等方面的智能化，進(jìn)而提高燒結(jié)過程中的生產(chǎn)效率、產(chǎn)品質(zhì)量以及能耗利用率，使燒結(jié)過程更加智能、高效和穩(wěn)定［14］。不僅在燒結(jié)方面，智能化控制在工業(yè)生產(chǎn)和自動(dòng)化領(lǐng)域已成為一大新興發(fā)展趨勢(shì)，智能化冶金將推動(dòng)冶金產(chǎn)業(yè)向著更高效、安全和可持續(xù)的方向發(fā)展，這也提升了整個(gè)冶金生產(chǎn)鏈的智能化水平和競(jìng)爭(zhēng)力［15］ 。
2 燒結(jié)過程智能化控制應(yīng)用現(xiàn)狀
鐵礦石燒結(jié)質(zhì)量指標(biāo)實(shí)時(shí)估算的重要性不言而喻，但是由于其復(fù)雜性，對(duì)建模帶來了一定的挑戰(zhàn)。為了解決這個(gè)問題，YANG C 等［16］ 提出了一種融合遞歸神經(jīng)網(wǎng)絡(luò)和偏最小二乘（GRU-PLS）的模型，用于預(yù)測(cè)成品燒結(jié)礦的氧化亞鐵（FeO）含量。
該模型在利用傳統(tǒng)潛變量方法的基礎(chǔ)上，結(jié)合每對(duì)潛變量之間的深層內(nèi)部結(jié)構(gòu)，進(jìn)而捕捉非線性和動(dòng)態(tài)信息。通過使用華南某大型鋼鐵集團(tuán)的實(shí)際數(shù)據(jù)進(jìn)行評(píng)估，結(jié)果顯示 GRU-PLS 模型相比其他模型具有更小的預(yù)測(cè)誤差。
此外，南開大學(xué)的于晗等［17］ 研究了智能化控制系統(tǒng)如何在整個(gè)燒結(jié)過程中實(shí)現(xiàn)節(jié)能減排。該系統(tǒng)分為源頭、過程和末端3個(gè)部分。在源頭配料的智能控制方面，利用了“雙平衡”約束方法，降低了燃料消耗和污染。節(jié)能減排智能輔助診斷決策系統(tǒng)在多方面取得了明顯效果，包括減少固體燃料和電力能耗，降低 NOx、SO2及顆粒物的排放。這項(xiàng)研究在實(shí)現(xiàn)智能化的同時(shí)，又為中國(guó)的“雙碳”目標(biāo)貢獻(xiàn)了一份力量。呂慶研究團(tuán)隊(duì)［18］運(yùn)用大數(shù)據(jù)平臺(tái)輔助和機(jī)器學(xué)習(xí)技術(shù)，設(shè)計(jì)出一種精準(zhǔn)預(yù)測(cè)燒結(jié)生產(chǎn)結(jié)果并實(shí)現(xiàn)最優(yōu)化運(yùn)作的模型，以保證燒結(jié)礦質(zhì)量的穩(wěn)定性。通過梯度提升樹算法構(gòu)建了燒結(jié)終點(diǎn)預(yù)測(cè)模型，預(yù)測(cè)命中率高達(dá) 99%。該研究對(duì)燒結(jié)行業(yè)未來的發(fā)展具有重要意義。
近年來，有多個(gè)研究團(tuán)隊(duì)提出了不同的智能控制系統(tǒng)和模型，以提高鐵礦石燒結(jié)質(zhì)量指標(biāo)和控制效果。例如，AN J 等［19］提出了一種基于工況識(shí)別的智能控制系統(tǒng)，用于精確控制點(diǎn)火參數(shù)和溫度。該控制系統(tǒng)由工況識(shí)別模塊和不同的模糊預(yù)測(cè)控制器構(gòu)成。針對(duì)每個(gè)特定工況，設(shè)計(jì)了相應(yīng)的模糊預(yù)測(cè)控制器，包括基于粒子群優(yōu)化的 Elman 預(yù)測(cè)模型和模糊控制器。試驗(yàn)數(shù)據(jù)表明，該系統(tǒng)能夠在復(fù)雜環(huán)境下準(zhǔn)確控制點(diǎn)火溫度，減小燒結(jié)廠的控制誤差，滿足實(shí)際控制需求。FAN X H 等［20］設(shè)計(jì)了一種基于風(fēng)機(jī)變頻的燒結(jié)過程智能控制模型，通過激活專家控制系統(tǒng)和模糊控制器，實(shí)現(xiàn)對(duì)燒結(jié)生產(chǎn)的穩(wěn)定控制。該模型在保證生產(chǎn)穩(wěn)定的同時(shí)，降低了燒結(jié)生產(chǎn)的能耗，實(shí)現(xiàn)了更加穩(wěn)定、高效和精確的燒結(jié)生產(chǎn)。另外，WANG C S 等［21］提出了一種分層智能控制系統(tǒng)，其中包括燒結(jié)終點(diǎn)（BTP）和卷影復(fù)制服務(wù)（VSS）軟感知模型，能夠?qū)崿F(xiàn)對(duì)鏈速度的穩(wěn)定追蹤控制以及交換過程信息數(shù)據(jù)等功能 。
通過這種方式，波動(dòng)問題得到有效避免，并且顯著提高了燒結(jié)礦產(chǎn)質(zhì)量和燒結(jié)機(jī)的利用率。此外，LIU S 等［22］利用 Java 和 Python 語(yǔ)言構(gòu)建了4個(gè)模型，即燒結(jié)批次優(yōu)化模型、燒結(jié)層滲透率預(yù)測(cè)模型、燒結(jié)終點(diǎn)控制優(yōu)化模型和燒結(jié)礦質(zhì)量預(yù)測(cè)評(píng)價(jià)模型。這些模型在大數(shù)據(jù)的支持下，能夠?qū)崿F(xiàn)關(guān)鍵參數(shù)的實(shí)時(shí)分析、智能預(yù)警、決策優(yōu)化和故障追溯等功能。該系統(tǒng)為操作人員提供了最佳生產(chǎn)指標(biāo)，顯著地提高了燒結(jié)工藝智能化的生產(chǎn)效率 。
LAITINEN P J 等［23］ 基于前饋神經(jīng)網(wǎng)絡(luò)建立了數(shù)據(jù)驅(qū)動(dòng)的建模方法，研究操作參數(shù)對(duì)燒結(jié)礦質(zhì)量、生產(chǎn)率以及燃料消耗的影響。模型能夠很好地描述輸出變化，通過分析輸入變量，能夠預(yù)測(cè)輸出結(jié)果并總結(jié)輸入與輸出之間的相互作用關(guān)系。近些年有關(guān)燒結(jié)智能化模塊 使用算法及應(yīng)用效果總結(jié)見表1。
以上包含多個(gè)關(guān)于鐵礦石燒結(jié)過程智能控制和質(zhì)量指標(biāo)估算的研究。這些研究利用各種技術(shù)手段，如遞歸神經(jīng)網(wǎng)絡(luò)、偏最小二乘以及分層智能控制等解決燒結(jié)過程中的復(fù)雜性和挑戰(zhàn)性問題，提高了燒結(jié)品質(zhì)預(yù)測(cè)的準(zhǔn)確性、生產(chǎn)效率以及節(jié)能減排。但仍有以下幾個(gè)方面需進(jìn)一步優(yōu)化，首先，不斷加強(qiáng)模型的準(zhǔn)確性和高效性；其次，需要綜合考慮環(huán)境因素，建立更綜合全能的控制系統(tǒng)；第三，在智能控制的基礎(chǔ)上，強(qiáng)化節(jié)能減排力度；最后，在追求高效的同時(shí)，注重?zé)Y(jié)行業(yè)的可持續(xù)發(fā)展［24］ ?？偠灾?，燒結(jié)過程智能控制技術(shù)在不斷的創(chuàng)新和研究下，將會(huì)為燒結(jié)行業(yè)帶來更高的效益和發(fā)展空間。
3 燒結(jié)過程智能控制工藝模塊分析
3. 1 智能點(diǎn)火
3. 1. 1 燒結(jié)點(diǎn)火工藝概述
燒結(jié)過程中的關(guān)鍵環(huán)節(jié)是燒結(jié)點(diǎn)火，為給混合料提供足夠的熱量使其可燃燒，并在爐內(nèi)的煙氣作用下逐漸干燥和脫碳，以實(shí)現(xiàn)理想的燒結(jié)效果。燒結(jié)點(diǎn)火的強(qiáng)度控制極為重要，若強(qiáng)度過低，則表層強(qiáng)度不足，無法形成完整的餅體；若強(qiáng)度過高，則表層過度熔化，降低產(chǎn)品質(zhì)量并造成浪費(fèi)。為保證燒結(jié)礦的質(zhì)量，在控制燒結(jié)點(diǎn)火的同時(shí)，需正確掌握影響點(diǎn)火的各種因素，包括使用氣體壓力、操作溫度、臺(tái)車速度和氣體噴嘴阻力等［25］ 。優(yōu)化控制關(guān)鍵參數(shù)是實(shí)現(xiàn)燒結(jié)點(diǎn)火最優(yōu)化控制的重要手段。手動(dòng)操作點(diǎn)火爐的機(jī)速、熱值和煤氣壓力等參數(shù)難以確?？諝馊剂媳茸顑?yōu)，且不正確的參數(shù)控制會(huì)導(dǎo)致煤氣不完全燃燒，從而無法有效控制點(diǎn)火溫度。因此，開發(fā)先進(jìn)技術(shù)實(shí)現(xiàn)智能化控制，對(duì)于提高燒結(jié)點(diǎn)火爐效率及減少污染是至關(guān)重要的。
3. 1. 2 點(diǎn)火工藝關(guān)鍵參數(shù)控制
近年來，國(guó)內(nèi)的大多數(shù)燒結(jié)廠使用焦?fàn)t煤氣或高爐煤氣進(jìn)行燒結(jié)點(diǎn)火。燒結(jié)點(diǎn)火的操作參數(shù)包括強(qiáng)度、溫度、時(shí)間和空燃比，這些對(duì)燒結(jié)過程產(chǎn)生了重大影響。因此，合理設(shè)置和控制燒結(jié)點(diǎn)火參數(shù)至關(guān)重要。
點(diǎn)火強(qiáng)度是指混合料單位面積獲得的熱能，其取決于導(dǎo)熱系數(shù)、溫度分布以及加熱時(shí)間和方式等。高點(diǎn)火強(qiáng)度會(huì)引起原料表面焦化和氧化等問題。因此，應(yīng)根據(jù)實(shí)際情況優(yōu)化和調(diào)整點(diǎn)火強(qiáng)度，以適應(yīng)不同工況［26］。燃料配給量對(duì)點(diǎn)火溫度具有重要影響，其直接關(guān)系到控制每個(gè)環(huán)節(jié)的溫度。因此，實(shí)際生產(chǎn)中更需要一種能夠動(dòng)態(tài)調(diào)節(jié)點(diǎn)火溫度的智能控制裝置，以適應(yīng)不同環(huán)境下的需求［27］ 。李萬宏［25］ 提出了一種點(diǎn)火溫度模糊 PID（比例-積分-微分控制器）控制器，該控制器可以根據(jù)不同環(huán)境動(dòng)態(tài)調(diào)整點(diǎn)火溫度的設(shè)定值，從而實(shí)現(xiàn)點(diǎn)火過程的自適應(yīng)控制，其被應(yīng)用在燒結(jié)點(diǎn)火智能控制系統(tǒng)中，總體結(jié)構(gòu)如圖 4 所示。點(diǎn)火時(shí)間是指混合料在點(diǎn)火器段內(nèi)的停留時(shí)間，其取決于燒結(jié)設(shè)備的類型、燒結(jié)原料性質(zhì)和燒結(jié)工藝參數(shù)的選擇，此外，控制燃料氣體的空燃比（空氣和燃料比例）有助于避免煤氣不充分燃燒或浪費(fèi)資源［27］ 。
3. 1. 3 燒結(jié)點(diǎn)火智能化控制相關(guān)研究
張斌［28］設(shè)計(jì)了一個(gè)基于光纖環(huán)網(wǎng)（以太網(wǎng)）和PROFIBUS（過程場(chǎng)總線）控制網(wǎng)的燒結(jié)機(jī)自動(dòng)點(diǎn)火控制系統(tǒng)，其點(diǎn)火爐控制系統(tǒng)設(shè)備結(jié)構(gòu)如圖 5 所示［28］，實(shí)現(xiàn)了主操作畫面、報(bào)警打印和歷史趨勢(shì)顯示等功能，可以滿足生產(chǎn)工藝需求和減少人員勞動(dòng)強(qiáng)度。DU S 等［29］ 構(gòu)建了一種基于點(diǎn)火溫度預(yù)測(cè)的燒結(jié)點(diǎn)火過程智能控制模型，該模型融入了機(jī)理分析法和數(shù)據(jù)驅(qū)動(dòng)法，進(jìn)而實(shí)現(xiàn)對(duì)點(diǎn)火溫度的智能控制以及氣體流量的監(jiān)測(cè)。經(jīng)過試驗(yàn)表明，此模型可以在氣體壓力不穩(wěn)定的情況下實(shí)現(xiàn)對(duì)點(diǎn)火溫度的有效控制，其預(yù)測(cè)結(jié)果如圖 6 所示（該圖源數(shù)據(jù)來自參考文獻(xiàn)［29］）。ZHANG C F 等［30］設(shè)計(jì)出一種遵循控制方法的模型，最終實(shí)現(xiàn)通過總線設(shè)備來智能控制點(diǎn)火溫度和氣體流量等。此設(shè)計(jì)滿足工業(yè)需求，對(duì)提高燒結(jié)礦產(chǎn)質(zhì)量有一定的幫助。YING YQ 等［31］ 設(shè)計(jì)出一種基于 PIDNN（比例-積分-微分神經(jīng)網(wǎng)絡(luò)）的點(diǎn)火智能控制系統(tǒng)，將 PIDNN 控制算法與專家系統(tǒng)相結(jié)合來實(shí)現(xiàn)最終的點(diǎn)火智能控制 。
該系統(tǒng)在某鋼鐵廠投入運(yùn)行后，其點(diǎn)火溫度可以實(shí)現(xiàn)穩(wěn)定控制，進(jìn)而節(jié)約了人工成本和提高了資源利用率。CHEN X 等［32］ 提出一種基于修正的 EID（電子識(shí)別技術(shù)）燒結(jié)點(diǎn)火控制模型，同時(shí)還開發(fā)了一種迭代子空間建模方法來預(yù)測(cè)時(shí)間延遲和估計(jì)模型參數(shù)，通過一個(gè)額外的延遲元件，使得 EID 預(yù)測(cè)和實(shí)際擾動(dòng)的相位差趨近于零。通過模擬驗(yàn)證了該方法的可行性，為點(diǎn)火智能控制的研究提供了新的研究方法。智能點(diǎn)火使用方法及應(yīng)用效果總結(jié)見表 2。
當(dāng)前的智能點(diǎn)火控制技術(shù)在一定程度上達(dá)到工藝需求，并實(shí)現(xiàn)了節(jié)能降本和自動(dòng)化控制，同時(shí)還保證了出色的點(diǎn)火效果。但是，機(jī)理分析法需要大量的先驗(yàn)知識(shí)以及依賴于準(zhǔn)確的模型；數(shù)據(jù)驅(qū)動(dòng)法對(duì)數(shù)據(jù)質(zhì)量要求高還可能出現(xiàn)過擬合 ；EID 技術(shù)的使用存在一定的風(fēng)險(xiǎn)性以及技術(shù)會(huì)受到限制 ；PIDNN技術(shù)的計(jì)算量很大、控制器參數(shù)難以調(diào)整以及神經(jīng)網(wǎng)絡(luò)模型不夠精確。針對(duì)以上難點(diǎn)，建議從以下方面入手：1）為了更好地應(yīng)用機(jī)理分析法，可通過查閱文獻(xiàn)和數(shù)據(jù)，并進(jìn)行整合；2）對(duì)于數(shù)據(jù)驅(qū)動(dòng)法，要確保數(shù)據(jù)的質(zhì)量，同時(shí)要有針對(duì)性地去選擇最相關(guān)和具有代表性的特征 ；3）可以通過優(yōu)化算法、改進(jìn)傳感器設(shè)計(jì)和增加冗余度等措施來提高 EID 技術(shù)的穩(wěn)定性和可靠性；4）對(duì)于 PIDNN 技術(shù)的困難，可以采用模型簡(jiǎn)化和參數(shù)優(yōu)化的方法［33］。此外，新型的燒結(jié)智能化設(shè)備將具有優(yōu)異的可靠性、快速反應(yīng)、高準(zhǔn)度、低功耗、安全性以及可擴(kuò)展性特征，以便有效地應(yīng)對(duì)市場(chǎng)上不斷增長(zhǎng)的需要。
3. 2 智能料層狀態(tài)監(jiān)控
3. 2. 1 料層溫度
燒結(jié)料層溫度在燒結(jié)過程中扮演著重要的角色，直接影響料層性能和結(jié)構(gòu)。一般而言，燒結(jié)時(shí)間延長(zhǎng)以及燒結(jié)溫度和壓力升高會(huì)導(dǎo)致料層溫度上升。然而，過高的溫度會(huì)破壞料層結(jié)構(gòu)，過低的溫度則會(huì)造成料層不穩(wěn)定，進(jìn)而導(dǎo)致料層失去原有的形狀和穩(wěn)定性。而在考慮料層溫度變化的同時(shí)，還需考慮燒結(jié)溫度、壓力和時(shí)間等因素的影響，以便更好地控制料層溫度。
中南大學(xué)的范曉慧等［34］運(yùn)用眾多物理化學(xué)過程，通過對(duì)料層與抽風(fēng)之間的傳質(zhì)傳熱流動(dòng)進(jìn)行詳細(xì)的描述，建立了一套料層溫度模擬的系統(tǒng)。該系統(tǒng)經(jīng)過試驗(yàn)驗(yàn)證，可實(shí)現(xiàn)對(duì)任意高度料層氣體溫度的實(shí)時(shí)計(jì)算，且其預(yù)測(cè)準(zhǔn)確率高達(dá) 90%。彭坤乾［35］ 運(yùn)用 Matcom、VC++以及多線程技術(shù)，建立了一個(gè)能夠解決雙曲型偏微分方程收斂問題的燒結(jié)料層溫度廠模擬系統(tǒng)，能夠提供料層溫度分布情況。
當(dāng)燃料配比為 5. 3% 時(shí)，其仿真結(jié)果在準(zhǔn)確度方面可達(dá) 90% 左右，如圖 7 所示（該圖源數(shù)據(jù)來自于參考文獻(xiàn)［35］）［35］ 。此研究對(duì)提高燒結(jié)礦產(chǎn)質(zhì)量和減少能耗具有重要的指導(dǎo)作用。有關(guān)料層溫度監(jiān)控使用方法及應(yīng)用效果總結(jié)見表 3。
根據(jù)以上研究可知，燒結(jié)料層溫度檢測(cè)技術(shù)的預(yù)測(cè)準(zhǔn)確率已達(dá)到 90%，而且對(duì)料層溫度的計(jì)算也更加精準(zhǔn)，在料層溫度監(jiān)測(cè)系統(tǒng)的作用下，可以有效提高燒結(jié)礦產(chǎn)質(zhì)量、成品率以及燒結(jié)機(jī)利用率。因此，可以說這一技術(shù)取得了不錯(cuò)的成效。但是，由于料層溫度控制系統(tǒng)的復(fù)雜性，實(shí)時(shí)監(jiān)測(cè)料層溫度的準(zhǔn)確性仍有待進(jìn)一步提高。此外，料層溫度的變化對(duì)整個(gè)燒結(jié)過程有很大影響，需要對(duì)料層溫度進(jìn)行動(dòng)態(tài)調(diào)整的技術(shù)尚不成熟。同時(shí)，實(shí)現(xiàn)料層溫度監(jiān)測(cè)所需要大量數(shù)據(jù)的獲取與處理也存在一定困難。隨著未來人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)、5G 通信技術(shù)的發(fā)展，將為料層溫度監(jiān)測(cè)帶來新的機(jī)遇［36］，該類技術(shù)的應(yīng)用主要體現(xiàn)在以下幾個(gè)方面：1）實(shí)時(shí)監(jiān)測(cè)料層溫度，通過大數(shù)據(jù)可以準(zhǔn)確識(shí)別各處料層的實(shí)時(shí)溫度情況；2）溫度分布的精確控制和實(shí)時(shí)調(diào)整，通過物聯(lián)網(wǎng)實(shí)時(shí)調(diào)整并控制溫度分布情況；3）數(shù)據(jù)的實(shí)時(shí)傳輸和處理，通過 5G 通信傳輸數(shù)據(jù)并提供遠(yuǎn)端監(jiān)測(cè)服務(wù)。
3. 2. 2 漏風(fēng)監(jiān)測(cè)
燒結(jié)機(jī)漏風(fēng)是指因溫度變化而產(chǎn)生氣流運(yùn)動(dòng)的現(xiàn)象，對(duì)燒結(jié)礦產(chǎn)質(zhì)量會(huì)產(chǎn)生負(fù)面影響，并增加能耗。因此，燒結(jié)機(jī)漏風(fēng)監(jiān)測(cè)對(duì)于提高鋼鐵生產(chǎn)效率至關(guān)重要。本節(jié)主要探討當(dāng)前燒結(jié)機(jī)漏風(fēng)監(jiān)測(cè)的研究成果、不足以及發(fā)展趨勢(shì)。
青島大學(xué)的張安煜［37］ 針對(duì)燒結(jié)機(jī)漏風(fēng)問題，研發(fā)了一款在線監(jiān)測(cè)系統(tǒng)，通過氧氣平衡分析技術(shù)，實(shí)現(xiàn)對(duì)主要漏風(fēng)部位的實(shí)時(shí)監(jiān)測(cè)。該系統(tǒng)將燒結(jié)機(jī)風(fēng)箱段的平均漏風(fēng)率降至 15%，并提出了一套針對(duì)臺(tái)車段漏風(fēng)的控制方案，使得年平均臺(tái)時(shí)產(chǎn)量提高 10 t/（臺(tái)•h）。CAI J 等［38］ 基于流體力學(xué)的知識(shí)提出了一種數(shù)學(xué)模型，用于預(yù)測(cè)燒結(jié)機(jī)在穩(wěn)定狀態(tài)下通過孔洞漏氣的流速及對(duì)關(guān)鍵部位的影響。同時(shí)，研究者們也提出了一種新型通用孔床模型，以提高其精度。最終，通過該研究得到了快速估算模型，可為燒結(jié)機(jī)漏風(fēng)監(jiān)測(cè)更加精確和強(qiáng)大計(jì)算工具的開發(fā)提供重要的指導(dǎo)，該技術(shù)具有巨大的應(yīng)用前景，而且為將來改進(jìn)新技術(shù)提供了一定的借鑒價(jià)值。
此外，東北大學(xué)的張余謙團(tuán)隊(duì)［39］ 通過數(shù)值模擬研究燒結(jié)機(jī)風(fēng)箱及支管的溫度場(chǎng)分布規(guī)律，比較漏風(fēng)和不漏風(fēng)情況下的差異，并改變漏風(fēng)口參數(shù)來探究其對(duì)溫度場(chǎng)的影響。在此基礎(chǔ)上，提出了紅外熱成像漏風(fēng)檢測(cè)法并用高精度紅外熱成像儀進(jìn)行試驗(yàn)證實(shí)，其工作原理如圖 8 所示。試驗(yàn)結(jié)果表明，仿真數(shù)據(jù)與實(shí)際數(shù)據(jù)基本一致，這證明了該方法的可行性。 有關(guān)漏風(fēng)監(jiān)測(cè)使用方法及應(yīng)用效果總結(jié)見表 4。
目前，采用的方法在顯著降低燒結(jié)機(jī)的漏風(fēng)、提高燒結(jié)礦產(chǎn)質(zhì)量、達(dá)成節(jié)能減排和可持續(xù)發(fā)展的同時(shí)，也帶來巨大的經(jīng)濟(jì)效益。但漏風(fēng)監(jiān)測(cè)的不足在于檢測(cè)方法和設(shè)備較為簡(jiǎn)單，檢測(cè)精度和效率較低，也容易受外界環(huán)境因素影響。因此，燒結(jié)漏風(fēng)檢測(cè)技術(shù)未來會(huì)發(fā)展為更精確的檢測(cè)方法、更高效的檢測(cè)設(shè)備以及更完善的檢測(cè)體系，進(jìn)而提供更可靠的檢測(cè)結(jié)果。從技術(shù)和實(shí)施方面來說，采用空氣動(dòng)力學(xué)和煙霧檢測(cè)技術(shù)進(jìn)行精確檢測(cè)，開發(fā)新型漏風(fēng)檢測(cè)軟件、引入新的檢測(cè)技術(shù)以及利用機(jī)器學(xué)習(xí)技術(shù)的智能化檢測(cè)系統(tǒng)等方法，可以提高檢測(cè)效率和可靠性［40］ 。
3. 3 智能終點(diǎn)控制
3. 3. 1 燒結(jié)終點(diǎn)控制概述
燒結(jié)終點(diǎn)（BTP）是混合料在燒結(jié)機(jī)上垂直燃燒速度的反映，其指的是煙氣溫度開始下降的位置。為充分發(fā)揮燒結(jié)機(jī)的性能并保障物料質(zhì)量，BTP 控制在倒數(shù)第 2 個(gè)或第 3 個(gè)風(fēng)箱位置較為理想。由于多種影響因子和大滯后特性，實(shí)現(xiàn)生產(chǎn)過程中 BTP 的精確控制是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。包括混合料的水分、料層厚度、點(diǎn)火溫度以及臺(tái)車速度等這些影響因子，都需要充分考慮并做出相應(yīng)調(diào)整，才能確保 BTP 的準(zhǔn)確控制［41］ 。
由于受到臺(tái)車速度的影響，燒結(jié)終點(diǎn)位置的準(zhǔn)確控制是一項(xiàng)極具挑戰(zhàn)性的任務(wù)。目前，國(guó)內(nèi)外研究對(duì)燒結(jié)終點(diǎn)位置判斷有以下幾種方法：1）風(fēng)箱廢氣溫度判斷法，采集尾部風(fēng)箱廢氣溫度值，通過最小二乘法或三點(diǎn)法曲線擬合來間接得出燒結(jié)終點(diǎn)位置，這種方法成本低、精度高［41］ ；2）風(fēng)箱廢氣成分判斷法，該方法采集廢氣中 φ（CO2）/φ（CO）的比值達(dá)到最高值來判斷 BTP 位置［42］ ；3）負(fù)壓發(fā)，就是根據(jù)抽風(fēng)負(fù)壓的檢測(cè)來判斷 BTP，當(dāng)燒結(jié)結(jié)束后，如果風(fēng)箱的負(fù)壓基本保持不變，則此時(shí)的風(fēng)箱位置就是 BTP［43］ ；4）機(jī)尾 CCD 圖像判斷法，通過安裝在機(jī)尾部的 CCD 攝像機(jī)對(duì)斷面及其圖像進(jìn)行分析得出燒結(jié)終點(diǎn)位置，但其準(zhǔn)確性不太高［44］ 。
3. 3. 2 燒結(jié)終點(diǎn)預(yù)測(cè)模型研究
由于以上 BTP 判斷方法都會(huì)有很大的滯后性，因此要想提高燒結(jié)穩(wěn)定性和燒結(jié)礦產(chǎn)質(zhì)量就需要對(duì) BTP 進(jìn)行提前預(yù)報(bào)。WU M 等［45］ 運(yùn)用灰色理論和反向傳播神經(jīng)網(wǎng)絡(luò)建立了 BTP 預(yù)測(cè)模型，并利用模糊控制、預(yù)測(cè)控制和開關(guān)控制構(gòu)建了混合模糊控制器以實(shí)現(xiàn)對(duì) BTP 的準(zhǔn)確控制。通過實(shí)踐表明，該系統(tǒng)有效地抑制了 BTP 的波動(dòng)，提高了燒結(jié)礦的產(chǎn)質(zhì)量，而且也保障了生產(chǎn)的安全性。汪森輝等［46］ 提出了一種基于改進(jìn)的 AdaBoost. RS（自適應(yīng)增強(qiáng)的推薦系統(tǒng)）算法和極限學(xué)習(xí)機(jī)相結(jié)合的 BTP 位置預(yù)測(cè)集成算法模型。該模型的預(yù)測(cè)效果如圖 9 所示（該圖源數(shù)據(jù)來自參考文獻(xiàn)［46］）。研究結(jié)果表明，當(dāng)絕對(duì)誤差小于 1. 6 mm 時(shí)，該模型的結(jié)果命中率高達(dá) 97. 4%，相較于傳統(tǒng)方法，該模型大幅度提高了 BTP 位置預(yù)測(cè)的準(zhǔn)確性。DU S 等［47］ 提出一種利用模糊時(shí)間序列的 BTP 預(yù)測(cè)模型，該模型通過調(diào)整因子將響應(yīng)預(yù)測(cè)模型和混合預(yù)測(cè)模型組合而來 。 通過實(shí)際生產(chǎn)的檢驗(yàn)表明，該模型優(yōu)于其他模型的性能，其預(yù)測(cè)性能更加顯著。同時(shí)，該模型也為燒結(jié)過程的 BTP 預(yù)測(cè)奠定了基礎(chǔ)。
3. 3. 3 燒結(jié)終點(diǎn)控制模型研究
鑒于燒結(jié)過程的復(fù)雜、時(shí)變和非線性特征，傳統(tǒng)控制模型已難以滿足生產(chǎn)需求，因此，學(xué)術(shù)界開始探索將智能算法和 BTP 控制模型相融合，以提高模型性能。袁曉紅等［48］使用最優(yōu)控制算法建立了燒結(jié)過程的最優(yōu)控制模型，用于控制燒結(jié)過程中的終點(diǎn)溫度和點(diǎn)火強(qiáng)度。該模型采用了神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，其結(jié)構(gòu)如圖 10 所示。而且，其自適應(yīng)能力強(qiáng)，能在不同工作條件下保證高準(zhǔn)確性和高控制度，燒結(jié)礦產(chǎn)量得到有效的提高。此外，魏玉龍［49］ 運(yùn)用減法聚類和粒子群優(yōu)化方法對(duì) PBF（可編程布局結(jié)構(gòu)）神經(jīng)網(wǎng)格進(jìn)行優(yōu)化，并建立了 BTP 預(yù)測(cè)模型，試驗(yàn)表明該模型的預(yù)測(cè)誤差在 0. 2 個(gè)風(fēng)箱范圍 內(nèi)的準(zhǔn)確性達(dá)到 82%。同時(shí)，該團(tuán)隊(duì)還使用最小二乘法創(chuàng)建了辨識(shí)模型，并設(shè)計(jì)了變量域模糊控制器來實(shí)現(xiàn)對(duì) BTP 的可靠控制。有關(guān)燒結(jié)終點(diǎn)預(yù)測(cè)、控制模型使用方法及應(yīng)用效果總結(jié)見表 5。
通過對(duì)燒結(jié)終點(diǎn)預(yù)測(cè)和控制模型的研究可以看出，在不同算法的應(yīng)用下，燒結(jié)終點(diǎn)預(yù)測(cè)和控制的準(zhǔn)確率已經(jīng)達(dá)到很高水準(zhǔn)，也成功實(shí)現(xiàn)了對(duì) BTP 的最優(yōu)化、預(yù)測(cè)以及可靠性保障。盡管如此，這些算法在此方面的應(yīng)用也存在一定的不足，具體來說，如灰色理論和反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的要求非常高；AdaBoost. RS 算法的預(yù)測(cè)效果依然有待提高；模糊時(shí)間序列對(duì)于長(zhǎng)期預(yù)測(cè)，可能會(huì)出現(xiàn)誤差累積問題以及需要大量的訓(xùn)練數(shù)據(jù)；最優(yōu)控制算法對(duì)工作條件的適應(yīng)性不夠強(qiáng)；減法聚類和粒子群優(yōu)化方法的預(yù)測(cè)準(zhǔn)確度還有待提高。因此，未來可以研究如何利用高性能計(jì)算技術(shù)來提高燒結(jié)終點(diǎn)控制模型的處理速度，以及研究如何采用云計(jì)算技術(shù)，將計(jì)算過程遷移到云端，提高計(jì)算速度，實(shí)現(xiàn)燒結(jié)過程的遠(yuǎn)程控制［50］ 。其次，還可以提高模型的復(fù)雜程度，考慮引入多因子影響、多目標(biāo)優(yōu)化以及多尺度分析等。而且將來的模型需要具有更強(qiáng)的容錯(cuò)能力和適應(yīng)性，以便能夠?qū)崟r(shí)進(jìn)行優(yōu)化調(diào)整［51］ 。
3. 4 智能燒結(jié)礦性能檢測(cè)
3. 4. 1 燒結(jié)礦性能檢測(cè)概述
燒結(jié)礦含有多種化學(xué)成分，包括 Fe2O3、MnO2、 CaO、MgO、TiO2、ZnO、ZrO2、Al2O3、BaO、Cr2O3、VO等。在燒結(jié)過程中，這些成分會(huì)發(fā)生不同的化學(xué)反應(yīng)，進(jìn)而對(duì)燒結(jié)礦的表面形態(tài)和性能產(chǎn)生影響。此外，燒結(jié)礦中還可能含有微量元素如 Cu、Zn、Mo、V、 Cr、S和 N 等，這些元素也會(huì)對(duì)礦石性能產(chǎn)生影響。
燒結(jié)礦性能預(yù)測(cè)主要使用的技術(shù)包括機(jī)器學(xué)習(xí)、數(shù)值模擬、數(shù)據(jù)挖掘和物理模型等，燒結(jié)礦性能檢測(cè)技術(shù)結(jié)構(gòu)如圖 11 所示。為了提高燒結(jié)礦的產(chǎn)質(zhì)量，可以運(yùn)用各種先進(jìn)技術(shù)對(duì)其性能進(jìn)行預(yù)測(cè)、優(yōu)化和模擬［52］ 。其中，機(jī)器學(xué)習(xí)通過歷史數(shù)據(jù)構(gòu)建模型以預(yù)測(cè)未來燒結(jié)礦的性能；數(shù)據(jù)挖掘算法則能夠從歷史數(shù)據(jù)中提取有用信息；模式識(shí)別可識(shí)別燒結(jié)礦性能變化趨勢(shì)。此外，遺傳算法、數(shù)值模擬、神經(jīng)網(wǎng)絡(luò)技術(shù)和物理模型也可被應(yīng)用于優(yōu)化燒結(jié)礦性能參數(shù)和模擬燒結(jié)礦的性能變化［53］ ?？傊?，這些技術(shù)的應(yīng)用可以顯著提高燒結(jié)礦性能預(yù)測(cè)準(zhǔn)確性，并提高其整體產(chǎn)質(zhì)量水平。
燒結(jié)礦性能檢測(cè)相較于傳統(tǒng)方式具有以下優(yōu)勢(shì)：首先，利用大量歷史數(shù)據(jù)，預(yù)測(cè)更快；其次，能通過多種技術(shù)準(zhǔn)確預(yù)測(cè)燒結(jié)礦性能以及更快速發(fā)現(xiàn)燒結(jié)礦性能的趨勢(shì)變化。因此，智能燒結(jié)礦檢測(cè)的發(fā)展勢(shì)在必行。未來的研究將聚焦于模型優(yōu)化、數(shù)據(jù)挖掘和人工智能技術(shù)的應(yīng)用，以提高預(yù)測(cè)精度和效率［54］ 。
3. 4. 2 燒結(jié)礦成分在線檢測(cè)技術(shù)研究
燒結(jié)礦成分在線檢測(cè)主要使用的技術(shù)包括PGNAA（瞬發(fā) γ 射線中子活化分析）、LIBS（激光誘導(dǎo)擊穿光譜）技術(shù)以及基于 DNN（深度神經(jīng)網(wǎng)絡(luò)）和LSTM（長(zhǎng)短期記憶網(wǎng)絡(luò)）的在線監(jiān)測(cè)等［55］。這些 技術(shù)都可以用來快速、準(zhǔn)確地分析燒結(jié)礦的成分。
柳鋼燒結(jié)廠［56］ 采用了 PGNAA 技術(shù)，經(jīng)過在其360 m2 燒結(jié)機(jī)上應(yīng)用，該系統(tǒng)現(xiàn)已能夠通過在線成分檢測(cè)實(shí)現(xiàn)混合料的化學(xué)成分檢測(cè)和自動(dòng)配料，同時(shí)也成功將燒結(jié)礦堿度 R±0. 08（測(cè)量值的誤差范圍為-0. 08~0. 08）穩(wěn)定率提高 9. 65%，顯著提高了燒結(jié)過程的節(jié)能降本工作，其中包括返礦率降低了 4. 14%，固體燃耗降低了 0. 14%。吉林大學(xué)的韓旭［57］ 提出了一種利用 LIBS 技術(shù)的燒結(jié)礦堿度分析方法，并研制出一套測(cè)控軟件，實(shí)現(xiàn)了燒結(jié)堿度定量分析。同時(shí)，為了提高燒結(jié)礦堿度分析的效率和準(zhǔn)確性，提出了一種將 LIBS 和 RFR（無線電頻率識(shí)別）相結(jié)合的方法。作為一種新型技術(shù)，LIBS 在冶金領(lǐng)域具有廣泛的研究空間及巨大的發(fā)展?jié)摿?。
LIU S 等［58］ 設(shè)計(jì)出一種基于 DNN 和 LSTM 網(wǎng)絡(luò)的集成模型，該模型可以根據(jù)給定的輸入和輸出數(shù)據(jù)來預(yù)測(cè)燒結(jié)礦的化學(xué)成分，其預(yù)測(cè)成分如圖 12 所示（該圖源數(shù)據(jù)來自參考文獻(xiàn)［58］）［58］。試驗(yàn)數(shù)據(jù)驗(yàn)證表明該系統(tǒng)的預(yù)測(cè)精度及穩(wěn)定性較佳，能有效地應(yīng)用于燒結(jié)礦的成分預(yù)測(cè)。有關(guān)燒結(jié)礦成分在線檢測(cè)使用方法及應(yīng)用效果總結(jié)見表 6。
通過采用 PGNAA 和 LIBS 2 套新型技術(shù)可以實(shí)時(shí)檢測(cè)化學(xué)成分、節(jié)省能耗以及優(yōu)化生產(chǎn)工序，從而支持企業(yè)實(shí)現(xiàn)節(jié)能減排、提升生產(chǎn)效率及確保燒結(jié)礦產(chǎn)質(zhì)量。此外，這 2項(xiàng)技術(shù)能為冶金行業(yè)提供快速分析的新方法，具有廣泛的應(yīng)用前景［59］ 。然而，這2 種技術(shù)的不足在于：1）對(duì)于燒結(jié)礦中的微量元素?zé)o法檢測(cè)，這限制了它的應(yīng)用范圍；2）條件受限，無法檢測(cè)出更小的燒結(jié)礦樣品；3）設(shè)備成本較高，需要高精度的儀器，這使得它的應(yīng)用范圍受到限制。未來這 2種技術(shù)將會(huì)不斷改善發(fā)展，進(jìn)一步提高光學(xué)傳感器的性能、增強(qiáng)數(shù)據(jù)處理能力及拓展其業(yè)務(wù)范圍。
相較之下，DNN 和 LSTM 網(wǎng)絡(luò)技術(shù)可以更好地應(yīng)對(duì)這些挑戰(zhàn)，但是 DNN 和 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)非常復(fù)雜，參數(shù)數(shù)量龐大，因此解釋模型的決策過程會(huì)有難度［60］ 。針對(duì)該技術(shù)在實(shí)際應(yīng)用中的困難，建議通過數(shù)據(jù)預(yù)處理和降維、遷移學(xué)習(xí)及分層訓(xùn)練策略等方法，降低模型復(fù)雜度、減少參數(shù)數(shù)量及提高訓(xùn)練效率和精度，以便更好地應(yīng)用于燒結(jié)過程中。
3. 4. 3 燒結(jié)礦性能預(yù)測(cè)與控制
燒結(jié)礦性能預(yù)測(cè)技術(shù)主要用于檢測(cè)燒結(jié)礦的物理特性，比如燒結(jié)礦成品率、強(qiáng)度以及冶金性能等。燒結(jié)礦性能預(yù)測(cè)與控制的主要目標(biāo)是通過對(duì)燒結(jié)過程的模擬預(yù)測(cè)燒結(jié)礦的性能，以及在燒結(jié)過程中采取措施來控制燒結(jié)礦的性能。
LIU S 等［61］ 提出一種運(yùn)用機(jī)器學(xué)習(xí)算法的燒結(jié)質(zhì)量綜合預(yù)測(cè)模型，該模型具有不錯(cuò)的學(xué)習(xí)及泛化能力表現(xiàn)，基于大量歷史實(shí)踐數(shù)據(jù)成功實(shí)現(xiàn)了實(shí)時(shí)和準(zhǔn)確預(yù)測(cè)燒結(jié)礦質(zhì)量指標(biāo)。此模型的開發(fā)對(duì)提高燒結(jié)礦的生產(chǎn)率具有重要意義。UMADEVI T等［62］ 開發(fā)并訓(xùn)練了 1 個(gè)基于神經(jīng)網(wǎng)絡(luò)的模型，通過把燒結(jié)礦強(qiáng)度與 9 個(gè)過程變量進(jìn)行訓(xùn)練，以預(yù)測(cè)燒結(jié)礦的轉(zhuǎn)鼓指數(shù)。試驗(yàn)數(shù)據(jù)表明，該模型預(yù)測(cè)結(jié)果和實(shí)際數(shù)據(jù)非常近似，誤差在 3. 5% 以內(nèi) 。 劉 重慈［63］運(yùn)用人工神經(jīng)網(wǎng)絡(luò)與 FactSage 熱力學(xué)軟件結(jié)合的方法，建立了預(yù)測(cè)燒結(jié)礦成品率、轉(zhuǎn)鼓強(qiáng)度和低溫還原粉化率的模型，其燒結(jié)礦性能預(yù)測(cè)模型框架如圖 13 所示［63］ 。測(cè)試結(jié)果顯示，該模型預(yù)測(cè)的燒結(jié)生成物相量與實(shí)際值非常接近，該研究具有一定的實(shí)用價(jià)值和指導(dǎo)意義。重慶大學(xué)的謝皓［9］ 通過優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建了燒結(jié)性能預(yù)測(cè)模型，其網(wǎng)絡(luò)結(jié)構(gòu)如圖14所示，該模型預(yù)測(cè)燒結(jié)速度、落下和轉(zhuǎn)鼓的命中率高達(dá) 87. 5% 以上。此項(xiàng)研究成果有助于提升燒結(jié)效率和降低制造成本，并為燒結(jié)試驗(yàn)提供有益指引。有關(guān)燒結(jié)礦性能預(yù)測(cè)使用方法及應(yīng)用效果總結(jié)見表 7。
從以上的研究可以看出，燒結(jié)礦性能預(yù)測(cè)模型的準(zhǔn)確度、穩(wěn)定性以及可靠性在不斷提高，且這些技術(shù)能很好地指導(dǎo)實(shí)踐生產(chǎn)，提高生產(chǎn)效益。但是對(duì)于燒結(jié)礦性能預(yù)測(cè)模型的數(shù)據(jù)采集、模型完善程度以及參數(shù)的準(zhǔn)確度還有待提高，而且神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)對(duì)數(shù)據(jù)要求很高。因此，隨著計(jì)算機(jī)技術(shù)的發(fā)展，智能化預(yù)測(cè)、動(dòng)態(tài)監(jiān)測(cè)、虛擬仿真以及精確化預(yù)測(cè)是燒結(jié)礦性能預(yù)測(cè)的發(fā)展趨勢(shì)，通過運(yùn)用大數(shù)據(jù)、人工智能、物聯(lián)網(wǎng)和傳感器等技術(shù)手段來實(shí)現(xiàn)以上 4 大趨勢(shì)［64］ ，進(jìn)而可以更準(zhǔn)確地對(duì)燒結(jié)礦性能進(jìn)行預(yù)測(cè)和控制，來提高燒結(jié)礦產(chǎn)質(zhì)量。同時(shí)，通過合理地使用現(xiàn)有數(shù)據(jù)和技術(shù)，可以推動(dòng)行業(yè)在質(zhì)量可控、資源節(jié)約和環(huán)保可持續(xù)方面做出更大的貢獻(xiàn)。
4 總結(jié)與展望
從對(duì)燒結(jié)過程的智能化控制涉及的 4 大模塊，即智能點(diǎn)火、智能料層狀態(tài)監(jiān)控、智能終點(diǎn)控制以及智能燒結(jié)礦性能檢測(cè)來看，該類技術(shù)在不斷進(jìn)步和發(fā)展。這些模塊的應(yīng)用使燒結(jié)過程更加高效、低能耗和可持續(xù)。通過智能點(diǎn)火技術(shù)提高點(diǎn)火效率和節(jié)能減排；智能料層狀態(tài)監(jiān)控技術(shù)能夠?qū)崟r(shí)監(jiān)測(cè)燒結(jié)過程中料層溫度和燒結(jié)機(jī)漏風(fēng)狀況，并根據(jù)監(jiān)測(cè)結(jié)果進(jìn)行調(diào)整和優(yōu)化，提高了燒結(jié)礦產(chǎn)質(zhì)量；智能終點(diǎn)控制技術(shù)則能夠準(zhǔn)確判斷燒結(jié)過程的結(jié)束時(shí)機(jī)，并及時(shí)做出控制措施，避免過燒或不完全燒結(jié)的情況發(fā)生；智能燒結(jié)礦性能檢測(cè)技術(shù)通過多種算法和模型，對(duì)燒結(jié)礦的成分進(jìn)行監(jiān)測(cè)和性能進(jìn)行預(yù)測(cè)，為工藝優(yōu)化和質(zhì)量改進(jìn)提供了依據(jù)。總地來說，這些智能化控制模塊的應(yīng)用極大地提高了燒結(jié)過程的效率和質(zhì)量，并推動(dòng)了相關(guān)技術(shù)的不斷創(chuàng)新和進(jìn)步。
在“雙碳”背景下，很多鋼鐵企業(yè)響應(yīng)國(guó)家的號(hào)召，取得了顯著的節(jié)能減排成果。未來，中國(guó)為了持續(xù)走綠色化道路，低碳燒結(jié)將繼續(xù)挖掘減碳技術(shù)。目前，鋼鐵行業(yè)的智能化僅限于生產(chǎn)環(huán)節(jié)的智能控制，就如上述所說的通過大數(shù)據(jù)和人工智能技術(shù)來實(shí)現(xiàn)各環(huán)節(jié)的智能化，但未來鋼鐵行業(yè)將趨向于實(shí)現(xiàn)全流程工序信息一體化融合技術(shù)，從承上（配料）啟下（高爐）開始，來實(shí)現(xiàn)原料、煉鐵、煉鋼、熱軋以及冷軋到最終成品的全流程工序信息一體化融合技術(shù)。目前，國(guó)內(nèi)的山鋼集團(tuán)［65］ 對(duì)信息一體化技術(shù)進(jìn)行了初步的嘗試，為以后的研究積累了經(jīng)驗(yàn)。信息一體化技術(shù)只是剛剛開始，未來鋼鐵行業(yè)必將往該方向上發(fā)展，它的實(shí)現(xiàn)還需要更多科研工作者的深入研究。
參考文獻(xiàn)：
［1］ 朱小平 . 燒結(jié)智能控制系統(tǒng)研究與應(yīng)用［J］. 甘肅冶金，2015，37 （1）：101.
［2］ 楊春雨，宋寶宇，楊東曉，等 . 鞍鋼燒結(jié)生產(chǎn)過程綜合智能控制系統(tǒng)［J］. 冶金自動(dòng)化 ，2011，35（6）：1.（YANG C Y，
［3］ 王新東，李建新，劉宏強(qiáng)，等 . 河鋼創(chuàng)新技術(shù)的研發(fā)與實(shí)踐［J］. 河北冶金，2020（2）：12.
［4］ 張智峰，劉小杰，李欣，等 . 大數(shù)據(jù)與工業(yè) 4. 0 時(shí)代下高爐煉鐵流程智能化發(fā)展現(xiàn) 狀與展望［J］. 冶金自動(dòng)化 ，2021，45 （6）：8.
［5］ 向齊良 . 基于燒結(jié)終點(diǎn)預(yù)測(cè)的燒結(jié)過程智能控制系統(tǒng)及應(yīng)用研究［D］. 長(zhǎng)沙 ：中南大學(xué) ，2008.
［6］ 劉文仲 . 中國(guó)鋼鐵工業(yè)互聯(lián)網(wǎng)發(fā)展現(xiàn)狀及思考［J］. 中國(guó)冶金 ，2022，32（11）：1.
［7］ 郄俊懋 . 基于鐵礦燒結(jié)物料調(diào)控的 SO2和 NOx協(xié)同減排規(guī)律研究［D］. 北京：北京科技大學(xué)，2019.
［8］ 張志超 . 降低燒結(jié)固體燃耗的工藝改造與實(shí)踐［J］. 冶金能源 ，2019，38（3）：10.
［9］ 謝皓 . 昆鋼燒結(jié)礦性能預(yù)測(cè)模型研究［D］. 重慶：重慶大學(xué)， 2009.
［10］ 劉俊 . 燒結(jié)過程智能優(yōu)化控制系統(tǒng)研究與開發(fā)［D］. 杭州：浙江大學(xué)，2010.
［11］ 單長(zhǎng)冬，張建良，劉征建，等 . 鐵礦粉燒結(jié)基礎(chǔ)特性之同化性研 究 進(jìn) 展［J］. 中 國(guó) 冶 金 ，2022，32（12）：1.
［12］ 鄧小龍 . 智能化燒結(jié)控制系統(tǒng)研發(fā)與應(yīng)用［D］. 馬鞍山：安徽工業(yè)大學(xué)，2021.
［13］ WANG J，XU C，ZHANG J，et al. Big data analytics for intel? ligent manufacturing systems： A review［J］. Journal of Manu? facturing Systems，2022，62（1）： 738.
［14］ 劉文超，蔡九菊，董輝，等 . 燒結(jié)過程余熱資源高效回收與利用的熱力學(xué)分析［J］. 中國(guó)冶金，2013，23（2）：15.
［15］ TERRY S，LU H， FIDAN I， et al. The influence of smart manufacturing towards energy conservation： A review［J］. Tech? nologies，2020，8（2）： 31.
［16］ YANG C，YANG C J，LI J F， et al. Forecasting of iron ore sintering quality index： A latent variable method with deep inner structure［J］. Computers in Industry，2022，141（10）： 103713.
［17］ 于晗，趙滿坤，潘志成，等 . 燒結(jié)全過程節(jié)能減排智能控制方法分析［J］. 中國(guó)冶金，2020，30（12）：112.
［18］ 呂慶，劉頌，劉小杰，等 . 基于大數(shù)據(jù)技術(shù)的燒結(jié)全產(chǎn)線質(zhì)量智能控制系統(tǒng)［J］. 鋼鐵，2018，53（7）：1.
［19］ AN J，YANG C，WU M，et al. Intelligent control strategy for sintering ignition temperature based on working-condition rec? ognition［J］. IEEE Transactions on Automation Science and Engineering，2023， 20（7）： 1.
［20］ FAN X H，HUANG X X，CHEN X L，et al. Research and development of the intelligent control of ironore sintering pro? cess based on fan frequency conversion［J］. Ironmaking and Steelmaking，2016，43（7）： 488.
［21］ WANG C S，WU M. Hierarchical intelligent control system and its application to the sintering process［J］. IEEE Transac? tions on Industrial Informatics，2011，9（1）： 190.
［22］ LIU S，ZHANG Z，ZHAO J， et al. Research and application of the sintering whole process intelligent manufacturing sys?tem［J］. Ironmaking and Steelmaking，2023，50（8）： 969.
［23］ LAITINEN P J， SAXEN H. A neural network based model of sinter quality and sinter plant performance indices［J］. Iron? making and Steelmaking， 2007， 34（2）： 109.
［24］ MENG Q，LI M，LIU W，et al. Pricing policies of dual channel green supply chain： Considering government subsi? dies and consumers' dual preferences［J］. Sustainable Produc? tion and Consumption，2021，26（4）： 1021.
［25］ 李萬宏 . 燒結(jié)點(diǎn)火溫度控制及料層溫度分布規(guī)律研究［D］. 重慶：重慶大學(xué)，2013.
［26］ 李福東 . 基于點(diǎn)火強(qiáng)度優(yōu)化設(shè)定的燒結(jié)點(diǎn)火燃燒智能控制方法研究［D］. 長(zhǎng)沙 ：中南大學(xué) ，2009.
［27］ 于鳳軍 . 燒結(jié)機(jī)點(diǎn)火控制系統(tǒng)改造相關(guān)問題研究［D］. 沈陽(yáng)： 東北大學(xué) ，2015.
［28］ 張斌 . 應(yīng)用智能控制技術(shù)實(shí)現(xiàn)燒結(jié)機(jī)點(diǎn)火爐的自動(dòng)燃燒控制 ［J］. 礦業(yè)工程，2012，10（1）：58.
［29］ DU S，WU M，CHEN X，et al. An intelligent control strategy for iron ore sintering ignition process based on the prediction of ignition temperature［J］. IEEE Transactions on Industrial Electronics，2019，67（2）： 1233.
［30］ ZHANG C F，HE J，LONG Y H，et al. Intelligent tempera? ture control of ignition furnace in sintering machine［C］//IEEE Conference on Cybernetics and Intelligent Systems. Singa? pore： Institute of Electrical and Electronics Engineers， 2004： 224.
［31］ YING Y Q，LU J G，CHEN J S，et al. PIDNN based intelli? gent control of ignition oven［J］. Advanced Materials Research， 2012，396（11）： 493.
［32］ CHEN X，JIAO W，WU M，et al. EID?estimation?based peri? odic disturbance rejection for sintering ignition process with input time delay［J］. Asian Journal of Control，2018，20（3）： 1274.
［33］ ZENG G Q，XIE X Q，CHEN M R， et al. Adaptive popula? tion extremal optimization-based PID neural network for mul? tivariable nonlinear control systems［J］. Swarm and Evolution? ary Computation，2019，44（2）： 320.
［34］ 范曉慧，彭坤乾，陳許玲，等 . 鐵礦石燒結(jié)料層溫度模擬模型［J］. 礦冶工程 ，2012，32（2）：67.
［35］ 彭坤乾 . 燒結(jié)料層溫度場(chǎng)模擬模型和燒結(jié)礦質(zhì)量?jī)?yōu)化專家系統(tǒng)的研究［D］. 長(zhǎng)沙 ：中南大學(xué) ，2011.
［36］ SUN Y，SONG H，JARA A J， et al. Internet of things and big data analytics for smart and connected communities［J］. IEEE Access，2016，4（1）： 766.
［37］ 張安煜 . 燒結(jié)機(jī)漏風(fēng)控制技術(shù)研究［D］. 青島：青島大學(xué)， 2019.
［38］ CAI J，KONG X，YU M. Mathematical modeling of sintering air leakage through holes［J］. Energies，2022，15（12）： 4224.
［39］ 張余謙 . 燒結(jié)機(jī)燒結(jié)過程數(shù)值模擬及其漏風(fēng)檢測(cè)研究［D］. 沈陽(yáng)：東北大學(xué)，2020.
［40］ CHUNG J， KIM H J. An automobile environment detection system based on deep neural network and its implementation using IoT-enabled in-vehicle air quality sensors［J］. Sustain? ability，2020，12（6）： 2475.
［41］ 李喬 . 首鋼京唐 550 m2 燒結(jié)機(jī)終點(diǎn)智能控制系統(tǒng)的研究與開發(fā)［D］. 沈陽(yáng)：東北大學(xué)，2014.
［42］ 徐荊芳 . 廢氣中的 CO2/CO，壓力降和燒結(jié)終點(diǎn)之間的關(guān)系［J］. 國(guó)外鋼鐵， 1989 （2）： 66.
［43］ 李黎 . 基于數(shù)值模擬的燒結(jié)終點(diǎn)在線控制［D］. 長(zhǎng)沙：中南大學(xué)，2011.
［44］ 楊春雨，楊東曉，李向榮，等 . 燒結(jié)終點(diǎn)判斷與智能控制系統(tǒng) ［J］. 電氣自動(dòng)化，2005，27（6）：8.
［45］ WU M，DUAN P，CAO W，et al. An intelligent control sys? tem based on prediction of the burn-through point for the sin? tering process of an iron and steel plant［J］. Expert Systems with Applications，2012，39（5）： 5971.
［46］ 汪森輝，李海峰，張永杰，等 . 基于改進(jìn)的 AdaBoost. RS 算法的燒結(jié)終點(diǎn)預(yù)報(bào)分析［J］. 中國(guó)冶金 ，2019，29（10）：13.
［47］ DU S，WU M，CHEN L，et al. Prediction model of burn through point with fuzzy time series for iron ore sintering pro? cess［J］. Engineering Applications of Artificial Intelligence， 2021，102（6）： 104259.
［48］ 袁曉紅，趙國(guó)新，趙春娜 . 燒結(jié)系統(tǒng)終點(diǎn)溫度與點(diǎn)火強(qiáng)度最優(yōu)控制算法［J］. 燒結(jié) 球團(tuán) ，2012，37（5）：12.
［49］ 魏玉龍 . 燒結(jié)終點(diǎn)預(yù)測(cè)模型與控制方法研究［D］. 沈陽(yáng)：東北大學(xué)，2015.
［50］ YANG H，KUMARA S，BUKKAPATNAM S T S，et al. The internet of things for smart manufacturing： A review［J］. IISE Transactions，2019，51（11）： 1190.
［51］ HUANG X，ZHAN J，DING W，et al. An error correction prediction model based on three-way decision and ensemble learning［J］. International Journal of Approximate Reasoning， 2022，146（7）： 21.
［52］ WEICHERT D，LINK P，STOLL A，et al. A review of machine learning for the optimization of production processes ［J］. The International Journal of Advanced Manufacturing Technology，2019，104（10）： 1889.
［53］ MAGNIER L，HAGHIGHAT F. Multiobjective optimiza? tion of building design using TRNSYS simulations， genetic algorithm， and artificial neural network［J］. Building and Envi? ronment，2010，45（3）： 739.
［54］ WANG Z，SRINIVASAN R S. A review of artificial intelli? gence based building energy use prediction： Contrasting the capabilities of single and ensemble prediction models［J］. Renew? able and Sustainable Energy Reviews，2017，75（8）： 796.
［55］ 唐艷云，代夢(mèng)博，春鐵軍，等 . 成分在線檢測(cè)技術(shù)進(jìn)展及其在鐵礦燒結(jié)應(yīng)用趨勢(shì)［J］. 燒結(jié)球團(tuán)，2021，46（3）：1.
［56］ 甘牧原，李宗社，劉巍，等 . 在線成分測(cè)控系統(tǒng)在柳鋼燒結(jié)生產(chǎn)的應(yīng)用實(shí)踐［J］. 燒結(jié)球團(tuán)，2018，43（3）：32.
［57］ 韓旭 . 基于 LIBS 的燒結(jié)礦堿度分析技術(shù)開發(fā)［D］. 長(zhǎng)春：吉林大學(xué)，2019.
［58］ LIU S，LIU X，LYU Q，et al. Comprehensive system based on a DNN and LSTM for predicting sinter composition［J］. Applied Soft Computing，2020，95（10）： 106574.
［59］ 劉宇哲 . 基于 PGNAA 技術(shù)的工業(yè)物料成分實(shí)時(shí)在線檢測(cè)系統(tǒng)的高計(jì)數(shù)率探測(cè)器系統(tǒng)研究［D］. 合肥：中國(guó)科學(xué)技術(shù)大學(xué)， 2017.
［60］ ZHA W，LIU Y，WAN Y，et al. Forecasting monthly gas field production based on the CNN-LSTM model［J］. Energy， 2022，260（12）： 124889.
［61］ LIU S，LI Q，LIU X J，et al. Synthetically predicting the qual? ity index of sinter using machine learning model［J］. Ironmak? ing and Steelmaking，2020，47（7）： 828.
［62］ UMADEVI T，NAIK D K，SAH R， et al. Studies on param ? eters affecting sinter strength and prediction through artificial neural network model［J］. Mineral Processing and Extractive Metallurgy，2016，125（1）：32.
［63］ 劉重慈 . 基于人工神經(jīng)網(wǎng)絡(luò)的燒結(jié)礦性能預(yù)測(cè)模型研究 ［D］. 重慶 ：重慶大學(xué) ，2021.
［64］ QU Y J，MING X G，LIU Z W，et al. Smart manufacturing systems： state of the art and future trends［J］. The Interna? tional Journal of Advanced Manufacturing Technology，2019， 103（8）： 3751.
［65］ 宋國(guó)棟，范鹍，周平，等 . 鋼鐵流程工序界面信息一體化融合實(shí)踐［J］. 寬厚板 ，2020，26（4）：19.