基于我国双碳双控的政策背景,氢冶金领域中气基直接还原竖炉受到广泛关注.以气基直接还原竖炉作为研究对象,使用集成学习算法和数据离群筛选方法对气基竖炉冶炼过程中的碳排放数据进行收集、存储和分析,并使用C++程序语言搭建碳排放数据平台;采用大数据技术进行碳排放相关参数模型预测和宏观可视化;最后以网页形式进行碳排放分析结果的展示与板块分析.碳排放监测分析系统实现了对气基直接还原竖炉工艺碳排放情况的数据收集、存储、处理,聚类分析、模型预测与智能应用等功能.选取某钢铁厂的气基直接还原竖炉在完整冶炼周期内的实时信息作为系统运行的样本数据,在对其进行筛选、存储、模型预测与可视化呈现后,发现所得结果与实际趋势具有较高吻合度,且可视化结果较为准确和直观,有利于更加精准地对数据进行分析和提取,同时本系统的设计原理也为氢冶金领域进行碳排放含量的监测提供了一种基于物联网技术的解决思路,为日后的工艺改进提供了部分理论数据基础.

现阶段,国内炼铁流程仍以"高炉-转炉"流程为主,且面临着高能耗、高污染及自动化程度不强等问题.随着双碳目标和"十四五"规划等政策的推出,高炉冶炼智能化升级转型得到更加广泛的关注.由于高炉生产涉及的调控参数众多且数据体量庞大,加上数据具有非线性、非高斯和滞后性等特点,使得大数据和人工智能技术在高炉智能化转型过程中拥有较大的发展空间和应用前景.首先从高炉智能预测、智能监测、智能评价和大数据平台4个方面详细阐述了高炉智能化的发展现状,并就各方面作了详细的探讨.其次,针对高炉智能化发展中存在的数据孤岛问题、数据噪声问题、模型鲁棒性问题和黑箱问题,提出了初步的解决办法.最后,结合新一代人工智能技术和钢铁生产技术,从高炉炼铁流程的数据共享、信息物理系统、一体化经营管理系统和移动工厂几个角度进一步展望了智能化转型升级的未来发展.

作为评价烧结矿质量的重要指标之一,转鼓指数的高低直接影响着高炉生产的稳定与否.以某钢铁企业烧结生产数据为基础,提出了基于特征工程与图像识别技术的烧结矿转鼓指数预测方法.首先对挑选出的3类28个影响烧结矿转鼓指数的重要指标完成数据预处理;而后通过SVM-RFE算法以及交叉验证算法筛选出对目标变量影响较大的特征参数;最后用卷积神经网络对经过数据特征转化的二维特征图像进行训练,建立了基于卷积神经网络的烧结矿转鼓指数预测模型.结果表明,在误差范围为±1％的情况下该模型命中率高达93.71％.这种将数据特征转化为图像特征的处理方法有效地提高了预测能力,对未来预测式烧结技术的发展具有很好的借鉴意义.

当前,为积极应对气候变化等一系列问题,世界各国纷纷提出了绿色减排计划.与此同时,中国相应提出了"碳达峰、碳中和"节能减排目标,并以"1+N"等政策体系作为实现可持续发展战略、积极应对气候变化、履行大国义务的核心支持.钢铁工业作为31个制造业门类中碳排放量最大的行业,自然而然成为节能减排战役中的"排头兵".目前,复杂的高炉生产工艺仍然以煤、焦等化石资源作为主要燃料,使得其成为钢铁流程中的碳耗大户、碳排放大户、污染排放大户,因此高炉炼铁工艺的绿色低碳转型升级已迫在眉睫.从背景介绍、发展动态以及未来发展展望这3大部分对低碳绿色炼铁技术进行论述,其中对绿色低碳炼铁技术发展动态部分进行了详细阐述.首先就优化节能低碳操作和构建循环经济环保圈两个层面,从精细炉料操作、提升生产技术等多个角度讨论了如何实现高炉工艺低碳绿色炼铁;其次从非高炉领域入手,对直接还原工艺和熔融还原工艺的国内外发展现状进行阐述,并进行了相应的比较与分类汇总;之后从创新型炼铁工艺(氢冶金、智能化炼铁)角度探讨了此类技术的发展态势.最后,综合当前绿色低碳炼铁技术发展最新动态进行了 5个方面的展望,明确了"绿色低碳为方向,节能减排是目标"的任务方向.

随着工业互联网平台技术的不断提升,高炉炼铁领域的数字化和智能化升级势在必行.为了解决高炉炼铁信息自动化体系在数据采集、存储、分析及应用等方面存在的问题,迫切需要构建高炉炼铁工业互联网平台.论述了工业互联网平台的发展现状,针对高炉炼铁领域的数据分析挖掘需求,搭建高炉炼铁工业互联网平台.阐述了平台整体架构中边缘层、基础设施层、平台层和应用层的结构逻辑,通过工业互联网技术实现数据传输、存储、处理、调度、业务建模、数据交互分析、智能应用等多项功能.探讨了基于平台以解决生产实际痛点为出发点的智能应用的建立过程.高炉炼铁工业互联网平台的建立对炼铁工业的转型升级具有重要的现实意义.

针对高炉炼铁过程中的数据缺失问题,提出以单维结合多维的系统化数据填补模式.总结并阐述数据缺失填补办法的发展现状以及优劣势比较.在此基础上,通过对河北某钢铁厂的实际高炉生产数据进行分类比较,并结合填补办法的优缺点,针对高炉炼铁数据提出一套以简单统计类办法、线性插值法、机器学习法等多种办法相结合的方案,以实现高炉数据的深度整合及处理,满足数据挖掘工作的供数需求.同时选取了炉顶温度、氧气管道温度作为数据样本,利用临近点中间值法、临近点均值法、线性插值法、Adaboost算法等对样本数据进行了填补且填补效果较为理想,充分验证了方案的可行性.

"中国制造2025"与"工业4.0"成功对接,迫使作为强国"梦工厂"的钢铁行业成为实现智慧转型改革的"排头兵",而黑箱化的高炉炼铁作为数据密集型工艺流程,需要大量计量检测、化验数据的支撑.利用工业大数据时代中"人工智能""大数据"等关键技术对生产中的海量数据进行分析处理,挖掘潜在规律,契合解决了传统高炉炼铁流程中日益凸显的数据分析、数据挖掘等问题,对提高生产效率、积极推进现代高炉炼铁工业转型起到了重要的支撑作用.国内众多钢铁企业积极响应"中国制造2025",踊跃探索高炉炼铁智能化,致力打造集工业化、信息化、数据化、智能化于一体的现代化高炉炼铁流程.

为了更好地监测炉缸工作状态的变化,建立了高炉炉缸状态可视化系统,以展示炉缸热电偶温度、热流强度和炉缸活性的历史趋势和实时监控.收集了某高炉相关参数的数据,使用拉依达准则进行粗大异常值的处理并采用线性插值法进行了空缺值的填补,对热电偶温度和热流强度进行了分区域监测和计算并据此分析了炉缸炉底的侵蚀情况,最后将焦炭质量、渣铁成分和操作参数作为输入变量,提出了融合大数据技术的炉缸活性定量模型.大数据技术为钢铁行业的发展提供了新思路,进一步推动了高炉智能化炼铁.

针对高炉炼铁过程中的数据离群问题,首先根据数据的不同特点对数据类型进行划分,选定针对性数据离群筛选办法,利用河北某钢铁企业的数据样本结合数据的实际状况进行分析,采用全局结合局部多层次的改进型箱线图离群筛选办法,对时序类数据进行筛选;采用以差值、目标参数强关联性数据为条件对K-means算法进行优化,对关联性数据的离群值进行筛选;针对周期性统计类数据的分布聚集性特点结合数据实际情况,基于K-means算法采用差异化、多层次数据聚类分析,对其进行离群筛选.结果表明:采用的针对性办法对数据的离群筛选效果较为理想,充分验证了方法的可行性.

高炉透气性指数是高炉监控指标的一项重要参数,及时掌控高炉透气性指数的变化趋势并对其进行准确预测,对辅助操作者保持高炉的稳定顺行十分必要.基于某高炉现场实际生产数据,对原始数据存在异常值、缺失值等问题进行处理.利用Spearman、MIC(最大信息系数)和随机森林特征消除等特征选择方法对标准化后的数据选取特征变量,选用Xgboost模型进行预测.结果表明,Xgboost相较于随机森林和线性回归模型具有较大优势,模型在误差±1.5％范围内的准确率达到94.27％,能够准确预测下一小时透气性指数,及时指导高炉生产,保证高炉稳定顺行.

煤气利用率是影响高炉能量利用的关键参数,对高炉的稳定顺行有重要影响.在进行高炉生产参数时间间隔分析后,利用多种预测模型(自适应增强学习(Adaptive Boosting,AB)、随机森林(Random Forest,RF)、神经网络(Neural Network,NN))完成对煤气利用率的预测.首先,对高炉生产的历史数据进行收集整理;其次,在考虑高炉生产异常状态(如检修休风)下对特征参数完成预处理工作;最后,利用高炉参数间的时滞关系对煤气利用率建立预测模型,通过对预测模型的调参优化及评价,确定适合煤气利用率的预测模型,实现煤气利用率的提前预测,同时利用相同模型参数对原始数据集和预处理数据集进行预测并比较结果.结果表明,数据预处理对于预测结果的影响巨大,随机森林模型对煤气利用率的预测效果更好,可以用来指导高炉的实际生产.

为了更好地检测炉缸工作状态的变化,运用AdaBoost集成算法建立了炉芯温度提前预测模型.通过提前预测炉芯温度,可以捕捉炉缸状态的变化趋势,便于操控者及时调整.收集了承钢4号高炉相关参数的实时数据,以时间为轴进行整合对应,使用拉依达准则进行粗大异常值的检验,线性插值法进行空缺值的填补,再利用相关性系数对输入参数进行冗余剔除,最后运用AdaBoost集成树模型进行预测,发现其预测效果较之单棵决策树模型要更加精准.