2024冶金科学技术奖简介 | 铁前“成本-质量-能耗”多目标协同智能配矿系统研发与应用

一、研究的背景与问题

2023年世界铁矿产量27.6亿吨，中国消费铁矿石13.94亿吨，其中进口铁矿石11.79亿吨，对外依存度达到85%。为了保障烧结矿质量、降低资源采购风险，我国钢铁企业普遍采用多种类铁矿粉搭配进行烧结生产。铁矿石成本占高炉铁水成本的60%以上，其市场价格又波动频繁，所以如何实现多种类铁矿石的优化搭配是降低企业生产成本、提高企业竞争力的关键。同时，铁矿石配矿结构改变还会导致烧结矿、球团矿质量的变化，进而影响高炉的稳定顺行、燃料消耗以及产量成本。但目前的铁矿石配矿技术主要考虑化学成分和成本，基本打通了“成分流”、“成本流”，而对于从铁矿粉性能到烧结矿、球团矿质量，以及后续高炉冶炼操作的“质量流”量化模型仍未攻克。

二、解决问题的思路与技术方案

项目结合冶金基本原理、人工智能与生产实践，首次提出了制粒团聚特性与烧结高温性能耦合的烧结综合特性指数和球团矿氧化固结过程特征温度指数，构建了铁矿石多维数据库；建立了烧结矿FeO理论计算模型，研发了基于宽度学习的烧结矿/球团矿质量预测模型；基于实际生产配料法的含铁原料性价比评价方法，开发了性价比评价高通量计算方法，实现了基于企业自身工况条件的批量铁矿粉以及球团/块矿快速性价比对比排序；提出了以烧结/球团质量及高炉关键指标作为约束条件、成本与能耗作为目标的协同优化算法，构建了“质量为核心”的智能配矿模型，搭建了铁前多目标智能配矿系统平台。

图1 铁前“成本-质量-能耗”多目标智能配矿系统研发与应用技术路线图

三、主要创新性成果

1.提出了铁矿石造块过程综合成矿特性的评价方法

铁矿石颗粒的烧结基础特性和实际烧结性能之间存在着“准颗粒形成”这样一个限制性环节，决定了铁矿石在以准颗粒作基本结构单元进行同化时的反应能力和液相生成能力。针对烧结过程准颗粒液相生成行为及特征，提出了烧结综合特性指数，选取铁矿石平均粒度d、制粒团聚长大指数δ、形核系数τ、最低同化温度T和液相流动性指数f作为构建评价的基本指标，通过数学方法进行量纲消除后得到“烧结综合特性指数”S用以评价铁矿石的烧结性能。

图2 准颗粒结构单元及烧结综合特性指数

球团矿制备过程涉及磁铁矿的氧化、少量液相的生成及赤铁矿再结晶过程。球团矿氧化固结过程，其内部发生再结晶及孔隙收缩，焙烧过程伴随着体积收缩，因此可以用氧化固结过程质量及体积变化率定量化表征铁矿粉的焙烧过程氧化固结特性。基于球团矿氧化及固结动力学，提出了铁矿粉“综合氧化指数”与“固结特征温度”，实现了不同铁矿粉氧化与固结特征的量化表征，为球团高温性能优化配矿奠定基础。

图3 铁矿粉综合氧化指数与固结指数特征温度

基于前期铁矿石常温与高温性能的大量检测与分析工作，构建了“铁矿石数据库”子系统，对多种类铁矿石的产地、到港日期、铁矿类型、矿种标准名称、高温烧结性能等信息进行录入。此外，基于铁矿石数据积累的庞大数据量，相关的烧结过程质量预测系统将以此为基础搭建。

图4 铁矿石多维度数据库的建立

2.构建了基于宽度学习的烧结矿/球团矿质量预测模型

提出烧结FeO理论计算模型，引入失氧率LRO作为修正系数，大幅降低化学分析、矿耗、配矿成本误差，弥补了传统配料计算不能给出FeO含量的缺陷。FeO理论计算模型大幅降低成分、矿耗及成本计算误差，填补了FeO含量预测的空白。

图5 烧结过程失氧率定义及FeO理论计算模型推导

传统依靠烧结生产大数据建立的传统的烧结矿质量预测模型，在烧结工艺参数发生较大波动条件下，FeO含量、转鼓强度、粒度组成等质量指标预测误差较大，质量预测模型的鲁棒性较差。为了修正FeO预测的差异引起质量预测误差，综合考虑烧结生产大数据多个维度特征，在传统数据驱动的基础上，嵌入机理计算模型层，新增烧结综合特性指数、FeO理论计算结果特征，首次提出融合FeO理论模型的烧结质量预测方法，有效解决了FeO预测准确性差的问题，模型预测准确率达到95%以上。

图6 内嵌机理层的烧结矿质量预测方法

基于深度神经网络算法所构建的烧结矿质量预测模型，模型复杂、无法做增量学习，随着场景数据的积累，模型自学习代价大、系统占用计算资源也逐渐提升。针对此，提出基于宽度学习的质量预测算法，大幅提高模型的自学习效率，以企业3年烧结8000条数据，训练烧结矿FeO预测模型，神经网络耗时约 1596 秒，宽度学习耗时仅需4.9秒（缩短326倍），大幅减少模型自学习负荷。

图7 基于宽度学习的烧结矿质量预测方法

3.提出了面向铁水成本的含铁原料性价比高通量计算方法

炼铁成本除了受到原燃料的价格影响外，还与原燃料性质、工艺参数、操作制度等因素息息相关。因此，探究炉料质量等因素对高炉经济指标影响是含铁原料性价比评价的基础和前提，通过大数据技术提取出原燃料性质、工艺参数、操作制度等因素与铁水成本之间的影响系数，并用于含铁原料性价比评价。

图8 基于大数据的高炉燃耗影响因子分析

依据实际生产工艺流程提出了铁矿石实际生产配料性价比评价方法，该方法以高炉炉渣碱度和镁铝比为约束，以烧结熔剂结构或高炉炉料结构为变量，以吨铁成本作为含铁原料的性价比评价指标，实现全过程的铁矿石性价评估，计算过程综合考量了入炉品位、含铁炉料（烧结矿、球团矿、块矿）质量及碱金属等对高炉能效的影响。

图9 变烧结碱度下的含铁原料工艺评价机理图

为了满足性价比评价过程大批量矿粉的性价性价比测算，基于多线程技术提出了铁矿性价比评价高通量计算方法，搭建了性价比评价高通量计算平台，实现了大批量矿粉性价比高效测算。

图10 性价比评价高通量计算平台

4.研发了铁前“成本-质量-能耗”多目标协同智能配矿系统

构建了“烧结-球团-高炉”全流程多目标优化模型，该模型除了传统成分约束、供应约束及产量约束外，将烧结矿/球团矿质量智能预测模型、多工序质量与能耗指标联动影响模型嵌入铁前优化配矿流程，以铁水成本以及铁水能耗作为最终评价指标，给出最优配料方案。

图11 烧结/球团铁前全流程多目标优化配矿模型计算逻辑

建立了高炉压差预测模型，根据溜槽长度、摩擦系数、转速、料线高度、矿批及焦批大小，确定炉料进入高炉后的堆积方式，得到高炉内的炉料分布，并计算不同粒径下炉料的孔隙度，并运用连续性方程确定煤气流量，进而得到高炉的压差及煤气流分布情况。

图12 高炉压差预测模型

为保障合理的炉渣操作粘度，高炉炉料结构的调整范围受到约束。因此，针对高炉炉渣流动性开展了炉渣粘度预测模型研究，粘度预测模型包含均质液体和固液两相熔体粘度模型，炉渣粘度预测与实验测量结果拟合度达到0.96。

图13 高炉炉渣粘度预测模型

通过PLC数据、传感器、料场数据采集及各工序数据采集，并进一步结合数据标准化和归一化，搭建铁前多目标协同智能配矿系统，同时在移动端搭建程序。

图14 系统架构

四、应用情况与效果

项目成果先后在鞍钢股份有限公司、首钢京唐钢铁联合有限责任公司、吕梁建龙实业有限公司、包钢钢联股份有限责任公司等多家钢铁企业成功应用，实现了铁前“成本-质量-能耗”多目标协同智能优化配矿，促进高炉炼铁生产降本增效、节能减排、高效稳定顺行，创造经济效益7.6亿元，具有显著的经济效益、环保效益及社会效益。