Уральский федеральный университет, Екатеринбург, Россия:

П. Ф. Чернавин, доцент кафедры «Аналитика больших данных и методы видеоанализа», канд. экон. наук, эл. почта: chernavin.p.f@gmail.com
А. В. Малыгин, профессор кафедры «Металлургия железа и сплавов», заместитель директора ООО «Феррокс», докт. техн. наук, эл. почта: a.malygin@urfu.ru

ПАО «Северсталь», Череповец, Россия:
Т. В. Деткова, начальник Центра исследования сырья, эл. почта: tvdetkova@severstal.com
В. Ю. Кучин, ведущий эксперт, эл. почта: vyukuchin@severstal.com

Предложен метод комплексного анализа контролируемых параметров технологического процесса и динамики дезинтеграции аглоспека в процессе механической обработки с учетом транспортного запаздывания измеряемых выходных характеристик (выхода мелочи 0–5 мм при разрушении аглоспека в пределах аглофабрики и по конвейерному тракту транспортировки агломерата в доменный цех) от текущего состава шихты и параметров процесса спекания. На основании указанных выходных характеристик была осуществлена оценка выхода годного и прочности агломерата. Для анализа и прогнозирования физико-механических свойств железорудного агломерата использован новый метод построения уравнений регрессии на основе задач линейного программирования с частично бýлевыми переменными. Наиболее существенным недостатком стандартного подхода является сильная зависимость коэффициентов уравнения регрессии от случайных аномальных наблюдений (выбросов), которых в практических задачах может быть достаточно большое количество, и отфильтровать их невозможно. Предлагаемый метод MILP Regression позволяет улучшить качество прогноза за счет автоматического исключения из рассмотрения нетипичных наблюдений. Приведено сравнение метода с другими моделями регрессии. Метод смешанного целочисленного линейного программирования (СЦЛП) был использован при обработке текущей информации о работе агломерационного цеха (АГЦ) № 3. Установлены наиболее значимые параметры, которые влияют на образование общего количества мелочи при разрушении аглоспека: компонентный состав шихты, скорость движения паллет агломашин, давление газа и температура в коллекторах, температура в зажигательных горнах и за горнами, температура в последних вакуумных камерах агломашин. Полученные уравнения регрессии достаточно точно отражают влияние массива исходных данных на выход оборотных продуктов спекания, и их можно использовать для прогнозирования выходных параметров качества агломерата.

В подготовке статьи приняли участие менеджер по исследованию сырья в ПАО «Северсталь» А. А. Елисеев; директор ООО «Феррокс» Ю. А. Малыгин; ассистент кафедры «Аналитика больших данных и методы видеоанализа» Уральского федерального университета Н. П. Чернавин; доцент кафедры «Моделирование управляемых систем», канд. экон. наук Ф. П. Чернавин.

1. Фролов Ю. А. Агломерация. Технология, теплотехника, управление, экология. — М. : Металлургиздат, 2016. — 672 с.
2. Фролов Ю. А., Филатов С. В., Каплун Л. И., Семенов О. А. Влияние компонентного состава и высоты слоя шихты на качество агломерата, расход топлива и производительность агломерационных машин ПАО «НЛМК» // Металлург. 2020. № 4. С. 21–29.
3. Мансурова Н. Р. Влияние генезиса и основности шихты на минералогический состав и металлургические свойства агломерата : автореф. дис. … канд. техн. наук. — М. : Московский государственный институт стали и сплавов, 2007. — 26 с.
4. Нечкин Г. А., Чернавин Д. А., Исаенко Г. Е. Оптимизация доменной шихты по комплексу металлургических свойств // Черная металлургия. Бюллетень научно-технической информации. 2019. Т. 75. № 11. C. 1244–1250.
5. Демидова Н. В. Влияние параметров агломерационного процесса на качество агломерата // Наука и производство Урала. 2016. № 12. C. 2–5.
6. Шаповалов А. Н., Овчинникова Е. В. и др. Повышение качества подготовки агломерационной шихты к спеканию в условиях АО «Уральская сталь» // Металлург. 2015. № 3. С. 30–36.

7. Малыгин А. В., Шумаков Н. С. Динамика разрушения аглоспеков при механической обработке // Известия вузов. Черная металлургия. 1997. № 9. С. 9–12.
8. Johnson N. S., Vulimiri P. S., To A. C., Brice C. A. Invited review: machine learning for materials developments in metals additive manufacturing // Additive Manufacturing. 2020. Vol. 36. P. 1–30.
9. Zhang B., Zi J., Li M. Prediction of sinter yield and strength in iron sintering process by numerical simulation // Applied Thermal Engineering. 2018. Vol. 131. P. 70–79.
10. Webster N., Pownceby M., Ware N., Pattel R. Predicting iron ore sinter strength through partial least square regression (PLSR) analysis of X-ray diffraction patterns // Powder Diffraction. 2017. Vol. 32. P. 66–69.
11. Jian-Liang Zh. Effects of MgO on the sintering liquid, the properties and mineralogical morphology of the high-basity sinter // 7 European Coke and Ironmaking Congress. 2016. P. 122.
12. Kumar V., Sairam D., Kumar S., Singh A. et al. Prediction of iron ore sinter properties using statistical technique // Transaction of the Indian Institute of Metals. 2016. Vol. 70, Iss. 6. P. 1661–1670.
13. Wang Y., Zhang J., Zhang Y., Liu D., Liu Y. Characteristics of combustion zone and evolution of mineral phases along bed height in ore sintering // International Journal of Minerals, Metallurgy and Materials. 2017. Vol. 24. P. 1087–1095.
14. Чернавин П. Ф., Чернавин Ф. П., Чернавин Н. П. Сведение задач регрессии к задачам линейного целочисленного программирования // Анализ, моделирование, управление, развитие социально-экономических систем : сборник научных трудов XIV Всероссийской школы-симпозиума с международным участием. 2020. C. 383–386.