Journals →  Черные металлы →  2022 →  #3 →  Back

Агломерация и производство чугуна
ArticleName Имитационная модель подбора технологических параметров для получения агломерата с высокими потребительскими свойствами на основе метода комитетов
DOI 10.17580/chm.2022.03.02
ArticleAuthor П. Ф. Чернавин, А. В. Малыгин, Т. В. Деткова, В. Ю. Кучин
ArticleAuthorData

Уральский федеральный университет имени первого Президента России Б. Н. Ельцина, Екатеринбург, Россия:

П. Ф. Чернавин, доцент кафедры аналитики больших данных и методов видеоанализа, канд. экон. наук, эл. почта: chernavin.p.f@ gmail.com

 

Уральский федеральный университет имени первого Президента России Б. Н. Ельцина, Екатеринбург, Россия1 ; ООО «Феррокс», Екатеринбург, Россия2:
А. В. Малыгин, профессор кафедры металлургии железа и сплавов1, заместитель директора2, докт. техн. наук, эл. почта: a.malygin@urfu.ru

 

ПАО «Северсталь», Москва, Россия:
Т. В. Деткова, начальник центра исследования сырья, эл. почта: tvdetkova@severstal.com
В. Ю. Кучин, ведущий эксперт (производство агломерата), эл. почта: vyukuchin@severstal.com

Abstract

Для управления качественными характеристиками агломерата предложена имитационная модель, созданная на основе метода комитетов. Приведена обобщенная модель комитетных конструкций в виде задачи линейного программирования с частично целочисленными переменными. Модель апробирована на реальных данных. Определено минимальное число информативных признаков, в пространстве которых возможно построение решающего правила, отделяющего области агломерата с высокими потребительскими характеристиками от областей с удовлетворительными качественными показателями. Высококачественный агломерат должен был одновременно соответствовать задаваемым границам по выходу годного и прочности. В результате расчетов построено решающее правило в виде комитета старшинства из пяти членов в пространстве 43 признаков. Геометрически — это выпуклая область, получаемая из гиперпараллелепипеда при усечении его пятью гиперплоскостями. Данное решающее правило может быть легко запрограммировано простыми средствами и встроено в систему управления качественными характеристиками агломерата. Практическая ценность состоит в снижении выхода структурной мелочи при разрушении агломерационного спека, т. е. в увеличении выхода годного агломерата при удержании технологических параметров в пределах выпуклой области.

В подготовке статьи принимали участие менеджер по исследованию сырья ПАО «Северсталь» А. А. Елисеев, директор ООО «Феррокс» Ю. А. Малыгин, ассистент кафедры аналитики больших данных и методов видеоанализа Н. П. Чернавин, доцент кафедры моделирования управляемых систем Ф. П. Чернавин.

keywords Шихта, параметры спекания, аглоспек, разрушение, выход структурной мелочи, прочность агломерата, метод комитетов, математическое программирование, решающее правило, повышение качества агломерата
References

1. Нечкин Г. А., Чернавин Д. А., Исаенко Г. Е. Оптимизация доменной шихты по комплексу металлургических свойств // Черная металлургия. 2019. Т. 75. № 11. С. 1244–1250.
2. Рябчиков М. Ю., Гребенникова В. В., Рябчикова Е. С. Управление формированием рудной базы металлургического предприятия на основе интеграции моделей доменного процесса и разрушения агломерата // Журнал Сибирского федерального университета. Техника и технологии. 2018. № 11(2). С. 168–180.
3. 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.
4. Шаповалов А. Н. Повышение качества агломерата в условиях АО «Уральская сталь» // Технологии металлургии, машиностроения и материалообработки. 2017. № 16. С. 10–20.

5. 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.
6. 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 (ECIC 2016), Linz, 12–14 Sept., 2016. Proceedings. Leoben. 2016. P. 122.
7. Zhang B., Zi J., Li M. Prediction of sinter yield and strength in iron sintering process by numerical simulation // Applied Thermal Engineering. 2018. Vоl. 131. P. 70–79.
8. 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.
9. Kumar V., Sairam D., Kumar S., Singh A. Prediction of Iron Ore Sinter Properties Using Statistical Technique // Transaction of the Indian Institute of Metals. 2017. Vol. 70(6). P. 6–17.
10. 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.
11. Ершов Е. В., Виноградова Л. Н., Богачев Д. В., Петрухина О. С. Система прогнозирования качества продукции металлургического производства // Известия вузов. Приборостроение. 2015. Т. 58. № 2. С. 123–127.
12. Малыгин А. В., Мальцев В. А., Видуецкий М. Г. Рудоподготовительные процессы в плавильном производстве. — Екатеринбург : ООО АМК «День РА», 2016. — 415 с.
13. Малыгин А. В., Шумаков Н. С. Динамика разрушения аглоспеков при механической обработке // Известия вузов. Черная металлургия. 1997. № 9. С. 9–12.
14. Мазуров В. Д., Полякова Е. Ю. Экзистенциальные вопросы комитетных конструкций. Часть II // Вестник Южно-Уральского государственного университета. Серия «Компьютерные технологии, управление, радиоэлектроника». 2019. Т. 19. № 1. С. 114–120.
15. Чернавин Н. П. Прогнозирование волатильности курса валют методом комитетов // Вестник Челябинского государственного университета. 2019. № 11(433). Экономические науки. Вып. 67. С. 82–94.

Language of full-text russian
Full content Buy
Back