See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/272006450

Optimizing the granulometric composition of pellets obtained on a disc

pelletizer

Article  in  Metallurgist · September 2013

DOI: 10.1007/s11015-013-9745-6

CITATIONS READS

3 125

3 authors, including:

Timofeeva Anna Stefanovna

National University of Science and Technology MISIS
39 PUBLICATIONS   13 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

MODERN ARC FURNACES WORK ENERGY REGIMES AT DIFFERENT TYPE ELECTRODES USE STUDY View project

All content following this page was uploaded by Timofeeva Anna Stefanovna on 04 July 2017.

The user has requested enhancement of the downloaded file.

48 Н А У К А • ТЕХНИКА • ПРОИЗВОДСТВО
■■■■

УДК 622.788:519.87

ОПТИМИЗАЦИЯ ГРАНУЛОМЕТРИЧЕСКОГО СОСТАВА ОКАТЫШЕЙ,

ПОЛУЧАЕМЫХ НА ЧАШЕВОМ ОКОМКОВАТЕЛЕ
© Тимофеева Анна Стефановна, канд. техн. наук;
Никитченко Татьяна Владимировна, канд. техн. наук; Рогова Алена Леонидовна
Старооскольский технологический институт НИТУ МИСиС. Россия, Старый Оскол. E-mail: dakatuli@bk.ru
Статья поступила 29.06.2012 г.

Представлено математическое моделирование процесса окомкования железной руды в чашевых окомкователях. В применении к
окомкованию описаны различные методы регрессионного анализа, дана сравнительная характеристика уравнений. Выполнена опти­
мизация полученной целевой функции по выходу сырых окатышей класса (-14+5)мм.
Ключевые слова: окатыши; окомкователь; гранулометрический состав; процесс окомкования; регрессионный анализ; оптимизация;
уравнения; коэффициент детерминации; параметры.

дной из важнейших технологических опе­ дач и проверке полученных результатов экспери­

О раций при производстве железорудных ока­
тышей является процесс грануляции, осущ ест­
вляемый на чашевом окомкователе. Сложность
промышленного оборудования и практическая
невозмож ность проведения экспериментальных
исследований в современных промышленных ус­
ловиях для определения требуемых параметров
технологического процесса требуют разработки
эффективных математических моделей и м ето­
дик определения оптимальных параметров [1-4].
Промышленные испытания в условиях производ­
ства невозможны, так как это связано с потерями
объемов производства и экономически нецелесо­
образно.
Процесс получения окатышей характеризует­
ся многообразием взаимозависимы х факторов,
связанных с конструкцией гранулятора, техно­
логией обслуживания, отсутствием больш инства
количественных зависим остей между различ­
ными параметрами процесса. Выявление таких
зависимостей позволяет описать процесс полу­
чения сырых окатышей, составить уравнение ра­
боты окомкователя, с помощью которого можно
влиять на фракционный состав получаемых ока­
тышей.
В металлургической практике широко при­
меняется математическое моделирование, в том
2 0 13
ментальным путем.
Главная задача производства сырых окатышей
- оптимизация гранулометрического состава. В
качестве исходных данных использовали стати­
стические показатели работы чашевого оком ко­
вателя в течение года. •
Решение задачи оптимизации на основе мате-
матико-статистических методов состояло из сле­
дующих основных этапов:
- формулировка цели исследования и поста­
новка задачи оптимизации;
- определение всей совокупности параметров
оптимизации и входных факторов, действующих
в данной системе;
- выбор входных параметров и эфф ектов их
взаимодействия, оказывающих доминирующее
влияние на протекание процесса;
- построение математической модели и ее
анализ;
- решение задачи оптимизации на основе по­
строенной модели и проверка оптимальности по­
лученных результатов [2].
Главное требование, предъявляемое к параме­
тру оптимизации (выходному параметру), - опре­
деление эффективности объекта исследования.
Удовлетворение этого требования соответствует
корректной постановке задачи. Выбор параметра

числе и для процесса окомкования [1]. О сновная оптимизации предопределяет цель исследования.
•

роль при таком подходе к решению задач отво­ Для оптимизации процесса получения грануломе­
N® 5

дится современным математико-статистическим трического состава сырых окатышей необходимо:

•

методам. П остроение математической модели, - установить степень влияния параметров

МЕТАЛЛУРГ

адекватной изучаемому процессу, дает возм ож ­ работы окомкователя на гранулометрический со­

ность переходить к решению экстремальных за­ став сырых окатышей;

яяш ш
- вывести уравнение работы окомкователя, с
помощью которого можно влиять на ф ракцион­
ный состав получаемых окатышей.
- построить математическую модель получе­
ния окатышей;
- реш ить задачу оптимизации на основе по­
строенной модели и проверить оптимальность
полученных результатов.
Наиболее значимые параметры, влияющие на
процесс окомкования, которые являю тся входны­
ми: влажность концентрата X I, дозировка бенто-
порошка Х2, дозировка флюсоупрочняющей сме­
си ХЗ, нагрузка на чашу Х4, скорость вращения
чаши окомкователя Х5. Угол наклона чашевого
окомкователя принимаем постоянным, так как в
производственных условиях этот параметр не из­
м еняется оперативно.
Гранулометрический состав сырых окатышей
можно определить из уравнения работы оком ­
кователя, для составления которого необходимо
выделить наиболее значимые параметры и уста­
новить степень влияния их на гранулометриче­
ский состав окатышей У.
На основе опубликованных научных дан­
ных по этому вопросу было установлено, что
для построения математической модели могут
быть использованы методы корреляционно-
регрессионного анализа для вы явления такой
функциональной зависим ости У = J[X), которая
наилучшим образом описывает имею щ иеся экс­
периментальны е данные. П риняты следующие
допущения:
- число наблюдений достаточно для прояв­
ления статистических закономерностей относи­
тельно ф акторов и их взаимосвязей;
- обрабатываемые данные содержат некото­
рые ошибки (помехи), обусловленные погреш ­
ностями измерений, воздействием неучтенных
случайных факторов;
- м атрица результатов наблю дений я в л я е т ­
ся единственной и н ф орм ацией об изучаем ом
объекте, им ею щ ейся перед началом и сследова­
ния.
Расчет коэффициентов корреляции был про­
изведен согласно формуле
] Г ( Х , - Х с, Ж . - У ср)
г=
(I*- 1 ) Sx Sy
Определены средние квадратичные отклоне­
ния
Sz. j z Z w -Пр)2
и -1 и -1
Н А У К А • ТЕХНИКА • ПРОИЗВОДСТВО 49
Коэффициент корреляции не может быть ис­
пользован для оценки технологической важ но­
сти ф актора - его величина указывает только на
тесноту связи между переменными, а знак - на
характер влияния. Если г < 0, то увеличение X
вызывает уменьшение У; при г > 0 наблюдается
обратная закономерность. По рассчитанным ко­
эффициентам корреляции можно сделать вывод
о том, что между ф акторами существует зависи­
мость, вид которой необходимо определить с по­
мощью регрессионного анализа.
М етоды регрессионного анализа позволяю т
получить уравнения связей сложного объекта в
виде уравнений регрессии, описывающих стати­
стическую зависим ость между некоторыми слу­
чайными выходными переменными У и другими
случайными входными переменными X.
В нашем случае исходными данными служит
совокупность наблюдений над элементами одно­
го и того же вида по шести признакам одновре­
менно. П ять из них - входные {Х1-Х5} и один вы ­
ходной {У}.
В результате анализа известных научных дан­
ных было выделено несколько методов регресси­
онного анализа, с помощью которых возможно
создание математической модели по имеющимся
экспериментальным данным.
Для метода множ ественной регрессии урав­
нение регрессии для эфф ектов первого порядка
трех непрерывных предикторов P , Q u R будет вы ­
глядеть следующим образом [3]:
Y= b0 + b\P + b2Q + b3R.
Коэффициенты регрессии b представляю т
вклады каждой независимой переменной в зави­
симую переменную. Однако их значения несрав­
нимы, поскольку зависят от единиц и диапазонов
измерения соответствую щ их переменных.
Тогда уравнение множественной регрессии на
основе данных работы чашевого окомкователя
будет иметь вид
У = 51,1072 + 18,3005X1 - 14,1318X2 -
- 38,4249X3 + 0,6388X4 - 20,6302X5. (1)
По регрессионной статистике можно сказать,
что качество модели невелико, так как коэф ф ици­
ент детерминации далек от единицы (R2= 0,62947).
• N*5 • 2013
М ножественный коэффициент корреляции
(.R = 0,793389) характеризует тесноту связи между
зависимой переменной и факторами.
На вероятностном графике (рис. 1) распреде­
МЕТАЛЛУРГ
ления видно, что оно близко к нормальному, но
по краям распределения имею тся выбросы.
50 Н А У К А • Т Е Х Н И К А • ПРОИЗВОДСТВО
Остаток
Рис. 1. Нормальный вероятностный график по методу
множественной регрессии
Ф акторный регрессионный план может быть
также и дробным, при этом эффекты более высо­
кого порядка можно убрать из плана. Например,
дробный факторный регрессионный план второй
степени для трех непрерывных предикторов Р, Q
и R будет содержать главные эффекты и все вто­
рые взаимодействия предикторов[3]
У —bo + b\P +b2Q + bj R + bqJPQ +
+ b$PR + bbQR.
В нашем случае уравнение факторной регрес­
сии будет иметь вид
У= -2 9 6 707 + 26 444X1 + 35 181X2 +
+ 134 280X3 + 356X4 + 13 907X5 -
- 1741X1X2 - 11 600X1X3 - 7049X2X3 +
+ 4X1X4 - 103X2X4 - 216X3X4 -
- 902X1X5 - 1072X2X5 - 2707X3X5 -
- 51X4X5 - 6Х1Х2Х4 + 65X2X3X4 +
+ 9Х2Х4Х5 + 27X3X4X5. (2)
Регрессионная статистика показывает высо­
кое качество модели (R2 = 0,843025) и тесную связь
между зависимой переменной и факторами. На
нормальном вероятностном графике имеем рас­
пределение, очень близкое к нормальному (рис. 2).
Планы полином иальной регрессии содержат
как главные, так и эффекты более высоких по­
рядков непрерывных переменных, но при этом не
включают в себя взаимодействия предикторов [3]
Y = Ьи + ЬХР + Ь2Р2 + b^Q +b4Q2 + b^R + b^R2.
В наших условиях уравнение полиномиальной
регрессии прим ет вид
Y = -1 3 064,9 + 4945,9X1 - 251(Х1)2 +
+ 993,7X2 - 657,2(Х2)2 - 11 751,8X3 +
+ 3500,7(ХЗ)2 + 1,6X4 - 0,004(Х4)2 -
- 519,8X5 + 36,4(Х5)2. (3)
Из регрессионной статистики видно недоста-
| точно высокое качество модели, так как значение
коэффициента детерминации (R2 = 0,748089) да-
I леко от единицы.
■■■■■
Остаток
Рис. 2. Нормальный вероятностный график по методу
факторной регрессии
Остаток
Рис. 3. Нормальный в е р о я т н о с т е й график распределения
при методе полиномиальной регрессии
На нормальном вероятностном графике рас­
пределения видно небольшое отклонение точек от
прямой и выбросы по краям распределения (рис. 3).
План регрессии поверхност и от клика вто­
рого порядка является гибридом плана полино­
миальной регрессии и плана дробной факторной
регрессии
Y= b0 + bxP + b2P2 + b3Q +b4Q2 + bjR +
+ beR2 + b-jPQ + b%PR + bqQR.
Для нашего случая уравнение регрессии по­
верхности отклика
Y = -192042 + 47474X1 - 2223(Х1)2 +
+ 30878X2 +384(Х2)2 - 64694X3 +
+ 17542(ХЗ)2 +7X4 - 0,00679(Х4)2 -
- 66X5 - (Х5)2 - 4795X1X2 + 9383X2X3 -
- Х1Х4 - 0,06X2X4 + ХЗХ4 + 0,02X4X5. (4)
По результатам регрессионной статистики
можно сказать, что данная модель имеет высокое
качество, так как коэф фициент детерминации
(R2 = 0,811795) близок к единице. На нормальном
вероятностном графике имеем распределение,
близкое к нормальному, и незначительные вы ­
бросы по краям распределения (рис. 4).
В результате расчетов по различным методам
регрессионного анализа было получено четыре
 Н А У К А • Т Е Х Н И К А • ПРОИЗВОДСТВО 51

Коэффициенты детерминации полученных

уравнений регрессии
К оэф ф ициент
М одель
детерм инации R2
Множественная регрессия 0,62947
Факторная регрессия 0,843025
Полиномиальная регрессия 0,748089
Регрессия поверхности отклика 0,811795

- дозировка флюсоупрочняющей смеси

Остаток
Рис. 4. Нормальный вероятностный график по методу
регрессии поверхности отклика
уравнения регрессии. Каждое из них может быть
использовано для анализа зависимостей параме­
тров работы окомкователя.
И з таблицы видно, что уравнение, полученное
с помощью метода ф акт орной регрессии, имеет
наиболее высокое значение коэффициента детер­
минации, а следовательно, и самое высокое каче­
ство модели. В связи с этим именно оно приним а­
ется за основу математической модели получения
сырых окатышей.
Сравнительный анализ нормальных вероят­
ностных графиков распределения остатков по­
казывает, что наилучшее распределение получено
для уравнения ф акторной регрессии.
О птимизируемый вариант работы объекта
должен оцениваться какой-то количественной
мерой - критерием оптимальности. Таким крите­
рием является Y - выход сырых окатышей класса
(-1 4 +5) мм, %.
На основе выбранного критерия оптималь­
ности составляется целевая функция, представ­
ляющая собой зависимость критерия оптим аль­
ности от параметров, влияющих на ее значение.
В нашем случае целевой функцией является полу­
ченное ранее уравнение ф акторной регрессии (2).
Введем ограничения на параметры (входные
факторы):
- влаж ность концентрата 9,58 < XI < 10,1%;
- дозировка бентопорош ка 0,51 < Х2 < 0,9%;
1,6 < ХЗ < 1,8%;
- нагрузка на чашу 60 < Х4 < 130 т/ч;
- частота вращ ения чаши 6,0 < Х5 < 7,0 мин-1.
Таким образом, для заданной целевой функ­
ции было найдено оптимальное значение выхода
класса годных (-16+5,0 мм) окатышей Y - 85%,
которому соответствую т следующие значения па­
раметров:
- влажность концентрата X I = 9,96%;
- дозировка бентопорош ка Х2 = 0,65%;
- дозировка флюсоупрочняющей смеси
ХЗ = 1,6%;
- нагрузка на чаш уХ 4 = 130т/ч;
- частота вращ ения чаши окомкователя
Х5 = 6,7 мин-1.
Закл ю ч ен и е. Полученные в результате опти­
мизации значения параметров работы чашевого
окомкователя полностью удовлетворяют тре­
бованиям технологической инструкции и могут
применяться на производстве без реконструкции
чашевого окомкователя.
Б иблиограф ический список
1. Ц ымбал В.П. Математическое моделирование метал­
лургических процессов: Учебное пособие для вузов. М .: Ме­
таллургия, 1986. 240 с.
2. Ефимычев Ю.И., М ихайлов С.К., С вяткин Б.К.,
П рохоров И.И. Регрессионный анализ качества сталей и
сплавов. М .: Металлургия, 1976. 224 с.
3. С оловьев В.П., Б огатов Е.М. Организация экспери­
мента: уч. пособ. Старый Оскол : О О О ТНТ, 2012. 256 с.
4. И саев Е.А., Ч ернецкая И.Е, Крахт Л.Н ., Титов B.C.
Теория управления окомкованием сыпучих материалов. Ста­
рый Оскол : О О О ТНТ, 2004. 384 с.

OPTIMIZATION OF GRAIN SIZE OF PELLETS PRODUCED IN PELLETIZING DISK

2 013

©Timofeeva A.S., Cand. Sc. (Eng.); NikitchenkoT.V., Cand. Sc. (Eng.); Rogova A.L.
•

Mathematic modeling of iron ore pelletizing process with the help of pelletizing disk is presented. With respect to pelletizing
№S

various methods of regression analysis are described and comparative analysis of the equations is provided. Optimization
•

of the obtained objective function with respect to output of green pellets with size of (-14+5) mm in per cent is performed.
МЕТАЛЛУРГ

Keywords: pellets; palletizing disk; grain-size composition; pelletizing process; regression analysis; optimization; equations;
coefficient of determination; parameters.

View publication stats