一种转炉后吹碳含量动态预测方法及装置转让专利
申请号 : CN202110444392.0
文献号 : CN113239482B
文献日 : 2022-02-08
发明人 : 袁飞 , 谷茂强 , 徐安军 , 汪红兵
申请人 : 北京科技大学
摘要 :
权利要求 :
1.一种转炉后吹碳含量动态预测方法,其特征在于,包括:以当前转炉生产过程为新案例,历史转炉生产过程为历史案例,根据新案例的主吹阶段工艺参数,基于案例推理算法,检索出历史案例中与所述新案例之间的相似度符合预设要求的相似案例及所述相似案例的后吹阶段工艺参数;
利用所述相似案例的后吹阶段工艺参数,对预设的碳含量预测模型进行训练;其中,所述碳含量预测模型为长短期记忆网络模型,所述碳含量预测模型的输入为上一时刻的后吹阶段工艺参数,输出为下一时刻的碳含量;
将新案例的后吹阶段工艺参数输入训练好的碳含量预测模型,通过训练好的碳含量预测模型实现新案例吹炼后期碳含量的实时动态预测;
所述根据新案例的主吹阶段工艺参数,基于案例推理算法,检索出历史案例中与所述新案例之间的相似度符合预设要求的相似案例,包括:根据新案例的主吹阶段工艺参数,基于案例推理算法,采用欧式距离相似度计算历史案例与所述新案例之间的相似度;将历史案例按照计算出的各自对应的相似度进行降序排列,选择排名靠前的预设数量的历史案例作为相似案例;
所述相似案例的数量为多个,所述碳含量预测模型的数量与相似案例的数量相匹配;
所述对预设的碳含量预测模型进行训练,包括:将相似案例与碳含量预测模型一一对应,分别利用每一相似案例的后吹阶段工艺参数训练相应的碳含量预测模型,得到多个训练好的碳含量预测模型;
所述将新案例的后吹阶段工艺参数逐步输入训练好的碳含量预测模型,通过训练好的碳含量预测模型实现新案例吹炼后期碳含量的实时动态预测,包括:将新案例的后吹阶段工艺参数分别输入每一训练好的碳含量预测模型;
将各碳含量预测模型输出的碳含量进行加权融合,得到吹炼后期的碳含量。
2.如权利要求1所述的转炉后吹碳含量动态预测方法,其特征在于,所述主吹阶段工艺参数包括:入炉铁水成分、入炉铁水温度、入炉铁水重量、废钢种类、废钢重量、转炉副枪探头检测的碳含量和转炉副枪探头检测的温度结果。
3.如权利要求1所述的转炉后吹碳含量动态预测方法,其特征在于,所述后吹阶段工艺参数包括:枪位变化、供氧流量、底吹气体流量和碳含量变化。
4.如权利要求1所述的转炉后吹碳含量动态预测方法,其特征在于,所述将各碳含量预测模型输出的碳含量进行加权融合,包括:将各碳含量预测模型输出的碳含量按照下式进行加权融合:其中,C(k)为新案例的第k个时刻的碳含量变化预测值,Ci(k)为第i个碳含量预测模型的第k个时刻的输出,yi为第i个碳含量预测模型对应的权重,si为第i个相似案例与新案例之间的相似度,n为碳含量预测模型的数量。
5.一种转炉后吹碳含量动态预测装置,其特征在于,包括:相似案例检索模块,用于以当前转炉生产过程为新案例,历史转炉生产过程为历史案例,根据新案例的主吹阶段工艺参数,基于案例推理算法,检索出历史案例中与所述新案例之间的相似度符合预设要求的相似案例及所述相似案例的后吹阶段工艺参数;
模型训练模块,用于利用所述相似案例检索模块检索到的相似案例的后吹阶段工艺参数,对预设的碳含量预测模型进行训练;其中,所述碳含量预测模型为长短期记忆网络模型,所述碳含量预测模型的输入为上一时刻的后吹阶段工艺参数,输出为下一时刻的碳含量;
吹炼后期碳含量实时动态预测模块,用于将新案例的后吹阶段工艺参数输入经所述模型训练模块训练好的碳含量预测模型,通过训练好的碳含量预测模型实现新案例吹炼后期碳含量的实时动态预测;
所述相似案例检索模块具体用于:
根据新案例的主吹阶段工艺参数,基于案例推理算法,采用欧式距离相似度计算历史案例与所述新案例之间的相似度;将历史案例按照计算出的各自对应的相似度进行降序排列,选择排名靠前的预设数量的历史案例作为相似案例;
所述相似案例的数量为多个,所述碳含量预测模型的数量与相似案例的数量相匹配;
所述模型训练模块具体用于:
将相似案例与碳含量预测模型一一对应,分别利用每一相似案例的后吹阶段工艺参数训练相应的碳含量预测模型,得到多个训练好的碳含量预测模型;
所述吹炼后期碳含量实时动态预测模块具体用于:将新案例的后吹阶段工艺参数分别输入每一训练好的碳含量预测模型;
将各碳含量预测模型输出的碳含量进行加权融合,得到吹炼后期的碳含量。
6.如权利要求5所述的转炉后吹碳含量动态预测装置,其特征在于,所述主吹阶段工艺参数包括:入炉铁水成分、入炉铁水温度、入炉铁水重量、废钢种类、废钢重量、转炉副枪探头检测的碳含量和转炉副枪探头检测的温度结果;所述后吹阶段工艺参数包括枪位变化、供氧流量、底吹气体流量和碳含量变化。
7.如权利要求5所述的转炉后吹碳含量动态预测装置,其特征在于,所述将各碳含量预测模型输出的碳含量进行加权融合,包括:将各碳含量预测模型输出的碳含量按照下式进行加权融合:其中,C(k)为新案例的第k个时刻的碳含量变化预测值,Ci(k)为第i个碳含量预测模型的第k个时刻的输出,yi为第i个碳含量预测模型对应的权重,si为第i个相似案例与新案例之间的相似度,n为碳含量预测模型的数量。
说明书 :
一种转炉后吹碳含量动态预测方法及装置
技术领域
背景技术
达到合理的范围内,然而,转炉冶炼过程中熔池温度太高,现有的检测手段无法实现对熔池
内的成分和温度的连续监测,导致目前大多数钢厂的转炉终点控制大多还是依靠人工经
验,控制精度低且不稳定,因此建立精确的转炉终点预测模型对转炉终点控制具有重大意
义。
但由于模型中存在大量假设条件,导致无法真实的反映转炉实际生产过程,所以控制精度
较差。而数据驱动模型是利用历史生产数据进行学习和建模,因此更能有效的反映出转炉
生产过程,目前已经有很多学者对此进行了深入的研究。韩敏等人基于案例推理模型,并通
过组合不同的案例检索和案例重用方法建立了转炉供氧量控制模型。王心哲等人提出了一
种基于因果关系的案例推理CBR模型用于转炉炼钢静态控制。Tae Chang Park等人通过敏
感分析删除无关紧要的输入参数,并以此分别建立人工神经网络ANN模型和最小二乘支持
向量机模型预测转炉终点温度。高闯等人提出了基于改进的孪生支持向量回归机模型来预
测转炉终点。李威等人基于BP神经网络BPNN和改进粒子群优化算法PSO算法建立了转炉终
点预测模型。韩敏等人提出一种基于膜算法改进极限学习机的转炉终点预测模型。严良涛
等人建立了基于遗传算法的核偏最小二乘回归GA‑KPLSR的终点碳含量的预测模型。程进等
人提出一种由数据驱动的多任务学习炼钢终点预测方法。除此之外,还有部分学者利用火
焰光谱和炉口火焰图像建立转炉终点预测模型。
中进行动态调整,因此一次命中率是有限的。
建立了转炉终点碳、温度、磷和锰的预报模型。韩敏等人建立了基于自适应神经模糊系统
ANFIS和相关向量机的转炉炼钢动态控制模型。王心哲等人建立了基于数据驱动的转炉炼
钢终点碳含量实时预测模型。
实现动态推算吹炼后期熔池碳含量。加拿大Dofasco公司采用转炉烟气分析吹炼控制系统
后,已经不再使用副枪,冶炼全部炉次直接出钢,烟气分析系统作业率100%,补吹率小于
1%。林文辉等人提出了基于“极限碳含量拟合+曲线同步更新”算法的改进指数模型预测转
炉吹炼后期碳含量。
的动态预测,而基于炉气分析的控制模型,炉气的检测设备远离熔池反应区,因此炉气数据
存在一定的延迟,导致模型虽然能够实现碳含量的动态预测却无法实现实时预测。
发明内容
预设要求的相似案例及所述相似案例的后吹阶段工艺参数;
的后吹阶段工艺参数,输出为下一时刻的碳含量;
序排列,选择排名靠前的预设数量的历史案例作为相似案例。
案例之间的相似度,n为碳含量预测模型的数量。
案例之间的相似度符合预设要求的相似案例及所述相似案例的后吹阶段工艺参数;
模型,所述碳含量预测模型的输入为上一时刻的后吹阶段工艺参数,输出为下一时刻的碳
含量;
后期碳含量的实时动态预测。
所述后吹阶段工艺参数包括枪位变化、供氧流量、底吹气体流量和碳含量变化。
序排列,选择排名靠前的预设数量的历史案例作为相似案例。
案例之间的相似度,n为碳含量预测模型的数量。
段工艺参数;利用相似案例的后吹阶段工艺参数对基于长短期记忆网络的碳含量预测模型
进行训练;利用训练好的碳含量预测模型实现了对转炉吹炼后期碳含量的实时动态预测,
可为操作人员提高终点命中率提供参考。
附图说明
本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他
的附图。
具体实施方式
型由于炉气数据延迟的问题无法实现实时预测。针对该问题,本实施例提供了一种转炉后
吹碳含量动态预测方法,基于案例推理CBR和长短期记忆网络LSTM建立了转炉吹炼后期的
碳含量实时动态预测模型。
合预设要求的相似案例及相似案例的后吹阶段工艺参数;
吹阶段工艺参数,输出为下一时刻的碳含量;
例特征描述以及案例的解决方案描述,表达式如下:
以需要一定的计算方法来找出与之最相似的案例。
库中案例之间的欧氏距离公式如公式(2)‑(3)所示:
重量、转炉副枪探头TSC检测的碳含量和转炉副枪探头TSC检测的温度结果等信息)在历史
案例库中检索到相似案例对应的后吹阶段时序数据(枪位变化、供氧流量、底吹气体流量和
碳含量变化)。
剩下的部分就是溶池钢液中的碳量。该模型通过连续的积分运算可动态地计算出溶池w(C)
在冶炼全过程中的变化趋势图。根据质谱仪测得的烟气中的CO和CO2的百分含量、以及流量
计测得的烟气流量,利用转炉冶炼过程中的碳平衡,可计算出熔池中的脱碳速度。公式如
下:
训练过程如图3所示,是将上一时刻的枪位、供氧流量、底吹气体流量和碳含量作为输入,下
一时刻的碳含量作为输出。
序排列,选择排名靠前几个历史案例作为相似案例。其中,相似案例的数量为多个,碳含量
预测模型的数量与相似案例的数量相匹配。
含量输入训练好的每个碳含量预测模型,将各碳含量预测模型输出的碳含量进行加权融
合,得到下一时刻的碳含量变化,然后将得到的下一时刻碳含量预测值作为再下一时刻的
输入,以此类推,逐步得到新案例吹炼后期碳含量变化曲线。其中,将各模型输出的碳含量
进行加权融合,公式如下:
案例之间的相似度,n为碳含量预测模型的数量。
1和表2所示:
作。案例推理模型的输入包括:铁水温度、铁水重量、铁水碳含量、铁水硅含量、铁水锰含量、
铁水磷含量、废钢量、石灰加入量、白云石加入量、主吹阶段供氧量、TSC[C]和TSC[T]。
为1,epoch为500,损失函数为mae,优化求解器为Adam。
0.0399,0.0449和0.0470,结合相似度加权,最终得到碳含量预测结果为0.0454,而实际碳
含量值为0.046,由此可得该模型预测误差为0.0006。
进行训练和验证,可得到本实施例所建立的碳含量预测模型的预测误差在[‑0.005,
0.005],[‑0.010,0.010],[‑0.015,0.015]和[‑0.020,0.020]范围内的命中率分别为24%,
46%,69%和88%,与传统的碳积分模型、三次方模型和指数模型相比,在[‑0.02,0.02]范
围内命中率分别提升了16%,12%和4%,证明本实施例的模型能够有效的预测转炉终点碳
含量,为现场操作人员提供指导。
0.010],[‑0.015,0.015]和[‑0.020,0.020]范围内的命中率分别为24%,46%,69%和
88%,高于传统的碳积分模型、三次方模型和指数模型。
案例之间的相似度符合预设要求的相似案例及所述相似案例的后吹阶段工艺参数;
模型,所述碳含量预测模型的输入为上一时刻的后吹阶段工艺参数,输出为下一时刻的碳
含量;
后期碳含量的实时动态预测。
实现的功能与上述第一实施例的转炉后吹碳含量动态预测方法中的各流程步骤一一对应;
故,在此不再赘述。
储有至少一条指令,所述指令由处理器加载并执行上述方法。
可以是ROM、随机存取存储器、CD‑ROM、磁带、软盘和光数据存储设备等。其内存储的指令可
由终端中的处理器加载并执行上述方法。
而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存
储介质上实施的计算机程序产品的形式。
中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些
计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以
产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生
用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的
装置。
括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方
框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处
理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机
实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一
个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端
设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排
除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应
视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明
实施例范围的所有变更和修改。