CN109840309B - 一种铁水脱硫剂用量的计算方法 - Google Patents
一种铁水脱硫剂用量的计算方法 Download PDFInfo
- Publication number
- CN109840309B CN109840309B CN201811295054.XA CN201811295054A CN109840309B CN 109840309 B CN109840309 B CN 109840309B CN 201811295054 A CN201811295054 A CN 201811295054A CN 109840309 B CN109840309 B CN 109840309B
- Authority
- CN
- China
- Prior art keywords
- data
- molten iron
- calculating
- consumption
- heat
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Refinement Of Pig-Iron, Manufacture Of Cast Iron, And Steel Manufacture Other Than In Revolving Furnaces (AREA)
Abstract
本发明涉及一种铁水脱硫剂用量的计算方法,属于钢铁冶金技术领域。技术方案是:建立历史工艺记录的数据库;根据数据库中的数据进行神经元网络模型分析,计算各工艺因素对脱硫剂用量的影响权重;将数据库中所有数据组分别与待预测炉次工艺数据进行比对;数据组与待预测炉次之间的差异,用回归模型差值进行修正;将得到的修正结果进行数据分布分析,去除其中异常数据后求平均数作为脱硫剂用量最终的计算结果。本发明用以动态建立参照炉次为基础的对比计算模型,并采用神经元网络模型及多元回归模型进行参照炉次的选取和差量的计算,具有计算准确度高,结果稳定性好、能有效避免异常数据点的优点。
Description
技术领域
本发明涉及一种铁水脱硫剂用量的计算方法,特别是复合喷吹铁水脱硫预处理过程中钝化镁粉脱硫剂用量的计算,属于钢铁冶金技术领域。
背景技术
转炉铁水进行预脱硫处理是低硫、超低硫高品质钢生产的重要手段,可有效降低成本、扩大品种范围并简化后续炼钢操作。铁水预脱硫的方法主要有搅拌法、喷吹法、喂丝法等,其中喷吹法具有操作灵活、处理铁水量大、费用低、冶金效果好等优点,已成为主流脱硫技术,在国内外得到了广泛的应用。为了准确预测喷吹终点硫含量、降低成本并减少二次喷吹,已有技术建立了相关计算模型来计算铁水脱硫剂用量,主要采用多元回归分析模型及神经元网络模型。但是,铁水脱硫预处理是复杂的非线性过程,因此传统回归模型预测精度较差。
发明内容
本发明的目的是提供一种铁水脱硫剂用量的计算方法,用以动态建立参照炉次为基础的对比计算模型,并采用神经元网络模型及多元回归模型进行参照炉次的选取和差量的计算,具有计算准确度高,结果稳定性好、能有效避免异常数据点的优点,解决已有技术存在的上述问题。
本发明技术方案是:
一种铁水脱硫剂用量的计算方法,包括以下步骤:
(1)建立历史工艺记录的数据库;
(2)根据数据库中的数据进行神经元网络模型分析,计算各工艺因素对脱硫剂用量的影响权重;
(3)将数据库中所有数据组分别与待预测炉次工艺数据进行比对;
(4)数据组与待预测炉次之间的差异,用回归模型差值进行修正;
(5)将得到的修正结果进行数据分布分析,去除其中异常数据后求平均数作为脱硫剂用量最终的计算结果。
所述步骤(1)中的数据库为与当前生产工艺流程相同的正常脱硫生产的历史工艺参数及结果数据。
所述步(2)中的数据为数据库中截至当前的前200组数据。
所述步骤(2)中的神经元网络模型包含输入层、隐含层和输出层三层,隐含层包括七个神经节点。
所述步骤(2)中的神经元网络模型隐藏层激活函数为双曲正切函数。
所述步骤(2)中的神经元网络模型,工艺因素影响权重计算方法为:在网络训练完成后,将工艺数据集P中每一自变量在原值基础上±10%构成新数据集进行计算,两者之间的差值按观测例数求平均数作为该工艺因素的影响权重。
所述步骤(3)中的比对,其方法为各历史炉次与待预测炉次之间的各组工艺数据的差值进行加权求和,选取与待预测炉次工艺数据差值最小的七组数据作为参照炉次;差值的加权求和按照下式计算:
其中Q为各工艺因素差值的加权和;Qs、QM、QT分别为进站硫含量、出站硫含量、铁水重量和进站铁水温度的影响权重;Sa0、Sa、Ma、Ta分别为参考炉次的进站硫含量,%;出站硫含量,%;铁水重量,t;进站铁水温度,℃。Sb0、Sb、Mb、Tb分别为预测炉次的进站硫含量,%;目标硫含量,%;铁水重量,t;进站铁水温度,℃。
其中为m镁粉喷吹量,kg;M为铁水重量,t;S0为进站硫含量,%;S为目标硫含量,%;T为进站铁水温度,℃。
所述步骤(5)中的数据分布分析,其方法为:计算七组数据的平均数及标准差,去除七组数据中偏离平均数达到一倍标准差以上的数据,剩余其余数据求平均数作为输出结果。
本发明采用计算机编程建模自动计算。
受工艺与成本多因素影响,进站铁水初始硫含量、铁水重量等工艺因素波动较大,为了准确预测喷吹结果,应使参考炉次与预测炉次的工艺条件尽可能的接近。本发明采用神经元网络模型动态的计算近期各工艺参数对钝化镁粉脱硫剂使用量的影响权重,根据影响权重对历史炉次与待预测炉次之间各工艺因素的偏差进行加权求和,进而找到最接近待预测炉次工艺条件的数据组,达到动态选取最佳参考炉次的目的。
本发明各参照炉次与待预测炉次之间的差异用两组数据的回归模型差值进行修正,并将各修正结果进行数据分布分析,去除其中异常数据后求平均数作为钝化镁粉脱硫剂用量最终的计算结果,同时保证了计算结果的准确性和稳定性,并排除了异常工艺数据记录对计算结果的影响,大幅提高了计算模型对异常历史数据记录的耐受能力,减轻了数据筛查的工作量。
本发明采用计算机编程建模自动进行计算,具有操作简单,工艺数据自动采集,计算速度快且结果准确的特点。
采用上述技术方案所产生的有益效果在于:
(1)本发明充分利用对比模型、神经元网络模型、回归模型各自的特点和优势,综合性的模型具有计算过程更加接近实际生产状况,计算结果稳定可靠的特点,明显优于传统的多元回归模型与神经元网络模型。
(2)本发明对多组参照炉次分别进行修正计算,计算结果数据组进行方差分析,对偏差过大的数据进行剔除,通过这种方式有效解决了历史数据记录中的异常波动数据组问题,整个计算模型对异常历史数据具有很好的耐受能力。
(3)本发明采用计算机编程建模自动采集工艺数据,自动进行计算,操作简单方便,实用性好。
附图说明
图1为本发明实施例神经元网络模型示意图;
图2为本发明实施例计算模型软件显示界面。
具体实施方式
以下结合附图,通过实施例对本发明做进一步说明。
实施例1:
待处理炉次8Y08362,处理前进行测温、取样、称重等检测。得到预脱硫前铁水条件为,铁水净重115t,温度1340摄氏度,初始硫含量0.033%,目标硫含量0.002%。模型自动采集检测数据信号并进行计算,计算过程见表1。
表1 8Y08362模型检出对照炉次工艺条件及镁粉喷吹量修正结果
通过选取最优参照炉次及对参照炉次进行修正计算后,模型最终计算结果为79.03kg。按照计算结果喷吹后,该炉次出站硫含量为0.002%,与目标硫含量0.002%相同。
实施例2:
待处理炉次8Y08363,处理前进行测温、取样、称重等检测。得到预脱硫前铁水条件为,铁水净重124t,温度1278摄氏度,初始硫含量0.037%,目标硫含量0.001%。模型自动采集检测数据信号并进行计算,计算过程见表2。
表2 8Y08363模型检出对照炉次工艺条件及镁粉喷吹量修正结果
通过选取最优参照炉次及对参照炉次进行修正计算后,模型最终计算结果为93.68kg。按照计算结果喷吹后,该炉次出站硫含量为0.001%,与目标硫含量0.001%相同。
实施例3:
待处理炉次8Y08417,处理前进行测温、取样、称重等检测。得到预脱硫前铁水条件为,铁水净重119t,温度1312摄氏度,初始硫含量0.043%,目标硫含量0.013%。模型自动采集检测数据信号并进行计算,计算过程见表3。
表3 8Y08417模型检出对照炉次工艺条件及镁粉喷吹量修正结果
通过选取最优参照炉次及对参照炉次进行修正计算后,模型通过数据组标准差分析,自动剔除检出数据2后进行计算,模型最终计算结果为44.07kg。按照计算结果喷吹后,该炉次出站硫含量为0.012%,与目标硫含量0.013%的偏差为0.001%。
Claims (9)
1.一种铁水脱硫剂用量的计算方法,其特征在于包括以下步骤:
(1)建立历史工艺记录的数据库;
(2)根据数据库中的数据进行神经元网络模型分析,计算各工艺因素对脱硫剂用量的影响权重;
(3)将数据库中所有数据组分别与待预测炉次工艺数据进行比对;
(4)数据组与待预测炉次之间的差异,用回归模型差值进行修正;
(5)将得到的修正结果进行数据分布分析,去除其中异常数据后求平均数作为脱硫剂用量最终的计算结果。
2.根据权利要求1所述的一种铁水脱硫剂用量的计算方法,其特征在于:所述步骤(1)中的数据库为与当前生产工艺流程相同的正常脱硫生产的历史工艺参数及结果数据。
3.根据权利要求1所述的一种铁水脱硫剂用量的计算方法,其特征在于:所述步(2)中的数据为数据库中截至当前的前200组数据。
4.根据权利要求1所述的一种铁水脱硫剂用量的计算方法,其特征在于:所述步骤(2)中的神经元网络模型包含输入层、隐含层和输出层三层,隐含层包括七个神经节点。
5.根据权利要求1所述的一种铁水脱硫剂用量的计算方法,其特征在于:所述步骤(2)中的神经元网络模型隐藏层激活函数为双曲正切函数。
6.根据权利要求1所述的一种铁水脱硫剂用量的计算方法,其特征在于:所述步骤(2)中的神经元网络模型,工艺因素影响权重计算方法为:在网络训练完成后,将工艺数据集P中每一自变量在原值基础上±10%构成新数据集进行计算,两者之间的差值按观测例数求平均数作为该工艺因素的影响权重。
9.根据权利要求1所述的一种铁水脱硫剂用量的计算方法,其特征在于:所述步骤(5)中的数据分布分析,其方法为:计算七组数据的平均数及标准差,去除七组数据中偏离平均数达到一倍标准差以上的数据,剩余其余数据求平均数作为输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295054.XA CN109840309B (zh) | 2018-11-01 | 2018-11-01 | 一种铁水脱硫剂用量的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295054.XA CN109840309B (zh) | 2018-11-01 | 2018-11-01 | 一种铁水脱硫剂用量的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840309A CN109840309A (zh) | 2019-06-04 |
CN109840309B true CN109840309B (zh) | 2023-01-31 |
Family
ID=66883095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811295054.XA Active CN109840309B (zh) | 2018-11-01 | 2018-11-01 | 一种铁水脱硫剂用量的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840309B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382393B (zh) * | 2020-04-29 | 2024-01-09 | 鞍钢股份有限公司 | 一种铁水预处理脱硫粉剂计算方法 |
CN112522466A (zh) * | 2020-12-01 | 2021-03-19 | 攀钢集团西昌钢钒有限公司 | 一种脱硫最优参数的确定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001142868A (ja) * | 1999-11-12 | 2001-05-25 | Fuji Electric Co Ltd | ニューラルネットワークの出力値の評価装置、評価方法及び記憶媒体 |
CN102163261A (zh) * | 2011-04-08 | 2011-08-24 | 汪红兵 | 一种基于案例推理的钢水温度预测方法 |
CN105069537A (zh) * | 2015-08-25 | 2015-11-18 | 中山大学 | 一种组合式空气质量预报模型的构建方法 |
CN106503413A (zh) * | 2015-08-31 | 2017-03-15 | 上海梅山钢铁股份有限公司 | 一种精确计算铁水脱硫用镁粉量的方法 |
CN107090534A (zh) * | 2016-02-17 | 2017-08-25 | 宝山钢铁股份有限公司 | 用于混铁车喷吹脱硫的粉剂计算方法 |
CN108090317A (zh) * | 2017-09-20 | 2018-05-29 | 北京工业大学 | 一种采用案例推理的二噁英浓度软测量方法 |
-
2018
- 2018-11-01 CN CN201811295054.XA patent/CN109840309B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001142868A (ja) * | 1999-11-12 | 2001-05-25 | Fuji Electric Co Ltd | ニューラルネットワークの出力値の評価装置、評価方法及び記憶媒体 |
CN102163261A (zh) * | 2011-04-08 | 2011-08-24 | 汪红兵 | 一种基于案例推理的钢水温度预测方法 |
CN105069537A (zh) * | 2015-08-25 | 2015-11-18 | 中山大学 | 一种组合式空气质量预报模型的构建方法 |
CN106503413A (zh) * | 2015-08-31 | 2017-03-15 | 上海梅山钢铁股份有限公司 | 一种精确计算铁水脱硫用镁粉量的方法 |
CN107090534A (zh) * | 2016-02-17 | 2017-08-25 | 宝山钢铁股份有限公司 | 用于混铁车喷吹脱硫的粉剂计算方法 |
CN108090317A (zh) * | 2017-09-20 | 2018-05-29 | 北京工业大学 | 一种采用案例推理的二噁英浓度软测量方法 |
Non-Patent Citations (4)
Title |
---|
A LOCAL WEIGHTING METHOD TO THE INTEGRATION OF NEURAL NETWORK AND CASE BASED REASONING;Jae Heon Park 等;《Neural Networks for Signal Processing XI》;20020807;第33-42页 * |
基于案例推理的LF炉钢水终点硫含量控制;周游;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20150515(第5期);第B023-140页 * |
电弧炉钢水终点温度预报研究;刘军;《中国优秀硕士学位论文全文数据库》;20160315(第3期);第B023-94页 * |
镁基脱硫的人工神经网络预测模型;徐阳 等;《炼钢》;20041230;第20卷(第6期);第45-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109840309A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
CN111191822A (zh) | 钢材的参数预测方法及终端设备 | |
CN109840309B (zh) | 一种铁水脱硫剂用量的计算方法 | |
JP7093090B1 (ja) | ディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法 | |
CN110991916A (zh) | 一种铸坯质量判定系统和方法 | |
CN113919206A (zh) | 一种炼钢合金化窄成分控制方法 | |
CN111304406A (zh) | 一种钢包底吹氩控制方法及装置 | |
CN103382514A (zh) | 一种在线预测rh精炼过程中钢水成分的系统及方法 | |
CN101447001B (zh) | 一种预测焦炭硫分的方法 | |
CN113962050A (zh) | 一种结合产耗预测及管网计算的氧气调度计算方法 | |
CN113435114A (zh) | 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法 | |
CN109252009A (zh) | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 | |
CN116469481A (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
Wang et al. | Online monitoring method for multiple operating batch processes based on local collection standardization and multi‐model dynamic PCA | |
CN112680566A (zh) | 一种精炼炉脱碳终点检测方法及检测系统 | |
CN115927770A (zh) | 一种高炉出铁状态实时跟踪方法 | |
CN108199792A (zh) | 一种wcdma基站电磁辐射预测方法 | |
CN115270397A (zh) | 一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法 | |
CN114561509B (zh) | 一种电弧炉终点碳含量预测方法 | |
CN115034370B (zh) | 基于bp网络模型预测高炉炉缸活性的方法 | |
CN113592005B (zh) | 一种转炉出钢参数推荐方法、系统、介质和终端 | |
CN111932291A (zh) | 运用大数据对定额成本的基本参数进行修正的方法及设备 | |
CN115906628A (zh) | 一种基于生产条件动态调整的转炉工序合金添加方法 | |
Saxena | Energy Management and Monitoring Systems | |
CN116631546A (zh) | 多功能铁水包中铁水温度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |