CN111893237B - 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 - Google Patents

Abstract

本发明属于钢铁冶金领域，特别涉及一种转炉炼钢的熔池碳含量及温度全程实时预测方法，包括以下步骤：获取若干历史炉次的原料数据、冶炼过程数据、熔池碳含量和温度信息数据；将得到的数据和原料数据进行拟合，转化为函数型数据，选取响应变量和协变量均为函数型数据模型进行训练，获得函数型熔池温度预测模型和函数型熔池碳含量预测模型，将吹炼实时的数据传入函数型熔池温度预测模型和函数型熔池碳含量预测模型得到预测值。本发明通过函数型数据分析的方法构建了可用于冶炼全过程熔池碳含量和温度实时预测的模型，充分挖掘了原料和冶炼过程数据的内在规律，对实际生产工艺的适应性好、准确性佳，可以取代传统的碳含量及温度预测方法。

Description

一种转炉炼钢的熔池碳含量及温度全程实时预测方法

技术领域

本发明属于钢铁冶金领域，特别涉及一种转炉炼钢的熔池碳含量及温度全程实时预测模型。

背景技术

转炉炼钢是钢铁生产流程中的重要环节之一，其目的是将一定成分和温度的铁水，通过氧枪连续吹氧和加入辅料的方式，冶炼成终点温度和化学成分都满足钢种要求的钢水。因此，提供一种可以在吹炼过程中实时预测熔池碳含量和温度的方法可以实时体现熔池内反应的状况，辅助进行吹氧，加料等操作的智能控制，为“一键式”智能炼钢提供基础，有效的缩短冶炼时间，提高产品质量和产量，降低生产成本。在钢铁行业面临转型升级的新形势下，借助“中国制造2025”的发展契机，以物联网、云计算、大数据等先进技术与智能装备融合应用为特征的智能工厂建设已成为驱动钢铁企业形成创新发展机制、突破增长极限、保障企业持续稳定发展的主要动力，有望实现钢铁生产组织的最优化、流程的最简化和效率的最大化，使传统工厂升级为智能工厂，为实现钢铁行业的智能制造奠定扎实基础。

转炉炼钢生产过程是一个高度复杂的物理化学过程，其具有温度高、多种物理化学变化反应速度快和生产工艺复杂的特点。大型转炉在生产过程中采用副枪系统、投掷式探头等检测手段对炉内状态进行检测，这类检测方式影响了吹炼的连续性，降低了生产效率，且检测装置消耗极大，增加了生产成本。中小型转炉由于炉口尺寸限制不具备安装副枪检测系统的条件，大多处于经验炼钢状态，终点判断的准确性差，生产自动化程度低。

现有的转炉炼钢碳含量和温度预测方法较多依赖于基于反应机理、物料平衡和热力学的静态模型或经验模型，这类模型需要较多的假设条件，没有根据实际生产情况适应调整的能力，预测精度有限。现有基于数据驱动的预测方法主要对冶炼终点单一时刻的碳含量和温度进行预测，难以提供实时动态的吹炼过程数据，使得冶炼过程仍然处于“黑箱”状态，不利于过程智能控制的实现。

函数型数据分析是统计学的一个新兴分支，是一种针对三维数据矩阵的分析方法，它的核心思想是：将数据的时间维度拟合为曲线，以函数的视角来看待数据，而不再是以离散的样本点来进行数据的分析工作。转炉生产过程中的温度、碳含量、烟气成分、吹氧量和原辅料加入量等数据是以每一炉次冶炼过程为观测区间的离散时间序数据，可以将同一炉次的数据视作一个整体进行函数化，函数化后的数据包含了生产过程中不同炉次下不同变量的时变信息，因此可以将三维离散数据矩阵转换为二维函数型矩阵，并在此基础上，通过挖掘二维函数型数据矩阵中潜含时变信息来实现冶炼全程的精确实时预测。

发明内容

为克服现有技术中基于反应机理的预测方法假设条件过多，对实际生产适应性差，预测精度不佳，基于数据驱动的预测方法无法提供全过程的实时预测，反应过程仍处在“黑箱状态”，副枪检测系统应用成本过高的不足，本发明提供了一种转炉炼钢的熔池碳含量及温度全程实时预测模型，实现对冶炼全程碳含量与温度的实时准确预测，输出碳含量和温度的实时变化趋势，指导转炉炼钢生产。

为了解决上述问题，本发明的技术方案是：一种转炉炼钢的熔池碳含量及温度全程实时预测方法，该预测方法具体包括以下步骤：

S1)获取若干历史炉次的冶炼过程、熔池碳含量、熔池温度信息和辅料添加数据，以及原料数据，将得到的所述数据进行预处理；

S2)将S1)得到的所述数据进行拟合，转化为函数型数据，选取响应变量和协变量均为函数型数据的模型，将所述转化为函数型数据对模型进行训练，获得函数型熔池温度预测模型和函数型熔池碳含量预测模型，

S3)将吹炼实时的数据传入函数型熔池温度预测模型和函数型熔池碳含量预测模型，实时计算并输出吹炼开始至当前的熔池温度和熔池碳含量的预测值。

进一步，所述S1)中：所述的原料数据包括：入炉铁水温度、铁水重量、铁水C含量、铁水Si含量、铁水Mn含量、铁水P含量、铁水S含量、废钢加入量、生铁加入量；

所述冶炼过程数据包括：烟气CO累积量、烟气CO₂累积量、累积吹氧量、底吹气体速率轻烧添加量、白云石添加量、小粒添加量、铁碳球添加量、矿石添加量、原石添加量、焦炭添加量、溅渣剂添加量。

进一步，所述S1)中预处理为将数据按照吹炼进程作时间长度归一处理，基于以下公式进行：

式中：t_k为每一炉次第k个采样点时间、T_k为归一化后第k个采样点时间、L为每一炉次吹炼总时间。

进一步，所述预处理中还包括：剔除异常数据，将历史数据中缺失的炉次和存在工艺过程异常的炉次的数据进作为异常数据行剔除。

进一步，所述S1)的具体步骤为：

S1.1)以生产计算机网络监控每一炉次的吹氧和辅料添加数据；在转炉上升烟道插入安装气体取样探头对烟气进行取样和过滤烟气，以红外气体分析仪采集烟气成分数据，数据用x_i表示，i代表变量名称，

其中，辅料添加数据为冶炼中相应辅料各时刻的累计添加量，各冶炼过程数据为x_i＝[x_i1,x_i2,x_i3,…,x_in]，n＝(1,2,3,...,N)，其中，i代表变量名称，n代表时刻；

S1.2)以副枪检测冶炼过程中熔池碳含量和熔池温度数据，获取对应冶炼过程碳含量数据y_C＝[y_C1,y_C2,y_C3,...,y_Cn]及y_T＝[y_T1,y_T2,y_T3,...,y_Tn]，n＝(1,2,3,...,N)，n代表时刻；

S1.3)采集原料数据，将得到上述数据进行预处理。

进一步，所述S2)的具体步骤为：

S2.1)将S1.3)得到数据中的冶炼过程数据x_i、熔池碳含量数据y_C与熔池温度数据y_T用M个基函数

的线性组合，即得到函数型数据x_i(t),y_C(t),y_T(t)；

原料数据作为常函数处理；

S2.2)选取响应变量和协变量均为函数型数据的回归模型为训练模型；

S2.3)选取B样条基函数

将S2.1)的训练模型中的β_j(t)函数化为ΒΦ(t)；

S2.4)将S2.1)获得的函数型熔池温度数据作为训练模型输出，原料数据与冶炼过程数据作为S2.2)训练模型输入，通过最小二乘法获得系数矩阵Β的估计

把

作为B代进ΒΦ(t)，确定训练模型中的β_j(t)，其中j代表变量名称，即得到函数型熔池温度预测模型，

将S1)获得的函数型熔池碳含量数据作为训练模型输出，原料数据与冶炼过程数据作为S2.2)训练模型输入，通过最小二乘法获得系数矩阵Β的估计

把

作为B代进ΒΦ(t)，确定训练模型中的β_j(t)，其中j代表变量名称，即得到函数型熔池碳含量预测模型。

进一步，所述S3)的具体步骤为：

S3.1)吹炼开始，实时获取开始时刻到当前时刻的原料和冶炼过程数据，

S3.2)将已获得的数据按照与步骤2.1)相同的方法拟合为函数型数据，原料数据作为常函数处理。

S3.3)以函数化的各原料数据和冶炼过程数据x_i(t),t∈[0,t_当前]作为输入，以熔池温度预测模型和函数型熔池碳含量预测模型，实时计算并输出吹炼开始时刻至当前的碳含量预测曲线和温度预测曲线y_T预测(t),y_C预测(t)，t∈[0,t_当前]。

一种实现上述的转炉炼钢的熔池碳含量及温度全程实时预测方法的计算机程序。

一种实现上述的转炉炼钢的熔池碳含量及温度全程实时预测方法的信息处理终端。

一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的转炉炼钢的熔池碳含量及温度全程实时预测方法。

函数型数据模型的部分项修改为形如β(t)x^α(t),β(t)x₁(t)x₂(t)的形式。

相比现有技术，本发明的有益效果在于：

1.本发明通过函数型数据分析方法提供冶炼全过程的熔池温度和熔池碳含量的预测，随冶炼进程实时更新给出当前的熔池碳含量和熔池温度的预测值。

2.本发明通过函数型数据分析的方法，克服了现有基于机理进行温度和碳含量预测方法假设条件多，没有根据实际生产情况适应调整的能力，预测精度有限的缺点。克服了现有基于数据驱动的预测方法主要对冶炼终点单一时刻的碳含量和温度进行预测，难以提供实时动态的吹炼过程数据的缺点。

3.本发明通过函数型数据分析方法，将三维离散数据矩阵转换为二维函数型矩阵，并在此基础上充分挖掘了二维函数型数据矩阵中潜含时变信息，且数据源中不仅包括了烟气成分、吹氧量、辅料累计量添加量等曲线型数据，还包括铁水成分、铁水温度和铁水重量等标量型数据，充分考虑了各变量对熔池碳含量和温度的影响，建模更加完善、周全。模型中系数的变化也反应了各变量在冶炼进程中对温度及碳含量的影响程度的变化。

4.本发明提供的预测方法可以通过对熔池温度和碳含量变化的监控，实时反映熔池的渣层状态和冶炼进程，对冶炼过程中的喷溅、反干等异常状态进行提前预警。

5.本发明提供的实时温度和碳含量预测可以辅助进行吹氧和辅料添加等操作的智能控制，提高生产的自动化水平，取消副枪系统和投掷式探头等昂贵的检测手段，有助于实现炼钢智能化，提高生产效率，降低吨钢成本，对提高钢铁生产企业的产品质量和经济效益有很大帮助。

附图说明

图1为本发明一种转炉炼钢的熔池碳含量及温度全程实时预测方法的流程示意图。

图2为熔池碳含量预测模型的各系数函数β(t)曲线示意图。

图3为熔池温度预测模型的各系数函数β(t)曲线示意图。

图4为采用本发明预测方法的温度预测命中率结果图。

图5为采用本发明预测方法的碳含量预测命中率结果图。

具体实施方式

下面通过实施例，并结合对本发明的技术方案做进一步说明。

本发明的目的是对转炉冶炼全过程熔池的碳含量和温度进行实时预测，为冶炼过程提供参考及进行冶炼过程的自动控制，提高冶炼终点的命中率，提高生产效率和产品质量。通过历史数据训练得到模型各变量的系数函数，在冶炼进行过程中，将当前原辅料成分信息和烟气信息函数化，输入模型后即可计算出当前的温度和碳含量预测值，预测结果随输入数据的更新实时产生，实现对冶炼全过程的碳含量和温度的实时预测。

如图1所示，本发明一种转炉炼钢的熔池碳含量及温度全程实时预测方法，该预测方法具体包括以下步骤：

S1)获取若干历史炉次的冶炼过程、熔池碳含量、熔池温度信息和辅料添加数据，以及原料数据，将得到的所述数据进行预处理；

S2)将S1)得到的所述数据进行拟合，转化为函数型数据，选取响应变量和协变量均为函数型数据的模型，将所述转化为函数型数据对模型进行训练，获得函数型熔池温度预测模型和函数型熔池碳含量预测模型，

S3)将吹炼实时的数据传入函数型熔池温度预测模型和函数型熔池碳含量预测模型，实时计算并输出吹炼开始至当前的熔池温度和熔池碳含量的预测值。

所述S1)中预处理为将数据按照吹炼进程作时间长度归一处理，基于以下公式进行：

式中：t_k为每一炉次第k个采样点时间、T_k为归一化后第k个采样点时间、L为每一炉次吹炼总时间。

所述S1)还包括以下步骤：

剔除异常数据，将所获取历史数据中缺失的炉次和存在工艺过程异常的炉次的数据进行剔除。

所述S1)的具体步骤为：

S1.1)以生产计算机网络监控每一炉次的吹氧和辅料添加数据；在转炉上升烟道插入安装气体取样探头对烟气进行取样和过滤烟气，以红外气体分析仪采集烟气成分数据，数据用x_i表示，i代表变量名称，

其中，辅料添加数据为冶炼中相应辅料各时刻的累计添加量，各冶炼过程数据为x_i＝[x_i1，x_i2，x_i3，…，x_in]，n＝(1，2，3，...，N)，其中，i代表变量名称n代表时刻；

x_CO，

x_底吹速率，

炼过程数据：

辅料数据：

，x_轻烧，x_白云石，x_小粒，x_铁碳球，x_矿石，x_原石，x_焦炭，x_溅渣剂，

原料数据：

x_铁水重量，x_铁水温度，x_铁水C，x_铁水Si，x_铁水Mn，x_铁水P，x_铁水S，x_废钢重量，x_生铁重量，

根据建立矩阵X，如下所示：

式中，x_CO,

为烟气中对应气体含量的累积量：

为累积吹氧量，

辅料数据为冶炼中相应辅料各时刻的累计添加量，各冶炼过程数据x_i＝[x_i1,x_i2,x_i3,…,x_in]，n＝(1,2,3,...,N)，其中，i代表变量名称n代表时刻；

S1.2)以副枪检测冶炼过程中熔池碳含量和熔池温度数据，获取对应冶炼过程碳含量数据y_C＝[y_C1,y_C2,y_C3,...,y_Cn]及y_T＝[y_T1,y_T2,y_T3,...,y_Tn]，n＝(1,2,3,...,N)，n代表时刻；

S1.3)采集原料数据，将得到上述数据进行预处理。

所述S2)的具体步骤为：

S2.1)将S1.1)和S1.2)得到的冶炼过程数据x_i、熔池碳含量数据y_C与熔池温度数据y_T用M个基函数

的线性组合，即得到函数型数据x_i(t),y_C(t),y_T(t)；

用公式表示如下：

其中，c为系数向量，表示为c＝[c₁，…，c_N]^T；

原料数据作为常函数处理；

S2.2)选取响应变量和协变量均为函数型数据的回归模型为训练模型；

S2.3)选取B样条基函数

将S2.1)的训练模型中的β_j(t)函数化为ΒΦ(t)；

S2.4)将S2.1)获得的函数型熔池温度数据作为模型输出，原料数据与冶炼过程数据作为S2.2)训练模型输入，通过最小二乘法获得系数矩阵Β的估计

把

作为B代进ΒΦ(t)，确定训练模型中的β_j(t)，其中j代表变量名称，即得到函数型熔池温度预测模型，

将S1)获得的函数型熔池碳含量数据作为模型输出，原料数据与冶炼过程数据作为S2.2)训练模型输入，通过最小二乘法获得系数矩阵Β的估计

把

作为B代进ΒΦ(t)，确定训练模型中的β_j(t)，其中j代表变量名称，即得到函数型熔池碳含量预测模型。

函数型熔池温度预测模型：

y_T(t)＝β_T0(t)+β_{T-铁水重量}(t)x_铁水重量(t)+β_{T-铁水温度}(t)x_铁水温度(t)+β_T-铁水C(t)x_铁水C(t)+β_T-铁水Si(t)x_铁水Si(t)+β_T-铁水Mn(t)x_铁水Mn(t)+β_T-铁水P(t)x_铁水P(t)+β_T-铁水S(t)x_铁水S(t)+β_{T-废钢重量}(t)x_废钢重量(t)+β_{T-生铁重量}(t)x_生铁重量(t)+β_T-CO(t)x_CO(t)+β_T-CO2(t)x_CO2(t)+β_T-O2(t)x_O2(t)+β_{T-底吹速率}(t)x_底吹速率(t)+β_T-轻烧(t)x_轻烧(t)+β_T-白云石(t)x_白云石(t)+β_T-小粒(t)x_小粒(t)+β_T-铁碳球(t)x_铁碳球(t)+β_T-矿石(t)x_矿石(t)+β_T-原石(t)x_原石(t)+β_T-焦炭(t)x_焦炭(t)+β_T-溅渣剂(t)x_溅渣剂函数型熔池碳含量预测模型：

y_C(t)＝β_C0(t)+β_{C-铁水重量}(t)x_铁水重量(t)+β_{C-铁水温度}(t)x_铁水温度(t)+β_C-铁水C(t)x_铁水C(t)+β_C-铁水Si(t)x_铁水Si(t)+β_C-铁水Mn(t)x_铁水Mn(t)+β_C-铁水P(t)x_铁水P(t)+β_C-铁水S(t)x_铁水S(t)+β_{C-废钢重量}(t)x_废钢重量(t)+β_{C-生铁重量}(t)x_生铁重量(t)+β_C-CO(t)x_CO(t)+β_C-CO2(t)x_CO2(t)+β_C-O2(t)x_O2(t)+β_{C-底吹速率}(t)x_底吹速率(t)+β_C-轻烧(t)x_轻烧(t)+β_C-白云石(t)x_白云石(t)+β_C-小粒(t)x_小粒(t)+β_C-铁碳球(t)x_铁碳球(t)+β_C-矿石(t)x_矿石(t)+β_C-原石(t)x_原石(t)+β_C-焦炭(t)x_焦炭(t)+β_C-溅渣剂(t)x_溅渣剂

所述S3)的具体步骤为：

S3.1)吹炼开始，实时获取开始时刻到当前时刻的原料和冶炼过程数据，

S3.2)将已获得的数据按照与步骤2.1)相同的方法拟合为函数型数据，原料数据作为常函数处理。

S3.3)以函数化的各原料数据和冶炼过程数据x_i(t),t∈[0,t_当前]作为输入，以熔池温度预测模型和函数型熔池碳含量预测模型，实时计算并输出吹炼开始时刻至当前的碳含量预测曲线和温度预测曲线y_T预测(t),y_C预测(t)，t∈[0,t_当前]。

一种实现上述的转炉炼钢的熔池碳含量及温度全程实时预测方法的计算机程序。

一种实现上述的转炉炼钢的熔池碳含量及温度全程实时预测方法的信息处理终端。

一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的转炉炼钢的熔池碳含量及温度全程实时预测方法。

函数型数据模型的部分项修改为形如β(t)x^α(t),β(t)x₁(t)x₂(t)的形式。

实施例：

首先：以生产计算机网络监控吹氧和加料信息，以烟气取样装置和红外气体分析仪对烟气成分信息进行分析，以副枪进行熔池碳含量和温度信息的检测。

其次：获取若干历史炉次的原料数据和冶炼过程数据，获取入炉、TSC检测、TSO检测三个时刻的温度和碳元素含量数据，获取历史数据后取消副枪检测装置。

然后：将得到的数据进行拟合，转化为函数型数据，选取响应变量和协变量均为函数型数据模型形式，使用历史炉次数据对模型进行训练，获得各个回归系数函数，并将该模型载入计算机。

最后，使用模型进行全程预测，将吹炼实时的数据传入模型，计算机将当前数据拟合为函数型数据作为模型输入，实时计算并输出吹炼开始至当前的碳含量和温度预测值。

技术效果：

以某钢厂260t转炉的历史生产数据对本方法进行测试，其中碳含量预测模型的各系数函数β(t)曲线，如图2所示，温度预测模型的各系数函数β(t)曲线，如图3所示，最终，温度预报模型在终点处的命中率(±15℃)为81.3％，碳含量预测模型在终点处命中率(±0.02％)为97.3％，实现了较佳的预测准确度，参见图4和图5。

以上对本申请实施例所提供的一种转炉炼钢的熔池碳含量及温度全程实时预测方法，进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语，故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求书的保护范围内。

Claims (8)

1.一种转炉炼钢的熔池碳含量及温度全程实时预测方法，其特征在于，该预测方法具体包括以下步骤：

S1）获取若干历史炉次的冶炼过程、熔池碳含量、熔池温度信息和辅料添加数据，以及原料数据，将得到的所述数据进行预处理；

S2）将S1）得到的所述数据进行拟合，转化为函数型数据，选取响应变量和协变量均为函数型数据的模型，将所述转化为函数型数据对模型进行训练，获得函数型熔池温度预测模型和函数型熔池碳含量预测模型，

具体步骤为：

S2.1）将经S1.3)预处理后的数据中的冶炼过程数据x _i 、熔池碳含量数据y _c 与熔池温度数据y _T 用M个基函数

的线性组合，即得到函数型数据x _i （t）, y _c （t）, y _T （t）；

原料数据作为常函数处理；

S2.2）选取响应变量和协变量均为函数型数据的回归模型为训练模型；

S2.3）选取B样条基函数

将S2.1）的训练模型中的β _i （t）

函数化为

；

S2.4）将S2.1）获得的函数型熔池温度数据作为训练模型输出，原料数据与冶炼过程数据作为S2.2）训练模型输入，通过最小二乘法获得系数矩阵B的估计

，把

作为B代进

，确定训练模型中的

，其中j代表变量名称，即得到函数型熔池温度预测模型，

将S1）获得的函数型熔池碳含量数据作为训练模型输出，原料数据与冶炼过程数据作为S2.2）训练模型输入，通过最小二乘法获得系数矩阵B的估计

，把

作为B代进

，确定训练模型中的β _i （t），其中j代表变量名称，即得到函数型熔池碳含量预测模型；

S3）将吹炼实时的数据传入函数型熔池温度预测模型和函数型熔池碳含量预测模型，实时计算并输出吹炼开始至当前的熔池温度和熔池碳含量的预测值。

2.根据权利要求1所述的预测方法，其特征在于，所述S1）中：原料数据包括：入炉铁水温度、铁水重量、铁水C含量、铁水Si含量、铁水Mn含量、铁水P含量、铁水S含量、废钢加入量、生铁加入量；

所述冶炼过程数据包括：烟气CO累积量、烟气CO₂累积量、累积吹氧量、底吹气体速率轻烧添加量、白云石添加量、小粒添加量、铁碳球添加量、矿石添加量、原石添加量、焦炭添加量、溅渣剂添加量。

3.根据权利要求2所述的预测方法，其特征在于，所述S1）中预处理为将数据按照吹炼进程作时间长度归一处理，基于以下公式进行：

，

式中：t _k 为每一炉次第k个采样点时间、T _k 为归一化后第k个采样点时间、L为每一炉次吹炼总时间。

4.根据权利要求3所述的预测方法，其特征在于，所述预处理中还包括：剔除异常数据，将历史数据中缺失的炉次和存在工艺过程异常的炉次的数据作为异常数据行剔除。

5.根据权利要求4所述的方法，其特征在于，所述S1）的具体步骤为：

S1.1）以生产计算机网络监控每一炉次的吹氧和辅料添加数据；在转炉上升烟道插入安装气体取样探头对烟气进行取样和过滤烟气，以红外气体分析仪采集烟气成分数据，数据用x _i 表示，i代表变量名称，

其中，辅料添加数据为冶炼中相应辅料各时刻的累计添加量，各冶炼过程数据为

x _i =[ x _i1 , x _i2 , x _i3 ,…, x _in ]，n=(1,2,3,…，N)，其中，i代表变量名称，n代表时刻；

S1.2）以副枪检测冶炼过程中熔池碳含量和熔池温度数据，获取对应冶炼过程碳含量数据y _c =[y _c1 , y _c2 ,y _c3 ,…_， y _cn ]及y _T =[y _T1 ,y _T2 ,y _T3 ,…，y _Tn ]，n=(1,2,3,…，N)，n代表时刻；

S1.3）采集原料数据，将得到上述数据进行预处理。

6.根据权利要求5所述的方法，其特征在于，所述S3）的具体步骤为：

S3.1）：吹炼开始，实时获取开始时刻到当前时刻的原料和冶炼过程数据；

S3.2）：将已获得的数据按照与步骤2.1）相同的方法拟合为函数型数据，原料数据作为常函数处理；

S3.3）：以函数化的各原料数据和冶炼过程数据x _i (t),t∈[0,t _当值 ]作为输入，以池温度预测模型和函数型碳含量预测模型，实时计算并输出吹炼开始时刻至当前的碳含量预测曲线和温度预测曲线y _T预测 （t），y _c预测 （t），[0,t _当值 ]。

7.一种实现如权利要求1-6任一项所述的转炉炼钢的熔池碳含量及温度全程实时预测方法的信息处理终端。

8.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-6任意一项所述的转炉炼钢的熔池碳含量及温度全程实时预测方法。

Images