CN112036081B - 基于收得率预测的转炉出钢硅锰合金加入量确定方法 - Google Patents

Abstract

本发明涉及钢铁冶金技术领域，提供了一种基于收得率预测的转炉出钢硅锰合金加入量确定方法，包括S1采集转炉多炉次生产数据并进行归一化处理；S2确定模型输入变量；S3确定影响转炉出钢过程合金收得率的因素，作为模型的输入变量；S4建立单调性约束的BP人工神经网络Mn元素收得率预测模型；S5调整模型参数，得到优化预测结果；S6确定转炉出钢硅锰合金的预测加入量。本发明方法采用单调性约束的方式对BP人工神经网络进行改进，使其能够和冶金反应机理结合，用来对转炉冶炼终点Mn元素收得率进行预测，能取得比普通BP人工神经网络更好的预测效果；具有较好的准确度和经济效益，可为现场生产过程合金的加入提供有益指导。

Description

基于收得率预测的转炉出钢硅锰合金加入量确定方法

技术领域

本发明涉及钢铁冶金技术领域，特别涉及一种基于收得率预测的转炉出钢硅锰合金加入量确定方法。

背景技术

近年来，钢铁冶金领域的智能制造技术不断发展，转炉炼钢的控制技术逐渐由人工经验、静态控制发展为依靠模型的智能控制。转炉炼钢过程的出钢合金化操作是整个冶炼的重要一环。在出钢过程中，操作人员需要根据冶炼钢种的工艺要求加入相应的合金，在脱除钢水多余氧的同时，使钢水中硅、锰等合金元素含量达到钢种成分要求。在传统的合金加入方法中，合金加入量由操作人员凭借经验估算，常常出现因估计加入量的偏差较大导致合金的多次补加或浪费。

合金元素的准确加入关键在于准确获得合金元素的收得率，目前，主要有参考炉次法、建立合金元素收得率动态库等方法。其中，参考炉次法是选取和当前炉次生产钢种相同的最近几炉生产数据，并选取一个基准值进行简单的加权平均，难以完整考虑到当前炉次的特点；建立收得率动态库是对所有历史炉次加料情况进行自学习，对某一元素的收得率不断进行修正，实际得到的是收得率的平均值，同样难以获得当前炉次合金收得率的准确值。

而建立收得率预测模型相对以上两种方式，可以充分考虑到不同炉次的特点，获得较为准确的收得率。

目前，智能算法广泛应用于预测领域，可以考虑通过大量已有的历史数据进行训练，建立收得率的预测模型，BP人工神经网络是最常使用的一种，而一般智能算法训练仅仅依赖于历史数据，无法考虑到合金化反应过程的相关冶金机理，泛化效果较差，很难得到预测效果较好的模型。因此，开发一种能够符合冶金机理，很好地预测合金元素收得率的模型，并基于此确定合金的加入量，亟待解决。

发明内容

本发明的目的就是解决现有技术的不足，提供了一种基于收得率预测的转炉出钢硅锰合金加入量确定方法。

本发明采用如下技术方案：

一种基于收得率预测的转炉出钢硅锰合金加入量确定方法，包括如下步骤：

S1、采集转炉冶炼现场多炉次的生产数据，对生产数据进行归一化处理；

S2、确定模型输入变量，根据冶金原理选择备选输入变量，对所述备选输入变量进行相关性分析，得到对Mn元素收得率影响较大的变量作为模型输入变量；

S3、确定不同模型输入变量对Mn元素收得率的影响为正相关或负相关，作为BP人工神经网络的单调性约束条件；

S4、建立单调性约束的BP人工神经网络Mn元素收得率预测模型，将步骤S1得到的归一化处理后的生产数据集分成两组，一组用于对模型的训练，另一组用于检验模型的预测效果；

S5、不断调整模型的参数，得到优化的Mn元素收得率预测结果；

S6、基于所述预测结果确定转炉出钢硅锰合金的预测加入量。

进一步的，步骤S1中，对采集到的生产数据剔除异常数据后进行归一化处理；

所述归一化处理具体为将每组变量根据其最大值/最小值转化为[0,1]的区间，计算公式如式(1)所示：

其中，x_ij为生产数据样本的原始数据；x'_ij为经过归一化处理的数据；i表示第i个样本点；j表示第j个输入变量；min(x_ij)、max(x_ij)分别为原始数据样本中的最小值和最大值。

进一步的，步骤S2中，对所述备选输入变量采用SPSS数据分析软件进行Pearson相关性分析。

进一步的，步骤S2中，所述模型输入变量包括：铁水Mn含量、铁水P含量、终点C含量、终点Mn含量、终点P含量、终点S含量、烧结矿加入量、终点温度。

进一步的，步骤S3中，所述模型输入变量与Mn元素收得率的相关性为：铁水Mn含量负相关，铁水P含量负相关，终点C含量正相关，终点Mn含量负相关，终点P含量负相关，终点S含量正相关。

进一步的，步骤S4中，单调性约束的方法为权值约束法；对于第i个模型输入变量，对应第j个隐含层节点的输入层连接权值为ω_ji，隐含层与输出层的连接权值为ω_1j；若输入变量与Mn元素收得率正相关，使ω_ij·ω_1i>0；若输入变量与Mn元素收得率负相关，则使ω_ji·ω_1i<0。

进一步的，所述权值约束法的实现方式为设置惩罚函数

除BP神经网络本身训练所需的目标函数(均方误差函数)外，将其作为BP神经网络训练第二目标函数；迫使权值向符合冶金机理的方向调整，其中θ为惩罚系数，输入变量与Mn元素收得率正相关时，初始值取-1；输入变量与Mn元素收得率正相关时，初始值取1。μ(θω_ji·ω_1j)为一个分段函数，θω_ij·ω_1i>0时，μ(θω_ij·ω_1i)＝1；θω_ij·ω_1i<0时，μ(θω_ij·ω_1i)＝0。

进一步的，当经过一次训练后不能使模型的误差减小时，惩罚系数θ会按照设定比例减小，再次进行训练，直到能够使训练误差继续减小；如此即时调整约束的强烈程度，使得连接权值的调整在单调约束的作用下，能不断向着使模型误差减小的方向改变。

进一步的，步骤S6中，得到优化的Mn元素收得率预测结果后，硅锰合金的预测加入量按如下公式确定：

M_预测值＝(t×(Mn％_目标含量-Mn％_终点))/(Mn％×Y_预测值) (3)

进一步得出按硅锰合金的预测加入量加料时成品钢中Mn元素的含量，以判断其是否满足钢种的要求；

Mn％_预测值＝(m×M_预测值×Y_实际值)/t+Mn％_终点 (4)

其中，M_预测值为硅锰合金的预测加入量，kg；t为钢水质量，Mn％_目标含量为Mn元素目标含量，％；Mn％_预测值为成品钢中Mn元素含量，％；Mn％_终点为冶炼终点Mn含量，％；Mn％为硅锰合金中Mn元素含量，％；Y_预测值为Mn元素收得率预测值，％；Y_实际值为Mn元素收得率实际值，％。

一种实现上述的基于收得率预测的转炉出钢硅锰合金加入量确定方法的计算机程序、数据处理终端、计算机可读存储介质。

本发明的有益效果为：本发明的基于收得率预测的转炉出硅锰合金添加方法，为了改进单纯算法模型的不足，将冶金机理作为模型的先验知识和算法相结合，通过使用单调性约束的方式来对BP人工神经网络进行优化，建立转炉出钢合金化过程Mn元素收得率预测模型，使模型在训练过程能够处于冶金机理的约束之下，提高了模型的泛化能力，从而提高模型的预测效果。基于收得率的预测值计算合金的加入量，实践表明，这种方式能够满足成品钢Mn元素含量的要求，且硅锰合金的加入量相对于依靠人工经验减少，有较好的经济效益，可以为现场的生产提供参考。

附图说明

图1所示为本发明实施例一种基于收得率预测的转炉出钢硅锰合金加入量确定方法的流程示意图。

图2所示为本发明实施例中Mn元素收得率预测值及实际值对比图。

具体实施方式

下文将结合具体附图详细描述本发明具体实施例。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。

如图1所示，本发明实施例一种基于收得率预测的转炉出钢硅锰合金加入量确定方法，包括如下步骤：

S1、采集转炉冶炼现场多炉次的生产数据，剔除异常数据后对生产数据进行归一化处理，以避免各变量因数量级不同而对模型计算产生不利的影响；

所述归一化处理具体为将每组变量根据其最大值/最小值转化为[0,1]的区间，计算公式如式(1)所示：

S2、确定模型输入变量，根据冶金原理选择备选输入变量，对所述备选输入变量根据转炉出钢合金化过程的基本冶金原理并运用SPSS数据分析软件进行Pearson相关性分析，得到对Mn元素收得率影响较大的变量作为模型输入变量；优选的，所述模型输入变量包括：铁水Mn含量、铁水P含量、终点C含量、终点Mn含量、终点P含量、终点S含量、烧结矿加入量、终点温度；

S3、确定不同模型输入变量对Mn元素收得率的影响为正相关或负相关，作为BP人工神经网络的单调性约束条件；

铁水Mn含量负相关，铁水P含量负相关，终点C含量正相关，终点Mn含量负相关，终点P含量负相关，终点S含量正相关；

S4、建立单调性约束的BP人工神经网络Mn元素收得率预测模型，将步骤S1得到的归一化处理后的生产数据集分成两组，一组用于对模型的训练，另一组用于检验模型的预测效果；

优选的，单调性约束的方法为权值约束法；对于第i个模型输入变量，对应第j个隐含层节点的输入层连接权值为ω_ji，隐含层与输出层的连接权值为ω_1j；若输入变量与Mn元素收得率正相关，使ω_ij·ω_1i>0；若输入变量与Mn元素收得率负相关，则使ω_ji·ω_1i<0；

所述权值约束法的实现方式为设置惩罚函数，表达式为：

除BP神经网络本身训练所需的第一目标函数(均方误差函数)外，将其作为BP神经网络训练的第二目标函数；迫使权值向符合冶金机理的方向调整，其中θ为惩罚系数，输入变量与Mn元素收得率正相关时，初始值取-1；输入变量与Mn元素收得率正相关时，初始值取1。μ(θω_ji·ω_1j)为一个分段函数，θω_ij·ω_1i>0时，μ(θω_ij·ω_1i)＝1；θω_ij·ω_1i<0时，μ(θω_ij·ω_1i)＝0；

当经过一次训练后不能使模型的误差减小时，惩罚系数θ会按照设定比例减小，再次进行训练，直到能够使训练误差继续减小；如此即时调整约束的强烈程度，使得连接权值的调整在单调约束的作用下，能不断向着使模型误差减小的方向改变；

S5、不断调整模型的参数，得到优化的Mn元素收得率预测结果；

S6、基于所述预测结果确定转炉出钢硅锰合金的预测加入量。

得到优化的Mn元素收得率预测结果后，硅锰合金的预测加入量按如下公式确定：

M_预测值＝(t×(Mn％_目标含量-Mn％_终点))/(Mn％×Y_预测值) (3)

进一步得出按硅锰合金的预测加入量加料时成品钢中Mn元素的含量，以判断其是否满足钢种的要求；

Mn％_预测值＝(m×M_预测值×Y_实际值)/t+Mn％_终点 (4)。

实施例1

某炼钢厂生产HRB400系列钢种在出钢过程中需要加入硅锰合金对钢水进行增锰，以满足成品钢Mn元素含量的需求。在实际生产中，硅锰合金加入量都是由操作人员凭借经验估算，常常会导致加入硅锰合金的浪费或多次补加。为解决这一问题，采用本发明方法建立了Mn元素收得率预测模型，基于此计算硅锰合金加入量。

采集了该厂一120t转炉的生产数据，将各项数值落在合理区间之外的炉次剔除，得到483组有效数据。为消除不同变量数量级不同对模型产生不利影响，对数据进行归一化处理，全部映射到[0，1]范围内，公式见式(1)所示：

其中，x_ij为数据样本的原始数据；x'_ij为经过归一化处理的数据；i表示第i个样本点；j表示第j个输入变量；min(x_ij)、max(x_ij)分别为原始数据样本中的最小值和最大值。

根据出钢合金化反应机理与皮尔逊相关性分析，确定了以下8个对Mn元素收得率有较显著影响的工艺参数作为模型的输入变量：

表1模型输入变量及其单位

根据冶金机理，确定了部分输入变量对Mn元素收得率的影响，如表2所示：

表2输入变量对Mn元素收得率的影响

输入变量	对Mn元素收得率的影响	输入变量	对Mn元素收得率的影响
				铁水Mn含量	负相关	铁水P含量	负相关
终点C含量	正相关	终点Mn含量	负相关
				终点P含量	负相关	终点S含量	正相关

将以上相关性作为单调性约束的条件，对BP人工神经网络进行改进，建立转炉出钢合金化过程Mn收得率预测模型。通过权值约束法，将以上约束条件转化为惩罚函数，公式如式(2)所示。

其中，ω_ij为第i项输入数据对应第j个隐含层节点的连接权值；ω_1j为第j个隐含层节点和输出层的连接权值；n为隐含层节点总数；μ(θω_ji·ω_1j)为一个分段函数，θω_ji·ω_1j>0时，μ(θω_ji·ω_1j)＝1，ω_ji·ω_1j<0时，μ(θω_ji·ω_1j)＝0；θ为惩罚系数，当输入变量和Mn元素收得率为正相关时，θ<0；当输入变量和Mn元素收得率为负相关时，θ>0，可以通过调整θ的大小来调整单调性约束对BP人工神经网络的约束强烈程度。本发明θ初始值分别取-1和1。

以钢水终点Mn含量为例，说明单调性约束的效果。终点Mn含量和Mn元素收得率为负相关，此时θ>0。当ω_ji·ω_1j<0时(j＝1,2,3……n)时，可满足Mn元素收得率和终点Mn含量单调递减的条件。若ω_ji·ω_1j<0，满足冶金机理的要求，此时θω_ji·ω_1j<0，μ(θω_ji·ω_1j)＝0，则Y＝0，不需要对ω_ji·ω_1j进行调整，约束函数不起约束作用；若ω_ji·ω_1j>0，不满足机理知识的要求，此时θω_ji·ω_1j>0，μ(θω_ji·ω_1j)＝1，Y≠0，BP神经网络训练时要使目标函数不断减小，惩罚函数Y的存在可以使ωji·ω1j朝着小于0的方向调整，直到ωji·ω1j<0为止，以满足单调性约束的要求，使BP神经网络模型能够符合冶金机理。

采集到的483组数据383组用于模型的训练，100组用于对模型进行测试，以验证其泛化能力。不断调整网络的参数，得到预测效果最好的模型，预测收得率与实际收得率误差的最大值为7％，误差在±5％内的命中率为98％，误差在±3％内的命中率为82％，而无约束BP神经网络相应的命中率分别为92％和74％，准确度低于本发明的预测结果。将本发明训练好的模型用于生产现场对Mn元素收得率进行预测。

利用过程数据库系统实时采集并记录转炉的炉次信息，将得到的数据样本进行归一化处理，归一化处理数据选择范围为[0，1]，然后，利用工业控制计算机将过程数据库系统提供的、归一化处理后的样本数据输入到建立好的、基于单调性约束的BP人工神经网络转炉出钢合金化Mn元素含量预测模型，对现场转炉出钢合金化过程Mn元素收得率进行预测。过程数据库与工业控制计算机相连接，所述过程数据库用于实时采集、记录转炉炼钢过程数据，然后，为工业控制计算机的运行提供数据支撑；工业控制计算机用于实时预测合金化过程Mn元素收得率，表3随机选取了25组利用本发明对Mn元素收得率预测结果与实际值的对比，图像对比如图2所示。

表3 Mn收得率实际值与预测值对比

序号	钢种	Mn元素收得率实测值％	锰元素收得率预测值％
				1	HRB400系列	93.94790325	92.07654998
2	HRB400系列	91.83500872	90.88841359
				3	HRB400系列	93.3112359	92.61356461
4	HRB400系列	95.19918797	93.59238922
				5	HRB400系列	93.53982705	93.0164329
6	HRB400系列	92.22061269	91.37757381
				7	HRB400系列	93.42926676	93.77522683
8	HRB400系列	90.97003629	90.06334559
				9	HRB400系列	96.3256001	93.64335385
10	HRB400系列	90.09471528	93.56001919
				11	HRB400系列	85.1708527	89.59557711
12	HRB400系列	95.29304299	92.5491851
				13	HRB400系列	94.19222478	94.33816723
14	HRB400系列	88.16854292	91.02495893
				15	HRB400系列	93.54260918	90.603833
16	HRB400系列	91.57184517	90.80087321
				17	HRB400系列	92.39874675	91.46346688
18	HRB400系列	91.79533579	92.43451457
				19	HRB400系列	92.08435021	91.61827552
20	HRB400系列	94.07537606	92.69466999
				21	HRB400系列	89.04576125	91.33557175
22	HRB400系列	94.74985233	94.71511458
				23	HRB400系列	93.47482549	93.99025389
24	HRB400系列	90.84366279	90.53828408
				25	HRB400系列	95.15206463	94.08544628

得到收得率的预测值后，在此基础上计算硅锰合金的加入量，计算方法如式(3)所示。

M_预测值＝(t×(Mn％_目标含量-Mn％_终点))/(Mn％×Y_预测值) (3)

并根据生产实际，进一步推导得出按硅锰合金的预测加入量加料时成品钢中Mn元素的含量，以判断其是否满足钢种的要求，计算方法如式(4)所示。

Mn％_预测值＝(m×M_预测值×Y_实际值)/t+Mn％_终点 (4)

其中，M_预测值为硅锰合金的预测加入量，kg；t为钢水质量，Mn％_目标含量为Mn元素目标含量，％；Mn％_预测值为成品钢中Mn元素含量，％；Mn％_终点为冶炼终点Mn含量，％；Mn％为硅锰合金中Mn元素含量，％；Y_预测值为Mn元素收得率预测值，％；Y_实际值为Mn元素收得率实际值，％。其中硅锰合金中Mn元素质量分数为66％。

结果表明，成品钢中Mn元素合格率为100％，能够精准指导实际生产。且在生产中，平均每炉次硅锰合金根据模型预测得到平均每炉次硅锰合金加入量由原先的2120kg降低至2100kg，降低了20kg，而该钢厂每个转炉平均每日生产钢水35炉以上，该厂共有3座转炉，添加硅锰合金的炉次超过80％，按照目前硅锰合金7000元/吨的市场价格计算可得，使用本模型在硅锰合金成本上每年可节省400万元以上，具有良好的经济效益。能够为现场生产提供参考。

本发明采用单调性约束的方式对BP人工神经网络进行改进，使其能够和冶金反应的机理结合，用来对转炉冶炼终点Mn元素收得率进行预测，取得了比普通的BP人工神经网络更好的预测效果。采集转炉炼钢生产过程中的各种数据，确定影响转炉出钢过程合金收得率的因素，作为模型的输入变量，建立了基于单调性约束的BP神经网络转炉合金收得率预测模型，在此基础上计算合金的加入量。通过现场的实际生产数据对该方法进行检验，结果表明本方法有较好的准确度和经济效益，可为现场生产过程合金的加入提供有益指导。

本文虽然已经给出了本发明的几个实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (7)

1.一种基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，所述方法包括如下步骤：

S1、采集转炉冶炼现场多炉次的生产数据，对生产数据进行归一化处理；

S2、确定模型输入变量：根据冶金原理选择备选输入变量，对所述备选输入变量进行相关性分析，得到对Mn元素收得率影响较大的变量作为模型输入变量；

S3、确定不同模型输入变量对Mn元素收得率的影响为正相关或负相关，作为BP人工神经网络的单调性约束条件；

S4、建立单调性约束的BP人工神经网络Mn元素收得率预测模型，将步骤S1得到的归一化处理后的生产数据集分成两组，一组用于对模型的训练，另一组用于检验模型的预测效果；

S5、不断调整模型的参数，得到优化的Mn元素收得率预测结果；

S6、基于所述预测结果确定转炉出钢硅锰合金的预测加入量；

步骤S4中，单调性约束的方法为权值约束法；对于第i个模型输入变量，对应第j个隐含层节点的输入层连接权值为ω_ji，隐含层与输出层的连接权值为ω_1j；若输入变量与Mn元素收得率正相关，使ω_ji·ω_1j>0；若输入变量与Mn元素收得率负相关，则使ω_ji·ω_1j<0；

所述权值约束法的实现方式为设置惩罚函数

除BP神经网络本身训练所需的第一目标函数外，将惩罚函数Φ作为BP神经网络训练的第二目标函数；迫使权值向符合冶金机理的方向调整，其中θ为惩罚系数，输入变量与Mn元素收得率正相关时，初始值取-1；输入变量与Mn元素收得率负相关时，初始值取1；μ(θω_ji·ω_1j)为一个分段函数，θω_ji·ω_1j>0时，μ(θω_ji·ω_1j)＝1；θω_ji·ω_1j<0时，μ(θω_ji·ω_1j)＝0；n为隐含层节点总数。

2.如权利要求1所述的基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，步骤S1中，对采集到的生产数据剔除异常数据后进行归一化处理；

所述归一化处理具体为将每组输入变量根据其最大值/最小值转化为[0,1]的区间，计算公式如下式所示：

其中，x_ij为生产数据样本的原始数据；x′_ij为经过归一化处理的数据；i表示第i个样本点；j表示第j个输入变量；min(x_ij)、max(x_ij)分别为原始数据样本中的最小值和最大值。

3.如权利要求1所述的基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，步骤S2中，对所述备选输入变量采用SPSS数据分析软件进行Pearson相关性分析。

4.如权利要求1所述的基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，步骤S2中，所述模型输入变量包括：铁水Mn含量、铁水P含量、终点C含量、终点Mn含量、终点P含量、终点S含量、烧结矿加入量、终点温度。

5.如权利要求1所述的基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，步骤S3中，所述模型输入变量与Mn元素收得率的相关性为：铁水Mn含量负相关，铁水P含量负相关，终点C含量正相关，终点Mn含量负相关，终点P含量负相关，终点S含量正相关。

6.如权利要求1所述的基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，当经过一次训练后不能使模型的误差减小时，惩罚系数θ按照设定比例减小，再次进行训练，直到能够使训练误差继续减小；如此即时调整约束的强烈程度，使得连接权值的调整在单调约束的作用下，能不断向着使模型误差减小的方向改变。

7.如权利要求1所述的基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，步骤S6中，得到优化的Mn元素收得率预测结果后，硅锰合金的预测加入量按如下公式确定：

M_预测值＝(t×(Mn％_目标含量-Mn％_终点))/(Mn％×Y_预测值)；

进一步得出按硅锰合金的预测加入量加料时成品钢中Mn元素的含量，以判断其是否满足钢种的要求；

Mn％_预测值＝(Mn％×M_预测值×Y_实际值)/t+Mn％_终点；

其中，M_预测值为硅锰合金的预测加入量，kg；t为钢水质量，Mn％_目标含量为Mn元素目标含量，％；Mn％_预测值为成品钢中Mn元素含量，％；Mn％_终点为冶炼终点Mn含量，％；Mn％为硅锰合金中Mn元素含量，％；Y_预测值为Mn元素收得率预测值，％；Y_实际值为Mn元素收得率实际值，％。

Images