CN113255204A

CN113255204A - 一种利用大数据计算统计炼钢钢铁料消耗的方法

Info

Publication number: CN113255204A
Application number: CN202011387206.6A
Authority: CN
Inventors: 郭振宇; 喻林; 何俊峰
Original assignee: Pangang Group Xichang Steel and Vanadium Co Ltd
Current assignee: Pangang Group Xichang Steel and Vanadium Co Ltd
Priority date: 2020-12-01
Filing date: 2020-12-01
Publication date: 2021-08-13

Abstract

本发明提供了一种利用大数据计算统计炼钢钢铁料消耗的方法，包括以下步骤：A)将炼钢过程中影响物料消耗的历史数据上传阿里云数据库；B)利用关键因素挖掘算法对所述历史数据进行计算，输出炼钢过程中每个子工序的关键因素挖掘分析结论；C)根据所述关键因素挖掘分析结论优化炼钢过程中的参数。本申请提供的上述方法能够对影响钢铁料消耗的末端因子进行深度挖掘和分析，通过大数据计算分析建模，优化了工装参数达到了降低钢铁料消耗的目的。

Description

一种利用大数据计算统计炼钢钢铁料消耗的方法

技术领域

本发明涉及冶金行业技术领域，尤其涉及一种利用大数据计算统计炼钢钢铁料消耗的方法。

背景技术

近年来随着互联网、移动通讯、物联网、云计算、大数据以及智能机器人等技术的发展，给传统制造业带来了革命性的变革与挑战。

钢铁企业竞争日益激烈，进一步提高生产效率，降低生产成本，已成为现代化钢铁生产企业提高自身市场竞争力的首要任务。目前大部分钢铁行业部分工艺控制仍依靠人工经验，如何将“白中夜”海量生产数据深度挖掘，让钢铁具有“大脑”，实现高效率和本质标准化是亟待解决的一个问题。炼钢工艺流程长，过程数据复杂，影响钢铁料消耗的末端因子多，且存在交互影响，要想找到关键因子，甚至找到关键因子合理的参数范围，在海量的数据里如“大海捞针”，而往往这个关键因子又如“定海神针”对钢铁料消耗至关重要。因此，简便快捷的获得这些关键因素并利用其降低钢铁料消耗的方法对于钢铁行业至关重要。

发明内容

本发明解决的技术问题在于提供一种炼钢钢铁料消耗的计算方法，该方法可快速准确的筛选出对炼钢钢铁料消耗的因素，从而优化炼钢钢铁料消耗的参数，实现降低钢铁料消耗的目的。

有鉴于此，本申请提供了一种利用大数据计算统计炼钢钢铁料消耗的方法，包括以下步骤：

A)将炼钢过程中影响物料消耗的历史数据上传阿里云数据库；

B)利用关键因素挖掘算法对所述历史数据进行计算，输出炼钢过程中每个子工序的关键因素挖掘分析结论；

C)根据所述关键因素挖掘分析结论优化炼钢过程中的参数。

优选的，所述关键因素挖掘算法包括关键因素识别、随机森林输出关键因素、关键因素筛选、单因素分析和具体分析。

优选的，所述关键因素识别采用皮尔森相关系数和随机森林法算法。

优选的，所述关键因素筛选采用Boruta算法，所述Boruta算法可以捕获结果变量有关的所有特征，通过不断迭代进行特征因素的确认与拒绝，而进行特征筛选。

优选的，所述单因素分析是对数据进行拆分，一部分用于因素对钢铁料影响方式的输出，一部分用于检测该方式效果。

优选的，所述单元素分析具体为首先利用决策树方式输出各因素对钢铁料消耗的影响方式，再通过Mann-Whitney检验保证该影响方式的有效性。

优选的，所述具体分析包括对影响包次钢铁料消耗的因素的分析、对提钒工序影响因素的分析和对脱硫工序影响因素的分析。

优选的，所述对影响包次钢铁料消耗的因素的分析包括：包次铁损、类别_超低碳、包次内炉数总数、铁水P、铁水Ni、铁水Cu、铁水温度、铁水Mn和铁水C。

优选的，所述对提钒工序影响因素的分析包括：提钒前温、提钒班别_丙、提钒班别_甲、提钒南非块矿和提钒出钢口寿命。

优选的，所述对脱硫工序影响因素的分析包括：包次铁损、脱硫前温、脱硫枪龄、脱硫平均流量、炼钢s目标值、脱硫喷吹时长、脱硫后温、脱硫工位_2、脱硫喷吹压力、脱硫枪厂家_攀钢冶材、脱硫钝化石灰流量、脱硫钝化镁和脱硫钝化镁流量。

本申请提供了一种利用大数据计算统计炼钢钢铁料消耗的方法，其首先将炼钢过程中影响物料消耗的历史数据上传阿里云数据库；再利用关键因素挖掘算法对所述历史数据进行计算，输出炼钢过程中每个子工序的关键因素挖掘分析结论；最后根据所述关键因素挖掘分析结论优化炼钢过程中的参数。本申请提供的上述方法能够对影响钢铁料消耗的末端因子进行深度挖掘和分析，通过大数据计算分析建模，优化了工装参数达到了降低钢铁料消耗的目的。

附图说明

图1为本发明关键因素发掘算法简图。

具体实施方式

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。

鉴于钢铁行业发展的需要，为了更快捷准确地降低炼钢钢铁消耗料，本发明实施例公开了一种利用大数据计算统计炼钢钢铁料消耗的方法，包括以下步骤：

C)根据所述关键因素挖掘分析结论优化炼钢过程中的参数。

为了充分实现大数据库的利用，本申请首先将炼钢过程中影响物料消耗的历史数据上传至阿里云数据库。

再利用不同的算法，对上述数据进行分析、计算，以得到关键因素挖掘分析结论，具体为：通过阿里模型运算、分析，对影响钢铁料消耗的工艺异常点识别并分类，提高计算频率，提高现场操作的实时性，及时反馈给现场指导操作。

上述计算分析的整个流程主要包括以下重要步骤：

步骤一：关键因素识别

这里使用了皮尔森相关系数与随机森林进行关键因素识别。皮尔森相关系数，用来反映两个变量线性相关程度的统计量；相关系数绝对值越大，表面两变量相关性越高。当钢铁料消耗与某个变量之间呈现线性相关关系时，可以通过皮尔森相关系数进行关键因素的识别，其数学表达式为：

两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商。然而，许多情况，钢铁料消耗并不与某个特定变量呈现线性相关，而是与多变量之间呈现组合的变化换洗。针对这种情况，需要利用随机森林进行关键因素识别。

随机森林法在应用过程中得到的较为主要的结果便是变量重要性评分，其目的是对解释变量在结局发展中应用的重要性进行评价，重新排列测试集中的变量数列，并且对重新排列前与重新排列后出现误差率进行再次计算，比较两个误差率之间是否存在差值，差值或升高值则可作为本棵树的重要评分标准。在随机森林法应用的过程中，其结局变量的主要分类根据即为解释变量，变量重要性评分升高即表示该变量在应用时能力越高。

步骤二：随机森林算法输出关键因素

Random Forest(随机森林)是一种基于树模型的Bagging的优化版本，解决决策树泛化能力弱的特点。

而同一批数据，用同样的算法只能产生一棵树，这时Bagging策略可以帮助我们产生不同的数据集。Bagging策略来源于bootstrap aggregation：从样本集(假设样本集N个数据点)中重采样选出Nb个样本(有放回的采样，样本数据点个数仍然不变为N)，在所有样本上，对这n个样本建立分类器(ID3\C4.5\CART\SVM\LOGISTIC)，重复以上两步m次，获得m个分类器，最后根据这m个分类器的投票结果，决定数据属于哪一类。

每棵树按照如下规则生成：

a、如果训练集大小为N，对于每棵树而言，随机且有放回地从训练集中的抽取N个训练样本，作为该树的训练集；

b、如果每个样本的特征维度为M，指定一个常数m<<M，随机地从M个特征中选取m个特征子集，每次树进行分裂时，从这m个特征中选择最优的；

c、每棵树都尽最大程度的生长，并且没有剪枝过程；

d、一开始我们提到的随机森林中的“随机”是指这里的两个随机性。两个随机性的引入对随机森林的分类性能至关重要。由于它们的引入，使得随机森林不容易陷入过拟合，并且具有很好得抗噪能力(比如：对缺省值不敏感)。

总的来说就是随机选择样本数，随机选取特征，随机选择分类器，建立多颗这样的决策树，然后通过这几课决策树来投票，决定数据属于哪一类(投票机制有一票否决制、少数服从多数、加权多数)。通过随机森林，可以对全流程中影响钢铁料消耗的各大因子进行排序区分，找出影响程度较高的因子。

步骤三：关键因素筛选

随机森林输出关键因素后，包含的因素成分过多，需要对因素实现进一步的筛选的与剔除。这里采用Boruta算法进行了特征的进一步筛选。Boruta算法，一种特征选择算法，可以捕获结果变量有关的所有的特征，通过不断迭代进行特征因素的确认与拒绝，从而起到特征筛选的作用。Boruta算法流程：

A)对特征矩阵X的各个特征取值进行随机打乱，将随机打乱后的特征与原特征拼接构成新的特征矩阵；

B)使用新特征矩阵作为输入，利用随机森林进行训练；

C)计算原特征和新的特征的Z_score；

D)在新的特征中找出最大的Z_score记为Z_max；

E)将Z_socre大于Z_max的原特征标记为"重要"，将Z_score显著小于Z_max的原特征标记为"不重要"，并且从特征集合中永久剔除；

F)删除所有新特征：

J)重复A)～E)，直到所有特征都被标记为"重要"或者"不重要"。

步骤四：单因素分析

确定好影响钢铁料消耗的重点因素后，将利用决策树方式输出各因素对钢铁料消耗的影响方式，并通过Mann-Whitney检验保证该影响方式的有效性。

首先，需要对数据集进行拆分，一份用于因素对钢铁料影响方式的输出，一份用于检验该方式效果。

决策树：一种基本的分类与回归方法，模型呈树形结构。它可以认为是if-then规则的集合，优势在于构造过程不需要任何领域知识或参数设置。通过决策树的方式，可以找出每个因素相对应影响的钢铁料消耗的具体的切分节点。

Mann-Whitney检验：假设两个样本分别来自除了总体均值以外完全相同的两个总体，目的是检验这两个总体的均值是否有显著的差别。当找到了具体对应的切分节点后，利用假设检验的方式，对切分节点的数据进行验证，查看结果的数据且分点在两份数据集上是否有明显的区分度。

步骤五：具体分析

(1)对影响包次钢铁了消耗的因素进行分析：包次铁损、类别_超低碳、包次内炉数总数、铁水P、铁水Ni、铁水Cu、铁水温度、铁水Mn、铁水C；

(2)对提钒工序影响因素分析：提钒前温、提钒班别_、提钒班别_甲、提钒南非块矿、提钒出钢口寿命；

(3)对脱硫工序影响因素分析，包次铁损、脱硫前温、脱硫枪龄、脱硫平均流量、炼钢s目标值、脱硫喷吹时长、脱硫后温、脱硫工位_2、脱硫喷吹压力、脱硫枪厂家_攀钢冶材、脱硫钝化石灰流量、脱硫钝化镁、脱硫钝化镁流量。具体分析如表1所示：

表1具体分析结果表

根据上述具体说明可知，申请人将获取的生产中一年的历史数据上传阿里云工业大脑平台上，通过该平台的AI工具，基于类脑神经元网络物理架构及模糊认知反演理论，使用算法进行关键因素挖掘并建立大数据模型；算法模型在实验室环境优化后上线，数据采集模块上传实时数据，控制模块调用算法服务进行推荐，并将结果反馈到控制室。为了降低炼钢全流程的钢铁料消耗，需要首先定位分析各个工艺环节的钢铁料消耗量和影响钢铁料消耗的关键因素，为此钢铁大脑建立了一套完整的关键因素挖掘算法，算法涵盖了“Boruta算法”、“皮儿森相关系数分析”、“决策树算法”、“XGboost算法”和“Mean-Whitney检验方法”等机器学习算法和统计学方法。

对于炼钢过程的每个子工序，关键因素挖掘算法会输出每个子工序的关键因素挖掘分析结论，结论包括工序钢铁料消耗的关键因素、关键因素的重要性排序、关键因素与钢铁料的相关系数、关键因素间的相关性及各个关键因素的统计分布详情。关键因素挖掘分析结论能准确定位各个工序的钢铁料消耗主要影响因素，为炼钢厂规范管理日常操作提供了理论依据，也为进一步的算法优化提供了方向。实施后对影响钢铁料消耗的末端因子深度挖掘和分析，通过大数据(或专家模型)计算分析建模，优化工装参数达到降低钢铁料消耗的目标。该统计方法的优点是实时计算并分析薄弱点指导现场改进，计算频率1次/min，数据实现自动采集、统计、分析。

应用上述分析方法得到的炼钢钢铁料消耗的数据表如表2所示：

表2炼钢钢铁料消耗的数据表

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种利用大数据计算统计炼钢钢铁料消耗的方法，包括以下步骤：

C)根据所述关键因素挖掘分析结论优化炼钢过程中的参数。

2.根据权利要求1所述的方法，其特征在于，所述关键因素挖掘算法包括关键因素识别、随机森林输出关键因素、关键因素筛选、单因素分析和具体分析。

3.根据权利要求2所述的方法，其特征在于，所述关键因素识别采用皮尔森相关系数和随机森林法算法。

4.根据权利要求2所述的方法，其特征在于，所述关键因素筛选采用Boruta算法，所述Boruta算法可以捕获结果变量有关的所有特征，通过不断迭代进行特征因素的确认与拒绝，而进行特征筛选。

5.根据权利要求2所述的方法，其特征在于，所述单因素分析是对数据进行拆分，一部分用于因素对钢铁料影响方式的输出，一部分用于检测该方式效果。

6.根据权利要求2或5所述的方法，其特征在于，所述单元素分析具体为首先利用决策树方式输出各因素对钢铁料消耗的影响方式，再通过Mann-Whitney检验保证该影响方式的有效性。

7.根据权利要求2所述的方法，其特征在于，所述具体分析包括对影响包次钢铁料消耗的因素的分析、对提钒工序影响因素的分析和对脱硫工序影响因素的分析。

8.根据权利要求7所述的方法，其特征在于，所述对影响包次钢铁料消耗的因素的分析包括：包次铁损、类别_超低碳、包次内炉数总数、铁水P、铁水Ni、铁水Cu、铁水温度、铁水Mn和铁水C。

9.根据权利要求7所述的方法，其特征在于，所述对提钒工序影响因素的分析包括：提钒前温、提钒班别_丙、提钒班别_甲、提钒南非块矿和提钒出钢口寿命。

10.根据权利要求7所述的方法，其特征在于，所述对脱硫工序影响因素的分析包括：包次铁损、脱硫前温、脱硫枪龄、脱硫平均流量、炼钢s目标值、脱硫喷吹时长、脱硫后温、脱硫工位_2、脱硫喷吹压力、脱硫枪厂家_攀钢冶材、脱硫钝化石灰流量、脱硫钝化镁和脱硫钝化镁流量。