CN113656930B - 采用机器学习算法对单渣法冶炼终点磷含量的预测方法 - Google Patents
采用机器学习算法对单渣法冶炼终点磷含量的预测方法 Download PDFInfo
- Publication number
- CN113656930B CN113656930B CN202110706909.9A CN202110706909A CN113656930B CN 113656930 B CN113656930 B CN 113656930B CN 202110706909 A CN202110706909 A CN 202110706909A CN 113656930 B CN113656930 B CN 113656930B
- Authority
- CN
- China
- Prior art keywords
- weight
- phosphorus content
- slag
- data
- smelting
- 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
- 229910052698 phosphorus Inorganic materials 0.000 title claims abstract description 65
- 239000011574 phosphorus Substances 0.000 title claims abstract description 62
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003723 Smelting Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 title claims description 24
- 238000010801 machine learning Methods 0.000 title claims description 19
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 78
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 71
- 239000002893 slag Substances 0.000 claims abstract description 71
- 239000010959 steel Substances 0.000 claims abstract description 71
- 229910052742 iron Inorganic materials 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims abstract description 12
- 239000000463 material Substances 0.000 claims abstract description 10
- 238000012821 model calculation Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 18
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 claims description 16
- 239000010459 dolomite Substances 0.000 claims description 16
- 229910000514 dolomite Inorganic materials 0.000 claims description 16
- 239000010436 fluorite Substances 0.000 claims description 16
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 15
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 15
- 239000004571 lime Substances 0.000 claims description 15
- 239000003795 chemical substances by application Substances 0.000 claims description 13
- 238000002844 melting Methods 0.000 claims description 13
- 230000008018 melting Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 239000004575 stone Substances 0.000 claims description 9
- 229910052717 sulfur Inorganic materials 0.000 claims description 9
- 229910052799 carbon Inorganic materials 0.000 claims description 8
- 229910018072 Al 2 O 3 Inorganic materials 0.000 claims description 7
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 6
- 239000011593 sulfur Substances 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 229910052710 silicon Inorganic materials 0.000 claims description 4
- 239000010703 silicon Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 239000002131 composite material Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011572 manganese Substances 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 229910004298 SiO 2 Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
- C21C5/28—Manufacture of steel in the converter
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C7/00—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00
- C21C7/04—Removing impurities by adding a treating agent
- C21C7/064—Dephosphorising; Desulfurising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C2300/00—Process aspects
- C21C2300/06—Modeling of the process, e.g. for control purposes; CII
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Metallurgy (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明提供了一种单渣法冶炼终点磷含量的预测方法，该方法包括以下步骤：采集冶炼中自变量数据：入炉铁水重量、半钢钢水重量、辅料重量、入炉铁水温度、入炉铁水中各成分的质量分数、终点钢水温度、终点炉渣中各成分的质量分数、终点碱度和废钢比；利用AdaBoost模型对自变量数据进行模型计算，预测终点磷含量；其中，AdaBoost模型中参数设置为：树最大深度＝12，基础分类器个数＝100，学习率＝0.2，损失函数＝‘linear’。该方法中模型构建简单，并且终点磷含量预测准确率达98.45％以上，相较于现有方案中的预测判断方法准确率更高，对企业实现智能化单渣法冶炼脱磷起到理论指导和现实依据作用，具有重要意义。
Description
技术领域
本发明涉及炼钢技术领域，具体涉及一种采用机器学习算法对单渣法冶炼终点磷含量的预测方法。
背景技术
随着环保意识的不断增强和有效资源的匮乏，冶金工业也逐渐在新格局下向智能化、绿色化转变并实现碳中和的目标。冶金企业如何节能增效的进行钢材料的生产越来越受到国内外研究学者的重视。磷在钢中作为一种有害元素，通常会对钢材造成“冷脆”、降低常温塑性和晶界偏折等不利影响，各种钢材对磷元素含量的要求十分严格，而脱磷过程只在冶炼过程中发生，即终点磷的含量直接决定钢材的性能。因此，如何有效控制终点磷含量对提高和保证钢材性能的稳定性具有重要的意义。
在较早的研究当中，李正嵩等人通过热平衡计算，分析了转炉脱磷的主要因素并为其创造优越条件，对供氧制度进行了优化与改进，采用单渣法冶炼工艺实现了终点ω(P)％≈0.017％。目前的方法主要是通过合理的控制实际冶炼工艺中的相关参数从而实现低磷钢、超低磷钢的生产，但是在实际冶炼过程中，铁水磷含量波动大、操作工艺参数不稳定，难以做到稳定控制。而即便可以采用智能炼钢的模式进行转炉脱磷，但目前的转炉脱磷模型建立较为复杂并且预测准确率不高。
发明内容
本发明的主要目的在于提供一种采用机器学习算法对单渣法冶炼终点磷含量的预测方法，该方法通过单渣法冶炼脱磷的现场大数据采用AdaBoost机器学习算法进行模型的拟合，由于Python编程语言强大的开发库使得模型构建较现有方案更为简单，并且在确定的参数下终点磷含量预测准确率达98.45％以上，以解决现有技术中模型建立较复杂且终点磷含量预测准确率不高的技术问题。
为了实现上述目的，本发明提供了一种采用机器学习算法对单渣法冶炼终点磷含量的预测方法。
该采用机器学习算法对单渣法冶炼终点磷含量的预测方法包括以下步骤：
采集冶炼中自变量数据：入炉铁水重量、半钢钢水重量、辅料重量、入炉铁水温度、入炉铁水中各成分的质量分数、终点钢水温度、终点炉渣中各成分的质量分数、终点碱度和废钢比；
利用AdaBoost模型对所述自变量数据进行模型计算，预测终点磷含量；其中，
所述AdaBoost模型中参数设置为：树最大深度＝12，基础分类器个数＝100，学习率＝0.2，损失函数＝‘linear’。
进一步的，所述入炉铁水中各成分包括碳、硅、锰、磷和硫。
进一步的，所述终点炉渣中各成分包括Cao、SiO2、MgO、P2O5、MnO、FeO、总铁和Al2O3。
进一步的，所述辅料重量包括化渣剂重量、石灰重量、轻烧白云石重量、萤石重量以及前述四者的总和。
进一步的，所述化渣剂重量为高炉返矿重量、冷固球石重量或高炉返矿和冷固球石的重量之和。
进一步的，所述入炉铁水温度为1250℃～1500℃；所述终点钢水温度为1500℃～1700℃；所述终点碱度为1.5～4.5。
进一步的，所述AdaBoost模型中参数的确定方法包括：
对采集到的所述自变量数据进行预处理，获得有效数据；
构建AdaBoost集成学习模型，并对所述有效数据进行模型训练，获得预测曲线；
根据所述预测曲线调整模型参数，得到最终的所述模型参数。
进一步的，对采集到的所述自变量数据进行预处理包括：
删除重复的数据值；
采用3σ原则对数据异常值进行处理；
删除缺失的数据值；
采用最值法对数据进行归一化处理；
数据去冗余；
数据降维：通过Python环境下的plot_importance函数对数据进行排序输出并结合冶金机理进行分析剔除。
进一步的，所述有效数据为剔除所述自变量数据中的半钢钢水重量、入炉铁水中的硫和终点炉渣中的TFe后剩余的所有数据。
进一步的，所述模型训练包括将所述有效数据按照训练集与测试集为7:3的划分比进行随机划分，并通过模型对所述训练集进行学习，并对所述测试集进行预测试，获得预测曲线。
本发明中，采用AdaBoost模型对单渣法冶炼终点磷含量的预测准确率达到98.45％以上，平均绝对误差(MAE)和均方误差(MSE)都接近于0。相比传统方法(如决策树模型以及随机森林计算法)，本发明预测效果快，且预测准确，对企业实现智能化单渣法冶炼脱磷起到理论指导和现实依据作用，具有重要意义。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例中Person相关系数分析图；其中，y表示终点磷含量的真实值；
图2为本发明实施例中利用AdaBoost模型对终点磷含量预测时的真实值与预测值的对比分析图；
图3为本发明实施例中利用决策树模型对终点磷含量预测时的真实值与预测值的对比分析图；
图4为本发明实施例中利用随机森林算法对终点磷含量预测时的真实值与预测值的对比分析图；
图5为本发明实施例中确定AdaBoost模型参数的流程示意图；
图6为本发明实施例中AdaBoost算法流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明基于企业的单渣法冶炼现场大数据，构建了基于AdaBoost机器学习算法对单渣法冶炼终点磷含量的预测模型，提供了一种单渣法冶炼终点磷含量的预测方法。
本发明中的采用机器学习算法对单渣法冶炼终点磷含量的预测方法包括以下步骤：
步骤1、对冶炼中的入炉铁水重量、半钢钢水重量、辅料重量、入炉铁水温度、入炉铁水中各成分的质量分数、终点钢水温度、终点炉渣中各成分的质量分数、终点碱度和废钢比进行数据采集。其中，
入炉铁水中各成分的质量分数具体为碳的质量分数、硅的质量分数、锰的质量分数、磷的质量分数和硫的质量分数。
终点炉渣中各成分的质量分数具体为Cao的质量分数、SiO2的质量分数、MgO的质量分数、P2O5的质量分数、MnO的质量分数、FeO的质量分数、总铁(TFe)的质量分数和Al2O3的质量分数。
冶炼中加入的辅料具体为化渣剂、石灰、轻烧白云石和萤石。
辅料重量具体为化渣剂重量、石灰重量、轻烧白云石重量、萤石重量以及化渣剂、石灰、轻烧白云石和萤石四者的重量总和。
化渣剂可以为高炉返矿和冷固球石中的至少一种。
化渣剂重量可以为高炉返矿重量、冷固球石重量或高炉返矿和冷固球石二者的重量之和。
由于冶炼脱磷需要在合适的温度和碱度下才能有效去除，因此本发明的实施例中入炉铁水温度区间为1250℃～1500℃；终点钢水温度区间为1500℃～1700℃；终点碱度区间为1.5～4.5。
在本发明的实施例中，自变量数据共有24个，如图1所示，分别为入炉铁水重量；半钢钢水重量；入炉铁水温度；入炉铁水中碳的质量分数、硅的质量分数、锰的质量分数、磷的质量分数和硫的质量分数；终点钢水温度；炉渣中Cao的质量分数、SiO2的质量分数、MgO的质量分数、P2O5的质量分数、MnO的质量分数、FeO的质量分数、TFe的质量分数和Al2O3的质量分数；终点碱度；废钢比；化渣剂重量；石灰重量；轻烧白云石重量；萤石重量；化渣剂、石灰、轻烧白云石和萤石的总重量。
步骤2、利用AdaBoost模型对上述自变量数据进行模型计算，预测终点磷含量。其中，
AdaBoost模型中参数设置为：树最大深度＝12，基础分类器个数＝100，学习率＝0.2，损失函数＝‘linear’。
步骤3、得到终点磷含量预测值。
在本发明的实施例中，将得到的终点磷含量的预测值与真实值进行对比分析，得出利用AdaBoost模型进行终点磷含量预测的准确率。
本发明中采用AdaBoost模型进行终点磷含量预测的准确率可达98.45％以上，平均绝对误差(MAE)和均方误差(MSE)都接近于0，结果可参见图2所示。
在本发明的实施例中，还将AdaBoost模型预测终点磷含量的准确率分别与决策树模型以及随机森林算法进预测终点磷含量的准确率进行了对比。
参见图3所示，采用决策树模型进行终点磷含量预测的准确率为89.32％。
参见图4所示，采用随机森林法算法进行终点磷含量预测的准确率为95.48％。
因此，采用AdaBoost模型进行终点磷含量预测的准确率优于采用决策树模型以及采用随机森林算法进行终点磷含量预测的准确率。
根据本发明的具体实施方式，还提供了一种AdaBoost模型参数的确定方法，结合图5和图6所示，具体包括以下步骤：
S1、对采集到的自变量数据进行预处理，获得有效数据；
S1-1、删除重复的数据值：对重复的数据值采取删除法处理。
S1-2、采用3σ原则对数据异常值进行处理，处理公式为：
式中：σ为样本标准差；xi为样本值；为样本均值；n为样本量；其中，每个自变量的所有炉次的数据值计为一个样本。
S1-3、删除缺失的数据值：对数据的缺失值采取删除法处理。
S1-4、采用最值法对数据进行归一化处理，计算公式为：
式中：x'为归一化处理后的样本值；为样本平均值；xmax为样本最大值；xmin为样本最小值。
S1-5、数据去冗余：通过Person相关系数进行分析，并使用热图(Heatmap)进行展示，将皮尔逊相关系数为0.9～1.0之间的参数进行剔除处理。
在本发明实施例中，结合冶金机理分析与相关系数分析后将TFe剔除而保留FeO。
S1-6、数据降维：将数据的重要性通过Python环境下的plot_importance函数进行排序输出并结合冶金机理进行分析剔除。
在本发明的实施例中，经过处理后，将S和半钢钢水重量两个参数进行剔除。
最终获取的有效数据为：入炉铁水重量；入炉铁水温度；入炉铁水中C的质量分数、Si的质量分数、Mn的质量分数、P的质量分数；终点钢水温度；炉渣中CaO的质量分数、SiO2的质量分数、MgO的质量分数、P2O5的质量分数、MnO的质量分数、FeO的质量分数、Al2O3的质量分数；终点碱度；废钢比；化渣剂重量；石灰重量；轻烧白云石重量；萤石重量；化渣剂、石灰、轻烧白云石和萤石总重量。
S2、构建AdaBoost集成学习模型
S2-1、初始化训练数据的权值分布。每一个训练样本赋予相同权值:
ωi＝1/N (3)
式中：N为样本总量；ωi为每个训练样本的权值；Dt(i)为训练样本集的权值分布。
S2-2、对t＝1,2,3,…m,进行迭代。
(1)选取一个当前误差率低的弱分类器h作为第t个基本分类器Hi，并计算弱分类器在分布Dt(i)上的误差：
式中：h为弱分类器；et为误差率；I为指示函数。
(2)计算该弱分类器在最终分类器中所占的权重：
式中：αt为弱分类器的权重。
S2-3、更新训练样本的权重分布Dt+1
将各个训练得到的弱分类器按权重αt组合成强分类器，即
通过符号函数sign的作用，得到一个强分类器：
S3、对上述有效数据进行模型训练，获得预测曲线。
在本发明的实施例中，将上述选择的21个自变量的数据按照训练集与测试集为7:3的划分比进行随机划分。划分完毕之后，通过模型对训练集进行学习，并对测试集进行预测试，获得预测曲线。
由于训练集划分的随机性会导致预测的准确率不同，因此对每个模型进行了50次的重复试验，将50次试验准确率取均值得到最终准确率。
S4、根据预测曲线调整模型参数，得到最终的模型参数。
在本发明的实施例中，模型训练后，通过人工调参法进行调参。
最终确定模型参数为：max_depth(树最大深度)＝12，n_estimators(基础分类器个数)＝100，learning_rate(学习率)＝0.2，loss(损失函数)＝‘linear’。
以下将通过具体实施例对本发明中的采用机器学习算法对单渣法冶炼终点磷含量的预测方法进行说明。
实施例1：
步骤1、采集单渣法冶炼中24个参量的数据值：
入炉铁水重量271吨，半钢钢水重量311.813吨，入炉铁水温度1291℃，入炉铁水中C、Si、Mn、P、S的质量百分数依次为4.31698％、0.20749％、0.15026％、0.0973％、0.00001％，终点钢水温度1640℃，炉渣中CaO、SiO2、MgO、P2O5、MnO、FeO、TFe、Al2O3的质量百分数依次为51.38717％、13.85092％、6.03113％、2.49755％、2.57217％、18.42844％、14.33323％、1.30024％，终点碱度3.71，废钢比0.187333193，吨钢化渣剂(高炉返矿和冷固球石)重量0.010127865吨，吨钢石灰重量0.035046647吨，吨钢轻烧白云石重量0.035476391吨，吨钢萤石重量0.000509921吨，吨钢化渣剂、吨钢石灰、吨钢轻烧白云石和吨钢萤石的总重量0.081160824吨。
步骤2、利用AdaBoost模型对上述数据值进行模型计算，预测终点磷含量。其中，
AdaBoost模型中参数设置为：树最大深度＝12，基础分类器个数＝100，学习率＝0.2，损失函数＝‘linear’。
步骤3、得到终点磷含量的预测值以质量百分比计为0.01119％。
将实施例1中得到的预测值与真实值进行比较：终点磷含量的真实值为0.01119％，准确率为100％。
实施例2：
步骤1、采集单渣法冶炼中24个参量的数据值：
入炉铁水重量275吨，半钢钢水重量307.9吨，入炉铁水温度1340℃，入炉铁水中C、Si、Mn、P、S的质量百分数依次为4.25837％、0.28578％、0.13438％、0.08676％、0.00115％，终点钢水温度1604℃，炉渣中CaO、SiO2、MgO、P2O5、MnO、FeO、TFe、Al2O3的质量百分数依次为47.59711％、16.03186％、6.60239％、2.69608％、2.41689％、19.58264％、15.23094％、2.76214％，终点碱度2.96891，废钢比0.166666667，吨钢化渣剂(高炉返矿和冷固球石)重量0.001770055吨，吨钢石灰重量0.033069178吨，吨钢轻烧白云石重量0.009431634吨，吨钢萤石重量0.000493667吨，吨钢化渣剂、吨钢石灰、吨钢轻烧白云石和吨钢萤石的总重量0.044764534吨。
步骤2、利用AdaBoost模型对上述数据值进行模型计算，预测终点磷含量。其中，
AdaBoost模型中参数设置为：树最大深度＝12，基础分类器个数＝100，学习率＝0.2，损失函数＝‘linear’。
步骤3、得到终点磷含量的预测值以质量百分比计为0.0124％。
将实施例2中得到的预测值与真实值进行比较：终点磷含量的真实值为0.0126％，准确率为98.41％。
实施例3：
步骤1、采集单渣法冶炼中24个参量的数据值：
入炉铁水重量274.8吨，半钢钢水重量315.086吨，入炉铁水温度1351℃，入炉铁水中C、Si、Mn、P、S的质量百分数依次为4.56628％、0.33951％、0.16475％、0.09953％、0.00001％，终点钢水温度1640℃，炉渣中CaO、SiO2、MgO、P2O5、MnO、FeO、TFe、Al2O3的质量百分数依次为41.7638％、11.12039％、8.4752％、1.50714％、1.95132％、29.10874％、22.64013％、2.89047％，终点碱度3.76，废钢比0.184472934，吨钢化渣剂(高炉返矿和冷固球石)重量0.005049415吨，吨钢石灰重量0.033419447吨，吨钢轻烧白云石重量0.023698292吨，吨钢萤石重量0.000517319吨，吨钢化渣剂、吨钢石灰、吨钢轻烧白云石和吨钢萤石的总重量0.062684473吨。
步骤2、利用AdaBoost模型对上述数据值进行模型计算，预测终点磷含量。其中，
AdaBoost模型中参数设置为：树最大深度＝12，基础分类器个数＝100，学习率＝0.2，损失函数＝‘linear’。
步骤3、得到终点磷含量的预测值以质量百分比计为0.01172％。
将实施例3中得到的预测值与真实值进行比较：终点磷含量的真实值为0.01172％，准确率为100％。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种采用机器学习算法对单渣法冶炼终点磷含量的预测方法，其特征在于，包括以下步骤：
采集冶炼中自变量数据：入炉铁水重量、半钢钢水重量、辅料重量、入炉铁水温度、入炉铁水中各成分的质量分数、终点钢水温度、终点炉渣中各成分的质量分数、终点碱度和废钢比；
利用AdaBoost模型对所述自变量数据进行模型计算，预测终点磷含量；其中，
所述AdaBoost模型中参数设置为：树最大深度＝12，基础分类器个数＝100，学习率＝0.2，损失函数＝‘linear’；
所述AdaBoost模型中参数的确定方法包括：
对采集到的所述自变量数据进行预处理，获得有效数据；
构建AdaBoost集成学习模型，并对所述有效数据进行模型训练，获得预测曲线；
根据所述预测曲线调整模型参数，得到最终的所述模型参数。
2.根据权利要求1所述的采用机器学习算法对单渣法冶炼终点磷含量的预测方法，其特征在于，所述入炉铁水中各成分包括碳、硅、锰、磷和硫。
3.根据权利要求1所述的采用机器学习算法对单渣法冶炼终点磷含量的预测方法，其特征在于，所述终点炉渣中各成分包括Cao、SiO2、MgO、P2O5、MnO、FeO、总铁和Al2O3。
4.根据权利要求1所述的采用机器学习算法对单渣法冶炼终点磷含量的预测方法，其特征在于，所述辅料重量包括化渣剂重量、石灰重量、轻烧白云石重量、萤石重量以及前述四者的总和。
5.根据权利要求4所述的采用机器学习算法对单渣法冶炼终点磷含量的预测方法，其特征在于，所述化渣剂重量为高炉返矿重量、冷固球石重量或高炉返矿和冷固球石的重量之和。
6.根据权利要求1所述的采用机器学习算法对单渣法冶炼终点磷含量的预测方法，其特征在于，所述入炉铁水温度为1250℃～1500℃；所述终点钢水温度为1500℃～1700℃；所述终点碱度为1.5～4.5。
7.根据权利要求1所述的采用机器学习算法对单渣法冶炼终点磷含量的预测方法，其特征在于，对采集到的所述自变量数据进行预处理包括：
删除重复的数据值；
采用3σ原则对数据异常值进行处理；
删除缺失的数据值；
采用最值法对数据进行归一化处理；
数据去冗余；
数据降维：通过Python环境下的plot_importance函数对数据进行排序输出并结合冶金机理进行分析剔除。
8.根据权利要求1或7所述的采用机器学习算法对单渣法冶炼终点磷含量的预测方法，其特征在于，所述有效数据为剔除所述自变量数据中的半钢钢水重量、入炉铁水中的硫和终点炉渣中的TFe后剩余的所有数据。
9.根据权利要求1所述的采用机器学习算法对单渣法冶炼终点磷含量的预测方法，其特征在于，所述模型训练包括将所述有效数据按照训练集与测试集为7:3的划分比进行随机划分，并通过模型对所述训练集进行学习，并对所述测试集进行预测试，获得预测曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110706909.9A CN113656930B (zh) | 2021-06-24 | 2021-06-24 | 采用机器学习算法对单渣法冶炼终点磷含量的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110706909.9A CN113656930B (zh) | 2021-06-24 | 2021-06-24 | 采用机器学习算法对单渣法冶炼终点磷含量的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113656930A CN113656930A (zh) | 2021-11-16 |
| CN113656930B true CN113656930B (zh) | 2023-11-17 |
Family
ID=78489038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110706909.9A Active CN113656930B (zh) | 2021-06-24 | 2021-06-24 | 采用机器学习算法对单渣法冶炼终点磷含量的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113656930B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114420218B (zh) * | 2022-01-18 | 2024-04-02 | 联峰钢铁（张家港）有限公司 | 一种基于渣料预警模型的炉渣预警方法 |
| CN114678080B (zh) * | 2022-03-28 | 2022-11-18 | 北京科技大学 | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103361461A (zh) * | 2012-03-30 | 2013-10-23 | 鞍钢股份有限公司 | 一种转炉冶炼低碳钢磷含量在线预测控制方法 |
| CN106909705A (zh) * | 2016-12-22 | 2017-06-30 | 上海交通大学 | 一种高炉铁水质量预报方法及其系统 |
| CN107092743A (zh) * | 2016-05-05 | 2017-08-25 | 中国石油大学(华东) | 基于规则辅助的高炉冶炼过程数据驱动建模方法 |
| CN108764517A (zh) * | 2018-04-08 | 2018-11-06 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
| CN109182642A (zh) * | 2018-09-13 | 2019-01-11 | 华北理工大学 | 一种采用单渣法冶炼低磷钢的工艺方法 |
| CN109252009A (zh) * | 2018-11-20 | 2019-01-22 | 北京科技大学 | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 |
| CN110379463A (zh) * | 2019-06-05 | 2019-10-25 | 山东大学 | 基于机器学习的海洋藻类成因分析及浓度预测方法和系统 |
| CN111518981A (zh) * | 2020-04-23 | 2020-08-11 | 中冶南方工程技术有限公司 | 一种转炉终点磷含量预报方法和系统 |
| CN111652355A (zh) * | 2020-06-02 | 2020-09-11 | 中南大学 | 一种基于lstm&dnn的高炉铁水硅含量预测方法及装置 |
| CN113255102A (zh) * | 2021-04-23 | 2021-08-13 | 北京科技大学 | 一种转炉终点钢水碳含量与温度预测方法及装置 |
| CN114678080A (zh) * | 2022-03-28 | 2022-06-28 | 北京科技大学 | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 |
-
2021
- 2021-06-24 CN CN202110706909.9A patent/CN113656930B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103361461A (zh) * | 2012-03-30 | 2013-10-23 | 鞍钢股份有限公司 | 一种转炉冶炼低碳钢磷含量在线预测控制方法 |
| CN107092743A (zh) * | 2016-05-05 | 2017-08-25 | 中国石油大学(华东) | 基于规则辅助的高炉冶炼过程数据驱动建模方法 |
| CN106909705A (zh) * | 2016-12-22 | 2017-06-30 | 上海交通大学 | 一种高炉铁水质量预报方法及其系统 |
| CN108764517A (zh) * | 2018-04-08 | 2018-11-06 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
| CN109182642A (zh) * | 2018-09-13 | 2019-01-11 | 华北理工大学 | 一种采用单渣法冶炼低磷钢的工艺方法 |
| CN109252009A (zh) * | 2018-11-20 | 2019-01-22 | 北京科技大学 | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 |
| CN110379463A (zh) * | 2019-06-05 | 2019-10-25 | 山东大学 | 基于机器学习的海洋藻类成因分析及浓度预测方法和系统 |
| CN111518981A (zh) * | 2020-04-23 | 2020-08-11 | 中冶南方工程技术有限公司 | 一种转炉终点磷含量预报方法和系统 |
| CN111652355A (zh) * | 2020-06-02 | 2020-09-11 | 中南大学 | 一种基于lstm&dnn的高炉铁水硅含量预测方法及装置 |
| CN113255102A (zh) * | 2021-04-23 | 2021-08-13 | 北京科技大学 | 一种转炉终点钢水碳含量与温度预测方法及装置 |
| CN114678080A (zh) * | 2022-03-28 | 2022-06-28 | 北京科技大学 | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 |
Non-Patent Citations (8)
| Title |
|---|
| 周朝刚等.基于BP神经网络算法的脱磷转炉终点磷含量预报模型.炼钢.2021,第3卷(第2期),10-15. * |
| 基于Elman-Adabo...预测器的铁水硅含量预测方法;庄田;冶金自动化;第41卷(第4期);1-6+17 * |
| 基于G-SVM的电弧炉终点预报研究;袁平;王福利;毛志忠;;钢铁研究学报(第10期);7-10 * |
| 基于改进AdaBoost的LF炉成分软测量建模;孙凤琪;东北大学学报(自然科学版);第30卷(第9期);1217-1220 * |
| 李振铠等.基于AdaBoost算法的高炉铁水含钒预测模型.华北理工大学学报（自然科学版）.2020,第42卷(第2期),20-28. * |
| 钢渣处理工艺及综合利用分析;佟帅等;冶金能源;第39卷(第6期);3-7 * |
| 集成自编码与PCA的高炉多元铁水质量随机权神经网络建模;周平;张丽;李温鹏;戴鹏;柴天佑;;自动化学报(第10期);1799-1811 * |
| 高炉铁水硅含量预测模型的研究;崔婷婷;中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑(第2期);B023-174 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113656930A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113656930B (zh) | 采用机器学习算法对单渣法冶炼终点磷含量的预测方法 | |
| CN106096788B (zh) | 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统 | |
| CN103361461B (zh) | 一种转炉冶炼低碳钢磷含量在线预测控制方法 | |
| CN104630410A (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
| 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 | |
| CN103194553A (zh) | 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法 | |
| CN108647407A (zh) | 一种转炉炼钢烟气分析定碳方法 | |
| CN106054836B (zh) | 基于grnn的转炉炼钢工艺成本控制方法及系统 | |
| CN114854929B (zh) | 一种转炉喷吹co2钢液成分与温度实时动态预测的方法 | |
| CN110885912A (zh) | 基于数据分析的自动炼钢方法、系统 | |
| CN102952912A (zh) | 基于专家系统和知识库的高炉冶炼方法和系统 | |
| CN113160899A (zh) | 一种基于nsga-ii算法的烧结配料多目标优化方法 | |
| Zhang et al. | Analysis of process parameters on energy utilization and environmental impact of hydrogen metallurgy | |
| Cardoso et al. | Prediction of silicon content in the hot metal using Bayesian networks and probabilistic reasoning | |
| CN111798023B (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
| CN102968644A (zh) | 一种氩氧精炼铁合金冶炼终点预测方法 | |
| CN107675069B (zh) | 采用co2+o2混合气体吹炼实现脱碳保锰冶炼中高锰钢的方法 | |
| CN113420426A (zh) | 一种确定高炉顺行状况的方法、装置、介质及计算机设备 | |
| CN115456264B (zh) | 一种中小型转炉的终点碳含量和终点温度预测方法 | |
| Zhou et al. | Effects of carbon content on the sintering behavior of low-titanium vanadium-titanium magnetite | |
| CN115354093A (zh) | 一种低碳高炉的冶炼成本控制方法及系统 | |
| CN111518981B (zh) | 一种转炉终点磷含量预报方法和系统 | |
| Feng et al. | Sticking behavior of pellets during direct reduction based on hydrogen metallurgy: an optimization approach using response surface methodology | |
| Kumar | Optimization of blast furnace parameters using artificial neural network | |
| Cardoso et al. | Artificial neural networks based on committee machine to predict the amount of sulfur and phosphorus in the hot metal of a blast furnace |
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 |