CN114561509B - 一种电弧炉终点碳含量预测方法 - Google Patents

一种电弧炉终点碳含量预测方法 Download PDF

Info

Publication number
CN114561509B
CN114561509B CN202210212604.7A CN202210212604A CN114561509B CN 114561509 B CN114561509 B CN 114561509B CN 202210212604 A CN202210212604 A CN 202210212604A CN 114561509 B CN114561509 B CN 114561509B
Authority
CN
China
Prior art keywords
electric arc
arc furnace
carbon content
furnace
weight
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
Application number
CN202210212604.7A
Other languages
English (en)
Other versions
CN114561509A (zh
Inventor
张家磊
李占春
石晨敏
张锦鹏
胡适
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Lianfeng Energy Equipment Co Ltd
Original Assignee
Jiangsu Lianfeng Energy Equipment Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Lianfeng Energy Equipment Co Ltd filed Critical Jiangsu Lianfeng Energy Equipment Co Ltd
Priority to CN202210212604.7A priority Critical patent/CN114561509B/zh
Publication of CN114561509A publication Critical patent/CN114561509A/zh
Application granted granted Critical
Publication of CN114561509B publication Critical patent/CN114561509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • C21C5/52—Manufacture of steel in electric furnaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • Y02P10/20—Recycling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Organic Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
  • Refinement Of Pig-Iron, Manufacture Of Cast Iron, And Steel Manufacture Other Than In Revolving Furnaces (AREA)
  • Vertical, Hearth, Or Arc Furnaces (AREA)

Abstract

本发明涉及一种电弧炉终点碳含量预测方法，方法包括：由精炼炉倒推每一炉次电弧炉内钢水重量，利用多元线性回归和损失函数测算电弧炉中各钢铁料的收得率，利用收得率测算每一炉次电弧炉内的钢水重量和余钢量，利用包括余钢量的电弧炉消耗数据作为输入量、由精炼炉倒推电弧炉终点碳含量作为输出量，数据预处理、训练基于神经网络的电弧炉终点碳含量预测模型，输入电弧炉消耗数据计算电弧炉终点碳含量预测模型得到电弧炉终点碳含量预测值；充分考虑电弧炉终点碳含量的影响因素，解决电弧炉钢水量称重、余钢量和电弧炉冶炼取样终点碳测算不准的问题，适用于特别是窄范围碳含量电弧炉炼钢过程，提高了电弧炉终点碳控制的精度。

Description

一种电弧炉终点碳含量预测方法
技术领域
本发明属于钢铁冶炼生产控制方法技术领域，尤其涉及一种电弧炉终点碳含量预测方法。
背景技术
在电弧炉炼钢的过程中，电弧炉需要对终点碳进行控制，而冶炼时脱碳速度较快，钢种要求的碳含量的范围还很窄，所以终点碳含量的控制是当前研究的热点。
目前神经网络在转炉的终点碳含量的控制方面研究较多，而在电弧炉的终点碳含量的控制方案几乎没有，主要有以下原因：(1)相比于转炉，电弧炉在炼钢的时候，为了不让漂浮在钢水表层的渣混入钢包中，电弧炉向向大包中浇注钢水时，炉内的钢水不是一次性倒空的，会存在剩余，所以无法对电弧炉内的余钢量进行准确测算，但是由于不同炉次的余钢量不同且余钢中所含的碳质量差异较大，每次余留下的钢水会作为下一次炉次冶炼钢时的原料，电弧炉内的余钢量又会严重影响终点碳的控制，会影响神经网络预测电弧炉终点碳含量；(2)电弧炉冶炼时渣层厚度较厚，且冶炼时钢水翻滚剧烈钢水成分不均匀，电弧炉钢水量称重不准且电弧炉终点取样检测出的含碳量与钢水中实际的含碳量严重不符，导致训练神经网络时的输出参数不准确。
发明内容
本发明旨在至少在一定程度上解决上述技术问题之一，为此，本发明提出了一种电弧炉终点碳含量预测方法，解决电弧炉钢水量称重、余钢量和电弧炉冶炼取样终点碳测算不准的问题，数据预处理、建立基于神经网络的电弧炉终点碳含量预测模型，适用于特别是窄范围碳含量电弧炉炼钢过程，提高了电弧炉终点碳控制的精度。
本发明的技术方案是：
一种电弧炉终点碳含量预测方法，方法包括：
S1：由精炼炉倒推每一炉次电弧炉内钢水重量，利用多元线性回归和损失函数测算电弧炉中各钢铁料的收得率；
S2：利用步骤S1中收得率测算每一炉次电弧炉内的钢水重量和余钢量；
S3：利用包括步骤S2中余钢量的电弧炉消耗数据作为输入量、由精炼炉倒推电弧炉终点碳含量作为输出量，训练基于神经网络的电弧炉终点碳含量预测模型；
S4：输入每一炉次包括步骤S2中余钢量的电弧炉消耗数据，计算步骤S3中电弧炉终点碳含量预测模型，输出电弧炉终点碳含量预测值。
上述电弧炉终点碳含量的预测方法，优选地，步骤S1中依据精炼炉的称重重量减去钢包重量、电弧炉至精炼炉中间过程加入的原辅料重量倒推每一炉次电弧炉内钢水重量y。
上述电弧炉终点碳含量的预测方法，优选地，步骤S1中每一炉次电弧炉包括n种钢种，n维钢水重量x＝[x1,x2,···,xn]T，n维收得率权重w＝[w1,w2,···,wn]T，多元线性回归的线性模型为：每一炉次电弧炉内钢水终点重量
Figure GDA0004001227180000021
上述电弧炉终点碳含量的预测方法，优选地，步骤S1中利用平方损失函数
Figure GDA0004001227180000022
作为优化目标训练线性模型、获得学习参数w作为电弧炉中各钢铁料的收得率，平方损失函数中y为由精炼炉倒推每一炉次电弧炉内钢水重量，
Figure GDA0004001227180000023
为多元线性回归的拟合值。
上述电弧炉终点碳含量的预测方法，优选地，步骤S2中依据各钢铁料重量与各钢铁料的收得率乘积测算每一炉次电弧炉内的钢水重量
Figure GDA0004001227180000024
依据每一炉次电弧炉内的钢水重量减去流入到钢包内的钢水重量得到余钢量。
上述电弧炉终点碳含量的预测方法，优选地，步骤S3中建立包括输入层、隐藏层和输出层的三层BP神经网络，以样本数据训练基于BP神经网络的电弧炉终点碳含量预测模型，样本数据以多组电弧炉消耗数据作为输入层，样本数据中以对应电弧炉消耗数据的精炼炉取样检测碳含量、减去电弧炉至精炼炉中间过程加入的原辅料碳含量作为电弧炉终点碳含量输出层，隐藏层通过训练BP神经网络获得。
优选地，步骤S3中电弧炉消耗数据还包括每一炉次加入到电弧炉中的铁水重量、铁水碳含量、废钢重量、天然气耗量、氧气耗量、石灰块重量、余钢碳质量，前一炉电弧炉终点碳含量为后一炉余钢碳质量，利用皮尔逊系数分析电弧炉消耗数据作为自变量对电弧炉终点碳含量作为因变量的影响，依据皮尔逊系数绝对值筛选电弧炉终点碳含量影响因素。
优选地，步骤S3中利用3σ法则筛选样本数据。
优选地，步骤S3中选取双曲正切函数Tanh作为BP神经网络的激活函数。
优选地，步骤S3中BP神经网络的权重调整采用梯度下降法，BP神经网络的网络误差性能函数采用网络均方差函数MSE。
与现有技术相比，本发明的有益效果是：
(1)依据精炼炉倒推每一炉次电弧炉内钢水重量解决电弧炉钢水量称重不准问题，利用多元线性回归和平方损失函数测算收得率，以收得率测算每一炉次电弧炉内的钢水重量代替称重系统测算出钢水重量、计算余钢量解决电弧炉内余钢量准确测算问题，以便充分考虑余钢量对神经网络预测电弧炉终点碳含量的影响。
(2)依据精炼炉倒推电弧炉终点碳含量，前一炉电弧炉终点碳含量为后一炉余钢碳质量，解决电弧炉冶炼取样终点碳与实际值偏差较大、导致训练神经网络时输出参数不准确的问题。
(3)以电弧炉消耗数据作为输入量、倒推电弧炉终点碳含量作为输出量，利用3σ法则、双曲正切函数预处理数据，利用梯度下降法、网络误差性能函数迭代训练基于BP神经网络的电弧炉终点碳含量预测模型，适用于特别是窄范围碳含量电弧炉炼钢过程，提高了电弧炉终点碳控制的精度。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施方式的方法流程图；
图2是本发明一实施方式的BP神经网络示意图。
图3是本发明一实施方式的BP神经网络训练次数与误差的关系图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，为本发明所述电弧炉终点碳含量预测方法的一种较佳实施方式，方法包括：
S1：由精炼炉倒推每一炉次电弧炉内钢水重量，利用多元线性回归和损失函数测算电弧炉中各钢铁料的收得率；
具体地：步骤S1包括以下步骤：
S101：依据精炼炉的称重重量减去钢包重量、炼钢PES系统中电弧炉至精炼炉中间过程加入的原辅料重量倒推每一炉次电弧炉内钢水重量y；
S102：电弧炉冶炼时主要以铁水和废钢进行冶炼，废钢的种类较多，需要根据废钢库的现场情况和生产钢种的需要加入合适的废钢种类进行冶炼，计每一炉次电弧炉包括n种钢种，n种钢种中包含n-1种废钢钢种和第n种铁水钢种，n维钢水重量x＝[x1,x2,···,xn]T，x由炼钢PES系统采集获得，那么线性模型有一个n维权重w＝[w1,w2,···,wn]T和一个标量偏差b，为了利用权重代表钢铁料的收得率，将标量偏差b输出置0，多元线性回归的线性模型为：每一炉次电弧炉内钢水终点重量
Figure GDA0004001227180000041
S103：利用平方损失函数
Figure GDA0004001227180000042
作为优化目标训练线性模型、获得学习参数w作为电弧炉中各钢铁料的收得率，平方损失函数中y为步骤S101由精炼炉倒推每一炉次电弧炉内钢水重量、作为实际值，
Figure GDA0004001227180000043
为步骤S102多元线性回归的拟合值、作为预估值，利用平方损失函数衡量预估值与实际值之间的偏差程度学习参数w，损失函数越小则线性模型的鲁棒性越好；
在炼钢PES系统中采集500组包含铁水、炉料、自产废钢、重废、大包余钢、渣钢重量的数据依据线性模型测算拟合值
Figure GDA0004001227180000044
钢水量y为500组数据每一炉次对应的由精炼炉倒推的电弧炉内钢水重量，以平方损失函数最小输出w，拟合效果见下表1：
表1
钢水量y 拟合值 偏差(％)
2984.238 2953.440652 -1.03
2983.408 2964.646705 -0.63
2935.394 2953.907905 0.63
2969.26 2969.164973 0.00
2964.261 2994.555231 1.02
..... ..... .....
3001.286 2999.262103 -0.07
由表1计算的平均偏差为0.06213％，表明拟合效果好。
S2：利用步骤S1中收得率测算每一炉次电弧炉内的钢水重量和余钢量；
具体地：步骤S2包括以下步骤：
S201：依据各钢铁料重量与各钢铁料的收得率乘积，即
Figure GDA0004001227180000051
x由炼钢PES系统采集获得，w步骤S103训练线性模型的学习参数，测算每一炉次电弧炉内的钢水重量
Figure GDA0004001227180000052
S202：称重获得流入到钢包内的钢水重量，依据步骤S201每一炉次电弧炉内的钢水重量减去流入到钢包内的钢水重量得到余钢量。
S3：利用包括步骤S2中余钢量的电弧炉消耗数据作为输入量、由精炼炉倒推电弧炉终点碳含量作为输出量，训练基于神经网络的电弧炉终点碳含量预测模型；
如图2所示建立包括输入层、隐藏层和输出层的三层BP神经网络，将炼钢MES系统采集得到的5000组样本数据中70％作为训练集、30％为测试集，迭代6万次训练基于BP神经网络的电弧炉终点碳含量预测模型；
5000组样本数据中以多组电弧炉消耗数据作为输入层；电弧炉消耗数据包括每一炉次步骤S202的余钢量、炼钢MES系统采集的加入到电弧炉中的铁水重量、铁水碳含量、铁水硅含量、废钢重量、重废重量、天然气耗量、氧气耗量、石灰块重量和余钢碳质量；余钢碳质量：前一炉电弧炉终点碳含量为后一炉余钢碳质量，即精炼炉取样检测碳含量、减去电弧炉至精炼炉中间过程加入的原辅料碳含量；
5000组样本数据中以对应电弧炉消耗数据的精炼炉取样检测碳含量、减去炼钢MES系统中电弧炉至精炼炉中间过程加入的原辅料碳含量作为电弧炉终点碳含量输出层；
隐藏层通过训练BP神经网络获得；
具体地：步骤S3包括以下步骤：
S301：利用皮尔逊系数分析输入层的电弧炉消耗数据作为自变量、对输出层的电弧炉终点碳含量作为因变量的影响，依据皮尔逊系数绝对值筛选电弧炉终点碳含量影响因素，分析结果见下表2：
表2
Figure GDA0004001227180000061
由皮尔逊系数绝对值结果分析，剔除对电弧炉终点碳含量影响程度相对其他因素偏低的影响因素：铁水碳含量、铁水硅含量、剪切料重量、重废重量和废钢总重量；
S302：利用3σ法则筛选步骤S301处理后的训练集数据，进行数据异常值的剔除，数据异常值以误差超过依据3σ法则确定的区间判定；
S303：利用步骤S302处理后数据作为BP神经网络的输入量，将对应电弧炉消耗数据的精炼炉取样检测碳含量、减去电弧炉至精炼炉中间过程加入的包括合金、增碳剂的原辅料碳含量、作为BP神经网络的输出量；
S304：选取双曲正切函数Tanh作为步骤303中BP神经网络的激活函数：
即
Figure GDA0004001227180000062
在BP神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端；
S305：BP神经网络的权重调整采用梯度下降法，BP神经网络的网络误差性能函数采用网络均方差函数MSE，即
Figure GDA0004001227180000071
S306：以测试集验证电弧炉终点碳含量预测模型契合性，结果如图3训练次数与误差的关系图所示，训练3000次后误差即较小，获取训练好的基于BP神经网络的电弧炉终点碳含量预测模型的参数，保存参数。
S4：输入每一炉次包括步骤S2中余钢量的电弧炉消耗数据，计算步骤S3中电弧炉终点碳含量预测模型，输出电弧炉终点碳含量预测值；
具体地：步骤S4包括以下步骤：
S401：炼钢PES系统采集获得n维钢水重量x＝[x1,x2,···,xn]T，输入步骤S103训练好的多元线性回归的线性模型输出电弧炉中各钢铁料的收得率w＝[w1,w2,···,wn]T；
S402：将步骤S401的收得率依据步骤S201和骤S202测算余钢量；
S403：依据前一炉电弧炉终点碳含量即精炼炉取样检测碳含量、减去电弧炉至精炼炉中间过程加入的原辅料碳含量计算余钢碳质量；
S404：采集炼钢PES系统导出的S301中包括筛选后电弧炉终点碳含量影响因素、步骤S402的余钢量、步骤S403的余钢碳质量、作为电弧炉消耗数据输入量，计算步骤S306中基于BP神经网络的电弧炉终点碳含量预测模型，输出得到电弧炉终点碳含量预测值。
根据炼钢PES系统导出500组包含每一炉次加入到电弧炉中的铁水重量、铁水碳含量、铁水硅含量、废钢重量、重废重量、天然气耗量、氧气耗量、石灰块重量和余钢碳质量信息，输入到训练好的BP神经网络模型中，输出模型预测值，用来校验模型的的精度，最终模型预测值与实际值的误差在0.04％个碳质量内的占86％，预测值与实际值误差在0.06％个碳质量内的占91％，预测精度高。
综上，本申请较现有技术具有以下效果：
①依据精炼炉的称重重量减去钢包重量、电弧炉至精炼炉中间过程加入的原辅料重量倒推每一炉次电弧炉内钢水重量解决电弧炉钢水量称重不准问题；
②利用平方损失函数作为优化目标训练线性模型，利用多元线性回归测算出电弧炉各钢铁料的收得率，拟合效果较好，以收得率计算测算每一炉次电弧炉内的钢水重量代替称重系统测算出钢水重量、计算余钢量解决电弧炉内余钢量准确测算问题，以便充分考虑余钢量对神经网络预测电弧炉终点碳含量的影响；
③依据精炼炉取样检测碳含量、减去电弧炉至精炼炉中间过程加入的原辅料碳含量作为电弧炉终点碳含量，前一炉电弧炉终点碳含量为后一炉余钢碳质量，解决电弧炉冶炼取样终点碳与实际值偏差较大、导致训练神经网络时输出参数不准确的问题；
④前一炉依据精炼炉取样检测碳含量、减去电弧炉至精炼炉中间过程加入的原辅料碳含量推算的电弧炉终点碳含量为后一炉余钢碳质量，以便充分考虑余钢碳质量对神经网络预测电弧炉终点碳含量的影响；
⑤考虑包括测算的余钢量、余钢碳质量的电弧炉消耗数据作为输入层数据，测算电弧炉终点碳含量作为输出层数据，利用3σ法则、双曲正切函数预处理数据，利用梯度下降法、网络误差性能函数迭代训练基于BP神经网络的电弧炉终点碳含量预测模型，适用于特别是窄范围碳含量电弧炉炼钢过程，提高了电弧炉终点碳控制的精度。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。

Claims (9)

1.一种电弧炉终点碳含量预测方法，其特征在于，方法包括：
S1：由精炼炉倒推每一炉次电弧炉内钢水重量，利用多元线性回归和损失函数测算电弧炉中各钢铁料的收得率；
每一炉次电弧炉包括n种钢种，n维钢水重量x＝[x1,x2,···,xn]T，n维收得率权重w＝[w1,w2,···,wn]T，多元线性回归的线性模型为：每一炉次电弧炉内钢水终点重量
Figure FDA0004001227170000011
利用损失函数作为优化目标训练线性模型、获得学习参数w作为电弧炉中各钢铁料的收得率，损失函数中的实际值为由精炼炉倒推每一炉次电弧炉内钢水重量，损失函数中的预估值为多元线性回归的拟合值；
S2：利用步骤S1中收得率测算每一炉次电弧炉内的钢水重量和余钢量；
S3：利用包括步骤S2中余钢量的电弧炉消耗数据作为输入量、由精炼炉倒推电弧炉终点碳含量作为输出量，训练基于神经网络的电弧炉终点碳含量预测模型；
S4：输入每一炉次包括步骤S2中余钢量的电弧炉消耗数据，计算步骤S3中电弧炉终点碳含量预测模型，输出电弧炉终点碳含量预测值。
2.根据权利要求1所述的一种电弧炉终点碳含量的预测方法，其特征在于，步骤S1中依据精炼炉的称重重量减去钢包重量、电弧炉至精炼炉中间过程加入的原辅料重量倒推每一炉次电弧炉内钢水重量y。
3.根据权利要求1所述的一种电弧炉终点碳含量的预测方法，其特征在于，步骤S1中利用平方损失函数
Figure FDA0004001227170000012
作为优化目标训练线性模型、获得学习参数w作为电弧炉中各钢铁料的收得率，平方损失函数中y为由精炼炉倒推每一炉次电弧炉内钢水重量，
Figure FDA0004001227170000013
为多元线性回归的拟合值。
4.根据权利要求1所述的一种电弧炉终点碳含量的预测方法，其特征在于，步骤S2中依据各钢铁料重量与各钢铁料的收得率乘积测算每一炉次电弧炉内的钢水重量
Figure FDA0004001227170000014
依据每一炉次电弧炉内的钢水重量减去流入到钢包内的钢水重量得到余钢量。
5.根据权利要求1～4任意一项所述的一种电弧炉终点碳含量的预测方法，其特征在于，步骤S3中建立包括输入层、隐藏层和输出层的三层BP神经网络，以样本数据训练基于BP神经网络的电弧炉终点碳含量预测模型，样本数据以多组电弧炉消耗数据作为输入层，样本数据中以对应电弧炉消耗数据的精炼炉取样检测碳含量、减去电弧炉至精炼炉中间过程加入的原辅料碳含量作为电弧炉终点碳含量输出层，隐藏层通过训练BP神经网络获得。
6.根据权利要求5所述的一种电弧炉终点碳含量的预测方法，其特征在于，步骤S3中电弧炉消耗数据还包括每一炉次加入到电弧炉中的铁水重量、铁水碳含量、废钢重量、天然气耗量、氧气耗量、石灰块重量、余钢碳质量，前一炉电弧炉终点碳含量为后一炉余钢碳质量，利用皮尔逊系数分析电弧炉消耗数据作为自变量对电弧炉终点碳含量作为因变量的影响，依据皮尔逊系数绝对值筛选电弧炉终点碳含量影响因素。
7.根据权利要求5所述的一种电弧炉终点碳含量的预测方法，其特征在于，步骤S3中利用3σ法则筛选样本数据。
8.根据权利要求5所述的一种电弧炉终点碳含量的预测方法，其特征在于，步骤S3中选取双曲正切函数Tanh作为BP神经网络的激活函数。
9.根据权利要求5所述的一种电弧炉终点碳含量的预测方法，其特征在于，步骤S3中BP神经网络的权重调整采用梯度下降法，BP神经网络的网络误差性能函数采用网络均方差函数MSE。
CN202210212604.7A 2022-03-02 2022-03-02 一种电弧炉终点碳含量预测方法 Active CN114561509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210212604.7A CN114561509B (zh) 2022-03-02 2022-03-02 一种电弧炉终点碳含量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210212604.7A CN114561509B (zh) 2022-03-02 2022-03-02 一种电弧炉终点碳含量预测方法

Publications (2)

Publication Number Publication Date
CN114561509A CN114561509A (zh) 2022-05-31
CN114561509B true CN114561509B (zh) 2023-03-10

Family

ID=81717417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210212604.7A Active CN114561509B (zh) 2022-03-02 2022-03-02 一种电弧炉终点碳含量预测方法

Country Status (1)

Country Link
CN (1) CN114561509B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105734199A (zh) * 2016-05-10 2016-07-06 中南大学 一种基于数据分析的电弧炉冶炼过程合金收得率修正方法
CN110516402A (zh) * 2019-09-05 2019-11-29 中冶南方工程技术有限公司 一种优化电弧炉废钢配料的方法
CN113604630A (zh) * 2021-07-28 2021-11-05 北京科技大学 一种电弧炉炼钢终点控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105734199A (zh) * 2016-05-10 2016-07-06 中南大学 一种基于数据分析的电弧炉冶炼过程合金收得率修正方法
CN110516402A (zh) * 2019-09-05 2019-11-29 中冶南方工程技术有限公司 一种优化电弧炉废钢配料的方法
CN113604630A (zh) * 2021-07-28 2021-11-05 北京科技大学 一种电弧炉炼钢终点控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于BP神经网络的电弧炉炼钢过程的终点预报;顾学群等;《南通职业大学学报》;20080325;第22卷(第01期);第65-68页 *
基于MATLAB的BP神经网络对电弧炉炼钢的终点预报;江萍萍等;《铸造技术》;20160218;第37卷(第02期);第312-316页 *
真空感应炉终点碳含量预报;邓长辉等;《控制与决策》;20060228;第21卷(第02期);第210-212、216页 *

Also Published As

Publication number Publication date
CN114561509A (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN101845531B (zh) 一种转炉冶炼终点钢水碳、温度控制系统及其方法
CN109935280B (zh) 一种基于集成学习的高炉铁水质量预测系统及方法
CN101813932B (zh) 湿法冶金萃取过程组分含量预测与优化操作方法
CN110991089B (zh) 一种转炉炼钢冶炼后期碳含量预报方法
CN113919206A (zh) 一种炼钢合金化窄成分控制方法
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
CN102925602B (zh) 高炉操作炉型维护方法
CN116469481B (zh) 一种基于XGBoost算法的LF精炼钢水成分预报方法
CN106636530A (zh) 一种转炉炼钢温度预报方法及服务器
CN104419799A (zh) 一种转炉冶炼在线预测高碳钢碳含量方法
CN114561509B (zh) 一种电弧炉终点碳含量预测方法
CN117612651A (zh) 一种预测转炉终点锰含量的方法
CN111518980A (zh) 一种转炉终点碳含量预报模型的修正方法和系统
JP5854171B2 (ja) 補正装置、補正方法及び鉄鋼精錬方法
JP2018150589A (ja) 精錬プロセス状態推定装置、精錬プロセス状態推定方法、及び溶湯の製造方法
CN113517037A (zh) 一种数据与知识融合的烧结矿FeO预测方法及系统
CN115927770A (zh) 一种高炉出铁状态实时跟踪方法
KR100328937B1 (ko) 신경망을이용한전로취련예측방법
CN109840309A (zh) 一种铁水脱硫剂用量的计算方法
CN113570145A (zh) 一种炼铁高炉炉芯死料柱温度的预测方法
CN101294946B (zh) 一种混合在线预测定氧加铝的模型建模与优化方法
CN117556711B (zh) 基于神经网络的高炉喷煤优化方法、系统、终端和介质
CN115034370B (zh) 基于bp网络模型预测高炉炉缸活性的方法
CN108342538B (zh) 一种提高tso转炉副枪探头的精确测量碳含量的方法
CN115662537A (zh) 一种转炉出钢量预测方法及系统

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