CN114611844A - 一种转炉出钢过程合金加入量的确定方法和系统 - Google Patents

一种转炉出钢过程合金加入量的确定方法和系统 Download PDF

Info

Publication number
CN114611844A
CN114611844A CN202210507582.7A CN202210507582A CN114611844A CN 114611844 A CN114611844 A CN 114611844A CN 202210507582 A CN202210507582 A CN 202210507582A CN 114611844 A CN114611844 A CN 114611844A
Authority
CN
China
Prior art keywords
alloy
converter
determining
data
amount
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.)
Granted
Application number
CN202210507582.7A
Other languages
English (en)
Other versions
CN114611844B (zh
Inventor
包燕平
郑瑞轩
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202210507582.7A priority Critical patent/CN114611844B/zh
Publication of CN114611844A publication Critical patent/CN114611844A/zh
Application granted granted Critical
Publication of CN114611844B publication Critical patent/CN114611844B/zh
Priority to US18/183,402 priority patent/US11900255B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Primary Health Care (AREA)
  • Organic Chemistry (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Carbon Steel Or Casting Steel Manufacturing (AREA)

Abstract

本发明属于钢铁冶金技术领域，具体为一种转炉出钢过程合金加入量的确定方法和系统，考虑到LSTM神经网络对非线性关系有很强的捕捉能力，本发明构建基于LSTM神经网络的合金元素收得率预测模型，不同合金元素由于影响其收得率的因素不同，即模型输入变量不同，因此不同合金元素建立不同的LSTM模型进行训练。另外，本发明结合收得率预测结果通过整数线性规划求解得到合金加入量，该方法不仅能够快速找到合金配料的最优方案，同时提高了转炉炼钢过程成分命中率和钢产品稳定性，且获得的总成本最低，有效降低合金化成本，具有良好的应用前景。

Description

一种转炉出钢过程合金加入量的确定方法和系统
技术领域
本发明涉及钢铁冶金技术领域，具体为一种转炉出钢过程合金加入量的确定方法和系统。
背景技术
合金钢因其具有较高的强度、良好的韧性和塑性而广泛应用于制造各种轴类部件和车辆制造业中，非常适合制造承受高速、重载、冲击和摩擦的轴类和齿轮等零部件。合金钢合金物料需求量大，种类多，传统的转炉炼钢出钢过程的合金加入量确定方法主要依靠人工经验，操作人员大多根据冶炼钢种的工艺要求选择加入的合金种类，再使用计算器或者计算表根据成分要求粗略计算合金重量，这种方法准确度低且经济效益差，常常出现因加入量估算不准导致的合金多次补加或浪费，严重时甚至造成成分超标。
随着科学技术的飞速发展，钢铁冶金领域进入智能制造时代，转炉炼钢控制技术逐渐由经验公式、静态控制向大数据智能化控制方向发展。预测准确的合金元素收得率和合金配料方案的确定是转炉出钢过程合金加入量精确估算的关键。
目前，预测合金元素收得率的方法主要有BP神经网络和SVM支持向量机等。其中，BP神经网络（Back PropagationNeural Network, BP）通过信号正向传播和误差反向传播实现预测，但收敛速度慢，泛化能力差，难以保证预测准确率；支持向量机（Support VectorMachine, SVM）是一类按监督学习方式，对数据进行二元分类的广义线性分类器，不但算法简单，而且具有较好的“鲁棒”性，但大规模训练样本难以实施，且难以解决多分类问题，难以完整考虑转炉炼钢过程的特点。
发明内容
本发明的主要目的是提出一种转炉出钢过程合金加入量的确定方法和系统，旨在解决目前在转炉出钢过程合金加入量确定时存在准确度低且经济效益差、难以解决多分类问题，难以完整考虑转炉炼钢过程的问题。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种转炉出钢过程合金加入量的确定方法，包括以下步骤：
S1.采集转炉生产数据集，建立预测模型数据库；
S2.对采集的转炉生产数据集进行数据筛选和淘洗，对筛选和淘洗后的数据进行预处理；
S3.确定影响转炉出钢过程Si收得率的工艺参数变量，作为模型的输入变量，建立LSTM神经网络Si收得率预测模型；
S4.确定影响转炉出钢过程Mn收得率的工艺参数变量，作为模型的输入变量，建立LSTM神经网络Mn收得率预测模型；
S5.确定影响转炉出钢过程Cr收得率的工艺参数变量，作为模型的输入变量，建立LSTM神经网络Cr收得率预测模型；
S6.预测模型训练和测试；
S7.采集现场冶炼过程的实时数据，预测Si、Mn和Cr元素收得率；
S8.通过整数线性规划求解合金加入量；
S9.按照求解的合金加入量结果配加合金，出钢结束，数据存入预测模型数据库。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S1中，所述转炉生产数据集包括：
生产日期、炉次号、吹炼周期、铁水成分、铁水装入量、废钢装入量、渣料加入量、合金加入量、副枪信息、终点化验成分、吹氧信息、出钢温度、出钢量和合金化后包样化验成分。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S2中，所述对采集的转炉生产数据集进行数据筛选和淘洗，具体包括：
删除重复数据，删除异常点和极端异常点，异常数据的评判如式（1）：
Figure 185482DEST_PATH_IMAGE001
（1）
其中，
Figure 368202DEST_PATH_IMAGE002
表示待测数据按照从小到大排序后的第
Figure 849737DEST_PATH_IMAGE003
个数据，
Figure 385891DEST_PATH_IMAGE004
为上四分位数，
Figure 403526DEST_PATH_IMAGE005
为下四分位数，
Figure 757147DEST_PATH_IMAGE006
表示四分位距。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S2中，所述对筛选和淘洗后的数据进行预处理，具体包括：
将数据集归一化到[-1,1]，具体处理方式如式（2）所示：
Figure 165125DEST_PATH_IMAGE007
（2）
其中，
Figure 71682DEST_PATH_IMAGE008
为生产数据样本的原始数据；
Figure 271720DEST_PATH_IMAGE009
为经过归一化处理的数据；
Figure 671608DEST_PATH_IMAGE010
表示第
Figure 691517DEST_PATH_IMAGE010
个样本点；
Figure 835053DEST_PATH_IMAGE011
表示第
Figure 889597DEST_PATH_IMAGE011
个输入变量；
Figure 725966DEST_PATH_IMAGE012
、
Figure 498750DEST_PATH_IMAGE013
、
Figure 475671DEST_PATH_IMAGE014
分别为原始数据样本中的最小值、最大值和平均值。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S3、S4和S5中，所述的LSTM神经网络包含两个神经网络层、一个丢弃层、一个全连接层以及一个回归层，回归层为输出层，神经网络参数包括：训练轮数、隐含层单元数和学习率。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S3、S4和S5中，采用Pearson相关性分析确定影响转炉出钢过程合金元素收得率的工艺参数变量。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S3中，所述Si收得率预测模型输入变量包括：钢包状态、吹损、碱度、总氧量、终点C、终点Mn、出钢温度。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S4中，所述Mn收得率预测模型输入变量包括：吹损、碱度、废钢比、总氧量、终点Mn。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S5中，所述Cr收得率模型输入变量包括：吹损、废钢比、终点Mn、终点P。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S6中，所述模型训练采用预热重启（Warm Restarts）随机梯度下降法动态调整学习率：
重启的含义即使用余弦函数作为周期函数，并在每个周期最大值时重新开始学习速率。预热的含义即学习率重新开始时并不是从头开始的，而是由模型在最后一步收敛的参数决定，学习率调整如式（3）所示：
Figure 525666DEST_PATH_IMAGE015
（3）
其中，
Figure 391991DEST_PATH_IMAGE016
和
Figure 261858DEST_PATH_IMAGE017
是学习率的范围；
Figure 871831DEST_PATH_IMAGE018
表示每次重启开始到结束这一区间训练轮数的变化次数；
Figure 776333DEST_PATH_IMAGE019
表示重启周期。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S6中，在LSTM神经网路中，遗忘门、输入门和输出门使用Sigmoid函数作为激活函数；在生成候选记忆时，使用双曲正切函数tanh作为激活函数。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S7中，所述采集现场冶炼过程的实时数据，预测Si、Mn和Cr元素收得率，具体包括：
采集现场冶炼过程的实时数据，数据通过ODBC连接从检化验系统的Oracle数据库进行抓取，数据经过预处理后输入LSTM神经网络模型得到收得率预测值。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：所述步骤S8中，所述通过整数线性规划求解合金加入量，具体包括：
以合金加入总成本
Figure 79139DEST_PATH_IMAGE020
最低为目标函数：
Figure 731575DEST_PATH_IMAGE021
（4）
其中：
Figure 20605DEST_PATH_IMAGE022
表示第
Figure 904247DEST_PATH_IMAGE010
种合金料的单价；
Figure 253320DEST_PATH_IMAGE023
表示第
Figure 956834DEST_PATH_IMAGE010
种合金加入量；
同时需满足以下约束条件：
Figure 783975DEST_PATH_IMAGE024
（5）
其中：
Figure 787703DEST_PATH_IMAGE025
为钢液总重量；
Figure 806213DEST_PATH_IMAGE026
为第
Figure 262602DEST_PATH_IMAGE027
种合金的加入量；
Figure 893435DEST_PATH_IMAGE028
为元素
Figure 158194DEST_PATH_IMAGE010
含量；
Figure 973703DEST_PATH_IMAGE029
表示下限值；
Figure 792754DEST_PATH_IMAGE030
表示上限值；
Figure 351912DEST_PATH_IMAGE031
表示元素
Figure 167116DEST_PATH_IMAGE010
合金化前的含量；
Figure 887947DEST_PATH_IMAGE032
表示第
Figure 194295DEST_PATH_IMAGE027
种合金中元素
Figure 291564DEST_PATH_IMAGE010
的含量；
Figure 999757DEST_PATH_IMAGE033
表示元素
Figure 563593DEST_PATH_IMAGE010
收得率；
合金加入量必须满足以下非负条件：
Figure 481870DEST_PATH_IMAGE034
（6）
合金加入量小于可加入合金量的最大值：
Figure 491153DEST_PATH_IMAGE035
（7）
其中：
Figure 912907DEST_PATH_IMAGE036
代表实际生产中第
Figure 913224DEST_PATH_IMAGE027
种合金的最大加入量。
作为本发明所述的一种转炉出钢过程合金加入量的确定方法的优选方案，其中：元素收得率除Si、Mn、Cr元素按步骤S7进行预测以外，其他元素，如C、P、S、B和Ti等收得率按照100%参与计算。
本发明的另一目的在于提供一种实施上述转炉出钢过程合金加入量的确定方法的转炉出钢过程合金加入量的确定系统。
本发明的另一目的在于提供一种实现上述转炉出钢过程合金加入量的确定方法的信息数据处理终端。
本发明的另一目的在于提供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转炉出钢过程合金加入量的确定方法。
本发明的有益效果如下：
本发明将LSTM神经网络与整数线性规划算法结合，克服了常规神经网络模型预测时间序列问题存在的局限性，克服了合金配料方案人为估算准确度低、经济效益差的问题。考虑到LSTM神经网络对非线性关系有很强的捕捉能力，本发明构建基于LSTM神经网络的合金元素收得率预测模型，不同合金元素由于影响其收得率的因素不同，即模型输入变量不同，因此不同合金元素建立不同的LSTM模型进行训练。另外，本发明结合收得率预测结果通过整数线性规划求解得到合金加入量，该方法不仅能够快速找到合金配料的最优方案，同时提高了转炉炼钢过程成分命中率和钢产品稳定性，且获得的总成本最低，有效降低合金化成本，具有良好的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明方法的流程示意图；
图2为采用丢弃层正则化提高模型的泛化性原理图；
图3为预测模型训练过程学习率随训练轮数的变化趋势图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种转炉出钢过程合金加入量的确定方法和系统，将LSTM神经网络与整数线性规划算法结合，克服了常规神经网络模型预测时间序列问题存在的局限性，克服了合金配料方案人为估算准确度低、经济效益差的问题。考虑到LSTM神经网络对非线性关系有很强的捕捉能力，本发明构建基于LSTM神经网络的合金元素收得率预测模型，不同合金元素由于影响其收得率的因素不同，即模型输入变量不同，因此不同合金元素建立不同的LSTM模型进行训练。另外，本发明结合收得率预测结果通过整数线性规划求解得到合金加入量，该方法不仅能够快速找到合金配料的最优方案，同时提高了转炉炼钢过程成分命中率和钢产品稳定性，且获得的总成本最低，有效降低合金化成本，具有良好的应用前景。
LSTM神经网络是循环神经网络（RecurrentNeuralNetwork, RNN）的变种，是深度学习重要的网络框架之一，它是一类以序列数据为输入、在序列的前进方向进行递归，所有节点按链式连接的递归神经网络。不同于BP神经网络模型，LSTM神经网络在时间序列问题上可以考虑数据在时序前后的依存关系，对于转炉炼钢过程这类不同时序节点处数据存在关联的问题预测效果更好；线性规划是最优化问题中的重要领域之一，很多运筹学中的实际问题都可以用线性规划来解决。整数线性规划指全部决策变量都必须取整数值的整数线性规划，本文涉及一种合金钢的转炉出钢过程合金加入量确定方法，由于合金物料称重系统精度原因，决策变量即合金加入量需为整数，因此整数线性规划可以很好地解决此类问题。
实施例1
某炼钢厂生产40Cr系列钢种在出钢过程中需要加入硅锰、锰铁合金、铬铁合金以满足成品钢元素含量的需求。40Cr国标成分如表1所示，在实际生产中，合金加入量都是由操作人员凭借经验估算，合金种类选择不固定，部分炉次使用硅锰、高碳锰铁、高碳铬铁；部分炉次使用硅锰、中碳锰铁、高碳铬铁。且人工估算合金加入量准确率低，常常会导致转炉出钢钢液成分波动大，不仅造成原料成本浪费，而且影响生产节奏。为解决这一问题，采用本发明方法建立了合金元素收得率预测模型，再通过整数规划求解计算合金加入量。
表1 40Cr国标化学成分含量(wt%)
Figure 928584DEST_PATH_IMAGE038
采集了该厂120t转炉共24282组生产数据，删除重复数据，删除异常点和极端异常点，异常数据的评判公式为：
Figure 633235DEST_PATH_IMAGE040
其中，
Figure 784862DEST_PATH_IMAGE002
表示待测数据按照从小到大排序后的第
Figure 283976DEST_PATH_IMAGE003
个数据，
Figure 285168DEST_PATH_IMAGE004
为上四分位数，
Figure 527930DEST_PATH_IMAGE005
为下四分位数，
Figure 596381DEST_PATH_IMAGE006
表示四分位距。
处理后得到19668组有效数据。为使不同变量具有相同的度量尺度，对数据进行归一化处理，全部映射到[-1,1]范围内；
Figure 141763DEST_PATH_IMAGE041
其中，
Figure 256349DEST_PATH_IMAGE008
为生产数据样本的原始数据；
Figure 647010DEST_PATH_IMAGE009
为经过归一化处理的数据；
Figure 163442DEST_PATH_IMAGE010
表示第
Figure 378261DEST_PATH_IMAGE010
个样本点；
Figure 980143DEST_PATH_IMAGE027
表示第
Figure 440075DEST_PATH_IMAGE027
个输入变量；
Figure 483117DEST_PATH_IMAGE012
、
Figure 494935DEST_PATH_IMAGE013
、
Figure 193901DEST_PATH_IMAGE014
分别为原始数据样本中的最小值、最大值和平均值。
根据转炉炼钢反应机理与Pearson相关性分析，确定了以下对Si、Mn、Cr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2 Si收得率预测模型输入变量及其单位
输入变量 单位 输入变量 单位
吹损 % 碱度 -
总氧量 m<sup>3</sup> 终点C %
终点Mn % 出钢温度 ℃
表3 Mn收得率预测模型输入变量及其单位
输入变量 单位 输入变量 单位
吹损 % 碱度 -
总氧量 m<sup>3</sup> 废钢比 %
终点Mn %
表4 Cr收得率预测模型输入变量及其单位
输入变量 单位 输入变量 单位
吹损 % 终点Mn %
终点P % 废钢比 %
将以上参数作为LSTM神经网络的输入变量，建立转炉出钢合金化过程合金收得率预测模型，采用丢弃层正则化提高模型的泛化性，丢弃层正则化原理如图2所示；训练采用预热重启随机梯度下降法动态调整学习率，训练过程学习率随训练轮数的变化趋势如图3所示；LSTM神经网络中，遗忘门、输入门和输出门使用Sigmoid函数作为激活函数；在生成候选记忆时，使用双曲正切函数tanh作为激活函数；
采集到的24282组数据18211组用于模型的训练，6071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。
为了评估不同模型预测的准确性，选择了均方根误差RMSE和相关系数R2作为性能评估指标，RMSE和R2是最广泛使用的性能评估指标，计算方法如下所示：
Figure 582157DEST_PATH_IMAGE043
其中，
Figure 921784DEST_PATH_IMAGE044
表示真实值的数目，
Figure 370082DEST_PATH_IMAGE045
表示第
Figure 556344DEST_PATH_IMAGE046
个真实值，
Figure 482712DEST_PATH_IMAGE047
表示第
Figure 438030DEST_PATH_IMAGE046
个预测值，
Figure 57230DEST_PATH_IMAGE048
表示
Figure 527525DEST_PATH_IMAGE049
的方差。
RMSE均方根误差衡量观测值与真实值之间的偏差，常作为机器学习模型预测结果衡量的标准。R2是反映模型拟合优度的重要统计量，为回归平方和与总平方和之比，R2取值在[0,1]范围内，值的大小反映了模型拟合的优劣程度，R2越接近于1，拟合的回归方程越精确。得到三个模型的预测性能评估：
表5 Si收得率预测模型在测试数据集上预测性能评估
评估准则 评估值
RMSE 0.0339
R<sup>2</sup> 0.9557
表6 Mn收得率预测模型在测试数据集上预测性能评估
评估准则 评估值
RMSE 0.0438
R<sup>2</sup> 0.9260
表7 Cr收得率预测模型在测试数据集上预测性能评估
评估准则 评估值
RMSE 0.0379
R<sup>2</sup> 0.9444
从评估结果结合模型在训练数据集上的拟合表现，LSTM神经网络能够很好的拟合原始数据，并在测试集上有良好的预测性能。
得到收得率的预测值后，在此基础上计算合金的加入量，计算方法如下所示：
本实施例1选择了7种合金物料参与配料计算，合金种类及价格如表8所示；
表8 合金种类及价格对应表
Figure 631485DEST_PATH_IMAGE050
以合金加入总成本
Figure 565943DEST_PATH_IMAGE020
最低为目标函数：
Figure 231411DEST_PATH_IMAGE051
同时需满足以下约束条件：
Figure 251320DEST_PATH_IMAGE053
其中：
Figure 394856DEST_PATH_IMAGE025
为钢液总重量；
Figure 449400DEST_PATH_IMAGE026
为第
Figure 285769DEST_PATH_IMAGE011
种合金的加入量；
Figure 963613DEST_PATH_IMAGE028
为元素
Figure 35474DEST_PATH_IMAGE010
含量；
Figure 85469DEST_PATH_IMAGE029
表示下限值；
Figure 951794DEST_PATH_IMAGE030
表示上限值；
Figure 87241DEST_PATH_IMAGE031
表示元素
Figure 431634DEST_PATH_IMAGE010
合金化前的含量；
Figure 336136DEST_PATH_IMAGE032
表示第
Figure 373362DEST_PATH_IMAGE011
种合金中元素
Figure 494640DEST_PATH_IMAGE010
的含量；
Figure 908304DEST_PATH_IMAGE033
表示元素
Figure 464050DEST_PATH_IMAGE010
收得率；
约束条件需满足的成分上下限如表9所示：
表9 化学成分含量上下限
C Si Mn Cr P S
下限 0.37 0.17 0.5 0.8 0 0
上限 0.44 0.37 0.8 1.0 0.035 0.035
合金加入量还需要满足以下非负条件：
Figure 813123DEST_PATH_IMAGE054
元素收得率Si、Mn、Cr元素采用LSTM网络模型进行预测，C、P、S、B和Ti等收得率按照100%参与计算；
表10随机选取了8组利用本发明技术方案对该厂合金钢40Cr的合金加入量计算结果与不使用本发明进行对比，其中组别1为原数据实际值，组别2为根据本发明技术方案计算的合金加入量结果。
经过验证，本发明转炉出钢过程合金加入量的确定方法的元素合格率为100％，能够精准指导实际生产。平均每炉次合金成本由原先的23055元降低至20867元，降低了2188元，而该钢厂每个转炉平均每日生产钢水35炉以上，使用本发明转炉出钢过程合金加入量的确定方法在合金钢生产成本上每年可节省1000万元以上，具有良好的经济效益，能够为现场生产提供参考。
表10 合金钢40Cr合金加入量计算对比
Figure 782216DEST_PATH_IMAGE055
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
本发明将LSTM神经网络与整数线性规划算法结合，克服了常规神经网络模型预测时间序列问题存在的局限性，克服了合金配料方案人为估算准确度低、经济效益差的问题。考虑到LSTM神经网络对非线性关系有很强的捕捉能力，本发明构建基于LSTM神经网络的合金元素收得率预测模型，不同合金元素由于影响其收得率的因素不同，即模型输入变量不同，因此不同合金元素建立不同的LSTM模型进行训练。另外，本发明结合收得率预测结果通过整数线性规划求解得到合金加入量，该方法不仅能够快速找到合金配料的最优方案，同时提高了转炉炼钢过程成分命中率和钢产品稳定性，且获得的总成本最低，有效降低合金化成本，具有良好的应用前景。通过现场的实际生产数据对该方法进行检验，结果表明本发明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。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种转炉出钢过程合金加入量的确定方法，其特征在于，包括以下步骤：
S1.采集转炉生产数据集，建立预测模型数据库；
S2.对采集的转炉生产数据集进行数据筛选和淘洗，对筛选和淘洗后的数据进行预处理；
S3.确定影响转炉出钢过程Si收得率的工艺参数变量，作为模型的输入变量，建立LSTM神经网络Si收得率预测模型；
S4.确定影响转炉出钢过程Mn收得率的工艺参数变量，作为模型的输入变量，建立LSTM神经网络Mn收得率预测模型；
S5.确定影响转炉出钢过程Cr收得率的工艺参数变量，作为模型的输入变量，建立LSTM神经网络Cr收得率预测模型；
S6.预测模型训练和测试；
S7.采集现场冶炼过程的实时数据，预测Si、Mn和Cr元素收得率；
S8.通过整数线性规划求解合金加入量；
S9.按照求解的合金加入量结果配加合金，出钢结束，数据存入预测模型数据库。
2.根据权利要求1所述的一种转炉出钢过程合金加入量的确定方法，其特征在于，所述步骤S1中，所述转炉生产数据集包括：
生产日期、炉次号、吹炼周期、铁水成分、铁水装入量、废钢装入量、渣料加入量、合金加入量、副枪信息、终点化验成分、吹氧信息、出钢温度、出钢量和合金化后包样化验成分。
3.根据权利要求1所述的一种转炉出钢过程合金加入量的确定方法，其特征在于，所述步骤S2中，所述对采集的转炉生产数据集进行数据筛选和淘洗，具体包括：
删除重复数据，删除异常点和极端异常点，异常数据的评判如式（1）：
Figure 966351DEST_PATH_IMAGE001
（1）
其中，
Figure 696540DEST_PATH_IMAGE002
表示待测数据按照从小到大排序后的第
Figure 7436DEST_PATH_IMAGE003
个数据，
Figure 730541DEST_PATH_IMAGE004
为上四分位数，
Figure 826805DEST_PATH_IMAGE005
为下四分位数，
Figure 180426DEST_PATH_IMAGE006
表示四分位距。
4.根据权利要求1所述的一种转炉出钢过程合金加入量的确定方法，其特征在于，所述步骤S2中，所述对筛选和淘洗后的数据进行预处理，具体包括：
将数据集归一化到[-1,1]，具体处理方式如式（2）所示：
Figure 713038DEST_PATH_IMAGE007
（2）
其中，
Figure 984707DEST_PATH_IMAGE008
为生产数据样本的原始数据；
Figure 184745DEST_PATH_IMAGE009
为经过归一化处理的数据；
Figure 443688DEST_PATH_IMAGE010
表示第
Figure 729175DEST_PATH_IMAGE010
个样本点；
Figure 544816DEST_PATH_IMAGE011
表示第
Figure 599359DEST_PATH_IMAGE011
个输入变量；
Figure 294783DEST_PATH_IMAGE012
、
Figure 818299DEST_PATH_IMAGE013
、
Figure 421319DEST_PATH_IMAGE014
分别为原始数据样本中的最小值、最大值和平均值。
5.根据权利要求1所述的一种转炉出钢过程合金加入量的确定方法，其特征在于，所述步骤S3中，所述Si收得率预测模型输入变量包括：钢包状态、吹损、碱度、总氧量、终点C、终点Mn、出钢温度；
所述步骤S4中，所述Mn收得率预测模型输入变量包括：吹损、碱度、废钢比、总氧量、终点Mn；
所述步骤S5中，所述Cr收得率模型输入变量包括：吹损、废钢比、终点Mn、终点P。
6.根据权利要求1所述的一种转炉出钢过程合金加入量的确定方法，其特征在于，所述步骤S6中，所述模型训练采用预热重启随机梯度下降法动态调整学习率：
重启的含义即使用余弦函数作为周期函数，并在每个周期最大值时重新开始学习速率，
预热的含义即学习率重新开始时并不是从头开始的，而是由模型在最后一步收敛的参数决定，学习率调整如式（3）所示：
Figure 595948DEST_PATH_IMAGE015
（3）
其中，
Figure 213006DEST_PATH_IMAGE016
和
Figure 207506DEST_PATH_IMAGE017
是学习率的范围；
Figure 817479DEST_PATH_IMAGE018
表示每次重启开始到结束这一区间训练轮数的变化次数；
Figure 394085DEST_PATH_IMAGE019
表示重启周期。
7.根据权利要求1所述的一种转炉出钢过程合金加入量的确定方法，其特征在于，所述步骤S8中，所述通过整数线性规划求解合金加入量，具体包括：
以合金加入总成本
Figure 431311DEST_PATH_IMAGE020
最低为目标函数：
Figure 913108DEST_PATH_IMAGE021
（4）
其中：
Figure 874242DEST_PATH_IMAGE022
表示第
Figure 757885DEST_PATH_IMAGE010
种合金料的单价；
Figure 231591DEST_PATH_IMAGE023
表示第
Figure 200684DEST_PATH_IMAGE010
种合金加入量；
同时需满足以下约束条件：
Figure 637613DEST_PATH_IMAGE024
（5）
其中：
Figure 641341DEST_PATH_IMAGE025
为钢液总重量；
Figure 285949DEST_PATH_IMAGE026
为第
Figure 742338DEST_PATH_IMAGE011
种合金的加入量；
Figure 45275DEST_PATH_IMAGE027
为元素
Figure 637930DEST_PATH_IMAGE010
含量；
Figure 187860DEST_PATH_IMAGE028
表示下限值；
Figure 673156DEST_PATH_IMAGE029
表示上限值；
Figure 232313DEST_PATH_IMAGE030
表示元素
Figure 679475DEST_PATH_IMAGE010
合金化前的含量；
Figure 151039DEST_PATH_IMAGE031
表示第
Figure 582020DEST_PATH_IMAGE011
种合金中元素
Figure 476027DEST_PATH_IMAGE010
的含量；
Figure 59586DEST_PATH_IMAGE032
表示元素
Figure 951319DEST_PATH_IMAGE010
收得率；
合金加入量必须满足以下非负条件：
Figure 869596DEST_PATH_IMAGE033
（6）
合金加入量小于可加入合金量的最大值：
Figure 504977DEST_PATH_IMAGE034
（7）
其中：
Figure 677463DEST_PATH_IMAGE035
代表实际生产中第
Figure 5677DEST_PATH_IMAGE036
种合金的最大加入量，
元素收得率除Si、Mn、Cr元素按步骤S7进行预测以外，其他元素，如C、P、S、B和Ti等收得率按照100%参与计算。
8.一种实施权利要求1～7任意一项所述的转炉出钢过程合金加入量的确定方法的转炉出钢过程合金加入量的确定系统。
9.一种实现权利要求1～7任意一项所述的转炉出钢过程合金加入量的确定方法的信息数据处理终端。
10.一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1～7任意一项所述的转炉出钢过程合金加入量的确定方法。
CN202210507582.7A 2022-05-11 2022-05-11 一种转炉出钢过程合金加入量的确定方法和系统 Active CN114611844B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210507582.7A CN114611844B (zh) 2022-05-11 2022-05-11 一种转炉出钢过程合金加入量的确定方法和系统
US18/183,402 US11900255B2 (en) 2022-05-11 2023-03-14 Multi-mode smelting method based on the classification system of molten iron

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210507582.7A CN114611844B (zh) 2022-05-11 2022-05-11 一种转炉出钢过程合金加入量的确定方法和系统

Publications (2)

Publication Number Publication Date
CN114611844A true CN114611844A (zh) 2022-06-10
CN114611844B CN114611844B (zh) 2022-08-05

Family

ID=81870426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210507582.7A Active CN114611844B (zh) 2022-05-11 2022-05-11 一种转炉出钢过程合金加入量的确定方法和系统

Country Status (2)

Country Link
US (1) US11900255B2 (zh)
CN (1) CN114611844B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114875196A (zh) * 2022-07-01 2022-08-09 北京科技大学 一种转炉出钢量的确定方法和系统
CN115094193A (zh) * 2022-06-27 2022-09-23 中冶华天南京工程技术有限公司 一种基于数据挖掘的铁水预处理脱硫智能系统

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117572914B (zh) * 2023-11-17 2024-04-16 北京科技大学 基于可解释性机器学习的lf精炼钢水温度控制方法及装置
CN117371534B (zh) * 2023-12-07 2024-02-27 同方赛威讯信息技术有限公司 一种基于bert的知识图谱构建方法及系统
CN117553921B (zh) * 2024-01-12 2024-04-19 山东钢铁股份有限公司 转炉钢水温度预测方法、系统、终端及存储介质
CN117690505B (zh) * 2024-01-25 2024-06-18 昆明理工大学 一种lstm融合机理模型预测富氧底吹铜熔炼关键参数的方法
CN117744503A (zh) * 2024-02-20 2024-03-22 北京科技大学 一种转炉出钢温度的预测方法
CN117807424B (zh) * 2024-02-29 2024-04-30 山东钢铁股份有限公司 工业大数据驱动的宽厚钢板质量动态在线识别方法及装置
CN118553361A (zh) * 2024-07-30 2024-08-27 西安稀有金属材料研究院有限公司 基于机器学习的镍硼铝中间合金的预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109234491A (zh) * 2018-11-20 2019-01-18 北京科技大学 一种基于极限学习机的转炉炼钢终点锰含量预测方法
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
CN110438284A (zh) * 2019-08-26 2019-11-12 杭州谱诚泰迪实业有限公司 一种转炉智能出钢装置及控制方法
CN111353656A (zh) * 2020-03-23 2020-06-30 大连理工大学 一种基于生产计划的钢铁企业氧气负荷预测方法
CN112036081A (zh) * 2020-08-26 2020-12-04 北京科技大学 基于收得率预测的转炉出钢硅锰合金加入量确定方法
CN114196795A (zh) * 2020-09-17 2022-03-18 上海梅山钢铁股份有限公司 一种转炉出钢过程中合金加入量的控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5327357A (en) * 1991-12-03 1994-07-05 Praxair Technology, Inc. Method of decarburizing molten metal in the refining of steel using neural networks

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109234491A (zh) * 2018-11-20 2019-01-18 北京科技大学 一种基于极限学习机的转炉炼钢终点锰含量预测方法
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
CN110438284A (zh) * 2019-08-26 2019-11-12 杭州谱诚泰迪实业有限公司 一种转炉智能出钢装置及控制方法
CN111353656A (zh) * 2020-03-23 2020-06-30 大连理工大学 一种基于生产计划的钢铁企业氧气负荷预测方法
WO2021189739A1 (zh) * 2020-03-23 2021-09-30 大连理工大学 一种基于生产计划的钢铁企业氧气负荷预测方法
CN112036081A (zh) * 2020-08-26 2020-12-04 北京科技大学 基于收得率预测的转炉出钢硅锰合金加入量确定方法
CN114196795A (zh) * 2020-09-17 2022-03-18 上海梅山钢铁股份有限公司 一种转炉出钢过程中合金加入量的控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐喆: "钢包精炼炉合金添加量的优化设定与应用", 《中国优秀硕士学位论文全文数据库》 *
郑瑞轩 等: "炼钢合金减量化智能控制模型及其应用", 《工程科学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115094193A (zh) * 2022-06-27 2022-09-23 中冶华天南京工程技术有限公司 一种基于数据挖掘的铁水预处理脱硫智能系统
CN114875196A (zh) * 2022-07-01 2022-08-09 北京科技大学 一种转炉出钢量的确定方法和系统
CN114875196B (zh) * 2022-07-01 2022-09-30 北京科技大学 一种转炉出钢量的确定方法和系统
US11987855B2 (en) 2022-07-01 2024-05-21 University Of Science And Technology Beijing Method and system for determining converter tapping quantity

Also Published As

Publication number Publication date
US11900255B2 (en) 2024-02-13
CN114611844B (zh) 2022-08-05
US20230368021A1 (en) 2023-11-16

Similar Documents

Publication Publication Date Title
CN114611844B (zh) 一种转炉出钢过程合金加入量的确定方法和系统
US11475317B2 (en) Microalloyed steel mechanical property prediction method based on globally additive model
JP7028316B2 (ja) 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置
CN109935280B (zh) 一种基于集成学习的高炉铁水质量预测系统及方法
CN110309608B (zh) 一种针对时滞不确定信息的高炉铁水硅含量预报方法
CN108446350B (zh) 一种基于主题模型分析与用户长短兴趣的推荐方法
CN109359723A (zh) 基于改进正则化极限学习机的转炉终点锰含量预测方法
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
CN111915080B (zh) 一种基于铁水质量约束的原燃料成本最优配比方法
CN111310348A (zh) 一种基于pso-lssvm的材料本构模型预测方法
JP6617842B1 (ja) 金属材料の設計支援方法及び設計支援装置
Zhao et al. Prediction of mechanical properties of cold rolled strip based on improved extreme random tree
CN109934421B (zh) 一种面向波动炉况的高炉铁水硅含量预测与补偿方法
US11987855B2 (en) Method and system for determining converter tapping quantity
CN112232429A (zh) 一种高炉整体状态的判断方法、终端设备及存储介质
CN114841277A (zh) 一种转炉出钢合金收得率预测方法和系统
CN108846057A (zh) 一种基于带状时变模糊信息粒的时间序列长期预测方法
CN111861041B (zh) 一种预测Nb微合金钢动态再结晶型流变应力的方法
Liu et al. Establishment and Application of Steel Composition Prediction Model Based on t-Distributed Stochastic Neighbor Embedding (t-SNE) Dimensionality Reduction Algorithm
Liu et al. Predicting Alloying Element Yield in Converter Steelmaking Using t-SNE-WOA-LSTM
CN115034370B (zh) 基于bp网络模型预测高炉炉缸活性的方法
CN113936744B (zh) 热连轧流程生产钒微合金结构钢的在线性能预测方法及系统
CN117831672A (zh) 基于灰色内涵型gm（1,1）的烟化炉冶炼终点预测方法
CN117711516A (zh) 一种转炉终点钢液成分的预测方法
Li et al. Fuel Ratio Prediction Model Based on Attention Mechanism

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