CN115094193A - 一种基于数据挖掘的铁水预处理脱硫智能系统 - Google Patents
一种基于数据挖掘的铁水预处理脱硫智能系统 Download PDFInfo
- Publication number
- CN115094193A CN115094193A CN202210743598.8A CN202210743598A CN115094193A CN 115094193 A CN115094193 A CN 115094193A CN 202210743598 A CN202210743598 A CN 202210743598A CN 115094193 A CN115094193 A CN 115094193A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- module
- data mining
- molten iron
- 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.)
- Pending
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 160
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 87
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 80
- 230000023556 desulfurization Effects 0.000 title claims abstract description 75
- 238000007418 data mining Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 230000010354 integration Effects 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 229910052717 sulfur Inorganic materials 0.000 claims description 19
- 239000011593 sulfur Substances 0.000 claims description 19
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 17
- 229910000831 Steel Inorganic materials 0.000 claims description 16
- 239000010959 steel Substances 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000013079 data visualisation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 5
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 15
- 239000002893 slag Substances 0.000 description 10
- 238000009628 steelmaking Methods 0.000 description 10
- 238000007664 blowing Methods 0.000 description 9
- 238000003756 stirring Methods 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 8
- 230000003009 desulfurizing effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000003780 insertion Methods 0.000 description 6
- 230000037431 insertion Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- MBMLMWLHJBBADN-UHFFFAOYSA-N Ferrous sulfide Chemical compound [Fe]=S MBMLMWLHJBBADN-UHFFFAOYSA-N 0.000 description 1
- 102000005298 Iron-Sulfur Proteins Human genes 0.000 description 1
- 108010081409 Iron-Sulfur Proteins Proteins 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 239000010436 fluorite Substances 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010907 mechanical stirring Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
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
- 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
-
- 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
- C21C1/00—Refining of pig-iron; Cast iron
- C21C1/02—Dephosphorising or desulfurising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Refinement Of Pig-Iron, Manufacture Of Cast Iron, And Steel Manufacture Other Than In Revolving Furnaces (AREA)
Abstract
本发明公开一种基于数据挖掘的铁水预处理脱硫智能系统。包括数据采集模块、数据预处理模块、数据挖掘模块、模型评估模块、模型应用模块；其中，数据采集模块用于根据铁水预处理脱硫工艺，进行数据采集；数据预处理模块用于通过数据清洗、数据规约、数据集成、数据转换等方法，对采集的数据进行数据预处理，建立样本集；并通过随机抽样，将样本集随机分为训练集、验证集和测试集；数据挖掘模块选择数据挖掘方法，建立数据挖掘模型，使用训练集训练模型；模型评估模块使用验证集验证模型；并使用测试集评估模型；模型应用模块基于数据库和数据挖掘模型，建立规则库、知识库，将模型应用于智能系统，指导铁水预处理脱硫工艺。本发明能较好的提高铁水脱硫效果。
Description
技术领域
本发明涉及钢铁冶金和智能制造技术领域，更具体地说，涉及一种基于数据挖掘的铁水预处理脱硫智能系统。
背景技术
随着现代市场对低硫和超低硫钢材的需求的急速增加，钢铁生产过程中对于脱硫技术的要求快速提高。铁水预处理脱硫主要包括机械搅拌法和喷吹法，可以在炼钢工序前进行铁水炉外脱硫，使铁水中的硫含量在进入转炉之前达到较低水平。铁水预处理脱硫在提高钢材性能、降低炼钢脱硫费用、生产高品质钢等方面具有显著优势，已经成为现代钢铁企业生产流程中必备工序之一。
目前，钢铁行业主要使用的铁水预处理脱硫技术，通过经验模型或机理模型，获取脱硫剂加入量等工艺参数。经验模型主要基于生产经验进行总结，依赖人工经验，波动范围较大，参数设定比较粗放；机理模型主要通过冶金反应热力学和动力学机理，通过公式推导进行推算，但由于脱硫反应比较复杂，难以进行精确计算，因此均难以达到脱硫工艺要求。
通过数据挖掘方法，使用机器学习算法进行预测，可以挖掘铁水预处理脱硫工序数据的价值，为工艺参数的设定提供数据支撑，从而为脱硫工艺提供数据可视化和决策智能化支持，降低脱硫剂消耗量，提高铁水脱硫效果，降低炼钢生产成本。
发明内容
针对现有技术存在的缺陷与不足，本发明提供一种基于数据挖掘的铁水预处理脱硫智能系统，通过数据采集模块、数据预处理模块、数据挖掘模块、模型评估模块和模型应用模块，挖掘铁水预处理脱硫工序数据的价值，为脱硫剂加入量，KR法的搅拌器插入深度、搅拌时间、搅拌速度等参数，或喷吹法的喷管插入深度、、喷吹时间、喷吹速度等参数的设定提供数据支撑，为脱硫工艺提供数据可视化和决策智能化支持，降低脱硫剂消耗量，提高铁水脱硫效果，降低炼钢生产成本。
为达到上述目的，本发明基于数据挖掘的铁水预处理脱硫智能系统，所述的系统包括数据采集模块、数据预处理模块、数据挖掘模块、模型评估模块、模型应用模块；其中，
数据采集模块用于根据铁水预处理脱硫工艺，进行数据采集；
数据预处理模块用于通过数据清洗、数据规约、数据集成、数据转换等方法，对采集的数据进行数据预处理，建立样本集；并通过随机抽样，将样本集随机分为训练集、验证集和测试集；
数据挖掘模块选择数据挖掘方法，建立数据挖掘模型，使用训练集训练模型；
模型评估模块使用验证集验证模型；并使用测试集评估模型；
模型应用模块基于数据库和数据挖掘模型，建立规则库、知识库，将模型应用于智能系统，指导铁水预处理脱硫工艺。
数据采集模块采用OPC协议、TCP/IP协议等通讯协议，通过工业互联网，分别与PLC、PCS、铁前MES、钢后MES等通讯，进行数据采集，并将采集的数据存入数据库中；
进一步的，数据预处理模块包括数据清洗子模块、数据规约子模块、数据集成子模块、数据转换子模块；
数据清洗子模块：对于采集的数据，进行缺失值处理和异常值处理。其中，对于缺失值，当样本集足够大时，剔除该样本；当样本集不够大时，使用特征平均值代替缺失值；对于异常值，基于欧氏距离、马氏距离、曼哈顿距离等进行异常值检测，剔除该样本；
数据集成子模块：以炉次为单位，将PLC、PCS、铁前MES、钢后MES等汇聚融合的分布式多元异构数据进行有机集成，按一个炉次号对应的相关数据作为一个样本，将所有样本作为样本集；
数据规约子模块：以脱硫工艺为基准，在尽可能保持数据原貌的前提下精简数据量。其中，采用小波变换WT、主成分分析PCA、特征集选择FSS等方法进行维度规约，删除与本数据挖掘模型不相关的属性，如删除脱硫开始时间、脱硫结束时间等，以减少数据量；采用回归模型、对数线性模型等参数化方法或聚类、抽样等非参数化方法进行数值规约，如采用线性回归或多项式回归，将炉渣重量表示为铁水重量的函数，代替原始的炉渣重量，以减少数据量；
数据转换子模块：通过标准化、平滑化等方式，将数据转换成适合数据挖掘的形式；对于铁水温度等数据，采用最小-最大标准化或标准差标准化等方法进行标准化处理，使其合理分布于标准化区间内；对于KR法搅拌速度等数据，采用聚类等方法进行平滑化处理，去除数据中的噪声。
进一步的，采用随机抽样方法，将样本集分为训练集、验证集和测试集。其中，训练集为样本集的60％，用于训练模型；验证集为样本集的20％，用于调整和选择模型；测试集为样本集的20％，用于评估模型。
进一步的，数据挖掘模块根据脱硫工艺，结合数据情况，选择一种或多种数据挖掘方法，采用统计方法、分类规则、关联规则、聚类分析、决策树、模糊集、神经网络、遗传算法等，建立数据挖掘模型，使用训练集训练模型。
进一步的，使用验证集验证模型，根据验证结果不断调整模型，选择其中表现最好的模型，再用训练集和验证集训练模型，作为最终模型。
进一步的，使用测试集评估最终模型，根据脱硫后的铁水硫含量等数据的预测值与实际值的误差大小，使用平均绝对误差、均方误差、均方根误差等指标进行评估，验证数据挖掘结果的正确性，评估最终模型的可靠性。当最终模型的可靠性满足工艺要时，停止训练，以供智能系统使用；当其可靠性不满足工艺要求时，通过优化数据样本、调整模型参数、更换数据挖掘方法等，迭代训练，直至满足工艺要求。
进一步的，基于数据库和数据挖掘模型，生成规则库和知识库，通过建立数据可视化和决策智能化的智能系统，指导脱硫工艺，揭示脱硫机理。
进一步的，所述的智能系统基于B/S架构开发，通过OPC协议、TCP/IP协议等通讯协议，分别与PLC、PCS、MES等进行通讯，通过OT与IT深度融合，实现数据可视化和决策智能化，降低脱硫剂加入量，提高脱硫操作精细程度，提高铁水脱硫效果，降低炼钢生产成本。
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
本发明可以通过挖掘铁水预处理脱硫生产中产生的数据的价值，基于B/S架构开发智能系统，基于数据库和数据挖掘，建立规则库和知识库，通过OPC协议、TCP/IP协议等通讯协议，分别与PLC、PCS、MES等进行通讯，通过OT与IT深度融合，基于数据挖掘模型实现数据可视化和决策智能化，降低脱硫剂加入量，提高脱硫操作精细程度，提高铁水脱硫效果，降低炼钢生产成本。
附图说明
图1为本发明的智能系统实施图；
图2为本发明的数据挖掘流程图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本实施例的一种基于数据挖掘的铁水预处理脱硫智能系统，包括数据采集模块、数据预处理模块、数据挖掘模块、模型评估模块、模型应用模块。某钢铁企业转炉公称容量150t，使用KR法进行铁水预处理脱硫，采用石灰、萤石等作为脱硫剂，铁水经过脱硫处理，提高产品质量和连铸坯合格率，减轻高炉、转炉和精炼的脱硫负担，扩大冶炼品种，降低生产成本，优化生产工艺。铁水供应采用一罐制，由铁水罐车经铁路运输至炼钢加料跨，由天车吊运至脱硫台车上，进入脱硫工序，通过本发明的铁水预处理脱硫智能系统，进行脱硫，其步骤为：
步骤一：通过OPC、TCP/IP等通讯协议，分别从铁区MES获取炉次号、铁水重量、炉渣重量等数据，从PLC、PCS获取搅拌器插入深度、搅拌时间、搅拌速度等数据，从钢后MES获取目标硫含量等数据，从检化验系统获取脱硫前铁水温度、硫含量以及脱硫后铁水温度、硫含量等数据，将数据存入SQL Server；
步骤二：进行数据预处理，包括数据清洗、数据规约、数据集成、数据转换。
通过数据清洗子模块，进行缺失值处理和异常值处理：对于缺失值，当样本集≥1000时，剔除该样本；当样本集<1000时，使用特征平均值代替缺失值；对于异常值，基于欧氏距离进行异常值检测，剔除该样本。
数据规约子模块，采用小波变换WT、主成分分析PCA、特征集选择FSS等方法中的一种多多种，进行维度规约，删除与本数据挖掘模型不相关的属性，如删除脱硫开始时间、脱硫结束时间等，以减少数据量；采用回归模型、对数线性模型等参数化方法或聚类、抽样等非参数化方法中的一种或多种，进行数值规约，如采用线性回归或多项式回归，将炉渣重量表示为铁水重量的函数，代替原始的炉渣重量，以减少数据量；
通过数据集成子模块，以炉次为单位，通过炉次号进行物料跟踪，记录每个炉次自高炉出铁、铁水预处理脱硫、转炉炼钢的全生命周期，通过时空转换，将铁前MES、PLC、PCS、钢后MES以及检化验系统等汇聚融合的分布式多元异构数据进行有机集成，按一个炉次号对应的相关数据作为一个样本，将所有样本作为样本集。
通过数据转换子模块，使用标准化、平滑化等方式，将数据转换成适合数据挖掘的形式。对于铁水温度等数据，采用最小-最大标准化或标准差标准化等方法进行标准化处理，使其合理分布于标准化区间内；对于搅拌速度等数据，采用聚类方法进行平滑化处理，去除数据中的噪声。
数据预处理结束后，将数据存入SQL Server服务器。
步骤三：采用随机抽样方法，将样本集分为训练集、验证集和测试集。其中，训练集为样本集的60％，用于训练模型；验证集为样本集的20％，用于调整和选择模型；测试集为样本集的20％，用于评估模型；
步骤四：根据脱硫工艺，设定模型输入为：铁水重量、炉渣重量、脱硫前铁水温度、脱硫前硫含量、目标硫含量、脱硫剂加入量、搅拌器插入深度、搅拌时间、搅拌速度等，模型输出为：脱硫后铁水温度、脱硫后硫含量等；根据样本情况，选择统计方法、分类规则、关联规则、聚类分析、决策树、模糊集、神经网络、遗传算法等方法中的一种或多种，建立数据挖掘模型，使用训练集训练模型；
步骤五：使用验证集验证模型，根据验证结果不断调整模型，通过泛化误差最小，选择表现最好的模型，再用训练集和验证集训练模型，作为最终模型；
步骤六：使用测试集评估最终模型，根据脱硫后硫含量等数据的预测值与实际值的误差大小，使用平均绝对误差、均方误差、均方根误差等指标进行评估，验证数据挖掘结果的正确性，评估最终模型的可靠性。当最终模型的可靠性满足工艺要时，停止训练，以供智能系统使用；当其可靠性不满足工艺要求时，通过优化数据样本、调整模型参数、更换数据挖掘方法等，迭代训练，直至满足工艺要求；
步骤七：基于B/S架构开发智能系统，使用SQL Server数据库，通过OPC协议、TCP/IP协议等通讯协议，分别与PLC、PCS、MES、检化验系统等进行通讯，通过OT与IT深度融合，进行网络通讯、数据采集与控制执行，嵌入数据预处理模块、数据挖掘模块，基于数据挖掘模型生成规则库和知识库，通过建立数据可视化和决策智能化的智能系统，指导脱硫工艺，揭示脱硫机理。
实施例2
本实施例的一种基于数据挖掘的铁水预处理脱硫智能系统，包括数据采集模块、数据预处理模块、数据挖掘模块、模型评估模块、模型应用模块。某钢铁企业转炉公称容量150t，使用喷吹法进行铁水预处理脱硫，采用Mg基脱硫剂作为脱硫剂，铁水经过脱硫处理，提高产品质量和连铸坯合格率，减轻高炉、转炉和精炼的脱硫负担，扩大冶炼品种，降低生产成本，优化生产工艺。铁水供应采用一罐制，由铁水罐车经铁路运输至炼钢加料跨，由天车吊运至脱硫台车上，进入脱硫工序，通过本发明的铁水预处理脱硫智能系统，进行脱硫，其步骤为：
步骤一：通过OPC、TCP/IP等通讯协议，分别从铁区MES获取炉次号、铁水重量、炉渣重量等数据，从PLC、PCS获取喷枪插入深度、喷吹时间、喷吹速度等数据，从钢后MES获取目标硫含量等数据，从检化验系统获取脱硫前铁水温度、硫含量以及脱硫后铁水温度、硫含量等数据，将数据存入SQL Server；
步骤二：进行数据预处理，包括数据清洗、数据规约、数据集成、数据转换。
通过数据清洗子模块，进行缺失值处理和异常值处理：对于缺失值，当样本集≥1000时，剔除该样本；当样本集<1000时，使用特征平均值代替缺失值；对于异常值，基于欧氏距离进行异常值检测，剔除该样本。
数据规约子模块，采用小波变换WT、主成分分析PCA、特征集选择FSS等方法中的一种多多种，进行维度规约，删除与本数据挖掘模型不相关的属性，如删除喷吹开始时间、喷吹结束时间等，将其转化为喷吹时间，以减少数据量；采用回归模型、对数线性模型等参数化方法或聚类、抽样等非参数化方法中的一种或多种，进行数值规约，如采用线性回归或多项式回归，将炉渣重量表示为铁水重量的函数，代替原始的炉渣重量，以减少数据量；
通过数据集成子模块，以炉次为单位，通过炉次号进行物料跟踪，记录每个炉次自高炉出铁、铁水预处理脱硫、转炉炼钢的全生命周期，通过时空转换，将铁前MES、PLC、PCS、钢后MES以及检化验系统等汇聚融合的分布式多元异构数据进行有机集成，按一个炉次号对应的相关数据作为一个样本，将所有样本作为样本集。
通过数据转换子模块，使用标准化、平滑化等方式，将数据转换成适合数据挖掘的形式。对于铁水温度等数据，采用最小-最大标准化或标准差标准化等方法进行标准化处理，使其合理分布于标准化区间内；对于喷吹速度等数据，采用聚类方法进行平滑化处理，去除数据中的噪声。
数据预处理结束后，将数据存入SQL Server服务器。
步骤三：采用随机抽样方法，将样本集分为训练集、验证集和测试集。其中，训练集为样本集的60％，用于训练模型；验证集为样本集的20％，用于调整和选择模型；测试集为样本集的20％，用于评估模型；
步骤四：根据脱硫工艺，设定模型输入为：铁水重量、炉渣重量、脱硫前铁水温度、脱硫前硫含量、目标硫含量、脱硫剂加入量、喷管插入深度、喷吹时间、喷吹速度等，模型输出为：脱硫后铁水温度、脱硫后硫含量等；根据样本情况，选择统计方法、分类规则、关联规则、聚类分析、决策树、模糊集、神经网络、遗传算法等方法中的一种或多种，建立数据挖掘模型，使用训练集训练模型；
步骤五：使用验证集验证模型，根据验证结果不断调整模型，通过泛化误差最小，选择表现最好的模型，再用训练集和验证集训练模型，作为最终模型；
步骤六：使用测试集评估最终模型，根据脱硫后硫含量等数据的预测值与实际值的误差大小，使用平均绝对误差、均方误差、均方根误差等指标进行评估，验证数据挖掘结果的正确性，评估最终模型的可靠性。当最终模型的可靠性满足工艺要时，停止训练，以供智能系统使用；当其可靠性不满足工艺要求时，通过优化数据样本、调整模型参数、更换数据挖掘方法等，迭代训练，直至满足工艺要求；
步骤七：基于B/S架构开发智能系统，使用SQL Server数据库，通过OPC协议、TCP/IP协议等通讯协议，分别与PLC、PCS、MES、检化验系统等进行通讯，通过OT与IT深度融合，进行网络通讯、数据采集与控制执行，嵌入数据预处理模块、数据挖掘模块，基于数据挖掘模型生成规则库和知识库，通过建立数据可视化和决策智能化的智能系统，指导脱硫工艺，揭示脱硫机理。
本发明通过基于数据挖掘的铁水预处理脱硫智能系统，与原有系统相比，实现一键脱硫比例超过92％，脱硫终点命中率达到98％以上，铁水硫含量降低至0.005％以下，搅拌时间缩短15～20％以上，脱硫剂消耗量降低10～20％，提高脱硫效果，缩短脱硫时间，提高智能化水平。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (9)
1.一种基于数据挖掘的铁水预处理脱硫智能系统，其特征在于，所述的系统包括数据采集模块、数据预处理模块、数据挖掘模块、模型评估模块、模型应用模块；其中，
数据采集模块用于根据铁水预处理脱硫工艺，进行数据采集；
数据预处理模块用于通过数据清洗、数据规约、数据集成、数据转换等方法，对采集的数据进行数据预处理，建立样本集；并通过随机抽样，将样本集随机分为训练集、验证集和测试集；
数据挖掘模块选择数据挖掘方法，建立数据挖掘模型，使用训练集训练模型；
模型评估模块使用验证集验证模型；并使用测试集评估模型；
模型应用模块基于数据库和数据挖掘模型，建立规则库、知识库，将模型应用于智能系统，指导铁水预处理脱硫工艺。
2.如权利要求1所述的基于数据挖掘的铁水预处理脱硫智能系统，其特征在于，所述的数据采集模块采用OPC协议、TCP/IP协议，通过工业互联网，分别与PLC、PCS、铁前MES、钢后MES通讯，进行数据采集，并将采集的数据存入数据库中。
3.如权利要求1所述的基于数据挖掘的铁水预处理脱硫智能系统，其特征在于，所述的数据预处理模块包括数据清洗子模块、数据规约子模块、数据集成子模块、数据转换子模块；其中，
数据清洗子模块：对于采集的数据，进行缺失值处理和异常值处理。其中，对于缺失值，当样本集足够大时，剔除该样本；当样本集不够大时，使用特征平均值代替缺失值；对于异常值，基于欧氏距离、马氏距离、曼哈顿距离等进行异常值检测，剔除该样本；
数据集成子模块：以炉次为单位，将PLC、PCS、铁前MES、钢后MES等汇聚融合的分布式多元异构数据进行有机集成，按一个炉次号对应的相关数据作为一个样本，将所有样本作为样本集；
数据规约子模块：以脱硫工艺为基准，在尽可能保持数据原貌的前提下精简数据量；其中，采用小波变换WT、主成分分析PCA、特征集选择FSS方法进行维度规约，删除与本数据挖掘模型不相关的属性；采用回归模型、对数线性模型或聚类、抽样进行数值规约；
数据转换子模块：通过标准化、平滑化方式，将数据转换成适合数据挖掘的形式。
4.如权利要求1所述的基于数据挖掘的铁水预处理脱硫智能系统，其特征在于，采用随机抽样方法，将样本集分为训练集、验证集和测试集；其中，训练集为样本集的60％，用于训练模型；验证集为样本集的20％，用于调整和选择模型；测试集为样本集的20％，用于评估模型。
5.如权利要求1所述的基于数据挖掘的铁水预处理脱硫智能系统，其特征在于，数据挖掘模块根据脱硫工艺，结合数据情况，选择一种或多种数据挖掘方法，采用统计方法、分类规则、关联规则、聚类分析、决策树、模糊集、神经网络、遗传算法建立数据挖掘模型，使用训练集训练模型。
6.如权利要求1所述的基于数据挖掘的铁水预处理脱硫智能系统，其特征在于，使用验证集验证模型，根据验证结果不断调整模型，选择其中表现最好的模型，再用训练集和验证集训练模型，作为最终模型。
7.如权利要求1所述的基于数据挖掘的铁水预处理脱硫智能系统，其特征在于，使用测试集评估最终模型，根据脱硫后的铁水硫含量等数据的预测值与实际值的误差大小，使用平均绝对误差、均方误差、均方根误差进行评估，验证数据挖掘结果的正确性，评估最终模型的可靠性；当最终模型的可靠性满足工艺要时，停止训练，以供智能系统使用；当其可靠性不满足工艺要求时，通过优化数据样本、调整模型参数、更换数据挖掘方法，迭代训练，直至满足工艺要求。
8.如权利要求1所述的基于数据挖掘的铁水预处理脱硫智能系统，其特征在于，模型应用模块基于数据库和数据挖掘模型，生成规则库和知识库，通过建立数据可视化和决策智能化的智能系统，指导脱硫工艺。
9.如权利要求1所述的基于数据挖掘的铁水预处理脱硫智能系统，其特征在于，所述的智能系统基于B/S架构开发，通过OPC协议、TCP/IP协议，分别与PLC、PCS、MES等进行通讯，通过OT与IT深度融合，基于数据挖掘模型实现数据可视化和决策智能化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210743598.8A CN115094193A (zh) | 2022-06-27 | 2022-06-27 | 一种基于数据挖掘的铁水预处理脱硫智能系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210743598.8A CN115094193A (zh) | 2022-06-27 | 2022-06-27 | 一种基于数据挖掘的铁水预处理脱硫智能系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115094193A true CN115094193A (zh) | 2022-09-23 |
Family
ID=83294284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210743598.8A Pending CN115094193A (zh) | 2022-06-27 | 2022-06-27 | 一种基于数据挖掘的铁水预处理脱硫智能系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115094193A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117387172A (zh) * | 2023-12-11 | 2024-01-12 | 江苏中江数字建设技术有限公司 | 基于精准推荐设备控制参数的末端空调节能方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050114377A1 (en) * | 2003-11-21 | 2005-05-26 | International Business Machines Corporation | Computerized method, system and program product for generating a data mining model |
| CN109271374A (zh) * | 2018-10-19 | 2019-01-25 | 国网江苏省电力有限公司信息通信分公司 | 一种基于机器学习的数据库健康度打分方法和打分系统 |
| CN109840362A (zh) * | 2019-01-16 | 2019-06-04 | 昆明理工大学 | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 |
| CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
| CN111899894A (zh) * | 2020-08-03 | 2020-11-06 | 东南大学 | 一种抑郁症患者预后药效评估系统及其评估方法 |
| CN113469449A (zh) * | 2021-07-13 | 2021-10-01 | 浙江菲达环保科技股份有限公司 | 脱硫系统的寻优控制方法及系统 |
| CN114201915A (zh) * | 2021-11-30 | 2022-03-18 | 汉谷云智(武汉)科技有限公司 | 一种基于时延神经网络及支持向量机的脱硫效率预测方法 |
| CN114398828A (zh) * | 2022-01-06 | 2022-04-26 | 中海石油(中国)有限公司 | 一种钻速智能预测及优化方法、系统、设备和介质 |
| CN114611844A (zh) * | 2022-05-11 | 2022-06-10 | 北京科技大学 | 一种转炉出钢过程合金加入量的确定方法和系统 |
-
2022
- 2022-06-27 CN CN202210743598.8A patent/CN115094193A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050114377A1 (en) * | 2003-11-21 | 2005-05-26 | International Business Machines Corporation | Computerized method, system and program product for generating a data mining model |
| CN109271374A (zh) * | 2018-10-19 | 2019-01-25 | 国网江苏省电力有限公司信息通信分公司 | 一种基于机器学习的数据库健康度打分方法和打分系统 |
| CN109840362A (zh) * | 2019-01-16 | 2019-06-04 | 昆明理工大学 | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 |
| CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
| CN111899894A (zh) * | 2020-08-03 | 2020-11-06 | 东南大学 | 一种抑郁症患者预后药效评估系统及其评估方法 |
| CN113469449A (zh) * | 2021-07-13 | 2021-10-01 | 浙江菲达环保科技股份有限公司 | 脱硫系统的寻优控制方法及系统 |
| CN114201915A (zh) * | 2021-11-30 | 2022-03-18 | 汉谷云智(武汉)科技有限公司 | 一种基于时延神经网络及支持向量机的脱硫效率预测方法 |
| CN114398828A (zh) * | 2022-01-06 | 2022-04-26 | 中海石油(中国)有限公司 | 一种钻速智能预测及优化方法、系统、设备和介质 |
| CN114611844A (zh) * | 2022-05-11 | 2022-06-10 | 北京科技大学 | 一种转炉出钢过程合金加入量的确定方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈建: "基于数据挖掘技术的宝钢铁水脱硫数学模型的建立与应用", 中国优秀硕士学位论文全文数据库, no. 2015, pages 138 - 1688 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117387172A (zh) * | 2023-12-11 | 2024-01-12 | 江苏中江数字建设技术有限公司 | 基于精准推荐设备控制参数的末端空调节能方法和系统 |
| CN117387172B (zh) * | 2023-12-11 | 2024-05-17 | 江苏中江数字建设技术有限公司 | 基于精准推荐设备控制参数的末端空调节能方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108676955B (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
| CN109063358B (zh) | 一种新型高炉顺行评价的方法 | |
| JP6573035B2 (ja) | 溶鋼中りん濃度推定方法及び転炉吹錬制御装置 | |
| CN102915027B (zh) | 一种基于模式识别技术构建的高炉冶炼专家系统及其方法 | |
| CN115094193A (zh) | 一种基于数据挖掘的铁水预处理脱硫智能系统 | |
| CN112418538A (zh) | 一种基于随机森林分类的连铸坯夹杂预测方法 | |
| CN110807577A (zh) | 污染排放预测方法及装置 | |
| CN113343576B (zh) | 基于深度神经网络的钙处理过程中钙的收得率的预测方法 | |
| CN113192568A (zh) | 一种精炼炉脱硫终点预报方法和系统 | |
| KR102149053B1 (ko) | 성분 예측 모델링 시스템 및 방법 | |
| CN112232703A (zh) | 铸坯质量判定方法及系统 | |
| CN116307289A (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
| Takalo-Mattila et al. | Explainable steel quality prediction system based on gradient boosting decision trees | |
| CN114692983A (zh) | 一种特种车辆自动换挡预测方法及系统 | |
| CN108364095B (zh) | 基于数据挖掘的炼钢生产过程钢水质量诊断方法 | |
| CN109840309B (zh) | 一种铁水脱硫剂用量的计算方法 | |
| CN116186936B (zh) | 连铸工艺参数的确定方法、系统、设备及介质 | |
| CN112522466A (zh) | 一种脱硫最优参数的确定方法 | |
| CN116911057A (zh) | 一种转炉炼钢吹炼过程熔池温度实时预测方法 | |
| CN113065222B (zh) | 炉缸状态评估的方法及装置 | |
| KR102167985B1 (ko) | 고로의 출선구 폐쇄 시점 예측 시스템 및 그 방법 | |
| JP2021110016A (ja) | モデル構築装置、予測装置、モデル構築方法、予測方法及びコンピュータプログラム | |
| CN109492305A (zh) | 一种基于发射车多级缸起竖控制方法 | |
| CN117195460A (zh) | 基于动态规划算法的冷轧产品取样方法及系统 | |
| CN115011759A (zh) | 一种铁水预处理脱硫扒渣智能方法 |
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 |