CN115456264A - 一种中小型转炉的终点碳含量和终点温度预测方法 - Google Patents

Abstract

本发明提供了一种中小型转炉的终点碳含量和终点温度预测方法，属于智能冶炼工艺领域。所述预测方法获取中小型转炉的历史生产数据并进行维度筛选，再基于共享最近邻传播SNN‑AP算法构建聚类模型，将筛选后的数据集输入聚类模型，得到基于模型训练数据集的聚类中心点集及对应的聚类数据集，为每类数据集建立终点碳含量预测模型和终点温度预测模型；将每个类别的数据集输入对应的预测模型进行训练，得到成熟的预测模型；采集中小型转炉与比较数列对应的数据项，输入对应类别的成熟的预测模型，得到预测的当前碳含量及温度。本发明利用SNN‑AP聚类算法将相似炉况的冶炼数据归纳区分，提高了终点碳含量和终点温度预测的准确度和精度。

Description

一种中小型转炉的终点碳含量和终点温度预测方法

技术领域

本发明属于智能冶炼工艺及设备领域，具体涉及一种中小型转炉的终点碳 含量和终点温度预测方法。

背景技术

冶炼时的终点控制工艺决定产品品质。终点控制即控制冶炼终点时使金属 的化学成分和温度同时达到计划钢种出钢要求而进行的控制，包括增碳法和拉 碳法等。终点控制的具体目标包括：钢水的碳含量应达到所炼钢种要求的目标 范围；钢中磷、硫含量应低于规格下限要求的范围；出钢温度应保证下步工序： 如炉外精炼、浇注的顺利进行；在冶炼沸腾钢、半镇静钢时还应保持钢水应有 的氧化性，在具体操作中一般需要进行碳含量监测和温度监测(碳温监测)。

中小型转炉的终点控制通常包括人工控制方法、静态控制方法、副枪和炉 气分析动态控制方法、光学图像控制方法和基于数据模型的智能控制方法。其 中，人工控制和静态控制方法缺少智能算法的指导与参考，终点碳温命中率较 低，经常需要进行二次补吹，或不得不高温出钢，导致冶炼成本的提高和冶金 资源的浪费；副枪动态控制并不适用于中小型转炉，且炉气分析动态控制成本 过高。光学图像控制中图像识别预测终点碳温的技术尚不成熟；而基于数据模 型的智能控制方法不存在上述缺陷，相对比较具有优势，转炉终点碳温预测是 其核心技术。

现有技术中，有学者针对物料加入量对不同类别终点碳温的影响不同的情 况，将数据按终点碳含量划分为低碳(C<0.06％)、高碳(C≥0.06％)两类，然后进 行碳温预测，预测精度显著提升，终点碳含量C预测在误差|ΔC|＜0.02％内从 46.28％提升至68.09％，终点温度T预测在误差|ΔT|＜15℃内从47.14％提升至 55.45％，实现了提高模型预测能力的目标。但其研究将冶炼终点C含量作为考 虑分类的依据，对真正影响冶炼结果的各项冶炼因素的考虑则略有欠缺，且由 于是以冶炼开始前无法知悉的终点C含量作为分类考量，因此在实际生产中应 用难度较高。

也有学者为准确预报转炉终点的P、S含量，采用了依据铁水入炉P、S含 量(高磷、中磷、低磷；高硫、中硫、低硫)及所采取的造渣操作的不同模式 (大渣量高碱度、小渣量低碱度、一般造渣)对炉次数据分类的方法。以冶炼 过程操作与入炉铁水为分类依据，分别尝试以造渣操作和入炉硫、造渣操作和 入炉磷为准，将数据分为9类，并分别建模预测，最终模型命中率在不同类别 下表现不同，模型总精度在误差|ΔP|＜0.004％内达到63.5％，|ΔS|＜0.003％ 内达到86.6％。由于考虑冶炼过程造渣操作时依据的是机理计算所得终点渣量 与终渣成分，鉴于转炉冶炼的复杂性，机理计算的结果很可能产生偏差，难以 保证求得的终点成分的准确性，模型在现场应用难度较高。

发明内容

鉴于现有技术中所存在的问题，本发明实施例提供了一种中小型转炉的终 点碳含量和终点温度预测方法，针对生产现场对不同炉况采取相应冶炼策略的 现况，提出基于共享最近邻思想的近邻传播(SNN-AP)算法，将实际生产数 据集进行聚类，并在此基础上进行转炉终点碳含量和终点温度预测的建模。

为了实现上述目的，本发明实施例所采用的技术方案如下：

一种中小型转炉的终点碳含量和终点温度预测方法，其特征在于，包括如 下步骤：

步骤S1，获取中小型转炉的历史生产数据，并对历史生产数据进行维度筛 选，得到用于模型训练的数据集；

步骤S2，基于共享最近邻传播SNN-AP算法构建聚类模型，将所述用于模 型训练的数据集输入所述聚类模型，得到基于模型训练数据集的聚类中心点集 及对应的聚类数据集；

步骤S3，为每类数据集建立终点碳含量预测模型和终点温度预测模型；

步骤S4，将每个类别的数据集输入对应的所述终点碳含量预测模型及终点 温度预测模型进行训练，得到成熟的终点碳含量预测模型及终点温度预测模型；

步骤S5，采集所述中小型转炉与所述比较数列对应的数据项，输入对应类 别的成熟的终点碳含量预测模型及终点温度预测模型，得到预测的当前碳含量 及温度。

作为本发明的一个优选实施例，步骤S1所述对历史生产数据进行维度筛 选，首先筛除异常数据后，再选用灰色关联度算法进行数据分析和选取。

作为本发明的一个优选实施例，所述灰色关联度算法包括：

步骤S11，选定参考数列和比较数列；其中，选定终点碳含量与终点温度 为参考数列；选定除终点碳含量与终点温度以外的数据项数列为比较数列；

步骤S12，对所述参考数列和比较数列进行无量纲化处理；

步骤S13，计算处理后的参考数列和比较数列间的灰色关联系数与灰色关 联度。

作为本发明的一个优选实施例，采用邓氏关联度计算灰色关联系数与灰色 关联度。

作为本发明的一个优选实施例，所述共享最近邻传播SNN-AP算法，设置 数据量为n的m维数据集D_n×m，以数据集内两数据i、k间相似度s(i,k)为基础， 计算描述点k适合作为数据点i的聚类中心程度的吸引度r(i,k)，由此组成的吸 引度矩阵R如式(1)所示：

R＝[r(i,k)]_n×n (1)

计算描述点i选择点k适合作为其聚类中心程度的归属度a(i,k)，由此组成 的归属度矩阵A如式(2)所示：

A＝[a(i,k)]_n×n (2)

式(1)和(2)中，r(i,k)表示点k作为中心点对点i的吸引度，a(i,k)表示点k 作为中心点时，点i归属于点k的归属度。

作为本发明的一个优选实施例，所述共享最近邻传播SNN-AP算法的运行 过程包括：

步骤S21，对R、A两个矩阵及中心未变次数进行初始化，计算数据集的 相似度矩阵S＝[s(i,k)]_n×n；

步骤S22，以相似度矩阵S＝[s(i,k)]_n×n为基础，对吸引度矩阵R＝ [r(i,k)]_n×n、归属度矩阵A＝[a(i,k)]_n×n两个信息量矩阵进行交替更新；

步骤S23，以r(i,i)+a(i,i)＞0作为预设规则，当点i对自身的吸引度和 自身的归属度之和大于0时，选择该点作为聚类中心点；

步骤S24，当多次迭代得到的聚类中心点集均未变化时，或迭代次数达到 预设最大值时，结束迭代，并得到最终的聚类中心点集；

步骤S25，以max(a(i,j)+r(i,j))作为规则，将聚类中心点外的其余点分 配至合适的聚类中心点下，从而得到最终的隶属关系与聚类结果。

作为本发明的一个优选实施例，步骤S22中，以相似度矩阵S＝[s(i,k)]_n×n为基础，对吸引度矩阵R＝[r(i,k)]_n×n、归属度矩阵A＝[a(i,k)]_n×n两个信息 量矩阵进行交替更新时，以数据点之间共享最近邻SNN为指标的相似性度量 方式，对AP算法进行改进，运用灰色关联度算法对SNN中寻找K近邻时的距 离度量公式进行修正。

作为本发明的一个优选实施例，修正后的距离度量公式如式(4)所示：

式(4)中，l代表数据的维度，i_l代表点i第l维的数据，k_l代表点k第l 维的数据，ω_l代表第l维数据的修正系数值。

作为本发明的一个优选实施例，采用梯度提升树算法建立终点碳含量预测 模型和终点温度预测模型。

作为本发明的一个优选实施例，所述梯度提升树算法，包括：

梯度提升树算法表示为：

式(6)中，K为树的总棵数；f_k为第k棵树；

为样本x_i的计算结果；

梯度提升树算法下终点碳含量预测模型和终点温度预测模型的迭代公式为：

式(7)中，t为组合t棵树；

为t棵树模型对样本的预测结果；

为组合t-1棵树模型对样本的预测结果；f_t(x_i)为第t棵树模型对本次迭 代损失的估计值；

每轮迭代的时候，都用损失函数在当前模型下的负梯度来拟合本轮损失的 估计值，这样每轮训练的时候都能够让损失函数尽可能快地减小，尽快的收敛 达到局部最优解或者全局最优解；对于第t轮的第i个样本的损失函数的负梯 度r_ti表示为：

式(8)中，

表示第t轮的第i个样本的损失函数；

再计算第t棵树模型对本轮损失的估计值：

式(9)中，L_tj表示第t棵树的第j个叶子节点；c_tj表示第t棵树的第j个 叶子节点上使损失函数最小的拟合值。

本发明具有如下有益效果：

本发明实施例所提供的中小型转炉的终点碳含量和终点温度预测方法，包 括：步骤S1，获取中小型转炉的历史生产数据，并对历史生产数据进行维度筛 选，得到用于模型训练的数据集；步骤S2，基于共享最近邻思想的近邻传播 (SNN-AP)算法构建聚类模型，并得到聚类中心点集及对应的聚类数据集； 步骤S3，为每类数据集建立终点碳含量预测模型和终点温度预测模型；步骤 S4，将所述数据集输入聚类模型中，得到基于数据集的n个类别数据集；在每 个类别数据集下对所述终点碳含量预测模型及终点温度预测模型进行训练，得 到成熟的终点碳含量预测模型及终点温度预测模型；步骤S5，采集所述中小型 转炉与所述比较数列对应的数据项，输入成熟的终点碳含量预测模型及终点温 度预测模型，得到预测的碳含量及温度。本发明采用适合炼钢高维复杂数据的 SNN共享最近邻算法改进AP聚类算法将相似炉况的冶炼数据归纳区分，从而 更好地挖掘各种炉况下转炉冶炼的规律，构建中小型转炉终点碳温预测模型， 提高了终点控制的准确度和精度。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所 有优点。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所 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说，在不付出创造性劳动的前提下， 还可以根据这些附图获得其他附图。

图1为本发明实施例所提供的中小型转炉终点碳温预测流程图；

图2为本发明实施例中SNN-AP模型运行过程流程图；

图3为本发明实例中转炉终点C含量预测模型命中率统计对比图；

图4为本发明实例中转炉终点温度预测模型命中率统计对比图。

具体实施方式

本申请发明人对现有的中小型转炉的终点碳温预测方法进行了细致研究。 研究发现，现有转炉冶炼多在人工经验判断的基础上，根据铁水温度、成分含 量和物料种类等炉况不同，采取相应的冶炼策略。若将各类炉况混在一起进行 建模、预测，遵循不同冶炼策略的炉次数据被混，将会导致模型的精度降低。

相比于大型转炉，中小型转炉由于在冶炼过程中加入的铁水成分和温度波 动大，废钢、合金和造渣辅料等成分波动大，中小转炉冶炼的炉况更加复杂。 过去的多数研究为提高模型精度，往往选择筛选出具有代表性的炉况进行预测， 即针对部分关键属性进行范围限制，并在此基础上建模预测。这种思路本质是 牺牲模型的适用范围来提高精度，在实际应用中，当关键属性不符合要求时， 模型将会失效。为在提升模型精度的同时保证模型的适用范围，许多学者尝试 将冶炼过程中的不同炉况区分出来，再针对不同炉况数据特征分别建模预测， 但效果均不理想。

针对转炉冶炼炉况复杂的入炉、造渣情况，不少学者提出了根据冶金原理， 结合冶炼经验，以关键数据为准对冶炼数据进行人为划分的分类方式，以期达 到区分炉况、缩小建模数据内部差异，从而提高模型精度的目的。这种方式对 生产过程中诸多数据间的相互影响关系考虑并不充分，且方案在实际应用中有 诸多困难需要克服。随着智能化技术与数据挖掘技术发展，用于将不同类别数 据区分开来的聚类算法被研发出来。它们将数据与数据区分开来，这与转炉冶 炼诸多炉况需要区分的需求相吻合，因此许多学者进行了将聚类算法应用于炉 况分类的研究实验。

有学者为实现对钢水终点磷的预测，将钢水钢渣磷分配比l_p作为研究对象， 按l_p值从低至高分为四个等级，并为所有炉次数据提供0-3档的标签，同时提 出了一种基于核聚类的决策树的双支持向量机机器学习模型，以炉渣成分与终 点钢水温度作为聚类模型的考虑因素，进行有监督的聚类。最终模型的聚类效 果以聚类结果与标签是否吻合进行评判。在实际应用时，将炉渣成分和终点钢 水温度输入模型，从而判断目标炉次属于四种l_p等级中的哪一种，并据此计算 得出转炉终点磷含量的预测结果。这种方法为炉次数据人为标上标签，为聚类 提供方向，有一定的借鉴价值，但是由于模型需要转炉的终渣成分，而对于中 小钢厂，出于成本考虑，不会每炉次都进行炉渣成分检测，应用困难较大。且 由于此方法是通过人为因素添加标签后使聚类接近标签结果，实质是用于逼近 人为划分的类别的算法，其在提高转炉终点成分预测的应用方式仍待研究。

另有学者为提高基于光谱分析的转炉碳含量预测模型精度，利用支持向量 机算法，对基于冶炼全程的光谱分布信号变化情况进行分类处理，实现了吹炼 末期的实时碳含量预测，命中率在|ΔC|＜0.5％以内达到80％。这种方式根据 火焰光谱数据的变化进行聚类，在碳含量即时预测角度走出了创新的一步，且 光谱识别所需硬件成本不大，是适合中小转炉的终点控制技术之一。但由于光 谱识别分析技术尚不成熟，最终模型命中效果仍有待提高。

还有学者为提高转炉终点碳预测模型的精度，在传统案例推理方法的基础 上，对模型的初始数据进行了基于注水算法改进的近邻传播聚类处理，借此提 高了类内数据的相似性，从而提高了案例检索的效率，最终模型命中率在预测 误差|ΔC|＜0.02％内达到92％。这种方法直接使用现场数据进行聚类，避免了 人为添加标签的影响，因此值得借鉴。但其在影响因素的选择、数据相似度的 计算方式等上考虑欠妥，包括此算法在转炉控制技术中应用的潜力，仍有诸多 值得研究挖掘的方向。

应注意的是，以上现有技术中的方案所存在的缺陷，均是发明人在经过实 践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实 施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发 明做出的贡献。

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。通常在此处附图中描述和示出的本发明实施例的组件可以以 各种不同的配置来布置和设计。需要说明的是，在不冲突的情况下，本发明中 的实施例及实施例中的特征也可以相互组合。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某 一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解 释。在本发明的描述中，术语“第一”、“第二”、“第三”、“第四”等仅用于区分 描述，而不能理解为指示或暗示相对重要性。

经过上述深入分析后，本发明实施例提出对AP聚类算法进行改进，并应 用于将相似炉况的冶炼数据归纳区分，从而更好地挖掘各种炉况下转炉冶炼的 规律，构建中小型转炉终点控制的终点碳含量预测模型和终点温度预测模型， 提高控制准确度和精度。具体方案是将炼钢过程加入的各类不同炉料数据纳入 模型考虑，并采用适合炼钢高维复杂数据的SNN共享最近邻算法，用于表征 数据间的相似情况。

下面通过参考示范性实施例，对本发明技术问题、技术方案和优点进行详 细阐明。以下所述示范性实施例仅用于解释本发明，而不能解释为对本发明的 限制。

参见图1，本发明实施例提供了一种中小型转炉的终点碳含量和终点温度 预测方法，包括如下步骤：

步骤S1，获取中小型转炉的历史生产数据，并对历史生产数据进行维度筛 选，得到用于模型训练的数据集。

本步骤中，所述对历史生产数据进行维度筛选，首先筛除异常数据后，由 于高纬度的生产数据并不都与终点碳温相关，再选用灰色关联度算法进行数据 分析和选取。灰色关联法是根据序列数据之间变化趋势的相似、相异程度评价 两序列数据间相关联程度的方法，处理过程分为以下几步：

步骤S11，选定参考数列和比较数列。其中，参考数列是研究的目标数列， 本实施例中研究对象为吹炼终点碳含量与终点温度，即选定终点碳含量与终点 温度为参考数列；比较数列是用于与参考数列比较、计算的数列，在本实施例 中选定除终点碳含量与终点温度以外的75个数据项数列为比较数列。

步骤S12，对所述参考数列和比较数列进行无量纲化处理。

本步骤中，由于转炉冶炼数据类别众多，且都有不同的量纲和量纲单位， 例如冶炼过程中铁水温度通常在1200℃至1700℃附近波动，而铁水中C含量 会从4％左右下降至0.1％左右，数值差异巨大。为保证计算过程中不同数据间 的等效性，需要对数据进行无量纲化处理。优选地，本实施例采用极值化方法 进行无量纲化处理。

步骤S13，计算处理后的参考数列和比较数列间的灰色关联系数与灰色关 联度。分别以吹炼终点碳含量、吹炼终点温度为参考数列，其余数据项作为比 较数列，分别计算出与吹炼终点碳含量、吹炼终点温度灰色关联度较高的数据 项(本发明取灰色关联度结果>0.700)，并取并集，作为后续建模所用数据项。

步骤S2，基于共享最近邻传播SNN-AP算法构建聚类模型，将所述用于模 型训练的数据集输入所述聚类模型,得到基于模型训练数据集的聚类中心点集及 对应的聚类数据集。

本步骤中，所述共享最近邻传播SNN-AP算法是基于数据间相似度的聚类 算法中的一种，以数据量为n的m维数据集D_n×m为例，此算法以集内两数据i、 k间相似度s(i,k)为基础，提出了两个信息量参数，分别是用于描述点k适合作 为数据点i的聚类中心的程度的吸引度r(i,k)，由此组成的吸引度矩阵R如式(1) 所示:

R＝[r(i,k)]_n×n (1)

以及用于描述点i选择点k作为其聚类中心的适合程度的归属度a(i,k)，由 此组成的归属度矩阵A如下：

A＝[a(i,k)]_n×n (2)

两种信息量代表了不同的竞争目的。r(i,k)表达的是点k作为中心点对点i 的吸引程度，a(i,k)则代表当k作为中心点时，点i归属于点k的合适程度。

参见图2，共享最近邻传播SNN-AP算法的具体运行过程包括以下步骤：

步骤S21，构建用于描述点k适合作为数据点i的聚类中心的程度的吸引 度r(i,k)并组成吸引度矩阵R，和用于描述点i选择点k作为其聚类中心的适合 程度的归属度a(i,k)并组成的归属度矩阵A；对R、A两个矩阵及中心未变次数 进行初始化，计算数据集的相似度矩阵S＝[s(i,k)]_n×n。

步骤S22，以相似度矩阵S＝[s(i,k)]_n×n为基础，对吸引度矩阵R＝ [r(i,k)]_n×n、归属度矩阵A＝[a(i,k)]_n×n两个信息量矩阵进行交替更新。

本步骤中,为防止迭代过程中计算结果发生剧烈振荡，算法引入阻尼系数λ， 在每次迭代计算后对结果进行优化。阻尼系数值可根据计算情况在0.5至1之 间进行修改。

步骤S23，以预设规则为准选出聚类中心点集，并更新迭代次数。本实施 例中，以r(i,i)+a(i,i)＞0作为预设规则，即当点i对自身的吸引度和自身的 归属度之和大于0时，则选择对应点作为聚类中心点。

步骤S24，当多次迭代得到的聚类中心集均未变化时，或迭代次数达到预 设最大值时，结束迭代，并得到最终的聚类中心点集。

步骤S25，以max(a(i,j)+r(i,j))作为规则，通过Calinski-Harabaz指数评 价聚类效果，将中心点外的其余点分配至合适的聚类中心点下，从而得到最终 的隶属关系与聚类结果。

在AP算法中，由于R、A两个信息矩阵均是由数据集内数据的相似度矩阵 计算而来，可以看出相似度矩阵是AP算法的基石，能否得到合适的相似度矩 阵将决定聚类效果的优劣。经典AP聚类算法基于欧式绝对距离对数据间相似 度进行描述，而对于转炉冶炼的生产数据，由于其维数较多，采用欧式绝对距 离无法对其数据间的相似性进行准确描述。本实施例中，充分考虑数据情况及 影响后，引入一种以数据点之间共享最近邻(SharedNearest Neighbour,SNN) 为指标的相似性度量方式，对AP算法进行改进。

SNN是基于K近邻思想的一种相似度衡量方式，其认为若两数据点有共同 的K近邻数据点，则两数据点相似，共同的最近邻数据量即为两者间相似度。 SNN相似度提出之初就是为了解决高维度数据相似描述的问题，目前也已有文 献实践证明这种方法在面对工业生产中的高维度数据时有效。其定义公式如下：

SNN(i,k)＝|V(i)∩V(k)| (3)

式(3)中，V(i)为量测点i的K个最近邻，|V|表示最近邻数据集内元素 个数。如果没有共同的近邻点，则SNN(i,k)＝0。

K近邻思想是数据挖掘分类技术中最简单易行的方法之一，已在多个算法 领域有了多样的发展和应用，其主要思路是查找与目标点最接近的K个数据， 并依据K个数据的特征为目标点确定其所属类别。在寻找最接近的参考数据点 时，K近邻时仍以欧式绝对距离作为两数据点是否接近的评判依据。本实施例 在此基础上，运用灰色关联度算法对SNN中寻找K近邻时的距离度量公式进 行修正。改进了的距离度量公式如下：

式(4)中，l代表数据的维度，i_l即点i第l维的数据，ω_l即第l维数据的 修正系数值。修正系数值除两目标数据项修正系数取1外，其余数据项修正系 数取其与两目标项的灰色关联度均值。

传统近邻传播聚类算法以负的欧式绝对距离度量两数据相似度，基本规则 是数据越负，两点越不相似。自相似度为最大值0。若要以SNN相似度度量代 替欧氏绝对距离度量，需对SNN相似度结果进行调整。本实施例最终所用相 似度计算公式如式(5)所示：

式(5)中，当i≠k时，相似度是在计算数据点两两之间的SNN相似度后， 将其减去K值。当i＝k时，相似度s(i,i)代表点本身能够作为聚类中心的参考 度，值越大优先度越高。由于距离相似度量的特性，这个值默认为零，是整个 相似度矩阵S中的最大值，不利于算法正确运算，因此需在开始前额外设置参 考度值P，用以输入模型。

经过聚类后，认为所得各类别之间数据在部分关键数据项中已经产生了差 异，且类别内部数据也有一定的统一性。

步骤S3，为每类数据集分别建立终点碳含量预测模型和终点温度预测模型。

本步骤中，采用梯度提升树算法构建终点碳含量预测模型和终点温度预测 模型。

将梯度提升算法的算法实现如下：

梯度提升树算法是集成学习算法Bosting族中的一种算法，可以选择不同 损失函数的算法，算法可以表示为：

式(6)中，K为树的总棵数；f_k为第k棵树；

为样本x_i的计算结果。

预测模型遵从前向分布加法，在每次迭代时会生成一棵新的回归树，新树 会不断的拟合前一棵树的残差，不断修补之前的实验结果，从而构建一个准确 率更高的学习模型。梯度提升树算法下终点碳含量预测模型和终点温度预测模 型的迭代公式为：

式(7)中，t为组合t棵树；

为t棵树模型对样本的预测结果；

为组合t-1棵树模型对样本的预测结果；f_t(x_i)为第t棵树模型对本次迭 代损失的估计值。

每轮迭代的时候，都用损失函数在当前模型下的负梯度来拟合本轮损失的 估计值(即残差估计值)。这样每轮训练的时候都能够让损失函数尽可能快地 减小，尽快的收敛达到局部最优解或者全局最优解。对于第t轮的第i个样本 的损失函数的负梯度r_ti表示为：

式(8)中，

表示第t轮的第i个样本的损失函数。将每个叶子节点 L_tj上使损失函数最小的最佳拟合值c_tj求和，从而得到第t棵树模型对本轮损失 的估计值：

式(9)中，L_tj表示第t棵树的第j个叶子节点；c_tj表示第t棵树的第j个 叶子节点上使损失函数最小的拟合值。

在碳含量和温度的梯度提升树建模过程中，均有三个超参数需要调整，分 别是最大回归树数量n_es，回归树学习步长l_r以及损失函数loss。n_es影响模型拟 合效果，过大则模型易过拟合，过小则易欠拟合，因此需在一定范围内选择适 中数值，默认100；l_r与n_es共同影响模型拟合效果，取值范围为(0,1]。损失函 数loss方面，对于回归模型而言，有四种损失函数可供选择，分别是：IS(均 方误差)、Iad(绝对误差)、huber(Huber损失)和quantile(分位数损失)。

步骤S4，将每个类别的数据集输入对应的所述终点碳含量预测模型及终点 温度预测模型进行训练，得到成熟的终点碳含量预测模型及终点温度预测模型。

步骤S5，采集所述中小型转炉与所述比较数列对应的数据项，输入对应类 别的成熟的终点碳含量预测模型及终点温度预测模型，得到预测的当前碳含量 及温度。

下面通过一个具体的实例，对本发明作进一步详细的说明。

本实例以某钢厂100吨转炉XW400VT2钢种2775冶炼生产数据进行验证。 通过灰色关联度算法，选择出与终点碳、温关联度较高的共计11个数据项作为 比较数列，组成后续建模所用数据项。所用数据基本情况罗列于表2中。

表2

针对上述数据进行SNN_AP聚类算法。通过网格搜寻法，利用CH分数经 过比较后，模型最终选择k＝210，λ＝0.93，P＝-30，将数据被分为9类。

将各类别数据的中心数据点情况罗列于表3中。作为对比，将原数据集数 据总量与数据项的均值亦罗列于表3中。将未聚类数据和各类内数据的均值情 况与类标准差情况分别罗列于表4、5中。

表3

表4

表5

建立基于GBDT算法的转炉终点碳含量预测模型，所用数据项情况如表6 所示。分别得到的9类数据进行训练，并分别进行超参数寻优。

表6

以网格搜索法分别对9个模型进行超参数寻优，将各类别终点C预测模型 最优参数与命中率罗列于表7中。作为对比，将未聚类时的最优GBDT模型参 数也罗列其中。

表7

从绝对误差|ΔC|≤0.01％、|ΔC|≤0.02％、|ΔC|≤0.03％三个角度对各模 型性能进行评估，将命中率结果一并罗列于表7中。模型命中率对比图展示如 图3。如图3所示，可以看出，经过聚类处理后，每类模型在|ΔC|≤0.03％内 的命中率已普遍接近或达到80％，均较基于原始数据直接建模所得的模型更高， 有约3％-13％不等幅度的精度提升。这进一步证明了先聚类再建模的研究思路 在转炉终点碳含量预测模型精度提升方向的可行性。

用相同方式建立转炉终点温度预测模型。模型所需数据项如表8所示。

表8

9个类别和未聚类时的最优模型参数与模型命中率情况罗列于表9中，从 绝对误差|ΔT|≤10℃、|ΔT|≤15℃、|ΔT|≤20℃三个角度对模型结果进行统 计，将结果一并罗列于表9中。

表9

可以看出，经过聚类处理后，每类模型在|ΔT|≤20℃内的命中率已普遍超 过75％，且均较基于原始数据直接建模所得的模型更高，有约2％-13％不等幅 度的精度提升。这也能验证了聚类后分别建模的研究思路有利于提高转炉终点 温度预测精度，在转炉控制模型性能优化领域进行了有益的尝试。将模型命中 率与命中率对比图展示于图4中。

由以上技术方案可以看出，本发明实施例所提供的中小型转炉的终点控制 方法，利用改进的AP聚类算法将相似炉况的冶炼数据归纳区分，从而更好地 挖掘各种炉况下转炉冶炼的规律，结合采用适合炼钢高维复杂数据的SNN共 享最近邻算法，构建中小型转炉终点控制的碳温预测模型，提高了终点控制的 准确度和精度。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明，并非旨 在限制要求保护的本发明的范围，而是仅仅表示本发明的优选实施例。本领域 技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特 定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上 述技术特征或其等同特征进行任意组合而形成的其它技术方案。基于本发明的 实施例，本领域技术人员在没有做出创造性劳动的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。

Claims (10)

1.一种中小型转炉的终点碳含量和终点温度预测方法，其特征在于，包括如下步骤：

步骤S1，获取中小型转炉的历史生产数据，并对历史生产数据进行维度筛选，得到用于模型训练的数据集；

步骤S2，基于共享最近邻传播SNN-AP算法构建聚类模型，将所述用于模型训练的数据集输入所述聚类模型，得到基于模型训练数据集的聚类中心点集及对应的聚类数据集；

步骤S3，为每类数据集建立终点碳含量预测模型和终点温度预测模型；

步骤S4，将每个类别的数据集输入对应的所述终点碳含量预测模型及终点温度预测模型进行训练，得到成熟的终点碳含量预测模型及终点温度预测模型；

步骤S5，采集所述中小型转炉与所述比较数列对应的数据项，输入对应类别的成熟的终点碳含量预测模型及终点温度预测模型，得到预测的当前碳含量及温度。

2.根据权利要求1所述的中小型转炉的终点碳含量和终点温度预测方法，其特征在于，步骤S1所述对历史生产数据进行维度筛选，首先筛除异常数据后，再选用灰色关联度算法进行数据分析和选取。

3.根据权利要求2所述的中小型转炉的终点碳含量和终点温度预测方法，其特征在于，所述灰色关联度算法包括：

步骤S11，选定参考数列和比较数列；其中，选定终点碳含量与终点温度为参考数列；选定除终点碳含量与终点温度以外的数据项数列为比较数列；

步骤S12，对所述参考数列和比较数列进行无量纲化处理；

步骤S13，计算处理后的参考数列和比较数列间的灰色关联系数与灰色关联度。

4.根据权利要求3所述的中小型转炉的终点碳含量和终点温度预测方法，其特征在于，采用邓氏关联度计算灰色关联系数与灰色关联度。

5.根据权利要求1所述的中小型转炉的终点碳含量和终点温度预测方法，其特征在于，所述共享最近邻传播SNN-AP算法，设置数据量为n的m维数据集D_n×m，以数据集内两数据i、k间相似度s(i,k)为基础，计算描述点k适合作为数据点i的聚类中心程度的吸引度r(i,k)，由此组成的吸引度矩阵R如式(1)所示：

R＝[r(i,k)]_n×n (1)

计算描述点i选择点k适合作为其聚类中心程度的归属度a(i,k)，由此组成的归属度矩阵A如式(2)所示：

A＝[a(i,k)]_n×n (2)

式(1)和(2)中，r(i,k)表示点k作为中心点对点i的吸引度，a(i,k)表示点k作为中心点时，点i归属于点k的归属度。

6.根据权利要求5所述的中小型转炉的终点碳含量和终点温度预测方法，其特征在于，所述共享最近邻传播SNN-AP算法的运行过程包括：

步骤S21，对R、A两个矩阵及中心未变次数进行初始化，计算数据集的相似度矩阵S＝[s(i,k)]_n×n；

步骤S22，以相似度矩阵S＝[s(i,k)]_n×n为基础，对吸引度矩阵R＝[r(i,k)]_n×n、归属度矩阵A＝[a(i,k)]_n×n两个信息量矩阵进行交替更新；

步骤S23，以r(i,i)+a(i,i)＞0作为预设规则，当点i对自身的吸引度和自身的归属度之和大于0时，选择该点作为聚类中心点；

步骤S24，当多次迭代得到的聚类中心点集均未变化时，或迭代次数达到预设最大值时，结束迭代，并得到最终的聚类中心点集；

步骤S25，以max(a(i,j)+r(i,j))作为规则，将聚类中心点外的其余点分配至合适的聚类中心点下，从而得到最终的隶属关系与聚类结果。

7.根据权利要求6所述的中小型转炉的终点碳含量和终点温度预测方法，其特征在于，步骤S22中，以相似度矩阵S＝[s(i,k)]_n×n为基础，对吸引度矩阵R＝[r(i,k)]_n×n、归属度矩阵A＝[a(i,k)]_n×n两个信息量矩阵进行交替更新时，以数据点之间共享最近邻SNN为指标的相似性度量方式，对AP算法进行改进，运用灰色关联度算法对SNN中寻找K近邻时的距离度量公式进行修正。

8.根据权利要求7所述的中小型转炉的终点碳含量和终点温度预测方法，其特征在于，修正后的距离度量公式如式(4)所示：

式(4)中，l代表数据的维度，i_l代表点i第l维的数据，k_l代表点k第l维的数据，ω_l代表第l维数据的修正系数值。

9.根据权利要求1所述的中小型转炉的终点碳含量和终点温度预测方法，其特征在于，采用梯度提升树算法建立终点碳含量预测模型和终点温度预测模型。

10.根据权利要求9所述的中小型转炉的终点碳含量和终点温度预测方法，其特征在于，所述梯度提升树算法，包括：

梯度提升树算法表示为：

式(6)中，K为树的总棵数；f_k为第k棵树；

为样本x_i的计算结果；

梯度提升树算法下终点碳含量预测模型和终点温度预测模型的迭代公式为：

式(7)中，t为组合t棵树；

为t棵树模型对样本的预测结果；

为组合t-1棵树模型对样本的预测结果；f_t(x_i)为第t棵树模型对本次迭代损失的估计值；

每轮迭代的时候，都用损失函数在当前模型下的负梯度来拟合本轮损失的估计值，这样每轮训练的时候都能够让损失函数尽可能快地减小，尽快的收敛达到局部最优解或者全局最优解；对于第t轮的第i个样本的损失函数的负梯度r_ti表示为：

式(8)中，

表示第t轮的第i个样本的损失函数；

再计算第t棵树模型对本轮损失的估计值：

式(9)中，L_tj表示第t棵树的第j个叶子节点；_tj表示第t棵树的第j个叶子节点上使损失函数最小的拟合值。

Images