CN116384254A - 一种用于lf精炼炉钢水温度预测的误差修正方法及系统 - Google Patents

一种用于lf精炼炉钢水温度预测的误差修正方法及系统 Download PDF

Info

Publication number
CN116384254A
CN116384254A CN202310510682.XA CN202310510682A CN116384254A CN 116384254 A CN116384254 A CN 116384254A CN 202310510682 A CN202310510682 A CN 202310510682A CN 116384254 A CN116384254 A CN 116384254A
Authority
CN
China
Prior art keywords
molten steel
steel temperature
data
heat
predicted value
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
Application number
CN202310510682.XA
Other languages
English (en)
Inventor
贺东风
宋成伟
冯凯
郭园征
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 CN202310510682.XA priority Critical patent/CN116384254A/zh
Publication of CN116384254A publication Critical patent/CN116384254A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Carbon Steel Or Casting Steel Manufacturing (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种用于LF精炼炉钢水温度预测的误差修正方法及系统，包括：基于单隐含层的反向传播神经网络模型，通过采集获取影响LF精炼钢水温度的因素对应的第一冶炼数据作为数据集，对模型进行训练，构建LF炉精炼钢水温度预测模型；通过采集当前新炉次的第二冶炼数据，依据预测模型，获取当前的初始钢水温度预测值；根据第二冶炼数据与第一冶炼数据的相似度，获取与当前新炉次近似的历史炉次对应的第一冶炼数据的钢水温度预测值，通过与钢水温度真实值进行对比，获取预测误差，对初始钢水温度预测值进行修正；本发明将案例推理方法增量式学习的优势与其他人工智能算法拟合非线性关系的优势相结合，从而提升了模型预测精度。

Description

一种用于LF精炼炉钢水温度预测的误差修正方法及系统
技术领域
本发明涉及智能冶炼工艺及设备领域，具体而言，涉及一种用于LF精炼炉钢水温度预测的误差修正方法及系统。
背景技术
LF精炼是钢铁生产过程中一种重要且常用的钢水精炼方法。LF精炼的目标是使钢水的温度和成分满足连铸工艺要求，协调炼钢-连铸生产节奏，提高生产效率和产品质量。但是受限于现场工作条件及测量仪器的局限性，精炼过程中不能实现对钢水温度连续、及时的测量，现场操作人员无法及时准确的获知在炼钢水的温度信息，进而难以实现对温度的精确控制。目前精炼过程中需要多次断电离线地测温，期间难免伴随着热量散失，这部分温降又额外增加了电耗，也相应增大了炉前操作人员的劳动强度。因此，进行LF精炼炉钢水温度预测模型的研究和开发，对于提高LF精炼控制水平、稳定钢铁企业产品质量、降低生产成本具有重要意义。目前，针对LF钢水温度的预测模型主要可分为这几类：机理模型、数据驱动模型以及混合模型。
机理模型主要是依据能量守恒定律、热力学、动力学等推导出的过程模型。例如，武拥军以整体热平衡方法对LF钢水温度预报模型作了研究。他利用能量守恒定律，将钢水和炉渣为研究对象，分析了精炼过程中的热量收支，推导出了钢水升温速率模型。对于模型中钢包壁与钢包底的传热机制，他分别了建立柱坐标和直角坐标系下的一维非稳态导热微分方程，并用有限差分法来求解。但是实际精炼过程中影响钢水温度的因素很多，它们之间存在复杂的非线性关系，建立完整机理模型的难度巨大。所以机理模型中会引入很多的简化和假设，因而牺牲了模型的精度。
数据驱动模型往往基于人工智能算法的对历史冶炼数据进行处理，确定输入和输出项后，利用算法求解出各输入参数与钢水温度之间的复杂关系。例如，田慧欣等人采用反向传播神经网络、极限学习机等算法，结合集成学习的原理，应用改进的自适应增强算法集成多个子模型实现LF钢水温度预测。数据驱动模型的精度很大程度上取决于模型训练集与实际冶炼数据分布的相似性，但是由于LF精炼过程中涉及大量复杂的物理和化学反应，且不同炉次间的工艺参数不同，模型训练集与实际冶炼数据间难免存在差异。因此，数据驱动模型应用于新炉次时，难免会因为模型无法适应这种差异而导致性能下降。
混合模型是一种结合多个机理模型和数据驱动模型而构成的模型。例如，何飞等人在预测炼钢过程钢水温度时，考虑了钢包热状态对钢水温度的影响。他们建立了钢包热跟踪模型计算钢包在整个炼钢过程中的热量损失，将反向传播神经网络模型预测的温度与钢包热状态补偿温度相结合，得到预测的钢水温度混合模型。但是无论采用何种混合结构，也只有其中的机理模型和数据驱动模型足够准确时混合模型的性能才能得到了保障。
现有技术中，为提升数据驱动模型的精度，有一些学者提出模型在线训练方法，在模型应用过程中遇到新数据时，使用在时间上或数据空间上与新数据接近的数据重新训练模型，以便适应新的应用场景。例如谷茂强等为实现对转炉二吹阶段钢水温度的动态预测，在历史案例库中找出与新案例相似的案例，利用相似案例二吹阶段的工艺参数建立长短期记忆神经网络模型，以此来预测新案例二吹阶段的钢水温度变化。但是重新训练模型往往受到训练时间、训练数据量、模型结构以及模型参数等条件的约束，不利于实际应用。
也有一些学者提出误差修正方法，在预测模型之后，建立误差修正模型预测前者在预测过程中产生的误差，对模型预测的结果进行修正。例如Xu等人为提高对风力发电厂风速的预测精度，在天气预报模型(The Weather Research and Forecasting Model)基础上应用了误差修正方法。用与风速相关的特征以及天气预报模型的历史预测误差建立长短期记忆神经网络，对天气预报模型进行误差修正。但是现有误差修正模型仍是基于历史数据训练的，在应用时仍然会面临因模型训练集与实际数据间的差异而导致模型性能的下降。
综上，解决预测模型因训练数据与实际数据间存在差异而导致的模型精度下降是提高模型预测精度的关键。同时，遇到新数据时避免重新训练有助于模型的实际应用。
发明内容
鉴于现有技术中所存在的问题，为了克服预测模型在实际应用时因实际数据与模型训练数据存在分布差异而造成的精度下降，并避免模型的重复训练，本发明的目的是基于案例推理的误差修正方法(EC_CBR)，提供一种用于LF炉精炼钢水温度预测模型精度提升的方法，用历史炉次中与当前新炉次相似的炉次在预测模型上的误差计算新炉次的误差，并以此修正新炉次在预测模型上的预测值。
为了实现上述技术目的，本申请提供了一种用于LF精炼炉钢水温度预测的误差修正方法，包括以下步骤：
构建基于单隐含层的反向传播神经网络模型；
采集LF精炼炉的历史冶炼数据，获取影响LF精炼钢水温度的因素对应的第一冶炼数据作为数据集，对模型进行训练，构建用于预测LF精炼钢水温度的LF炉精炼钢水温度预测模型；
基于LF炉精炼钢水温度预测模型，通过采集当前新炉次的第二冶炼数据，获取当前新炉次的初始钢水温度预测值；
根据第二冶炼数据与第一冶炼数据的相似度，获取与当前新炉次相似的历史炉次对应的第一冶炼数据对应的钢水温度预测值，通过与历史炉次的钢水温度真实值进行对比，获取预测误差，对初始钢水温度预测值进行修正，生成当前新炉次的钢水温度预测值。
优选地，在获取第一冶炼数据的过程中，基于LF工序的冶炼操作流程，通过精炼过程能量平衡分析，获取LF精炼钢水温度的影响因素对应的第一冶炼数据。
优选地，在构建数据集的过程中，对第一冶炼数据进行预处理后，构建数据集，其中，预处理的过程包括：删除空白值、删除异常值和数据归一化处理。
优选地，在获取相似度的过程中，根据欧式距离相似度来度量第二冶炼数据与第一冶炼数据的相似度；
相似度表示为：
Figure BDA0004217380120000051
Figure BDA0004217380120000052
其中，d(Xi，Xk)表示欧式距离，Sk表示相似度，m为影响因素的个数，xij和xkj分别表示新炉次数据和历史炉次的第j个影响因素，wj表示第j个影响因素的权重。
优选地，在获取相似度的过程中，通过灰狼优化算法，获取第j个影响因素的权重wj，并获取历史炉次的个数；
根据个数，获取若干个历史炉次的预测误差，通过加权平均法，获取初始钢水温度预测值的误差，对初始钢水温度预测值进行修正，生成当前新炉次的钢水温度预测值；
依据第二冶炼数据对应的当前新炉次的钢水温度预测值，对数据集进行更新。
优选地，在使用灰狼优化算法的过程中，灰狼算法优化过程符合如下约束：
所有因素的权重之和为1；
任意一个因素的权重大于0；
相似炉次个数的取值在1～100之间。
优选地，在获取当前新炉次的钢水温度预测值的过程中，当前新炉次的钢水温度预测值表示为：
Figure BDA0004217380120000053
其中，f(Xi)表示当前新炉次通过钢水温度预测模型的预测值，N代表相似历史炉次的个数，qk表示炉次k的权重，εk表示炉次k在预测模型上的误差。
优选地，在获取钢水温度预测值的过程中，炉次k的权重qk表示为：
Figure BDA0004217380120000061
优选地，在获取初始钢水温度预测值的误差的过程中，初始钢水温度预测值的误差表示为：
Figure BDA0004217380120000062
本发明公开了一种用于LF精炼炉钢水温度预测的误差修正系统，包括：
数据采集模块，用于基于通过采集LF精炼炉的历史冶炼数据获取的影响LF精炼钢水温度的因素对应的第一冶炼数据，采集当前新炉次的第二冶炼数据；
温度预测模块，用于基于LF炉精炼钢水温度预测模型，通过第二冶炼数据，获取当前新炉次的初始钢水温度预测值，其中，基于单隐含层的反向传播神经网络模型，通过第一冶炼数据进行模型训练，构建用于预测LF精炼钢水温度的LF炉精炼钢水温度预测模型，
温度修正模块，用于根据第二冶炼数据与第一冶炼数据的相似度，获取与当前新炉次相似的历史炉次对应的第一冶炼数据对应的钢水温度预测值，通过与历史炉次的钢水温度真实值进行对比，获取预测误差，对初始钢水温度预测值进行修正，生成当前新炉次的钢水温度预测值。
本发明公开了以下技术效果：
本方法将案例推理方法增量式学习的优势与其他人工智能算法拟合非线性关系的优势相结合，从而提升了模型预测精度；
本发明可以有效计算出最优的权重分配和案例数，进而有助于准确检索到相似炉次，提高对模型的修正效果。
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获得其他的附图。
图1是本发明所述的EC_CBR方法运用过程流程图；
图2是本发明所述的方法流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，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，都属于本申请保护的范围。
如图1-2所示，实施例1：本发明提供了一种用于LF精炼炉钢水温度预测的误差修正方法，包括如下步骤：
步骤一：获取LF精炼炉的历史冶炼数据，并对历史冶炼数据进行预处理，得到用于模型训练和构建案例库的数据集；
步骤二：建立LF炉精炼钢水温度预测模型以及生产数据-钢水温度案例库；
步骤三：采集当前新炉次的冶炼数据，依式(1)、(2)计算新炉次与案例库中历史炉次的相似度，得出最相似的N个历史炉次的冶炼数据、钢水温度，并依据式(3)计算每个相似炉次的权值qk；
作为本发明的一个优选实施例，采用欧式距离相似度来度量数据间的相似度，新炉次与案例k间的欧式距离d(Xi，Xk)以及相似度Sk如下式所示：
Figure BDA0004217380120000081
Figure BDA0004217380120000082
式中，m为影响因素的个数，xij和xkj分别表示新炉次数据和案例库中历史炉次的第j个影响因素，wj表示第j个影响因素的权重。
影响因素的权重和相似历史炉次的个数用灰狼优化算法计算。
qk的大小与新炉次数据与历史炉次间的相似度有关，用下式表示：
Figure BDA0004217380120000091
步骤四：将新炉次冶炼数据与各相似案例的冶炼数据分别带入步骤二所建立的钢水温度预测模型，分别得出新炉次的钢水温度初始预测值和各相似案例的钢水温度预测值；
步骤五：将各相似炉次的钢水温度预测值与其真实值对比，计算各相似炉次的预测误差；
步骤六：依式(4)、(5)、(6)，以相似炉次的预测误差计算新炉次初始预测值误差，并对新炉次的钢水温度初始预测值做修正得到新炉次的钢水温度预测值；
采用加权平均法计算新炉次在预测模型上的误差。依据检索到的相似历史炉次与新炉次间的相似度对相似炉次的误差做加权平均，得到新炉次在预测模型上的误差εi。
Figure BDA0004217380120000092
Figure BDA0004217380120000093
式中，Ti为新炉次修正后的钢水温度，f(Xi)表示钢水温度预测模型的预测值，N代表相似历史炉次的个数，qk表示炉次k的权重，εx表示炉次k在预测模型上的误差。qk的大小与新炉次数据与历史炉次间的相似度有关，用下式表示：
Figure BDA0004217380120000101
步骤七：将新炉次的冶炼数据和钢水温度实测值保存在案例库中。
实施例2：本发明公开的一种基于案例推理的用于LF精炼炉钢水温度预测模型的误差修正方法，在实际应用中，包括以下的技术过程：
(1)数据预处理：采用某钢厂2021年第一季度在LF工序冶炼SPHC11钢种过程中的实际数据进行温度预测建模及误差修正。该钢厂在LF工序的冶炼操作主要有电弧加热、吹氩搅拌、造渣、添加合金和喂线。针对这一冶炼数据结合精炼过程能量平衡分析，获取历史生产数据中影响LF精炼钢水温度的因素有钢水重量、钢水到站温度、冶炼时长、电耗、底吹氩气量、合金添加量(增碳剂加入量、高碳锰铁加入量、中碳锰铁加入量、铝粒加入量、铝渣加入量)、造渣剂加入量(生石灰加入量、复合脱氧造渣剂加入量、萤石加入量、熔渣剂加入量)以及喂线长度(铝线长度、实心钙铝包芯线长度)。对该钢厂的LF精炼数据进行必要的预处理，如删除空白值、删除异常值、数据归一化等，余下1495组数据。各影响因素数据项和钢水温度的统计分析结果如表1所示，所有影响因素全部作为预测模型的输入以及相似炉次检索的匹配属性。
表1
Figure BDA0004217380120000102
Figure BDA0004217380120000111
(2)温度预测模型建立：
基于单隐含层的反向传播神经网络(BPNN)建立LF炉精炼钢水温度预测模型。模型的输入为上述分析中对钢水温度有影响的因素，模型的输出为钢水温度。在上述数据中，随机选择其中的80％作为模型的训练集以及初始案例库，另外20％为测试集。
模型的预测精度如表2所示，表格中用均方根误差(RMSE)来描述模型的精度，其计算方式如下：
Figure BDA0004217380120000112
式中，Tpredicted为模型的预测值；Tactual为真实值；m为预测样本的数量；j为求和函数的起始值，即预测样本中的第一个炉次。
表2
Figure BDA0004217380120000121
(3)检索新炉次的相似炉次
采用欧式距离相似度来度量数据间的相似度，新炉次数据与案例k间的欧式距离d(Xi，Xk)以及相似度Sk如下式所示：
Figure BDA0004217380120000122
Figure BDA0004217380120000123
式中，m为影响因素的个数，xij和xkj分别表示新炉次数据和案例库中历史炉次的第j个影响因素，wj表示第j个影响因素的权重。
本步骤中采用一种机器学习算法——灰狼优化算法计算式(3)中的各影响因素权重wj，同时计算相似案例的重用个数。各影响因素权重如表3所示。
表3
Figure BDA0004217380120000124
用灰狼优化算法计算各影响因素权重时，同时将相似炉次个数N的取值作为变量同时带入算法进行优化计算。灰狼算法优化过程符合如下约束：
1.所有因素的权重之和为1；
2.任意一个因素的权重大于0；
3.相似炉次个数的取值在1～100之间。
通过Python语言编程实现灰狼优化算法和误差修正的计算，优化过程的适应度函数取模型修正后的RMSE。经优化确定，在此权重分配下，N取5时，应用该方法BPNN温度预测模型的RMSE最小。
(4)新炉次钢水温度预测
依据步骤(3)检索到N个历史炉次作为新炉次的相似炉次，分别将它们的冶炼数据带入钢水预测模型，得出各自的钢水温度的预测值。计算各相似炉次在预测模型上的误差，并进行案例重用，计算新炉次在预测模型上的误差。
加权平均法是案例推理过程中广泛使用的案例重用方法，本文中依据检索到的相似历史炉次与新炉次间的相似度对相似炉次的误差做加权平均，得到新炉次在预测模型上的误差。新炉次在模型上的预测结果(初始预测值)与所得到的误差相减后得到最终的钢水温度预测值。
新炉次在预测模型上的误差εi以及钢水温度修正值Ti如式(4)、(5)所示
Figure BDA0004217380120000131
Figure BDA0004217380120000132
式中，f(Xi)表示钢水温度预测模型的预测值，N代表相似历史炉次的个数，qk表示炉次k的权重，εk表示炉次k在预测模型上的误差。qk的大小与新炉次数据与历史炉次间的相似度有关，用下式表示：
Figure BDA0004217380120000141
将原始模型以及基于灰狼算法计算权值的BC-CBR修正后的模型的精度汇总在表4中。由表可知，相较于原始模型，经本发明所提方法优化后，模型的RMSE有明显下降，在±5℃、±7℃和±10℃的范围内的预测命中率均有明显提升。在±5℃范围的预测命中率约提高6％，在±7℃范围的预测命中率约提高5％，模型在±10℃范围的预测命中率大于95％。证明了此方法可以有效提高模型的精度。
表4
Figure BDA0004217380120000142
(5)案例库扩充：
当新炉次精炼结束后，将该炉次生产数据中对应的各影响因素数据和温度实测结果添加到案例库中。
(6)与一般案例推理方法对比：
本发明所提方法是将案例推理方和其他机器学习算法相结合，用案例推理对其他机器学习模型进行误差修正。与一般案例推理不同的是，本发明提出的方法在案例重用时，重用的是多个相似案例在预测模型上的误差，并不是直接以相似案例的钢水温度作为新炉次的钢水温度。为了对比本方法与一般案例推理的效果，用一般案例推理方法建立模型对LF钢水温度进行预测。以上文所划分的训练集和测试集作为案例推理模型的案例库和测试数据。并且同样用灰狼优化算法计算各因素对钢水温度的影响权重以及相似历史炉次的选取个数，同样依据欧氏距离相似度对各相似历史炉次钢水温度取加权平均值。用灰狼算法优化时，约束条件、适应度函数、所需参数与步骤(3)中设置一致。
经过迭代，得到优化的影响因素权重如表5所示。经优化确定，在此权重分配下，N取8时，一般案例推理方法对LF钢水温度的预测精度最高，此时案例推理的RMSE为4.63。经计算，此时一般案例推理方法在±5℃、±7℃和±10℃范围内的命中率分别为74.25％、86.62％和95.99％。如表6所示，一般案例推理方法在该钢厂实际冶炼数据上的精度优于BPNN原始模型，但是一般案例推理方法在±5℃、±7℃、±10℃范围内的命中率不如本发明所提方法修正后的模型，RMSE也更大，证明了本发明方法的有效性。
表5
Figure BDA0004217380120000151
表6
Figure BDA0004217380120000152
本方法将案例推理方法增量式学习的优势与其他人工智能算法拟合非线性关系的优势相结合，从而提升预测模型精度。发明内容包括以下几点：
本发明提出基于案例推理的误差修正方法：一般数据驱动模型的训练过程是在数据空间中拟合出一个函数，使拟合的函数在训练数据上的损失函数最小，同时为了避免过拟合，损失函数并不会为0，因此模型在预测时就会存在误差。在数据空间中，模型的预测误差即是数据驱动模型所拟合的函数与案例的真实值之间存在的位置偏差。案例推理方法按照合理的数据特征权重检索出的相似案例是与新案例在数据空间中的位置相近的数据，它们与拟合函数的相对位置也是相近的，所以拟合函数上产生的误差也是相似的。因此应用案例推理方法可以预测新炉次在LF钢水温度预测模型上的误差。不同于其他数据驱动模型，案例推理方法不依赖于某一特定的数据集，不需要复杂的训练过程，增量式的学习使案例库随着实际应用逐渐扩大。案例推理方法的预测性能不会因为数据分布变化而带来下降，反而会随着对案例库的不断补充而提升。
本发明以机器学习算法求解案例推理特征权重和重用案例数：在案例推理的应用过程中，数据特征(目标值的影响因素)的权重分配很大程度上决定了案例检索结果的准确性。目前常用的权重确定方法有均权值法、相关性分析、熵权法、层次分析法、互信息法等，但是这些方法往往脱离具体问题，依赖数理统计，或是以人为经验为主导，无法保证客观性。本发明选取合适的适应度函数，明确的约束条件，将权重的分配和案例数的选取转化成参数优化问题，用机器学习算法进行优化求解。此方法可以有效计算出最优的权重分配和案例数，进而有助于准确检索到相似炉次，提高对模型的修正效果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中，需要理解的是，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，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于，包括以下步骤：
构建基于单隐含层的反向传播神经网络模型；
采集LF精炼炉的历史冶炼数据，获取影响LF精炼钢水温度的因素对应的第一冶炼数据作为数据集，对模型进行训练，构建用于预测LF精炼钢水温度的LF炉精炼钢水温度预测模型；
基于所述LF炉精炼钢水温度预测模型，通过采集当前新炉次的第二冶炼数据，获取所述当前新炉次的初始钢水温度预测值；
根据所述第二冶炼数据与所述第一冶炼数据的相似度，获取与所述当前新炉次相似的历史炉次对应的所述第一冶炼数据对应的钢水温度预测值，通过与所述历史炉次的钢水温度真实值进行对比，获取预测误差，对所述初始钢水温度预测值进行修正，生成所述当前新炉次的钢水温度预测值。
2.根据权利要求1所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：
在获取第一冶炼数据的过程中，基于LF工序的冶炼操作流程，通过精炼过程能量平衡分析，获取LF精炼钢水温度的影响因素对应的所述第一冶炼数据。
3.根据权利要求2所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：
在构建数据集的过程中，对所述第一冶炼数据进行预处理后，构建所述数据集，其中，预处理的过程包括：删除空白值、删除异常值和数据归一化处理。
4.根据权利要求3所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：
在获取相似度的过程中，根据欧式距离相似度来度量所述第二冶炼数据与所述第一冶炼数据的所述相似度；
所述相似度表示为：
Figure FDA0004217380110000021
Figure FDA0004217380110000022
其中，d(Xi，Xk)表示欧式距离，Sk表示相似度，m为影响因素的个数，xij和xkj分别表示新炉次数据和历史炉次的第j个影响因素,wj表示第j个影响因素的权重。
5.根据权利要求4所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：
在获取相似度的过程中，通过灰狼优化算法，获取第j个影响因素的权重wj，并获取所述历史炉次的个数；
根据所述个数，获取若干个所述历史炉次的所述预测误差，通过加权平均法，获取所述初始钢水温度预测值的误差，对所述初始钢水温度预测值进行修正，生成所述当前新炉次的钢水温度预测值；
依据所述第二冶炼数据对应的所述当前新炉次的钢水温度预测值，对所述数据集进行更新。
6.根据权利要求5所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：
在使用灰狼优化算法的过程中，灰狼算法优化过程符合如下约束：
所有因素的权重之和为1；
任意一个因素的权重大于0；
相似炉次个数的取值在1～100之间。
7.根据权利要求5所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：
在获取当前新炉次的钢水温度预测值的过程中，所述当前新炉次的钢水温度预测值表示为：
Figure FDA0004217380110000031
其中，f(Xi)表示当前新炉次通过钢水温度预测模型的预测值，N代表相似历史炉次的个数，qk表示炉次k的权重，εk表示炉次k在预测模型上的误差。
8.根据权利要求7所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：
在获取钢水温度预测值的过程中，炉次k的权重qk表示为：
Figure FDA0004217380110000032
9.根据权利要求8所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：
在获取初始钢水温度预测值的误差的过程中，所述初始钢水温度预测值的误差表示为：
Figure FDA0004217380110000041
10.一种用于LF精炼炉钢水温度预测的误差修正系统，其特征在于，包括：
数据采集模块，用于基于通过采集LF精炼炉的历史冶炼数据获取的影响LF精炼钢水温度的因素对应的第一冶炼数据，采集当前新炉次的第二冶炼数据；
温度预测模块，用于基于LF炉精炼钢水温度预测模型，通过所述第二冶炼数据，获取所述当前新炉次的初始钢水温度预测值，其中，基于单隐含层的反向传播神经网络模型，通过所述第一冶炼数据进行模型训练，构建用于预测LF精炼钢水温度的所述LF炉精炼钢水温度预测模型，
温度修正模块，用于根据所述第二冶炼数据与所述第一冶炼数据的相似度，获取与所述当前新炉次相似的历史炉次对应的所述第一冶炼数据对应的钢水温度预测值，通过与所述历史炉次的钢水温度真实值进行对比，获取预测误差，对所述初始钢水温度预测值进行修正，生成所述当前新炉次的钢水温度预测值。
CN202310510682.XA 2023-05-08 2023-05-08 一种用于lf精炼炉钢水温度预测的误差修正方法及系统 Pending CN116384254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310510682.XA CN116384254A (zh) 2023-05-08 2023-05-08 一种用于lf精炼炉钢水温度预测的误差修正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310510682.XA CN116384254A (zh) 2023-05-08 2023-05-08 一种用于lf精炼炉钢水温度预测的误差修正方法及系统

Publications (1)

Publication Number Publication Date
CN116384254A true CN116384254A (zh) 2023-07-04

Family

ID=86965818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310510682.XA Pending CN116384254A (zh) 2023-05-08 2023-05-08 一种用于lf精炼炉钢水温度预测的误差修正方法及系统

Country Status (1)

Country Link
CN (1) CN116384254A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117572914A (zh) * 2023-11-17 2024-02-20 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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117572914A (zh) * 2023-11-17 2024-02-20 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
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

Similar Documents

Publication Publication Date Title
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
Wang et al. Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction
CN108764517A (zh) 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质
CN111047085B (zh) 一种基于元学习的混合动力车辆工况预测方法
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
CN109447346A (zh) 基于灰色预测与神经网络组合模型转炉氧耗量预测方法
CN102540879A (zh) 基于群决策检索策略的多目标评价优化方法
CN114678080B (zh) 转炉终点磷含量预测模型及构建方法、磷含量预测方法
CN107918368B (zh) 钢铁企业煤气产生量与消耗量的动态预测方法及设备
Gao et al. End‐Point Static Control of Basic Oxygen Furnace (BOF) Steelmaking Based on Wavelet Transform Weighted Twin Support Vector Regression
CN104778361B (zh) 改进型EMD‑Elman神经网络预测铁水硅含量的方法
CN116384254A (zh) 一种用于lf精炼炉钢水温度预测的误差修正方法及系统
CN113962050A (zh) 一种结合产耗预测及管网计算的氧气调度计算方法
CN103942422A (zh) 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法
Wang et al. Strip hardness prediction in continuous annealing using multiobjective sparse nonlinear ensemble learning with evolutionary feature selection
CN113849020A (zh) 一种基于人工智能算法的钢坯升温曲线设计方法及装置
CN101285816A (zh) 铜锍吹炼的过程参数软测量仪表及其软测量方法
Wang et al. Whale optimization end-point control model for 260 tons BOF steelmaking
Wang et al. An integrated CBR model for predicting endpoint temperature of molten steel in AOD
CN117196257A (zh) 配电网工程辅助结算系统
Cui et al. [Retracted] Prediction Model of Hot Metal Silicon Content Based on Improved GA‐BPNN
CN116341753A (zh) 一种使用机器学习对区域二氧化碳排放预测的方法
CN114841461B (zh) 基于时序缺失感知和多源因素融合的空气质量集成预测方法
CN115759455A (zh) 一种基于时序高斯混合密度网络的负荷概率密度预测方法
CN103472721A (zh) 自适应机器学习的农药废液焚烧炉炉温最佳化系统及方法

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