CN117055509B - 一种基于人工智能对短流程钢铁工艺参数预测的方法 - Google Patents

Abstract

本发明涉及工艺参数预测技术领域。本发明涉及一种基于人工智能对短流程钢铁工艺参数预测的方法。其包括以下步骤：采集历史炼钢工艺数据和炼钢质量知识数据，然后根据采集的历史炼钢工艺数据和炼钢质量知识数据建立炼钢预测模型；记录短流程炼钢设备的实时工艺参数，并将实时工艺参数输入至炼钢预测模型内进行炼钢质量预测分析，获取炼钢设备炼出钢铁的预测质量。本发明通过将不同的工艺参数进行质量和经济耗费预测，避免钢铁企业通常是在以季度或年度为周期，对钢铁生产所耗费的经济成本进行计算，实时性较差，无法实时对钢铁生产出所耗费的经济成本进行预测。

Description

一种基于人工智能对短流程钢铁工艺参数预测的方法

技术领域

本发明涉及工艺参数预测技术领域，具体地说，涉及一种基于人工智能对短流程钢铁工艺参数预测的方法。

背景技术

目前钢铁的经济市场价格不稳定，在进行钢铁生产过程中，不同的工艺参数生成的钢铁质量不同，同时不同的工艺参数所耗费的经济成本不同，一般钢铁企业通常是在以季度或年度为周期，对钢铁生产所耗费的经济成本进行计算，实时性较差，无法实时对钢铁生产出所耗费的经济成本进行预测，当对钢铁质量进行要求时，使用常规的工艺参数不进行更换的话，容易出现耗费经济成本较高或者钢铁质量不达标，造成在出售钢铁时，企业经济受到亏损，因此，提出一种基于人工智能对短流程钢铁工艺参数预测的方法。

发明内容

本发明的目的在于提供一种基于人工智能对短流程钢铁工艺参数预测的方法，以解决上述背景技术中提出的问题。

为实现上述目的，提供了一种基于人工智能对短流程钢铁工艺参数预测的方法，包括以下步骤：

S1、采集历史炼钢工艺数据和炼钢质量知识数据，然后根据采集的历史炼钢工艺数据和炼钢质量知识数据建立炼钢预测模型；

S2、记录短流程炼钢设备的实时工艺参数，并将实时工艺参数输入至炼钢预测模型内进行炼钢质量预测分析，获取炼钢设备炼出钢铁的预测质量；

S3、将S2获取的预测质量发送给人工智能进行分数评价，获取实时工艺参数的分数，然后通过炼钢预测模型将短流程炼钢设备的工艺参数多重改变模拟训练，并将模拟工艺参数发送至人工智能进行分数评价；

S4、获取企业对钢铁的需求质量，然后通过人工智能对需求质量进行分数评价，然后将实时工艺参数和模拟工艺参数的预测质量分数与需求质量的分数进行差值比对，将小于要求信息分数的工艺参数剔除，并根据保留的工艺参数建立保留数据库；

S5、将S4建立保留数据库中的工艺参数经济成本进行经济分析，获取耗费经济成本最低的最优工艺参数，然后将最优工艺参数发送至短流程炼钢设备进行工艺参数修改。

作为本技术方案的进一步改进，所述S1通过在炼钢设备中配置传感器和数据采集设备，将其安装在适当的位置来实时监测和记录工艺参数，收集炼钢工艺中的关键步骤和参数、质量指标，将收集的炼钢质量知识数据进行整理和分类，形成结构化的炼钢质量知识数据库。

作为本技术方案的进一步改进，所述S1根据历史炼钢工艺数据和炼钢质量知识数据进行结合汇总，然后通过深度学习炼钢预测算法建立炼钢预测模型。

作为本技术方案的进一步改进，所述S2获取炼钢设备炼出钢铁的预测质量的步骤如下：

S2.1、通过传感器和数据采集设备实时记录的数据，从而获取短流程炼钢设备的实时工艺参数；

S2.2、将S2.1获取的实时工艺参数输入至炼钢预测模型内，炼钢预测模型根据给定的实时工艺参数通过深度学习炼钢预测算法预测相应的炼钢质量指标，获取炼钢设备练出钢铁的预测质量。

作为本技术方案的进一步改进，所述S3将模拟工艺参数发送至人工智能进行分数评价的步骤如下：

S3.1、获取钢铁生产标准合格质量，并通过将合格质量定为五十的分数为评分标准，建立人工智能；

S3.2、将S2.2获取的预测质量发送至S3.1建立的人工智能进行分数评价，获取预测质量的分数，然后炼钢预测模型将短流程炼钢设备的工艺参数多重改变模拟训练，获取多个模拟工艺参数，并对多个模拟工艺参数生产出钢铁质量进行预测，将预测出的钢铁质量定义为模拟质量，然后将模拟质量发送至并至人工智能进行分数评价，获取模拟质量的分数。

作为本技术方案的进一步改进，所述S4通过向企业发送钢铁质量需求问卷，然后对钢铁质量需求问卷内容进行质量特征提取，获取企业对钢铁的需求质量，然后将需求质量发送至人工智能进行评分，获取需求质量的分数。

作为本技术方案的进一步改进，所述S4根据保留的工艺参数建立保留数据库的步骤如下：

S4.1、将S3.2获取的预测质量分数和多个模拟质量分数与需求质量分数进行比对，若预测质量分数小于需求质量分数，将预测质量分数对应的实时工艺参数剔除，反之，若预测质量分数大于和等于需求质量分数，将预测质量分数对应的实时工艺参数保留，若模拟质量分数小于需求质量分数，将模拟质量分数对应的模拟工艺参数剔除，反之，若模拟质量分数大于和等于需求质量分数，将模拟质量分数对应的模拟工艺参数保留，并将保留的工艺参数建立保留数据库。

作为本技术方案的进一步改进，所述S5将最优工艺参数发送至短流程炼钢设备进行工艺参数修改的步骤如下：

S5.1、根据S4.1建立的保留数据库内部的工艺参数发送至炼钢预测模型内进行经济分析，获取每个工艺参数生产钢铁所需要的经济成本；

S5.2、对每个工艺参数的经济成本进行差值比对，获取经济成本最低的工艺参数，并将该工艺参数发送至短流程炼钢设备进行工艺参数修改。

作为本技术方案的进一步改进，所述S5.2将该工艺参数发送至短流程炼钢设备进行工艺参数修改还包括如下步骤；

S5.2.1、将短流程炼钢设备生产过程中的烟气余热进行回收，利用烟气余热进行发电，并将产生的电能输送到短流程炼钢设备进行使用。

与现有技术相比，本发明的有益效果：

该基于人工智能对短流程钢铁工艺参数预测的方法中，通过将不同的工艺参数进行质量和经济耗费预测，避免钢铁企业通常是在以季度或年度为周期，对钢铁生产所耗费的经济成本进行计算，实时性较差，无法实时对钢铁生产出所耗费的经济成本进行预测，当对钢铁质量进行要求时，使用常规的工艺参数不进行更换的话，容易出现耗费经济成本较高或者钢铁质量不达标，造成在出售钢铁时，企业经济受到亏损，同时通过经济分析，获取完成质量标准时耗费经济成本最低的工艺参数，提高企业的经济利益。

附图说明

图1为本发明的整体流程框图；

图2为本发明的获取炼钢设备炼出钢铁的预测质量的流程框图；

图3为本发明的将模拟工艺参数发送至人工智能进行分数评价的流程框图；

图4为本发明的将最优工艺参数发送至短流程炼钢设备进行工艺参数修改的流程框图。

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做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。

实施例

请参阅图1-图4所示，本实施例目的在于，提供了一种基于人工智能对短流程钢铁工艺参数预测的方法，包括以下步骤：

S1、采集历史炼钢工艺数据和炼钢质量知识数据；

所述S1通过在炼钢设备中配置传感器和数据采集设备，将其安装在适当的位置来实时监测和记录工艺参数，收集炼钢工艺中的关键步骤和参数、质量指标，将收集的炼钢质量知识数据进行整理和分类，形成结构化的炼钢质量知识数据库。步骤如下：

数据收集和记录：在炼钢设备中配置传感器和数据采集设备，通过实时监测和记录工艺参数，收集相关数据。这些数据可以包括温度、压力、流量等工艺参数，以及钢材成分、机械性能等质量指标；

数据整理和分类：将收集到的炼钢质量知识数据进行整理和分类。可以将数据按照炼钢工艺步骤、工艺参数等维度进行分类，以便后续分析和预测使用；

特征工程：根据炼钢质量知识和领域专家的经验，挖掘和提取与炼钢质量相关的特征。这些特征可以是钢材成分、温度梯度、氧含量等。

然后根据采集的历史炼钢工艺数据和炼钢质量知识数据建立炼钢预测模型；

所述S1根据历史炼钢工艺数据和炼钢质量知识数据进行结合汇总，然后通过深度学习炼钢预测算法建立炼钢预测模型。

数据收集和整理：收集历史炼钢工艺数据和炼钢质量知识数据，并将其整理为结构化的格式。这些数据可以包括工艺参数(温度、压力、流量等)和质量指标(成分、机械性能等)；

特征工程：根据炼钢质量知识和经验，从数据中提取有意义和相关的特征。可以采用统计学方法、领域专业知识和经验来选择和构建特征；

数据划分：将整理和处理后的数据分为训练集、验证集和测试集。通常，大部分数据用于训练模型，一小部分用于验证和调整模型参数，最后用测试集评估模型性能；

模型建立：采用深度学习算法，如神经网络，建立炼钢预测模型。可以根据具体需求选择适合的模型架构和优化算法；

模型训练：使用训练集的数据对模型进行训练，通过迭代优化模型参数，使模型能够对工艺参数和质量指标之间的关系进行学习；

模型验证和调优：使用验证集的数据对模型进行验证，评估模型的性能和泛化能力。如果模型性能不理想，可以进行参数调整、特征处理或模型结构优化等操作；

模型测试：使用测试集的数据评估模型的整体性能和准确性。可以计算预测结果与真实质量指标之间的误差指标，如平均绝对误差(MAE)和均方根误差(RMSE)。

S2、记录短流程炼钢设备的实时工艺参数，并将实时工艺参数输入至炼钢预测模型内进行炼钢质量预测分析，获取炼钢设备炼出钢铁的预测质量；

所述S2获取炼钢设备炼出钢铁的预测质量的步骤如下：

S2.1、通过传感器和数据采集设备实时记录的数据，从而获取短流程炼钢设备的实时工艺参数；

S2.2、将S2.1获取的实时工艺参数输入至炼钢预测模型内，炼钢预测模型根据给定的实时工艺参数通过深度学习炼钢预测算法预测相应的炼钢质量指标，获取炼钢设备练出钢铁的预测质量。步骤如下：

数据准备：先将实时获取的工艺参数数据进行处理和标准化，以确保数据的一致性和可用性；

模型输入：将处理后的实时工艺参数作为输入，输入到炼钢预测模型中进行预测。3.模型预测：使用深度学习算法，如神经网络，将实时工艺参数作为输入，预测相应的炼钢质量指标，如硬度、拉伸强度等；

结果输出：将模型预测的炼钢质量指标输出，形成对练出钢铁的预测质量，以供后续分析和应用。表达式如下；

模型输入表达式：

X＝[x₁,x₂ x₃,...,x_n]；

其中，X表示输入的实时工艺参数向量，x₁,x₂ x₃等表示具体的工艺参数；

模型输出表达式：

Y＝[y₁,y₂,y₃,...,y_n]；

其中，Y表示模型预测的炼钢质量指标向量，y₁,y₂,y₃等表示具体的质量指标。

S3、将S2获取的预测质量发送给人工智能进行分数评价，获取实时工艺参数的分数，然后通过炼钢预测模型将短流程炼钢设备的工艺参数多重改变模拟训练，并将模拟工艺参数发送至人工智能进行分数评价；

所述S3将模拟工艺参数发送至人工智能进行分数评价的步骤如下：

S3.1、获取钢铁生产标准合格质量，并通过将合格质量定为五十的分数为评分标准，建立人工智能；步骤如下；

样本数据收集：收集大量的钢铁生产标准合格质量的样本数据。这些数据应包括铁矿石成分、炼钢工艺参数、质量指标等信息；

数据准备：对收集到的数据进行清洗、预处理和标准化，确保数据的一致性和可用性；

标签定义：将钢铁生产标准合格质量定义为评分标准的标签，可将合格质量定义为五十的分数，并将其他质量指标根据其相对重要程度调整为相应的分数；

特征工程：根据样本数据，提取重要的特征或构造新的特征，以作为评分模型的输入。这些特征可以包括铁矿石成分比例、炼钢工艺参数等；

模型训练：使用机器学习算法，如回归模型或深度学习模型，对样本数据进行训练，以建立评分模型。模型的目标是根据输入特征预测钢铁生产标准合格质量的分数；

模型评估：使用验证集的数据对评分模型进行评估，检查其预测结果的准确性和泛化能力；

模型应用：使用评分模型对新的钢铁生产标准合格质量进行评估和打分。输入相应的特征数据，模型会给出一个评分结果。

S3.2、将S2.2获取的预测质量发送至S3.1建立的人工智能进行分数评价，获取预测质量的分数，然后炼钢预测模型将短流程炼钢设备的工艺参数多重改变模拟训练，获取多个模拟工艺参数，并对多个模拟工艺参数生产出钢铁质量进行预测，将预测出的钢铁质量定义为模拟质量，然后将模拟质量发送至并至人工智能进行分数评价，获取模拟质量的分数，其中：

预测质量评价的输入表达式：

x₁＝[x₁₁,x₁₂,x₁₃,...,x_1n]；

其中X1表示预测质量的输入特征向量，x₁₁,x₁₂,x₁₃等表示具体的特征；

预测质量评价的输出表达式：

y₁＝f₁(x₁)；

其中y₁表示预测质量的分数，f₁是评分模型的预测函数；

模型训练的输入表达式：

x₂＝[x₂₁,x₂₂,x₂₃,...,x_2n]；

其中X2表示模拟工艺参数的输入特征向量，x₂₁,x₂₂,x₂₃等表示具体的特征；

模型训练的输出表达式：

y₂＝f₂(x₂)；

其中y₂表示预测的钢铁质量，f₂是炼钢预测模型的预测函数；

模拟质量评价的输入表达式：

x₃＝[x₃₁,x₃₂,x₃₃,...,x_3n]；

其中x₃表示模拟质量的输入特征向量，x₃₁,x₃₂,x₃₃等表示具体的特征；

模拟质量评价的输出表达式：

y₃＝f₃(x₃)；

其中y₃表示模拟质量的分数，f₃是评分模型的预测函数。

S4、获取企业对钢铁的需求质量，然后通过人工智能对需求质量进行分数评价；

所述S4通过向企业发送钢铁质量需求问卷，然后对钢铁质量需求问卷内容进行质量特征提取，获取企业对钢铁的需求质量，然后将需求质量发送至人工智能进行评分，获取需求质量的分数。步骤如下；

钢铁质量需求问卷设计：设计钢铁质量需求问卷，包括企业对钢铁质量的具体要求、关联参数、要求的性能指标等；

发送问卷并收集数据：向企业发送钢铁质量需求问卷，并收集回收的问卷数据；

数据准备：对收集到的问卷数据进行整理和预处理，将其转化为可用于分析的格式，包括数据清洗、标准化等；

质量特征提取：从问卷数据中提取钢铁质量的相关特征。这些特征可以包括企业对特定工艺参数、物理性能、化学成分等的具体要求；

特征转化：将质量特征转化为机器学习算法可以处理的特征向量。可以使用编码技术，如独热编码或数值化，将质量特征转化成数值型数据；

模型输入：将转化后的特征向量作为输入，发送至人工智能模型进行评分。

然后将实时工艺参数和模拟工艺参数的预测质量分数与需求质量的分数进行差值比对，将小于要求信息分数的工艺参数剔除，并根据保留的工艺参数建立保留数据库；

所述S4根据保留的工艺参数建立保留数据库的步骤如下：

S4.1、将S3.2获取的预测质量分数和多个模拟质量分数与需求质量分数进行比对，若预测质量分数小于需求质量分数，将预测质量分数对应的实时工艺参数剔除，反之，若预测质量分数大于和等于需求质量分数，将预测质量分数对应的实时工艺参数保留，若模拟质量分数小于需求质量分数，将模拟质量分数对应的模拟工艺参数剔除，反之，若模拟质量分数大于和等于需求质量分数，将模拟质量分数对应的模拟工艺参数保留，并将保留的工艺参数建立保留数据库。

S5、将S4建立保留数据库中的工艺参数经济成本进行经济分析，获取耗费经济成本最低的最优工艺参数，然后将最优工艺参数发送至短流程炼钢设备进行工艺参数修改。

所述S5将最优工艺参数发送至短流程炼钢设备进行工艺参数修改的步骤如下：

S5.1、根据S4.1建立的保留数据库内部的工艺参数发送至炼钢预测模型内进行经济分析，获取每个工艺参数生产钢铁所需要的经济成本；步骤如下：

数据准备：从保留数据库中获取工艺参数数据，准备发送至炼钢预测模型；

模型输入：将准备好的工艺参数数据作为输入，发送至炼钢预测模型进行经济分析；

经济分析模型：建立经济分析模型，可采用成本估算的算法和模型来预测每个工艺参数对应钢铁生产的经济成本；

模型输出：经过经济分析模型的计算，获取每个工艺参数生产钢铁所需要的经济成本。

S5.2、对每个工艺参数的经济成本进行差值比对，获取经济成本最低的工艺参数，并将该工艺参数发送至短流程炼钢设备进行工艺参数修改。步骤如下；

经济成本比对：计算每个工艺参数对应的经济成本。将每个工艺参数的经济成本与其他工艺参数的经济成本进行比较；

经济成本差值计算：计算每个工艺参数与其他参数相比的经济成本差值。即，计算每个工艺参数与其他参数经济成本的差异；

判断最低经济成本：比较每个工艺参数的经济成本差值，找到经济成本最低的工艺参数；

选择最低经济成本工艺参数：选择经济成本最低的工艺参数作为最佳选择；

发送工艺参数至设备：将选择的最低经济成本工艺参数发送至短流程炼钢设备，进行工艺参数的修改。

所述S5.2将该工艺参数发送至短流程炼钢设备进行工艺参数修改还包括如下步骤；

短流程生产工艺中电炉冶炼过程中产生的大量热量随烟气排出，高温烟气造成的热损失已达2l％，它是电炉炼钢最主要的热损失项。虽然电炉炼钢技术发展迅速，但是由于电炉烟气温度高、波动性大、粉尘多等特点，余热回收利用的难度很大。传统的烟气处理方式，不仅不能回收高温烟气中的显热，还消耗了大量电能，带来了庞大的建设费用和运行费用，因此，S5.2.1、将短流程炼钢设备生产过程中的烟气余热进行回收，利用烟气余热进行发电，并将产生的电能输送到短流程炼钢设备进行使用。工作原理如下：高温烟气余热回收及发电技术是利用生产过程中多余的热能转换为电能的技术，其原理是利用废气、废液等工质中的热或可燃质作热源，利用余热锅炉产生的过热蒸汽推动汽轮发电机组发电。余热发电的重要设备是余热锅炉、汽轮机组及发电机组。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于人工智能对短流程钢铁工艺参数预测的方法，其特征在于：包括以下步骤：

S1、采集历史炼钢工艺数据和炼钢质量知识数据，然后根据采集的历史炼钢工艺数据和炼钢质量知识数据建立炼钢预测模型；

S2、记录短流程炼钢设备的实时工艺参数，并将实时工艺参数输入至炼钢预测模型内进行炼钢质量预测分析，获取炼钢设备炼出钢铁的预测质量；

S3、将S2获取的预测质量发送给人工智能进行分数评价，获取实时工艺参数的分数，然后通过炼钢预测模型将短流程炼钢设备的工艺参数多重改变模拟训练，并将模拟工艺参数发送至人工智能进行分数评价；

S4、获取企业对钢铁的需求质量，然后通过人工智能对需求质量进行分数评价，然后将实时工艺参数和模拟工艺参数的预测质量分数与需求质量的分数进行差值比对，将小于要求信息分数的工艺参数剔除，并根据保留的工艺参数建立保留数据库；

S5、将S4建立保留数据库中的工艺参数经济成本进行经济分析，获取耗费经济成本最低的最优工艺参数，然后将最优工艺参数发送至短流程炼钢设备进行工艺参数修改；

所述S2获取炼钢设备炼出钢铁的预测质量的步骤如下：

S2.1、通过传感器和数据采集设备实时记录的数据，从而获取短流程炼钢设备的实时工艺参数；

S2.2、将S2.1获取的实时工艺参数输入至炼钢预测模型内，炼钢预测模型根据给定的实时工艺参数通过深度学习炼钢预测算法预测相应的炼钢质量指标，获取炼钢设备练出钢铁的预测质量；

所述S3将模拟工艺参数发送至人工智能进行分数评价的步骤如下：

S3.1、获取钢铁生产标准合格质量，并通过将合格质量定为五十的分数为评分标准，建立人工智能；

S3.2、将S2.2获取的预测质量发送至S3.1建立的人工智能进行分数评价，获取预测质量的分数，然后炼钢预测模型将短流程炼钢设备的工艺参数多重改变模拟训练，获取多个模拟工艺参数，并对多个模拟工艺参数生产出钢铁质量进行预测，将预测出的钢铁质量定义为模拟质量，然后将模拟质量发送至并至人工智能进行分数评价，获取模拟质量的分数；

所述S4根据保留的工艺参数建立保留数据库的步骤如下：

S4.1、将S3.2获取的预测质量分数和多个模拟质量分数与需求质量分数进行比对，若预测质量分数小于需求质量分数，将预测质量分数对应的实时工艺参数剔除，反之，若预测质量分数大于和等于需求质量分数，将预测质量分数对应的实时工艺参数保留，若模拟质量分数小于需求质量分数，将模拟质量分数对应的模拟工艺参数剔除，反之，若模拟质量分数大于和等于需求质量分数，将模拟质量分数对应的模拟工艺参数保留，并将保留的工艺参数建立保留数据库；

所述S5将最优工艺参数发送至短流程炼钢设备进行工艺参数修改的步骤如下：

S5.1、根据S4.1建立的保留数据库内部的工艺参数发送至炼钢预测模型内进行经济分析，获取每个工艺参数生产钢铁所需要的经济成本；

S5.2、对每个工艺参数的经济成本进行差值比对，获取经济成本最低的工艺参数，并将该工艺参数发送至短流程炼钢设备进行工艺参数修改。

2.根据权利要求1所述的基于人工智能对短流程钢铁工艺参数预测的方法，其特征在于：所述S1通过在炼钢设备中配置传感器和数据采集设备，将其安装在适当的位置来实时监测和记录工艺参数，收集炼钢工艺中的关键步骤和参数、质量指标，将收集的炼钢质量知识数据进行整理和分类，形成结构化的炼钢质量知识数据库。

3.根据权利要求1所述的基于人工智能对短流程钢铁工艺参数预测的方法，其特征在于：所述S1根据历史炼钢工艺数据和炼钢质量知识数据进行结合汇总，然后通过深度学习炼钢预测算法建立炼钢预测模型。

4.根据权利要求1所述的基于人工智能对短流程钢铁工艺参数预测的方法，其特征在于：所述S4通过向企业发送钢铁质量需求问卷，然后对钢铁质量需求问卷内容进行质量特征提取，获取企业对钢铁的需求质量，然后将需求质量发送至人工智能进行评分，获取需求质量的分数。

5.根据权利要求1所述的基于人工智能对短流程钢铁工艺参数预测的方法，其特征在于：所述S5.2将该工艺参数发送至短流程炼钢设备进行工艺参数修改还包括如下步骤；

S5.2.1、将短流程炼钢设备生产过程中的烟气余热进行回收，利用烟气余热进行发电，并将产生的电能输送到短流程炼钢设备进行使用。