CN117153281A - 一种预测合金推荐率和收得率的方法、设备及介质 - Google Patents
一种预测合金推荐率和收得率的方法、设备及介质 Download PDFInfo
- Publication number
- CN117153281A CN117153281A CN202311117963.5A CN202311117963A CN117153281A CN 117153281 A CN117153281 A CN 117153281A CN 202311117963 A CN202311117963 A CN 202311117963A CN 117153281 A CN117153281 A CN 117153281A
- Authority
- CN
- China
- Prior art keywords
- alloy
- yield
- recommended
- preset
- model
- 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
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 388
- 239000000956 alloy Substances 0.000 title claims abstract description 388
- 238000000034 method Methods 0.000 title claims abstract description 49
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 92
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 92
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000013499 data model Methods 0.000 claims abstract description 56
- 238000009628 steelmaking Methods 0.000 claims abstract description 52
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 184
- 229910052742 iron Inorganic materials 0.000 claims description 92
- 229910000831 Steel Inorganic materials 0.000 claims description 42
- 239000010959 steel Substances 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 27
- 229910052710 silicon Inorganic materials 0.000 claims description 21
- 229910021483 silicon-carbon alloy Inorganic materials 0.000 claims description 21
- 229910000914 Mn alloy Inorganic materials 0.000 claims description 20
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 20
- PYLLWONICXJARP-UHFFFAOYSA-N manganese silicon Chemical compound [Si].[Mn] PYLLWONICXJARP-UHFFFAOYSA-N 0.000 claims description 20
- 239000010703 silicon Substances 0.000 claims description 20
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 18
- 229910052748 manganese Inorganic materials 0.000 claims description 15
- 239000011572 manganese Substances 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 12
- 229910052698 phosphorus Inorganic materials 0.000 claims description 11
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 10
- 239000011574 phosphorus Substances 0.000 claims description 10
- 229910052717 sulfur Inorganic materials 0.000 claims description 10
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 9
- 239000011593 sulfur Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005275 alloying Methods 0.000 claims description 6
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 claims description 6
- MBMLMWLHJBBADN-UHFFFAOYSA-N Ferrous sulfide Chemical compound [Fe]=S MBMLMWLHJBBADN-UHFFFAOYSA-N 0.000 claims description 5
- 102000005298 Iron-Sulfur Proteins Human genes 0.000 claims description 5
- 108010081409 Iron-Sulfur Proteins Proteins 0.000 claims description 5
- DALUDRGQOYMVLD-UHFFFAOYSA-N iron manganese Chemical compound [Mn].[Fe] DALUDRGQOYMVLD-UHFFFAOYSA-N 0.000 claims description 4
- DPTATFGPDCLUTF-UHFFFAOYSA-N phosphanylidyneiron Chemical compound [Fe]#P DPTATFGPDCLUTF-UHFFFAOYSA-N 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000010079 rubber tapping Methods 0.000 abstract description 8
- 238000005272 metallurgy Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 2
- 229910000640 Fe alloy Inorganic materials 0.000 description 2
- 229910000720 Silicomanganese Inorganic materials 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 239000011651 chromium Substances 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000010310 metallurgical process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229910001339 C alloy Inorganic materials 0.000 description 1
- 229910006639 Si—Mn Inorganic materials 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910001566 austenite Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- -1 etc. Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000006104 solid solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
Classifications
-
- 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
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本申请公开了一种预测合金推荐率和收得率的方法、设备及介质,属于冶金的技术领域。方法包括:获取待转炉的炉次数据,炉次数据包括最新炉次数据和历史炉次数据;通过预设的合金推荐数据模型中的集成学习算法处理最新炉次数据,以获取合金推荐值;基于预设的终点预测模型处理最新炉次数据,以获取终点温度和终点碳;基于预设的合金推荐收得率模型处理终点温度和终点碳,以获取合金元素的收得率;基于预设的成本最小算法处理合金推荐值和合金元素收得率以获取合金推荐值的成本。本申请通过上述方法提高了转炉炼钢的生产效益,降低成本,同时提高出钢的质量。
Description
技术领域
本申请涉及冶金的技术领域,尤其涉及一种预测合金推荐率和收得率的方法、设备及介质。
背景技术
目前国内炼钢生产流程主要以转炉炼钢生产工艺为主要流程,而其中脱氧合金化过程在转炉炼钢生产中占着重要地位。
转炉炼钢过程中生产的铁水成分复杂,含有多种元素,如碳、硅、锰、磷、硫等,最终元素的含量和脱氧合金化过程有直接关系,也对最终成品钢材的成分有着至关重要的作用。如果脱氧合金化过程中硅锰合金、硅碳合金或硅铁合金用量过多,则会影响最后出钢连铸的过程,从而造成原料浪费和资金损失,同时增大合金用量也提高了生产成本。如果加入合金量过低,则达不到用合金调节钢材成分的目的,终点钢水中的杂质元素超过目标值也会增加生产成本。
因此如何提高转炉炼钢的生产效益,降低成本,同时控制出钢的质量成为一个亟待解决的问题。
发明内容
本申请实施例提供了一种预测合金推荐率和收得率的方法、设备及存储介质,用以解决如下技术问题:如何提高转炉炼钢的生产效益,降低成本,同时控制出钢的质量。
第一方面,本申请实施例提供了一种预测合金推荐率和收得率的方法,其特征在于,所述方法包括:获取待转炉的炉次数据,所述炉次数据包括最新炉次数据和历史炉次数据;通过预设的合金推荐数据模型中的集成学习算法处理所述最新炉次数据,以获取合金推荐值;基于预设的终点预测模型处理所述最新炉次数据,以获取终点温度和终点碳,其中,所述终点预测模型包括终点温度预测模型和终点碳预测模型;基于预设的合金推荐收得率模型处理所述终点温度和终点碳,以获取所述合金元素的收得率;基于预设的成本最小算法处理所述合金推荐值和合金元素收得率,以获取所述合金推荐值的成本。
在本申请的一种实现方式中,通过预设的合金推荐数据模型中的集成学习算法处理所述最新炉次数据,以获取合金推荐值,具体包括:基于所述最新炉次数据选择所述待转炉炼钢需要的合金种类,其中,合金种类包括硅锰合金和硅碳合金;获取炉次数据中的铁水信息,其中,所述铁水信息包括铁水重量、铁水硅含量、铁水磷含量、铁水锰含量、铁水硫含量和轻薄料;判断所述铁水信息是否符合预设的范围;在铁水信息符合预设的范围时,基于预设的集成学习算法处理铁水信息,以获取合金推荐值,其中,合金推荐值包括硅锰合金推荐值和硅碳合金推荐值。
在本申请的一种实现方式中,在所述铁水信息符合预设的范围时,基于预设的集成学习算法处理所述最铁水信息,以获取合金推荐值,具体包括:获取合金推荐值的实际值;将所述合金推荐值的实际值与所述铁水重量、铁水硅含量、铁水磷含量、铁水锰含量、铁水硫含量和轻薄料关联;将所述合金推荐值的实际值与所述铁水重量、铁水硅含量、铁水磷含量、铁水锰含量、铁水硫含量和轻薄料关联均分为五份,将其中四份作为训练集,并将剩余的一份作为测试集;基于所述训练集训练所述合金推荐数据模型,并基于所述测试集验证所述合金推荐数据模型的准确度,直至获取所述四份训练集的准确度;计算四份训练集的准确度的平均准确度,以获取合金推荐数据模型的最终准确度;基于合金推荐数据模型预测所述合金推荐值。
在本申请的一种实现方式中,基于预设的终点预测模型处理所述最新炉次数据,以获取终点温度,具体包括:获取预设的合金推荐数据模型,所述合金推荐数据模型为训练过的完善的合金推荐数据模型;将合金推荐数据模型的合金推荐值的实际值替换为终点温度的实际值,以获取待训练终点温度预测模型;基于集成学习算法训练所述待训练终点温度预测模型,以获取终点温度预测模型;基于终点温度预测模型处理所述最新炉次数据,以获取终点温度。
在本申请的一种实现方式中,基于预设的终点碳预测模块处理所述最新炉次数据,以获取终点碳,具体包括:获取预设的合金推荐数据模型,所述合金推荐数据模型为训练过的完善的合金推荐数据模型;将合金推荐数据模型的合金推荐值的实际值替换为终点碳的实际值,以获取待训练终点碳预测模型;基于集成学习算法训练所述待训练终点碳预测模型,以获取终点碳预测模型;基于终点碳预测模型处理所述最新炉次数据,以获取终点碳。
在本申请的一种实现方式中,基于预设的合金推荐收得率模型处理所述终点温度和终点碳,以获取所述合金元素的收得率,具体包括:获取预设的合金推荐机理模型;基于所述合金历史数据获取历史合金品味、历史合金元素含量以及历史钢水收得率;通过终点温度预测模型基于历史合金品味、历史合金元素含量以及历史钢水收得率获取历史终点温度预测值;通过终点碳预测模型基于历史合金品味、历史合金元素含量以及历史钢水收得率获取历史终点碳预测值;基于合金种类匹配预设的优化算法数据库,以获取优化算法;基于所述优化算法获取所述合金元素的历史收得率;将合金中合金元素的历史收得率替换所述合金推荐机理模型的合金元素的收得率,以获取合金推荐收得率模型;基于所述合金推荐收得率模型获取所述合金种类对应的合金元素推荐收得率。
在本申请的一种实现方式中,获取合金推荐机理模型,具体包括:获取待转炉的最新炉次数据;选择所述待转炉炼钢需要的合金种类;基于所述合金种类获取合金品味、合金收得率、合金价格以及合金元素含量;基于合金种类匹配预设的优化算法数据库,以获取优化算法;基于所述优化算法处理所述合金价格、合金元素含量、合金品味以及合金收得率,以获取所述合金收得率。
在本申请的一种实现方式中,基于预设的成本最小算法处理所述合金推荐值和合金元素收得率,以获取所述合金推荐值的成本,具体包括:基于预设的scipy优化器处理所述合金推荐值,以求解所述合金的加入量的最小值;获取合金对应的增碳剂的重量、增碳剂的价格;基于所述合金加入量的最小值、合金的价格计算、增碳剂的重量和增碳剂的价格所述合金推荐值的成本。
第二方面,本申请实施例还提供了一种预测合金推荐率和收得率的设备,其特征在于,设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:获取待转炉的炉次数据,炉次数据包括最新炉次数据和历史炉次数据;通过预设的合金推荐数据模型中的集成学习算法处理最新炉次数据,以获取合金推荐值;基于预设的终点预测模型处理最新炉次数据,以获取终点温度和终点碳,其中,终点预测模型包括终点温度预测模型和终点碳预测模型;基于预设的合金推荐收得率模型处理终点温度和终点碳,以获取合金元素的收得率;基于预设的成本最小算法处理合金推荐值和合金元素收得率,以获取合金推荐值的成本。
第三方面,本申请实施例还提供了一种预测合金推荐率和收得率的非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,计算机可执行指令设置为:获取待转炉的炉次数据,炉次数据包括最新炉次数据和历史炉次数据;通过预设的合金推荐数据模型中的集成学习算法处理最新炉次数据,以获取合金推荐值;基于预设的终点预测模型处理最新炉次数据,以获取终点温度和终点碳,其中,终点预测模型包括终点温度预测模型和终点碳预测模型;基于预设的合金推荐收得率模型处理终点温度和终点碳,以获取合金元素的收得率;基于预设的成本最小算法处理合金推荐值和合金元素收得率,以获取合金推荐值的成本。
本申请实施例提供的一种预测合金推荐率和收得率的方法、设备及介质,通过获取待转炉的最新炉次数据和历史炉次数据,通过最新炉次数据和合金推荐值的实际值、终点温度的实际值以及终点碳的实际值获取合金推荐数据模块。终点温度预测模型以及终点碳预测模型,并根据合金推荐数据模块。终点温度预测模型以及终点碳预测模型获取待转炉出钢所需的合金的最小加入量,从而能够提高转炉炼钢的生产效益,降低成本,同时控制出钢的质量。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种预测合金推荐率和收得率的方法流程图;
图2为本申请实施例提供的一种预测合金推荐率和收得率的设备内部结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例提供了一种预测合金推荐率和收得率的方法、设备及存储介质,用以解决如下技术问题:如何提高转炉炼钢的生产效益,降低成本,同时控制出钢的质量。
在冶金过程中,加入合金有助于改善钢的热处理工艺性能,能够细化奥氏体晶粒,能够提高淬透性,能够提高回火抗力,能够、合金元素提高钢的使用性能,能够合金元素使钢强化(固溶强化、第二相强化、细晶强化),能够合金元素使钢获得特殊性能,能够形成稳定的单相组织,能够形成致密氧化膜。
同时,合金的加入量的多少也会影响最后成品钢材的性能,脱氧合金化过程中硅锰合金、硅碳合金或硅铁合金用量过多,则会影响最后出钢连铸的过程,从而造成原料浪费和资金损失,同时增大合金用量也提高了生产成本。如果加入合金量过低,则达不到用合金调节钢材成分的目的,终点钢水中的杂质元素超过目标值也会增加生产成本下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种预测合金推荐率和收得率的流程图。如图1所示,本申请实施例提供的一种预测合金推荐率和收得率的方法,具体包括以下步骤:
步骤1、获取待转炉的炉次数据,炉次数据包括最新炉次数据和历史炉次数据。
待转炉为即将需要炼钢的炼钢炉,炼钢炉用于进行炼钢,炼钢是指控制碳含量一般小于2%,消除P、S、O、N等有害元素,保留或增加Si、Mn、Ni、Cr等有益元素并调整元素之间的比例,获得最佳性能。炉次数据为进行炼钢过程中的各种数据,包括加入的合金种类、加入的合金重量,合金包括的元素含量,炼钢过程中的终点温度和终点碳。最新炉次数据为需要进行炼钢操作的炼钢炉的上一次炼钢的数据,历史炉次数据为所有炼钢炉在炼钢过程中的数据。
步骤2、通过预设的合金推荐数据模型中的集成学习算法处理最新炉次数据,以获取合金推荐值。
参考步骤1,因为在炼钢过程中需要保留或增加硅、锰等元素,同时硅锰合金以及硅碳合金的加入有助于炼钢的进行,所以需要基于待转炉的炉次数据得知待转炉即将进行的炼钢过程需要哪种合金,即合金推荐值。
步骤21、基于最新炉次数据选择待转炉炼钢需要的合金种类,其中,合金种类包括硅锰合金和硅碳合金。
在炼钢的过程中,因为加入炼钢炉的原材料不同,所以加入的合金的种类也不同。或者需要生产的钢材不同,则加入的合金的种类也不同,在生产包含相同元素的钢材时,因为钢材的分级制度,所以导致生产的钢材中的有益元素的含量不同,进而导致加入的合金的种类和数量不同,所以需要确定需要炼钢的待转炉所需要的合金种类。
在实际生产过程中,为了避免上一次的炼钢残留物影响下一次的炼钢效果,所以通常一个炼钢炉只会生产一种钢材,在本实施例中,因为炼钢的需要,所以只需要加入硅锰合金或硅碳合金,或只需要加入硅锰合金。
可以理解的是,因为生产的钢材不同,所以需要不同的合金元素,即需要不同的合金,有的合金需要镍、铬等元素,则需要加入包含镍、铬的合金,合金的种类在此不做限制。
步骤22、获取加入待转炉的铁水信息,其中,铁水信息包括铁水重量、铁水硅含量、铁水磷含量、铁水锰含量、铁水硫含量和轻薄料。
需要加入待转炉的原材料主要为废钢或铁水,其中废钢也需要融为铁水,所以这里统一获取铁水信息。铁水中包括各种元素,在本申请中,铁水信息主要包括铁水重量、铁水硅含量、铁水磷含量、铁水锰含量、铁水硫含量和轻薄料。
其中,铁水重量为需要加入待转炉的铁水的重量;铁水硅含量为铁水中硅元素的含量;铁水磷为铁水中磷元素的含量;铁水锰为铁水中锰元素的含量;铁水硫为铁水中硫元素的含量;轻薄料为厚度在2mm以下的薄板边角料。
步骤23、判断铁水信息是否符合预设的范围。
因为需要生产的钢材中的元素范围是固定的,所以铁水中的元素含量应处于一定的范围内,元素含量大于或小于该范围均会导致生产的钢材不达标。
预设的范围为通过统计方法获取的铁水的合理值范围,当铁水中任一项超过其预设的范围,说明该铁水不能生产出达标的钢材,则不对该待转炉进行合金推荐值的预测。
步骤24、在铁水信息符合预设的范围时,基于预设的集成学习算法处理铁水信息,以获取合金推荐值,其中,合金推荐值包括硅锰合金推荐值和硅碳合金推荐值。
在铁水信息符合预设的范围时,说明铁水能够生产出达标的钢材,则根据预设的集成学习算法处理最新炉次数据,根据最新炉次数据预测合金推荐值。
步骤241、获取合金推荐值的实际值;并将合金推荐值的实际值与铁水重量、铁水硅含量、铁水磷含量、铁水锰含量、铁水硫含量和轻薄料关联。
获取每次炉次数据对应的合金加入量,即合金推荐值的实际值,因为是在一次炼钢中的各项数据,则可以将铁水重量、铁水硅含量、铁水磷含量、铁水锰含量、铁水硫含量和轻薄料与合金推荐值的实际值关联。
步骤242、将合金推荐值的实际值与铁水重量、铁水硅含量、铁水磷含量、铁水锰含量、铁水硫含量和轻薄料关联均分为五份,将其中四份作为训练集,并将剩余的一份作为测试集。
本步骤采用5折交叉验证法,通过将一整分数据分成五份,将其中四份作为训练集,并将剩余的一份作为测试集。从而能够获取四份测试结果,能够保证在样本数据量不足的情况下充分利用所有样本数据。
步骤243、基于训练集训练合金推荐数据模型,并基于测试集验证合金推荐数据模型的准确度,直至获取四份训练集的准确度。
通过将四份训练集依次导入合金推荐数据模型来训练合金推荐数据模型,在合金推荐数据模型训练完毕后,通过同一份训练集测试合金推荐数据模型的准确度,来获取四份训练集的准确度,通过四次训练以及获取四份准确度,能够在样本数据量不足的情况下充分利用所有样本数据。
步骤244、计算四份训练集的准确度的平均准确度,以获取合金推荐数据模型的最终准确度。
通过求四份准确度的平均准确度,能够获得较为精确的合金推荐数据模型的准确度。
步骤245、基于合金推荐数据模型预测合金推荐值。
在获取了合金推荐数据模型后,将本次需要进项炼钢的铁水信息导入合金推荐数据模型,即可获取合金推荐值。
在具体的事例中,本申请实施例的集成学习算法采用XGBoost算法,XGBoost算法属于Boosting算法的一种。
基于预设的XGBoost是算法一种集成学习算法,Boosting算法的中心思想是集成许多弱分类器,以迭代的方式形成一个强分类器。XGBoost算法从本质上来讲是一类提升树模型,它将许多树模型集成在一起,形成一个性能强大的分类器。该算法思想就是通过不断地添加树和进行特征分裂来生长一棵树,每添加一棵树,其实是学习一个新函数,去拟合上次预测的残差。当训练完成得到k棵树,要预测一个样本的分数,其实就是根据这个样本的特征,在每棵树中会落到对应的一个叶子节点,每个叶子节点就对应一个分数,最后只需要将每棵树对应的分数加起来就是该样本的预测值。对目标函数进行二阶泰勒展开来优化目标函数,目标函数如下式所示:
其中,n为样本总数,为第t-1个学习器对i样本的预测值,ft(xi)为新加入的第t个学习器,Ω(ft)为正则项,L(·)为损失函数,即模型的误差。
正则项与叶子的节点数以及叶子的权值平方和有关,如下式所示:
其中的γ和λ分别为L1和L2的正则化系数,T为决策树的叶子的节点数,ω为各个叶子节点的输出向量。L2正则可以有效降低模型过拟合风险,L1正则可以在数据的维度很高的情况下提高算法的运行速度。本题的数据维度较高,所以可以基于L1和L2正则来构建模型,如下式所示:
其中,gi和hi分别是损失函数的一阶导数和二阶导数,C是常数项。基于数的集成算法,可以在训练结束后输出模型所使用的特征的重要度,从而便于做特征选择。特征j的全局重要度通过特征j在单棵树中重要度的平均值来衡量:
其中,M为树的数量。特征值j在单棵树的重要度为定义如下列公式所示:
其中,L为树的叶子节点数,L-1为树的非叶子节点数,vi为与节点t相关联的特征,是节点t分裂后平方误差的减少量。将清理后的数据导入模型训练,然后预测输出合金推荐值,合金推荐值主要为本炉次硅锰合金、硅碳合金推荐值。
步骤3、基于预设的终点预测模型处理最新炉次数据,以获取终点温度和终点碳,其中,终点预测模型包括终点温度预测模型和终点碳预测模型。
终点温度为炼钢过程中钢材温度下降的第一个温度值;终点碳的判断是指在现代化的转炉,通过付枪检测或炉内取样进行快速分析,可以准确地控制终点。从生产的钢种、合金消耗和产品质量上看,提高终点碳含量符合生产实际和经济效益要求。特别是在当前钢铁企业竞争激烈,为达到降本提质,谋求最高效益的形势下,提高终点碳含量攻关是一项的重要工艺举措。
终点温度预测模型用于通过炉次数据预测炼钢过程中的终点温度;
终点碳预测模型用于通过炉次数据预测炼钢过程中的终点碳。
为了获取合金的加入量,需要获取在炼钢过程中的终点温度和终点碳,在预测过程中,可通过修改合金推荐数据模型以获取终点温度预测模型和终点碳预测模型,即将预测标签改变为终点温度实际值、终点碳实际值重新训练模型,进而预测终点温度、终点碳具体过程如步骤31和步骤32所示。
步骤31、获取预设的合金推荐数据模型,合金推荐数据模型为训练过的完善的合金推荐数据模型。将合金推荐数据模型的合金推荐值的实际值替换为终点温度的实际值,以获取待训练终点温度预测模型。基于集成学习算法训练待训练终点温度预测模型,以获取终点温度预测模型。基于终点温度预测模型处理铁水信息,以获取终点温度。
步骤32、获取预设的合金推荐数据模型,合金推荐数据模型为训练过的完善的合金推荐数据模型。将合金推荐数据模型的合金推荐值的实际值替换为终点碳的实际值,以获取待训练终点碳预测模型。基于集成学习算法训练待训练终点碳预测模型,以获取终点碳预测模型。基于终点碳预测模型处理铁水信息,以获取终点碳。
步骤4、基于预设的合金推荐收得率模型处理终点温度和终点碳,以获取合金元素的收得率。
合金元素的收得率与终点温度和终点碳存在灰色关联度,灰色关联度高达0.9,即可通过终点温度和终点碳来获取合金元素的收得率。
步骤41、获取预设的合金推荐机理模型。
合金推荐机理模型为用于求解对应合金的加入量,该合金推荐机理模型为已知炼钢炉的合金推荐机理模型,但是该合金推荐机理模型中的参数无法满足每个炼钢炉,即该合金推荐机理模型无法满足本实施例中的待转炉。
其中需要对硅元素、锰元素和碳元素进行限制。
硅元素含量限制条件:
ωsi-ωsimn*Gsimn_si品味*rsimn_si吸收率-ωsic*Gsic_si品味*rsic_si吸收率=0
其中,ωsi为铁水中硅含量重量,ωsimn为硅锰合金重量,ωsic为硅碳合金重量,Gsimn_si品味为硅锰合金中硅的品位,Gsic_si品味为硅碳合金中硅的品位,rsimn_si吸收率为硅锰合金中硅的收得率,rsic_si吸收率为硅碳合金中硅的收得率,下述公式表示意思相同。
锰元素含量限制条件
ωmn-ωsimn*Gsimn_mn品味*rsimn_mn吸收率=0
其中,ωmn为铁水中锰含量重量,Gsimn_mn品味为硅锰合金中锰的品位,rsimn_mn吸收率为硅锰合金中锰的收得率。
碳元素含量限制条件
ωc-ωsic*Gsic_c品味*rsic_c吸收率=0
其中,ωc为铁水中碳含量重量,Gsic_c品味为硅碳合金中碳的品位,rsic_c吸收率为硅碳合金中碳的收得率;限制条件为元素质量守恒。
步骤411、选择待转炉炼钢需要的合金种类。
步骤412、基于合金种类获取合金品味、合金收得率、合金价格以及合金元素含量。
参照步骤41,本申请实施例的合金推荐机理模型为已知炼钢炉的合金推荐机理模型,则可根据合金种类获取合金品味、合金收得率、合金价格以及合金元素含量。
步骤413、基于合金种类匹配预设的优化算法数据库,以获取优化算法。
优化算法数据库中存储有多重优化算法,对于不同和合金需要选择不同的优化算法,则基于合金种类匹配优化算法数据库,从而选择对应的优化算法。
本申请实施例中包括运筹优化中SLSQP优化算法、BFGS算法、COBYLA算法、牛顿-CG算法、截断牛顿(TNC)算法、共轭梯度(CG)算法等算法。
步骤414、基于优化算法处理合金价格、合金元素含量、合金品味以及合金收得率,以获取合金推荐加入量。
在获取了合金价格、合金元素含量、合金品味以及合金收得率后,可基于合金价格、合金元素含量、合金品味以及合金收得率计算得出合金收得率。
步骤42、基于合金历史数据获取历史合金品味、历史合金元素含量以及历史钢水收得率。
为了获取目标炼钢炉的合金元素收得率,则需要获取目标炼钢炉的历史数据,首先获取每次炼金过程中均会被记录的历史合金品味、历史合金元素含量以及历史钢水收得率。
步骤43、通过终点温度预测模型基于历史合金品味、历史合金元素含量以及历史钢水收得率获取历史终点温度预测值。
通过终点温度预测模型,带入历史合金品味、历史合金元素含量以及历史钢水收得率即可获取历史终点温度预测值。
步骤44、通过终点碳预测模型基于历史合金品味、历史合金元素含量以及历史钢水收得率获取历史终点碳预测值。
通过终点碳预测模型,带入历史合金品味、历史合金元素含量以及历史钢水收得率即可获取历史终点碳预测值。
步骤45、基于合金种类匹配预设的优化算法数据库,以获取优化算法。
参照步骤413,通过获取该炼钢炉的即将加入的合金种类,即可获取该炼钢炉对应的合金加入类型,通过合金加入类型便可得知优化算法。
步骤46、基于优化算法获取合金元素的历史收得率。
通过优化算法计算合金元素的历史收得率。
步骤47、将合金中合金元素的历史收得率替换合金推荐机理模型的合金元素的收得率,以获取合金推荐收得率模型。
通过将本梁刚路的历史收得率替换合金推荐机理模型的合金元素的收得率,即可获取该炼钢炉的合金推荐收得率模型。
步骤48、基于合金推荐收得率模型获取合金种类对应的合金元素推荐收得率。
通过该炼钢炉的合金推荐收得率模型边和获取该炼钢炉加入的合金的合金元素的推荐收得率。
计算合金中元素收得率公式由下列公式表示:
minzsi=(x0*(W铁水+W废钢)*ωsi-ωsimn*Gsimn-si品味*x1-ωsic-s品味*x3)2
minzmn=(x0*(W铁水+W废钢)*ωmn-Gsimn-mn品味*(x2*R终点温度+x5*R终点碳+b))2
minzc=(x0*(W铁水+W废钢)*ωc-ωsicGsimn-c品味*(x4*R终点温度+x6*R终点碳+b))2
minZ=minzsi+minzmn+minzc
以得到下列公式:
rsimn_mn吸收率=x2*R终点温度+x5*R终点碳
rsic_c吸收率=x4*R终点温度+x6*R终点碳+b
其中,rsimn_mn吸收率为硅锰合金中锰的收得率,rsic_c吸收率为硅碳合金中碳的收得率;x0为钢水收得率,W铁水为铁水重量,W废钢为废钢重量,x1为硅锰合金中硅的收得率,x2为硅锰合金中锰的收得率和温度相关系数,x3为硅碳合金中硅的收得率,x4为硅碳合金中碳的收得率和温度相关系数,x5为硅锰合金中锰的收得率和终点碳相关系数,x6为硅碳合金中碳的收得率和终点碳相关系数,b为偏执系数。
步骤5、基于预设的成本最小算法处理合金推荐值和合金元素收得率,以获取合金推荐值的成本。
根据成本最小算法即可获取合金推荐值的成本,成本最小算法为步骤51至步骤53所示。
步骤51、基于预设的scipy优化器处理合金推荐值,以求解合金的加入量的最小值。
scipy优化器为现有算法,用于动态求解带入量的最小值,在此不做赘述。
步骤52、获取合金对应的增碳剂的重量、增碳剂的价格以及合金的价格。
在获取了合金种类后,可根据合金种类获取合金的价格,在冶金过程中,需要加入增碳剂,所以为了获取合金推荐值的成本,需要获取加入增碳剂的重量和增碳剂的价格。
步骤53、基于合金加入量的最小值、合金的价格计算、增碳剂的重量和增碳剂的价格合金推荐值的成本。
在获取了合金加入量的最小值、合金的价格、增碳剂的重量和增碳剂的价格后,可以计算出合金推荐值的成本。
通过下列公式计算合金推荐值的成本:
minz价格最低=ωsimn*psimn+ωsic*psic+ω增碳剂*p增碳剂
其中,minz价格最低为合金推荐值的成本,ωsimn为硅锰合金的加入量,psimn为硅锰合金的价格,ωsic为硅碳合金的加入量,psic为硅碳合金的价格,ω增碳剂为增碳剂的重量,p增碳剂为增碳剂的价格。
可以理解的是,若加入的是其他合金,则相应地计算其他合金的成本。
以上为本申请提出的方法实施例。基于同样的发明构思,本申请实施例还提供了一种预测合金推荐率和收得率的设备,其结构如图2所示。
图2为本申请实施例提供的一种预测合金推荐率和收得率的设备内部结构示意图。如图2所示,设备包括:至少一个处理器201;以及,与至少一个处理器通信连接的存储器202;其中,存储器202存储有可被至少一个处理器执行的指令,指令被至少一个处理器201执行,以使至少一个处理器201能够:获取待转炉的炉次数据,炉次数据包括最新炉次数据和历史炉次数据;通过预设的合金推荐数据模型中的集成学习算法处理最新炉次数据,以获取合金推荐值;基于预设的终点预测模型处理最新炉次数据,以获取终点温度和终点碳,其中,终点预测模型包括终点温度预测模型和终点碳预测模型;基于预设的合金推荐收得率模型处理终点温度和终点碳,以获取合金元素的收得率;基于预设的成本最小算法处理合金推荐值和合金元素收得率,以获取合金推荐值的成本。
本申请的一些实施例提供的对应于图1的一种预测合金推荐率和收得率的非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:获取待转炉的炉次数据,炉次数据包括最新炉次数据和历史炉次数据;通过预设的合金推荐数据模型中的集成学习算法处理最新炉次数据,以获取合金推荐值;基于预设的终点预测模型处理最新炉次数据,以获取终点温度和终点碳,其中,终点预测模型包括终点温度预测模型和终点碳预测模型;基于预设的合金推荐收得率模型处理终点温度和终点碳,以获取合金元素的收得率;基于预设的成本最小算法处理合金推荐值和合金元素收得率,以获取合金推荐值的成本。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于物联网设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的系统和介质与方法是一一对应的,因此,系统和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述系统和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供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步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种预测合金推荐率和收得率的方法,其特征在于,所述方法包括:
获取待转炉的炉次数据,所述炉次数据包括最新炉次数据和历史炉次数据;
通过预设的合金推荐数据模型中的集成学习算法处理所述最新炉次数据,以获取合金推荐值;
基于预设的终点预测模型处理所述最新炉次数据,以获取终点温度和终点碳,其中,所述终点预测模型包括终点温度预测模型和终点碳预测模型;
基于预设的合金推荐收得率模型处理所述终点温度和终点碳,以获取所述合金元素的收得率;
基于预设的成本最小算法处理所述合金推荐值和合金元素收得率,以获取所述合金推荐值的成本。
2.根据权利要求1所述的一种预测合金推荐率和收得率的方法,其特征在于,通过预设的合金推荐数据模型中的集成学习算法处理所述最新炉次数据,以获取合金推荐值,具体包括:
基于所述最新炉次数据选择所述待转炉炼钢需要的合金种类,其中,合金种类包括硅锰合金和硅碳合金;
获取炉次数据中的铁水信息,其中,所述铁水信息包括铁水重量、铁水硅含量、铁水磷含量、铁水锰含量、铁水硫含量和轻薄料;
判断所述铁水信息是否符合预设的范围;
在铁水信息符合预设的范围时,基于预设的集成学习算法处理铁水信息,以获取合金推荐值,其中,合金推荐值包括硅锰合金推荐值和硅碳合金推荐值。
3.根据权利要求2所述的一种预测合金推荐率和收得率的方法,其特征在于,在所述铁水信息符合预设的范围时,基于预设的集成学习算法处理所述最铁水信息,以获取合金推荐值,具体包括:
获取合金推荐值的实际值;
将所述合金推荐值的实际值与所述铁水重量、铁水硅含量、铁水磷含量、铁水锰含量、铁水硫含量和轻薄料关联;
将所述合金推荐值的实际值与所述铁水重量、铁水硅含量、铁水磷含量、铁水锰含量、铁水硫含量和轻薄料关联均分为五份,将其中四份作为训练集,并将剩余的一份作为测试集;
基于所述训练集训练所述合金推荐数据模型,并基于所述测试集验证所述合金推荐数据模型的准确度,直至获取所述四份训练集的准确度;
计算四份训练集的准确度的平均准确度,以获取合金推荐数据模型的最终准确度;
基于合金推荐数据模型预测所述合金推荐值。
4.根据权利要求3所述的一种预测合金推荐率和收得率的方法,其特征在于,基于预设的终点预测模型处理所述最新炉次数据,以获取终点温度,具体包括:
获取预设的合金推荐数据模型,所述合金推荐数据模型为训练过的完善的合金推荐数据模型;
将合金推荐数据模型的合金推荐值的实际值替换为终点温度的实际值,以获取待训练终点温度预测模型;
基于集成学习算法训练所述待训练终点温度预测模型,以获取终点温度预测模型;
基于终点温度预测模型处理所述最新炉次数据,以获取终点温度。
5.根据权利要求4所述的一种预测合金推荐率和收得率的方法,其特征在于,基于预设的终点碳预测模块处理所述最新炉次数据,以获取终点碳,具体包括:
获取预设的合金推荐数据模型,所述合金推荐数据模型为训练过的完善的合金推荐数据模型;
将合金推荐数据模型的合金推荐值的实际值替换为终点碳的实际值,以获取待训练终点碳预测模型;
基于集成学习算法训练所述待训练终点碳预测模型,以获取终点碳预测模型;
基于终点碳预测模型处理所述最新炉次数据,以获取终点碳。
6.根据权利要求1所述的一种预测合金推荐率和收得率的方法,其特征在于,基于预设的合金推荐收得率模型处理所述终点温度和终点碳,以获取所述合金元素的收得率,具体包括:
获取预设的合金推荐机理模型;
基于所述合金历史数据获取历史合金品味、历史合金元素含量以及历史钢水收得率;
通过终点温度预测模型基于历史合金品味、历史合金元素含量以及历史钢水收得率获取历史终点温度预测值;
通过终点碳预测模型基于历史合金品味、历史合金元素含量以及历史钢水收得率获取历史终点碳预测值;
基于合金种类匹配预设的优化算法数据库,以获取优化算法;
基于所述优化算法获取所述合金元素的历史收得率;
将合金中合金元素的历史收得率替换所述合金推荐机理模型的合金元素的收得率,以获取合金推荐收得率模型;
基于所述合金推荐收得率模型获取所述合金种类对应的合金元素推荐收得率。
7.根据权利要求6所述的一种预测合金推荐率和收得率的方法,其特征在于,获取合金推荐机理模型,具体包括:
获取待转炉的最新炉次数据;
选择所述待转炉炼钢需要的合金种类;
基于所述合金种类获取合金品味、合金收得率、合金价格以及合金元素含量;
基于合金种类匹配预设的优化算法数据库,以获取优化算法;
基于所述优化算法处理所述合金价格、合金元素含量、合金品味以及合金收得率,以获取所述合金收得率。
8.根据权利要求1所述的一种预测合金推荐率和收得率的方法,其特征在于,基于预设的成本最小算法处理所述合金推荐值和合金元素收得率,以获取所述合金推荐值的成本,具体包括:
基于预设的scipy优化器处理所述合金推荐值,以求解所述合金的加入量的最小值;
获取合金对应的增碳剂的重量、增碳剂的价格;
基于所述合金加入量的最小值、合金的价格计算、增碳剂的重量和增碳剂的价格所述合金推荐值的成本。
9.一种预测合金推荐率和收得率的设备,其特征在于,所述设备包括:
至少一个处理器;
以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待转炉的炉次数据,所述炉次数据包括最新炉次数据和历史炉次数据;
通过预设的合金推荐数据模型中的集成学习算法处理所述最新炉次数据,以获取合金推荐值;
基于预设的终点预测模型处理所述最新炉次数据,以获取终点温度和终点碳,其中,所述终点预测模型包括终点温度预测模型和终点碳预测模型;
基于预设的合金推荐收得率模型处理所述终点温度和终点碳,以获取所述合金元素的收得率;
基于预设的成本最小算法处理所述合金推荐值和合金元素收得率,以获取所述合金推荐值的成本。
10.一种预测合金推荐率和收得率的非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
获取待转炉的炉次数据,所述炉次数据包括最新炉次数据和历史炉次数据;
通过预设的合金推荐数据模型中的集成学习算法处理所述最新炉次数据,以获取合金推荐值;
基于预设的终点预测模型处理所述最新炉次数据,以获取终点温度和终点碳,其中,所述终点预测模型包括终点温度预测模型和终点碳预测模型;
基于预设的合金推荐收得率模型处理所述终点温度和终点碳,以获取所述合金元素的收得率;
基于预设的成本最小算法处理所述合金推荐值和合金元素收得率,以获取所述合金推荐值的成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117963.5A CN117153281A (zh) | 2023-08-31 | 2023-08-31 | 一种预测合金推荐率和收得率的方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117963.5A CN117153281A (zh) | 2023-08-31 | 2023-08-31 | 一种预测合金推荐率和收得率的方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117153281A true CN117153281A (zh) | 2023-12-01 |
Family
ID=88900236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311117963.5A Pending CN117153281A (zh) | 2023-08-31 | 2023-08-31 | 一种预测合金推荐率和收得率的方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117153281A (zh) |
-
2023
- 2023-08-31 CN CN202311117963.5A patent/CN117153281A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107179703B (zh) | 炼钢合金投入量控制方法 | |
US11475317B2 (en) | Microalloyed steel mechanical property prediction method based on globally additive model | |
JP6297159B2 (ja) | 最適化された、組織シミュレータ、組織モニタ及び/又は組織モデルを用いて金属の鋼合金及び/又は鉄合金を熱間圧延機及び厚板圧延機において製造するのため方法 | |
CN114611844A (zh) | 一种转炉出钢过程合金加入量的确定方法和系统 | |
US6546310B1 (en) | Process and device for controlling a metallurgical plant | |
US20220100932A1 (en) | Design support method for metal material, prediction model generation method, metal material production method, and design support apparatus | |
CN112949005B (zh) | 一种基于机器学习指导下的高强韧钢设计方法 | |
JP2022132895A (ja) | 合金材料の特性を予測する製造支援システム、予測モデルを生成する方法およびコンピュータプログラム | |
CN1298458C (zh) | 一种rh精炼炉钢液温度实时预测方法 | |
CN116305885A (zh) | 预测或控制硅钢铁损的方法、装置及存储介质 | |
JP2020115258A (ja) | 金属材料の設計支援方法及び設計支援装置 | |
CN117153281A (zh) | 一种预测合金推荐率和收得率的方法、设备及介质 | |
CN116469481B (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
KR102212875B1 (ko) | 해 탐색 시스템 및 방법, 해 탐색 프로그램 | |
Liu et al. | End-point prediction of 260 tons basic oxygen furnace (BOF) steelmaking based on WNPSVR and WOA | |
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 | |
CN116911057A (zh) | 一种转炉炼钢吹炼过程熔池温度实时预测方法 | |
JP7044211B2 (ja) | 製品情報決定方法、製造方法、システム、及び製品情報決定装置 | |
CN115270397A (zh) | 一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法 | |
JP2010207900A (ja) | 熱間圧延における変形抵抗予測方法 | |
JP7456592B2 (ja) | 黒鉛球状化処理装置、学習装置、および、マグネシウム投入量の決定方法 | |
CN100507018C (zh) | 一种确定rh精炼过程中吹氧量和冷材加入量的方法 | |
CN111652430A (zh) | 一种互联网金融平台违约率的预测方法及系统 | |
Huang et al. | Prediction of alloy yield based on optimized BP neural network | |
CN104532103B (zh) | 一种保淬透性齿轮钢的成分控制方法 |
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 |