CN117312816A - 一种特种钢材的冶炼效果评估方法及系统 - Google Patents

Abstract

本发明提供了一种特种钢材的冶炼效果评估方法及系统，涉及数据处理技术领域，包括：获取第一特种钢材的冶炼流程信息，确定多个冶炼层级，连接冶炼数据监测系统，获取多组样本冶炼数据集，进行模型训练，搭建多个冶炼评估层，集成连接输出冶炼评估集成模型，获取多组实时冶炼监测数据集，输入冶炼评估集成模型中进行多层集成，输出多层评估指数，其中，多层评估指数包括第一评估指数，第二评估指数，…第N评估指数，N为冶炼层级的数量；根据多层评估指数，输出冶炼评估结果。本发明解决了现有技术中特种钢材的冶炼过程受到多种因素的影响，存在不同偏移因子之间相互交织、难以直接衡量和控制的技术问题。

Description

一种特种钢材的冶炼效果评估方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种特种钢材的冶炼效果评估方法及系统。

背景技术

特种钢材是指具有高强度、高硬度、高韧性、高耐腐蚀性等特殊物理和化学性能的钢材，随着工业技术的不断发展，对特种钢材的需求在逐渐增加，而其制造过程中存在很多难点，最主要的，特种钢材的属性非常复杂、多变且相互依存，需要以整体有效性为主来进行评估。而现今常用的特种钢材的冶炼效果评估方法还存在着一定的弊端，对于特种钢材的冶炼效果评估还存在着一定的可提升空间。

发明内容

本申请通过提供了一种特种钢材的冶炼效果评估方法及系统，旨在解决现有技术中特种钢材的冶炼过程受到多种因素的影响，存在不同偏移因子之间相互交织、难以直接衡量和控制的技术问题。

鉴于上述问题，本申请提供了一种特种钢材的冶炼效果评估方法及系统。

本申请公开的第一个方面，提供了一种特种钢材的冶炼效果评估方法，所述方法包括：获取第一特种钢材的冶炼流程信息，确定多个冶炼层级；连接冶炼数据监测系统，获取与所述多个冶炼层级对应的多组样本冶炼数据集；按照所述多组样本冶炼数据集进行模型训练，搭建与所述多个冶炼层级对应的多个冶炼评估层，将所述多个冶炼评估层集成连接，输出冶炼评估集成模型；获取所述第一特种钢材的与所述多个冶炼层级对应的多组实时冶炼监测数据集；将所述多组实时冶炼监测数据集输入所述冶炼评估集成模型中进行多层集成，输出多层评估指数，其中，所述多层评估指数包括第一评估指数，第二评估指数，…第N评估指数，N为冶炼层级的数量；根据所述第一评估指数，所述第二评估指数，…所述第N评估指数，输出冶炼评估结果。

本申请公开的另一个方面，提供了一种特种钢材的冶炼效果评估系统，所述系统包括：冶炼层级确定模块，所述冶炼层级确定模块用于获取第一特种钢材的冶炼流程信息，确定多个冶炼层级；样本冶炼数据获取模块，所述样本冶炼数据获取模块用于连接冶炼数据监测系统，获取与所述多个冶炼层级对应的多组样本冶炼数据集；评估集成模型构建模块，所述评估集成模型构建模块用于按照所述多组样本冶炼数据集进行模型训练，搭建与所述多个冶炼层级对应的多个冶炼评估层，将所述多个冶炼评估层集成连接，输出冶炼评估集成模型；实时监测数据获取模块，所述实时监测数据获取模块用于获取所述第一特种钢材的与所述多个冶炼层级对应的多组实时冶炼监测数据集；多层评估指数获取模块，所述多层评估指数获取模块用于将所述多组实时冶炼监测数据集输入所述冶炼评估集成模型中进行多层集成，输出多层评估指数，其中，所述多层评估指数包括第一评估指数，第二评估指数，…第N评估指数，N为冶炼层级的数量；冶炼评估结果获取模块，所述冶炼评估结果获取模块用于根据所述第一评估指数，所述第二评估指数，…所述第N评估指数，输出冶炼评估结果。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

获取第一特种钢材的冶炼流程信息，确定多个冶炼层级，连接冶炼数据监测系统，获取多组样本冶炼数据集，进行模型训练，搭建多个冶炼评估层，集成连接输出冶炼评估集成模型，获取多组实时冶炼监测数据集，输入冶炼评估集成模型中进行多层集成，输出多层评估指数，其中，多层评估指数包括第一评估指数，第二评估指数，…第N评估指数，N为冶炼层级的数量；根据多层评估指数，输出冶炼评估结果。解决了现有技术中特种钢材的冶炼过程受到多种因素的影响，存在不同偏移因子之间相互交织、难以直接衡量和控制的技术问题，实现了采用多层集成的方法，通过连接多个冶炼评估层来对特种钢材的多次精炼过程进行综合评估，同时通过模型训练和实时监测，达到快速反馈和优化冶炼过程的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供了一种特种钢材的冶炼效果评估方法流程示意图；

图2为本申请实施例提供了一种特种钢材的冶炼效果评估方法中输出多层评估指数可能的流程示意图；

图3为本申请实施例提供了一种特种钢材的冶炼效果评估方法中输出冶炼评估结果可能的流程示意图；

图4为本申请实施例提供了一种特种钢材的冶炼效果评估系统可能的结构示意图。

附图标记说明：冶炼层级确定模块10，样本冶炼数据获取模块20，评估集成模型构建模块30，实时监测数据获取模块40，多层评估指数获取模块50，冶炼评估结果获取模块60。

具体实施方式

本申请实施例通过提供一种特种钢材的冶炼效果评估方法，解决了现有技术中特种钢材的冶炼过程受到多种因素的影响，存在不同偏移因子之间相互交织、难以直接衡量和控制的技术问题，实现了采用多层集成的方法，通过连接多个冶炼评估层来对特种钢材的多次精炼过程进行综合评估，同时通过模型训练和实时监测，达到快速反馈和优化冶炼过程的技术效果。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例1

如图1所示，本申请实施例提供了一种特种钢材的冶炼效果评估方法，所述方法包括：

步骤S100：获取第一特种钢材的冶炼流程信息，确定多个冶炼层级；

具体而言，对所要分析的特种钢材进行调研和查阅相关资料，确定其主要的工艺流程和步骤，每个工艺步骤通常会涉及一个或多个关键参数，针对每个工艺步骤，确定其输入物质、反应条件和产出物质等，其中，输入物质为所需的原料和配方，包括每种原料的物质和化学性质；反应条件如温度、压力、气体成分等；产出物质包括每个工艺步骤的产出物质及其物质属性参数，如成分、硬度、密度等。

根据已经确认的工艺流程和步骤，提取多次精炼步骤，每次精炼对应一个冶炼层级，其中，每个冶炼层级关注不同的反应过程和参数，例如上下料温度、加热时间、炉内氧化还原性等。

步骤S200：连接冶炼数据监测系统，获取与所述多个冶炼层级对应的多组样本冶炼数据集；

具体而言，所述冶炼数据监测系统为能够对特种钢材冶炼过程中的各项因素进行监测的设备系统，例如传感器、控制系统等，确定每个监测点的位置和参数要求，选择合适的数据采集方式，涉及的指标包括温度、流量、压力、振动等。将目标特种钢材冶炼工艺与所述冶炼数据监测系统相连接，以便实时监测冶炼过程中的各项参数变化，通过连接数据传输模块采集特种钢材冶炼现场的实时数据，并按照每个冶炼层级和对应的监测点合理组织这些数据。

将采集到的实时数据按照时间戳进行归纳整理，形成对应的样本冶炼数据集，每个样本冶炼数据集包含了多个采集时刻的不同指标数值，其中，每个指标对应特种钢材冶炼过程中的一个监测点。

通过连接冶炼数据监测系统、获取冶炼数据，实现了对特种钢材冶炼过程中各项因素进行准确的监测和分析，进而得出具有一定科学依据和客观性的冶炼效果评估结果。

步骤S300：按照所述多组样本冶炼数据集进行模型训练，搭建与所述多个冶炼层级对应的多个冶炼评估层，将所述多个冶炼评估层集成连接，输出冶炼评估集成模型；

进一步而言，如图2所示，本申请步骤S300还包括：

步骤S310：搭建全连接的神经网络，利用所述神经网络训练所述冶炼评估集成模型，将所述多组实时冶炼监测数据集输入所述冶炼评估集成模型，输出所述多层评估指数；

步骤S320：其中，每个冶炼评估层的训练数据包括将所述多组样本冶炼数据集分别输入对应的冶炼评估层，并将上一冶炼评估层的输出数据作为输入数据输入下一冶炼评估层中，以及标识钢材冶炼效果的评估指数进行模型训练。

具体而言，全连接神经网络（Fully Connected Neural Network，简称FCNN）是一种基础的人工神经网络结构，其中每个神经元与前一层和后一层的所有神经元相连接，形成一个密集的连接结构，全连接神经网络能够学习输入数据的复杂特征，并进行分类、回归等任务。

利用所述神经网络训练所述冶炼评估集成模型，所述冶炼评估集成模型为所述多个冶炼层级对应的多个冶炼评估层集成连接而成。

其中，每个冶炼评估层的训练数据包括以下步骤：将所述多组样本冶炼数据集输入对应的第一个冶炼评估层中，进行特征提取和数据分析，得到一组初步的冶炼效果评估指标，将初步的冶炼效果评估指标输送至下一个冶炼评估层中，作为改进模型的训练数据之一，在下一个冶炼评估层中结合前一层提供的评估指标和新加入的冶炼监测数据，针对该阶段的关键参数设计特定的评估算法，基于上述特征选择和评估算法进行冶炼效果预测，并与实际观测值进行比较优化。逐渐完善每个冶炼评估层，使其能够更准确地反映当前冶炼效果，同时将上一冶炼评估层的输出数据作为输入数据传递给下一层，形成层级式的冶炼评估模型。

通过以上所述方式，利用层层递进的方式构建出一个完整的冶炼评估集成模型，并将模型进行训练和优化，使其能够准确预测各个阶段的冶炼效果。

将现场获取到的与所述多个冶炼层级对应的实时冶炼监测数据输入至已训练好的冶炼评估集成模型中，触发多层集成计算和分析，输出所述多层评估指数结果，反映了特种钢材冶炼过程中各个阶段的指标表现和综合评价。

步骤S400：获取所述第一特种钢材的与所述多个冶炼层级对应的多组实时冶炼监测数据集；

具体而言，根据所述多个冶炼层级，确定特种钢材冶炼过程中需要关注监测的指标和参数，其中，每个参数通常会涉及多个监测点和时间节点，在实际操作中，利用连接好的冶炼数据检测系统通过触发采样功能在冶炼过程中实时监测每个指标的数值变化，根据实际情况设置实时监测周期，例如设置为每秒一次，以保证对各项参数的实时、精准捕捉和记录。

将采集到的采样数据转化为多个与所述多个冶炼层级对应的实时冶炼监测数据集合，每个实时冶炼监测数据集包含了所有相应冶炼层级的监测指标数值。这些实时数据的准确性和及时性既能为该过程中确保高质量产品的生产提供重要依据，也是评估特种钢材冶炼效果和优化该工艺的必要前提。

步骤S500：将所述多组实时冶炼监测数据集输入所述冶炼评估集成模型中进行多层集成，输出多层评估指数，其中，所述多层评估指数包括第一评估指数，第二评估指数，…第N评估指数，N为冶炼层级的数量；

具体而言，利用已建立好的冶炼评估层和训练好的预测模型搭建完整的冶炼评估集成模型，针对每个冶炼层级，根据各自的特征构建相应的评估层，采用集成学习算法将各个评估层录入到整个冶炼评估模型中，得到第一评估层，第二评估层，…第N评估层，N为冶炼层级的数量，例如N取10则代表有10个评估层。

将采集到的与所述多个冶炼层级对应的多组实时冶炼监测数据集输入至冶炼评估集成模型中，触发模型计算和分析，根据模型各评估层对指标的准确预测性和分析质量，在冶炼过程中不断逐层评估并优化相应的冶炼效果，通过模型评估，输出多层评估指数，包括第一评估指数、第二评估指数、…第N评估指数，反映了特种钢材冶炼过程中各个阶段的指标表现和综合评价。

步骤S600：根据所述第一评估指数，所述第二评估指数，…所述第N评估指数，输出冶炼评估结果。

进一步而言，如图3所示，本申请步骤S600还包括：

步骤S610：根据所述第一评估指数、所述第二评估指数，…所述第N评估指数，与对应的N个预设评估指数进行质量偏移分析，得到N-1个偏移度；

步骤S620：对所述N-1个偏移度进行向量化处理，得到N-1个偏移向量；

步骤S630：根据所述N-1个偏移向量进行向量回归拟合分析，得到第一回归函数；

步骤S640：根据所述第一回归函数的损失向量，输出所述冶炼评估结果。

具体而言，预设评估指数为根据模型中历史数据训练得到的预设数据，将实际评估指数与对应预设评估指数进行比较，每个流程都会产生一些冶炼偏移，结合定义的评估标准，计算两者之间的差异，即为偏移度。

根据所述N-1个偏移度结果确定每个偏移向量的维度，示例性的，设置为冶炼评估指数的总数量减一，以便能够包含所有偏移因素而不会出现丢失数据的情况。将所述N-1个偏移度按顺序组成向量，并将所有偏移向量组合在一起形成一个矩阵，将构建好的偏移向量视为完整特征空间中的一个向量，以便在进一步数据分析和特征提取时囊括所有可能的影响因素。对于所有构建的偏移向量，采用归一化技术进行预处理，以确保所有向量值具有相同的规模和权重，从而更好地反映各项指标的实际状态，将已归一化的偏移向转换到统一的特定坐标系上，以进行后续的分析、计算和处理。

建立回归模型，将所述N-1个偏移向量作为自变量X，所有与之对应的预设评估指标作为因变量Y，使用机器学习算法训练所选定的回归模型以最大化预测效果，使用模型评价指标评估模型预测效果，例如均方误差，根据评估结果对模型进行调优和改进。完成回归模型的训练和评估后，根据所得到的拟合函数得到第一回归函数，所述第一回归函数可以用于指导冶炼过程中的实时数据监控、偏移预测和异常检测等。

将偏移向量代入训练好的第一回归函数中进行预测，得到预测结果所对应的损失向量，得到损失向量如下：

其中，为基于偏移向量得到的损失向量，/>表征基于第i个评估指数/>与第i+1个评估指数/>条件下所对应的第i个偏移度的拟合函数，通过最小化/>对回归后N个向量对应的损失和进行计算。

在得出损失向量后将其应用到内容网络或其他领域模型，输出特定的冶炼评估结果。以此将模型和业务需求高效地耦合起来，减少了数据处理和模型测试等工作的不必要复杂性，同时提高了这些内容应用所需的可靠性和适用性。

进一步而言，本申请步骤S610之后，还包括：

步骤S611：对所述N-1个偏移度进行判断，获取偏移度大于预设偏移度的M个偏移度，其中，M为大于等于0的正整数，且；

步骤S612：通过对所述M个偏移度对应进行向量化处理，得到M个偏移向量；

步骤S613：对所述M个偏移向量进行损失权重层配置，得到第一权重系数；

具体而言，预设偏移度为根据实际情况设置的，用于对偏移度进行判断、过滤，找到偏移程度较大的偏移向量，例如设定为20%，当偏移度大于20%时判定为偏移程度较大，对这部分的数据进行提取，获取M个偏移度，M为偏移程度较大的偏移度的个数，为正整数，且，例如M取15，则偏移度大于预设偏移度的个数为15。

采用与步骤S620相同的方法对所述M个偏移度对应进行向量化处理，为了说明书的简洁，在此不再赘述。

进一步而言，本申请步骤S613还包括：

步骤S6131：对所述M个偏移向量的偏移因子进行识别，获取M个第一偏移因子；

步骤S6132：按照所述M个第一偏移因子与冶炼效果的相关度进行权重配置，输出M个第一权重系数。

具体而言，从所述M个偏移向量中提取所有偏移因子，所述偏移因子指由实测参数出现的异常或者不符合预期统计规律的数据，对所述 M 个偏移向量中的偏移因子进行分析，根据数据分析结果，将异常值、离群点和噪声等不良信息剔除，进一步优化所述 M 个偏移向量的质量，在剩余接近质量分布的部分中，确定具有最高相关性和影响度的那些偏移因子，并将它们作为输出的第一偏移因子，按照这种方式选择出来的第一偏移因子将被用于后续冶炼评估计算的损失权重层配置中。

对M个偏移向量的第一偏移因子与每个冶炼评估层输出的相应评估指数进行相关性分析，得到M个偏移因子与不同评估指数之间的相关系数，将相关系数进行标准化处理，即将所有相关系数绝对值之和调整为1，以确保挑选出来的偏移因子权重和为1。通过将权重系数分配给每个偏移因子来定义它们的重要程度，输出M个第一权重系数，最终，具有更高权重值的偏移因子将在特定冶炼评估层中获得更大的影响，在冶炼过程中相应地进行优化调整。

步骤S614：按照所述第一权重系数进行损失识别，输出所述冶炼评估结果。

将所述第一权重系数应用于历史数据集，为所有偏移向量分配相应的权重，根据设定的损失函数计算每个偏移向量的损失值，采集实际生产中的冶炼样本数据，包括冶炼指标的检测值和对应的预设评估指数，根据当前阶段的实际冶炼监测情况，记录偏移度向量并映射到冶炼指标的实际状态。

基于已确定的权重系数，计算偏移度大于预设偏移度的M个偏移度的损失值，并生成一个损失向量，得到的损失向量如下：

其中，为基于偏移度大于预设偏移度的M个偏移度得到的损失向量；/>表征基于N-1个偏移度中除M个偏移度以外剩余的偏移度的损失向量；/>为第一权重系数；

表征以得到基于第i个评估指数/>与第i+1个评估指数/>条件下所对应的第i个偏移度的拟合函数，通过最小化/>对回归后M个向量对应的损失和进行计算。

将上述损失向量与训练好的模型相结合，输出损失和评估结果，通过可视化操作或者手动调整的方式获取具体的评估方案和建议措施，以便优化精益质量管理，提高产品的完整性，实现产品质量持续稳定。

综上所述，本申请实施例所提供的一种特种钢材的冶炼效果评估方法及系统具有如下技术效果：

获取第一特种钢材的冶炼流程信息，确定多个冶炼层级，连接冶炼数据监测系统，获取多组样本冶炼数据集，进行模型训练，搭建多个冶炼评估层，集成连接输出冶炼评估集成模型，获取多组实时冶炼监测数据集，输入冶炼评估集成模型中进行多层集成，输出多层评估指数，其中，多层评估指数包括第一评估指数，第二评估指数，…第N评估指数，N为冶炼层级的数量；根据多层评估指数，输出冶炼评估结果。解决了现有技术中特种钢材的冶炼过程受到多种因素的影响，存在不同偏移因子之间相互交织、难以直接衡量和控制的技术问题，实现了采用多层集成的方法，通过连接多个冶炼评估层来对特种钢材的多次精炼过程进行综合评估，同时通过模型训练和实时监测，达到快速反馈和优化冶炼过程的技术效果。

实施例2

基于与前述实施例中一种特种钢材的冶炼效果评估方法相同的发明构思，如图4所示，本申请提供了一种特种钢材的冶炼效果评估系统，所述系统包括：

冶炼层级确定模块10，所述冶炼层级确定模块10用于获取第一特种钢材的冶炼流程信息，确定多个冶炼层级；

样本冶炼数据获取模块20，所述样本冶炼数据获取模块20用于连接冶炼数据监测系统，获取与所述多个冶炼层级对应的多组样本冶炼数据集；

评估集成模型构建模块30，所述评估集成模型构建模块30用于按照所述多组样本冶炼数据集进行模型训练，搭建与所述多个冶炼层级对应的多个冶炼评估层，将所述多个冶炼评估层集成连接，输出冶炼评估集成模型；

实时监测数据获取模块40，所述实时监测数据获取模块40用于获取所述第一特种钢材的与所述多个冶炼层级对应的多组实时冶炼监测数据集；

多层评估指数获取模块50，所述多层评估指数获取模块50用于将所述多组实时冶炼监测数据集输入所述冶炼评估集成模型中进行多层集成，输出多层评估指数，其中，所述多层评估指数包括第一评估指数，第二评估指数，…第N评估指数，N为冶炼层级的数量；

冶炼评估结果获取模块60，所述冶炼评估结果获取模块60用于根据所述第一评估指数，所述第二评估指数，…所述第N评估指数，输出冶炼评估结果。

进一步而言，所述系统还包括：

模型训练模块，用于搭建全连接的神经网络，利用所述神经网络训练所述冶炼评估集成模型，将所述多组实时冶炼监测数据集输入所述冶炼评估集成模型，输出所述多层评估指数；

其中，每个冶炼评估层的训练数据包括将所述多组样本冶炼数据集分别输入对应的冶炼评估层，并将上一冶炼评估层的输出数据作为输入数据输入下一冶炼评估层中，以及标识钢材冶炼效果的评估指数进行模型训练。

进一步而言，所述系统还包括：

质量偏移分析模块，用于根据所述第一评估指数、所述第二评估指数，…所述第N评估指数，与对应的N个预设评估指数进行质量偏移分析，得到N-1个偏移度；

向量化处理模块，用于对所述N-1个偏移度进行向量化处理，得到N-1个偏移向量；

回归拟合分析模块，用于根据所述N-1个偏移向量进行向量回归拟合分析，得到第一回归函数；

评估结果输出模块，用于根据所述第一回归函数的损失向量，输出所述冶炼评估结果。

进一步而言，所述系统还包括：

其中，为基于偏移向量得到的损失向量，/>表征基于第i个评估指数/>与第i+1个评估指数/>条件下所对应的第i个偏移度的拟合函数，通过最小化/>对回归后N个向量对应的损失和进行计算。

进一步而言，所述系统还包括：

判断模块，用于对所述N-1个偏移度进行判断，获取偏移度大于预设偏移度的M个偏移度，其中，M为大于等于0的正整数，且；

偏移向量获取模块，用于通过对所述M个偏移度对应进行向量化处理，得到M个偏移向量；

损失权重层配置模块，用于对所述M个偏移向量进行损失权重层配置，得到第一权重系数；

损失识别模块，用于按照所述第一权重系数进行损失识别，输出所述冶炼评估结果。

进一步而言，所述系统还包括：

其中，为基于偏移度大于预设偏移度的M个偏移度得到的损失向量；/>表征基于N-1个偏移度中除M个偏移度以外剩余的偏移度的损失向量；/>为第一权重系数；

表征以得到基于第i个评估指数/>与第i+1个评估指数/>条件下所对应的第i个偏移度的拟合函数，通过最小化/>对回归后M个向量对应的损失和进行计算。

进一步而言，所述系统还包括：

识别模块，用于对所述M个偏移向量的偏移因子进行识别，获取M个第一偏移因子；

权重配置模块，用于按照所述M个第一偏移因子与冶炼效果的相关度进行权重配置，输出M个第一权重系数。

本说明书通过前述对一种特种钢材的冶炼效果评估方法的详细描述，本领域技术人员可以清楚地知道本实施例中一种特种钢材的冶炼效果评估方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种特种钢材的冶炼效果评估方法，其特征在于，所述方法包括：

获取第一特种钢材的冶炼流程信息，确定多个冶炼层级；

连接冶炼数据监测系统，获取与所述多个冶炼层级对应的多组样本冶炼数据集；

按照所述多组样本冶炼数据集进行模型训练，搭建与所述多个冶炼层级对应的多个冶炼评估层，将所述多个冶炼评估层集成连接，输出冶炼评估集成模型；

获取所述第一特种钢材的与所述多个冶炼层级对应的多组实时冶炼监测数据集；

将所述多组实时冶炼监测数据集输入所述冶炼评估集成模型中进行多层集成，输出多层评估指数，其中，所述多层评估指数包括第一评估指数，第二评估指数，…第N评估指数，N为冶炼层级的数量；

根据所述第一评估指数，所述第二评估指数，…所述第N评估指数，输出冶炼评估结果。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

搭建全连接的神经网络，利用所述神经网络训练所述冶炼评估集成模型，将所述多组实时冶炼监测数据集输入所述冶炼评估集成模型，输出所述多层评估指数；

其中，每个冶炼评估层的训练数据包括将所述多组样本冶炼数据集分别输入对应的冶炼评估层，并将上一冶炼评估层的输出数据作为输入数据输入下一冶炼评估层中，以及标识钢材冶炼效果的评估指数进行模型训练。

3.如权利要求2所述的方法，其特征在于，根据所述第一评估指数，所述第二评估指数，…所述第N评估指数，输出冶炼评估结果，方法还包括：

根据所述第一评估指数、所述第二评估指数，…所述第N评估指数，与对应的N个预设评估指数进行质量偏移分析，得到N-1个偏移度；

对所述N-1个偏移度进行向量化处理，得到N-1个偏移向量；

根据所述N-1个偏移向量进行向量回归拟合分析，得到第一回归函数；

根据所述第一回归函数的损失向量，输出所述冶炼评估结果。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

其中，为基于偏移向量得到的损失向量，/>表征基于第i个评估指数/>与第i+1个评估指数/>条件下所对应的第i个偏移度的拟合函数，通过最小化对回归后N个向量对应的损失和进行计算。

5.如权利要求3所述的方法，其特征在于，所述得到N-1个偏移度后，方法还包括：

对所述N-1个偏移度进行判断，获取偏移度大于预设偏移度的M个偏移度，其中，M为大于等于0的正整数，且；

通过对所述M个偏移度对应进行向量化处理，得到M个偏移向量；

对所述M个偏移向量进行损失权重层配置，得到第一权重系数；

按照所述第一权重系数进行损失识别，输出所述冶炼评估结果。

6.如权利要求5所述的方法，其特征在于，所述方法还包括：

其中，为基于偏移度大于预设偏移度的M个偏移度得到的损失向量；/>表征基于N-1个偏移度中除M个偏移度以外剩余的偏移度的损失向量；/>为第一权重系数；

表征以得到基于第i个评估指数/>与第i+1个评估指数/>条件下所对应的第i个偏移度的拟合函数，通过最小化/>对回归后M个向量对应的损失和进行计算。

7.如权利要求6所述的方法，其特征在于，对所述M个偏移向量进行损失权重层配置，得到第一权重系数，方法包括：

对所述M个偏移向量的偏移因子进行识别，获取M个第一偏移因子；

按照所述M个第一偏移因子与冶炼效果的相关度进行权重配置，输出M个第一权重系数。

8.一种特种钢材的冶炼效果评估系统，其特征在于，用于实施权利要求1-7所述的一种特种钢材的冶炼效果评估方法，包括：

冶炼层级确定模块，所述冶炼层级确定模块用于获取第一特种钢材的冶炼流程信息，确定多个冶炼层级；

样本冶炼数据获取模块，所述样本冶炼数据获取模块用于连接冶炼数据监测系统，获取与所述多个冶炼层级对应的多组样本冶炼数据集；

评估集成模型构建模块，所述评估集成模型构建模块用于按照所述多组样本冶炼数据集进行模型训练，搭建与所述多个冶炼层级对应的多个冶炼评估层，将所述多个冶炼评估层集成连接，输出冶炼评估集成模型；

实时监测数据获取模块，所述实时监测数据获取模块用于获取所述第一特种钢材的与所述多个冶炼层级对应的多组实时冶炼监测数据集；

多层评估指数获取模块，所述多层评估指数获取模块用于将所述多组实时冶炼监测数据集输入所述冶炼评估集成模型中进行多层集成，输出多层评估指数，其中，所述多层评估指数包括第一评估指数，第二评估指数，…第N评估指数，N为冶炼层级的数量；

冶炼评估结果获取模块，所述冶炼评估结果获取模块用于根据所述第一评估指数，所述第二评估指数，…所述第N评估指数，输出冶炼评估结果。