CN117572914A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117572914A CN117572914A CN202311541320.3A CN202311541320A CN117572914A CN 117572914 A CN117572914 A CN 117572914A CN 202311541320 A CN202311541320 A CN 202311541320A CN 117572914 A CN117572914 A CN 117572914A
- Authority
- CN
- China
- Prior art keywords
- molten steel
- steel temperature
- refined
- value
- refining
- 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.)
- Granted
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 275
- 239000010959 steel Substances 0.000 title claims abstract description 275
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000010801 machine learning Methods 0.000 title claims abstract description 59
- 238000009847 ladle furnace Methods 0.000 claims abstract description 179
- 238000007670 refining Methods 0.000 claims abstract description 120
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims description 25
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 24
- 239000000654 additive Substances 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 239000002893 slag Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000000996 additive effect Effects 0.000 claims description 12
- 229910052786 argon Inorganic materials 0.000 claims description 12
- 238000007664 blowing Methods 0.000 claims description 12
- 238000010438 heat treatment Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 239000000956 alloy Substances 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 7
- 241000282461 Canis lupus Species 0.000 claims description 5
- 229910008455 Si—Ca Inorganic materials 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009851 ferrous metallurgy Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000002547 anomalous effect Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000008092 positive effect Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 2
- 229910000616 Ferromanganese Inorganic materials 0.000 description 2
- 235000011941 Tilia x europaea Nutrition 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- DALUDRGQOYMVLD-UHFFFAOYSA-N iron manganese Chemical compound [Mn].[Fe] DALUDRGQOYMVLD-UHFFFAOYSA-N 0.000 description 2
- 239000004571 lime Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 229910004261 CaF 2 Inorganic materials 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 description 1
- 229910001634 calcium fluoride Inorganic materials 0.000 description 1
- 229910052918 calcium silicate Inorganic materials 0.000 description 1
- 239000000378 calcium silicate Substances 0.000 description 1
- OYACROKNLOSFPA-UHFFFAOYSA-N calcium;dioxido(oxo)silane Chemical compound [Ca+2].[O-][Si]([O-])=O OYACROKNLOSFPA-UHFFFAOYSA-N 0.000 description 1
- OSMSIOKMMFKNIL-UHFFFAOYSA-N calcium;silicon Chemical compound [Ca]=[Si] OSMSIOKMMFKNIL-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/30—Automatic controllers with an auxiliary heating device affecting the sensing element, e.g. for anticipating change of temperature
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明公开了一种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，涉及钢铁冶金技术领域。包括：获取待控制的钢包炉LF精炼过程数据以及LF精炼目标钢水温度；根据LF精炼过程数据以及LF精炼目标钢水温度，得到LF精炼钢水温度预测模型；根据LF精炼钢水温度预测模型，计算得到钢水温度预测基础值、关键因素参数的SHAP值以及关键因素参数与SHAP值之间的关系趋势；根据钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值，根据关系趋势以及LF精炼钢水温度预测值，得到LF精炼钢水温度控制结果。本发明能够有效协助现场操作人员及时精准的调整工艺参数，从而实现钢水温度的精确控制。
Description
技术领域
本发明涉及钢铁冶金技术领域，尤其涉及一种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。
背景技术
随着钢铁工业的高质量发展，绿色化、智能化已成为炼钢厂的主要发展方向。LF(Ladle Furnace，钢包炉)精炼作为炼钢-连铸生产工艺中的中间工序，其钢水温度的合理控制是影响钢水质量和连铸顺行的关键因素之一。因此，精准预测和控制钢水温度对优化LF精炼工艺操作、降低生产成本和提高生产效率具有重要意义。
LF精炼涉及复杂的高温物理化学反应过程，针对实际生产中难以实现钢水的连续测温，通常是根据操作人员的经验和多次测温来对钢水温度进行控制的问题，研究学者开发了不同的钢水温度预测方法。例如：专利CN 202310510682.X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，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。专利CN202211688892.X公开了一种LF精炼炉精炼过程钢水温度预测的方法及系统。
然而，通过文献调研，已有公开资料中冶金机理模型虽然可以直接描述钢水在不同阶段、不同条件下的能量变化，但冶金机理模型的构建通常需要很多的假设和简化，且LF精炼过程的输入和输出变量之间存在线性和非线性关系，导致模型精度较差。机器学习模型过于依赖数据，缺乏对冶金机理的考虑，有时甚至由于异常数据的干扰，使模型产生较大的偏差。冶金机理模型+机器学习的混合模型既克服了冶金机理模型关键参数难以确定和假设过多等带来的计算困难，又克服了机器学习模型缺乏冶金机理指导和过度依赖数据的不足，混合建模是目前应用最广泛的建模策略。此外，混合模型构建过程中虽然应用了冶金机理和先进的机器学习算法并取得了较高的精度，但是其仍然存在模型决策不透明、缺乏预测结果解释等黑箱问题，导致现场操作人员难以掌握机器学习模型的工作原理、无法根据模型对工艺参数进行合理优化且不能更好的应用和优化模型。此外，生产现场的LF精炼过程工艺参数调整，基本通过人工经验进行感性调整，导致钢水温度波动较大，影响钢水质量和生产效率的提高。因此，实现精准的钢水温度预测和工艺参数调整，是当前实现钢水温度稳定控制亟待解决的问题。
发明内容
本发明针对现有技术存在的LF精炼钢水温度预测模型缺乏决策透明性和可解释性，导致模型应用效果差、可靠性得不到保证的技术问题，在详细分析生产需求和已有技术资料的基础上，提出了本发明，以协助指导现场操作工艺，实现钢水温度精准控制，助力钢铁工艺智能化发展。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供了一种基于可解释性机器学习的LF精炼钢水温度控制方法，该方法由电子设备实现，该方法包括：
S1、获取待控制的钢包炉LF精炼过程数据以及LF精炼目标钢水温度。
S2、根据钢包炉LF精炼过程数据以及LF精炼目标钢水温度，得到LF精炼钢水温度预测模型。
S3、根据LF精炼钢水温度预测模型，计算得到钢水温度预测基础值、关键因素参数的SHAP值以及关键因素参数与SHAP值之间的关系趋势。
S4、根据钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值，根据关系趋势以及LF精炼钢水温度预测值，得到LF精炼钢水温度控制结果。
可选地，S1中的钢包炉LF精炼过程数据，包括：影响钢水温度变化的关键因素参数以及添加料的加入量。
其中，关键因素参数，包括：空包时长、钢水重量、进站钢水温度、精炼时长、电极加热时长以及钢包底吹氩气量。
添加料，包括：合金料、造渣料以及硅钙线。
可选地，S2中的根据钢包炉LF精炼过程数据以及LF精炼目标钢水温度，得到LF精炼钢水温度预测模型，包括：
S21、根据LF精炼目标钢水温度，计算得到LF精炼实际钢水温度。
S22、根据LF精炼实际钢水温度以及关键因素参数，构建模型数据集，对模型数据集进行预处理，将预处理后的模型数据集分为训练集以及测试集。
S23、根据训练集、K折交叉验证以及超参数寻优方法，对机器学习模型进行超参数寻优，得到多个机器学习模型的最优超参数。
S24、根据测试集对寻优后的多个机器学习模型进行评估，根据多个机器学习模型的性能指标，得到最优的LF精炼钢水温度预测模型。
可选地，S21中的根据LF精炼目标钢水温度，计算得到LF精炼实际钢水温度，包括：
根据LF精炼目标钢水温度以及热平衡，计算得到LF精炼实际钢水温度T1，如下式(1)所示：
T1＝Tmeasured-ΔTaddition (1)
其中，Tmeasured表示LF精炼目标钢水温度，ΔTaddition表示添加料造成的钢水温度变化。
可选地，S22中的预处理，包括：删除重复数据和异常数据。
其中，异常数据，包括：传感器故障导致的异常数据、钢水重量低于最小处理能力或者高于最大处理能力的炉次数据、LF精炼过程中加热时长大于预设时长的炉次数据以及精炼钢水终点成分不在目标钢种的目标成分范围的炉次数据。
可选地，S23中的超参数寻优方法，包括：随机搜索技术、贝叶斯优化技术以及灰狼优化技术。
可选地，S23中的机器学习模型，包括：极限梯度提升模型以及轻量梯度提升机器模型。
可选地，S24中的性能指标，包括：决定系数R2、均方根误差RMES、平均绝对误差MAE和预设误差范围内的命中率。
可选地，根据钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值，根据关系趋势以及LF精炼钢水温度预测值，得到LF精炼钢水温度控制结果，包括：
S41、根据钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值Tpredict，如下式(2)所示：
其中，Tbasevalue表示钢水温度预测基础值，j表示关键因素参数，SHAPvaluej表示关键因素参数j对应的SHAP值。
S42、计算LF精炼钢水温度预测值与LF精炼实际钢水温度之间的差值，根据关系趋势对关键因素参数进行调整，直至差值在预设范围内，得到调整后的关键因素参数，进而得到LF精炼钢水温度控制结果。
另一方面，本发明提供了一种基于可解释性机器学习的LF精炼钢水温度控制装置，该装置应用于实现基于可解释性机器学习的LF精炼钢水温度控制方法，该装置包括：
获取模块，用于获取待控制的钢包炉LF精炼过程数据以及LF精炼目标钢水温度。
模型构建模块，用于根据钢包炉LF精炼过程数据以及LF精炼目标钢水温度，得到LF精炼钢水温度预测模型。
计算模块，用于根据LF精炼钢水温度预测模型，计算得到钢水温度预测基础值、关键因素参数的SHAP值以及关键因素参数与SHAP值之间的关系趋势。
输出模块，用于根据钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值，根据关系趋势以及LF精炼钢水温度预测值，得到LF精炼钢水温度控制结果。
可选地，钢包炉LF精炼过程数据，包括：影响钢水温度变化的关键因素参数以及添加料的加入量。
其中，关键因素参数，包括：空包时长、钢水重量、进站钢水温度、精炼时长、电极加热时长以及钢包底吹氩气量。
添加料，包括：合金料、造渣料以及硅钙线。
可选地，模型构建模块，进一步用于：
S21、根据LF精炼目标钢水温度，计算得到LF精炼实际钢水温度。
S22、根据LF精炼实际钢水温度以及关键因素参数，构建模型数据集，对模型数据集进行预处理，将预处理后的模型数据集分为训练集以及测试集。
S23、根据训练集、K折交叉验证以及超参数寻优方法，对机器学习模型进行超参数寻优，得到多个机器学习模型的最优超参数。
S24、根据测试集对寻优后的多个机器学习模型进行评估，根据多个机器学习模型的性能指标，得到最优的LF精炼钢水温度预测模型。
可选地，模型构建模块，进一步用于：
根据LF精炼目标钢水温度以及热平衡，计算得到LF精炼实际钢水温度T1，如下式(1)所示：
T1＝Tmeasured-ΔTaddition (1)
其中，Tmeasured表示LF精炼目标钢水温度，ΔTaddition表示添加料造成的钢水温度变化。
可选地，预处理，包括：删除重复数据和异常数据。
其中，异常数据，包括：传感器故障导致的异常数据、钢水重量低于最小处理能力或者高于最大处理能力的炉次数据、LF精炼过程中加热时长大于预设时长的炉次数据以及精炼钢水终点成分不在目标钢种的目标成分范围的炉次数据。
可选地，超参数寻优方法，包括：随机搜索技术、贝叶斯优化技术以及灰狼优化技术。
可选地，机器学习模型，包括：极限梯度提升模型以及轻量梯度提升机器模型。
可选地，性能指标，包括：决定系数R2、均方根误差RMES、平均绝对误差MAE和预设误差范围内的命中率。
可选地，输出模块，进一步用于：
S41、根据钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值Tpredict，如下式(2)所示：
其中，Tbasevalue表示钢水温度预测基础值，j表示关键因素参数，SHAPvaluej表示关键因素参数j对应的SHAP值。
S42、计算LF精炼钢水温度预测值与LF精炼实际钢水温度之间的差值，根据关系趋势对关键因素参数进行调整，直至差值在预设范围内，得到调整后的关键因素参数，进而得到LF精炼钢水温度控制结果。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于可解释性机器学习的LF精炼钢水温度控制方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于可解释性机器学习的LF精炼钢水温度控制方法。
上述技术方案，与现有技术相比至少具有如下有益效果：
上述方案，能够根据LF精炼实际工况，有利于增强操作人员对模型决策的认识。本申请可指导操作工在实际操作中对工艺参数的调整做出更准确、科学和合理的决策，从而提高生产效率、优化工艺参数，实现钢水温度的精准控制，确保钢水质量，降低生产风险。
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是本发明实施例提供的基于可解释性机器学习的LF精炼钢水温度控制方法流程示意图；
图2是本发明实施例提供的不同钢水温度变化的关键因素参数的SHAP依赖图；
图3是本发明实施例提供的基于可解释性机器学习的LF精炼钢水温度控制装置框图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需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。
如图1所示，本发明实施例提供了一种基于可解释性机器学习的LF精炼钢水温度控制方法，该方法可以由电子设备实现。如图1所示的基于可解释性机器学习的LF精炼钢水温度控制方法流程图，该方法的处理流程可以包括如下的步骤：
S1、获取待控制的钢包炉LF精炼过程数据以及LF精炼目标钢水温度。
其中，LF精炼过程数据，可以包括：影响钢水温度变化的关键因素参数以及添加料的加入量。
其中，关键因素参数，可以包括：空包时长、钢水重量、进站钢水温度、精炼时长、电极加热时长以及钢包底吹氩气量。
添加料，可以包括：合金料、造渣料以及硅钙线。
具体地，合金料可以包括铝线和高碳锰铁，造渣料可以包括石灰和熔渣剂，熔渣剂主要成分包括CaF2和不可避免的杂质。
一种可行的实施方式中，获取LF精炼过程中空包时长(X1)、钢水重量(X2)、进站钢水温度(X3)、精炼时长(X4)、电极加热时长(X5)、钢包底吹氩气量(X6)、合金料(铝线、高碳锰铁)加入量、造渣料(石灰、熔渣剂)加入量和硅钙线加入量，不同参数与合金料和造渣料加入量的统计描述如表1所示，其中熔渣剂的主要成分为CaF2以及余量的不可避免杂质。
表1
S2、根据LF精炼过程数据以及LF精炼目标钢水温度，得到LF精炼钢水温度预测模型。
可选地，上述步骤S2可以包括如下步骤S21-S24：
S21、根据LF精炼目标钢水温度，计算得到LF精炼实际钢水温度。
具体地，根据LF精炼目标钢水温度以及热平衡，计算得到LF精炼实际钢水温度T1，如下式(1)所示：
T1＝Tmeasured-ΔTaddition (1)
其中，Tmeasured表示LF精炼目标钢水温度，ΔTaddition表示添加料(合金料/造渣料/硅钙线)造成的钢水温度变化，i表示添加料(合金料或造渣料)，Gi表示添加料i的重量(kg)，qi表示添加料i的温度效应系数(℃/kg)。
不同添加料加入量对钢水温度变化的影响系数，如表2所示。
表2
S22、根据LF精炼实际钢水温度以及关键因素参数，构建模型数据集，对模型数据集进行预处理，将预处理后的模型数据集分为训练集以及测试集。
可选地，S22中的预处理，包括：删除重复数据和异常数据。
其中，异常数据，包括：传感器故障导致的异常数据(如：NULL、9999、0000)、钢水重量低于最小处理能力或者高于最大处理能力的炉次数据、LF精炼过程中加热时长大于1800s的炉次数据以及精炼钢水终点成分不在目标钢种的目标成分范围的炉次数据。
一种可行的实施方式中，将LF精炼过程中，影响钢水温度变化的关键因素参数与LF精炼实际钢水温度T1构建为模型数据集，并对数据集进行数据预处理。
S23、根据训练集、K折交叉验证以及超参数寻优方法，对机器学习模型进行超参数寻优，得到多个机器学习模型的最优超参数。
其中，超参数寻优方法，可以包括：随机搜索技术、BO(Bayesian Optimization，贝叶斯优化技术)以及GWO(Grey Wolf Optimization，灰狼优化技术)。
机器学习模型，可以包括：XGBoost(eXtreme Gradient Boosting，极限梯度提升模型)以及LGBM(Light Gradient Boosting Machine，轻量梯度提升机器模型)。
一种可行的实施方式中，将得到的8962组数据分为训练集和测试集，其中，80％的数据作为训练集用于机器学习模型训练，20％的数据作为测试集用于机器学习模型评估。采用10折交叉验证，将训练集分为10份，其中，9份作为训练集，1份作为验证集，通过随机搜索技术、BO优化技术和GWO优化技术对机器学习模型(XGBoost模型和LGBM模型)进行超参数寻优，最终得到不同机器学习模型的最优超参数，如表3所示。
表3
S24、根据测试集对寻优后的多个机器学习模型进行评估，根据多个机器学习模型的性能指标，得到最优的LF精炼钢水温度预测模型。
可选地，S24中的性能指标，包括：决定系数R2、RMES(Root Mean Squared Error，均方根误差)、MAE(Mean Absolute Error，平均绝对误差)和预设误差范围内的命中率中的一种以上。
具体地，评估标准可以包括R2最高、RMES最小、MAE最小和/或误差范围内的命中率最高。其中，误差范围可以为±5℃。
一种可行的实施方式中，在机器学习模型超参数空间内，基于训练集利用K折交叉验证通过不同超参数寻优方法，对基于机器学习的LF精炼钢水温度预测模型进行超参数寻优，并利用测试集对最佳机器学习模型进行评估，比较机器学习模型的性能指标，进而获取性能指标最优的机器学习模型。
不同机器学习模型的性能指标如表4所示。
表4
显然，基于本发明实施例的最优模型为GWO-LGBM，其由四个主要参数组成：Column，Count，Gain和Leaf。Column表示在决策树节点上选择的用于分区的特征列。节点划分取决于特定特征的值。Count表示节点中训练样本的个数。Gain表示通过对当前特征进行分区获得的信息增益。信息增益是用来衡量划分前后样本集纯度提高程度的指标。在GWO-LGBM树中，每个分区根据信息增益选择最佳分区特征。Leaf表示当前节点是否为叶节点。决策树中的每个节点要么是继续分区的内部节点，要么是最终的叶节点。叶节点是决策树的最终输出，代表样本的预测值。
S3、根据LF精炼钢水温度预测模型，计算得到钢水温度预测基础值Tbasevalue、关键因素参数的SHAP值以及关键因素参数与SHAP值之间的关系趋势。
其中，关系趋势，包括：精炼时长与SHAP值之间的关系趋势、电极加热时长与SHAP值之间的关系趋势以及钢包底吹氩气量与SHAP值之间的关系趋势。
一种可行的实施方式中，精炼时长、电极加热时长、钢包底吹氩气量分别与SHAP值之间的关系趋势通过如下方式获得：利用的Python语言中的shap.TreeExplainer模块，将参数输入模块，即可得到各参数对应的SHAP值，然后对获得的SHAP值与对应的参数进行拟合即得。
进一步地，通过SHAP值的变化趋势和分布，进一步研究钢水温度变化的关键因素参数对钢水温度的影响，SHAP值为正值表示钢水温度变化的关键因素参数对钢水温度的预测值即钢水温度升高有正影响；相反，SHAP值为负值表示钢水温度变化的关键因素参数对钢水温度的预测值即钢水温度升高有负影响。
S4、根据钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值，根据关系趋势以及LF精炼钢水温度预测值，得到LF精炼钢水温度控制结果。可选地，上述步骤S4可以包括如下步骤S41-S42：
S41、根据钢水温度预测基础值以及SHAP值，计算得到LF精炼钢水温度预测值Tpredict，如下式(2)所示：
其中，Tbasevalue表示钢水温度预测基础值，j表示关键因素参数，SHAPvaluej表示关键因素参数j对应的SHAP值。
S42、计算LF精炼钢水温度预测值与LF精炼实际钢水温度之间的差值，根据关系趋势对相应的关键因素参数进行调整，直至差值在预设范围内，得到调整后的关键因素参数，进而得到LF精炼钢水温度控制结果。
一种可行的实施方式中，根据关系趋势调整相应的参数至调整后的预测值与实际钢水温度的差值在要求范围内即可得到精准调控的工艺参数。
举例来说：
实施例1：本实施例下LF精炼实际钢水温度T1为1604.51℃，基于最优模型GWO-LGBM计算得到温度预测基础值Tbasevalue为1603.43℃、利用的Python语言中的shap.TreeExplainer模块，将关键因素参数(X1＝53min、X2＝148100kg、X3＝1596℃、X4＝43min、X5＝719s、X6＝1.6×104NL)输入模块，得到各参数对应的SHAP值分别为SHAPvalue1＝0.74、SHAPvalue2＝1.28、SHAPvalue3＝6.44、SHAPvalue4＝-0.9、SHAPvalue5＝-2.13、SHAPvalue6＝-0.25，SHAP值为正表示对预测值有正影响，SHAP值为负表示对预测值有负影响。同时获得各关键因素参数的SHAP趋势图(依赖图)，如图2所示。
根据公式(2)计算得到LF精炼钢水温度预测值为1608.61℃，可得预测值Tpredict与实际钢水温度T1(1604.51℃)之间的差值为4.1℃。基于此，可选择如下任一种方式进行关键参数调控：1)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue4＝-5时对应的参数值为63min(其SHAPvalue4＝-5.17)或65min(其SHAPvalue4＝-4.77)，此时调整精炼时长为63min或65min进行实际LF精炼，LF精炼终点钢水温度为1604.34℃或1604.74，与T1的偏差为0.17℃或0.23℃；2)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue5＝-6.23时对应的参数值612s(其SHAPvalue5为-6.22)或583s(其SHAPvalue5为-6.24)，此时调整电极加热时长为612s或者583s进行实际LF精炼，LF精炼终点钢水温度为1604.52℃或1604.50℃，与T1的偏差为0.01℃；3)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue6＝-4.35时对应的参数值为3.3×105NL(其SHAPvalue5为-4.35)，此时调整钢包底吹氩气量为3.3×105NL进行实际LF精炼，LF精炼终点钢水温度为1604.51℃，与T1的偏差为0℃。
实施例2：本实施例下LF精炼实际钢水温度T1为1598.91℃，基于最优模型GWO-LGBM计算得到温度预测基础值Tbasevalue为1603.43℃、利用的Python语言中的shap.TreeExplainer模块，将关键因素参数(X1＝61min、X2＝152500kg、X3＝1572℃、X4＝51min、X5＝785s、X6＝4.4×104NL)输入模块，得到各参数对应的SHAP值分别为SHAPvalue1＝0.28、SHAPvalue2＝-2.38、SHAPvalue3＝1.52、SHAPvalue4＝-0.18、SHAPvalue5＝-0.71、SHAPvalue6＝-5.37，SHAP值为正表示对预测值有正影响，SHAP值为负表示对预测值有负影响。同时获得各关键因素参数的SHAP趋势图(依赖图)，如图2所示。
根据公式(2)计算得到LF精炼钢水温度预测值为1596.59℃，可得预测值Tpredict与实际钢水温度T1(1598.91℃)之间的差值为-2.32℃。基于此，可选择如下任一种方式进行关键参数调控：1)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue4＝2.14时对应的参数值为63min(其SHAPvalue4＝2.18)，此时调整精炼时长为63min进行实际LF精炼，LF精炼终点钢水温度为1598.95℃，与T1的偏差为0.04℃；2)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue5＝1.61时对应的参数值为781s(其SHAPvalue5＝1.61)，此时调整电极加热时长为781s进行实际LF精炼，LF精炼终点钢水温度为1598.91℃，与T1的偏差为0℃；3)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue6＝-3.05时对应的参数值为3.6×105NL(其SHAPvalue6＝-3.05)，此时调整钢包底吹氩气量为3.6×105NL进行实际LF精炼，LF精炼终点钢水温度为1598.91℃，与T1的偏差为0℃。
实施例3：本实施例下LF精炼实际钢水温度T1为1594.24℃，基于最优模型GWO-LGBM计算得到温度预测基础值Tbasevalue为1603.43℃、利用的Python语言中的shap.TreeExplainer模块，将关键因素参数(X1＝45min、X2＝152900kg、X3＝1566℃、X4＝38min、X5＝796s、X6＝3.8×104NL)输入模块，得到各参数对应的SHAP值分别为SHAPvalue1＝-0.34、SHAPvalue2＝-2.19、SHAPvalue3＝1.1、SHAPvalue4＝-0.87、SHAPvalue5＝0.11、SHAPvalue6＝-5.86，SHAP值为正表示对预测值有正影响，SHAP值为负表示对预测值有负影响。同时获得各关键因素参数的SHAP趋势图(依赖图)，如图2所示。
根据公式(2)计算得到LF精炼钢水温度预测值为1596.59℃，可得预测值Tpredict与实际钢水温度T1(1594.24℃)之间的差值为1.14℃。基于此，可选择如下任一种方式进行关键参数调控：1)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue4＝-2.01时对应的参数值为53min(其SHAPvalue4＝-2.01)，此时调整精炼时长为53min进行实际LF精炼，LF精炼终点钢水温度为1594.24℃，与T1的偏差为0℃；2)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue5＝-1.03时对应的参数值为781s(其SHAPvalue5＝-1.02)，此时调整电极加热时长为781s进行实际LF精炼，LF精炼终点钢水温度为1594.25℃，与T1的偏差为0.01℃；3)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue6＝-7时对应的参数值为4.0×105NL(其SHAPvalue6＝-7.05)，此时调整钢包底吹氩气量为4.0×105NL进行实际LF精炼，LF精炼终点钢水温度为1594.19℃，与T1的偏差为0.05℃。
实施例4：本实施例下LF精炼实际钢水温度T1为1619℃，基于最优模型GWO-LGBM计算得到温度预测基础值Tbasevalue为1603.43℃、利用的Python语言中的shap.TreeExplainer模块，将关键因素参数(X1＝70min、X2＝157390kg、X3＝1554℃、X4＝58min、X5＝1192s、X6＝3.1×104NL)输入模块，得到各参数对应的SHAP值分别为SHAPvalue1＝-0.01、SHAPvalue2＝0.67、SHAPvalue3＝0.82、SHAPvalue4＝-0.29、SHAPvalue5＝18.52、SHAPvalue6＝-0.15，SHAP值为正表示对预测值有正影响，SHAP值为负表示对预测值有负影响。同时获得各关键因素参数的SHAP趋势图(依赖图)，如图2所示。
根据公式(2)计算得到LF精炼钢水温度预测值为1596.59℃，可得预测值Tpredict与实际钢水温度T1(1619℃)之间的差值为3.99℃。基于此，可选择如下任一种方式进行关键参数调控：1)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue4＝-4.28时对应的参数值为65min(其SHAPvalue4＝-4.77)，此时调整精炼时长为65min进行实际LF精炼，LF精炼终点钢水温度为1618.51℃，与T1的偏差为0.49℃；2)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue5＝14.53时对应的参数值为1254s(其SHAPvalue5＝14.58)，此时调整电极加热时长为1254s进行实际LF精炼，LF精炼终点钢水温度为1619.05℃，与T1的偏差为0.05℃；3)根据各关键因素参数的SHAP趋势图(依赖图)选定最接近SHAPvalue6＝-4.14时对应的参数值为3.2×105NL(其SHAPvalue6＝-4.13)，此时调整钢包底吹氩气量为3.2×105NL进行实际LF精炼，LF精炼终点钢水温度为1619.01℃，与T1的偏差为0.01℃。
本发明实施例中，能够根据LF精炼实际工况，有利于增强操作人员对模型决策的认识。本申请可指导操作工在实际操作中对工艺参数的调整做出更准确、科学和合理的决策，从而提高生产效率、优化工艺参数，实现钢水温度的精准控制，确保钢水质量，降低生产风险。
如图3所示，本发明实施例提供了一种基于可解释性机器学习的LF精炼钢水温度控制装置300，该装置300应用于实现基于可解释性机器学习的LF精炼钢水温度控制方法，该装置300包括：
获取模块310，用于获取待控制的钢包炉LF精炼过程数据以及LF精炼目标钢水温度。
模型构建模块320，用于根据钢包炉LF精炼过程数据以及LF精炼目标钢水温度，得到LF精炼钢水温度预测模型。
计算模块330，用于根据LF精炼钢水温度预测模型，计算得到钢水温度预测基础值、关键因素参数的SHAP值以及关键因素参数与SHAP值之间的关系趋势。
输出模块340，用于根据钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值，根据关系趋势以及LF精炼钢水温度预测值，得到LF精炼钢水温度控制结果。
可选地，钢包炉LF精炼过程数据，包括：影响钢水温度变化的关键因素参数以及添加料的加入量。
其中，关键因素参数，包括：空包时长、钢水重量、进站钢水温度、精炼时长、电极加热时长以及钢包底吹氩气量。
添加料，包括：合金料、造渣料以及硅钙线。
可选地，模型构建模块320，进一步用于：
S21、根据LF精炼目标钢水温度，计算得到LF精炼实际钢水温度。
S22、根据LF精炼实际钢水温度以及关键因素参数，构建模型数据集，对模型数据集进行预处理，将预处理后的模型数据集分为训练集以及测试集。
S23、根据训练集、K折交叉验证以及超参数寻优方法，对机器学习模型进行超参数寻优，得到多个机器学习模型的最优超参数。
S24、根据测试集对寻优后的多个机器学习模型进行评估，根据多个机器学习模型的性能指标，得到最优的LF精炼钢水温度预测模型。
可选地，模型构建模块320，进一步用于：
根据LF精炼目标钢水温度以及热平衡，计算得到LF精炼实际钢水温度T1，如下式(1)所示：
T1＝Tmeasured-ΔTaddition (1)
其中，Tmeasured表示LF精炼目标钢水温度，ΔTaddition表示添加料造成的钢水温度变化。
可选地，预处理，包括：删除重复数据和异常数据。
其中，异常数据，包括：传感器故障导致的异常数据、钢水重量低于最小处理能力或者高于最大处理能力的炉次数据、LF精炼过程中加热时长大于预设时长的炉次数据以及精炼钢水终点成分不在目标钢种的目标成分范围的炉次数据。
可选地，超参数寻优方法，包括：随机搜索技术、贝叶斯优化技术以及灰狼优化技术。
可选地，机器学习模型，包括：极限梯度提升模型以及轻量梯度提升机器模型。
可选地，性能指标，包括：决定系数R2、均方根误差RMES、平均绝对误差MAE和预设误差范围内的命中率。
可选地，输出模块330，进一步用于：
S41、根据钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值Tpredict，如下式(2)所示：
其中，Tbasevalue表示钢水温度预测基础值，j表示关键因素参数，SHAPvaluej表示关键因素参数j对应的SHAP值。
S42、计算LF精炼钢水温度预测值与LF精炼实际钢水温度之间的差值，根据关系趋势对关键因素参数进行调整，直至差值在预设范围内，得到调整后的关键因素参数，进而得到LF精炼钢水温度控制结果。
本发明实施例中，能够根据LF精炼实际工况，有利于增强操作人员对模型决策的认识。本申请可指导操作工在实际操作中对工艺参数的调整做出更准确、科学和合理的决策，从而提高生产效率、优化工艺参数，实现钢水温度的精准控制，确保钢水质量，降低生产风险。
图4是本发明实施例提供的一种电子设备400的结构示意图，该电子设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)401和一个或一个以上的存储器402，其中，存储器402中存储有至少一条指令，至少一条指令由处理器401加载并执行以实现下述基于可解释性机器学习的LF精炼钢水温度控制方法：
S1、获取待控制的钢包炉LF精炼过程数据以及LF精炼目标钢水温度。
S2、根据钢包炉LF精炼过程数据以及LF精炼目标钢水温度，得到LF精炼钢水温度预测模型。
S3、根据LF精炼钢水温度预测模型，计算得到钢水温度预测基础值、关键因素参数的SHAP值以及关键因素参数与SHAP值之间的关系趋势。
S4、根据钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值，根据关系趋势以及LF精炼钢水温度预测值，得到LF精炼钢水温度控制结果。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于可解释性机器学习的LF精炼钢水温度控制方法。例如，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于可解释性机器学习的LF精炼钢水温度控制方法，其特征在于，所述方法包括：
S1、获取待控制的钢包炉LF精炼过程数据以及LF精炼目标钢水温度；
S2、根据所述钢包炉LF精炼过程数据以及LF精炼目标钢水温度，得到LF精炼钢水温度预测模型；
S3、根据所述LF精炼钢水温度预测模型，计算得到钢水温度预测基础值、关键因素参数的SHAP值以及关键因素参数与所述SHAP值之间的关系趋势；
S4、根据所述钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值，根据所述关系趋势以及LF精炼钢水温度预测值，得到LF精炼钢水温度控制结果。
2.根据权利要求1所述的方法，其特征在于，所述S1中的钢包炉LF精炼过程数据，包括：影响钢水温度变化的关键因素参数以及添加料的加入量；
其中，所述关键因素参数，包括：空包时长、钢水重量、进站钢水温度、精炼时长、电极加热时长以及钢包底吹氩气量；
所述添加料，包括：合金料、造渣料以及硅钙线。
3.根据权利要求1所述的方法，其特征在于，所述S2中的根据所述钢包炉LF精炼过程数据以及LF精炼目标钢水温度，得到LF精炼钢水温度预测模型，包括：
S21、根据所述LF精炼目标钢水温度，计算得到LF精炼实际钢水温度；
S22、根据所述LF精炼实际钢水温度以及关键因素参数，构建模型数据集，对所述模型数据集进行预处理，将预处理后的模型数据集分为训练集以及测试集；
S23、根据所述训练集、K折交叉验证以及超参数寻优方法，对机器学习模型进行超参数寻优，得到多个机器学习模型的最优超参数；
S24、根据所述测试集对寻优后的多个机器学习模型进行评估，根据多个机器学习模型的性能指标，得到最优的LF精炼钢水温度预测模型。
4.根据权利要求3所述的方法，其特征在于，所述S21中的根据所述LF精炼目标钢水温度，计算得到LF精炼实际钢水温度，包括：
根据所述LF精炼目标钢水温度以及热平衡，计算得到LF精炼实际钢水温度T1，如下式(1)所示：
T1＝Tmeasured-ΔTaddition (1)
其中，Tmeasured表示LF精炼目标钢水温度，ΔTaddition表示添加料造成的钢水温度变化。
5.根据权利要求3所述的方法，其特征在于，所述S22中的预处理，包括：删除重复数据和异常数据；
其中，所述异常数据，包括：传感器故障导致的异常数据、钢水重量低于最小处理能力或者高于最大处理能力的炉次数据、LF精炼过程中加热时长大于预设时长的炉次数据以及精炼钢水终点成分不在目标钢种的目标成分范围的炉次数据。
6.根据权利要求3所述的方法，其特征在于，所述S23中的超参数寻优方法，包括：随机搜索技术、贝叶斯优化技术以及灰狼优化技术。
7.根据权利要求3所述的方法，其特征在于，所述S23中的机器学习模型，包括：极限梯度提升模型以及轻量梯度提升机器模型。
8.根据权利要求3所述的方法，其特征在于，所述S24中的性能指标，包括：决定系数R2、均方根误差RMES、平均绝对误差MAE和预设误差范围内的命中率。
9.根据权利要求1所述的方法，其特征在于，所述S4中的根据所述钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值，根据所述关系趋势以及LF精炼钢水温度预测值，得到LF精炼钢水温度控制结果，包括：
S41、根据所述钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值Tpredict，如下式(2)所示：
其中，Tbasevalue表示钢水温度预测基础值，j表示关键因素参数，SHAPvaluej表示关键因素参数j对应的SHAP值；
S42、计算所述LF精炼钢水温度预测值与LF精炼实际钢水温度之间的差值，根据所述关系趋势对关键因素参数进行调整，直至所述差值在预设范围内，得到调整后的关键因素参数，进而得到LF精炼钢水温度控制结果。
10.一种基于可解释性机器学习的LF精炼钢水温度控制装置，其特征在于，所述装置包括：
获取模块，用于获取待控制的钢包炉LF精炼过程数据以及LF精炼目标钢水温度；
模型构建模块，用于根据所述钢包炉LF精炼过程数据以及LF精炼目标钢水温度，得到LF精炼钢水温度预测模型；
计算模块，用于根据所述LF精炼钢水温度预测模型，计算得到钢水温度预测基础值、关键因素参数的SHAP值以及关键因素参数与所述SHAP值之间的关系趋势；
输出模块，用于根据所述钢水温度预测基础值以及关键因素参数的SHAP值，计算得到LF精炼钢水温度预测值，根据所述关系趋势以及LF精炼钢水温度预测值，得到LF精炼钢水温度控制结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311541320.3A CN117572914B (zh) | 2023-11-17 | 2023-11-17 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311541320.3A CN117572914B (zh) | 2023-11-17 | 2023-11-17 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117572914A true CN117572914A (zh) | 2024-02-20 |
| CN117572914B CN117572914B (zh) | 2024-04-16 |
Family
ID=89894935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311541320.3A Active CN117572914B (zh) | 2023-11-17 | 2023-11-17 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117572914B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867220A (zh) * | 2012-06-25 | 2013-01-09 | 攀钢集团研究院有限公司 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
| CN110955956A (zh) * | 2019-11-07 | 2020-04-03 | 北京科技大学 | 基于lf炉精炼过程钢水温度和成分联合预测的方法及系统 |
| CN113255102A (zh) * | 2021-04-23 | 2021-08-13 | 北京科技大学 | 一种转炉终点钢水碳含量与温度预测方法及装置 |
| CN115659709A (zh) * | 2022-12-28 | 2023-01-31 | 湖南华联云创信息科技有限公司 | 一种lf精炼炉精炼过程钢水温度预测的方法及系统 |
| CN116384254A (zh) * | 2023-05-08 | 2023-07-04 | 北京科技大学 | 一种用于lf精炼炉钢水温度预测的误差修正方法及系统 |
| CN116825253A (zh) * | 2023-07-03 | 2023-09-29 | 东北大学 | 基于特征选择的热轧带钢力学性能预测模型的建立方法 |
| US20230368021A1 (en) * | 2022-05-11 | 2023-11-16 | University Of Science And Technology Beijing | Multi-mode smelting method based on the classification system of molten iron |
-
2023
- 2023-11-17 CN CN202311541320.3A patent/CN117572914B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867220A (zh) * | 2012-06-25 | 2013-01-09 | 攀钢集团研究院有限公司 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
| CN110955956A (zh) * | 2019-11-07 | 2020-04-03 | 北京科技大学 | 基于lf炉精炼过程钢水温度和成分联合预测的方法及系统 |
| CN113255102A (zh) * | 2021-04-23 | 2021-08-13 | 北京科技大学 | 一种转炉终点钢水碳含量与温度预测方法及装置 |
| US20230368021A1 (en) * | 2022-05-11 | 2023-11-16 | University Of Science And Technology Beijing | Multi-mode smelting method based on the classification system of molten iron |
| CN115659709A (zh) * | 2022-12-28 | 2023-01-31 | 湖南华联云创信息科技有限公司 | 一种lf精炼炉精炼过程钢水温度预测的方法及系统 |
| CN116384254A (zh) * | 2023-05-08 | 2023-07-04 | 北京科技大学 | 一种用于lf精炼炉钢水温度预测的误差修正方法及系统 |
| CN116825253A (zh) * | 2023-07-03 | 2023-09-29 | 东北大学 | 基于特征选择的热轧带钢力学性能预测模型的建立方法 |
Non-Patent Citations (2)
| Title |
|---|
| 付国庆;刘青;汪宙;常健;王彬;谢飞鸣;卢新春;居琪萍;: "LF精炼终点钢水温度灰箱预报模型", 北京科技大学学报, no. 07, 15 July 2013 (2013-07-15), pages 948 * |
| 李强;曹刚;: "基于人工神经网络和专家系统的精炼过程钢水温度预测模型", 重型机械, no. 06, 20 November 2010 (2010-11-20), pages 22 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117572914B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108676955B (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
| CN109447346B (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 | |
| US20090193936A1 (en) | Methods and apparatus for an oxygen furnace quality control system | |
| KR101011546B1 (ko) | 예측식 작성장치 및 예측식 작성방법 | |
| JP6531782B2 (ja) | 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置 | |
| CN102766728B (zh) | 钢包精炼炉精炼过程钢水硫含量实时预测的方法及装置 | |
| JP7093090B1 (ja) | ディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法 | |
| JP2007058806A (ja) | 製造条件計算方法、品質調整方法、鉄鋼製造方法、製造条件計算装置、品質調整システム、及びコンピュータプログラム | |
| JP5853723B2 (ja) | リン濃度予測装置及び吹錬制御方法 | |
| CN117572914B (zh) | 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 | |
| CN116305885A (zh) | 预测或控制硅钢铁损的方法、装置及存储介质 | |
| CN103194574B (zh) | 一种vod精炼终点碳含量预报模型的动态调整方法 | |
| CN111020118A (zh) | 一种基于粒子群优化案例推理的rh终点温度预测方法 | |
| JP5577568B2 (ja) | インペラー脱硫制御装置及び方法 | |
| US11987855B2 (en) | Method and system for determining converter tapping quantity | |
| JP5821656B2 (ja) | 生石灰濃度予測装置及び吹錬制御方法 | |
| CN1875329A (zh) | 用于控制生产钢的设备的方法和装置 | |
| CN117093868A (zh) | 一种基于多任务学习的转炉终点预测方法和装置 | |
| CN113430333B (zh) | 一种钢包精炼炉智能化稳定冶炼控制的方法 | |
| 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 | |
| Liu et al. | XGBoost-based model for predicting hydrogen content in electroslag remelting | |
| JP6098553B2 (ja) | 復燐量予測装置および復燐量予測方法、ならびに転炉脱燐制御方法 | |
| CN115270397A (zh) | 一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法 | |
| CN116127345B (zh) | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 | |
| CN115058555B (zh) | 一种转炉终点碳含量测量的智能软测量方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |