CN117708708B - 一种炼钢用铁合金的品质评级及推荐方法 - Google Patents
一种炼钢用铁合金的品质评级及推荐方法 Download PDFInfo
- Publication number
- CN117708708B CN117708708B CN202410167796.3A CN202410167796A CN117708708B CN 117708708 B CN117708708 B CN 117708708B CN 202410167796 A CN202410167796 A CN 202410167796A CN 117708708 B CN117708708 B CN 117708708B
- Authority
- CN
- China
- Prior art keywords
- ferroalloy
- alloy
- data
- steel
- quality
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000009628 steelmaking Methods 0.000 title claims abstract description 46
- 229910001021 Ferroalloy Inorganic materials 0.000 title claims description 86
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 42
- 239000010959 steel Substances 0.000 claims abstract description 42
- 229910000640 Fe alloy Inorganic materials 0.000 claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 claims abstract description 24
- 238000003723 Smelting Methods 0.000 claims abstract description 13
- 239000000126 substance Substances 0.000 claims abstract description 5
- 229910045601 alloy Inorganic materials 0.000 claims description 57
- 239000000956 alloy Substances 0.000 claims description 57
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 5
- 238000010079 rubber tapping Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 238000004091 panning Methods 0.000 claims description 4
- 238000010298 pulverizing process Methods 0.000 claims description 4
- 239000002893 slag Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000011573 trace mineral Substances 0.000 claims description 3
- 235000013619 trace mineral Nutrition 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 2
- 238000009776 industrial production Methods 0.000 claims description 2
- 239000002075 main ingredient Substances 0.000 claims description 2
- 238000002844 melting Methods 0.000 claims description 2
- 230000008018 melting Effects 0.000 claims description 2
- CSJDCSCTVDEHRN-UHFFFAOYSA-N methane;molecular oxygen Chemical compound C.O=O CSJDCSCTVDEHRN-UHFFFAOYSA-N 0.000 claims description 2
- 239000001301 oxygen Substances 0.000 claims description 2
- 239000011574 phosphorus Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 claims 1
- 238000009851 ferrous metallurgy Methods 0.000 abstract description 7
- 238000013145 classification model Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 239000011572 manganese Substances 0.000 description 9
- 229910000519 Ferrosilicon Inorganic materials 0.000 description 6
- 229910000720 Silicomanganese Inorganic materials 0.000 description 4
- 230000003749 cleanliness Effects 0.000 description 4
- 229910000616 Ferromanganese Inorganic materials 0.000 description 3
- 238000005275 alloying Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- DALUDRGQOYMVLD-UHFFFAOYSA-N iron manganese Chemical compound [Mn].[Fe] DALUDRGQOYMVLD-UHFFFAOYSA-N 0.000 description 3
- 229910000604 Ferrochrome Inorganic materials 0.000 description 2
- 229910000914 Mn alloy Inorganic materials 0.000 description 2
- 229910006639 Si—Mn Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 description 2
- PYLLWONICXJARP-UHFFFAOYSA-N manganese silicon Chemical compound [Si].[Mn] PYLLWONICXJARP-UHFFFAOYSA-N 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229910018619 Si-Fe Inorganic materials 0.000 description 1
- 229910008289 Si—Fe Inorganic materials 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Treatment Of Steel In Its Molten State (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明属于钢铁冶金技术领域，具体为一种炼钢用铁合金的品质评级及推荐方法，提供一种以铁合金物化性能及生产使用数据为依托的品质分类模型。通过提出的铁合金性价比指标将物化性能、主成分因素、使用参数等利用相同公式进行同尺度评估，并使用改进K‑means++聚类进行评级，实现对炼钢用铁合金的事先层级划分，在实际调用时可以从高到低依次按照层级推荐调用炼钢用铁合金，提高铁合金使用效率，加强铁合金品质监控。进一步提高炼钢成分命中率和产品稳定性，节约炼钢成本，在钢铁冶金领域有良好的应用前景。
Description
技术领域
本发明属于钢铁冶金技术领域，具体为一种炼钢用铁合金的品质评级及推荐方法。
背景技术
铁合金生产过程排放大量烟尘、废渣和废水等污染物，减少炼钢用铁合金消耗，实现能源资源高效利用，是钢铁企业节能降耗的必经之路。炼钢过程中合金化成本占总成本的5-10%，铁合金种类繁多且价格参差，炼钢过程中合金选择不当会造成大量资源浪费，同时影响钢产品的质量，因此铁合金品质需要科学且实用的管理模式与手段。
转炉是钢铁工业生产的重要步骤，合金化过程是炼钢工艺的重要控制工艺。目前，绝大多数钢厂主要由现场操作人员利用经验公式对炼钢用铁合金加入量进行人为计算及查找，而经验公式仅仅是通过对现场生产以及生产控制数据的总结分析得到，难以达到稳定准确的效果。
发明内容
为解决现有技术存在的问题，本发明的主要目的是提出一种炼钢用铁合金的品质评级及推荐方法，旨在填补目前钢铁企业对合金管理及使用方面的缺失，并解决在转炉冶炼出钢过程中合金选择存在误差的问题。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种炼钢用铁合金的品质评级及推荐方法，包括以下步骤：
S1.针对炼钢用铁合金的物理化学性能进行检测并采集铁合金品质数据集，采集工业生产转炉生产数据集，建立铁合金品质数据库；
S2.对采集的数据集进行数据筛选和淘洗，对筛选和淘洗后的数据进行预处理；
S3.建立基于改进K-means++聚类的多因素炼钢用铁合金层级评估模型；
S4.采用经过预处理的历史数据集对评估模型进行训练和验证；
S5.采集现场冶炼过程的实时数据及铁合金使用数据；
S6.将现场冶炼过程的实时数据及铁合金使用数据代入多因素炼钢用铁合金层级评估模型划分当前使用铁合金级别；
S7.根据铁合金级别推荐使用高性价比合金，冶炼结束后数据存入铁合金品质数据库，并定期更新评级模型。
作为本发明所述的一种炼钢用铁合金的品质评级及推荐方法的优选方案，其中：所述步骤S1中，所述铁合金品质数据集包括：密度、粒度、熔点、粉化率、合金主要成分（Si、Mn、Cr、Fe、Mo、V）、C指数、微量元素成分（P、S、O、N、B、Ti、Cu）、合金价格、合金厂家及批次、导热性、导电性、铁合金性价比指数。
作为本发明所述的一种炼钢用铁合金的品质评级及推荐方法的优选方案，其中：铁合金性价比指数计算公式如下：
（1）
（2）
（3）
（4）
为铁合金性价比指数，i为铁合金种类，/>为转鼓实验粉化率，/>为C指数，为主成分相对含量，/>为微量元素相对含量，/>为合金元素收得率，/>为钢液成分，/>为转炉终点成分，/>为出钢量，/>为合金加入量，/>为合金价格，/>为主成分检验含量，/>为主成分国标含量，/>为微量元素检验含量，/>为微量元素国标含量。
作为本发明所述的一种炼钢用铁合金的品质评级及推荐方法的优选方案，其中：所述步骤S1中，所述转炉生产数据集包括：炉龄、操作手、出钢量、铁水重量、废钢重量、合金加入量、合金种类、吹炼周期、总氧量、炉渣碱度、造渣料加入量、终点温度、终点碳含量、终点磷含量、碳氧积。
作为本发明所述的一种炼钢用铁合金的品质评级及推荐方法的优选方案，其中：所述步骤S2中，对采集的转炉生产数据集进行数据筛选和淘洗，具体包括：
删除重复数据，删除异常点和极端异常点，异常数据的评判如式（5）：
（5）
其中，表示待测数据按照从小到大排序后的第/>个数据，/>为上四分位数，/>为下四分位数，/>表示四分位距。
作为本发明所述的一种炼钢用铁合金的品质评级及推荐方法的优选方案，其中：所述步骤S2中，对筛选和淘洗后的数据进行预处理，具体包括：
将数据集归一化到[-1,1]，具体处理方式如式（6）所示：
（6）
其中，为输入的特征变量，其中/>和/>为各独立样本数据的最大值和最小值。
作为本发明所述的一种炼钢用铁合金的品质评级及推荐方法的优选方案，其中：所述步骤S2中，所述转炉生产数据集以8：2的比例区分训练集和验证集。
作为本发明所述的一种炼钢用铁合金的品质评级及推荐方法的优选方案，其中：所述步骤S3中，所述K-means++聚类为经典聚类算法，具有复杂度低、聚类效果好等特点，同时K-means++聚类确定了具体的聚类中心初值，增加聚类结果的稳定性。所述改进K-means++聚类法处理步骤如下：
1）划分层级个数NF；
2）确定初始聚类中心个数；
3）选取初始评估中心；
4）使用改进K-means++聚类；
5）聚类结果中各个簇内最大、最小值之差是否小于1/NF，是则根据聚类中心的值确定层级，否则增加一个聚类中心，重复步骤3）直至差值小于1/NF；
6）根据聚类中心的值确定层级。
作为本发明所述的一种炼钢用铁合金的品质评级及推荐方法的优选方案，其中：所述步骤S5中，采集现场冶炼过程实时数据的方法为：通过建立ODBC连接从检化验系统和二级系统的Oracle数据库获取。
作为本发明所述的一种炼钢用铁合金的品质评级及推荐方法的优选方案，其中：所述步骤S6中，划分当前使用铁合金级别方法与历史炉次相同。
作为本发明所述的一种炼钢用铁合金的品质评级及推荐方法的优选方案，其中：所述步骤S7中，推荐使用高性价比合金方法为：根据对炼钢用铁合金的事先划分层级，在调用时从高到低依次按照层级推荐调用炼钢用铁合金。
作为本发明所述的一种炼钢用铁合金的品质评级及推荐方法的优选方案，其中：所述方法还包括，根据用户反馈和模型性能，持续对铁合金层级评估模型进行优化和微调的步骤：
若模型在某些情况下表现不佳，则通过添加用户特定需求数据库中的各种数据种类至准确铁合金层级评估数据集中，以生成更多训练样本持续对铁合金层级评估模型进行优化。
本发明的有益效果如下：
本发明提出一种炼钢用铁合金的品质评级及推荐方法，提供一种以铁合金物化性能及生产使用数据为依托的品质分类模型。通过提出的铁合金性价比指标将物化性能，主成分因素、使用参数利用相同公式进行同尺度评估，并使用改进K-means++聚类进行评级，实现对炼钢用铁合金的事先层级划分，在实际调用时可以从高到低依次按照层级推荐调用炼钢用铁合金，提高铁合金利用效率。进一步提高炼钢成分命中率和产品稳定性，节约炼钢成本，在钢铁冶金领域有良好的应用前景。
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，下面将对实施例或现有技术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示出的结构获得其他的附图。
图1为本发明炼钢用铁合金的品质评级及推荐模型的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合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的一部分实施例，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作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。
本发明提供炼钢用铁合金的品质评级及推荐方法，可以快速精准地实现炼钢用铁合金的评级及推荐，提高转炉炼钢过程合金选择效率，提高钢产品质量，节约炼钢成本，在钢铁冶金领域有良好的应用前景。高品质钢生产过程对合金的质量和使用工艺都非常严格要求，合金使用不合理会导致收得率下降和钢液洁净度恶化。易氧化合金更多的在精炼末期加入，其本身洁净度水平、加入量对钢液洁净度影响更大，有研究表明不同生产工艺下合金的洁净度相差上百倍，合金中很多有害元素和大颗粒夹杂物可以直接遗传到铸坯中。高品质洁净钢的冶炼需要做好合金和辅料源头的控制，做好源头控制并不是要每个过程都需要最好的合金和辅料，而是需要明确不同合金和辅料的详细信息，确定不同合金的最佳使用条件。本发明即是填补目前钢铁企业对合金管理及使用方面的缺失。
目前，炼钢用铁合金的品质评级及推荐模型旨在降低钢铁企业炼钢成本，提高经济效益，是实现钢厂智能化的重要突破口。模型中使用改进K-means++聚类进行评级，该算法原理比较简单，实现容易，收敛速度快，聚类效果较优。同时算法的可解释度比较强，需要调参的参数仅有簇数k。因此，炼钢用铁合金的品质评级及推荐模型在钢铁冶金领域有良好的应用前景。
以下结合具体实施例对本发明技术方案进行进一步说明。
实施例1
某炼钢厂2023年1-8月共使用11种主要铁合金，包括硅锰1、硅锰2、硅锰3、硅铁1、硅铁2、硅铁3、高碳锰铁、中碳锰铁、低碳锰铁、高碳铬铁、中碳铬铁。其中，硅锰合金来自三个厂家，每个厂家有不同批次及价格。以Q355NE钢种为例，工艺要求转炉工序C含量范围为0.06～0.11%，Si含量范围为0.22～0.28%，Mn含量范围为1.25～1.31%。炼钢厂根据工艺要求加入不同的铁合金，使钢液的成分、性能、夹杂等指标能够达到相关内控标准。因此合理选择合金化工艺，直接关系到钢材的质量与成本消耗，有着重要的现实意义。
采集了该厂2023年1-8月共609组铁合金入场数据及2808组转炉生产数据，删除重复数据，删除异常点和极端异常点，异常数据的评判公式为：
（5）
其中，表示待测数据按照从小到大排序后的第/>个数据，/>为上四分位数，/>为下四分位数，/>表示四分位距。
筛选后得到601组有效铁合金入场数据及2158组转炉生产数据。为使不同变量具有相同的度量尺度，对数据进行归一化处理，全部映射到[-1,1]范围内；
（6）
其中，为输入的特征变量，其中/>和/>为各独立样本数据的最大值和最小值。
对所有获取数据变量输入改进K-means++聚类的多因素炼钢用铁合金层级评估模型。将601组铁合金入场数据及2158组转炉生产数据独立成分输入至模型中，其中选择前480组有效铁合金入场数据及1726组转炉生产数据作为模型的训练集，之后的121组有效铁合金入场数据及432组转炉生产数据作为测试集，检验模型的分类能力。
使用多因素方差分析对铁合金分类结果进行独立性检验，当显著性水平p小于0.05说明两类铁合金品级之间差异性显著。
以铁合金性价比指数和合金元素收得率为因变量，铁合金品级为固定因子进行多变量方差分析，比较分析不同铁合金品级在显著性水平0.05下的差异性。以硅锰合金和硅铁合金为例，依据铁合金性价比指数和合金元素收得率将硅锰合金（GM）和硅铁合金(GT)品级分为以下7类。表1为不同铁合金品级的独立性检验结果。
1）GMⅠ级：Mn含量高，Si含量中上等，Mn含量66.18～67.34%，Si含量18.38～18.79%，平均价格为7833元/吨，品级覆盖率为12%；
2）GMⅡ级：Mn含量较高，Si含量较高，Mn含量67.34～69.40%，Si含量18.79～19.01%，平均价格为7841元/吨，品级覆盖率为47%；
3）GMⅢ级：Mn含量中等，Si含量中等，Mn含量65.02～66.17%，Si含量17.69～18.38%，平均价格为7835元/吨，品级覆盖率为36%；
4）GMⅣ级：Mn含量较低，Si含量较低，Mn含量63.56～65.02%，Si含量17.39～17.69%，平均价格为7842元/吨，品级覆盖率为5%；
5）GTⅠ级：Si含量较高，Si含量73.77～75.61%，平均价格为7276元/吨，品级覆盖率为35%；
6）GTⅡ级：Si含量中等，Si含量72.24～73.77%，平均价格为7257元/吨，品级覆盖率为41%；
7）GTⅢ级：Si含量较低，Si含量70.78～72.24%，平均价格为7242元/吨，品级覆盖率为24%；
表1 不同铁合金品级的独立性检验结果
由表1可知，以硅锰合金和硅铁合金为例，同一合金性价比指数下的不同品级的合金元素收得率差异显著。铁合金品级相同的不同合金种类，其合金性价比指数和合金元素收得率均差异显著，说明以合金性价比指数和合金元素收得率为分类标准的铁合金品级具有较高的独立性，结果验证了以合金性价比指数和合金元素收得率分类铁合金品级的合理性。
根据某厂2023年12月27日新入厂硅锰合金和硅铁合金共4批次，根据分类模型各批次合金成分及合金品级如表2所示。根据以下合金等级划分，在当前调用硅锰合金及硅铁合金时，优先从高到低依次按照层级推荐调用炼钢用铁合金，即优先使用第1批次及第3批次铁合金。
表2 各批次合金成分及合金品级
从评估结果结合模型在训练数据集上的计算表现，改进K-means++聚类的多因素炼钢用铁合金层级评估模型能够很好的分类原始数据，并在测试集上有良好的计算性能。
本发明利用改进K-means++聚类法建立炼钢用铁合金层级评估模型，考虑到转炉炼钢过程中炉内反应环境复杂，测量困难，提出的铁合金性价比指标将物化性能、主成分因素、使用参数等利用相同公式进行同尺度评估，并使用改进K-means++聚类进行评级，实现对炼钢用铁合金的事先层级划分，在实际调用时可以从高到低依次按照层级推荐调用炼钢用铁合金，提高铁合金利用效率。K-means++算法是一种非常流行的无监督学习方法，主要应用于聚类问题。K-means++算法的核心思想是将数据划分为K个独立的簇(cluster)，使得每个簇内的数据点距离尽可能小，而簇与簇之间的距离尽可能大。K-means++算法具有简单易懂，计算效率高，可扩展性强等特点。K-means++算法的步骤简单，容易理解和实现；时间复杂度相对较低，适用于大规模数据集；可以通过各种改进和优化应用于不同类型的数据和问题。该方法可以快速精准地实现炼钢用铁合金品级的分类，提高铁合金使用效率，加强铁合金品质监控，节约炼钢成本，提高钢成品质量，在钢铁冶金领域有良好的应用前景。通过现场的实际生产数据对该方法进行检验，结果表明本发明有较好的准确度和应用性，可为铁合金管理级使用场景提供有益指导。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (7)
1.一种炼钢用铁合金的品质评级及推荐方法，其特征在于，包括以下步骤：
S1.针对炼钢用铁合金的物理化学性能进行检测并采集铁合金品质数据集，采集工业生产转炉生产数据集，建立铁合金品质数据库；所述铁合金品质数据集包括：密度、粒度、熔点、粉化率、合金主要成分、C指数、微量元素成分、合金价格、合金厂家及批次、导热性、导电性、铁合金性价比指数；铁合金性价比指数计算公式如下：
（1）
（2）
（3）
（4）
为铁合金性价比指数，i为铁合金种类，/>为转鼓实验粉化率，/>为C指数，/>为主成分相对含量，/>为微量元素相对含量，/>为合金元素收得率，/>为钢液成分，为转炉终点成分，/>为出钢量，/>为合金加入量，/>为合金价格，/>为主成分检验含量，/>为主成分国标含量，/>为微量元素检验含量，/>为微量元素国标含量；
S2.对采集的数据集进行数据筛选和淘洗，对筛选和淘洗后的数据进行预处理；
S3.建立基于改进K-means++聚类的多因素炼钢用铁合金层级评估模型；所述改进K-means++聚类法处理步骤如下：
1）划分层级个数NF；
2）确定初始聚类中心个数；
3）选取初始评估中心；
4）使用改进K-means++聚类；
5）聚类结果中各个簇内最大、最小值之差是否小于1/NF，是则根据聚类中心的值确定层级，否则增加一个聚类中心，重复步骤3）直至差值小于1/NF；
6）根据聚类中心的值确定层级；
S4.采用经过预处理的数据集对多因素炼钢用铁合金层级评估模型进行训练和验证；
S5.采集现场冶炼过程的实时数据及铁合金使用数据；
S6.将现场冶炼过程的实时数据及铁合金使用数据代入多因素炼钢用铁合金层级评估模型，划分当前使用铁合金级别；
S7.根据铁合金级别使用高性价比合金，冶炼结束后数据存入铁合金品质数据库，并定期更新多因素炼钢用铁合金层级评估模型。
2.根据权利要求1所述的炼钢用铁合金的品质评级及推荐方法，其特征在于，所述步骤S1中，所述转炉生产数据集包括：炉龄、操作手、出钢量、铁水重量、废钢重量、合金加入量、合金种类、吹炼周期、总氧量、炉渣碱度、造渣料加入量、终点温度、终点碳含量、终点磷含量、碳氧积。
3.根据权利要求1所述的炼钢用铁合金的品质评级及推荐方法，其特征在于，所述步骤S2中，对采集的转炉生产数据集进行数据筛选和淘洗，具体包括：
删除重复数据，删除异常点和极端异常点，异常数据的评判如式（5）：
（5）
其中，表示待测数据按照从小到大排序后的第/>个数据，/>为上四分位数，/>为下四分位数，/>表示四分位距。
4.根据权利要求1所述的炼钢用铁合金的品质评级及推荐方法，其特征在于，所述步骤S2中，对筛选和淘洗后的数据进行预处理，具体包括：
将数据集归一化到[-1,1]，具体处理方式如式（6）所示：
（6）
其中，为输入的特征变量，其中/>和/>为各独立样本数据的最大值和最小值。
5.根据权利要求1所述的炼钢用铁合金的品质评级及推荐方法，其特征在于，所述步骤S2中，所述转炉生产数据集以8：2的比例区分训练集和验证集。
6.根据权利要求1所述的炼钢用铁合金的品质评级及推荐方法，其特征在于，所述步骤S7中，推荐使用高性价比合金方法为：根据对炼钢用铁合金的事先划分层级，在调用时从高到低依次按照层级推荐调用炼钢用铁合金。
7.根据权利要求1所述的炼钢用铁合金的品质评级及推荐方法，其特征在于，所述方法还包括，根据用户反馈和模型性能，持续对铁合金层级评估模型进行优化和微调的步骤：
若模型在某些情况下表现不佳，则通过添加用户特定需求数据库中的各种数据种类至准确铁合金层级评估数据集中，以生成更多训练样本持续对铁合金层级评估模型进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410167796.3A CN117708708B (zh) | 2024-02-06 | 2024-02-06 | 一种炼钢用铁合金的品质评级及推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410167796.3A CN117708708B (zh) | 2024-02-06 | 2024-02-06 | 一种炼钢用铁合金的品质评级及推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117708708A CN117708708A (zh) | 2024-03-15 |
| CN117708708B true CN117708708B (zh) | 2024-04-12 |
Family
ID=90162900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410167796.3A Active CN117708708B (zh) | 2024-02-06 | 2024-02-06 | 一种炼钢用铁合金的品质评级及推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117708708B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108070792A (zh) * | 2017-11-06 | 2018-05-25 | 江阴兴澄特种钢铁有限公司 | 一种200-350mm厚高探伤要求中碳合金模具钢板及其制造方法 |
| CN113913621A (zh) * | 2020-11-13 | 2022-01-11 | 内蒙古君成科技有限公司 | 一种利用高铝煤矸石制备铝硅铁合金并分级提纯的方法 |
| WO2023093112A1 (zh) * | 2021-11-29 | 2023-06-01 | 东北大学 | 一种高Cr-Si合金化热成形钢的冶炼和连铸方法 |
| CN116741322A (zh) * | 2023-06-19 | 2023-09-12 | 宝钢湛江钢铁有限公司 | 一种基于低成本测算的炼钢合金配料方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8105415B2 (en) * | 2008-08-04 | 2012-01-31 | Nucor Corporation | Low cost making of a low carbon, low sulfur, and low nitrogen steel using conventional steelmaking equipment |
-
2024
- 2024-02-06 CN CN202410167796.3A patent/CN117708708B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108070792A (zh) * | 2017-11-06 | 2018-05-25 | 江阴兴澄特种钢铁有限公司 | 一种200-350mm厚高探伤要求中碳合金模具钢板及其制造方法 |
| CN113913621A (zh) * | 2020-11-13 | 2022-01-11 | 内蒙古君成科技有限公司 | 一种利用高铝煤矸石制备铝硅铁合金并分级提纯的方法 |
| WO2023093112A1 (zh) * | 2021-11-29 | 2023-06-01 | 东北大学 | 一种高Cr-Si合金化热成形钢的冶炼和连铸方法 |
| CN116741322A (zh) * | 2023-06-19 | 2023-09-12 | 宝钢湛江钢铁有限公司 | 一种基于低成本测算的炼钢合金配料方法 |
Non-Patent Citations (7)
| Title |
|---|
| Method to predict alloy yield based on multiple raw material conditions and a PSO-LSTM network;Ruixuan Zheng 等;《Journal of Materials Research and Technology》;20231207;第27卷(第1期);第3310-3322页 * |
| Multi-Models Steelmaking Quality Variables Prediction With K-Dedoids and Time-Aware Lstm Network;RuiXuan Zheng 等;《SSRN》;20221114;第1-27页 * |
| Research on ontology modeling of steel manufacturing process based on big data analysis;Qing Bao 等;《2016 7th International Conference on Mechatronics and Manufacturing》;20160315;第45卷;第1-6页 * |
| 基于特征金字塔注意力与深度卷积网络的多目标生猪检测;燕红文 等;《农业工程学报》;20200608(11);第201-210页 * |
| 炼钢合金减量化智能控制模型及其应用;郑瑞轩 等;《工程科学学报》;20211225(第12期);第1689-1697页 * |
| 炼钢过程中合金减量化研究现状及展望;包燕平 等;《工程科学学报》;20180910;第40卷(第9期);第1017-1026页 * |
| 铁合金质量和钢洁净度;M.M.Pande 等;《现代冶金》;20140315(第1期);第54-63页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117708708A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Farla et al. | The quality of energy intensity indicators for international comparison in the iron and steel industry | |
| CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
| CN114611844B (zh) | 一种转炉出钢过程合金加入量的确定方法和系统 | |
| CN110885912B (zh) | 基于数据分析的自动炼钢方法、系统 | |
| CN114091871A (zh) | 一种高炉炼铁配矿方法与系统 | |
| CN116469481A (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
| CN116976148B (zh) | 一种铜电解过程离子含量变化的监测方法及系统 | |
| CN112149272A (zh) | 基于多元线性回归分析的冷轧钢带力学性能预测模型 | |
| CN117708708B (zh) | 一种炼钢用铁合金的品质评级及推荐方法 | |
| CN115187102A (zh) | 一种基于烧结矿质量预测下的模型评估改进方法 | |
| CN118016203A (zh) | 一种基于机理模型和XGBoost算法的LF精炼温度预报方法 | |
| Liu et al. | XGBoost-based model for predicting hydrogen content in electroslag remelting | |
| CN103632014B (zh) | 一种热连轧产品生产流程的工艺参数预测方法 | |
| CN114875196B (zh) | 一种转炉出钢量的确定方法和系统 | |
| Kaiser et al. | Decreasing the environmental impact of the electric steel making process through implementation of furnace retrofitting solutions | |
| CN116741322A (zh) | 一种基于低成本测算的炼钢合金配料方法 | |
| CN114645105B (zh) | 钒钛矿高炉炉况稳定性评价方法 | |
| Wang et al. | Hybrid model for predicting oxygen consumption in BOF steelmaking process based on cluster analysis | |
| CN114154423A (zh) | 一种废钢产品的设计方法 | |
| CN103020364A (zh) | 预测低合金钢焊缝金属中非金属夹杂物特征参数的方法 | |
| Dudek | The model for the calculation of the dispersed iron ore resource purchase cost in the world class manufacturing (WCM) logistics pillar context | |
| CN118147388A (zh) | 一种基于铁合金分级制度的转炉出钢过程多模式加料方法 | |
| CN113111092A (zh) | 一种基于冷轧全流程数据的硅钢铁损预测方法 | |
| Zhao et al. | Optimal batching plan of deoxidation alloying based on principal component analysis and linear programming | |
| CN106834662B (zh) | 一种基于多工况烧结过程的co/co2比值预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |