CN118080804A - 连铸工序间温度预测控制方法 - Google Patents
连铸工序间温度预测控制方法 Download PDFInfo
- Publication number
- CN118080804A CN118080804A CN202410163797.0A CN202410163797A CN118080804A CN 118080804 A CN118080804 A CN 118080804A CN 202410163797 A CN202410163797 A CN 202410163797A CN 118080804 A CN118080804 A CN 118080804A
- Authority
- CN
- China
- Prior art keywords
- data
- molten steel
- model
- adjusted
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000009749 continuous casting Methods 0.000 title claims abstract description 73
- 230000008569 process Effects 0.000 title claims abstract description 60
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 118
- 239000010959 steel Substances 0.000 claims abstract description 118
- 238000011143 downstream manufacturing Methods 0.000 claims abstract description 63
- 230000002441 reversible effect Effects 0.000 claims abstract description 55
- 238000003723 Smelting Methods 0.000 claims abstract description 35
- 238000009628 steelmaking Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 69
- 230000001276 controlling effect Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 abstract description 8
- 238000004886 process control Methods 0.000 abstract description 7
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 24
- 238000007664 blowing Methods 0.000 description 21
- 239000002893 slag Substances 0.000 description 14
- 229910052786 argon Inorganic materials 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000007670 refining Methods 0.000 description 10
- 238000003756 stirring Methods 0.000 description 10
- 238000010438 heat treatment Methods 0.000 description 8
- 238000005266 casting Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 230000007306 turnover Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 206010039897 Sedation Diseases 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
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000036280 sedation Effects 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001914 calming effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005261 decarburization Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
- B22D11/18—Controlling or regulating processes or operations for pouring
- B22D11/181—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level
- B22D11/182—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level by measuring temperature
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明公开了一种连铸工序间温度预测控制方法，包括：获取炼钢连铸区连续两个工序的冶炼相关信息数据；对获取的数据进行预处理；从冶炼相关信息数据中选取特征数据；将特征数据输入温度预测顺模型，得到并输出下游工序的钢水温度预测值；根据工艺需求，确定下游工序的钢水温度目标值，从特征数据中提取待调整数据和无需调整数据；利用反向控制逆模型对获取的下游工序的钢水温度目标值、待调整数据和无需调整数据进行处理，得到并输出待调整数据对应的控制值。本发明能够根据给定的特征数据预测下游工序的钢水温度，以及能够根据给定的下游工序的钢水温度目标值预测上游工序中的可调参数数据的最佳控制值，进而制定更优的炼钢连铸工艺控制策略。
Description
技术领域
本发明涉及钢铁冶炼技术领域，尤其涉及一种连铸工序间温度预测控制方法。
背景技术
钢水温度作为炼钢连铸区一个非常重要的参数，钢水温度的控制是钢铁生产中至关重要的一环，对产品质量和生产效率都有着直接的影响，温度控制的好坏影响着冶炼生产节奏、钢水质量、铸坯质量，乃至整个炼钢厂系统运行平稳性。
在钢铁冶炼过程中，炼钢区域需要精确控制炉内的温度，以确保合金的成分符合要求，以及便于去除不需要的杂质。连铸区域需要精确控制温度，以确保坯料的凝固速度和结晶结构的合理形成，从而提高坯料质量，减少缺陷。在炼钢连铸区中，钢水依次从一个工序到下一个工序，最后到连铸进行浇铸，即冶炼工艺路径存在上下游关系，为了保持生产的稳定性，需要保证各个工序的出站或进站在时间、温度、成分等方面满足工艺冶炼要求。
在炼钢连铸过程中，由于钢水温度控制受到多种因素的影响，包括原材料的变化、生产节奏的变化等，且温度控制的非线性、大滞后性也增加了控制的难度。目前，针对钢水温度的控制，主要通过单工序的炼钢或连铸生产过程控制系统实现炼钢连铸区钢水温度的在线精确控制，忽略了炼钢连铸区各个工序间的钢水温度控制、以及出站时间等冶炼信息间的关系，不能对炼钢连铸区钢水温度实现全流程控制。
发明内容
为解决上述现有技术中存在的部分或全部技术问题，本发明提供一种连铸工序间温度预测控制方法。
本发明的技术方案如下：
提供了一种连铸工序间温度预测控制方法，所述方法包括：
获取炼钢连铸区连续两个工序的冶炼相关信息数据；
对获取的数据进行预处理；
根据冶炼相关信息数据与待预测的下游工序的钢水温度的相关性，从冶炼相关信息数据中选取特征数据；
将特征数据输入预先构建并训练的温度预测顺模型，得到并输出下游工序的钢水温度预测值；
根据工艺需求，确定下游工序的钢水温度目标值，从特征数据中提取待调整数据和无需调整数据；
利用预先构建并训练的反向控制逆模型对获取的下游工序的钢水温度目标值、待调整数据和无需调整数据进行处理，得到并输出各个待调整数据对应的控制值。
在一些可能的实现方式中，所述预处理包括：平滑滤波处理、去噪处理、频率均衡化处理、数据对齐处理中的一个或多个。
在一些可能的实现方式中，所述温度预测顺模型通过如下方式训练：
获取第一训练样本集合，所述第一训练样本包括第一样本数据、以及与第一样本数据对应的下游工序的钢水温度值，其中，所述第一样本数据包含的数据类型与输入所述温度预测顺模型的所述特征数据包含的数据类型相同；
将所述第一训练样本集合中的第一训练样本中的第一样本数据作为输入，将与输入的第一样本数据对应的下游工序的钢水温度值作为输出，训练所述温度预测顺模型。
在一些可能的实现方式中，将所述第一训练样本集合中的第一训练样本中的第一样本数据作为输入，将与输入的第一样本数据对应的下游工序的钢水温度值作为输出，训练所述温度预测顺模型，包括：
将所述第一训练样本集合中的每个第一训练样本中的第一样本数据输入所述温度预测顺模型，得到所述温度预测顺模型输出的下游工序的钢水温度预测值；
根据每个第一训练样本中的下游工序的钢水温度值与其对应的下游工序的钢水温度预测值，计算钢水温度值与钢水温度预测值之间的偏差；
判断是否达到预设训练停止条件，若是，则将当前的温度预测顺模型作为完成训练的温度预测顺模型，若否，则利用偏差更新温度预测顺模型的参数，并返回第一步。
在一些可能的实现方式中，采用训练后的温度预测顺模型的逆模型作为训练后的反向控制逆模型。
在一些可能的实现方式中，采用训练后的温度预测顺模型作为训练后的反向控制逆模型；
利用反向控制逆模型对获取的下游工序的钢水温度目标值、待调整数据和无需调整数据进行处理，得到并输出各个待调整数据对应的控制值，包括：
确定待调整数据中各个数据的取值空间，确定待调整数据的不同取值组合方式；
针对每个取值组合方式，将待调整数据和无需调整数据输入所述反向控制逆模型中，得到对应的下游工序的钢水温度预测值；
计算各个钢水温度预测值与钢水温度目标值的差值，确定最小差值对应的取值组合方式，将最小差值对应的取值组合方式下的待调整数据的数值作为待调整数据对应的控制值。
在一些可能的实现方式中，所述反向控制逆模型通过以下方式训练：
获取第二训练样本集合，所述第二训练样本包括第二样本数据、以及与第二样本数据对应的下游工序的钢水温度值，所述第二样本数据包括待调整样本数据和无需调整样本数据，所述待调整样本数据包含的数据类型与所述待调整数据包含的数据类型相同，所述无需调整样本数据包含的数据类型与所述无需调整数据包含的数据类型相同；
将所述第二训练样本集合中的第二训练样本中的无需调整样本数据和下游工序的钢水温度值作为输入，将与输入对应的待调整样本数据作为输出，训练所述反向控制逆模型。
在一些可能的实现方式中，利用反向控制逆模型对获取的下游工序的钢水温度目标值、待调整数据和无需调整数据进行处理，得到并输出各个待调整数据对应的控制值，包括：
将无需调整数据和下游工序的钢水温度目标值输入所述反向控制逆模型，得到并输出所述反向控制逆模型输出的各个待调整数据对应的控制值。
在一些可能的实现方式中，所述方法还包括：
设置特征库，利用所述特征库存储特征数据和训练样本。
在一些可能的实现方式中，所述方法还包括：
设置模型库，利用所述模型库存储训练好的温度预测顺模型和反向控制逆模型。
本发明技术方案的主要优点如下：
本发明的连铸工序间温度预测控制方法能够根据给定的炼钢连铸工序中的特征数据预测下游工序的钢水温度，以及能够根据给定的下游工序的钢水温度目标值和上游工序中的已固定参数数据，预测上游工序中的可调参数数据的最佳控制值，进而制定更优的炼钢连铸工艺控制策略，提高温度到达下游的命中率，以及提高产品质量和生产效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附
图中：
图1为本发明一实施例提供的连铸工序间温度预测控制方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，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。
以下结合附图，详细说明本发明实施例提供的技术方案。
参考图1，本发明一实施例提供了一种连铸工序间温度预测控制方法，该方法包括以下步骤S1-S6：
步骤S1，获取炼钢连铸区连续两个工序的冶炼相关信息数据。
本发明一实施例中，冶炼相关信息数据根据实际的冶炼情况进行确定获取。
例如，冶炼相关信息数据包括：炉次、钢种、冶炼工艺参数、以及炼钢连铸工序过程温度数据中的一种或多种。其中，冶炼工艺参数的具体数据类型根据实际情况具体选择。炼钢连铸工序过程温度数据例如包括进站温度、冶炼过程温度、出站温度、大包温度和中包温度中的一个或多个。
具体地，以LF炉精炼到连铸工序中的中包温度预测控制为例，即连续两个工序分别为LF炉精炼工序和连铸工序，待预测的下游工序的钢水温度为连铸工序中的中包温度，则冶炼相关信息数据可以包括：LF炉精炼工序中的钢水测温值、底吹Ar流速、底吹入口压力、底吹Ar体积、底吹N2流速、底吹N2体积、底吹搅拌模式、起弧状态、相弧流、相弧压、供电档位、耗电量、钢包寿命、钢包热条件等级、钢包皮重、钢水皮重、钢水重量、渣厚、进站温度、弱搅拌时间、出站温度、出站重量、总送电时长、送电次数、喂丝长度/重量、LF离站时刻；以及连铸工序中的到连铸大包时刻、到连铸大包温度、大包烘烤时长、大包镇静时长、大包包况类别、大包渣量、大包下水口深度、拉速、连浇时长。
以RH炉精炼到连铸工序中的中包温度预测控制为例，即连续两个工序分别为RH炉精炼工序和连铸工序，待预测的下游工序的钢水温度为连铸工序中的中包温度，则冶炼相关信息数据可以包括：RH炉精炼工序中的钢水测温值、底吹Ar流速、底吹入口压力、底吹Ar体积、底吹N2流速、底吹N2体积、底吹搅拌模式、RH炉抽真空后3min温度、升温铝加入量、加铝后升温吹氧量、脱碳后温度、真空时长、RH出站渣厚、钢包寿命、RH作业时长、钢包寿命、钢包热条件等级、钢包皮重、钢水皮重、钢水重量、渣厚、进站温度、弱搅拌时间、出站温度、出站重量、RH离站时刻；以及连铸工序中的到连铸大包时刻、到连铸大包温度、大包烘烤时长、大包镇静时长、大包包况类别、大包渣量、大包下水口深度、拉速、连浇时长。
步骤S2，对获取的数据进行预处理。
本发明一实施例中，预处理包括：平滑滤波处理、去噪处理、频率均衡化处理、数据对齐处理中的一个或多个，通过对数据进行预处理，以去除数据中的噪声、以及包括重复数据和不满足工艺规范的错误数据的异常值。
进一步地，考虑获取的数据中可能出现部分数值缺失的情况，为此，针对缺失值，可以采用平均值计算、中间值计算、插值计算等预处理方式进行补全。
步骤S3，根据冶炼相关信息数据与待预测的下游工序的钢水温度的相关性，从冶炼相关信息数据中选取特征数据。
本发明一实施例中，根据炼钢连铸区各工序特性，确定可能影响待预测的下游工序的钢水温度的相关因素，结合影响待预测的下游工序的钢水温度的相关因素，对冶炼相关信息数据与待预测的下游工序的钢水温度进行相关性分析，确定冶炼相关信息数据中各个数据与待预测的下游工序的钢水温度的相关性大小顺序；而后，根据相关性大小顺序，从冶炼相关信息数据中选取特征数据。
具体地，从冶炼相关信息数据中选取特征数据的具体选取方式根据实际需求具体设置。例如，从冶炼相关信息数据中选取相关性排在前序的一定数量的数据作为特征数据。
例如，以LF炉精炼到连铸工序中的中包温度预测控制为例，从冶炼相关信息数据中选取的特征数据包括：LF炉加热结束温度、LF炉软搅拌时长、LF炉喂丝长度、LF炉底吹氩气总量、LF炉底吹氩气时长、LF炉出站渣重、钢包寿命、LF炉出站钢水温度、LF炉出站钢水净重、加热结束处理时间、LF炉出站周转时间、连铸镇静时长、连铸浇铸时长、连铸浇铸重量。其中，LF炉周转时长等于连铸大包到站时间减去LF炉出站时间。连铸镇静时长等于大包开浇时间减去大包到站时间。
例如，以RH炉精炼到连铸工序中的中包温度预测控制为例，从冶炼相关信息数据中选取的特征数据包括：RH炉抽真空结束时间、RH炉抽真空结束温度、破真空后的底吹氩气总量、破真空后的底吹氩气时间、软搅拌时间、喂丝长度(喂丝重量)、渣厚(渣重)、钢包寿命(包龄，包况)、RH炉出站时间、RH炉出站温度、RH炉钢水出站重量、连铸大包到站时间、大包开浇时间、镇静时间、中包烘烤温度、中包烘烤时长、拉速(拉速曲线取平均值)、连浇时长。
步骤S4，将特征数据输入预先构建并训练的温度预测顺模型，得到并输出下游工序的钢水温度预测值。
本发明一实施例中，温度预测顺模型根据实际情况具体构建，只要能够满足需求的预测精度即可。例如采用统计模型、机器学习模型、深度学习模型中的一种。统计模型具体包括线性回归模型、非线性回归模型、ARIMA模型，机器学习模型具体包括支持向量机模型、随机森林模型、神经网络模型，深度学习模型具体包括循环神经网络模型、长短期记忆网络模型。
具体地，在构建温度预测顺模型时，可以综合考虑特征数据的相关性、模型的复杂度和预测精度等因素来进行选择。
进一步地，在构建温度预测顺模型后，需要使用历史数据进行模型的训练，以提高模型的预测精度。
具体地，本发明一实施例中，温度预测顺模型通过如下方式训练：
获取第一训练样本集合，第一训练样本包括第一样本数据、以及与第一样本数据对应的下游工序的钢水温度值；
将第一训练样本集合中的第一训练样本中的第一样本数据作为输入，将与输入的第一样本数据对应的下游工序的钢水温度值作为输出，训练温度预测顺模型。
其中，第一样本数据包含的数据类型与步骤S3中选取的用于输入温度预测顺模型的特征数据包含的数据类型相同。
本发明一实施例中，第一样本数据、以及与第一样本数据对应的下游工序的钢水温度值可以从炼钢连铸生产过程历史数据中提取。
进一步地，本发明一实施例中，将第一训练样本集合中的第一训练样本中的第一样本数据作为输入，将与输入的第一样本数据对应的下游工序的钢水温度值作为输出，训练温度预测顺模型，进一步包括以下步骤：
步骤S401，将第一训练样本集合中的每个第一训练样本中的第一样本数据输入温度预测顺模型，得到温度预测顺模型输出的下游工序的钢水温度预测值。
本发明一实施例中，将第一训练样本中的第一样本数据从温度预测顺模型的输入层输入，经过温度预测顺模型的处理，并从温度预测顺模型的输出层输出，温度预测顺模型输出层输出的信息即为对应的下游工序的钢水温度预测值。
本发明一实施例中，温度预测顺模型为待训练模型，模型参数为初始化参数，在模型的训练过程中，模型参数能够被不断更新，直至达到预设要求。
步骤S402，根据每个第一训练样本中的下游工序的钢水温度值与其对应的下游工序的钢水温度预测值，计算钢水温度值与钢水温度预测值之间的偏差。
具体地，根据每个第一训练样本中的下游工序的钢水温度值与其对应的下游工序的钢水温度预测值，计算钢水温度值与所有钢水温度预测值之间的平均偏差。
步骤S403，判断是否达到预设训练停止条件，若是，则将当前的温度预测顺模型作为完成训练的温度预测顺模型，若否，则利用偏差更新温度预测顺模型的参数，并返回步骤S401。
本发明一实施例中，训练停止条件根据实际情况具体设置，例如为训练迭代次数达到设定迭代代数或优化指标达到设定阈值。其中，可以将步骤S402计算的偏差值作为温度预测顺模型的优化指标。
进一步地，本发明一实施例中，利用偏差更新温度预测顺模型的参数时，可以采用随机梯度下降法进行温度预测顺模型的参数的更新。
本发明一实施例中，通过将特征数据输入温度预测顺模型，以预测下游工序的钢水温度，进而能够根据温度预测结果制定更优的工艺控制策略，提高温度到达下游的命中率，提高产品质量和生产效率。
步骤S5，根据工艺需求，确定下游工序的钢水温度目标值，从特征数据中提取待调整数据和无需调整数据。
本发明一实施例中，为了提高工艺控制策略调整效率，以及方便确定最优的工艺控制策略，还可以根据下游工序的钢水温度目标值，预测上游工序的工艺参数的最佳控制值。
具体地，首先根据实际的工艺需求，确定下游工序的钢水温度目标值，以及从特征数据中确定并提取待调整数据和无需调整数据。
例如，以上述步骤S3中给出的LF炉精炼到连铸工序中的中包温度预测控制，从冶炼相关信息数据中选取的特征数据包括：LF炉加热结束温度、LF炉软搅拌时长、LF炉喂丝长度、LF炉底吹氩气总量、LF炉底吹氩气时长、LF炉出站渣重、钢包寿命、LF炉出站钢水温度、LF炉出站钢水净重、加热结束处理时间、LF炉出站周转时间、连铸镇静时长、连铸浇铸时长、连铸浇铸重量为例；若确定的待调整数据为LF炉出站钢水温度，则剩余的LF炉加热结束温度、LF炉软搅拌时长、LF炉喂丝长度、LF炉底吹氩气总量、LF炉底吹氩气时长、LF炉出站渣重、钢包寿命、LF炉出站钢水净重、加热结束处理时间、LF炉出站周转时间、连铸镇静时长、连铸浇铸时长、连铸浇铸重量视为无需调整数据。
例如，以上述步骤S3中给出的RH炉精炼到连铸工序中的中包温度预测控制，从冶炼相关信息数据中选取的特征数据包括：RH炉抽真空结束时间、RH炉抽真空结束温度、破真空后的底吹氩气总量、破真空后的底吹氩气时间、软搅拌时间、喂丝长度(喂丝重量)、渣厚(渣重)、钢包寿命(包龄，包况)、RH炉出站时间、RH炉出站温度、RH炉钢水出站重量、连铸大包到站时间、大包开浇时间、镇静时间、中包烘烤温度、中包烘烤时长、拉速(拉速曲线取平均值)、连浇时长为例；若确定的待调整数据包括：RH炉出站时间、RH炉出站温度、连铸大包到站时间、大包开浇时间、镇静时间，则剩余的RH炉抽真空结束时间、RH炉抽真空结束温度、破真空后的底吹氩气总量、破真空后的底吹氩气时间、软搅拌时间、喂丝长度(喂丝重量)、渣厚(渣重)、钢包寿命(包龄，包况)、RH炉钢水出站重量、中包烘烤温度、中包烘烤时长、拉速(拉速曲线取平均值)、连浇时长视为无需调整数据。
步骤S6，利用预先构建并训练的反向控制逆模型对获取的下游工序的钢水温度目标值、待调整数据和无需调整数据进行处理，得到并输出各个待调整数据对应的控制值。
本发明一实施例中，反向控制逆模型根据实际情况具体构建，只要能够满足需求的预测精度即可，例如采用统计模型、机器学习模型、深度学习模型中的一种。其中，可以利用获取的温度预测顺模型进行构建，也可以独立构建。
具体地，在构建反向控制逆模型时，可以综合考虑特征数据的相关性、模型的复杂度和预测精度等因素来进行选择。
本发明一实施例中，为了便于反向控制逆模型的快速构建获取，当待调整数据中仅包含一种数据类型，且温度预测顺模型可逆时，则求解训练后的温度预测顺模型的逆模型，采用训练后的温度预测顺模型的逆模型作为训练后的反向控制逆模型。
具体地，以温度预测顺模型采用线性回归模型，且具体表达形式如下式所示为例：
T＝a1*X1+a2*X2+a3*X3+a4*X4+a5*X5+a6*X6+a7*X7+a8*X8+a9*X9+a10*X10+a11*X11+a12*X12+a13*X13+a14*X14+b
其中，T表示钢水温度值，a1～a14表示回归系数，X1～X14表示特征数据中的第1项至第14项数据，b表示误差项值。
以待调整数据为特征数据中的第8项数据为例，则通过求解温度预测顺模型的逆模型所得到的反向控制逆模型可以表示为：
X8＝(T-a1*X1-a2*X2-a3*X3-a4*X4-a5*X5-a6*X6-a7*X7-a9*X9-a10*X10-a11*X11-a12*X12-a13*X13-a14*X14-b)/a8
此时，当需要得到待调整数据对应的控制值时，则直接将无需调整数据和下游工序的钢水温度目标值输入反向控制逆模型，得到并输出反向控制逆模型输出的待调整数据对应的控制值。进而根据得到的待调整数据对应的控制值，对炼钢连铸工序中的待调整数据进行调整以使待调整数据的实际值与控制值一致。
进一步地，本发明一实施例中，为了便于反向控制逆模型的快速构建获取，若待调整数据中包括多种数据类型，且每个数据类型的可取值情况已知，则可以直接采用训练后的温度预测顺模型作为训练后的反向控制逆模型。
此时，利用反向控制逆模型对获取的下游工序的钢水温度目标值、待调整数据和无需调整数据进行处理，得到并输出各个待调整数据对应的控制值，进一步包括以下步骤：
步骤S601，确定待调整数据中各个数据的取值空间，确定待调整数据的不同取值组合方式；
步骤S602，针对每个取值组合方式，将待调整数据和无需调整数据输入反向控制逆模型中，得到对应的下游工序的钢水温度预测值；
步骤S603，计算各个钢水温度预测值与钢水温度目标值的差值，确定最小差值对应的取值组合方式，将最小差值对应的取值组合方式下的待调整数据的数值作为待调整数据对应的控制值。
进一步地，可以根据得到的各个待调整数据对应的控制值，对炼钢连铸工序中的各个待调整数据进行调整以使各个待调整数据的实际值与控制值一致。
本发明一实施例中，为了便于反向控制逆模型的快速构建获取，除了上述两种根据温度预测顺模型来获取反向控制逆模型的获取方式外，还可以独立构建并训练反向控制逆模型。
具体地，在独立构建反向控制逆模型时，先确定反向控制逆模型的具体类型，而后使用历史数据进行模型的训练，以提高模型的预测精度。
本发明一实施例中，反向控制逆模型可以采用统计模型、机器学习模型、深度学习模型中的一种。
本发明一实施例中，反向控制逆模型通过以下方式训练：
获取第二训练样本集合，第二训练样本包括第二样本数据、以及与第二样本数据对应的下游工序的钢水温度值，第二样本数据包括待调整样本数据和无需调整样本数据，待调整样本数据包含的数据类型与待调整数据包含的数据类型相同，无需调整样本数据包含的数据类型与无需调整数据包含的数据类型相同；
将第二训练样本集合中的第二训练样本中的无需调整样本数据和下游工序的钢水温度值作为输入，将与输入对应的待调整样本数据作为输出，训练反向控制逆模型。
本发明一实施例中，第二样本数据、以及与第二样本数据对应的下游工序的钢水温度值可以从炼钢连铸生产过程历史数据中提取。
进一步地，本发明一实施例中，将第二训练样本集合中的第二训练样本中的无需调整样本数据和下游工序的钢水温度值作为输入，将与输入对应的待调整样本数据作为输出，训练反向控制逆模型，进一步包括以下步骤：
步骤S611，将第二训练样本集合中的每个第二训练样本中的无需调整样本数据和下游工序的钢水温度值输入反向控制逆模型，得到反向控制逆模型输出的待调整数据预测值。
本发明一实施例中，将第二训练样本中的无需调整样本数据和下游工序的钢水温度值从反向控制逆模型的输入层输入，经过反向控制逆模型的处理，并从反向控制逆模型的输出层输出，反向控制逆模型输出层输出的信息即为对应的待调整数据预测值。
本发明一实施例中，反向控制逆模型为待训练模型，模型参数为初始化参数，在模型的训练过程中，模型参数能够被不断更新，直至达到预设要求。
步骤S612，根据每个第二训练样本中的待调整样本数据与其对应的待调整数据预测值，计算待调整样本数据与待调整数据预测值之间的偏差。
具体地，根据每个第二训练样本中的待调整样本数据与其对应的待调整数据预测值，计算待调整样本数据与待调整数据预测值之间的平均偏差。
步骤S613，判断是否达到预设训练停止条件，若是，则将当前的反向控制逆模型作为完成训练的反向控制逆模型，若否，则利用偏差更新反向控制逆模型的参数，并返回步骤S611。
本发明一实施例中，训练停止条件根据实际情况具体设置，例如为训练迭代次数达到设定迭代代数或优化指标达到设定阈值。其中，可以将步骤S612计算的偏差值作为反向控制逆模型的优化指标。
进一步地，本发明一实施例中，利用偏差更新反向控制逆模型的参数时，可以采用随机梯度下降法进行反向控制逆模型的参数的更新。
本发明一实施例中，通过给定下游工序的钢水温度目标值，根据下游工序的钢水温度目标值和上游工序中的已固定参数数据，利用反向控制逆模型预测上游工序中的可调参数数据的最佳控制值，能够确定更优的炼钢连铸工艺控制策略，提高产品质量和生产效率。
进一步地，本发明一实施例中，该方法还可以包括：
设置特征库，利用特征库存储特征数据和训练样本。
通过设置特征库，能够方便后续根据使用需求进行数据提取和顺模型及逆模型的训练。
其中，特征库中的特征数据可以根据不同的维度分别进行保存。
维度例如可以分为：时间、炉号、钢种、冶炼工序、冶炼工艺、操作人员等。
进一步地，本发明一实施例中，该方法还可以包括：
设置模型库，利用模型库存储训练好的温度预测顺模型和反向控制逆模型。
通过设置模型库，能够方便后续根据使用需求进行模型的调用。
本发明一实施例提供的连铸工序间温度预测控制方法能够根据给定的炼钢连铸工序中的特征数据预测下游工序的钢水温度，以及能够根据给定的下游工序的钢水温度目标值和上游工序中的已固定参数数据，预测上游工序中的可调参数数据的最佳控制值，进而制定更优的炼钢连铸工艺控制策略，提高温度到达下游的命中率，以及提高产品质量和生产效率。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种连铸工序间温度预测控制方法，其特征在于，包括：
获取炼钢连铸区连续两个工序的冶炼相关信息数据；
对获取的数据进行预处理；
根据冶炼相关信息数据与待预测的下游工序的钢水温度的相关性，从冶炼相关信息数据中选取特征数据；
将特征数据输入预先构建并训练的温度预测顺模型，得到并输出下游工序的钢水温度预测值；
根据工艺需求，确定下游工序的钢水温度目标值，从特征数据中提取待调整数据和无需调整数据；
利用预先构建并训练的反向控制逆模型对获取的下游工序的钢水温度目标值、待调整数据和无需调整数据进行处理，得到并输出各个待调整数据对应的控制值。
2.根据权利要求1所述的连铸工序间温度预测控制方法，其特征在于，所述预处理包括：平滑滤波处理、去噪处理、频率均衡化处理、数据对齐处理中的一个或多个。
3.根据权利要求1所述的连铸工序间温度预测控制方法，其特征在于，所述温度预测顺模型通过如下方式训练：
获取第一训练样本集合，所述第一训练样本包括第一样本数据、以及与第一样本数据对应的下游工序的钢水温度值，其中，所述第一样本数据包含的数据类型与输入所述温度预测顺模型的所述特征数据包含的数据类型相同；
将所述第一训练样本集合中的第一训练样本中的第一样本数据作为输入，将与输入的第一样本数据对应的下游工序的钢水温度值作为输出，训练所述温度预测顺模型。
4.根据权利要求3所述的连铸工序间温度预测控制方法，其特征在于，将所述第一训练样本集合中的第一训练样本中的第一样本数据作为输入，将与输入的第一样本数据对应的下游工序的钢水温度值作为输出，训练所述温度预测顺模型，包括：
将所述第一训练样本集合中的每个第一训练样本中的第一样本数据输入所述温度预测顺模型，得到所述温度预测顺模型输出的下游工序的钢水温度预测值；
根据每个第一训练样本中的下游工序的钢水温度值与其对应的下游工序的钢水温度预测值，计算钢水温度值与钢水温度预测值之间的偏差；
判断是否达到预设训练停止条件，若是，则将当前的温度预测顺模型作为完成训练的温度预测顺模型，若否，则利用偏差更新温度预测顺模型的参数，并返回第一步。
5.根据权利要求3所述的连铸工序间温度预测控制方法，其特征在于，采用训练后的温度预测顺模型的逆模型作为训练后的反向控制逆模型。
6.根据权利要求3所述的连铸工序间温度预测控制方法，其特征在于，采用训练后的温度预测顺模型作为训练后的反向控制逆模型；
利用反向控制逆模型对获取的下游工序的钢水温度目标值、待调整数据和无需调整数据进行处理，得到并输出各个待调整数据对应的控制值，包括：
确定待调整数据中各个数据的取值空间，确定待调整数据的不同取值组合方式；
针对每个取值组合方式，将待调整数据和无需调整数据输入所述反向控制逆模型中，得到对应的下游工序的钢水温度预测值；
计算各个钢水温度预测值与钢水温度目标值的差值，确定最小差值对应的取值组合方式，将最小差值对应的取值组合方式下的待调整数据的数值作为待调整数据对应的控制值。
7.根据权利要求3所述的连铸工序间温度预测控制方法，其特征在于，所述反向控制逆模型通过以下方式训练：
获取第二训练样本集合，所述第二训练样本包括第二样本数据、以及与第二样本数据对应的下游工序的钢水温度值，所述第二样本数据包括待调整样本数据和无需调整样本数据，所述待调整样本数据包含的数据类型与所述待调整数据包含的数据类型相同，所述无需调整样本数据包含的数据类型与所述无需调整数据包含的数据类型相同；
将所述第二训练样本集合中的第二训练样本中的无需调整样本数据和下游工序的钢水温度值作为输入，将与输入对应的待调整样本数据作为输出，训练所述反向控制逆模型。
8.根据权利要求5或7所述的连铸工序间温度预测控制方法，其特征在于，利用反向控制逆模型对获取的下游工序的钢水温度目标值、待调整数据和无需调整数据进行处理，得到并输出各个待调整数据对应的控制值，包括：
将无需调整数据和下游工序的钢水温度目标值输入所述反向控制逆模型，得到并输出所述反向控制逆模型输出的各个待调整数据对应的控制值。
9.根据权利要求8所述的连铸工序间温度预测控制方法，其特征在于，所述方法还包括：
设置特征库，利用所述特征库存储特征数据和训练样本。
10.根据权利要求1所述的连铸工序间温度预测控制方法，其特征在于，所述方法还包括：
设置模型库，利用所述模型库存储训练好的温度预测顺模型和反向控制逆模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410163797.0A CN118080804A (zh) | 2024-02-05 | 2024-02-05 | 连铸工序间温度预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410163797.0A CN118080804A (zh) | 2024-02-05 | 2024-02-05 | 连铸工序间温度预测控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118080804A true CN118080804A (zh) | 2024-05-28 |
Family
ID=91159310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410163797.0A Pending CN118080804A (zh) | 2024-02-05 | 2024-02-05 | 连铸工序间温度预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118080804A (zh) |
-
2024
- 2024-02-05 CN CN202410163797.0A patent/CN118080804A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102632082B (zh) | 基于性能预报模型的热轧带钢力学性能的动态控制方法 | |
| US20170002440A1 (en) | Method for optimally producing metal steel and iron alloys in hot-rolled and thick plate factories using a microstructure simulator, monitor, and/or model | |
| CN110991916A (zh) | 一种铸坯质量判定系统和方法 | |
| JP7200982B2 (ja) | 材料特性値予測システム及び金属板の製造方法 | |
| JP5786724B2 (ja) | 製鋼プロセスの操業スケジュール作成方法、製鋼プロセスの操業スケジュール作成システム、製鋼プロセスの操業方法、及び鋼材の製造方法 | |
| JP6394208B2 (ja) | 製鋼工場における操業スケジュール作成方法および作成装置 | |
| CN113634728B (zh) | 连铸实际混浇定尺铸坯混合率实时确定方法及显示方法 | |
| KR20200035550A (ko) | 인공신경망 기법을 활용한 전로 출강 온도 예측 방법 | |
| CN113275533A (zh) | 一种连铸中间包钢水浇注温度的自动化控制装置 | |
| CN106811570A (zh) | 一种中碳高锰钢的冶炼方法 | |
| Botnikov et al. | Development of the metal temperature prediction model for steel-pouring and tundish ladles used at the casting and rolling complex | |
| CN118080804A (zh) | 连铸工序间温度预测控制方法 | |
| JP3561401B2 (ja) | 製造プロセスの状態量推定方法 | |
| TW202239496A (zh) | 用於預測鋼液溫度的方法 | |
| CN113430333B (zh) | 一种钢包精炼炉智能化稳定冶炼控制的方法 | |
| CN116011149B (zh) | 一种rh精炼炉目标搬出温度确定方法 | |
| JP4727431B2 (ja) | 鉄鋼の製造プロセスの操業方法及びそれに用いられる操業装置 | |
| CN113671918A (zh) | 一种钢包精炼炉智能稳定冶炼控制的方法 | |
| CN114737020B (zh) | 一种炼钢过程有效钛成分的高精度控制方法 | |
| CN109857067A (zh) | 一种大数据环境下的炼钢多工序温度协调控制系统及方法 | |
| JP2011204032A (ja) | 溶鋼鍋の稼働負荷推定方法及び稼働負荷推定装置 | |
| JPH055121A (ja) | 出鋼温度の管理方法 | |
| JP7031350B2 (ja) | 製鋼プロセスにおける鋳造時間の推定方法 | |
| JP2020105607A (ja) | 連続鋳造操業支援装置、連続鋳造操業支援方法、およびプログラム | |
| CN115747618B (zh) | 一种生产低碳碳素钢标样用铸锭及其冶炼铸造方法 |
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 |