基于收得率预测的转炉出钢硅锰合金加入量确定方法技术

本发明专利技术涉及钢铁冶金技术领域，提供了一种基于收得率预测的转炉出钢硅锰合金加入量确定方法，包括S1采集转炉多炉次生产数据并进行归一化处理；S2确定模型输入变量；S3确定影响转炉出钢过程合金收得率的因素，作为模型的输入变量；S4建立单调性约束的BP人工神经网络Mn元素收得率预测模型；S5调整模型参数，得到优化预测结果；S6确定转炉出钢硅锰合金的预测加入量。本发明专利技术方法采用单调性约束的方式对BP人工神经网络进行改进，使其能够和冶金反应机理结合，用来对转炉冶炼终点Mn元素收得率进行预测，能取得比普通BP人工神经网络更好的预测效果；具有较好的准确度和经济效益，可为现场生产过程合金的加入提供有益指导。

【技术实现步骤摘要】
基于收得率预测的转炉出钢硅锰合金加入量确定方法
本专利技术涉及钢铁冶金
，特别涉及一种基于收得率预测的转炉出钢硅锰合金加入量确定方法。
技术介绍
近年来，钢铁冶金领域的智能制造技术不断发展，转炉炼钢的控制技术逐渐由人工经验、静态控制发展为依靠模型的智能控制。转炉炼钢过程的出钢合金化操作是整个冶炼的重要一环。在出钢过程中，操作人员需要根据冶炼钢种的工艺要求加入相应的合金，在脱除钢水多余氧的同时，使钢水中硅、锰等合金元素含量达到钢种成分要求。在传统的合金加入方法中，合金加入量由操作人员凭借经验估算，常常出现因估计加入量的偏差较大导致合金的多次补加或浪费。合金元素的准确加入关键在于准确获得合金元素的收得率，目前，主要有参考炉次法、建立合金元素收得率动态库等方法。其中，参考炉次法是选取和当前炉次生产钢种相同的最近几炉生产数据，并选取一个基准值进行简单的加权平均，难以完整考虑到当前炉次的特点；建立收得率动态库是对所有历史炉次加料情况进行自学习，对某一元素的收得率不断进行修正，实际得到的是收得率的平均值，同样难以获得当前炉次合金收得率的准确值。而建立收得率预测模型相对以上两种方式，可以充分考虑到不同炉次的特点，获得较为准确的收得率。目前，智能算法广泛应用于预测领域，可以考虑通过大量已有的历史数据进行训练，建立收得率的预测模型，BP人工神经网络是最常使用的一种，而一般智能算法训练仅仅依赖于历史数据，无法考虑到合金化反应过程的相关冶金机理，泛化效果较差，很难得到预测效果较好的模型。因此，开发一种能够符合冶金机理，很好地预测合金元素收得率的模型，并基于此确定合金的加入量，亟待解决。
技术实现思路
本专利技术的目的就是解决现有技术的不足，提供了一种基于收得率预测的转炉出钢硅锰合金加入量确定方法。本专利技术采用如下技术方案：一种基于收得率预测的转炉出钢硅锰合金加入量确定方法，包括如下步骤：S1、采集转炉冶炼现场多炉次的生产数据，对生产数据进行归一化处理；S2、确定模型输入变量，根据冶金原理选择备选输入变量，对所述备选输入变量进行相关性分析，得到对Mn元素收得率影响较大的变量作为模型输入变量；S3、确定不同模型输入变量对Mn元素收得率的影响为正相关或负相关，作为BP人工神经网络的单调性约束条件；S4、建立单调性约束的BP人工神经网络Mn元素收得率预测模型，将步骤S1得到的归一化处理后的生产数据集分成两组，一组用于对模型的训练，另一组用于检验模型的预测效果；S5、不断调整模型的参数，得到优化的Mn元素收得率预测结果；S6、基于所述预测结果确定转炉出钢硅锰合金的预测加入量。进一步的，步骤S1中，对采集到的生产数据剔除异常数据后进行归一化处理；所述归一化处理具体为将每组变量根据其最大值/最小值转化为[0,1]的区间，计算公式如式(1)所示：其中，xij为生产数据样本的原始数据；x'ij为经过归一化处理的数据；i表示第i个样本点；j表示第j个输入变量；min(xij)、max(xij)分别为原始数据样本中的最小值和最大值。进一步的，步骤S2中，对所述备选输入变量采用SPSS数据分析软件进行Pearson相关性分析。进一步的，步骤S2中，所述模型输入变量包括：铁水Mn含量、铁水P含量、终点C含量、终点Mn含量、终点P含量、终点S含量、烧结矿加入量、终点温度。进一步的，步骤S3中，所述模型输入变量与Mn元素收得率的相关性为：铁水Mn含量负相关，铁水P含量负相关，终点C含量正相关，终点Mn含量负相关，终点P含量负相关，终点S含量正相关。进一步的，步骤S4中，单调性约束的方法为权值约束法；对于第i个模型输入变量，对应第j个隐含层节点的输入层连接权值为ωji，隐含层与输出层的连接权值为ω1j；若输入变量与Mn元素收得率正相关，使ωij·ω1i>0；若输入变量与Mn元素收得率负相关，则使ωji·ω1i<0。进一步的，所述权值约束法的实现方式为设置惩罚函数除BP神经网络本身训练所需的目标函数(均方误差函数)外，将其作为BP神经网络训练第二目标函数；迫使权值向符合冶金机理的方向调整，其中θ为惩罚系数，输入变量与Mn元素收得率正相关时，初始值取-1；输入变量与Mn元素收得率正相关时，初始值取1。μ(θωji·ω1j)为一个分段函数，θωij·ω1i>0时，μ(θωij·ω1i)＝1；θωij·ω1i<0时，μ(θωij·ω1i)＝0。进一步的，当经过一次训练后不能使模型的误差减小时，惩罚系数θ会按照设定比例减小，再次进行训练，直到能够使训练误差继续减小；如此即时调整约束的强烈程度，使得连接权值的调整在单调约束的作用下，能不断向着使模型误差减小的方向改变。进一步的，步骤S6中，得到优化的Mn元素收得率预测结果后，硅锰合金的预测加入量按如下公式确定：M预测值＝(t×(Mn％目标含量-Mn％终点))/(Mn％×Y预测值)(3)进一步得出按硅锰合金的预测加入量加料时成品钢中Mn元素的含量，以判断其是否满足钢种的要求；Mn％预测值＝(m×M预测值×Y实际值)/t+Mn％终点(4)其中，M预测值为硅锰合金的预测加入量，kg；t为钢水质量，Mn％目标含量为Mn元素目标含量，％；Mn％预测值为成品钢中Mn元素含量，％；Mn％终点为冶炼终点Mn含量，％；Mn％为硅锰合金中Mn元素含量，％；Y预测值为Mn元素收得率预测值，％；Y实际值为Mn元素收得率实际值，％。一种实现上述的基于收得率预测的转炉出钢硅锰合金加入量确定方法的计算机程序、数据处理终端、计算机可读存储介质。本专利技术的有益效果为：本专利技术的基于收得率预测的转炉出硅锰合金添加方法，为了改进单纯算法模型的不足，将冶金机理作为模型的先验知识和算法相结合，通过使用单调性约束的方式来对BP人工神经网络进行优化，建立转炉出钢合金化过程Mn元素收得率预测模型，使模型在训练过程能够处于冶金机理的约束之下，提高了模型的泛化能力，从而提高模型的预测效果。基于收得率的预测值计算合金的加入量，实践表明，这种方式能够满足成品钢Mn元素含量的要求，且硅锰合金的加入量相对于依靠人工经验减少，有较好的经济效益，可以为现场的生产提供参考。附图说明图1所示为本专利技术实施例一种基于收得率预测的转炉出钢硅锰合金加入量确定方法的流程示意图。图2所示为本专利技术实施例中Mn元素收得率预测值及实际值对比图。具体实施方式下文将结合具体附图详细描述本专利技术具体实施例。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。如图1所示，本专利技术实施例一种基于收得率预测的转炉出钢硅锰合金加入量确定方法，包括如下步骤：S1、采集转炉冶炼现场多炉次的生产数据，剔除异常数据后对生产数据进行归一化处理，以避免各变量因数量级不同而对模型计算产本文档来自技高网...

【技术保护点】
1.一种基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，所述方法包括如下步骤：/nS1、采集转炉冶炼现场多炉次的生产数据，对生产数据进行归一化处理；/nS2、确定模型输入变量：根据冶金原理选择备选输入变量，对所述备选输入变量进行相关性分析，得到对Mn元素收得率影响较大的变量作为模型输入变量；/nS3、确定不同模型输入变量对Mn元素收得率的影响为正相关或负相关，作为BP人工神经网络的单调性约束条件；/nS4、建立单调性约束的BP人工神经网络Mn元素收得率预测模型，将步骤S1得到的归一化处理后的生产数据集分成两组，一组用于对模型的训练，另一组用于检验模型的预测效果；/nS5、不断调整模型的参数，得到优化的Mn元素收得率预测结果；/nS6、基于所述预测结果确定转炉出钢硅锰合金的预测加入量。/n

【技术特征摘要】
1.一种基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，所述方法包括如下步骤：
S1、采集转炉冶炼现场多炉次的生产数据，对生产数据进行归一化处理；
S2、确定模型输入变量：根据冶金原理选择备选输入变量，对所述备选输入变量进行相关性分析，得到对Mn元素收得率影响较大的变量作为模型输入变量；
S3、确定不同模型输入变量对Mn元素收得率的影响为正相关或负相关，作为BP人工神经网络的单调性约束条件；
S4、建立单调性约束的BP人工神经网络Mn元素收得率预测模型，将步骤S1得到的归一化处理后的生产数据集分成两组，一组用于对模型的训练，另一组用于检验模型的预测效果；
S5、不断调整模型的参数，得到优化的Mn元素收得率预测结果；
S6、基于所述预测结果确定转炉出钢硅锰合金的预测加入量。


2.如权利要求1所述的基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，步骤S1中，对采集到的生产数据剔除异常数据后进行归一化处理；
所述归一化处理具体为将每组输入变量根据其最大值/最小值转化为[0,1]的区间，计算公式如下式所示：



其中，xij为生产数据样本的原始数据；x′ij为经过归一化处理的数据；i表示第i个样本点；j表示第j个输入变量；min(xij)、max(xij)分别为原始数据样本中的最小值和最大值。


3.如权利要求1所述的基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，步骤S2中，对所述备选输入变量采用SPSS数据分析软件进行Pearson相关性分析。


4.如权利要求1所述的基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，步骤S2中，所述模型输入变量包括：铁水Mn含量、铁水P含量、终点C含量、终点Mn含量、终点P含量、终点S含量、烧结矿加入量、终点温度。


5.如权利要求1所述的基于收得率预测的转炉出钢硅锰合金加入量确定方法，其特征在于，步骤S3中，所述模型输入变量与Mn元素收得率的相关性为：铁水Mn含量负相关，铁水P含量负相关，终点C含量正相关，终点Mn含量负相关，终点P含量负相关，终点S含量正相关。


6.如权利要求1所述的基于收得率预测的转炉出钢硅锰合金...

【专利技术属性】
技术研发人员：刘青，周凯啸，林文辉，孙建坤，冯小明，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11