一种轧钢燃耗参数推荐方法、系统、介质及终端技术方案

本发明专利技术提供一种轧钢燃耗参数推荐方法、系统、介质及终端，方法包括获取轧钢工序生产线中的轧钢生产数据，建立燃耗工艺数据集；根据所述燃耗工艺数据集建立最优算法模型，并对其进行训练；根据训练后的最优算法模型获取数据重要特征，建立重要特征数据集；对所述重要特征数据集构建特征字段均分数据集，并利用训练后的最优算法模型，获取燃耗值最小的推荐工艺参数；本发明专利技术排除了采集数据本身的干扰因素，参数推荐准确度高，并且当设备、环境发生变化时，可以及时调整最低燃耗值和保持工艺参数最优数值，解决了现有技术中存在的加热炉燃耗分析精细度低、实时性差的问题。

【技术实现步骤摘要】
一种轧钢燃耗参数推荐方法、系统、介质及终端
本专利技术涉及冶金领域及人工智能领域，尤其涉及一种基于算法预测模型的轧钢燃耗参数推荐方法、系统、介质及终端。
技术介绍
在冶金行业中，加热炉燃耗占据轧钢工序能耗的65％～75％，是轧材生产线成本主要成本的来源之一，因此，如何对加热炉燃耗的关联参数的预测和分析，确定准确的燃耗控制参数对优化轧钢生产工艺和降低钢材生产运行成本具有重要意义。目前，钢铁行业对轧材生产线上的燃耗预测，主要依据对加热炉的运行进行阶段性分析，具体为通过采集基本的生产运行数据，分析与燃耗的关联性参数，然后通过经验公式进行燃耗预测和优化工序的时间、温度参数，从而达到降低燃耗的目的。但是，在复杂的生产过程中，不论是工人直接参与设定，还是通过固有数学模型进行分析都无法排除采集数据本身的干扰因素，会造成燃耗最小取值不准确，产生燃耗浪费，且当设备、环境发生变化时，无法及时调整最低燃耗值和保持工艺参数最优数值。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术提供一种轧钢燃耗参数推荐方法、系统、介质及终端，以解决上述技术问题。本专利技术提供的轧钢燃耗参数推荐方法，包括：获取轧钢工序生产线中的轧钢生产数据，建立燃耗工艺数据集；根据所述燃耗工艺数据集建立最优算法模型，并对其进行训练；根据训练后的最优算法模型获取数据重要特征，建立重要特征数据集；对所述重要特征数据集构建特征字段均分数据集，并利用训练后的最优算法模型，获取燃耗值最小的推荐工艺参数。可选的，定期重新获取燃耗工艺参数数据，对所述最优算法模型进行更新，并根据更新后的模型，重新获取燃耗值最小的推荐工艺参数。可选的，所述轧钢生产数据包括工艺参数和人员操作参数，通过对所述轧钢生产数据进行预处理，获取所述燃耗工艺数据集，所述预处理包括：将人员操作参数并入轧钢生产数据，通过数据差值形成新的特征，得到完整轧钢生产数据集；对所述完整轧钢生产数据集进行缺失值填充；将完整轧钢生产数据集中的异常数据删除。可选的，对所述燃耗工艺数据集进行归一化处理；将处理后的燃耗工艺数据集分别采用不同算法方式获取多个算法模型；分别获取各算法模型的绝对误差率均值；通过比较各模型的绝对误差率均值，得到最优算法模型。可选的，所述不同算法包括线性回归、随机森林、支持向量回归、神经网络、极端梯度提升训练。可选的，获取各模型中各个特征的重要程度分数；将各模型的准确度作为权重，对所有特征的加权平均处理；对加权平均处理后的各个特征的重要程度分数进行排序，并按预设的阈值进行筛选，获取所述重要特征数据集；对所述重要特征数据集进行回归测试，并获取效果最好的特征比例，进而获取含有最优参数值的最优燃耗算法模型。可选的，对所述重要特征数据集构建特征字段均分数据集包括：获取每个重要特征的上下限，构成新的重要特征上下限数据集；将重要特征上下限数据集每列特征字段等间隔分成固定段数，按照工艺逻辑，形成特征字段均分数据集。本专利技术还提供一种轧钢燃耗参数推荐系统，包括数据获取模块，用于获取轧钢工序生产线中的轧钢生产数据；数据处理模块，用于建立燃耗工艺数据集，并对其进行数据处理；模型训练模块，用于根据所述燃耗工艺数据集建立最优算法模型，并对其进行训练；备选方案构建模块，用于构建备选方案数据集；参数推荐模块，用于根据训练后的最优算法模型获取数据重要特征，建立重要特征数据集；对所述重要特征数据集构建特征字段均分数据集，并利用训练后的最优算法模型，获取燃耗值最小的推荐工艺参数。本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述中任一项所述方法。本专利技术还提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述中任一项所述方法。本专利技术的有益效果：本专利技术中的轧钢燃耗参数推荐方法、系统、介质及终端，排除了采集数据本身的干扰因素，参数推荐准确度高，并且当设备、环境发生变化时，可以及时调整最低燃耗值和保持工艺参数最优数值，解决了现有技术中存在的加热炉燃耗分析精细度低、实时性差的问题。附图说明图1是本专利技术实施例中轧钢燃耗参数推荐方法的流程示意图。图2是本专利技术实施例中轧钢燃耗参数推荐系统的结构示意图。图3是本专利技术实施例中轧钢燃耗参数推荐方法的燃耗推荐结果示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。在下文描述中，探讨了大量细节，以提供对本专利技术实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本专利技术的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本专利技术的实施例难以理解。如图1所示，本实施例中的轧钢燃耗参数推荐方法，包括：获取轧钢工序生产线中的轧钢生产数据，建立燃耗工艺数据集；根据所述燃耗工艺数据集建立最优算法模型，并对其进行训练；根据训练后的最优算法模型获取数据重要特征，建立重要特征数据集；对所述重要特征数据集构建特征字段均分数据集，并利用训练后的最优算法模型，获取燃耗值最小的推荐工艺参数。在本实施例中，轧钢生产数据主要包括工艺参数和人员操作参数，工艺参数是生产线实时产生的数据，而人员操作参数是操作人员自主设定数据。工艺参数包括"加热段残氧值","均热段残氧值","预热段残氧量","加热段上方空燃比","加热段下方空燃比","均热段轧机侧上方空燃","均热段轧机侧下方空燃比"等多种工艺参数。通过对轧钢生产数据进行预处理，获取燃耗工艺数据集。本实施例中的预处理包括将人员操作参数特征并入轧钢生产数据集中，做数据差值形成新的特征，得到完整轧钢生产数据集；对完整轧钢生产数据集进行缺失值填充，对其中字符型特征使用one-hot方法进行数字化处理，对其中部分特征求均值处理；删除完整轧钢生产数据集中异常数据，得到清洗后的燃耗工艺数据集。可选的，可以使用孤立森林算法找出异常值并删除，按照出炉时间对出炉数据集进行排序；对燃耗工艺参数数据集进行缺失值填充，具体是使用前面的值进行填充；对其中本文档来自技高网...

【技术保护点】
1.一种轧钢燃耗参数推荐方法，其特征在于，包括：/n获取轧钢工序生产线中的轧钢生产数据，建立燃耗工艺数据集；/n根据所述燃耗工艺数据集建立最优算法模型，并对其进行训练；/n根据训练后的最优算法模型获取数据重要特征，建立重要特征数据集；/n对所述重要特征数据集构建特征字段均分数据集，并利用训练后的最优算法模型，获取燃耗值最小的推荐工艺参数。/n

【技术特征摘要】
1.一种轧钢燃耗参数推荐方法，其特征在于，包括：
获取轧钢工序生产线中的轧钢生产数据，建立燃耗工艺数据集；
根据所述燃耗工艺数据集建立最优算法模型，并对其进行训练；
根据训练后的最优算法模型获取数据重要特征，建立重要特征数据集；
对所述重要特征数据集构建特征字段均分数据集，并利用训练后的最优算法模型，获取燃耗值最小的推荐工艺参数。


2.根据权利要求1所述的轧钢燃耗参数推荐方法，其特征在于，定期重新获取燃耗工艺参数数据，对所述最优算法模型进行更新，并根据更新后的模型，重新获取燃耗值最小的推荐工艺参数。


3.根据权利要求1所述的轧钢燃耗参数推荐方法，其特征在于，所述轧钢生产数据包括工艺参数和人员操作参数，通过对所述轧钢生产数据进行预处理，获取所述燃耗工艺数据集，所述预处理包括：
将人员操作参数并入轧钢生产数据，通过数据差值形成新的特征，得到完整轧钢生产数据集；
对所述完整轧钢生产数据集进行缺失值填充；
将完整轧钢生产数据集中的异常数据删除。


4.根据权利要求3所述的轧钢燃耗参数推荐方法，其特征在于，
对所述燃耗工艺数据集进行归一化处理；
将处理后的燃耗工艺数据集分别采用不同算法方式获取多个算法模型；
分别获取各算法模型的绝对误差率均值；
通过比较各模型的绝对误差率均值，得到最优算法模型。


5.根据权利要求4所述的轧钢燃耗参数推荐方法，其特征在于，所述不同算法包括线性回归、随机森林、支持向量回归、神经网络、极端梯度提升训练。


6.根据权利要求5所述的轧钢燃耗参数推荐方法，其特征在于，
获...

【专利技术属性】
技术研发人员：张涛，汤槟，毛尚伟，黄垚松，
申请(专利权)人：中冶赛迪重庆信息技术有限公司，
类型：发明
国别省市：重庆;50