一种基于异常数据分析的轧钢燃耗预警方法及系统技术方案

本发明专利技术提出一种基于异常数据分析的轧钢燃耗预警方法及系统，包括：对获取的轧钢工艺数据进行预处理，得到初始数据集；通过所述初始数据集训练预设模型，输出重要特征数据集；获取所述重要特征数据集的标准值，并根据所述标准值选出异常燃耗值数据，构建异常燃耗值数据集；获取预设时间段内的轧钢工艺数据，进一步获取所述轧钢工艺数据中的每一维工艺参数的平均值，得到平均值数据集；根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理，得到训练数据集；将所述训练数据集输入所述预设模型，获取多维工艺参数的异常数据，并根据所述异常数据启动预警信息；本发明专利技术可有效提高燃耗参数控制的准确性。提高燃耗参数控制的准确性。提高燃耗参数控制的准确性。

【技术实现步骤摘要】
一种基于异常数据分析的轧钢燃耗预警方法及系统


[0001]本专利技术涉及智能冶金领域，尤其涉及一种基于异常数据分析的轧钢燃耗预警方法及系统。

技术介绍

[0002]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，对实际生产中的加热炉燃耗异常数据因素进行分析，可以帮助操作人员加强对重要关联因素的关注和参考，因而对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，对于异常数据因素的分析主要依赖于操作人员的自身工作经验。操作人员在具体参数设定中，根据长期的实践经验和试错结果，分析数据的常见因素和大致区间。此方法缺乏准确性、及时性和无法具体体现因素间的关联程度。

技术实现思路

[0003]鉴于以上现有技术存在的问题，本专利技术提出一种基于异常数据因素分析的轧钢燃耗预警方法及系统，主要解决依据经验设定轧钢燃耗工艺参数难以保证准确性的问题。
[0004]为了实现上述目的及其他目的，本专利技术采用的技术方案如下。
[0005]一种基于异常数据分析的轧钢燃耗预警方法，包括：
[0006]对获取的轧钢工艺数据进行预处理，得到初始数据集；
[0007]通过所述初始数据集训练预设模型，输出重要特征数据集；
[0008]获取所述重要特征数据集的标准值，并根据所述标准值选出异常燃耗值数据，构建异常燃耗值数据集；
[0009]获取预设时间段内的轧钢工艺数据，进一步获取所述轧钢工艺数据中的每一维工艺参数的平均值，得到平均值数据集；
[0010]根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理，得到训练数据集；
[0011]将所述训练数据集输入所述预设模型，获取多维工艺参数的异常数据，并根据所述异常数据启动预警信息。
[0012]可选地，所述预处理包括：
[0013]特征补全、缺失值处理、字符型数据处理、归一化处理。
[0014]可选地，通过所述初始数据集训练预设模型，输出重要特征数据集，包括：
[0015]预设多个初始模型；
[0016]通过所述初始数据集分别训练各所述初始模型，并通过绝对误差率均值选出最优模型；
[0017]通过所述最优模型获取所述初始数据集中每一维工艺参数的重要性；
[0018]根据所述工艺参数的重要性排序结果选出指定数量的重要参数特征，组成所述重要特征数据集。
[0019]可选地，所述初始模型包括随机森林模型、SVR模型、神经网络模型、Xgboost模型。
[0020]可选地，获取所述重要特征数据集的标准值，并根据所述标准值选出异常燃耗值数据，构建异常燃耗值数据集，包括：
[0021]将所述重要特征数据集按照燃耗值大小进行排序；
[0022]根据排序结果，按设定比例删除首尾数据，并计算剩余数据中每一维轧钢工艺参数的平均值作为对应维度轧钢工艺参数的所述标准值；
[0023]筛选出超出所述标准值的重要参数特征数据，组成所述异常燃耗值数据集。
[0024]可选地，将所述训练数据集输入所述预设模型，获取多维工艺参数的异常数据，包括：
[0025]将所述训练数据集输入多个不同的预设模型，获取每个所述预设模型下，每一维工艺参数的重要性；
[0026]将每一维工艺参数在各预设模型中的重要性进行加权处理，获取每一维工艺参数的的总重要性；
[0027]按总重要性进行排序，选出指定数量的工艺参数以及对应的异常数据。
[0028]可选地，根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理，包括：
[0029]异常燃耗数据集中每个样本与平均值数据集做差，得到每一维工艺参数与平均值的差值；
[0030]进一步对每一维工艺参数进行归一化处理，得到所述训练数据集。
[0031]可选地，根据所述异常数据启动预警信息，包括：
[0032]获取每一维工艺参数的燃耗值与对应的所述标准值的差值后，再除以对应的所述标准值得到对应工艺参数的商值；
[0033]将所述商值与报警信息的预设启动阈值进行比较，高于启动阈值则开启报警信息。
[0034]可选地，所述绝对误差率均值的计算方式为：
[0035]获取每个所述初始模型预测值与真实值的差值除以真实值的商；
[0036]对所述商的绝对值进行均值化处理得到对应的模型绝对误差率均值。
[0037]一种基于异常数据分析的轧钢燃耗预警系统，包括：
[0038]数据处理模块，用于对获取的轧钢工艺数据进行预处理，得到初始数据集；
[0039]模型筛选模块，用于通过所述初始数据集训练预设模型，输出重要特征数据集；
[0040]异常筛选模块，用于获取所述重要特征数据集的标准值，并根据所述标准值选出异常燃耗值数据，构建异常燃耗值数据集；
[0041]均值数据构建模块，用于获取预设时间段内的轧钢工艺数据，进一步获取所述轧钢工艺数据中的每一维工艺参数的平均值，得到平均值数据集；
[0042]训练数据获取模块，用于根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理，得到训练数据集；
[0043]异常预警模块，将所述训练数据集输入所述预设模型，获取多维工艺参数的异常数据，并根据所述异常数据启动预警信息。
[0044]可选地，所述模型筛选模块包括：
[0045]最优筛选单元，用于预设多个初始模型，通过所述初始数据集分别训练各所述初
始模型，并通过绝对误差率均值选出最优模型；
[0046]重要性评估单元，用于通过所述最优模型获取所述初始数据集中每一维工艺参数的重要性；
[0047]重要特征数据集构建单元，用于根据所述工艺参数的重要性排序结果选出指定数量的重要参数特征，组成所述重要特征数据集。
[0048]如上所述，本专利技术一种基于异常数据分析的轧钢燃耗预警方法及系统，具有以下有益效果。
[0049]本专利技术能够深度分析燃耗的异常数据，精确的推荐引起燃耗异常的关键参数，进而帮助操作人员实现对燃耗的精准控制。
附图说明
[0050]图1为本专利技术一实施例中基于异常数据分析的轧钢燃耗预警方法的流程图。
[0051]图2为本专利技术一实施例中基于异常数据分析的轧钢燃耗预警系统的模块图。
具体实施方式
[0052]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。
[0053]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，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异常数据分析的轧钢燃耗预警方法，其特征在于，包括：对获取的轧钢工艺数据进行预处理，得到初始数据集；通过所述初始数据集训练预设模型，输出重要特征数据集；获取所述重要特征数据集的标准值，并根据所述标准值选出异常燃耗值数据，构建异常燃耗值数据集；获取预设时间段内的轧钢工艺数据，进一步获取所述轧钢工艺数据中的每一维工艺参数的平均值，得到平均值数据集；根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理，得到训练数据集；将所述训练数据集输入所述预设模型，获取多维工艺参数的异常数据，并根据所述异常数据启动预警信息。2.根据权利要求1所述的基于异常数据分析的轧钢燃耗预警方法，其特征在于，所述预处理包括：特征补全、缺失值处理、字符型数据处理、归一化处理。3.根据权利要求1所述的基于异常数据分析的轧钢燃耗预警方法，其特征在于，通过所述初始数据集训练预设模型，输出重要特征数据集，包括：预设多个初始模型；通过所述初始数据集分别训练各所述初始模型，并通过绝对误差率均值选出最优模型；通过所述最优模型获取所述初始数据集中每一维工艺参数的重要性；根据所述工艺参数的重要性排序结果选出指定数量的重要参数特征，组成所述重要特征数据集。4.根据权利要求3所述的基于异常数据分析的轧钢燃耗预警方法，其特征在于，所述初始模型包括随机森林模型、SVR模型、神经网络模型、Xgboost模型。5.根据权利要求1所述的基于异常数据分析的轧钢燃耗预警方法，其特征在于，获取所述重要特征数据集的标准值，并根据所述标准值选出异常燃耗值数据，构建异常燃耗值数据集，包括：将所述重要特征数据集按照燃耗值大小进行排序；根据排序结果，按设定比例删除首尾数据，并计算剩余数据中每一维轧钢工艺参数的平均值作为对应维度轧钢工艺参数的所述标准值；筛选出超出所述标准值的重要参数特征数据，组成所述异常燃耗值数据集。6.根据权利要求1所述的基于异常数据分析的轧钢燃耗预警方法，其特征在于，将所述训练数据集输入所述预设模型，获取多维工艺参数的异常数据，包括：将所述训练数据集输入多个不同的预设模型，获取每个所述预设模型下，每一维工艺参数的重要性；将每一维工艺参数在各预设模型中的重要性进行加权处理，获取每一维工艺参数的的总重要性；按总重要...

【专利技术属性】
技术研发人员：张涛，汤槟，毛尚伟，余文涵，张沛，陶涛，
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：