一种转炉炼钢终点智能控制方法技术

本发明专利技术提供了一种转炉炼钢终点智能控制方法，由如下子系统实现：1)数据预处理子系统：从数据库中采集数据，并进行数据预处理，通过独立性和相关性分析，确定终点碳含量和温度预测子系统模型的输入变量，保证模型精度；2)钢水终点预测子系统：采用基于小波权重的非平行支持向量回归机算法，对转炉炼钢的终点碳含量和终点温度进行预测；3)吹氧量和辅料计算子系统：结合鲸群优化算法和增量计算方法，根据预测模型的输出反馈计算优化误差，在保证优化误差最小的前提下，计算出吹炼阶段所需的吹氧量、石灰和轻烧白云石等辅料加入量；4)模型更新子系统：根据实际生产情况，定期对预测子系统进行更新升级。可实现转炉的一键式炼钢。可实现转炉的一键式炼钢。可实现转炉的一键式炼钢。

【技术实现步骤摘要】
一种转炉炼钢终点智能控制方法


[0001]本专利技术涉及转炉炼钢
，特别涉及一种转炉炼钢终点智能控制方法。

技术介绍

[0002]转炉炼钢是我国主要的炼钢方式，钢水的终点成分和温度的控制好坏直接影响产品的质量。由于炼钢的冶炼过程是一个极其复杂的物理化学反应过程，因此，转炉炼钢的终点控制是钢铁冶金领域的研究重点和难点，其控制问题的研究历经了经验控制、静态控制、动态控制和智能控制几个阶段。
[0003]随着计算机技术和物联网技术的迅猛发展，为实现一键式炼钢奠定了良好的基础。智能控制是当前的研究热点问题，目前主流的控制方式是基于神经网络进行建模，建立转炉终点的预测模型，在该模型基础上，结合机理或者数学方法计算冶炼所需的吹氧量和辅料量，进而实现转炉的终点控制。上述模型的缺点是模型易于陷入局部最小值，这将导致在建模过程中不能得到全局最优解，给寻找模型的最优参数带来诸多不便，所以建模效率很低，不利于实现一键式炼钢。探索新的建模思路，提高智能模型的学习性能和效率，进而实现转炉的全自动化控制，有效规范现场操作模式，减少喷溅发生率，缩短吹炼时间，降低造渣剂的消耗，提高转炉炼钢的一次拉碳率，是转炉炼钢领域的重大创新。

技术实现思路

[0004]为解决
技术介绍
提出的技术问题，本专利技术提供了一种转炉炼钢终点智能控制方法，可实现转炉的一键式炼钢。
[0005]为了达到上述目的，本专利技术采用以下技术方案实现：
[0006]一种转炉炼钢终点智能控制方法，所述的控制方法由如下子系统实现：数据预处理子系统、钢水终点预测子系统、吹氧量和辅料计算子系统和模型更新子系统；
[0007]1)数据预处理子系统：从数据库中采集数据，并进行数据预处理，通过独立性和相关性分析，确定终点碳含量和温度预测子系统模型的输入变量，保证模型精度；
[0008]2)钢水终点预测子系统：采用基于小波权重的非平行支持向量回归机算法(Wavelet transform based weightedNPSVR,WTWNPSVR)，对转炉炼钢的终点碳含量和终点温度进行预测；
[0009]3)吹氧量和辅料计算子系统：结合鲸群优化算法和增量计算方法，根据预测模型的输出反馈计算优化误差，在保证优化误差最小的前提下，计算出吹炼阶段所需的吹氧量、石灰和轻烧白云石等辅料加入量；
[0010]4)模型更新子系统：根据实际生产情况，定期对预测子系统进行更新升级。
[0011]进一步地，所述的数据预处理子系统的数据预处理方法具体包括如下步骤：
[0012]Step 1
‑
1：从数据库中读取n组转炉数据，对其进行预处理，剔除熔炼号、班别、炉长姓名等无关信息，得到n组具有m个特征变量的转炉数据集；
[0013]Step 1
‑
2：依据n组转炉数据，m个特征变量构造评价问题，确定参考序列和比较序
列；原评价矩阵为：
[0014][0015]其中，F
i
＝[f
i
(1),...,f
i
(k),...,f
i
(n)]为第i个特征变量的比较序列，f
i
(k)为第k组转炉数据的第i个特征变量；
[0016]根据评价目的和指标情况，确定参考序列R0：
[0017]R0＝(r0(1),...,r0(k),...,r0(n))
ꢀꢀ
(2)
[0018]对于转炉数据，R0指模型的输出序列，即终点碳含量数据y
C
或终点温度数据y
T
，r0(k)为第k组转炉数据的输出变量；
[0019]Step 1
‑
3：标准化处理参考序列R0和比较序列F，得到矩阵无量纲数据Y；
[0020][0021]其中，Y0＝(y0(1),...,y0(k),...,y0(n))为标准化后的参考序列；
[0022]Step 1
‑
4：计算差值序列Ω；差值序列为每个比较序列的元素与对应的参考序列的元素的差值的绝对值，即
[0023][0024]Step 1
‑
5：确定差值序列中的最大值p和最小值v，即
[0025][0026]Step 1
‑
6：计算每个比较序列与参考序列对应元素的关联系数，即y
i
(k)和y0(k)之间的关联系数：
[0027][0028]其中，ρ∈(0,1)是一个可调节参数；
[0029]Step 1
‑
7：计算每个特征的关联系数的平均值，形成关联序列，即
[0030][0031]关联系数越大，说明相应的输入因素对输出变量的影响越大；
[0032]Step 1
‑
8：按照灰色关联度系数γ0(i)从大到小的顺序进行排列，选择对输出变量影响较大的l(l≤m)个特征，初步作为相应的输入变量；
[0033]Step 1
‑
9：采用偏相关分析的方法，对得到的l输入变量进行独立性分析，以保证各输入变量之间相互独立或存在较小的相关性；任意两个输入变量x
i
和x
j
之间的g(g≤l
‑
2)阶偏相关系数可以通过下列式子计算：
[0034][0035]其中，等式(8)的右侧均代表的是g
‑
1的偏相关系数；偏相关系数是真正能够反映两个变量之间相关性的统计量；如果两个变量之间的偏相关系数较小，说明两个变量之间的相关性较小，甚至不相关；
[0036]Step 1
‑
10：通过机理分析，结合相关性和独立性分析，最终可以确定d(d≤l)个影响因素作为终点碳含量y
C
或终点温度y
T
预测模型的输入变量，定义为x＝[x1,x2,...,x
d
]T
∈R
d
×1；终点碳含量或终点温度作为预测模型的输出变量。
[0037]进一步地，所述的钢水终点预测子系统中，对转炉炼钢的终点碳含量和终点温度进行预测的方法具体包括以下步骤：
[0038]Step 2
‑
1：读取Step 1
‑
10的转炉炼钢输入数据，终点碳含量数据和终点温度数据，通过均匀采样的方式，确定训练样本数量L1(L1<n)；
[0039]Step 2
‑
2：建立具有抗噪声性能的转炉炼钢终点信息预测模型(WTWNPSVR)；该模型以NPSVR为基础，引入参数v1和v2的同时，考虑了样本之间的权重；假设一数据集为为高斯核函数，令为输入训练样本，y＝[y1,...,y
n
]T
∈R
n
为输出训练样本，为第i个训练样本，则算法的目标函数可描述为：
[0040][0041][0042]其中，c
i...

【技术保护点】

【技术特征摘要】
1.一种转炉炼钢终点智能控制方法，其特征在于，所述的控制方法由如下子系统实现：数据预处理子系统、钢水终点预测子系统、吹氧量和辅料计算子系统和模型更新子系统；1)数据预处理子系统：从数据库中采集数据，并进行数据预处理，通过独立性和相关性分析，确定终点碳含量和温度预测子系统模型的输入变量，保证模型精度；2)钢水终点预测子系统：采用基于小波权重的非平行支持向量回归机算法，对转炉炼钢的终点碳含量和终点温度进行预测；3)吹氧量和辅料计算子系统：结合鲸群优化算法和增量计算方法，根据预测模型的输出反馈计算优化误差，在保证优化误差最小的前提下，计算出吹炼阶段所需的吹氧量、石灰和轻烧白云石等辅料加入量；4)模型更新子系统：根据实际生产情况，定期对预测子系统进行更新升级。2.根据权利要求1所述的一种转炉炼钢终点智能控制方法，其特征在于，所述的数据预处理子系统的数据预处理方法具体包括如下步骤：Step 1
‑
1：从数据库中读取n组转炉数据，对其进行预处理，剔除熔炼号、班别、炉长姓名等无关信息，得到n组具有m个特征变量的转炉数据集；Step 1
‑
2：依据n组转炉数据，m个特征变量构造评价问题，确定参考序列和比较序列；原评价矩阵为：其中，F
i
＝[f
i
(1),...,f
i
(k),...,f
i
(n)]为第i个特征变量的比较序列，f
i
(k)为第k组转炉数据的第i个特征变量；根据评价目的和指标情况，确定参考序列R0：R0＝(r0(1),...,r0(k),...,r0(n))
ꢀꢀꢀꢀꢀꢀ
(2)对于转炉数据，R0指模型的输出序列，即终点碳含量数据y
C
或终点温度数据y
T
，r0(k)为第k组转炉数据的输出变量；Step 1
‑
3：标准化处理参考序列R0和比较序列F，得到矩阵无量纲数据Y；其中，Y0＝(y0(1),...,y0(k),...,y0(n))为标准化后的参考序列；Step 1
‑
4：计算差值序列Ω；差值序列为每个比较序列的元素与对应的参考序列的元素的差值的绝对值，即
Step 1
‑
5：确定差值序列中的最大值p和最小值v，即Step 1
‑
6：计算每个比较序列与参考序列对应元素的关联系数，即y
i
(k)和y0(k)之间的关联系数关联系数其中，ρ∈(0,1)是一个可调节参数；Step 1
‑
7：计算每个特征的关联系数的平均值，形成关联序列，即关联系数越大，说明相应的输入因素对输出变量的影响越大；Step 1
‑
8：按照灰色关联度系数γ0(i)从大到小的顺序进行排列，选择对输出变量影响较大的l(l≤m)个特征，初步作为相应的输入变量；Step 1
‑
9：采用偏相关分析的方法，对得到的l输入变量进行独立性分析，以保证各输入变量之间相互独立或存在较小的相关性；任意两个输入变量x
i
和x
j
之间的g(g≤l
‑
2)阶偏相关系数可以通过下列式子计算：其中，等式(8)的右侧均代表的是g
‑
1的偏相关系数；偏相关系数是真正能够反映两个变量之间相关性的统计量；如果两个变量之间的偏相关系数较小，说明两个变量之间的相关性较小，甚至不相关；Step 1
‑
10：通过机理分析，结合相关性和独立性分析，最终可以确定d(d≤l)个影响因素作为终点碳含量y
C
或终点温度y
T
预测模型的输入变量，定义为x＝[x1,x2,...,x
d
]
T
∈R
d
×1；终点碳含量或终点温度作为预测模型的输出变量。3.根据权利要求1所述的一种转炉炼钢终点智能控制方法，其特征在于，所述的钢水终点预测子系统中，对转炉炼钢的终点碳含量和终点温度进行预测的方法具体包括以下步骤：
Step 2
‑
1：读取Step 1
‑
10的转炉炼钢输入数据，终点碳含量数据和终点温度数据，通过均匀采样的方式，确定训练样本数量L1(L1<n)；Step 2
‑
2：建立具有抗噪声性能的转炉炼钢终点信息预测模型；该模型以NPSVR为基础，引入参数v1和v2的同时，考虑了样本之间的权重；假设一数据集为的同时，考虑了样本之间的权重；假设一数据集为为高斯核函数，令为输入训练样本，y＝[y1,...,y
n
]
T
∈R
n
为输出训练样本，为第i个训练样本，则算法的目标函数可描述为：为第i个训练样本，则算法的目标函数可描述为：其中，c
i
(i＝1,...,4)≥0是惩罚参数，v1,v2,ε1,ε2,ε≥0为可调节参数，η1,ξ1,η2,和ξ2是松弛变量，W∈R
n
×1为样本的权重向量，[w1；b1]和[w2；b2]为增广向量，e＝[1,1,...,1]
T
∈R
n
×1；以目标函数(9)为例进行解释说明，目标函数(10)具有和(9)相似的解释；约束条件中的第一项和第二项的目的是确定两个超平面和使得训练样本尽可能多的位于两个超平面中间；目标函数的第一项是正则化项，源自于标准的SVR；约束条件第三项的目的是使训练样本到下边界超平面的距离至少为ε1，换句话说，使得训练样本尽可能的位于的上侧；目标函数的第二项和第三项用于最小化松弛因子η1,和ξ1，以及ε1管道的宽度，系数向量W为松弛因子的惩罚向量；对上述模型进行推导，可获得相应的对偶问题：
其中，α1＝[α
11
,....,α
1n
]
T
,β1＝[β
11
,...,β
1n
]
T
,α2＝[α
21
,....,α
2n
]
T
,和β2＝[β
21
,...,β
2n
]
T
为拉格朗日乘子向量；Step2
‑
3：基于小波变换理论，确定样本的权重向量W＝[d1,d2,
···
,d
n
]
T
，d
i
表示权重系数，可由下式获得：其中，exp(
·
)为e指数函数，δ为高斯函数的标准差，r
i
是原始数据与小波变换降噪后数据之间的距离；Step 2
‑
4：初始化Step 2
‑
2的转炉炼钢终点信息预测模型的参数c
i
(i＝1,...,4),v1,v2,ε1,ε2,ε和δ；Step 2
‑
5：利用转炉炼钢训练样本集进行训练；通过求解式(11)和(12)，可得到最优解向量α1,β1,α2,和β2；Step 2
‑
6：将最优解代入下列式子(14)和(15)，可求出w1,b1和w2,b2；；式中，|S
k
|表示支持向量的个数；Step 2
‑
7：将w1,b1和w2,b2的结果代入式(16)，即可得到终点碳含量回归函数f
C
(x)或温度回归函数...

【专利技术属性】
技术研发人员：高闯，李胜利，翟宝鹏，杨永辉，艾新港，李志刚，储茂祥，刘历铭，汪淼，孙悦，
申请(专利权)人：辽宁科技大学，
类型：发明
国别省市：