基于深度神经网络的钙处理过程中钙的收得率的预测方法技术

本发明专利技术公开了一种基于深度神经网络的钙处理过程中钙的收得率的预测方法，涉及到钢铁冶金领域的钢液精炼钙处理过程，其包括以下步骤：预先获取每一炉次的生产及操作数据信息，构建数据集；基于构建的数据集训练并测试深度神经网络，建立预测模型；基于预测模型将实际每一炉次的生产及操作数据信息作为输入，预测计算当前钙的收得率。本发明专利技术可以对钙处理过程中钙的收得率进行预测，有利于精准控制钢中钙含量，稳定控制钙处理过程，提升钙处理效果，提高产品质量，保证生产的稳定性。保证生产的稳定性。保证生产的稳定性。

【技术实现步骤摘要】
基于深度神经网络的钙处理过程中钙的收得率的预测方法


[0001]本专利技术属于钢铁冶金钢液精炼领域，具体涉及一种基于深度神经网络的钙处理过程中钙的收得率的预测方法。

技术介绍

[0002]在钢液的冶炼过程中，为了有效的将钢液中的氧含量降低至较低水平，作为一种强脱氧剂，铝被广泛的应用于炼钢过程。但铝的加入会生成大量的氧化铝夹杂物，容易导致水口结瘤，影响连铸过程的顺行以及导致产品性能的下降。因此，将金属钙加入到钢液中以将钢液中的氧化铝夹杂物改性为液态的钙铝酸盐，减少水口结瘤，保证连铸顺行，提高产品质量。同时，钢中钙的存在也可以控制钢中MnS夹杂物的形貌及数量。然而，钢中的需钙量存在一个合理的范围，钙的加入量较低，达不到钙处理的效果，加入量过高，则容易生成高熔点的CaS类夹杂物，同样容易导致水口结瘤。
[0003]近年来，受益于计算机及大数据等技术的迅速发展，神经网络被广泛应用到各个行业中。神经网络具有自学习及自适应性，当环境发生变化时，即给神经网络新的训练样本时，其可以自动调整相互连接的权值，从而在一定的输入条件下给出合理的期望输出。并且，神经网络具有较好的容错性，局部的错误不会使神经网络产生较为严重的错误。神经网络可以通过不断地调整各个神经元节点之间的权值，最终具备解决实际问题的能力。
[0004]与铝、硅、锰等合金相比，钙的熔沸点较低，在钢中溶解度较低，且蒸气压较大。因此，钙合金很难加入到钢液中，钙处理过程很难将钢液中钙含量控制在一定范围。对于大多数钢铁企业，钙处理过程都是凭借经验进行喂钙，无法对钙处理过程收得率进行预测，因此钙含量控制不稳定。因此，基于深度神经网络计算实现对钙处理过程钙的收得率的预测，对于精准控制钢中的钙含量，稳定钙处理操作，进而降低企业生产及运行成本，提高产品质量及合金利用效率，具有重要的研究价值及意义。

技术实现思路

[0005]为了解决上述现有技术的不足，本专利技术提供一种基于深度神经网络的钙处理过程中钙的收得率的预测方法，最终实现对钙处理操作的稳定控制。
[0006]具体地，本专利技术提供一种基于深度神经网络的钙处理过程中钙的收得率的预测方法，其包括以下步骤：
[0007]S1：获取生产及操作数据信息中影响钙处理过程钙的收得率的参数并构建数据集；步骤S1具体包括如下步骤：
[0008]S11、采集每一生产炉次精炼过程中生产及操作数据信息并计算每一炉次的钙的收得率，作为一条记录单元；每一炉次的钙的收得率分别包括精炼过程钙的收得率η1、中间包钙的收得率η2以及连铸坯钙的收得率η3；
[0009]精炼过程钙的收得率的计算方式为：
[0010][0011]中间包钙的收得率的计算方式为：
[0012][0013]连铸坯钙的收得率的计算方式为：
[0014][0015]式中：W代表钢液质量，单位为t；ω[Ca]O
代表钢液钙处理前钙含量，单位为ppm；χ代表喂钙线长度，单位为m；β代表钙线中钙含量，单位为％；μ代表钙线米重，单位为kg/m，ω[Ca]R
代表精炼结束后钢液钙含量，单位为ppm；ω[Ca]T
代表连铸过程中间包中钢液钙含量，单位为ppm；ω[Ca]B
代表连铸坯中钙含量，单位为ppm；
[0016]S12、重复采集每一生产炉次精炼过程中生产及操作数据信息，建立数据集；
[0017]S13、对步骤S12所得数据进行预处理，去除缺失和明显不合理的数据；
[0018]S2：对步骤S1得到的数据集的数据进行归一化处理，得到归一化处理后的数据集；
[0019]S3：建立深度神经网络：将步骤S2获得的数据集分为训练数据集和测试数据集；以生产及操作数据信息作为深度神经网络的输入，实际的钙的收得率作为输出，对比计算结果及实际结果，修正权值及阈值，并利用训练数据集中的数据对深度神经网络进行训练，得到训练好的深度神经网络；
[0020]S4：使用测试数据集对步骤S3训练好的深度神经网络进行测试，测试数据集中的输入数据作为深度神经网络的输入数据，得到钙的收得率计算结果，以实际收得率结果与深度神经网络计算得到的钙的收得率产生的误差值达到最小阈值作为优化目标对深度神经网络进行优化；
[0021]S5：根据步骤S4计算的误差值，确定训练好的深度神经网络是否满足要求，如果误差值达到最小阈值，则将当前的深度网络作为最终的钙的收得率的预测模型；若误差值未达到最小阈值，则修改神经网络的隐藏层数量、节点数以及学习率，重复步骤S4直至误差值达到最小阈值，深度神经网络计算的钙的收得率能满足预定要求；
[0022]S6：根据步骤S5得到的最终的钙的收得率的预测模型，对实际钙处理操作过程中的钙的收得率进行预测。
[0023]优选地，步骤S11中所述影响钙处理过程钙的收得率的参数包括：钢液C含量、钢液Si含量、钢液Mn含量、钢液P含量、钢液S含量、钢液游离氧含量、钢液温度、钙线种类、喂钙线速度、吹氩流量、钢液重量、喂线长度、精炼过程中加入的原辅料的种类及数量以及钙线钙含量。
[0024]优选地，步骤S11中采集时分别在钙处理前后取球拍样，用于化验钢液成分，取样过程中需要将取样器放在钢包的相同位置；
[0025]检测中间包钢液成分时，在中间包相同位置，浇注一半时取球拍样；
[0026]检测连铸坯成分时，取浇注稳定的连铸坯，在板宽1/4并且距离内弧侧1/4位置处取样分析。
[0027]优选地，钙处理前钢液成分使用电火花直读光谱仪法进行检测，首先将试样打磨光亮，然后在试样表面至少激发出两个点，观察激发出的点的成分，删去其中成分偏差较大的点，直到获得稳定的测量结果；在钙处理后钢液进站时使用定氧探头测定钢液温度及溶解氧含量，定氧探头保证插入钢液的相同位置。
[0028]优选地，步骤S3中所述对深度神经网络进行训练具体包括以下子步骤：
[0029]S31、用小的随机数对每一层的权值和阈值进行初始化，通过设置的网络结构和前一次迭代的权值和阈值，从网络第一层向后计算各神经元的输出，然后对权值和阈值进行修改，从最后一层向前计算各个阈值和权值对总误差的影响，并根据误差对权值和阈值进行调整，两个过程交替进行，直至达到收敛；
[0030]S2、神经元之间的传递函数使用Sigmoid函数，公式如下：
[0031][0032][0033]式中，x代表归一化后的x变量，w代表神经元之间连接的权值，θ代表神经元节点的阈值。
[0034]优选地，步骤S3中构建的深度神经网络输入层包含21个节点，中间层包含3个，每个中间层包含6个节点，输出层含有1个节点，最大迭代次数为1500，学习率为0.2。
[0035]优选地，误差值的最小阈值为5％。
[0036]与现有技术相比，本专利技术的有益效果：
[0037]本专利技术基于深度神经网络的钙处理过程钙的收得率预测方法，通过预先获取每一生产炉次的操作参数信息构建数据集，基于获取的数据集建立深度神经网络模型并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的钙处理过程中钙的收得率的预测方法，其特征在于：其包括以下步骤：S1：获取生产及操作数据信息中影响钙处理过程中钙的收得率的参数并构建数据集；步骤S1具体包括如下步骤：S11、采集每一生产炉次精炼过程中生产及操作数据信息并计算每一炉次的钙的收得率，作为一条记录单元；每一炉次的钙的收得率分别包括精炼过程钙的收得率η1、中间包钙的收得率η2以及连铸坯钙的收得率η3；精炼过程钙的收得率的计算方式为：中间包钙的收得率的计算方式为：连铸坯钙的收得率的计算方式为：式中：W代表钢液质量，单位为t；ω[Ca]
O
代表钢液钙处理前钙含量，单位为ppm；χ代表喂钙线长度，单位为m；β代表钙线中钙含量，单位为％；μ代表钙线米重，单位为kg/m，ω[Ca]
R
代表精炼结束后钢液钙含量，单位为ppm；ω[Ca]
T
代表连铸过程中间包中钢液钙含量，单位为ppm；ω[Ca]
B
代表连铸坯中钙含量，单位为ppm；S12、重复采集每一生产炉次精炼过程中生产及操作数据信息，建立数据集；S13、对步骤S12所得数据进行预处理，去除缺失和明显不合理的数据；S2：对步骤S1得到的数据集的数据进行归一化处理，得到归一化处理后的数据集；S3：建立深度神经网络：将步骤S2获得的数据集分为训练数据集和测试数据集；以生产及操作数据信息作为深度神经网络的输入，实际的钙的收得率作为输出，对比计算结果及实际结果，修正权值及阈值，并利用训练数据集中的数据对深度神经网络进行训练，得到训练好的深度神经网络；S4：使用测试数据集对步骤S3训练好的深度神经网络进行测试，测试数据集中的输入数据作为深度神经网络的输入数据，得到钙的收得率计算结果，以实际收得率结果与深度神经网络计算得到的钙的收得率产生的误差值达到最小阈值作为优化目标对深度神经网络进行优化；S5：根据步骤S4计算的误差值，确定训练好的深度神经网络是否满足要求，如果误差值达到最小阈值，则将当前的深度网络作为最终的钙的收得率的预测模型；若误差值未达到最小阈值，则修改神经网络的隐藏层数量、节点数以及学习率，重复步骤S4直至误差值达到最小阈值，深度神经网络计算的钙的收得率能满足预定要求；S6：根据步骤S5得到的最终的钙的收得率的预测模型，对实际钙处理操作过程中的钙的收得率进行预测。2.根据权利要求1所述的基于深度神经网络的钙处理过程中钙的收得...

【专利技术属性】
技术研发人员：张立峰，王伟健，任强，任英，罗艳，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：