一种基于K近邻算法的钢坯温度在线预测方法技术

本发明专利技术公开一种基于K近邻算法的钢坯温度在线预测方法。包括：步骤一：采集历史数据；步骤二：将采集历史数据预处理生成钢坯样本集；步骤三：对样本分类，并设置类别标签；步骤四：使用K近邻算法进行分类预测，通过交叉验证法选择最优K值；步骤五：将即计算实时钢坯样本与样本集中所有钢坯样本之间的欧氏距离，并将其从小到大排序，选取前K个样本；如果前K个样本中有一半及以上样本的类别标签为1，则将实时钢坯样本的类别标签赋值为1，即为异常样本；否则将实时钢坯样本的类别标签赋值为

【技术实现步骤摘要】
一种基于K近邻算法的钢坯温度在线预测方法


[0001]本专利技术涉及一种基于K近邻的钢坯温度在线预测方法。

技术介绍

[0002]钢铁行业是耗能和排放的大户，面临极大的节能减排压力。直接轧制技术取消现有工艺的加热环节，可以使连铸后的钢坯不经过加热炉，送入轧机进行轧制，节能减排效果显著，在当下钢铁产能过剩、市场竞争激烈的形势下，具有重要意义。
[0003]近年来，在长型材尤其是棒线材
，直接轧制技术体现了钢铁制造流程高效、绿色发展要求，已逐渐在行业内进行推广应用，国内诸多钢铁企业进行了直接轧制工艺的尝试，但大部分未能取得理想效果。直接轧制技术的核心在于连铸和轧制工序的衔接，与铸轧界面物流水平密切相关，难点在于无法提前预测钢坯温度能否达到直轧要求，导致当出现钢坯温度不达标异常情况时，影响轧钢生产节奏。

技术实现思路

[0004]针对现有技术存在的缺陷与不足，本专利技术提出一种基于K近邻的钢坯温度在线预测方法。
[0005]为达到上述目的，本专利技术基于K近邻算法的钢坯温度在线预测方法，通过连铸出坯温度在线判断钢坯温度能否满足直轧要求，其特征在于，包括以下步骤：
[0006]步骤一：采集历史数据，所述的历史数据至少包括钢种、规格，轧机入口钢坯温度、钢坯开轧温度；
[0007]步骤二：将采集历史数据预处理生成钢坯样本集；
[0008]步骤三：样本分类，根据轧机入口钢坯温度与钢坯开轧温度，将样本分为异常样本和正常样本；其中，如果轧机入口钢坯温度小于钢坯开轧温度，记为异常样本，类别标签设置为 1；轧机入口钢坯温度大于等于轧钢开轧温度，记为正常样本，类别标签设置为
‑
1；
[0009]步骤四：使用K近邻算法进行分类预测，通过交叉验证法选择最优K值；
[0010]步骤五：将即将从连铸升降挡板出坯的钢坯作为实时钢坯样本，计算实时钢坯样本与样本集中所有钢坯样本之间的欧氏距离，并将其从小到大排序，选取前K个样本；如果前K个样本中有一半及以上样本的类别标签为1，则将实时钢坯样本的类别标签赋值为1，即为异常样本；否则将实时钢坯样本的类别标签赋值为
‑
1，即为正常样本；
[0011]步骤六：对于异常样本，发出预警信号，将该钢坯热送或下线；对于正常样本，发出直轧信号，将该钢坯送去直轧。
[0012]进一步的，所述的历史数据还包括连铸出坯温度、铸轧界面环境温度、各段辊道运行速度。
[0013]进一步的，所述的钢种取决于钢坯化学成分Fe、C、Si、Mn、P、S，通过检化验从钢坯对应炉次的钢水成分获取；规格包括长度、宽度、厚度等，通过连铸工艺获得；连铸出坯温度、轧机入口钢坯温度通过高温计获取；各段辊道运行速度通过PLC获取。
[0014]进一步的，所述的钢坯样本集包括异常样本集和正常样本集，根据生产状况动态更新。
[0015]进一步的，所述的K近邻算法，通过交叉验证法，基于误差平方加和选择最优K值；
[0016]进一步的，所述的数据预处理为：以钢坯作为载体，基于钢坯编号进行数据集成，生成钢坯样本，将剔除缺失值、异常值之后的样本作为钢坯样本集。
[0017]本专利技术可以通过可以钢坯温度在线预测方法，在连铸出坯之前，通过预测分类，将温度达不到直轧要求的钢坯热送或下线，避免轧机入口位置物流堵塞，影响直轧生产节奏，降低轧钢产能，有效提高直轧率和轧钢产能，显著降低项目建设的投资成本和运营风险。该方法可以提高铸轧界面的智能化和绿色化水平，推动我国钢铁行业绿色低碳转型升级。
附图说明
[0018]图1为本专利技术实施例的结构示意图。
具体实施方式
[0019]下面结合附图对本专利技术实施例进行详细描述。
[0020]在本专利技术的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0021]术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0022]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0023]本专利技术的一实施例，应用于某钢铁企业棒线材生产线，主体设备包括1台8机8流方坯连铸机，主要生产170mm
×
170mm的方坯，常态拉速3.5～4.5m/min；1条棒线材轧线，主要生产螺纹钢产品，要求开轧温度≥960℃；衔接区使用并轨弯辊道，通过转辙器控制铸坯行进路径，进行直轧、热送或下线。步骤如下：
[0024]步骤一：数据采集，从炼钢MES、连铸二级系统、衔接区一级系统、高温计、轧钢MES 等采集如下数据，包括钢种、规格，连铸出坯温度、轧机入口钢坯温度、钢坯开轧温度，铸轧界面环境温度，各段辊道运行速度等，形成历史数据；
[0025]步骤二：数据预处理，以钢坯作为载体，基于钢坯编号进行数据集成，生成钢坯样本，将剔除缺失值、异常值之后的样本，作为钢坯样本集；
[0026]步骤三：样本分类，根据轧机入口钢坯温度与钢坯开轧温度，将样本分为异常样本和正常样本，其中正常样本数量和异常样本数量均不低于50；其中，如果轧机入口钢坯温度小于钢坯开轧温度，记为异常样本，类别标签设置为1；轧机入口钢坯温度大于等于轧钢开
轧温度，记为正常样本，类别标签设置为
‑
1；
[0027]步骤四：使用K近邻算法进行分类预测，通过交叉验证法，基于误差平方加和最小选择最优K值；本实施例中K＝5；
[0028]步骤五：将连铸升降挡板出坯的钢坯作为实时钢坯样本，计算实时钢坯样本与样本集中所有钢坯样本之间的欧氏距离，并将其从小到大排序，选取前K个样本；如果前K个样本中有一半及以上样本的类别标签为1，则将实时钢坯样本的类别标签赋值为1，即为异常样本；否则将实时钢坯样本的类别标签赋值为
‑
1，即为正常样本；
[0029]步骤六：对于异常样本，发出预警信号，将该钢坯热送或下线；对于正常样本，发出直轧信号，将该钢坯送去直轧。
[0030]使用上述K近邻算法，当K＝5时，预测分类结果表明，准确率达到92％以上，直轧率达到95％，提高了约10％，改善了钢坯温度不合格导致的轧钢产能下降。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K近邻算法的钢坯温度在线预测方法，其特征在于，所述的方法包括以下步骤：步骤一：采集历史数据，所述的历史数据至少包括钢种、规格，轧机入口钢坯温度、钢坯开轧温度；步骤二：将采集历史数据预处理生成钢坯样本集；步骤三：样本分类，根据轧机入口钢坯温度与钢坯开轧温度，将样本分为异常样本和正常样本；其中，如果轧机入口钢坯温度小于钢坯开轧温度，记为异常样本，类别标签设置为1；轧机入口钢坯温度大于等于轧钢开轧温度，记为正常样本，类别标签设置为
‑
1；步骤四：使用K近邻算法进行分类预测，通过交叉验证法选择最优K值；步骤五：将即将从连铸升降挡板出坯的钢坯作为实时钢坯样本，计算实时钢坯样本与样本集中所有钢坯样本之间的欧氏距离，并将其从小到大排序，选取前K个样本；如果前K个样本中有一半及以上样本的类别标签为1，则将实时钢坯样本的类别标签赋值为1，即为异常样本；否则将实时钢坯样本的类别标签赋值为
‑
1，即为正常样本；步骤六：将正常样本的钢坯送去直轧。2.根据权利要求1所述的...

【专利技术属性】
技术研发人员：赵贵州，方实年，蒲春雷，高心宇，洪宇杰，俞洋，王来信，
申请(专利权)人：中冶华天工程技术有限公司，
类型：发明
国别省市：