一种转炉吹炼终点预报方法技术

本公开实施例中提供了一种转炉吹炼终点预报方法，属于数据处理技术领域，具体包括：在造渣期和造铜期选取多个影响因素形成原始数据；对原始数据进行因子分析降维，得到公因子矩阵；利用人工蜂群算法进行迭代，确定正则化极限学习机结构；生成预报值；利用基于关联性的特征选择算法对原始数据进行特征选择，得到最优特征子集，以及，计算原始数据中所有特征的Gini系数；将Gini系数缩小k倍；根据缩小k倍后的Gini系数构造CART决策树并据此获得不同送风流量的不同终点预报时间的校准值；采用对应时间点的校准值对上一预报时刻的预报值进行动态校正。通过本公开的方案，提高了适应性和预测精准度。和预测精准度。和预测精准度。

【技术实现步骤摘要】
一种转炉吹炼终点预报方法


[0001]本公开实施例涉及数据处理
，尤其涉及一种转炉吹炼终点预报方法。

技术介绍

[0002]目前，铜转炉吹炼是铜冶炼过程中制取粗铜的重要工序，准确的转炉熔炼周期是保证粗铜产量和质量的重要前提。转炉吹炼是从上一工序闪速炉熔炼生成的冰铜(主要成分为Cu2S和FeS)中提取粗铜的冶炼工艺，是一项间歇式的周期工作。由于Cu2S和FeS的氧化热力学差异导致冰铜中的FeS会优先氧化，与加入转炉的石英溶剂反应产出炉渣，待FeS氧化殆尽Cu2S才开始氧化最终产出粗铜，因此该工艺被分为造渣期(S期)和造铜期(B期)两个阶段，其中造渣期往往又被细分成S1期和S2期。
[0003]在吹炼的第一个阶段，即造渣阶段，空气或富氧空气从风口进入炉内，与冰铜中的FeS发生强烈氧化反应，生成FeO和SO2气体，随后，FeO与添加的溶剂(主要成分为SiO2)反应造渣。在造渣期，冰铜与溶剂是分批加入，逐渐富集，并分阶段多次暂停送风。由于冰铜和炉渣密度不同、相互溶解度较低，转炉内熔体分为上下两层，随着吹炼的进行，炉渣被定期倒出。当冰铜中的Cu含量超过75％、Fe含量低于1％时，造渣期结束，此时的冰铜被称为白冰铜(主要以Cu2S形式存在)。
[0004]造渣期结束后，转炉中不再添加冰铜和溶剂，留在炉内的白冰铜继续与鼓入空气中的氧发生反应，即进入吹炼的第二个阶段，即造铜期。在这个阶段，部分Cu2S氧化生成Cu2O和SO2气体，Cu2O再与未氧化的Cu2S反应获得产出粗铜，直至粗铜中的含铜量超过98.5％以上结束。
[0005]在转炉吹炼过程，判断造渣期和造铜期吹炼的终点时间是直接决定粗铜品质与后续工序效率的关键。过早的结束造渣期，冰铜中的FeS没有去除干净，容易在造铜期引起喷炉事故，不仅会耽误造铜期的吹炼时间，影响生产质量，还容易堵塞风口；过晚的结束造渣期，会使FeO进一步发生氧化反应生成Fe3O4使炉渣粘在转炉炉壁内，同时CU2S开始氧化，产生大量的SO2造成炉渣喷出。过早的结束造铜期，会使粗铜中S没有去除干净，从而降低粗铜品质，增加后续加工的难度；过晚的结束造渣期，会使白冰铜过度氧化，生成Cu2O降低粗铜的品质。并且在转炉吹炼过程中需根据实际情况调整送风流量工作环境，然而传统的端点预测方法将送风量视为一个常数，导致在终点预测过程中会出现严重错误。
[0006]可见，亟需一种适应性和预测精准度高的转炉吹炼终点预报方法。

技术实现思路

[0007]有鉴于此，本公开实施例提供一种转炉吹炼终点预报方法，至少部分解决现有技术中存在适应性和预测精准度较差的问题。
[0008]本公开实施例提供了一种转炉吹炼终点预报方法，包括：
[0009]步骤1，在造渣期和造铜期选取多个影响因素形成原始数据；
[0010]步骤2，对所述原始数据进行因子分析降维，得到公因子矩阵；
[0011]步骤3，以所述公因子矩阵为输入，造渣期和造铜期内生产样本为输出，利用人工蜂群算法进行迭代，确定正则化极限学习机结构；
[0012]步骤4，根据所述正则化极限学习机结构建立混合正则化极限学习机进行训练，生成预报值；
[0013]步骤5，利用基于关联性的特征选择算法对所述原始数据进行特征选择，得到最优特征子集，以及，计算原始数据中所有特征的Gini系数；
[0014]步骤6，将所述最优特征子集中的每个特征对应的Gini系数缩小k倍；
[0015]步骤7，根据缩小k倍后的Gini系数构造CART决策树并据此获得不同送风流量的不同终点预报时间的校准值；
[0016]步骤8，在吹炼过程中，在预设的时间间隔内，采用对应时间点的校准值对上一预报时刻的预报值进行动态校正。
[0017]根据本公开实施例的一种具体实现方式，所述影响因素包括冰铜量、冰铜中Cu的品位、冰铜中Fe的品位、冰铜中S的品位、溶剂量、高铜冷料量、低铜冷料量、富氧率和送风流量。
[0018]根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
[0019]步骤3.1，侦察蜂初始化食物源，设置所述人工蜂群算法的参数；
[0020]步骤3.2，每个食物源分配一只雇佣蜂，根据搜索公式执行局部搜索，在领域产生一个新的食物源位置，并计算其适应度值，若高于原食物源位置，则原位置被新位置替代；
[0021]步骤3.3，旁观蜂根据食物源的适应度值，利用概率计算公式，通过轮盘赌机制进行概率选择，再利用所述搜索公式执行局部搜索；
[0022]步骤3.4，根据食物源停留次数，启动侦察蜂随机搜索新食物源；
[0023]步骤3.5，判断是否满足迭代终止条件，若满足，则输出最优解即目标矩阵(w
l
,b
l
)并据此确定正则化极限学习机结构，否则，转入步骤3.2继续迭代。
[0024]根据本公开实施例的一种具体实现方式，所述步骤4具体包括：
[0025]公因子矩阵作为输入，以造渣期和造铜期的结束时间作为样本数据的输出，以所述目标矩阵中的w
l
作为正则化极限学习中输入层与隐藏层中的权重向量，b
l
为偏差，建立建立混合正则化极限学习机进行训练，生成所述预报值。
[0026]根据本公开实施例的一种具体实现方式，所述步骤5中利用基于关联性的特征选择算法对所述原始数据进行特征选择，得到最优特征子集的步骤，包括：
[0027]计算所述原始数据中特征与类和特征与特征关联矩阵，以特征与类的平均相关性最大化、特征与特征的平均相关性最小化为评价准则来评估特征子集的价值，并据此来搜索得到所述最优特征子集。
[0028]本公开实施例中的转炉吹炼终点预报方案，包括：步骤1，在造渣期和造铜期选取多个影响因素形成原始数据；步骤2，对所述原始数据进行因子分析降维，得到公因子矩阵；步骤3，以所述公因子矩阵为输入，造渣期和造铜期内生产样本为输出，利用人工蜂群算法进行迭代，确定正则化极限学习机结构；步骤4，根据所述正则化极限学习机结构建立混合正则化极限学习机进行训练，生成预报值；步骤5，利用基于关联性的特征选择算法对所述原始数据进行特征选择，得到最优特征子集，以及，计算原始数据中所有特征的Gini系数；步骤6，将所述最优特征子集中的每个特征对应的Gini系数缩小k倍；步骤7，根据缩小k倍后
的Gini系数构造CART决策树并据此获得不同送风流量的不同终点预报时间的校准值；步骤8，在吹炼过程中，在预设的时间间隔内，采用对应时间点的校准值对上一预报时刻的预报值进行动态校正。
[0029]本公开实施例的有益效果为：通过本公开的方案，混合正则化极限学习机用于预测粗吹终点值，基于CFS
‑
CART的规则提取方法用于变化的提取不同送风流量下的吹风时间规律，并在送风过程中动态标定端点吹制过程，最终获得准确的吹制周期，提高了预测适应性和精准度。
附图说明
[0030]为了更清楚地说明本公开实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种转炉吹炼终点预报方法，其特征在于，包括：步骤1，在造渣期和造铜期选取多个影响因素形成原始数据；步骤2，对所述原始数据进行因子分析降维，得到公因子矩阵；步骤3，以所述公因子矩阵为输入，造渣期和造铜期内生产样本为输出，利用人工蜂群算法进行迭代，确定正则化极限学习机结构；步骤4，根据所述正则化极限学习机结构建立混合正则化极限学习机进行训练，生成预报值；步骤5，利用基于关联性的特征选择算法对所述原始数据进行特征选择，得到最优特征子集，以及，计算原始数据中所有特征的Gini系数；步骤6，将所述最优特征子集中的每个特征对应的Gini系数缩小k倍；步骤7，根据缩小k倍后的Gini系数构造CART决策树并据此获得不同送风流量的不同终点预报时间的校准值；步骤8，在吹炼过程中，在预设的时间间隔内，采用对应时间点的校准值对上一预报时刻的预报值进行动态校正。2.根据权利要求1所述的方法，其特征在于,所述影响因素包括冰铜量、冰铜中Cu的品位、冰铜中Fe的品位、冰铜中S的品位、溶剂量、高铜冷料量、低铜冷料量、富氧率和送风流量。3.根据权利要求2所述的方法，其特征在于,所述步骤3具体包括：步骤3.1，侦察蜂初始化食物源，设置所述人工蜂群算法的参数；步骤3.2，每个食物源分配一只雇佣蜂，根据搜索公式执行局部搜索，在领...

【专利技术属性】
技术研发人员：周灿，李梦婷，李勇刚，刘志强，刘敏，鄢锋，韩瑜，王凯，
申请(专利权)人：中南大学，
类型：发明
国别省市：