一种用于LF精炼炉钢水温度预测的误差修正方法及系统技术方案

本发明专利技术公开了一种用于LF精炼炉钢水温度预测的误差修正方法及系统，包括：基于单隐含层的反向传播神经网络模型，通过采集获取影响LF精炼钢水温度的因素对应的第一冶炼数据作为数据集，对模型进行训练，构建LF炉精炼钢水温度预测模型；通过采集当前新炉次的第二冶炼数据，依据预测模型，获取当前的初始钢水温度预测值；根据第二冶炼数据与第一冶炼数据的相似度，获取与当前新炉次近似的历史炉次对应的第一冶炼数据的钢水温度预测值，通过与钢水温度真实值进行对比，获取预测误差，对初始钢水温度预测值进行修正；本发明专利技术将案例推理方法增量式学习的优势与其他人工智能算法拟合非线性关系的优势相结合，从而提升了模型预测精度。度。度。

【技术实现步骤摘要】
一种用于LF精炼炉钢水温度预测的误差修正方法及系统


[0001]本专利技术涉及智能冶炼工艺及设备领域，具体而言，涉及一种用于LF精炼炉钢水温度预测的误差修正方法及系统。

技术介绍

[0002]LF精炼是钢铁生产过程中一种重要且常用的钢水精炼方法。LF精炼的目标是使钢水的温度和成分满足连铸工艺要求，协调炼钢
‑
连铸生产节奏，提高生产效率和产品质量。但是受限于现场工作条件及测量仪器的局限性，精炼过程中不能实现对钢水温度连续、及时的测量，现场操作人员无法及时准确的获知在炼钢水的温度信息，进而难以实现对温度的精确控制。目前精炼过程中需要多次断电离线地测温，期间难免伴随着热量散失，这部分温降又额外增加了电耗，也相应增大了炉前操作人员的劳动强度。因此，进行LF精炼炉钢水温度预测模型的研究和开发，对于提高LF精炼控制水平、稳定钢铁企业产品质量、降低生产成本具有重要意义。目前，针对LF钢水温度的预测模型主要可分为这几类：机理模型、数据驱动模型以及混合模型。
[0003]机理模型主要是依据能量守恒定律、热力学、动力学等推导出的过程模型。例如，武拥军以整体热平衡方法对LF钢水温度预报模型作了研究。他利用能量守恒定律，将钢水和炉渣为研究对象，分析了精炼过程中的热量收支，推导出了钢水升温速率模型。对于模型中钢包壁与钢包底的传热机制，他分别了建立柱坐标和直角坐标系下的一维非稳态导热微分方程，并用有限差分法来求解。但是实际精炼过程中影响钢水温度的因素很多，它们之间存在复杂的非线性关系，建立完整机理模型的难度巨大。所以机理模型中会引入很多的简化和假设，因而牺牲了模型的精度。
[0004]数据驱动模型往往基于人工智能算法的对历史冶炼数据进行处理，确定输入和输出项后，利用算法求解出各输入参数与钢水温度之间的复杂关系。例如，田慧欣等人采用反向传播神经网络、极限学习机等算法，结合集成学习的原理，应用改进的自适应增强算法集成多个子模型实现LF钢水温度预测。数据驱动模型的精度很大程度上取决于模型训练集与实际冶炼数据分布的相似性，但是由于LF精炼过程中涉及大量复杂的物理和化学反应，且不同炉次间的工艺参数不同，模型训练集与实际冶炼数据间难免存在差异。因此，数据驱动模型应用于新炉次时，难免会因为模型无法适应这种差异而导致性能下降。
[0005]混合模型是一种结合多个机理模型和数据驱动模型而构成的模型。例如，何飞等人在预测炼钢过程钢水温度时，考虑了钢包热状态对钢水温度的影响。他们建立了钢包热跟踪模型计算钢包在整个炼钢过程中的热量损失，将反向传播神经网络模型预测的温度与钢包热状态补偿温度相结合，得到预测的钢水温度混合模型。但是无论采用何种混合结构，也只有其中的机理模型和数据驱动模型足够准确时混合模型的性能才能得到了保障。
[0006]现有技术中，为提升数据驱动模型的精度，有一些学者提出模型在线训练方法，在模型应用过程中遇到新数据时，使用在时间上或数据空间上与新数据接近的数据重新训练模型，以便适应新的应用场景。例如谷茂强等为实现对转炉二吹阶段钢水温度的动态预测，
在历史案例库中找出与新案例相似的案例，利用相似案例二吹阶段的工艺参数建立长短期记忆神经网络模型，以此来预测新案例二吹阶段的钢水温度变化。但是重新训练模型往往受到训练时间、训练数据量、模型结构以及模型参数等条件的约束，不利于实际应用。
[0007]也有一些学者提出误差修正方法，在预测模型之后，建立误差修正模型预测前者在预测过程中产生的误差，对模型预测的结果进行修正。例如Xu等人为提高对风力发电厂风速的预测精度，在天气预报模型(The Weather Research and Forecasting Model)基础上应用了误差修正方法。用与风速相关的特征以及天气预报模型的历史预测误差建立长短期记忆神经网络，对天气预报模型进行误差修正。但是现有误差修正模型仍是基于历史数据训练的，在应用时仍然会面临因模型训练集与实际数据间的差异而导致模型性能的下降。
[0008]综上，解决预测模型因训练数据与实际数据间存在差异而导致的模型精度下降是提高模型预测精度的关键。同时，遇到新数据时避免重新训练有助于模型的实际应用。

技术实现思路

[0009]鉴于现有技术中所存在的问题，为了克服预测模型在实际应用时因实际数据与模型训练数据存在分布差异而造成的精度下降，并避免模型的重复训练，本专利技术的目的是基于案例推理的误差修正方法(EC_CBR)，提供一种用于LF炉精炼钢水温度预测模型精度提升的方法，用历史炉次中与当前新炉次相似的炉次在预测模型上的误差计算新炉次的误差，并以此修正新炉次在预测模型上的预测值。
[0010]为了实现上述技术目的，本申请提供了一种用于LF精炼炉钢水温度预测的误差修正方法，包括以下步骤：
[0011]构建基于单隐含层的反向传播神经网络模型；
[0012]采集LF精炼炉的历史冶炼数据，获取影响LF精炼钢水温度的因素对应的第一冶炼数据作为数据集，对模型进行训练，构建用于预测LF精炼钢水温度的LF炉精炼钢水温度预测模型；
[0013]基于LF炉精炼钢水温度预测模型，通过采集当前新炉次的第二冶炼数据，获取当前新炉次的初始钢水温度预测值；
[0014]根据第二冶炼数据与第一冶炼数据的相似度，获取与当前新炉次相似的历史炉次对应的第一冶炼数据对应的钢水温度预测值，通过与历史炉次的钢水温度真实值进行对比，获取预测误差，对初始钢水温度预测值进行修正，生成当前新炉次的钢水温度预测值。
[0015]优选地，在获取第一冶炼数据的过程中，基于LF工序的冶炼操作流程，通过精炼过程能量平衡分析，获取LF精炼钢水温度的影响因素对应的第一冶炼数据。
[0016]优选地，在构建数据集的过程中，对第一冶炼数据进行预处理后，构建数据集，其中，预处理的过程包括：删除空白值、删除异常值和数据归一化处理。
[0017]优选地，在获取相似度的过程中，根据欧式距离相似度来度量第二冶炼数据与第一冶炼数据的相似度；
[0018]相似度表示为：
[0019][0020][0021]其中，d(X
i
，X
k
)表示欧式距离，S
k
表示相似度，m为影响因素的个数，x
ij
和x
kj
分别表示新炉次数据和历史炉次的第j个影响因素，w
j
表示第j个影响因素的权重。
[0022]优选地，在获取相似度的过程中，通过灰狼优化算法，获取第j个影响因素的权重w
j
，并获取历史炉次的个数；
[0023]根据个数，获取若干个历史炉次的预测误差，通过加权平均法，获取初始钢水温度预测值的误差，对初始钢水温度预测值进行修正，生成当前新炉次的钢水温度预测值；
[0024]依据第二冶炼数据对应的当前新炉次的钢水温度预测值，对数据集进行更新。
[0025]优选地，在使用灰狼优化算法的过程中，灰狼算法优化过程符合如下约束：...

【技术保护点】

【技术特征摘要】
1.一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于，包括以下步骤：构建基于单隐含层的反向传播神经网络模型；采集LF精炼炉的历史冶炼数据，获取影响LF精炼钢水温度的因素对应的第一冶炼数据作为数据集，对模型进行训练，构建用于预测LF精炼钢水温度的LF炉精炼钢水温度预测模型；基于所述LF炉精炼钢水温度预测模型，通过采集当前新炉次的第二冶炼数据，获取所述当前新炉次的初始钢水温度预测值；根据所述第二冶炼数据与所述第一冶炼数据的相似度，获取与所述当前新炉次相似的历史炉次对应的所述第一冶炼数据对应的钢水温度预测值，通过与所述历史炉次的钢水温度真实值进行对比，获取预测误差，对所述初始钢水温度预测值进行修正，生成所述当前新炉次的钢水温度预测值。2.根据权利要求1所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：在获取第一冶炼数据的过程中，基于LF工序的冶炼操作流程，通过精炼过程能量平衡分析，获取LF精炼钢水温度的影响因素对应的所述第一冶炼数据。3.根据权利要求2所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：在构建数据集的过程中，对所述第一冶炼数据进行预处理后，构建所述数据集，其中，预处理的过程包括：删除空白值、删除异常值和数据归一化处理。4.根据权利要求3所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：在获取相似度的过程中，根据欧式距离相似度来度量所述第二冶炼数据与所述第一冶炼数据的所述相似度；所述相似度表示为：所述相似度表示为：其中，d(X
i
，X
k
)表示欧式距离，S
k
表示相似度，m为影响因素的个数，x
ij
和x
kj
分别表示新炉次数据和历史炉次的第j个影响因素,w
j
表示第j个影响因素的权重。5.根据权利要求4所述一种用于LF精炼炉钢水温度预测的误差修正方法，其特征在于：在获取相似度的过程中，通过灰狼优化算法，获取第j个影响因素的权重w
j
，并获取所述历史炉次的个数；根据所述个数，获取若干个所述历史炉次的所述预测误差，通过加...

【专利技术属性】
技术研发人员：贺东风，宋成伟，冯凯，郭园征，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：