本申请提供了一种钢水温度预测方法及装置，其中，该方法包括：确定历史真空脱气处理对应的多个历史数据组中每个历史数据组包含出站钢水温度和生产数据；将每个历史数据组的生产数据作为样本，将该历史数据组的出站钢水温度作为标签，训练机器学习模型；将当前真空脱气处理对应的生产数据输入至机器学习模型，得到机器学习模型输出的预测钢水温度。通过训练机器学习模型，将当前真空脱气处理对应的生产数据输入至机器学习模型，得到机器学习模型输出的预测钢水温度，解决了现有技术中导致预测钢水温度的准确率较低的问题，达到了提高准确率的效果。率的效果。率的效果。
【技术实现步骤摘要】
一种钢水温度预测方法及装置
[0001]本申请涉及温度预测
，尤其涉及一种钢水温度预测方法及装置。
技术介绍
[0002]在进行炉外精炼后，钢包进入连铸处理，为了达到连铸工艺的温度要求，通常需要炉外精炼环节将钢水温度控制在一定范围内。温度过低，则不能满足下一工艺的温度要求，需要进行加热处理，否则可能会导致安全事故；温度过高，则需要进行降温处理，但会增加能源成本。因此，需要对炉外精炼环节的钢水温度进行精准调控。
[0003]炉外精炼工艺中，钢水经历了复杂的物理或化学变化，这些变化会对钢水温度产生影响。目前，钢铁厂依靠操作员工的经验来预估VD(Vacuum Degassing，真空脱气)工艺后钢水的温度，影响钢水温度预测的准确率。或者利用数学控制方程或热平衡理论建立热传导模型来预测在某个具体物理对象(如钢包)中的钢水温度变化，注重将现实问题提炼成准确的数学表达。但实际工艺过程复杂，发生了大量化学及物理变化，因此热传导模型的计算过程作出了大量假设和简化，从而影响钢水温度预测的准确率。
技术实现思路
[0004]有鉴于此，本申请的目的在于至少提供一种钢水温度预测方法及装置，通过依据历史真空脱气处理对应的多个历史数据组训练机器学习模型，将当前真空脱气处理的生产数据输入至训练好的机器学习模型，得到机器学习模型输出的预测钢水温度，解决了现有技术中通过人为经验预测或者热传导模型来预测钢水温度而导致预测的准确率较低的技术问题，达到了提高预测的准确率的技术效果。
[0005]本申请主要包括以下几个方面：
[0006]第一方面，本申请实施例提供一种钢水温度预测方法，所述钢水温度预测方法包括：确定历史真空脱气处理对应的多个历史数据组，所述多个历史数据组中每个历史数据组包含出站钢水温度和生产数据；将所述每个历史数据组的生产数据作为样本，将该历史数据组的出站钢水温度作为标签，训练机器学习模型；将当前真空脱气处理对应的生产数据输入至所述机器学习模型，得到所述机器学习模型输出的预测钢水温度。
[0007]可选地，所述确定历史真空脱气处理对应的多个历史数据组，包括：确定历史真空脱气处理对应的多个数据组；对所述多个数据组进行数据清洗，得到清洗后的多个清洗数据组；对所述多个清洗数据组中每个清洗数据组进行归一化处理，得到多个历史数据组。
[0008]可选地，通过以下步骤训练机器学习模型，包括：通过网格搜索法确定机器学习模型的超参数；确定当前迭代次数是否大于预设迭代次数；若当前迭代次数大于预设迭代次数，则将上一次迭代对应的机器学习模型作为训练完成的机器学习模型；若当前迭代次数小于或者等于预设迭代次数，依据所述超参数和新增一棵CART决策树的目标函数，构建当前迭代对应的机器学习模型。
[0009]可选地，所述依据所述超参数和新增一棵CART决策树的目标函数，构建当前迭代
对应的机器学习模型之后，所述方法还包括：计算当前迭代对应的机器学习模型的目标函数值；确定所述目标函数值是否小于上一次迭代对应的目标函数值；若所述目标函数值大于或者等于上一次迭代对应的目标函数值，则将上一次迭代对应的机器学习模型作为训练完成的机器学习模型；若所述目标函数值小于上一次迭代对应的目标函数值，则计算当前迭代对应的机器学习模型的损失函数值；依据所述损失函数值确定当前迭代对应的机器学习模型中每棵CART决策树的权重以及每棵CART决策树的叶节点权重，并将迭代次数加一，重新返回所述确定当前迭代次数是否大于预设迭代次数继续执行，直至得到训练完成的机器学习模型。
[0010]可选地，所述超参数包括：预设迭代次数、控制每个叶节点的最小损失函数减少值、正则化项的权重；
[0011]通过以下公式计算当前迭代对应的机器学习模型的目标函数值：
[0012][0013][0014]上述公式中，Obj为当前迭代对应的机器学习模型的目标函数值，N为训练样本的数量；y
i
为第i个训练样本对应的标签值；为第i个样本通过当前迭代对应的机器学习模型得到的预测值；是当前迭代对应的机器学习模型的损失函数；Ω(f
k
)为第k棵CART决策树的复杂度，是当前迭代对应的机器学习模型的正则化项；K指的是当前迭代对应的机器学习模型的CART决策树的数量；
[0015]其中，T
k
为第k棵CART决策树的叶节点总数；γ为控制每个叶节点的最小损失函数减少值；λ为正则化项的权重；ω
j
为CART决策树的第j个叶节点的权重。
[0016]可选地，通过以下公式计算每棵CART决策树的目标函数：
[0017][0018]上述公式中，Obj
k
为第k棵树的CART决策树的目标函数；G
j
为第j个叶节点对应的所有训练样本的一阶偏导累加和；H
j
为第j个叶节点对应的所有训练样本的二阶偏导累加和。
[0019]可选地，所述生产数据包括：钢包容量、钢水成分及含量、钢包类型、脱氧剂类型及用量、钢水重量、钢包加热时长、脱硫剂类型及用量、吹氩时长、吹氩耗电量、合金类型及用量、氩气用量、钢水制造指标。
[0020]第二方面，本申请实施例还提供一种钢水温度预测装置，所述钢水温度预测装置包括：确定模块，用于确定历史真空脱气处理对应的多个历史数据组，所述多个历史数据组中每个历史数据组包含出站钢水温度和生产数据；训练模块，用于将所述每个历史数据组的生产数据作为样本，将该历史数据组的出站钢水温度作为标签，训练机器学习模型；预测模块，用于将当前真空脱气处理对应的生产数据输入至所述机器学习模型，得到所述机器
学习模型输出的预测钢水温度。
[0021]第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的钢水温度预测方法的步骤。
[0022]第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的钢水温度预测方法的步骤。
[0023]本申请实施例提供的一种钢水温度预测方法及装置，方法包括：确定历史真空脱气处理对应的多个历史数据组，所述多个历史数据组中每个历史数据组包含出站钢水温度和生产数据；将所述每个历史数据组的生产数据作为样本，将该历史数据组的出站钢水温度作为标签，训练机器学习模型；将当前真空脱气处理对应的生产数据输入至所述机器学习模型，得到所述机器学习模型输出的预测钢水温度。通过依据历史真空脱气处理对应的多个历史数据组训练机器学习模型，将当前真空脱气处理对应的生产数据输入至训练好的机器学习模型，得到机器学习模型输出的预测钢水温度，解决了现有技术中通过人为经验预测或者热传导模本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种钢水温度预测方法，其特征在于，所述方法包括：确定历史真空脱气处理对应的多个历史数据组，所述多个历史数据组中每个历史数据组包含出站钢水温度和生产数据；将所述每个历史数据组的生产数据作为样本，将该历史数据组的出站钢水温度作为标签，训练机器学习模型；将当前真空脱气处理对应的生产数据输入至所述机器学习模型，得到所述机器学习模型输出的预测钢水温度。2.根据权利要求1所述的方法，其特征在于，所述确定历史真空脱气处理对应的多个历史数据组，包括：确定历史真空脱气处理对应的多个数据组；对所述多个数据组进行数据清洗，得到清洗后的多个清洗数据组；对所述多个清洗数据组中每个清洗数据组进行归一化处理，得到多个历史数据组。3.根据权利要求1所述的方法，其特征在于，通过以下步骤训练机器学习模型，包括：通过网格搜索法确定机器学习模型的超参数；确定当前迭代次数是否大于预设迭代次数；若当前迭代次数大于预设迭代次数，则将上一次迭代对应的机器学习模型作为训练完成的机器学习模型；若当前迭代次数小于或者等于预设迭代次数，依据所述超参数和新增一棵CART决策树的目标函数，构建当前迭代对应的机器学习模型。4.根据权利要求3所述的方法，其特征在于，所述依据所述超参数和新增一棵CART决策树的目标函数，构建当前迭代对应的机器学习模型之后，所述方法还包括：计算当前迭代对应的机器学习模型的目标函数值；确定所述目标函数值是否小于上一次迭代对应的目标函数值；若所述目标函数值大于或者等于上一次迭代对应的目标函数值，则将上一次迭代对应的机器学习模型作为训练完成的机器学习模型；若所述目标函数值小于上一次迭代对应的目标函数值，则计算当前迭代对应的机器学习模型的损失函数值；依据所述损失函数值确定当前迭代对应的机器学习模型中每棵CART决策树的权重以及每棵CART决策树的叶节点权重，并将迭代次数加一，重新返回所述确定当前迭代次数是否大于预设迭代次数继续执行，直至得到训练完成的机器学习模型。5.根据权利要求4所述的方法，其特征在于，所述超参数包括：预设迭代次数、控制每个叶节点的最小损失函数减少值、正则化项的权重；通过以下公式计算当前迭代对应的机器学习模型的目标函数值：
上述公式中，Obj为当前迭代对应的机器学习模型的目标函数值，N为训练样本的数量；...
【专利技术属性】
技术研发人员：刘明月，吉孟扬，冯元崴，段小刚，罗乐，张晶丽，方向，
申请(专利权)人：鉴微数字科技重庆有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。