一种基于相关性分析的连铸混浇坯成分预测的方法技术

一种基于相关性分析的连铸混浇坯成分预测的方法，属于冶金行业连铸方法技术领域。其技术方案是：进行中包流场数值模拟，并利用生产现场的铸坯取样检测结果对该数值模拟进行指导修正；将拉速、中包重量、铸坯宽度、铸坯厚度和成分混合比率五个参数变量作为CEEMD的输入参数，并根据相关系数筛选出与原始数据相关性最高的两组IMF分量进行求和得到新的数据，将求和后的每个变量数据作为SVM的输入数据集对生产数据中浇生产过程成分变化曲线进行预测。本发明专利技术能够提供基于大数据和机器学习技术的人工智能模型，对整个异钢种混浇过程成分实时变化情况，进行混浇坯定尺切割，为异钢种混浇工艺过程有效地为炼钢厂提供高准确性和效率的决策支持。率的决策支持。率的决策支持。

【技术实现步骤摘要】
一种基于相关性分析的连铸混浇坯成分预测的方法


[0001]本专利技术涉及一种基于相关性分析的的连铸机混浇坯成分预测的方法，属于冶金行业连铸方法


技术介绍

[0002]连铸机混浇坯是钢铁制造中常用的工艺之一，它可以通过在连铸机上同时浇铸两种或多种不同成分的钢水，扩大产品范围,以获得特定的成分和性能要求。异钢种混浇可以最大限度地利用钢水，降低废钢产生，提高生产效率，减少成本。但是异钢种混浇可能会导致钢材质量问题，例如气孔、裂纹、结晶器堵塞等。因此，预测异钢种混浇的可能性可以帮助炼钢厂提前采取相应措施，以减少不良影响和提高钢材质量。
[0003]在异钢种混浇过程中需要考虑钢液的互不混溶性，以及不同材质的热力学特性和冷却特性等问题。为了确保产品质量和生产效率，需要进行合理的混浇比例和浇注顺序的控制。传统的预测方法通常基于统计学和经验公式，但是这些方法存在精度低、实时性差、易受干扰等问题。随着大数据和机器学习技术的快速发展，应用这些技术来解决钢铁行业的问题已经成为了一种趋势。传统的生产方式中，许多决策都是基于人的经验和感觉，而且预测精度有限。而现在，通过利用大数据和机器学习技术，可以有效地为炼钢厂提供高准确性和效率的决策支持和风险管理，为钢铁行业的可持续发展做出贡献。

技术实现思路

[0004]本专利技术目的是提供一种基于相关性分析的连铸混浇坯成分预测的方法，对模拟数据和采集的生产数据进行数据预处理，历史数据训练模型和成分预测模型采用SVM模型，通过对训练数据集及进行训练得到的模型预测整个混浇过程时间段内成分混合的变化过程，能够提供基于大数据和机器学习技术的人工智能模型，对整个异钢种混浇过程中成分实时变化情况，进行混浇坯定尺切割，为异钢种混浇工艺过程有效地为炼钢厂提供高准确性和效率的决策支持，有效地解决了
技术介绍
中存在的上述问题。
[0005]本专利技术的技术方案是：一种基于相关性分析的连铸混浇坯成分预测的方法，包含以下步骤：
[0006]S1、搭建数据采集系统，以混浇构成后一包钢水开浇为开始时间点，以连铸浇注长度为混浇铸坯实际切割的尾部位置时为结束时间点对应的时间，采集模糊神经网络的输入样本数据；
[0007]S2、记录连铸机混浇生产前后的包钢水成分；
[0008]S3、对混浇生产的混浇铸坯尾部的实际切割处取样化验成分；
[0009]S4、进行中包流场的数值模拟，并记录相关样本数据，对其进行分类且标记标签，建立训练样本；
[0010]S5、将每一次生产现场的混浇生产过程的拉速、中包重量、铸坯宽度、铸坯厚度和成分混合比率作为一组新数据归入到训练样本中；
[0011]S6、对混浇模拟过程与生产现场的实际数据进行截取；
[0012]S7、为了使数据集中每一段数据维度相同，对数据进行边缘填充；
[0013]S8、分别对拉速、中包重量、铸坯宽度、铸坯厚度和成分混合比率的训练数据进行cemmd分解，得到IMF分量；利用相关系数对每种变量的IMF分量进行相关性分析，筛选出原原始数据相关性最高的两组IMF变量进行求和，得到去除干扰后的重组数据，建立训练数据集；
[0014]S9、采用训练样本数据集对SVM进行训练，通过对比不同的核函数下训练误差的大小选择最优核函数，当损失函数不再下降时停止训练并保存模型，用于后续实际生产中混浇成分的实时预测。
[0015]所述步骤S1中，以每10s的频率采集模糊神经网络的输入样本数据，其中包括四种样本数据，拉速、中包重量、铸坯宽度和铸坯厚度。
[0016]所述步骤S3中，取一个能够代表前后炉成分混合变化情况的元素作为标准元素，计算成分的混合比率R＝(F
mix
‑
F
old
)(F
new
‑
F
old
)，其中R为前后包钢水的混合比率；F
mix
为标准元素在混浇坯上取样的化验成分，单位为％；F
old
为标准元素在前一包钢水的成分，单位为％；F
new
为标准元素在后一包钢水的成分，单位为％。
[0017]所述标准元素是通过以下方法选出，分别计算C、Si、Mn、Cr、Mo、Nb、V和Ti这些元素在前后包钢水中成分较大值与成分较小值的比值，比值最大的元素选取为标准元素。
[0018]所述步骤S4中，选取较常发生的30种连铸混浇典型工艺过程进行中包流场的数值模拟；数值模拟采用该工艺过程下的实际工况参数、中间包结构及钢水物性参数建立数值模拟模型，采用瞬态分析计算混浇过程中的流动场和对应的成分混合分布情况。
[0019]所述步骤S6中，截取的起始时间为混浇开始时间，截取的终止时间为混浇开始后的60s、70s、80s
……
直至该工艺条件下铸坯实际取样位置的坯壳生成时间。
[0020]所述步骤S7中，设：训练数据集中五种参数的每一段数据按数据长度从小到大依次为x
j，1
，x
j，2
…
x
j，i
，i＝1，2
…
n，j＝1，2
…
，5，其他数据的数据长度为l
j1
，l
j2
…
l
ji
。更新后的数据为y
j1
，y
j2
…
y
ji
即：
[0021]1.y
j，1
：对截取x
j，2
到x
j，i
中每一段数据的(l
j，2
‑
l
j，1
)长度的数据求平均值，得到的数据段为y1的(l
j，2
‑
l
j，1
)长度的数据，依此类推，一直更新到(l
j，i
‑
l
j，(i
‑
1)
)长度；
[0022]2.y
j，2
：对截取x3到x
i
中每一段数据的(l
j，3
‑
l
j，2
)长度的数据求平均值，得到的数据段为y
j，2
的(l
j，3
‑
l
j，2
)长度的数据，依此类推，一直更新到(l
j，i
‑
l
j，(i
‑
1)
)长度；
[0023]3.y
j，(i
‑
1)
：对截取到x
j，i
中每一段数据的(l
j，i
‑
l
j，(i
‑
1)
)长度的数据求平均值，得到的数据段为y
j，(i
‑
1)
的(l
j，i
‑
l
j，(i
‑
1)...

【技术保护点】

【技术特征摘要】
1.一种基于相关性分析的连铸混浇坯成分预测的方法，其特征在于包含以下步骤：S1、搭建数据采集系统，以混浇构成后一包钢水开浇为开始时间点，以连铸浇注长度为混浇铸坯实际切割的尾部位置时为结束时间点对应的时间，采集模糊神经网络的输入样本数据；S2、记录连铸机混浇生产前后的包钢水成分；S3、对混浇生产的混浇铸坯尾部的实际切割处取样化验成分；S4、进行中包流场的数值模拟，并记录相关样本数据，对其进行分类且标记标签，建立训练样本；S5、将每一次生产现场的混浇生产过程的拉速、中包重量、铸坯宽度、铸坯厚度和成分混合比率作为一组新数据归入到训练样本中；S6、对混浇模拟过程与生产现场的实际数据进行截取；S7、为了使数据集中每一段数据维度相同，对数据进行边缘填充；S8、分别对拉速、中包重量、铸坯宽度、铸坯厚度和成分混合比率的训练数据进行CEEMD分解，得到IMF分量；利用相关系数对每种变量的IMF分量进行相关性分析，筛选出原原始数据相关性最高的两组IMF变量进行求和，得到去除干扰后的重组数据，建立训练数据集；S9、采用训练样本数据集对SVM进行训练，通过对比不同的核函数下训练误差的大小选择最优核函数，当损失函数不再下降时停止训练并保存模型，用于后续实际生产中混浇成分的实时预测。2.根据权利要求1所述的一种基于相关性分析的连铸混浇坯成分预测的方法，其特征在于：所述步骤S1中，以每10s的频率采集模糊神经网络的输入样本数据，其中包括四种样本数据，拉速、中包重量、铸坯宽度和铸坯厚度。3.根据权利要求1所述的一种基于相关性分析的连铸混浇坯成分预测的方法，其特征在于：所述步骤S3中，取一个能够代表前后炉成分混合变化情况的元素作为标准元素，计算成分的混合比率R＝(F
mix
‑
F
old
)/(F
new
‑
F
old
)，其中R为前后包钢水的混合比率；F
mix
为标准元素在混浇坯上取样的化验成分，单位为％；F
old
为标准元素在前一包钢水的成分，单位为％；F
new
为标准元素在后一包钢水的成分，单位为％。4.根据权利要求3所述的一种基于相关性分析的连铸混浇坯成分预测的方法，其特征在于：所述标准元素是通过以下方法选出，分别计算C、Si、Mn、Cr、Mo、Nb、V和Ti这些元素在前后包钢水中成分较大值与成分较小值的比值，比值最大的元素选取为标准元素。5.根据权利要求1所述的一种基于相关性分析的连铸混浇坯成分预测的方法，其特征在于：所述步骤S4中，选取较常发生的30种连铸混浇典型工艺过程进行中包流场的数值模拟；数值模拟采用该工艺过程下的实际工况参数、中间包结构及钢水物性参数建立数值模拟模型，采用瞬态分析计算混浇过程中的流动场和对应的成分混合分布情况。6.根据权利要求1所述的...

【专利技术属性】
技术研发人员：张庆宇，高宇，曹金帅，张彩东，李杰，田志强，张瑞忠，张飞，李双江，
申请(专利权)人：河钢集团有限公司河钢股份有限公司，
类型：发明
国别省市：