【技术实现步骤摘要】
一种基于贝叶斯理论的金属回收率预测方法、系统
[0001]本专利技术涉及金属回收率预测方法,具体涉及一种基于贝叶斯理论的金属回收率预测方法
、
系统
。
技术介绍
[0002]电炉热装铁水工艺系统中,实时对炉内复杂
、
波动的物料条件进行平衡计算,准确预测出其金属回收率,能有效地缩短电炉冶炼周期
、
降低能源物料消耗,达到节能降耗的目的
。
实际电炉冶炼工艺过程中,生产时不同钢种加入的合金量存在较大差异,加之炉内存在一定的留钢
、
留渣,导致电炉的出钢
、
留钢量不稳定,给金属回收率的计算带来较大干扰,进而影响后继实际出钢钢水量及热量平衡的计算
。
[0003]为消除异常数据的干扰,需要提高金属回收率预测的准确性,目前的电炉冶炼工艺主要采用传统的经验做法和人工监测与操作
。
经验做法是通过实验获得一个合理的金属回收率常值,使用固定的金属回收率来支撑电炉热装铁水工艺系统
。
在实际生产中铁水废钢比
、
铁水化学元素等影响金属回收率的因素不断变化,故使用常值无法准确表示每一炉的金属回收率,导致电炉热装铁水工艺系统无法更好地工作
。
人工监测与操作是通过采集相邻炉次的投入产出比进行计算,得到的计算结果再指导接下来的电炉热装铁水工艺系统运行
。
这种方法仍然无法适应电炉炼钢过程中不断变化及不稳定的因素
。
[00 ...
【技术保护点】
【技术特征摘要】
1.
一种基于贝叶斯理论的金属回收率预测方法,其特征在于,包括以下步骤:步骤
1、Z
‑
score
特征标准化;先获取炼炉特征数据库中所有的炼炉特征
、
每个属性列炼炉特征元素的平均值
μ
和标准差
σ
,然后通过
Z
‑
score
标准化将所有的炼炉特征转换为标准形式,得到炼炉标准化特征;步骤
2、
对于步骤1所得炼炉标准化特征,同时进行
K
‑
means++
聚类和构造
KD
树;
K
‑
means++
聚类时,先将所有炼炉特征分为
D
组,
D
为分组参数,得到每个炼炉特征所属属性的类型编号,将类型编号所代表的炼炉分类结果保存至炼炉特征数据库中对应记录的
type
属性;构造
KD
树,
KD
树每一个节点均存储炼炉标准化特征和炼炉分类结果,目的是用最小的时间复杂度寻找到离本炉标准化特征数据最近的
C
个节点;步骤
3、
基于步骤2所构造的
KD
树索引结构,输入新的炼炉特征后,先对本炉炼炉数据做标准化,并基于步骤2所构造的
KD
树索引结构,匹配到距离新的炼炉特征最近的几个节点,结合
K
‑
means++
得到的炼炉特征分类结果,对新的炼炉标准化特征做
KNN
分类,得到节点中类型数量占比最大的类型作为当前炼炉的分类数据;步骤
4、
结合步骤3所得当前炼炉分类数据
、
步骤2所得
K
‑
means++
聚类的炼炉分类结果以及炼炉特征数据库中的炼炉特征统计信息,进行贝叶斯预测估计
。2.
根据权利要求1所述的基于贝叶斯理论的金属回收率预测方法,其特征在于,步骤4贝叶斯预测估计的具体过程为:步骤
4.1、
从炼炉特征数据库中得到当前数据库中所有炼炉特征的数量记为
n
,统计得到与当前新炼炉所属类型
B
一样的所有记录数量,记为
countB
,由此可计算得到该特定炼炉类型的概率,如公式
(2)
所示:步骤
4.2、
获得当前数据库中金属回收率为
A
的记录数量为
countA
,由此计算出某种具体金属回收率
A
的概率,如公式
(3)
所示:步骤
4.3、
获取金属回收率为
A
且炼炉类型为
B
的记录数量记为
countAB
,由此计算得到某种具体回收率
A
下特定炼炉类型
B
的概率,如公式
(4)
所示:步骤
4.4、
利用公式
(5)
所示的贝叶斯方法预测估算到当前炼炉所属分类中概率最大的金属回收率
P(A|B)
,以此作为最终的金属回收率预测值;
3.
根据权利要求1所述的基于贝叶斯理论的金属回收率预测方法,其特征在于,所述步骤1中
Z
‑
score
特征标准化的计算公式为:
经公式
(1)
将所有炼炉特征的值转换为
‑1~1之间,炼炉特征数据库中的属性包括
stoveId、ironWaterScrapWeightPro、ironWaterTem、cRate、mnRate、standardTemperature。4.
根据权利要求1所述的基于贝叶斯理论的金属回收率预测方法,其特征在于,所述步骤2对炼炉标准化特征进行
K
‑
means++
聚类处理实现炼炉特征自动聚类的具体方法为:首先,从所有炼炉标准化特征中找到
K
个聚类中心,从炼炉标准化特征中随机选取一个样本点作为第一个初始聚类中;接着,计算每个样本与当前已有聚类中心之间的最短距离;然后,计算每个样本点被选为下一个聚类中心的概率,样本点概率的计算方法为:当前样本点距离聚类中心最短距离
/
所有样本点距离样本中心最短距离的和;最后,选择最大概率值所对应的样本点作为下一个簇中心,不断重复上述寻找中心的方法,直到选择出
K
个聚类中心,将这
K
个聚类中心使用不同的数字分别编号,相同编号表示样本点属于同一个类;继续将所有样本聚类为
K
个类,将样本集按照最小距离原则分配到最邻近聚类中心,并修改样本的编号,使用每个聚类的样本均值更新聚类中心;不断重复上述聚类过程,直到聚类中心不再发生变化;通过
K
‑
means++
聚类最终可以得到每一个炼炉特征所属的类型编号;并将其所属分类结果更新到数据库中对应记录的
type
属性中;
K
‑
means++
中样本点之间的距离使用欧式距离,距离公式如公式
(6)
所示:其中,
X
i
表示样本点
X
的第
i
维特征,...
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。