【技术实现步骤摘要】
本专利技术涉及冶金，具体涉及一种基于机理模型和xgboost算法的lf精炼温度预报方法。
技术介绍
1、lf精炼是1970年代开发的，具有电弧加热、去除夹杂、脱硫、吹氩搅拌等功能，用于冶炼高级优质钢。lf精炼是炼钢生产的主要工序，作为炼钢过程的重要一环，位于转炉和连铸之间，具有承上启下调节生产节奏的作用。lf具有加热功能，且能精确调整钢水成分和温度，从而可保证浇铸前钢水适当的过热度，对提高铸坯质量十分有利。炼钢生产中钢水温度控制、合金加入、底吹氩气的控制精度和准确性，直接影响钢水的质量和工序的顺序进行。传统炼钢中主要是操作工依据经验来预测钢水温度，只能通过多次测温来判断是否需要电弧加热或者加废钢降温，该预估方法不可靠且多次测温效率不高，可能会带来很大误差，直接影响吹氩搅拌和加合金、渣料时机，致使钢成分不达标，严重情况下可能会由于温度过低导致钢水报废，造成极大的经济损失。
2、因此建立精确的lf精炼温度预报模型具有很强的实际意义。从国内外温度预报模型的研究实例可以看出，常用的建模方法分为3类，分别是经验建模、机理建模和数据建模。经验建模是一线员工经长期的现场冶炼过程的经验总结的经验公式，简单便于操作，但它忽略了一些潜在的因素，因此经验公式准确性势必受到影响。机理建模主要考虑精炼过程中物理化学反应发生的热量变化、钢包散热、冶炼过程中的吹氩搅拌和耗电量，运用热力学和化学反应动力学等公式定理进行推导得出数学模型，但精炼环节物理化学反应相互耦合，导致推导过程复杂，难以获得理想模型。数据建模是从生产、工艺和设备数据中找出冶炼过程
3、在人工智能快速发展的今天，数据建模相对于经验建模和机理建模来说不依赖于复杂的专业知识和长年累月的经验积累，快速高效，但数据建模的缺点在于可解释性不强，随着钢铁厂生产设备的更新，人员的更替，工艺的优化，数据也会变动，原先基于旧数据的数据模型必然失去精确度。因此如何构建出精确、高效、泛化能力强的lf精炼温度预报模型具有很强的现实意义。
技术实现思路
1、本专利技术的目的是克服现有技术的不足，提供一种基于机理模型和xgboost算法的lf精炼温度预报方法。
2、为达到上述目的，本专利技术采用的技术方案是：一种基于机理模型和xgboost算法的lf精炼温度预报方法，包含以下步骤：
3、s1：采集lf精炼生产过程中的工艺质量数据，包括精炼电耗、合金和渣料的成分及对应量、吹氩流量及时间、吹氩压力、lf进站温度；
4、s2：根据能量守恒定律，分析体系的能量收入和支出情况，在此基础上推导出钢液精炼过程中能量的变化满足以下公式：
5、 qsteel＝ qe＋ qalloy－ qslag－ qin－ qshell－ qar－ qsurface－ qsmoke
6、式中： qsteel为钢液升温热，kj； qe为送入熔池的电弧能量，kj； qalloy为加入合金产生的能量，kj； qslag为加入渣料损失的能量，kj； qin为炉衬的蓄热，kj； qshell为炉壳散失的热量，kj； qar为吹氩搅拌损失的热量，kj； qsurface为钢液和炉渣面散失的热量，kj； qsmoke为烟尘带走的热量，kj；
7、s3：根据热力学定律，分析计算钢水的温升，温升公式为：
8、,
9、式中： qsteel为钢液升温热，kj； csteel为钢液比热容，kj/(kg·k)； cslag为炉渣比热容，kj/(kg·k)； msteel为钢液质量，kg； mslag为钢液质量，kg；
10、钢水在t时刻的温度为：
11、,
12、式中：为进站钢水温度，℃；为钢水在t时刻的温度，℃；
13、s4：对步骤s1得到的数据进行预处理，剔除数据中的重复项和空值；利用z-score方法将数据进行标准化，消除量纲和变量自身变异大小以及数值大小的影响，利用箱线图检测法，删除异常点；
14、s5：将经步骤s4得到的包含精炼电耗、吹氩时间和合金加入量在内的参数代入步骤s2中计算出钢液升温热，再经步骤s3的公式计算出t时刻的钢液温度，并将钢液温度作为新增参数列入到步骤s4所得到的数据集中；
15、s6：将经步骤s5优化过的数据集划分训练集与测试集；
16、s7：将训练集数据在python环境下构建xgboost模型，建立输入特征与输出特征之间的关系，并根据输入特征对输出特征的贡献度进行排序，最后将对目标指数重要性分数小于0.005的特征剔除；
17、s8：使用建好的xgboost模型对测试集进行验证，用均方误差mse和决定系数r2作为评价标准，若mse值和r2值均在预设范围内，判定xgboost模型评价合格，采用合格的xgboost模型进行lf精炼温度预测；反之不合格，则重新进行步骤s4至步骤s8的操作。
18、作为一种具体的实施方式，步骤s2中 qe为送入熔池的电弧能量，其公式分解为：
19、
20、式中： qe为送入熔池的电弧能量，kj；pa为电弧功率，kw；φ为比例系数；t0为放电时间，min。
21、作为一种具体的实施方式，步骤s2中 qalloy为加入合金产生的能量，其公式为：
22、,
23、其中， q joxide为合金元素j的氧化放热量，其由下式计算得到：
24、 q joxide＝ δη joxide μ j（1 －f j） 本文档来自技高网...
【技术保护点】
1.一种基于机理模型和XGBoost算法的LF精炼温度预报方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的一种基于机理模型和XGBoost算法的LF精炼温度预报方法，其特征在于，步骤S2中QE为送入熔池的电弧能量，其公式分解为：
3.根据权利要求1所述的一种基于机理模型和XGBoost算法的LF精炼温度预报方法，其特征在于，步骤S2中Qalloy为加入合金产生的能量，其公式为：
4.根据权利要求1所述的一种基于机理模型和XGBoost算法的LF精炼温度预报方法，其特征在于，步骤S2中Qslag为加入合金产生的能量，其公式分解如下所示：
5.根据权利要求1所述的一种基于机理模型和XGBoost算法的LF精炼温度预报方法，其特征在于，步骤S2中QIn为炉衬的蓄热，其公式分解如下所示：
6.根据权利要求1所述的一种基于机理模型和XGBoost算法的LF精炼温度预报方法，其特征在于，步骤S2中Qshell为炉壳散失的热量，其公式分解如下所示：
7.根据权利要求1所述的一种基于机理模型和XGBoost算法的L
8.根据权利要求1所述的一种基于机理模型和XGBoost算法的LF精炼温度预报方法，其特征在于，步骤S2中Qsurface为钢液和炉渣面散失的热量，其公式分解如下所示：
9.根据权利要求1所述的一种基于机理模型和XGBoost算法的LF精炼温度预报方法，其特征在于，步骤S2中步骤S2中Qsmoke为烟尘带走的热量，其公式分解如下所示：
10.根据权利要求1所述的一种基于机理模型和XGBoost算法的LF精炼温度预报方法，其特征在于，步骤S8中，XGBoost模型设置为树模型gbtree，其中：
...【技术特征摘要】
1.一种基于机理模型和xgboost算法的lf精炼温度预报方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的一种基于机理模型和xgboost算法的lf精炼温度预报方法，其特征在于，步骤s2中qe为送入熔池的电弧能量，其公式分解为：
3.根据权利要求1所述的一种基于机理模型和xgboost算法的lf精炼温度预报方法，其特征在于，步骤s2中qalloy为加入合金产生的能量，其公式为：
4.根据权利要求1所述的一种基于机理模型和xgboost算法的lf精炼温度预报方法，其特征在于，步骤s2中qslag为加入合金产生的能量，其公式分解如下所示：
5.根据权利要求1所述的一种基于机理模型和xgboost算法的lf精炼温度预报方法，其特征在于，步骤s2中qin为炉衬的蓄热，其公式分解如下所示：
6.根据权利要求1所述的一种基于机理模型和xgbo...
【专利技术属性】
技术研发人员：丁宏翔，谢天，闫顺，董钰泽，洪盛威，高垒垒，黄阳，
申请(专利权)人：苏州方兴信息技术有限公司，
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。