權(quán)利要求
1.轉(zhuǎn)爐出鋼過程合金加入量的確定方法，其特征在于，包括以下步驟：
S1.采集轉(zhuǎn)爐生產(chǎn)數(shù)據(jù)集，建立預測模型數(shù)據(jù)庫；
S2.對采集的轉(zhuǎn)爐生產(chǎn)數(shù)據(jù)集進行數(shù)據(jù)篩選和淘洗，對篩選和淘洗后的數(shù)據(jù)進行預處理；
S3.確定影響轉(zhuǎn)爐出鋼過程Si收得率的工藝參數(shù)變量，作為模型的輸入變量，建立LSTM神經(jīng)網(wǎng)絡(luò)Si收得率預測模型；
S4.確定影響轉(zhuǎn)爐出鋼過程Mn收得率的工藝參數(shù)變量，作為模型的輸入變量，建立LSTM神經(jīng)網(wǎng)絡(luò)Mn收得率預測模型；
S5.確定影響轉(zhuǎn)爐出鋼過程Cr收得率的工藝參數(shù)變量，作為模型的輸入變量，建立LSTM神經(jīng)網(wǎng)絡(luò)Cr收得率預測模型；
S6.預測模型訓練和測試；
S7.采集現(xiàn)場冶煉過程的實時數(shù)據(jù)，預測Si、Mn和Cr元素收得率；
S8.通過整數(shù)線性規(guī)劃求解合金加入量；
S9.按照求解的合金加入量結(jié)果配加合金，出鋼結(jié)束，數(shù)據(jù)存入預測模型數(shù)據(jù)庫。
2.根據(jù)權(quán)利要求1所述的轉(zhuǎn)爐出鋼過程合金加入量的確定方法，其特征在于，所述步驟S1中，所述轉(zhuǎn)爐生產(chǎn)數(shù)據(jù)集包括：
生產(chǎn)日期、爐次號、吹煉周期、鐵水成分、鐵水裝入量、廢鋼裝入量、渣料加入量、合金加入量、副槍信息、終點化驗成分、吹氧信息、出鋼溫度、出鋼量和合金化后包樣化驗成分。
3.根據(jù)權(quán)利要求1所述的轉(zhuǎn)爐出鋼過程合金加入量的確定方法，其特征在于，所述步驟S2中，所述對采集的轉(zhuǎn)爐生產(chǎn)數(shù)據(jù)集進行數(shù)據(jù)篩選和淘洗，具體包括：
刪除重復數(shù)據(jù)，刪除異常點和極端異常點，異常數(shù)據(jù)的評判如式（1）：
（1）
其中，表示待測數(shù)據(jù)按照從小到大排序后的第個數(shù)據(jù)，為上四分位數(shù)，為下四分位數(shù)，表示四分位距。
4.根據(jù)權(quán)利要求1所述的轉(zhuǎn)爐出鋼過程合金加入量的確定方法，其特征在于，所述步驟S2中，所述對篩選和淘洗后的數(shù)據(jù)進行預處理，具體包括：
將數(shù)據(jù)集歸一化到[-1,1]，具體處理方式如式（2）所示：
（2）
其中，為生產(chǎn)數(shù)據(jù)樣本的原始數(shù)據(jù)；為經(jīng)過歸一化處理的數(shù)據(jù)；表示第個樣本點；表示第個輸入變量；、、分別為原始數(shù)據(jù)樣本中的最小值、最大值和平均值。
5.根據(jù)權(quán)利要求1所述的轉(zhuǎn)爐出鋼過程合金加入量的確定方法，其特征在于，所述步驟S3中，所述Si收得率預測模型輸入變量包括：鋼包狀態(tài)、吹損、堿度、總氧量、終點C、終點Mn、出鋼溫度；
所述步驟S4中，所述Mn收得率預測模型輸入變量包括：吹損、堿度、廢鋼比、總氧量、終點Mn；
所述步驟S5中，所述Cr收得率模型輸入變量包括：吹損、廢鋼比、終點Mn、終點P。
6.根據(jù)權(quán)利要求1所述的轉(zhuǎn)爐出鋼過程合金加入量的確定方法，其特征在于，所述步驟S6中，所述模型訓練采用預熱重啟隨機梯度下降法動態(tài)調(diào)整學習率：
重啟的含義即使用余弦函數(shù)作為周期函數(shù)，并在每個周期最大值時重新開始學習速率，
預熱的含義即學習率重新開始時并不是從頭開始的，而是由模型在最后一步收斂的參數(shù)決定，學習率調(diào)整如式（3）所示：
（3）
其中，和是學習率的范圍；表示每次重啟開始到結(jié)束這一區(qū)間訓練輪數(shù)的變化次數(shù)；表示重啟周期。
7.根據(jù)權(quán)利要求1所述的轉(zhuǎn)爐出鋼過程合金加入量的確定方法，其特征在于，所述步驟S8中，所述通過整數(shù)線性規(guī)劃求解合金加入量，具體包括：
以合金加入總成本最低為目標函數(shù)：
（4）
其中：表示第種合金料的單價；表示第種合金加入量；
同時需滿足以下約束條件：
（5）
其中：為鋼液總重量；為第種合金的加入量；為元素含量；表示下限值；表示上限值；表示元素合金化前的含量；表示第種合金中元素的含量；表示元素收得率；
合金加入量必須滿足以下非負條件：
（6）
合金加入量小于可加入合金量的最大值：
（7）
其中：代表實際生產(chǎn)中第種合金的最大加入量，
元素收得率除Si、Mn、Cr元素按步驟S7進行預測以外，其他元素，如C、P、S、B和Ti等收得率按照100%參與計算。
8.實施權(quán)利要求1～7任意一項所述的轉(zhuǎn)爐出鋼過程合金加入量的確定方法的轉(zhuǎn)爐出鋼過程合金加入量的確定系統(tǒng)。
9.實現(xiàn)權(quán)利要求1～7任意一項所述的轉(zhuǎn)爐出鋼過程合金加入量的確定方法的信息數(shù)據(jù)處理終端。
10.計算機可讀存儲介質(zhì)，包括指令，當其在計算機上運行時，使得計算機執(zhí)行如權(quán)利要求1～7任意一項所述的轉(zhuǎn)爐出鋼過程合金加入量的確定方法。
說明書
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及鋼鐵冶金技術(shù)領(lǐng)域，具體為一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法和系統(tǒng)。
背景技術(shù)
[0003]合金鋼因其具有較高的強度、良好的韌性和塑性而廣泛應用于制造各種軸類部件和車輛制造業(yè)中，非常適合制造承受高速、重載、沖擊和摩擦的軸類和齒輪等零部件。合金鋼合金物料需求量大，種類多，傳統(tǒng)的轉(zhuǎn)爐煉鋼出鋼過程的合金加入量確定方法主要依靠人工經(jīng)驗，操作人員大多根據(jù)冶煉鋼種的工藝要求選擇加入的合金種類，再使用計算器或者計算表根據(jù)成分要求粗略計算合金重量，這種方法準確度低且經(jīng)濟效益差，常常出現(xiàn)因加入量估算不準導致的合金多次補加或浪費，嚴重時甚至造成成分超標。
[0004]隨著科學技術(shù)的飛速發(fā)展，鋼鐵冶金領(lǐng)域進入智能制造時代，轉(zhuǎn)爐煉鋼控制技術(shù)逐漸由經(jīng)驗公式、靜態(tài)控制向大數(shù)據(jù)智能化控制方向發(fā)展。預測準確的合金元素收得率和合金配料方案的確定是轉(zhuǎn)爐出鋼過程合金加入量精確估算的關(guān)鍵。
[0005]目前，預測合金元素收得率的方法主要有BP神經(jīng)網(wǎng)絡(luò)和SVM支持向量機等。其中，BP神經(jīng)網(wǎng)絡(luò)（Back PropagationNeural Network, BP）通過信號正向傳播和誤差反向傳播實現(xiàn)預測，但收斂速度慢，泛化能力差，難以保證預測準確率；支持向量機（Support VectorMachine, SVM）是一類按監(jiān)督學習方式，對數(shù)據(jù)進行二元分類的廣義線性分類器，不但算法簡單，而且具有較好的“魯棒”性，但大規(guī)模訓練樣本難以實施，且難以解決多分類問題，難以完整考慮轉(zhuǎn)爐煉鋼過程的特點。
發(fā)明內(nèi)容
[0007]本發(fā)明的主要目的是提出一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法和系統(tǒng)，旨在解決目前在轉(zhuǎn)爐出鋼過程合金加入量確定時存在準確度低且經(jīng)濟效益差、難以解決多分類問題，難以完整考慮轉(zhuǎn)爐煉鋼過程的問題。
[0008]為解決上述技術(shù)問題，根據(jù)本發(fā)明的一個方面，本發(fā)明提供了如下技術(shù)方案：
一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法，包括以下步驟：
S1.采集轉(zhuǎn)爐生產(chǎn)數(shù)據(jù)集，建立預測模型數(shù)據(jù)庫；
S2.對采集的轉(zhuǎn)爐生產(chǎn)數(shù)據(jù)集進行數(shù)據(jù)篩選和淘洗，對篩選和淘洗后的數(shù)據(jù)進行預處理；
S3.確定影響轉(zhuǎn)爐出鋼過程Si收得率的工藝參數(shù)變量，作為模型的輸入變量，建立LSTM神經(jīng)網(wǎng)絡(luò)Si收得率預測模型；
S4.確定影響轉(zhuǎn)爐出鋼過程Mn收得率的工藝參數(shù)變量，作為模型的輸入變量，建立LSTM神經(jīng)網(wǎng)絡(luò)Mn收得率預測模型；
S5.確定影響轉(zhuǎn)爐出鋼過程Cr收得率的工藝參數(shù)變量，作為模型的輸入變量，建立LSTM神經(jīng)網(wǎng)絡(luò)Cr收得率預測模型；
S6.預測模型訓練和測試；
S7.采集現(xiàn)場冶煉過程的實時數(shù)據(jù)，預測Si、Mn和Cr元素收得率；
S8.通過整數(shù)線性規(guī)劃求解合金加入量；
S9.按照求解的合金加入量結(jié)果配加合金，出鋼結(jié)束，數(shù)據(jù)存入預測模型數(shù)據(jù)庫。
[0009]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S1中，所述轉(zhuǎn)爐生產(chǎn)數(shù)據(jù)集包括：
生產(chǎn)日期、爐次號、吹煉周期、鐵水成分、鐵水裝入量、廢鋼裝入量、渣料加入量、合金加入量、副槍信息、終點化驗成分、吹氧信息、出鋼溫度、出鋼量和合金化后包樣化驗成分。
[0010]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S2中，所述對采集的轉(zhuǎn)爐生產(chǎn)數(shù)據(jù)集進行數(shù)據(jù)篩選和淘洗，具體包括：
刪除重復數(shù)據(jù)，刪除異常點和極端異常點，異常數(shù)據(jù)的評判如式（1）：
（1）其中，表示待測數(shù)據(jù)按照從小到大排序后的第個數(shù)據(jù)，為上四分位數(shù)，為下四分位數(shù)，表示四分位距。
[0011]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S2中，所述對篩選和淘洗后的數(shù)據(jù)進行預處理，具體包括：
將數(shù)據(jù)集歸一化到[-1,1]，具體處理方式如式（2）所示：
（2）其中，為生產(chǎn)數(shù)據(jù)樣本的原始數(shù)據(jù)；為經(jīng)過歸一化處理的數(shù)據(jù)；表示第個樣本點；表示第個輸入變量；、、分別為原始數(shù)據(jù)樣本中的最小值、最大值和平均值。
[0012]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S3、S4和S5中，所述的LSTM神經(jīng)網(wǎng)絡(luò)包含兩個神經(jīng)網(wǎng)絡(luò)層、一個丟棄層、一個全連接層以及一個回歸層，回歸層為輸出層，神經(jīng)網(wǎng)絡(luò)參數(shù)包括：訓練輪數(shù)、隱含層單元數(shù)和學習率。
[0013]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S3、S4和S5中，采用Pearson相關(guān)性分析確定影響轉(zhuǎn)爐出鋼過程合金元素收得率的工藝參數(shù)變量。
[0014]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S3中，所述Si收得率預測模型輸入變量包括：鋼包狀態(tài)、吹損、堿度、總氧量、終點C、終點Mn、出鋼溫度。
[0015]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S4中，所述Mn收得率預測模型輸入變量包括：吹損、堿度、廢鋼比、總氧量、終點Mn。
[0016]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S5中，所述Cr收得率模型輸入變量包括：吹損、廢鋼比、終點Mn、終點P。
[0017]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S6中，所述模型訓練采用預熱重啟（Warm Restarts）隨機梯度下降法動態(tài)調(diào)整學習率：
重啟的含義即使用余弦函數(shù)作為周期函數(shù)，并在每個周期最大值時重新開始學習速率。預熱的含義即學習率重新開始時并不是從頭開始的，而是由模型在最后一步收斂的參數(shù)決定，學習率調(diào)整如式（3）所示：
（3）其中，和是學習率的范圍；表示每次重啟開始到結(jié)束這一區(qū)間訓練輪數(shù)的變化次數(shù)；表示重啟周期。
[0018]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S6中，在LSTM神經(jīng)網(wǎng)路中，遺忘門、輸入門和輸出門使用Sigmoid函數(shù)作為激活函數(shù)；在生成候選記憶時，使用雙曲正切函數(shù)tanh作為激活函數(shù)。
[0019]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S7中，所述采集現(xiàn)場冶煉過程的實時數(shù)據(jù)，預測Si、Mn和Cr元素收得率，具體包括：
采集現(xiàn)場冶煉過程的實時數(shù)據(jù)，數(shù)據(jù)通過ODBC連接從檢化驗系統(tǒng)的Oracle數(shù)據(jù)庫進行抓取，數(shù)據(jù)經(jīng)過預處理后輸入LSTM神經(jīng)網(wǎng)絡(luò)模型得到收得率預測值。
[0020]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：所述步驟S8中，所述通過整數(shù)線性規(guī)劃求解合金加入量，具體包括：
以合金加入總成本最低為目標函數(shù)：
（4）其中：表示第種合金料的單價；表示第種合金加入量；
同時需滿足以下約束條件：
（5）其中：為鋼液總重量；為第種合金的加入量；為元素含量；表示下限值；表示上限值；表示元素合金化前的含量；表示第種合金中元素的含量；表示元素收得率；
合金加入量必須滿足以下非負條件：
（6）合金加入量小于可加入合金量的最大值：
（7）其中：代表實際生產(chǎn)中第種合金的最大加入量。
[0021]作為本發(fā)明所述的一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法的優(yōu)選方案，其中：元素收得率除Si、Mn、Cr元素按步驟S7進行預測以外，其他元素，如C、P、S、B和Ti等收得率按照100%參與計算。
[0022]本發(fā)明的另一目的在于提供一種實施上述轉(zhuǎn)爐出鋼過程合金加入量的確定方法的轉(zhuǎn)爐出鋼過程合金加入量的確定系統(tǒng)。
[0023]本發(fā)明的另一目的在于提供一種實現(xiàn)上述轉(zhuǎn)爐出鋼過程合金加入量的確定方法的信息數(shù)據(jù)處理終端。
[0024]本發(fā)明的另一目的在于提供一種計算機可讀存儲介質(zhì)，包括指令，當其在計算機上運行時，使得計算機執(zhí)行上述轉(zhuǎn)爐出鋼過程合金加入量的確定方法。
[0025]本發(fā)明的有益效果如下：
本發(fā)明將LSTM神經(jīng)網(wǎng)絡(luò)與整數(shù)線性規(guī)劃算法結(jié)合，克服了常規(guī)神經(jīng)網(wǎng)絡(luò)模型預測時間序列問題存在的局限性，克服了合金配料方案人為估算準確度低、經(jīng)濟效益差的問題?？紤]到LSTM神經(jīng)網(wǎng)絡(luò)對非線性關(guān)系有很強的捕捉能力，本發(fā)明構(gòu)建基于LSTM神經(jīng)網(wǎng)絡(luò)的合金元素收得率預測模型，不同合金元素由于影響其收得率的因素不同，即模型輸入變量不同，因此不同合金元素建立不同的LSTM模型進行訓練。另外，本發(fā)明結(jié)合收得率預測結(jié)果通過整數(shù)線性規(guī)劃求解得到合金加入量，該方法不僅能夠快速找到合金配料的最優(yōu)方案，同時提高了轉(zhuǎn)爐煉鋼過程成分命中率和鋼產(chǎn)品穩(wěn)定性，且獲得的總成本最低，有效降低合金化成本，具有良好的應用前景。
附圖說明
[0026]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖示出的結(jié)構(gòu)獲得其他的附圖。
[0027]圖1為本發(fā)明方法的流程示意圖；
圖2為采用丟棄層正則化提高模型的泛化性原理圖；
圖3為預測模型訓練過程學習率隨訓練輪數(shù)的變化趨勢圖。
[0028]本發(fā)明目的的實現(xiàn)、功能特點及優(yōu)點將結(jié)合實施例，參照附圖做進一步說明。
具體實施方式
[0029]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明的一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0030]本發(fā)明提供一種轉(zhuǎn)爐出鋼過程合金加入量的確定方法和系統(tǒng)，將LSTM神經(jīng)網(wǎng)絡(luò)與整數(shù)線性規(guī)劃算法結(jié)合，克服了常規(guī)神經(jīng)網(wǎng)絡(luò)模型預測時間序列問題存在的局限性，克服了合金配料方案人為估算準確度低、經(jīng)濟效益差的問題?？紤]到LSTM神經(jīng)網(wǎng)絡(luò)對非線性關(guān)系有很強的捕捉能力，本發(fā)明構(gòu)建基于LSTM神經(jīng)網(wǎng)絡(luò)的合金元素收得率預測模型，不同合金元素由于影響其收得率的因素不同，即模型輸入變量不同，因此不同合金元素建立不同的LSTM模型進行訓練。另外，本發(fā)明結(jié)合收得率預測結(jié)果通過整數(shù)線性規(guī)劃求解得到合金加入量，該方法不僅能夠快速找到合金配料的最優(yōu)方案，同時提高了轉(zhuǎn)爐煉鋼過程成分命中率和鋼產(chǎn)品穩(wěn)定性，且獲得的總成本最低，有效降低合金化成本，具有良好的應用前景。
[0031]LSTM神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork, RNN）的變種，是深度學習重要的網(wǎng)絡(luò)框架之一，它是一類以序列數(shù)據(jù)為輸入、在序列的前進方向進行遞歸，所有節(jié)點按鏈式連接的遞歸神經(jīng)網(wǎng)絡(luò)。不同于BP神經(jīng)網(wǎng)絡(luò)模型，LSTM神經(jīng)網(wǎng)絡(luò)在時間序列問題上可以考慮數(shù)據(jù)在時序前后的依存關(guān)系，對于轉(zhuǎn)爐煉鋼過程這類不同時序節(jié)點處數(shù)據(jù)存在關(guān)聯(lián)的問題預測效果更好；線性規(guī)劃是最優(yōu)化問題中的重要領(lǐng)域之一，很多運籌學中的實際問題都可以用線性規(guī)劃來解決。整數(shù)線性規(guī)劃指全部決策變量都必須取整數(shù)值的整數(shù)線性規(guī)劃，本文涉及一種合金鋼的轉(zhuǎn)爐出鋼過程合金加入量確定方法，由于合金物料稱重系統(tǒng)精度原因，決策變量即合金加入量需為整數(shù)，因此整數(shù)線性規(guī)劃可以很好地解決此類問題。
[0032]實施例1
某煉鋼廠生產(chǎn)40Cr系列鋼種在出鋼過程中需要加入硅錳、錳鐵合金、鉻鐵合金以滿足成品鋼元素含量的需求。40Cr國標成分如表1所示，在實際生產(chǎn)中，合金加入量都是由操作人員憑借經(jīng)驗估算，合金種類選擇不固定，部分爐次使用硅錳、高碳錳鐵、高碳鉻鐵；部分爐次使用硅錳、中碳錳鐵、高碳鉻鐵。且人工估算合金加入量準確率低，常常會導致轉(zhuǎn)爐出鋼鋼液成分波動大，不僅造成原料成本浪費，而且影響生產(chǎn)節(jié)奏。為解決這一問題，采用本發(fā)明方法建立了合金元素收得率預測模型，再通過整數(shù)規(guī)劃求解計算合金加入量。
[0033]表1 40Cr國標化學成分含量(wt%)
采集了該廠120t轉(zhuǎn)爐共24282組生產(chǎn)數(shù)據(jù)，刪除重復數(shù)據(jù)，刪除異常點和極端異常點，異常數(shù)據(jù)的評判公式為：
其中，表示待測數(shù)據(jù)按照從小到大排序后的第個數(shù)據(jù)，為上四分位數(shù)，為下四分位數(shù)，表示四分位距。
[0034]處理后得到19668組有效數(shù)據(jù)。為使不同變量具有相同的度量尺度，對數(shù)據(jù)進行歸一化處理，全部映射到[-1,1]范圍內(nèi)；
其中，為生產(chǎn)數(shù)據(jù)樣本的原始數(shù)據(jù)；為經(jīng)過歸一化處理的數(shù)據(jù)；表示第個樣本點；表示第個輸入變量；、、分別為原始數(shù)據(jù)樣本中的最小值、最大值和平均值。
[0035]根據(jù)轉(zhuǎn)爐煉鋼反應機理與Pearson相關(guān)性分析，確定了以下對Si、Mn、Cr元素收得率有較顯著影響的工藝參數(shù)作為模型的輸入變量：
表2 Si收得率預測模型輸入變量及其單位
輸入變量單位輸入變量單位吹損%堿度-總氧量m3終點C%終點Mn%出鋼溫度℃
表3 Mn收得率預測模型輸入變量及其單位
輸入變量單位輸入變量單位吹損%堿度-總氧量m3廢鋼比%終點Mn%
表4 Cr收得率預測模型輸入變量及其單位
輸入變量單位輸入變量單位吹損%終點Mn%終點P%廢鋼比%
將以上參數(shù)作為LSTM神經(jīng)網(wǎng)絡(luò)的輸入變量，建立轉(zhuǎn)爐出鋼合金化過程合金收得率預測模型，采用丟棄層正則化提高模型的泛化性，丟棄層正則化原理如圖2所示；訓練采用預熱重啟隨機梯度下降法動態(tài)調(diào)整學習率，訓練過程學習率隨訓練輪數(shù)的變化趨勢如圖3所示；LSTM神經(jīng)網(wǎng)絡(luò)中，遺忘門、輸入門和輸出門使用Sigmoid函數(shù)作為激活函數(shù)；在生成候選記憶時，使用雙曲正切函數(shù)tanh作為激活函數(shù)；
采集到的24282組數(shù)據(jù)18211組用于模型的訓練，6071組用于對模型進行測試，以驗證其泛化能力，不斷調(diào)整網(wǎng)絡(luò)的參數(shù)，得到預測效果最好的模型。
[0036]為了評估不同模型預測的準確性，選擇了均方根誤差RMSE和相關(guān)系數(shù)R2作為性能評估指標，RMSE和R2是最廣泛使用的性能評估指標，計算方法如下所示：
其中，表示真實值的數(shù)目，表示第個真實值，表示第個預測值，表示的方差。
[0037]RMSE均方根誤差衡量觀測值與真實值之間的偏差，常作為機器學習模型預測結(jié)果衡量的標準。R2是反映模型擬合優(yōu)度的重要統(tǒng)計量，為回歸平方和與總平方和之比，R2取值在[0,1]范圍內(nèi)，值的大小反映了模型擬合的優(yōu)劣程度，R2越接近于1，擬合的回歸方程越精確。得到三個模型的預測性能評估：
表5 Si收得率預測模型在測試數(shù)據(jù)集上預測性能評估
評估準則評估值RMSE0.0339R20.9557
表6 Mn收得率預測模型在測試數(shù)據(jù)集上預測性能評估
評估準則評估值RMSE0.0438R20.9260
表7 Cr收得率預測模型在測試數(shù)據(jù)集上預測性能評估
評估準則評估值RMSE0.0379R20.9444
從評估結(jié)果結(jié)合模型在訓練數(shù)據(jù)集上的擬合表現(xiàn)，LSTM神經(jīng)網(wǎng)絡(luò)能夠很好的擬合原始數(shù)據(jù)，并在測試集上有良好的預測性能。
[0038]得到收得率的預測值后，在此基礎(chǔ)上計算合金的加入量，計算方法如下所示：
本實施例1選擇了7種合金物料參與配料計算，合金種類及價格如表8所示；
表8 合金種類及價格對應表
以合金加入總成本最低為目標函數(shù)：
同時需滿足以下約束條件：
其中：為鋼液總重量；為第種合金的加入量；為元素含量；表示下限值；表示上限值；表示元素合金化前的含量；表示第種合金中元素的含量；表示元素收得率；
約束條件需滿足的成分上下限如表9所示：
表9 化學成分含量上下限
CSiMnCrPS下限0.370.170.50.800上限0.440.370.81.00.0350.035
合金加入量還需要滿足以下非負條件：
元素收得率Si、Mn、Cr元素采用LSTM網(wǎng)絡(luò)模型進行預測，C、P、S、B和Ti等收得率按照100%參與計算；
表10隨機選取了8組利用本發(fā)明技術(shù)方案對該廠合金鋼40Cr的合金加入量計算結(jié)果與不使用本發(fā)明進行對比，其中組別1為原數(shù)據(jù)實際值，組別2為根據(jù)本發(fā)明技術(shù)方案計算的合金加入量結(jié)果。
[0039]經(jīng)過驗證，本發(fā)明轉(zhuǎn)爐出鋼過程合金加入量的確定方法的元素合格率為100％，能夠精準指導實際生產(chǎn)。平均每爐次合金成本由原先的23055元降低至20867元，降低了2188元，而該鋼廠每個轉(zhuǎn)爐平均每日生產(chǎn)鋼水35爐以上，使用本發(fā)明轉(zhuǎn)爐出鋼過程合金加入量的確定方法在合金鋼生產(chǎn)成本上每年可節(jié)省1000萬元以上，具有良好的經(jīng)濟效益，能夠為現(xiàn)場生產(chǎn)提供參考。
[0040]表10 合金鋼40Cr合金加入量計算對比
在上述實施例中，可以全部或部分地通過軟件、硬件、固件或者其任意組合來實現(xiàn)。當使用全部或部分地以計算機程序產(chǎn)品的形式實現(xiàn)，所述計算機程序產(chǎn)品包括一個或多個計算機指令。在計算機上加載或執(zhí)行所述計算機程序指令時，全部或部分地產(chǎn)生按照本發(fā)明實施例所述的流程或功能。所述計算機可以是通用計算機、專用計算機、計算機網(wǎng)絡(luò)、或者其他可編程裝置。所述計算機指令可以存儲在計算機可讀存儲介質(zhì)中，或者從一個計算機可讀存儲介質(zhì)向另一個計算機可讀存儲介質(zhì)傳輸，例如，所述計算機指令可以從一個網(wǎng)站站點、計算機、服務器或數(shù)據(jù)中心通過有線(例如同軸電纜、光纖、數(shù)字用戶線(DSL)或無線(例如紅外、無線、微波等)方式向另一個網(wǎng)站站點、計算機、服務器或數(shù)據(jù)中心進行傳輸)。所述計算機可讀取存儲介質(zhì)可以是計算機能夠存取的任何可用介質(zhì)或者是包含一個或多個可用介質(zhì)集成的服務器、數(shù)據(jù)中心等數(shù)據(jù)存儲設(shè)備。所述可用介質(zhì)可以是磁性介質(zhì)，(例如，軟盤、硬盤、磁帶)、光介質(zhì)(例如，DVD)、或者半導體介質(zhì)(例如固態(tài)硬盤SolidState Disk(SSD))等。
[0041]本發(fā)明將LSTM神經(jīng)網(wǎng)絡(luò)與整數(shù)線性規(guī)劃算法結(jié)合，克服了常規(guī)神經(jīng)網(wǎng)絡(luò)模型預測時間序列問題存在的局限性，克服了合金配料方案人為估算準確度低、經(jīng)濟效益差的問題。考慮到LSTM神經(jīng)網(wǎng)絡(luò)對非線性關(guān)系有很強的捕捉能力，本發(fā)明構(gòu)建基于LSTM神經(jīng)網(wǎng)絡(luò)的合金元素收得率預測模型，不同合金元素由于影響其收得率的因素不同，即模型輸入變量不同，因此不同合金元素建立不同的LSTM模型進行訓練。另外，本發(fā)明結(jié)合收得率預測結(jié)果通過整數(shù)線性規(guī)劃求解得到合金加入量，該方法不僅能夠快速找到合金配料的最優(yōu)方案，同時提高了轉(zhuǎn)爐煉鋼過程成分命中率和鋼產(chǎn)品穩(wěn)定性，且獲得的總成本最低，有效降低合金化成本，具有良好的應用前景。通過現(xiàn)場的實際生產(chǎn)數(shù)據(jù)對該方法進行檢驗，結(jié)果表明本發(fā)明有較好的準確度和經(jīng)濟效益，可為現(xiàn)場生產(chǎn)過程合金的加入提供有益指導。
[0042]以上所述僅為本發(fā)明的優(yōu)選實施例，并非因此限制本發(fā)明的專利范圍，凡是在本發(fā)明的發(fā)明構(gòu)思下，利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)變換，或直接/間接運用在其他相關(guān)的技術(shù)領(lǐng)域均包括在本發(fā)明的專利保護范圍內(nèi)。
全文PDF
轉(zhuǎn)爐出鋼過程合金加入量的確定方法和系統(tǒng).pdf
聲明：
“轉(zhuǎn)爐出鋼過程合金加入量的確定方法和系統(tǒng)” 該技術(shù)專利(論文)所有權(quán)利歸屬于技術(shù)(論文)所有人。僅供學習研究，如用于商業(yè)用途，請聯(lián)系該技術(shù)所有人。
我是此專利(論文)的發(fā)明人(作者)
1672
編輯：中冶有色技術(shù)網(wǎng)
來源：北京科技大學
分享 0
舉報 0
收藏 0
反對 0
點贊 0
中冶有色技術(shù)平臺
2025年03月21日 ~ 23日 
