一种转炉终点钢水碳含量与温度预测方法及装置

技术领域

本发明涉及转炉工序终点控制技术领域，特别涉及一种转炉终点钢水碳含量与温度预测方法及装置。

背景技术

转炉炼钢是一个非常复杂的多元多相高温物理化学过程，其显著特点是反应速度快、影响因素多、反应复杂。转炉终点控制主要是指终点的碳含量和温度。终点控制不准确，会导致钢水氧含量增加，铁损增加、吹炼时间延长、降低炉衬寿命等一系列危害。因此，提高转炉终点控制命中利率对改善产品质量、加快生产节奏和提高企业利润有重要意义。而转炉终点钢水碳含量和温度是转炉工序终点控制的指标之一，精准的终点预测模型有助于提高转炉终点命中率。

目前转炉的终点控制模型可以分为静态控制模型和动态控制模型，静态控制模型是动态控制模型的基础，根据建模原理可以分为机理模型和数据驱动模型。由于机理模型相对理想化，模型中的参数由于现场条件限制无法获取，导致模型的精度较低。而随着钢厂自动化和信息化的快速发展，各大钢厂均建立起了自己的大数据平台，并收集了大量的生产数据，基于数据驱动的终点预测模型为提高转炉终点命中率提供了一种解决方案。

目前针对各工序终点预测的方法有很多，常见的有支持向量回归机、神经网络、决策树和案例推理等算法。高闯等人提出了基于改进孪生支持向量机的转炉静态预测模型。韩敏等人建立了基于ANFIS和鲁棒相关向量机的转炉炼钢动态控制模型。何飞等人建立了基于PCA和BP神经网络的转炉终点磷含量预测模型。吕武等人建立了基于极限学习机的LF终点温度预测模型。田慧欣等人建立了基于改进的AdaBoost.RT算法的极限学习机模型预测LF精炼终点钢水温度。韩敏等人基于膜算法进化极限学习机的氧气转炉炼钢终点预报模型。王小军等人分别建立了基于随机森林和基于bootstrap特征子集集成回归树的LF终点温度预测模型。何飞等人提出了基于案例推理的LF终点预测模型。冯凯等人提出了一种基于机理模型相似度的案例推理模型预测专用脱磷转炉终点磷含量，王心哲等人提出了基于因果关系的CBR模型的转炉炼钢静态控制模型。此外，蒋胜龙等人提出了基于多元线性回归和高斯过程回归的混合模型预测转炉氧耗。严良涛等人建立了基于遗传算法的核偏最小二乘回归(GA-KPLSR)方法的终点碳含量的预测模型。程进等人提出一种由数据驱动的多任务学习(MTL)炼钢终点预测方法。

上述预测模型均没有充分考虑时序类型的工艺参数，例如转炉吹炼过程中的枪位变化、供氧流量和底吹气体流量等，而这些时序类型工艺参数对转炉终点成分和温度有很大的影响，因此，现有预测模型对转炉终点的预测不够理想。

发明内容

本发明提供了一种转炉终点钢水碳含量与温度预测方法及装置，以解决现有预测模型由于没有考虑转炉工序中的时序类型的工艺参数，造成现有预测模型对转炉终点的钢水碳含量与温度等参数的预测效果不够理想的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供一种转炉终点钢水碳含量与温度预测方法，包括：

将每一转炉冶炼工序分别视为一个案例，对转炉冶炼工序进行案例描述；其中，所述案例描述包括案例特征描述和案例的解决方案描述，所述案例特征包括对转炉终点钢水碳含量与温度产生影响的单值类型影响因素和时序类型影响因素；所述解决方案包括相应的转炉冶炼工序的转炉终点钢水碳含量与温度；

以当前转炉冶炼工序为问题案例，历史转炉冶炼工序为历史案例，根据问题案例的案例特征描述，基于案例推理算法，检索出历史案例中与问题案例间的相似度符合预设要求的相似案例及相似案例的转炉终点钢水碳含量与温度；

基于检索到的相似案例及相似案例对应的转炉终点钢水碳含量与温度，通过案例重用，获取问题案例对应的转炉终点钢水碳含量与温度的预测值。

进一步地，所述单值类型影响因素包括铁水信息、辅原料加入量和气体消耗量；其中，

所述铁水信息包括铁水温度、铁水重量和铁水成分；所述铁水成分包括铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量和铁水硫含量；

所述辅原料包括废钢、石灰、轻烧白云石和烧结矿；

所述气体消耗量包括氧气消耗量和氩气消耗量；

所述时序类型影响因素包括供氧流量、氧枪枪位和底吹氩气流量。

进一步地，所述根据问题案例的案例特征描述，基于案例推理算法，检索出历史案例中与问题案例间的相似度符合预设要求的相似案例，包括：

计算出历史案例与问题案例的单值类型影响因素的相似度；

计算出历史案例与问题案例的时序类型影响因素的相似度；

将历史案例与问题案例的单值类型影响因素的相似度及时序类型影响因素的相似度进行加权组合，得到相应的历史案例与问题案例之间的综合相似度；

根据所述综合相似度，从历史案例中筛选出符合预设要求的相似案例。

进一步地，所述计算出历史案例与问题案例的单值类型影响因素的相似度，包括基于欧氏距离，计算出历史案例与问题案例的单值类型影响因素的相似度。

进一步地，所述计算出历史案例与问题案例的时序类型影响因素的相似度，包括：基于动态时间规整算法，计算出历史案例与问题案例的时序类型影响因素的相似度。

进一步地，所述基于检索到的相似案例及相似案例对应的转炉终点钢水碳含量与温度，通过案例重用，获取问题案例对应的转炉终点钢水碳含量与温度的预测值，包括：

基于检索到的相似案例及相似案例对应的转炉终点钢水碳含量与温度，采用k近邻法求解，获取问题案例对应的转炉终点钢水碳含量与温度的预测值。

另一方面，本发明还提供一种转炉终点钢水碳含量与温度预测装置，包括：

案例描述模块，用于将每一转炉冶炼工序分别视为一个案例，对转炉冶炼工序进行案例描述；其中，所述案例描述包括案例特征描述和案例的解决方案描述，所述案例特征包括对转炉终点钢水碳含量与温度产生影响的单值类型影响因素和时序类型影响因素；所述解决方案包括相应的转炉冶炼工序的转炉终点钢水碳含量与温度；

案例检索模块，用于以当前转炉冶炼工序为问题案例，历史转炉冶炼工序为历史案例，根据所述案例描述模块对问题案例的案例特征描述，基于案例推理算法，检索出历史案例中与问题案例间的相似度符合预设要求的相似案例及相似案例的转炉终点钢水碳含量与温度；

案例重用模块，用于基于所述案例检索模块检索到的相似案例及相似案例对应的转炉终点钢水碳含量与温度，通过案例重用，获取问题案例对应的转炉终点钢水碳含量与温度的预测值。

进一步地，所述单值类型影响因素包括铁水信息、辅原料加入量和气体消耗量；其中，

所述铁水信息包括铁水温度、铁水重量和铁水成分；所述铁水成分包括铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量和铁水硫含量；

所述辅原料包括废钢、石灰、轻烧白云石和烧结矿；

所述气体消耗量包括氧气消耗量和氩气消耗量；

所述时序类型影响因素包括供氧流量、氧枪枪位和底吹氩气流量。

进一步地，所述案例检索模块具体用于：

计算出历史案例与问题案例的单值类型影响因素的相似度；

计算出历史案例与问题案例的时序类型影响因素的相似度；

将历史案例与问题案例的单值类型影响因素的相似度及时序类型影响因素的相似度进行加权组合，得到相应的历史案例与问题案例之间的综合相似度；

根据所述综合相似度，从历史案例中筛选出符合预设要求的相似案例；

其中，所述计算出历史案例与问题案例的单值类型影响因素的相似度，包括：基于欧氏距离，计算出历史案例与问题案例的单值类型影响因素的相似度；所述计算出历史案例与问题案例的时序类型影响因素的相似度，包括：基于动态时间规整算法，计算出历史案例与问题案例的时序类型影响因素的相似度。

进一步地，所述案例重用模块具体用于：

基于检索到的相似案例及相似案例对应的转炉终点钢水碳含量与温度，采用k近邻法求解，获取问题案例对应的转炉终点钢水碳含量与温度的预测值。

再一方面，本发明还提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

又一方面，本发明还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

本发明提供的技术方案带来的有益效果至少包括：

本发明将每一转炉冶炼工序分别视为一个案例，对转炉冶炼工序进行案例描述；其中，案例描述包括案例特征描述和案例的解决方案描述，案例特征包括单值类型影响因素和时序类型影响因素；解决方案包括转炉终点钢水碳含量与温度；以当前转炉冶炼工序为问题案例，历史转炉冶炼工序为历史案例，基于案例推理算法检索出历史案例中的相似案例；基于检索到的相似案例及其转炉终点钢水碳含量与温度，通过案例重用获取问题案例的转炉终点钢水碳含量与温度预测值。最终预测精度优于现有预测模型，可满足转炉现场生产的要求。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的转炉终点钢水碳含量与温度预测方法流程图；

图2为本发明实施例提供的案例特征描述示意图；

图3为不同w

图4为不同w

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

第一实施例

本实施例提供了一种转炉终点钢水碳含量与温度预测方法，根据转炉冶炼过程工艺参数的类型，提出了基于时序数据的案例推理模型(CBR_TM)预测转炉终点碳含量及温度。模型中案例的特征不仅包括了对终点碳含量及温度产生影响的单值类型的影响因素(铁水成分、重量和温度等)，还包括了枪位变化和供氧流量等时序类型的影响因素，在案例检索过程中基于欧氏距离和动态时间规整算法分别计算案例之间的单值类型影响因素相似度和时序类型影响因素相似度，并将二者加权组合，得到综合相似度。该方法可以由电子设备实现，该电子设备可以是终端或者服务器。该方法的执行流程如图1所示，包括以下步骤：

S101，将每一转炉冶炼工序分别视为一个案例，对转炉冶炼工序进行案例描述；其中，案例描述包括案例特征描述和案例的解决方案描述，案例特征包括对转炉终点钢水碳含量与温度产生影响的单值类型影响因素和时序类型影响因素；解决方案包括相应的转炉冶炼工序的转炉终点钢水碳含量与温度；

S102，以当前转炉冶炼工序为问题案例，历史转炉冶炼工序为历史案例，根据案例特征描述，基于案例推理算法，检索出历史案例中与问题案例间的相似度符合预设要求的相似案例及相似案例的转炉终点钢水碳含量与温度；

S103，基于检索到的相似案例及相似案例对应的转炉终点钢水碳含量与温度，通过案例重用，获取问题案例对应的转炉终点钢水碳含量与温度的预测值。

具体地，如图2所示，本实施例根据转炉终点成分和温度的影响因素的数据类型，将影响因素划分为单值类型影响因素和时序类型影响因素两类数据。

单值类型影响因素主要包括铁水信息、辅原料加入量和气体消耗量等；其中，铁水信息主要包括铁水温度、铁水重量和铁水成分等；铁水成分主要包括铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量和铁水硫含量等；辅原料加入量主要包括废钢加入量、石灰加入量、轻烧白云石加入量和烧结矿加入量等；气体消耗量主要包括氧气消耗量和氩气消耗量等。

时序类型影响因素主要包括供氧流量、氧枪枪位和底吹氩气流量等。

因此案例可描述为：案例＝{单值数据集，时序数据集}，其中，单值数据集＝{铁水信息(铁水成分、温度和重量等)，辅原料(废钢、石灰和清烧白云石等)，气体消耗(氧气和氩气)}，时序数据集＝{供养流量、氧枪枪位和氩气流量}。

基于上述，本实施例的案例检索过程，包括：

计算出历史案例与问题案例的单值类型影响因素的相似度；

计算出历史案例与问题案例的时序类型影响因素的相似度；

将历史案例与问题案例的单值类型影响因素的相似度及时序类型影响因素的相似度进行加权组合，得到相应的历史案例与问题案例之间的综合相似度；

根据综合相似度，从历史案例中筛选出符合预设要求的相似案例。此处，可以将各案例按照综合相似度的大小进行降序排列，然后选择其中前几名案例。

其中，单值类型影响因素的相似度的计算方法有很多，包括欧氏距离相似度和灰色距离相似度等。本实施例采用欧式距离相似度。

假设案例的影响因素个数为n，案例库中历史案例的第j个因素是x

式中：m为案例的影响因素个数；x

则历史案例与问题案例之间的单值数据相似度为：

而时序类型影响因素的相似度的度量方法也有很多，可以分为两类：基于轨迹点的相似性度量方法和基于轨迹段的相似性度量方法。其中，基于轨迹点的相似度度量方法可以分为全局匹配度量法和局部匹配度量法。全局匹配度量法包括欧式距离法、动态时间规整法(DTW)和编辑距离法(ERP)，考虑到转炉中的时序数据具有不同长度的特点，本实施例采用动态时间规整法计算时序数据相似度。假定两个时间序列A＝{A

为了确定最佳匹配关系，需将A，B构成一个n×m的DTW矩阵d:

在DTW矩阵d中，在起始点(1,1)到终点(N,M)间，运用动态规划的基本思想，使用公式：

D

式中：D

定义时间序列A与B的时序相似度为：

在通过上述方法计算出历史案例和问题案例间的单值数据相似度和时序数据相似度后，即可通过将二者加权求和，得到案例的综合相似度，公式如下：

式中：n为时序数据变量的个数；w

进一步地，在完成案例检索后，本实施例的案例重用过程如下：

采用k近邻法求解，计算公式如公式(7)所示：

式中：k为案例重用个数，S

下面，利用应用实例对通过本实施例方法构建的预测模型的精度进行验证。

1数据集

本实施例以B钢厂采集的946条SHPC钢种转炉实际生产数据进行验证，其中846条数据作为训练集，100条数据作为测试集。根据现场数据挑选出16个影响因素，其中单值类型13个，分别为铁水温度、铁水重量、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、废钢量、石灰加入量、白云石加入量、烧结矿加入量、补热剂、总氧耗和总氩气消耗，时序数据3个，分别为供氧流量、氧枪枪位和底吹氩气流量。具体影响因素统计结果如表1和表2所示。

表1转炉终点碳温的影响因素(单值类型)统计结果

表2转炉终点碳温的影响因素(时序类型)统计结果

2评价指标

为了评价预测模型的效果，采用三个指标进行评价，分别为平均绝对误差(MAE)、均方根误差(RMSE)和命中率(HitRate)。其计算公式如下：

其中：y

3结果与分析

本实施例提供的基于时序数据改进的CBR模型(CBR_TM)的参数设置为：单值类型数据的数据标准化采用(-1,1)标准化，相似度计算法为欧氏距离，权重计算方法为熵权法，案例重用个数为3。

单值类型数据权重计算结果如下：

表3单值数据的权重

时序数据相似度计算采用动态规整(DTW)算法，数据标准化同样采用(-1,1)归一化。w

表4模型中w

通过统计不同w

进一步分析可知预测模型的输入同时包括单值类型数据和时序类型数据有助于提高预测模型的精度，但各自的权重不易过高，如果忽略了某一类型对终点控制的影响，反而造成模型预测精度的降低。

此外，为了进一步验证本实施例提供的预测模型的精度，本实施例还建立了基于SVR和BPNN模型的预测精度，模型中只将单子类型数据作为输入。

SVR模型通过调用python数据挖掘工具包scikit-learn中的SVR算法构造，模型的参数中核函数选择多项式核(poly核)，多项式核函数的次数为3。

BPNN模型通过调用python深度学习工具包tensorflow构造，模型参数网络结构为4层，输入层节点为16，隐含层层数为2层，第一层隐含层节点数为8，第二层节隐含层点数为5，输出层节点数为1，激活函数为relu。

统计各模型预测结果，可得出CBR_TM

综上，本实施例提供了一种转炉终点钢水碳含量与温度预测方法，建立了基于时序数据的案例推理模型(CBR_TM)预测转炉终点钢水碳含量及温度。模型的输入除了铁水成分和温度等单值类型数据，还包括了枪位变化、供氧流量等时序类型数据，使案例特征更加全面，并基于动态时间规整算法提出了时序类型数据的相似度计算方法，提高了案例检索的准确性。而且，本实施例还基于现场生产数据，研究了加权系数w

第二实施例

本实施例提供了一种转炉终点钢水碳含量与温度预测装置，该装置包括：

案例描述模块，用于将每一转炉冶炼工序分别视为一个案例，对转炉冶炼工序进行案例描述；其中，所述案例描述包括案例特征描述和案例的解决方案描述，所述案例特征包括对转炉终点钢水碳含量与温度产生影响的单值类型影响因素和时序类型影响因素；所述解决方案包括相应的转炉冶炼工序的转炉终点钢水碳含量与温度；

案例检索模块，用于以当前转炉冶炼工序为问题案例，历史转炉冶炼工序为历史案例，根据所述案例描述模块对问题案例的案例特征描述，基于案例推理算法，检索出历史案例中与问题案例间的相似度符合预设要求的相似案例及相似案例的转炉终点钢水碳含量与温度；

案例重用模块，用于基于所述案例检索模块检索到的相似案例及相似案例对应的转炉终点钢水碳含量与温度，通过案例重用，获取问题案例对应的转炉终点钢水碳含量与温度的预测值。

本实施例的转炉终点钢水碳含量与温度预测装置与上述第一实施例的转炉终点钢水碳含量与温度预测方法相对应；其中，本实施例的转炉终点钢水碳含量与温度预测装置中的各功能模块所实现的功能与上述第一实施例的转炉终点钢水碳含量与温度预测方法中的各流程步骤一一对应；故，在此不再赘述。

第三实施例

本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。

该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。

第四实施例

本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。