终点磷含量的预测模型构建方法及系统、预测方法及系统

技术领域

本发明涉及电炉或熔融热解炉冶炼技术领域，特别是涉及一种终点磷含量的预测模型构建方法及系统、预测方法及系统。

背景技术

电炉或熔融热解炉冶炼的主要目标是同时达到冶炼工艺要求的成分和温度。但是当钢种中的磷含量过高时，在寒冷的条件下会导致钢表面出现裂纹，这会使得钢出现硬脆性。因此，为了获得合格的钢水，需要精准控制电炉或熔融热解炉冶炼冶炼终点的磷含量。

目前，针对终点磷含量的预测，申请号为202010329396.X的发明专利，通过采集和处理历史生产数据，输入到预设公式计算得到转炉终点磷含量；申请号为202210311528.5的发明专利，基于贝叶斯算法融合至少两种机器学习训练的子预测模型，提高了转炉终点磷含量预测的精度。但是实际生产过程中可用于有效建模的数据较少，难以基于大数据技术和机器学习算法建立高精度的终点磷含量预测模型。

发明内容

本发明的目的是提供一种终点磷含量的预测模型构建方法及系统、预测方法及系统，可以基于少量的样本数据建立预测准确度较高的终点磷含量预测模型。

为实现上述目的，本发明提供了如下方案：

本发明提供了一种终点磷含量预测模型构建方法，包括：

步骤1：根据电炉或熔融热解炉冶炼历史生产数组中的无异常数组，确定第一终点磷含量预测模型；所述历史生产数组包括生产输入特征值和在所述生产输入特征值下得到的终点磷含量数据；所述历史生产数组包括无异常数组和异常数组；所述无异常数组为非异常工况下的历史生产数组，所述异常数组为异常工况下的历史生产数组，所述异常工况为由非工艺操作导致的生产停滞和生产事故；所述第一终点磷含量预测模型为以无异常数组中的生产输入特征值为输入，以所述生产输入特征值对应的终点磷含量数据为标签，训练得到的模型；

步骤2：根据各生产输入特征的合理取值范围、平均值和标准差，生成若干扩展生产输入特征值；

步骤3：将所述扩展生产输入特征值输入至所述第一终点磷含量预测模型，预测各扩展生产输入特征值下的终点磷含量数据，得到拓展无异常数组；

步骤4：根据所述混合数组，基于数据驱动算法和优化算法，分别以混合数组中的生产输入特征值为输入，以终点磷含量数据为输出，确定第二终点磷含量预测模型；所述混合数组包括所述历史生产数组和所述拓展无异常数组。

可选的，所述混合数组中所述历史生产数组和所述拓展无异常数组的数组比例符合设定比例。

可选的，在确定第二终点磷含量预测模型之前，还包括：

对混合数组中的数据进行预处理，所述预处理包括数据清洗、数据归一化以及数据特征筛选。

可选的，所述生产输入特征包括原料数据、辅料数据和能耗数据。

可选的，所述原料数据包括入炉铁水温度、铁水重量、铁水C含量、铁水Si含量、铁水Mn含量、铁水P含量、铁水S含量、废钢加入量和生铁加入量；

所述辅料数据包括石灰石添加量、白云石添加量和碳粉添加量；

所述能耗数据包括耗电总量、耗氧总量和天然气消耗总量。

可选的，在步骤1之前，还包括：

对原始历史生产数据进行数据缺失值插补，得到所述历史生产数组。

可选的，所述生产输入特征值包括所述原料数据、所述辅料数据和所述能耗数据，所述对所述原始历史生产数据进行数据缺失值插补，具体包括：

基于0值插补法，对所述原料数据和辅料数据进行数据缺失值插补；

基于均值插补法，对所述能耗数据进行数据缺失值插补。

本发明还提供了一种终点磷含量预测模型构建系统，包括：

第一模型构建模块，用于根据电炉或熔融热解炉冶炼历史生产数组中的无异常数组，确定第一终点磷含量预测模型；所述历史生产数组包括生产输入特征值和在所述生产输入特征值下得到的终点磷含量数据；所述历史生产数组包括无异常数组和异常数组；所述无异常数组为非异常工况下的历史生产数组，所述异常数组为异常工况下的历史生产数组，所述异常工况为由非工艺操作导致的生产停滞和生产事故；所述第一终点磷含量预测模型为以无异常数组中的生产输入特征值为输入，以所述生产输入特征值对应的终点磷含量数据为标签，训练得到的模型；

数据扩展模块，用于根据各生产输入特征的合理取值范围、平均值和标准差，生成若干扩展生产输入特征值；

计算模块，用于将所述扩展生产输入特征值输入至所述第一终点磷含量预测模型，预测各扩展生产输入特征值下的终点磷含量数据，得到拓展无异常数组；

第二模型构建模块，用于根据混合数组，基于数据驱动算法和优化算法，分别以混合数组中的生产输入特征值为输入，以终点磷含量数据为输出，确定第二终点磷含量预测模型；所述混合数组包括所述历史生产数组和所述拓展无异常数组。

本发明还提供了一种基于所述终点磷含量预测模型的终点磷含量预测方法，包括：

获取电炉或熔融热解炉冶炼的生产输入特征值；

基于插补法，对所述生产输入特征值进行数据插补；

将数据插补后的生产输入特征值输入至第二终点磷含量预测模型，确定所述电炉或熔融热解炉的终点磷含量。

本发明还提供了一种终点磷含量预测系统，包括：

数据获取模块，用于获取电炉或熔融热解炉冶炼的生产输入特征值；

数据插补模块，用于基于插补法，对所述生产输入特征值进行数据插补；

计算模块，用于将数据插补后的生产输入特征值输入至第二终点磷含量预测模型，确定所述电炉或熔融热解炉的终点磷含量。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了终点磷含量的预测模型构建方法及系统、预测方法及系统，构建方法包括：首先根据电炉或熔融热解炉历史生产数组中的无异常数组，确定第一终点磷含量预测模型；历史生产数组包括生产输入特征值和在生产输入特征值下得到的终点磷含量数据；历史生产数组包括无异常数组和异常数组；无异常数组为非异常工况下的历史生产数组，异常数组为异常工况下的历史生产数组，异常工况为由非工艺操作导致的生产停滞和生产事故；第一终点磷含量预测模型为以无异常数组中的生产输入特征值为输入，以生产输入特征值对应的终点磷含量数据为标签，训练得到的模型；然后根据各生产输入特征的合理取值范围、平均值和标准差，生成若干扩展生产输入特征值；再将扩展生产输入特征值输入至第一终点磷含量预测模型，预测各扩展生产输入特征值下的终点磷含量数据，得到拓展无异常数组；最后根据混合数组，基于数据驱动算法和优化算法，分别以混合数组中的生产输入特征值为输入，以终点磷含量数据为输出，确定第二终点磷含量预测模型；混合数组包括历史生产数组和拓展无异常数组。本发明根据生产输入特征值的变化范围，对第一终点磷含量预测模型的输入特征进行随机赋值，从而产生大量预测数据，可用于第二终点磷含量预测模型的训练，解决了历史生产数组量较少情况下的数据驱动建模问题；本发明还通过应用数据驱动算法建立第二终点磷含量预测模型，并利用智能优化算法对模型参数进行优化，从而提高了模型对终点磷含量的预测准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的终点磷含量预测模型构建方法流程图；

图2为本发明实施例提供的终点磷含量预测流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种终点磷含量的预测模型构建方法及系统、预测方法及系统，可以基于少量的样本数据建立预测准确度较高的终点磷含量预测模型。

如图1所示，本发明提供了电炉或熔融热解炉终点磷含量预测方法，包括：

步骤1：根据电炉或熔融热解炉历史生产数组中的无异常数组，确定第一终点磷含量预测模型；所述历史生产数组包括生产输入特征值和在所述生产输入特征值下得到的终点磷含量数据；所述历史生产数组包括无异常数组和异常数组；所述无异常数组为非异常工况下的历史生产数组，所述异常数组为异常工况下的历史生产数组，所述异常工况为由非工艺操作导致的生产停滞和生产事故；所述第一终点磷含量预测模型为以无异常数组中的生产输入特征值为输入，以所述生产输入特征值对应的终点磷含量数据为标签，训练得到的模型。

步骤2：根据各生产输入特征的合理取值范围、平均值和标准差，生成若干扩展生产输入特征值。

步骤3：将所述扩展生产输入特征值输入至所述第一终点磷含量预测模型，预测各扩展生产输入特征值下的终点磷含量数据，得到拓展无异常数组。

步骤4：根据混合数组，基于数据驱动算法和优化算法，分别以混合数组中的生产输入特征值为输入，以终点磷含量数据为输出，确定第二终点磷含量预测模型；所述混合数组包括所述历史生产数组和所述拓展无异常数组。

其中，历史生产数组中的生产输入特征和终点磷含量数据分别含有无异常数据、有异常数据以及无效数据。所述无异常数据为不存在非工艺操作导致的生产停滞和生产事故等异常工况的数据；所述有异常数据为存在非工艺操作导致的生产停滞和生产事故等异常工况的数据；所述无效数据包括终点数据缺失的炉次数据和传感器异常读取的数据。

在一些实施例中，电弧炉的历史生产数组包括生产输入特征值和钢水的终点磷含量数据，具体可以如下：

生产输入特征值包括原料数据、辅料数据和能耗数据。

其中，原料数据至少包括：入炉铁水温度、铁水重量、铁水C含量、铁水Si含量、铁水Mn含量、铁水P含量、铁水S含量、废钢加入量和生铁加入量。

辅料数据至少包括：石灰石添加量、白云石添加量和碳粉添加量。

能耗数据至少包括：耗电总量、耗氧总量和天然气消耗总量。

具体的，电弧炉的历史生产数组可根据现场可采集数据进行扩充。

在一些实施例中，在步骤1之前，还可以包括：

对原始历史生产数据进行数据缺失值插补，得到所述历史生产数组，具体可以如下：

基于0值插补法，对所述原料数据和辅料数据进行数据缺失值插补。

基于均值插补法，对所述能耗数据进行数据缺失值插补。

当一组数据的缺失值过多时，则删除该组数据。

在一些实施例中，所述第一终点磷含量预测模型的建立方法，具体可以如下：

S1、根据冶金热力学、动力学原理和实际数据维度，确定模型输入特征，建立终点磷含量预报的数学模型。

S2、根据历史生产数组中无异常的生产输入特征值为输入，以所述无异常的生产输入特征值对应的终点磷含量数据为标签，调整数学模型的参数。

S3、利用决定系数R2、平均绝对值误差MAE、均方根误差RMSE和命中率评价数学模型的准确性。

S4、重复S2、S3，获得具有较高准确性的数学模型，并作为第一终点磷含量预测模型。

其中，根据冶金热力学和动力学原理，磷分配比计算公式为：

式中：Lp为磷分配比，(％P)为渣中磷含量，[％P]为钢液中磷含量，T为钢液温度，(％CaO)为渣中氧化钙含量，(T·Fe)为渣中全铁含量。

其中，根据磷分配比计算公式和电弧炉磷的物料守恒计算，建立终点磷含量机理预测公式：

式中：[％P]为钢液磷含量，M

具体的，第一终点磷含量预测模型的输入特征为生产输入特征值中的铁水量、废钢量、铁水C含量、铁水Si含量、铁水Mn含量、铁水P含量、铁水S含量、铁水温度、电耗量、天然气量、氧耗量、白灰量，输出量为终点P含量。

在本实施例中，所述步骤2，具体可以如下：

利用箱线图法删除离群点；计算生产输入特征值中每个输入特征的平均值和标准差，根据所述平均值和标准差随机生成大批量数据；或生产输入特征值中每个输入特征的最大值和最小值，并在最大最小区间内随机生成大批量数据。

例如，以获取100吨电弧炉生产输入特征值，包括原料数据、辅料数据和能耗数据为例，利用箱型图查看变量异常值与离群点并删除；计算生产输入特征值的每个输入特征的平均值和标准差，每个变量平均值如下：

铁水量：52.61，废钢量：57.11，铁水C含量：4.22，铁水Si含量：0.64，铁水Mn含量：0.34，铁水P含量：0.10，铁水S含量：0.03，铁水温度：1262.94，电耗量：12519.59，天然气量：452.94，氧耗量：5499.31，白灰量：3678.35。

每个变量的标准差如下：

铁水量：8.32，废钢量：8.68，铁水C含量：0.44，铁水Si含量：0.31，铁水Mn含量：0.12，铁水P含量：0.02，铁水S含量：0.01，铁水温度：13.89，电耗量：4727.57，天然气量：76.70，氧耗量：689.06，白灰量：445.88。

则输入特征的合理取值范围如下：

铁水量(t)：29～69，废钢量(t)：40～80，铁水C含量(％)：0.45～4.65，铁水Si含量(％)：0.04～1.95，铁水Mn含量(％)：0.209～0.942，铁水P含量(％)：0.058～0.15，铁水S含量(％)：0.011～0.082，铁水温度(℃)：1230～1300，电耗量(kw/h)：2640～27720，天然气量(m3)：300～643，氧耗量(m3)：3519～7859，白灰量(kg)：2700～5000。

在一些实施例中，在步骤4之前，还可以包括：对所述生产输入特征值、所述终点磷含量数据、所述扩展输入数据和所述终点磷含量预测数据进行数据预处理；所述数据预处理包括数据清洗、数据归一化以及数据特征筛选。

具体的，数据清洗，包括异常值剔除、空值填充、重复值删除。

具体的，数据归一化，可以采用z-score0均值标准化的方法，根据计算公式为x＝(x-u)/σ对样本的输入输出数据归一化处理；其中u为所有样本数据的均值，σ为所有样本数据的标准差。

具体的，数据特征筛选，可以采用特征Pearson相关系数法，计算公式如下：

式中：X为输入特征，Y为标签，即终点磷含量，ρ

其中，相关系数越接近于1或-1，参数间的相关度越强，相关系数越接近于0，参数间的相关度越弱。本实例中，天然气和终点磷含量相关性较低，因此将铁水量、废钢量、铁水C含量、铁水Si含量、铁水Mn含量、铁水P含量、铁水S含量、铁水温度、电耗量、氧耗量、白灰量作为所述第二终点磷含量预测模型的最终输入特征。

在一些实施例中，所述步骤4，具体可以如下：

A1、所述混合数据集预处理，包括数据清洗、归一化与特征筛选。

A2、将预处理好的混合数据集划分成训练集、验证集和测试集。

A3、将训练集输入到数据驱动算法中进行训练。

A4、利用智能优化算法优化所述数据驱动算法的参数。

A5、利用决定系数R2、平均绝对值误差MAE和均方根误差RMSE和命中率来评价第二终点磷含量预测模型的准确性。

A6、重复A3、A4、A5，反复训练和优化获得较高准确性的数据驱动模型，作为第二终点磷含量预测模型。

其中，混合数组中所述历史生产数组和所述拓展无异常数组的数组比例符合设定比例，将混合数据集中的铁水量、废钢量、铁水C含量、铁水Si含量、铁水Mn含量、铁水P含量、铁水S含量、铁水温度、电耗量、天然气量、氧耗量、白灰量为所述第二终点磷含量预测模型的输入特征；所述混合数据集中的终点P含量为所述第二终点磷含量预测模型的标签，对第二终点磷含量预测模型进行训练。

具体的，所述历史生产数组和所述拓展无异常数组按设定比例为1:5。

其中，步骤A1，具体可以如下：

根据上述混合数据集建立第二终点磷含量预测模型，对所述混合数据集进行预处理，数据预处理步骤如下：首先进行数据清洗，包括异常值剔除、空值填充、重复值删除，将数据清洗后的数据进行特征筛选，本实例中选用的特征筛选方法为Pearson相关系数法，计算公式如下：

式中：X为输入特征，Y为标签，即终点磷含量，ρ

相关系数越接近于1或-1，参数间的相关度越强，相关系数越接近于0，参数间的相关度越弱。本实例中，天然气和终点磷含量相关性较低，因此将铁水量、废钢量、铁水C含量、铁水Si含量、铁水Mn含量、铁水P含量、铁水S含量、铁水温度、电耗量、氧耗量、白灰量作为所述第二终点磷含量预测模型的最终输入特征。

将样本的输入输出数据归一化，本实例中采用z-score 0均值标准化的方法，计算公式为x＝(x-u)/σ，其中u为所有样本数据的均值，σ为所有样本数据的标准差。

将预处理好的混合数据集按照7：2：1的比例划分成训练集、验证集和测试集；训练集用于训练模型，验证集用于确定模型的超参数，测试集用来评估第二终点磷含量预测模型的预报性能。

将训练集输入到数据驱动算法中进行训练；本实例中，所述数据驱动算法深度神经网络，设置输入层节点数为11，输出层节点数为1，隐含层为4层，每层节点数为40，将样本的输入输出数据归一化，初始化网络间的连接权值和阈值。

其中，步骤A4，具体可以如下：

利用智能优化算法优化所述数据驱动算法的参数；本实例中，所述智能优化算法为果蝇优化算法，优化步骤主要包括：初始化果蝇种群的位置、迭代次数和种群规模，将果蝇个体看作是深度神经网络中的连接权值和阈值，给定随机方向和距离进行搜索。计算味道浓度函数，计算公式为：

式中：C(x)为味道浓度，x表示某个位置的坐标，f

反复训练迭代更新网络的权值与阈值，当味道浓度函数值满足要求或者达到迭代次数上限，即得到优化后的权值和阈值，进一步构建深度学习网络模型，得到最终的第二终点磷含量预测模型。

其中，步骤A5具体可以如下：

利用决定系数R2、平均绝对值误差MAE和均方根误差RMSE和命中率来评价第二终点磷含量预测模型的准确性。

本发明还提供了一种终点磷含量预测模型构建系统，包括：

第一模型构建模块，用于根据电炉或熔融热解炉历史生产数组中的无异常数组，确定第一终点磷含量预测模型；所述历史生产数组包括生产输入特征值和在所述生产输入特征值下得到的终点磷含量数据；所述历史生产数组包括无异常数组和异常数组；所述无异常数组为非异常工况下的历史生产数组，所述异常数组为异常工况下的历史生产数组，所述异常工况为由非工艺操作导致的生产停滞和生产事故；所述第一终点磷含量预测模型为以无异常数组中的生产输入特征值为输入，以所述生产输入特征值对应的终点磷含量数据为标签，训练得到的模型。

数据扩展模块，用于根据各生产输入特征的合理取值范围、平均值和标准差，生成若干扩展生产输入特征值。

计算模块，用于将所述扩展生产输入特征值输入至所述第一终点磷含量预测模型，预测各扩展生产输入特征值下的终点磷含量数据，得到拓展无异常数组。

第二模型构建模块，用于根据混合数组，基于数据驱动算法和优化算法，分别以混合数组中的生产输入特征值为输入，以终点磷含量数据为输出，确定第二终点磷含量预测模型；所述混合数组包括所述历史生产数组和所述拓展无异常数组。

如图2所示，本发明还提供了一种基于所述终点磷含量预测模型的终点磷含量预测方法，包括：

获取电炉或熔融热解炉的生产输入特征值。

基于插补法，对所述生产输入特征值进行数据插补。

将数据插补后的生产输入特征值输入至第二终点磷含量预测模型，确定所述电炉或熔融热解炉的终点磷含量。

本发明还提供了一种终点磷含量预测系统，包括：

数据获取模块，用于获取电炉或熔融热解炉的生产输入特征值。

数据插补模块，用于基于插补法，对所述生产输入特征值进行数据插补。

计算模块，用于将数据插补后的生产输入特征值输入至第二终点磷含量预测模型，确定所述电炉或熔融热解炉的终点磷含量。

综上所述，本发明具有以下优点

1、本发明通过冶金热力学和动力学原理建立了第一终点磷含量预测模型，根据实际工艺参数的变化范围，对机理预测模型的输入特征随机赋值，从而产生大量预测数据，可用于数据驱动模型的训练，有效解决了历史生产数组量较小情况下的数据驱动建模问题。

2、本发明通过数据驱动算法建立了第二终点磷含量预测模型，通过数据预处理、归一化、特征筛选算法获得数据集进行建模，利用智能优化算法优化模型的超参数，从而获得高精度的电炉或熔融热解炉终点磷含量预测模型，其中混合数据集中历史生产数组和机理预测模型产生的数据比例可以根据实际炉况调整，建模灵活性较高，可以有效适应电炉或熔融热解炉复杂的生产情况。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。