【技术实现步骤摘要】
一种中小型转炉的终点碳含量和终点温度预测方法
[0001]本专利技术属于智能冶炼工艺及设备领域,具体涉及一种中小型转炉的终点碳 含量和终点温度预测方法。
技术介绍
[0002]冶炼时的终点控制工艺决定产品品质。终点控制即控制冶炼终点时使金属 的化学成分和温度同时达到计划钢种出钢要求而进行的控制,包括增碳法和拉 碳法等。终点控制的具体目标包括:钢水的碳含量应达到所炼钢种要求的目标 范围;钢中磷、硫含量应低于规格下限要求的范围;出钢温度应保证下步工序: 如炉外精炼、浇注的顺利进行;在冶炼沸腾钢、半镇静钢时还应保持钢水应有 的氧化性,在具体操作中一般需要进行碳含量监测和温度监测(碳温监测)。
[0003]中小型转炉的终点控制通常包括人工控制方法、静态控制方法、副枪和炉 气分析动态控制方法、光学图像控制方法和基于数据模型的智能控制方法。其 中,人工控制和静态控制方法缺少智能算法的指导与参考,终点碳温命中率较 低,经常需要进行二次补吹,或不得不高温出钢,导致冶炼成本的提高和冶金 资源的浪费;副枪动态控制并不适用于中小型转炉,且炉气分析动态控制成本 过高。光学图像控制中图像识别预测终点碳温的技术尚不成熟;而基于数据模 型的智能控制方法不存在上述缺陷,相对比较具有优势,转炉终点碳温预测是 其核心技术。
[0004]现有技术中,有学者针对物料加入量对不同类别终点碳温的影响不同的情 况,将数据按终点碳含量划分为低碳(C<0.06%)、高碳(C≥0.06%)两类,然后进 行碳温预测,预测精度显著提升,终点碳 ...
【技术保护点】
【技术特征摘要】
1.一种中小型转炉的终点碳含量和终点温度预测方法,其特征在于,包括如下步骤:步骤S1,获取中小型转炉的历史生产数据,并对历史生产数据进行维度筛选,得到用于模型训练的数据集;步骤S2,基于共享最近邻传播SNN
‑
AP算法构建聚类模型,将所述用于模型训练的数据集输入所述聚类模型,得到基于模型训练数据集的聚类中心点集及对应的聚类数据集;步骤S3,为每类数据集建立终点碳含量预测模型和终点温度预测模型;步骤S4,将每个类别的数据集输入对应的所述终点碳含量预测模型及终点温度预测模型进行训练,得到成熟的终点碳含量预测模型及终点温度预测模型;步骤S5,采集所述中小型转炉与所述比较数列对应的数据项,输入对应类别的成熟的终点碳含量预测模型及终点温度预测模型,得到预测的当前碳含量及温度。2.根据权利要求1所述的中小型转炉的终点碳含量和终点温度预测方法,其特征在于,步骤S1所述对历史生产数据进行维度筛选,首先筛除异常数据后,再选用灰色关联度算法进行数据分析和选取。3.根据权利要求2所述的中小型转炉的终点碳含量和终点温度预测方法,其特征在于,所述灰色关联度算法包括:步骤S11,选定参考数列和比较数列;其中,选定终点碳含量与终点温度为参考数列;选定除终点碳含量与终点温度以外的数据项数列为比较数列;步骤S12,对所述参考数列和比较数列进行无量纲化处理;步骤S13,计算处理后的参考数列和比较数列间的灰色关联系数与灰色关联度。4.根据权利要求3所述的中小型转炉的终点碳含量和终点温度预测方法,其特征在于,采用邓氏关联度计算灰色关联系数与灰色关联度。5.根据权利要求1所述的中小型转炉的终点碳含量和终点温度预测方法,其特征在于,所述共享最近邻传播SNN
‑
AP算法,设置数据量为n的m维数据集D
n
×
m
,以数据集内两数据i、k间相似度s(i,k)为基础,计算描述点k适合作为数据点i的聚类中心程度的吸引度r(i,k),由此组成的吸引度矩阵R如式(1)所示:R=[r(i,k)]
n
×
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)计算描述点i选择点k适合作为其聚类中心程度的归属度a(i,k),由此组成的归属度矩阵A如式(2)所示:A=[a(i,k)]
n
×
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(1)和(2)中,r(i,k)表示点k作为中心点对点i的吸引度,a(i,k)表示点k作为中心点时,点i归属于点k的归属度。6.根据权利要求5所述的中小型转炉的终点碳含量和终点温度预测方法,其特征在于,所述共享最近邻传播SNN
‑
AP算法的运行过程包括:步骤S21,对R、A两个矩阵及中心未变次数进行初始化,计算数据集的相似度矩阵S=[s(i,k)]
n
×
n
;步骤S22,以相似度矩阵S=[s(i,k)]
n
×
n
为基...
【专利技术属性】
技术研发人员:贺东风,黄涵锐,冯凯,郭园征,
申请(专利权)人:北京科技大学,
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。