System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及转炉炼钢,特别是指一种基于集成学习算法的转炉炼钢耗氧量推荐方法及装置。
技术介绍
1、目前国内炼钢生产流程主要以转炉炼钢生产工艺为主,转炉耗氧量的计算是钢铁冶炼过程中一项重要的指标,它反映了转炉炼钢的效率和成本。传统的耗氧量预测方法往往依赖于经验模型或者基于物理原理的建模,这些方法在精度和泛化性能上存在一定的局限性。因此,开发一种准确、可靠的转炉炼钢耗氧量预测模型具有重要意义。
2、转炉炼钢生产的铁水中成分复杂,含有多种元素如碳、硅、锰、磷、硫、钙、铝等,最终元素的含量和转炉吹氧过程有直接关系,也对最终成品钢材的成分有着至关重要的作用。如果吹炼过程吹氧太多或者吹炼太久转炉吹炼耗氧量过多,则会导致钢水中太多元素被吹炼掉而影响最后出钢连铸、造成原料浪费和资金损失,同时增大氧气用量也大大提高了生产成本;如果转炉吹氧量过低,则达不到调节钢材成分元素的温度,终点钢水中的杂质元素过多,则只能重新冶炼也大大增加生产成本和资源浪费。
技术实现思路
1、本专利技术要解决的技术问题是提供一种基于集成学习算法的转炉炼钢耗氧量推荐方法及装置,以精准预测转炉炼钢耗氧量,提高生产效益,降低成本。
2、为解决上述技术问题,本专利技术提供技术方案如下:
3、一方面,提供一种基于集成学习算法的转炉炼钢耗氧量推荐方法,包括:
4、获取耗氧量预测所需参数,其中,所述耗氧量预测所需参数包括当前炉次相关参数和上一炉次相关参数,所述当前炉次相关参数和上一炉次相关参
5、对所述耗氧量预测所需参数进行预处理;
6、将预处理后的耗氧量预测所需参数分别输入预先训练好的xgboost模型和lightgbm模型,得到xgboost预测值和lightgbm预测值;
7、将所述xgboost预测值和lightgbm预测值输入预先构建好的线性贝叶斯回归模型,得到耗氧量推荐值。
8、另一方面,提供一种基于集成学习算法的转炉炼钢耗氧量推荐装置,包括:
9、获取模块,用于获取耗氧量预测所需参数,其中,所述耗氧量预测所需参数包括当前炉次相关参数和上一炉次相关参数,所述当前炉次相关参数和上一炉次相关参数均包括铁水中元素含量、铁水重量、铁水温度和废钢总重,铁水中元素包括c、si和mn,所述上一炉次相关参数还包括氧气耗量;
10、预处理模块,用于对所述耗氧量预测所需参数进行预处理;
11、第一计算模块,用于将预处理后的耗氧量预测所需参数分别输入预先训练好的xgboost模型和lightgbm模型,得到xgboost预测值和lightgbm预测值;
12、第二计算模块,用于将所述xgboost预测值和lightgbm预测值输入预先构建好的线性贝叶斯回归模型,得到耗氧量推荐值。
13、再一方面,本专利技术提供一种电子设备,所述电子设备包括:壳体、处理器、存储器、电路板和电源电路,其中,电路板安置在壳体围成的空间内部,处理器和存储器设置在电路板上;电源电路,用于为上述电子设备的各个电路或器件供电;存储器用于存储可执行程序代码;处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,用于执行上述的方法。
14、又一方面,本专利技术提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述的方法。
15、本专利技术具有以下有益效果:
16、本专利技术的基于集成学习算法的转炉炼钢耗氧量推荐方法及装置,利用线性贝叶斯算法融合了xgboost和lightgbm集成学习算法,综合考虑不同算法的特点和性能,能够有效地预测转炉炼钢过程中的耗氧量,从而提高生产效益,降低成本,具有较高的准确性和泛化性能,能够为炼钢生产提供可靠的技术支持。
本文档来自技高网...【技术保护点】
1.一种基于集成学习算法的转炉炼钢耗氧量推荐方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述铁水中元素还包括Cr、P、S和Ti中的至少一个;
3.根据权利要求1所述的方法,其特征在于,所述对所述耗氧量预测所需参数进行预处理,包括:
4.根据权利要求1所述的方法,其特征在于,所述XGBoost模型和LightGBM模型的训练方法,均包括:
5.根据权利要求4所述的方法,其特征在于,所述对所述数据集进行预处理,包括:
6.根据权利要求4所述的方法,其特征在于,所述根据预处理后的数据集,训练模型,包括:
7.根据权利要求1所述的方法,其特征在于,所述线性贝叶斯回归模型中,通过平均绝对百分误差倒数确定所述XGBoost模型输出的XGBoost预测值和所述LightGBM模型输出的LightGBM预测值的权重。
8.一种基于集成学习算法的转炉炼钢耗氧量推荐装置,其特征在于,包括:
9.一种电子设备,其特征在于,所述电子设备包括:壳体、处理器、存储器、电路板和电源电路,其中
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.一种基于集成学习算法的转炉炼钢耗氧量推荐方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述铁水中元素还包括cr、p、s和ti中的至少一个;
3.根据权利要求1所述的方法,其特征在于,所述对所述耗氧量预测所需参数进行预处理,包括:
4.根据权利要求1所述的方法,其特征在于,所述xgboost模型和lightgbm模型的训练方法,均包括:
5.根据权利要求4所述的方法,其特征在于,所述对所述数据集进行预处理,包括:
6.根据权利要求4所述的方法,其特征在于,所述根据预处理后的数据集,训练模型,包括:
7.根据权利要求1所述的方法,其特征在于,所述线性贝叶斯回归模型中,通过平均绝对百分误差倒数确定所述xgboost模型输出的x...
【专利技术属性】
技术研发人员:宁新泽,宋志刚,孔维强,崔汝伟,朱勇,董亚锋,
申请(专利权)人:山东浪潮智能生产技术有限公司,
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。