【技術實現步驟摘要】
本專利技術涉及轉爐終點元素含量的預測及深度學習，尤其涉及一種基于動態時序特征的轉爐終點元素含量預測方法
技術介紹
1、轉爐煉鋼是工業中應用最廣泛的煉鋼技術之一。在實際冶煉過程中，由于元素的自然燒損、出渣損耗以及吹煉過程中復雜的化學反應，導致鋼水中各元素含量變化值及燒損率難以計算，進而難以生成準確的合金配料方案，造成人力、物力的大量浪費。因此實現轉爐終點元素含量的精準預測，是促進轉爐工序高質量、高效率和穩定生產的關鍵。
2、傳統轉爐終點元素含量預測模型可以分為兩類：基于機理驅動的預測模型和基于數據驅動的預測模型。其中，基于機理驅動的預測模型以熱平衡和物料平衡為基礎，根據吹煉過程中的物理和化學過程，建立初始狀態與最終狀態之間的數學關系以及表征冶煉過程的狀態變化。
3、例如文章[林東等.復吹轉爐煉鋼過程機理模型[j].中國冶金,2006(05):31-35.doi:10.13228/j.boyuan.issn1006-9356.2006.05.011]根據冶金熱力學、動力學、傳輸原理和反應工程學理論得到轉爐中氧化反應的速度方程，建立了描述冶煉過程的動力學模型；文章[等.monitoring?and?prediction?of?the?liquid?steel?temperaturein?the?ladle?and?tundish[j].metalurgija,2006,45(2):93-96]提出在構建實時監測和預測鋼包和中間包內鋼液溫度的在線系統時，通過進入爐壁的熱通量和其他損失的熱平衡預測鋼液溫度；文章[r
4、隨著工業物聯網的發展，基于數據驅動的終點預測方法越來越受到重視。該方法以運行過程中各種傳感器采集數據為基礎，通過多元統計分析、機器學習等方法，挖掘其中隱含信息進行預測。例如文章[朱家明等.基于bp神經網絡對脫氧合金冶煉中元素收得率的預測[j].青海大學學報,2020,38(04):70-77.doi:10.13901/j.cnki.qhwxxbzk.2020.04.01]基于bp和rbf神經網絡建立了碳、錳元素收得率預測模型；文章[韓敏等.基于收得率預測模型的轉爐煉鋼合金加入量計算[j].煉鋼,2010,26(01):44-47]提出了一種基于支持向量機的mn元素收得率預測模型，基于收得率進行合金加入量的計算；
5、文章[高放等.基于fa-elm的轉爐終點磷含量預測模型[j].鋼鐵,2020,55(12):24-30.doi:10.13228/j.boyuan.issn0449-749x.20200246]基于極限學習機建立了終點磷含量預測模型。上述研究能夠實現動態追蹤比較和更深層次的學習，因此取得了較好的效果。但是此類模型存在容易陷入局部最優、運行時間長等問題。為進一步提高了模型的運算速度和預測精度，研究人員將多目標優化算法引入了傳統機器學習模型。例如文章[何孝雨等.基于ga-bp神經網絡預測轉爐出鋼過程mn元素合金化收得率[j].煉鋼,2022,38(04):14-20]借助因子分析法對樣本數據進行降維處理，得到公因子矩陣，簡化了數據結構，并基于簡化后的數據建立了ga-bp神經網絡模型；文章[周凱嘯等.基于改進極限學習機的轉爐出鋼合金化錳收得率預測模型[j].中南大學學報(自然科學版),2021,52(05):1399-1406]建立了基于極限學習機算法的mn元素收得率預測模型，并引入正則化方法和改進粒子群算法對其進行優化；文章[quan?l等.using?enhanced?sparrow?search?algorithm-deepextreme?learning?machine?model?to?forecast?end-point?phosphorus?content?ofbof[j].2021]將增強麻雀搜索算法(essa)和多策略與深度極限學習機(delm)集成為essa-delm，從而更準確地預測終點磷含量。
6、綜上所述，傳統轉爐終點元素含量預測受到了眾多學者和工程師的關注，模型也均在不同生產環境中取得了一定的效果。但轉爐冶煉采取連續進料、批次放渣的生產方式，即相近爐次生產數據間存在關聯性，傳統預測方法僅考慮當前爐次數據而忽略了歷史爐次數據之間存在的數據相關性，易造成預測模型的不穩定和不準確性。
技術實現思路
1、針對上述問題，本專利技術的目的在于提供一種基于動態時序特征的轉爐終點元素含量預測方法，包括基于分量數優化的數據重構模塊和基于動態加權的時序預測模塊，其中基于分量數優化的數據重構模塊對時序數據進行重構，以提取關鍵特征信息，并將重構后的數據與原始時序數據進行數據拼接，同時保證數據的完整性，增強模型的表示能力；基于動態加權的時序預測模塊采用權重動態更新的多時間滑動窗口思想對不同預測模型的預測結果進行加權計算，得到最終結果，減少了不同時間內因生產條件不同導致模型預測不穩定的影響，實現模型的穩定預測。
2、本專利技術所采用的技術方案是：
3、一種基于動態時序特征的轉爐終點元素含量預測方法，包括下述步驟：
4、s1.構建包含基于分量數優化的數據重構模塊與基于動態加權的時序預測模塊；
5、s2.對生產數據進行采集及數據預處理，對轉爐生產數據進行采集、去噪等預處理，對處理后的數據進行不同時間窗口的劃分，得到新的數據集形式，并劃分訓練集與測試集；
6、s3.在數據重構模塊中，構建自編碼器計算不同分量數下輸入數據和輸出數據之間的重構誤差，找到最小重構誤差，得到最優分量數，基于最優分量數進行非負矩陣分解得到重構矩陣，并將重構矩陣與原始數據進行拼接得到新的重構數據；
7、s4.對于新的重構數據，時序預測模塊在不同時間滑動窗內訓練模型并進行預具體測，利用動態加權對不同時間滑窗的預測結果進行加權完成預測。
8、進一步的，所述步驟s3中，構建自編碼器計算不同分量數下輸入數據和輸本文檔來自技高網...
【技術保護點】
1.一種基于動態時序特征的轉爐終點元素含量預測方法，利用動態時序特征轉換非時序數據進行轉爐終點元素含量的預測，其特征在于：包括下述步驟：
2.根據權利要求1所述的一種基于動態時序特征的轉爐終點元素含量預測方法，其特征在于：所描述步驟S3中，構建自編碼器計算不同分量數下輸入數據和輸出數據之間的重構誤差，找到最小重構誤差，得到最優分量數，基于最優分量數進行非負矩陣分解得到重構矩陣，并將重構矩陣與原始數據進行拼接得到新的重構數據，包括以下步驟：
3.根據權利要求1所述的一種基于動態時序特征的轉爐終點元素含量預測方法，其特征在于：所描述步驟S4中，對于新的重構數據，時序預測模塊在不同時間滑動窗內訓練模型并進行預測，利用動態加權對不同時間滑窗的預測結果進行加權完成預測，包括以下步驟：
【技術特征摘要】
1.一種基于動態時序特征的轉爐終點元素含量預測方法，利用動態時序特征轉換非時序數據進行轉爐終點元素含量的預測，其特征在于：包括下述步驟：
2.根據權利要求1所述的一種基于動態時序特征的轉爐終點元素含量預測方法，其特征在于：所描述步驟s3中，構建自編碼器計算不同分量數下輸入數據和輸出數據之間的重構誤差，找到最小重構誤差，得到最優分量數，基于最...
【專利技術屬性】
技術研發人員：劉晶，龐藝博，劉虎德，楊亮，李海龍，董阿倫，季海鵬，
申請(專利權)人：河北工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。