【技術實現步驟摘要】
本專利技術涉及轉爐煉鋼鋼水質量預測，尤其涉及一種基于樣本熵與分形特征融合進化的鋼水質量實時預測方法。
技術介紹
1、轉爐煉鋼是一個非常復雜的過程，涉及高溫下的物理和化學變化。鋼水碳含量和溫度的高低對鋼的質量有嚴重影響。轉爐煉鋼質量控制是指將鋼水的成分和溫度控制在合理的范圍內。而在實際煉鋼過程中，影響終點鋼水碳含量和溫度的因素很多，并且轉爐煉鋼過程是一個非常復雜的多元多相高溫反應過程，進而無法在轉爐煉鋼的過程中對鋼水碳含量和溫度進行實時檢測，這就導致了存在終點命中率低的問題。大多數中小型轉爐鋼鐵廠仍然依靠人工經驗來維持終點控制，即通過轉爐爐口火烙的亮度和形狀來推斷出火焰的溫度，這種方式控制精度低且不穩定。傳統的單一輸出的靜態控制模式主要是通過手動輸入參數分別對轉爐煉鋼的終點碳含量和溫度進行計算，其并不能進行鋼水碳含量和溫度兩個指標的同時實時預測。盡管基于機器學習的動態預測模型在轉爐煉鋼過程任務上表現出色，但也未做到鋼水碳含量和溫度兩個指標的同時預測或者實時預測。因此，亟需一種適用于轉爐煉鋼過程且成本低、命中率高的轉爐煉鋼鋼水質量多指標實時預測技術。
技術實現思路
1、針對現有技術存在的不足，本專利技術提供一種基于樣本熵與分形特征融合進化的鋼水質量實時預測方法，旨在實現轉爐煉鋼的鋼水質量多指標實時預測。
2、為解決上述技術問題，本專利技術所采取的技術方案是：
3、一種基于樣本熵與分形特征融合進化的鋼水質量實時預測方法，該方法包括如下步驟：
4、步驟1
5、步驟2：對轉爐煉鋼過程生產數據集進行樣本熵計算和分形特征提取，獲得轉爐煉鋼過程生產數據集的時間特征和空間特征，并將時間特征和空間特征加入到轉爐煉鋼過程生產數據集中獲得數據集合input；
6、步驟3：使用數據集合input對多輸入輸出的lstm神經網絡進行訓練，訓練時將input中鋼水的碳元素含量和鋼水溫度作為輸出，將input中其他數據作為輸入信息，采用滑動窗口的lstm網絡多輸出的方法建立轉爐煉鋼質量多指標實時預測模型；
7、步驟4：通過多目標差分進化算法對轉爐煉鋼質量多指標實時預測模型的參數進行優化，建立基于樣本熵與分形特征融合進化的鋼水質量實時預測模型；
8、步驟5：利用基于樣本熵與分形特征融合進化的鋼水質量實時預測模型對轉爐煉鋼實際生產中鋼水的碳元素含量和鋼水的溫度進行實時預測；
9、步驟6：根據實際生產情況，對基于樣本熵與分形特征融合進化的鋼水質量實時預測模型進行更新升級，以保持模型的預測精度。
10、所述鋼廠的實際生產歷史數據包括：
11、不同爐次在入爐前主原料的數據，包括入爐廢鋼重量，入爐鐵水的重量、溫度和碳、硅、錳、硫、磷元素含量；
12、不同爐次在整個吹煉過程期間產生的數據，包括氧槍高度、o2流量、煙氣流量、co流量、co2流量、n2-ty流量、ar-ty流量、塊狀石灰重量、輕燒白云石重量、菱鎂球重量、sishen塊礦重量、塊白云石重量、鎳板重量、復合碳化硅球重量信息；
13、不同爐次在出鋼時刻測得的鋼水碳元素含量和溫度數據。
14、所述轉爐煉鋼質量多指標實時預測模型如下：
15、{yc,yt}＝lstm{wall,o2,t,c,si,mn,p,s}?(3)
16、其中，yc、yt分別代表轉爐煉鋼質量多指標實時預測模型預測的鋼水中的碳元素含量和鋼水溫度；wall代表廢鋼重量、入爐鐵水的重量、氧槍高度、煙氣流量、co流量、co2流量、n2-ty流量、ar-ty流量、塊狀石灰重量、輕燒白云石重量、菱鎂球重量、sishen塊礦重量、塊白云石重量、鎳板重量、復合碳化硅球重量信息；o2代表煉鋼過程的累積氧氣用量；t代表鐵水溫度；c代表鐵水中的碳元素含量；si代表鐵水中的硅元素含量；mn代表鐵水中的錳元素含量；p代表鐵水中的磷元素含量；s代表鐵水中的硫元素含量。
17、所述步驟2包括如下步驟：
18、步驟2.1：對轉爐煉鋼過程生產數據集進行樣本熵計算得到樣本熵特征，并將得到的樣本熵特征加入到轉爐煉鋼過程生產數據集中得到新的數據集合zu,p；
19、步驟2.2：采用分形理論對zu,p進行分析，獲得分形特征，并將得到的分形特征加入到zu,p中獲得數據集合input。
20、所述步驟2.1所述的對轉爐煉鋼過程生產數據集進行樣本熵計算時，把轉爐煉鋼過程生產數據集中每個種類的數據所在的一列看做{x(n)}＝x(1),x(2),…,x(n)的時間序列，其中n表示每一爐次數據點的數量；嵌入維數m的初始值設定為2，公差r選取為時間序列數據{x(n)}的標準差的0.15倍。
21、所述步驟2.2所述的采用分形理論對zu,p進行分析，獲得分形特征的方法為：
22、將數據集合zu,p中每一行看做一個時間序列，對每一個時間序列分別按區間長度為l＝2、4、8進行三次劃分，每次得到d個區間，將每個區間視為一個子樣本；對于每個子樣本計算平均值ep和標準偏差sp；xjj,p為每個子樣本通過減去該子樣本的平均值來進行數據歸一化的結果，其中jj表示當前區間數據的數據點，對每個子樣本計算累積偏差序列對每個區間，計算rp＝max(yu,p)-min(yu,p)；計算d個子樣本的平均(rp/sp)：
23、
24、取對數，對log(r/s)和log(n)做線性回歸，計算回歸方程：
25、log(r/s)n＝log(a)+h?log(n)???(2)
26、通常a為常數，線性回歸中的斜率h就是hurst指數，hurst指數為分形特征。
27、所述步驟4中所述的通過多目標差分進化算法對轉爐煉鋼質量多指標實時預測模型的參數進行優化，具體是選取轉爐煉鋼質量多指標實時預測模型的網絡節點數和層數作為多目標差分進化算法的決策變量；將轉爐煉鋼質量多指標實時預測模型的兩個輸出的均方根誤差作為多目標差分進化算法的兩個目標函數。
28、所述步驟6包括如下步驟：
29、步驟6.1：判斷實際生產時吹煉后期下副槍取樣得到的鋼水中碳元素含量、鋼水溫度是否滿足出鋼條件，如果是，則鋼水出鋼，并執行步驟6.3；否則執行步驟6.2；
30、步驟6.2：判斷基于樣本熵與分形特征融合進化的鋼水質量實時預測模型輸出的鋼水碳元素含量和溫度的預測誤差是否在預設偏差范圍以內；若是，則在下一次進行實時預測時繼續使用當前的基于樣本熵與分形特征融合進化的鋼水質量實時預測模型，并執行步驟6.3；否則，返回步驟4，調整多目標優化算法的決策變量和其他參數，對轉爐煉鋼質量多指標實時預測模型進一步優化；
31、步驟6.3：定期對轉爐煉鋼過程生產數據集進行增量式更新，更新后重復執行步驟2至步驟5。
32、與現有技術相比較，本專利技術具有如下有益效果：...
【技術保護點】
1.一種基于樣本熵與分形特征融合進化的鋼水質量實時預測方法，其特征在于，該方法包括如下步驟：
2.如權利要求1所述的方法，其特征在于，所述鋼廠的實際生產歷史數據包括：
3.如權利要求1所述的方法，其特征在于，所述轉爐煉鋼質量多指標實時預測模型如下：
4.如權利要求1所述的方法，其特征在于，所述步驟2包括如下步驟：
5.如權利要求4所述的方法，其特征在于，所述步驟2.1所述的對轉爐煉鋼過程生產數據集進行樣本熵計算時，把轉爐煉鋼過程生產數據集中每個種類的數據所在的一列看做{x(n)}＝x(1),x(2),…,x(N)的時間序列，其中N表示每一爐次數據點的數量；嵌入維數m的初始值設定為2，公差r選取為時間序列數據{x(n)}的標準差的0.15倍。
6.如權利要求4所述的方法，其特征在于，所述步驟2.2所述的采用分形理論對Zu,p進行分析，獲得分形特征的方法為：
7.如權利要求1所述的方法，其特征在于，所述步驟4中所述的通過多目標差分進化算法對轉爐煉鋼質量多指標實時預測模型的參數進行優化，具體是選取轉爐煉鋼質量多指標
8.如權利要求1所述的方法，其特征在于，所述步驟6包括如下步驟：
...【技術特征摘要】
1.一種基于樣本熵與分形特征融合進化的鋼水質量實時預測方法，其特征在于，該方法包括如下步驟：
2.如權利要求1所述的方法，其特征在于，所述鋼廠的實際生產歷史數據包括：
3.如權利要求1所述的方法，其特征在于，所述轉爐煉鋼質量多指標實時預測模型如下：
4.如權利要求1所述的方法，其特征在于，所述步驟2包括如下步驟：
5.如權利要求4所述的方法，其特征在于，所述步驟2.1所述的對轉爐煉鋼過程生產數據集進行樣本熵計算時，把轉爐煉鋼過程生產數據集中每個種類的數據所在的一列看做{x(n)}＝x(1),x(2),…,x(n)的時間序列，其中n表示每一爐次數據點的數量；嵌入...
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。