[发明专利]一种转炉终点钢水碳含量与温度预测方法及装置

说明书

本发明公开了一种转炉终点钢水碳含量与温度预测方法及装置，该方法包括：将每一转炉冶炼工序分别视为一个案例，对转炉冶炼工序进行案例描述；其中，案例描述包括案例特征描述和案例的解决方案描述，案例特征包括单值类型影响因素和时序类型影响因素；解决方案包括转炉终点钢水碳含量与温度；以当前转炉冶炼工序为问题案例，历史转炉冶炼工序为历史案例，基于案例推理算法检索出历史案例中的相似案例；基于检索到的相似案例及其转炉终点钢水碳含量与温度，通过案例重用获取问题案例的转炉终点钢水碳含量与温度预测值。本发明方法的预测精度优于现有预测模型，可满足转炉现场生产的要求。

技术领域

本发明涉及转炉工序终点控制技术领域，特别涉及一种转炉终点钢水碳含量与温度预测方法及装置。

背景技术

转炉炼钢是一个非常复杂的多元多相高温物理化学过程，其显著特点是反应速度快、影响因素多、反应复杂。转炉终点控制主要是指终点的碳含量和温度。终点控制不准确，会导致钢水氧含量增加，铁损增加、吹炼时间延长、降低炉衬寿命等一系列危害。因此，提高转炉终点控制命中利率对改善产品质量、加快生产节奏和提高企业利润有重要意义。而转炉终点钢水碳含量和温度是转炉工序终点控制的指标之一，精准的终点预测模型有助于提高转炉终点命中率。

目前转炉的终点控制模型可以分为静态控制模型和动态控制模型，静态控制模型是动态控制模型的基础，根据建模原理可以分为机理模型和数据驱动模型。由于机理模型相对理想化，模型中的参数由于现场条件限制无法获取，导致模型的精度较低。而随着钢厂自动化和信息化的快速发展，各大钢厂均建立起了自己的大数据平台，并收集了大量的生产数据，基于数据驱动的终点预测模型为提高转炉终点命中率提供了一种解决方案。

目前针对各工序终点预测的方法有很多，常见的有支持向量回归机、神经网络、决策树和案例推理等算法。高闯等人提出了基于改进孪生支持向量机的转炉静态预测模型。韩敏等人建立了基于ANFIS和鲁棒相关向量机的转炉炼钢动态控制模型。何飞等人建立了基于PCA和BP神经网络的转炉终点磷含量预测模型。吕武等人建立了基于极限学习机的LF终点温度预测模型。田慧欣等人建立了基于改进的AdaBoost.RT算法的极限学习机模型预测LF精炼终点钢水温度。韩敏等人基于膜算法进化极限学习机的氧气转炉炼钢终点预报模型。王小军等人分别建立了基于随机森林和基于bootstrap特征子集集成回归树的LF终点温度预测模型。何飞等人提出了基于案例推理的LF终点预测模型。冯凯等人提出了一种基于机理模型相似度的案例推理模型预测专用脱磷转炉终点磷含量，王心哲等人提出了基于因果关系的CBR模型的转炉炼钢静态控制模型。此外，蒋胜龙等人提出了基于多元线性回归和高斯过程回归的混合模型预测转炉氧耗。严良涛等人建立了基于遗传算法的核偏最小二乘回归(GA-KPLSR)方法的终点碳含量的预测模型。程进等人提出一种由数据驱动的多任务学习(MTL)炼钢终点预测方法。

上述预测模型均没有充分考虑时序类型的工艺参数，例如转炉吹炼过程中的枪位变化、供氧流量和底吹气体流量等，而这些时序类型工艺参数对转炉终点成分和温度有很大的影响，因此，现有预测模型对转炉终点的预测不够理想。

发明内容

本发明提供了一种转炉终点钢水碳含量与温度预测方法及装置，以解决现有预测模型由于没有考虑转炉工序中的时序类型的工艺参数，造成现有预测模型对转炉终点的钢水碳含量与温度等参数的预测效果不够理想的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供一种转炉终点钢水碳含量与温度预测方法，包括：

将每一转炉冶炼工序分别视为一个案例，对转炉冶炼工序进行案例描述；其中，所述案例描述包括案例特征描述和案例的解决方案描述，所述案例特征包括对转炉终点钢水碳含量与温度产生影响的单值类型影响因素和时序类型影响因素；所述解决方案包括相应的转炉冶炼工序的转炉终点钢水碳含量与温度；