[发明专利]一种基于大数据的转炉生产预报方法

说明书

本发明公开了一种基于大数据的转炉生产预报方法，包括以下步骤：数据采集、数据预处理、关键变量识别、构建模型和模型训练与验证，本发明将转炉原料信息、转炉辅料信息，生产工艺信息，终点和出钢信息作为特征变量，根据转炉工序的控制要求，通过Pearson相关性分析识别各特征变量之间的相关性，保留中相关性和强相关性的特征变量，去除无相关性和弱相关性的特征变量，再基于BP算法的DNN神经网络模型进行训练验证，提高转炉生产预测准确率至不小于90％。

技术领域

本发明涉及转炉冶炼生产控制方法，尤其涉及一种基于大数据的转炉生产预报方法。

背景技术

转炉冶炼的主要目的是通过氧化的方法将铁水中的碳、硅、锰、磷等元素去除，生产出碳、磷、出钢温度符合要求的钢水。终点控制是转炉吹炼后期的重要操作，终点控制不准确，将会影响后道的精炼、连铸工序的进行。在延长冶炼时间的同时，增加金属消耗，甚至恶化钢的质量。

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。静态控制模型根据吹炼开始之前要判明的信息和终点的目标值，以冷却剂(铁矿石或铁皮等)加入量和氧耗量作控制变量，即用冷却剂加入量控制终点温度，用氧耗量控制终点碳开始吹炼。静态控制模型中的统计模型、增量模型和机理模型由于转炉冶炼过程中，炉内的反应非常复杂且随机性很大，很多因素都很难准确地用方程和统计方法来描述，同时因为忽略了转炉动态信息，因此三种静态模型应用于转炉炼钢受到很大的限制，其钢水温度和含碳量的命中率很低，不能满足终点控制要求。静态控制模型是动态控制模型的基础，目前动态控制最成熟的方法是副枪法，副枪动态控制是在静态模型基础之上进行的，在吹炼前期和中期仍然按静态模型控制，仅在吹炼末期到达终点前3分钟左右时，降下副枪检测钢水温度和钢水含碳量，经过动态模型算出到达终点需要添加冷却剂的量和补吹氧量。动态模型比静态模型，预报的准确度大大提高，终点的碳含量和钢水温度的命中率也明显提高，但是副枪比较昂贵，在中小型转炉上，就有了很大的局限性。

上述模型均未充分考虑转炉原料信息、转炉辅料信息和生产工艺信息等变量对吹炼终点成分和出钢温度的影响，所以命中率较低。

发明内容

发明目的：本发明旨在提供一种高命中率的基于大数据的神经网络预测模型的转炉生产预报方法。

技术方案：本发明所述基于大数据的转炉生产预报方法，包括以下步骤：

(1)数据采集：根据各工序的实际生产情况，对生产中各特征变量的数据进行采集；

(2)数据预处理：对所采集的数据进行预处理，包括数据筛选、数据变形、数据清理、标准化和数据分类，根据炉号构建形成数据帧；

(3)关键变量识别：根据转炉工序的控制要求，通过Pearson相关性分析识别各特征变量之间的相关性，保留与吹炼终点成分和出钢温度中相关性和强相关性的特征变量，去除无相关性和弱相关性的特征变量；

(4)构建模型：构建基于BP算法的DNN神经网络模型，输入层为特征变量；输出层为终点成分和出钢温度的预测值；

(5)模型训练与验证：载入步骤(3)中保留的特征变量数据进行模型训练和模型验证；直至预测值为C：实际测量值±0.01％wt，P：实际测量值±0.002％wt，出钢温度：实际出钢温度±5℃，且预测准确率不小于90％。

进一步地，步骤(1)中，所述特征变量的数据包括转炉原料信息、转炉辅料信息，生产工艺信息，终点和出钢信息。

进一步地，步骤(2)中，所述数据变形是指将数据进行正态分布转换，若其分布不满足单峰的正态分布，则重新进行数据筛选；所述数据清理是指清除存在空项、缺失、不完整的数据条目，确定数据分布的上限与下限；所述标准化是指将数据转化为便于计算机及模型理解的无量纲形式；所述数据分类是指将标准化的数据分为两类：用于模型训练的70％数据和用于模型验证的30％数据。