一种转炉炼钢终点智能控制方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112668234A(43)申请公布日2021.04.16(21)申请号202011414366.5(22)申请日2020.12.07(71)申请人辽宁科技大学地址114051辽宁省鞍山市高新区千山路185号(72)发明人高闯李胜利翟宝鹏杨永辉艾新港李志刚储茂祥刘历铭汪淼孙悦(74)专利代理机构鞍山嘉讯科技专利事务所(普通合伙)21224代理人张群(51)Int.Cl.G06F30/27(2020.01)C21C5/30(2006.01)G06F119/08(2020.01)权利要求书6页说明书13页附图3页(54)发明名称一种转炉炼钢终点智能控制方法(57)摘要本发明提供了一种转炉炼钢终点智能控制方法，由如下子系统实现：1)数据预处理子系统：从数据库中采集数据，并进行数据预处理，通过独立性和相关性分析，确定终点碳含量和温度预测子系统模型的输入变量，保证模型精度；2)钢水终点预测子系统：采用基于小波权重的非平行支持向量回归机算法，对转炉炼钢的终点碳含量和终点温度进行预测；3)吹氧量和辅料计算子系统：结合鲸群优化算法和增量计算方法，根据预测模型的输出反馈计算优化误差，在保证优化误差最小的前提下，计算出吹炼阶段所需的吹氧量、石灰和轻烧白云石等辅料加入量；4)模型更新子系统：根据实际生产情况，定期对预测子系统进行更新升级。可实现转炉的一键式炼钢。CN112668234ACN112668234A权利要求书1/6页1.一种转炉炼钢终点智能控制方法，其特征在于，所述的控制方法由如下子系统实现：数据预处理子系统、钢水终点预测子系统、吹氧量和辅料计算子系统和模型更新子系统；1)数据预处理子系统：从数据库中采集数据，并进行数据预处理，通过独立性和相关性分析，确定终点碳含量和温度预测子系统模型的输入变量，保证模型精度；2)钢水终点预测子系统：采用基于小波权重的非平行支持向量回归机算法，对转炉炼钢的终点碳含量和终点温度进行预测；3)吹氧量和辅料计算子系统：结合鲸群优化算法和增量计算方法，根据预测模型的输出反馈计算优化误差，在保证优化误差最小的前提下，计算出吹炼阶段所需的吹氧量、石灰和轻烧白云石等辅料加入量；4)模型更新子系统：根据实际生产情况，定期对预测子系统进行更新升级。2.根据权利要求1所述的一种转炉炼钢终点智能控制方法，其特征在于，所述的数据预处理子系统的数据预处理方法具体包括如下步骤：Step1‑1：从数据库中读取n组转炉数据，对其进行预处理，剔除熔炼号、班别、炉长姓名等无关信息，得到n组具有m个特征变量的转炉数据集；Step1‑2：依据n组转炉数据，m个特征变量构造评价问题，确定参考序列和比较序列；原评价矩阵为：其中，Fi＝[fi(1),...,fi(k),...,fi(n)]为第i个特征变量的比较序列，fi(k)为第k组转炉数据的第i个特征变量；根据评价目的和指标情况，确定参考序列R0：R0＝(r0(1),...,r0(k),...,r0(n))(2)对于转炉数据，R0指模型的输出序列，即终点碳含量数据yC或终点温度数据yT，r0(k)为第k组转炉数据的输出变量；Step1‑3：标准化处理参考序列R0和比较序列F，得到矩阵无量纲数据Y；其中，Y0＝(y0(1),...,y0(k),...,y0(n))为标准化后的参考序列；Step1‑4：计算差值序列Ω；差值序列为每个比较序列的元素与对应的参考序列的元素的差值的绝对值，即2CN112668234A权利要求书2/6页Step1‑5：确定差值序列中的最大值p和最小值v，即Step1‑6：计算每个比较序列与参考序列对应元素的关联系数，即yi(k)和y0(k)之间的关联系数其中，ρ∈(0,1)是一个可调节参数；Step1‑7：计算每个特征的关联系数的平均值，形成关联序列，即关联系数越大，说明相应的输入因素对输出变量的影响越大；Step1‑8：按照灰色关联度系数γ0(i)从大到小的顺序进行排列，选择对输出变量影响较大的l(l≤m)个特征，初步作为相应的输入变量；Step1‑9：采用偏相关分析的方法，对得到的l输入变量进行独立性分析，以保证各输入变量之间相互独立或存在较小的相关性；任意两个输入变量xi和xj之间的g(g≤l‑2)阶偏相关系数可以通过下列式子计算：其中，等式(8)的右侧均代表的是g‑1的偏相关系数；偏相关系数是真正能够反映两个变量之间相关性的统计量；如果两个变量之间的偏相关系数较小，说明两个变量之间的相关性较小，甚至不相关；Step1‑10：通过机理分析，结合相关性和独立性分析，最终可以确定d(d≤l)个影响因Td×1素作为终点碳含量yC或终点温度yT预测模型的输入变量，定义为x＝[x1,x2,...,xd]