基于机器学习的转炉吹炼过程动态优化方法与流程

本发明涉及转炉吹炼，具体是涉及基于机器学习的转炉吹炼过程动态优化方法。

背景技术：

1、转炉炼钢是现代钢铁生产中最主要的炼钢方法之一，其核心过程是向盛有铁水的转炉内吹入高压氧气，利用氧与铁水中碳、硅、锰、磷等元素的氧化反应产生的热量来完成脱碳、脱磷、升温等冶炼任务，最终在吹炼终点获得成分和温度均满足要求的钢水。转炉吹炼过程具有高温、多相、强耦合、非线性等特点，吹炼时间通常仅为12至20分钟，在如此短的时间内需要精确控制碳含量和温度同时命中目标范围，对过程控制的精度和实时性提出了极高的要求。

2、目前，转炉吹炼过程的终点控制主要依赖于静态模型和动态模型两大类方法。静态模型根据入炉铁水成分、废钢配比、目标碳含量和目标温度等初始条件，通过经验公式或回归模型计算出氧气用量、造渣料用量、冷却剂用量等操作参数的设定值，并在整个吹炼过程中不再进行调整。这类方法的优点是计算简单、实施方便，但其最大的不足在于无法根据吹炼过程中的实际反应状态进行修正。由于入炉铁水成分波动、废钢比例变化、炉衬侵蚀程度不同等因素，实际吹炼过程往往与静态模型的假设条件存在较大偏差，导致终点命中率较低，通常碳含量命中率仅为70%至80%，温度命中率约为80%至85%。

3、为克服静态模型的不足，动态控制方法应运而生。动态控制方法在吹炼过程中通过副枪检测或烟气分析等手段获取中间过程信息，并据此对后续操作参数进行修正。传统的动态控制方法多采用基于规则的专家系统或基于线性回归的动态模型。例如，部分现有技术通过副枪在吹炼中期检测钢水碳含量和温度，根据检测值与目标值的偏差，按照预设的修正系数调整氧气流量和冷却剂加入量。然而，这类方法存在以下显著缺陷：第一，修正规则通常为人工经验总结的线性关系，无法准确描述吹炼过程中碳含量、温度与各操作变量之间复杂的非线性耦合关系；第二，现有动态模型大多仅针对终点碳含量和温度两个目标进行优化，未充分考虑氧气吹入量、底吹气体流量、氧枪枪位高度、副原料加入时机等多个操作变量之间的协同约束关系；第三，传统动态模型的特征变量选取往往依赖人工经验，缺乏系统性的特征筛选和相关性分析方法，导致模型输入维度冗余、预测精度受限。

技术实现思路

1、为解决上述技术问题，提供基于机器学习的转炉吹炼过程动态优化方法，本技术方案解决了上述背景技术中提出的问题。

2、为达到以上目的，本发明采用的技术方案为：

3、基于机器学习的转炉吹炼过程动态优化方法，包括以下步骤：

4、s100：在转炉吹炼过程中，按照预设时间间隔采集多源过程数据，多源过程数据包括副枪检测数据、烟气分析数据、光谱分析数据以及氧枪操作参数数据，并对多源过程数据进行时间戳对齐和异常值剔除处理，构建原始训练数据集；

5、s200：对原始训练数据集进行特征提取和特征筛选，根据各特征与吹炼终点碳含量偏差及终点温度偏差的相关性分析结果，保留相关性系数大于预设阈值的特征变量，形成模型输入特征向量；

6、s300：利用模型输入特征向量和对应的吹炼终点目标值，采用梯度提升决策树算法建立转炉吹炼终点预测模型，并通过交叉验证方法对模型超参数进行迭代优化，得到训练完成的终点预测模型；

7、s400：在当前炉次吹炼过程中，将实时采集的多源过程数据经相同的特征提取处理后输入终点预测模型，获得当前时刻钢水碳含量预测值和钢水温度预测值；

8、s500：根据钢水碳含量预测值、钢水温度预测值与对应的目标值之间的偏差，结合动态优化算法计算当前时刻至下一采样时刻之间各操作变量的最优设定值，操作变量包括氧气吹入量、底吹气体流量、各副原料加入重量及氧枪枪位高度；

9、s600：将最优设定值下发至转炉吹炼控制系统执行，并在下一采样时刻重复执行步骤s400至s600，直至吹炼终点到达。

10、优选的，所述步骤s100中，对多源过程数据进行时间戳对齐和异常值剔除处理，具体包括：

11、s101：以副枪检测时刻为基准时间节点，将烟气分析数据和光谱分析数据按照与基准时间节点的时间差进行线性插值对齐，使所有数据在时间轴上具有统一的时间戳；

12、s102：对对齐后的各变量数据分别采用三倍标准差法进行异常值检测，将超出均值加减三倍标准差范围的数据点标记为异常值，其中异常值判定条件为：

13、；

14、其中， 为第  个采样点的原始数据值， 为该变量全部采样点数据的算术平均值， 为该变量全部采样点数据的标准差；

15、s103：对标记为异常值的数据点，采用相邻两个有效数据点的加权平均法进行替换，替换值计算方式为：

16、；

17、其中， 为替换后的第  个采样点数据值， 和  分别为第  个异常值点前后相邻的两个有效数据点， 和  分别为前后相邻有效数据点的权重，且，， 为异常值点与前一个有效数据点之间的时间距离， 为异常值点与后一个有效数据点之间的时间距离；

18、s104：对替换后的数据进行滑动窗口平滑处理，窗口长度为5个采样点，将平滑后的数据作为清洗完成的原始训练数据集。

19、优选的，所述步骤s200中，根据各特征与吹炼终点碳含量偏差及终点温度偏差的相关性分析结果，保留相关性系数大于预设阈值的特征变量，具体包括：

20、s201：分别计算每个特征变量与终点碳含量偏差之间的皮尔逊相关系数，以及每个特征变量与终点温度偏差之间的皮尔逊相关系数，皮尔逊相关系数的计算方式为：

21、；

22、其中， 为特征变量  与目标变量  之间的皮尔逊相关系数， 为第  个样本的特征变量取值， 为第  个样本的目标变量取值， 为特征变量  的样本均值， 为目标变量  的样本均值， 为样本总数；

23、s202：将同一特征变量的两个相关系数取绝对值后求和，得到该特征变量的综合相关性得分：

24、；

25、其中， 为第  个特征变量的综合相关性得分， 为第  个特征变量与终点碳含量偏差之间的皮尔逊相关系数， 为第  个特征变量与终点温度偏差之间的皮尔逊相关系数；

26、s203：将所有特征变量按照综合相关性得分从高到低排序，选取排序前若干位且综合相关性得分大于0.3的特征变量作为候选特征集；

27、s204：对候选特征集中的特征变量进行方差膨胀因子分析，第  个特征变量的方差膨胀因子计算方式为：

28、；

29、其中， 为以第  个特征变量为因变量、其余特征变量为自变量进行线性回归所得到的决定系数；当任意两个特征变量之间的方差膨胀因子大于10时，剔除综合相关性得分较低的那个特征变量，直至所有保留特征变量之间的方差膨胀因子均不大于10，最终形成模型输入特征向量。

30、优选的，所述步骤s300中，通过交叉验证方法对模型超参数进行迭代优化，具体包括：

31、s301：将原始训练数据集按照7:3的比例随机划分为训练子集和验证子集，其中训练子集用于模型训练，验证子集用于模型评估；

32、s302：设定梯度提升决策树算法的超参数搜索空间，超参数包括树的数量 、学习速率 、最大树深度  和子采样比例 ；

33、s303：采用随机搜索方法从超参数搜索空间中随机抽取预设组数的超参数组合，对每组超参数组合执行五折交叉验证，计算五折验证结果的平均决定系数  和平均绝对百分比误差 ，其中平均绝对百分比误差的计算方式为：

34、；

35、其中， 为第  个样本的实际终点碳含量或终点温度值， 为第  个样本的预测终点碳含量或预测终点温度值， 为验证子集的样本总数；

36、s304：筛选出决定系数  大于等于0.95且平均绝对百分比误差  小于等于5%的超参数组合作为候选最优超参数组；

37、s305：从候选最优超参数组中选取平均绝对百分比误差  最小的一组超参数作为最终超参数，利用全部原始训练数据集以最终超参数重新训练模型，得到训练完成的终点预测模型。

38、优选的，所述步骤s400中，将实时采集的多源过程数据经相同的特征提取处理后输入终点预测模型具体包括：

39、s401：在当前炉次吹炼过程中，从吹炼中期开始，每隔预设时间周期投掷碳温氧探头，获取当前时刻的钢水实际碳含量和钢水实际温度；

40、s402：同时采集当前时刻的烟气分析仪数据，获取烟气中一氧化碳含量和二氧化碳含量，并采集光谱分析仪数据，获取炉口火焰温度；

41、s403：将碳温氧探头测量的钢水实际碳含量与烟气分析仪测得的碳含量进行比对，将碳温氧探头测量的钢水实际温度与光谱分析仪测得的火焰温度进行比对，当两者偏差均在预设范围内时，确认数据有效，否则以碳温氧探头数据为准进行修正；

42、s404：将经确认有效的当前时刻多源过程数据按照与步骤s200相同的特征提取方法处理，生成与模型训练阶段格式一致的特征向量；

43、s405：将特征向量输入终点预测模型，输出当前时刻的钢水碳含量预测值和钢水温度预测值，以及各输出值对应的预测置信区间。

44、优选的，所述步骤s500中，结合动态优化算法计算当前时刻至下一采样时刻之间各操作变量的最优设定值，具体包括：

45、s501：计算钢水碳含量预测值与目标碳含量之间的第一偏差 ，以及钢水温度预测值与目标温度之间的第二偏差 ：

46、；

47、；

48、其中， 为当前时刻钢水碳含量预测值， 为目标终点碳含量； 为当前时刻钢水温度预测值， 为目标终点温度；

49、s502：当  大于预设碳含量偏差阈值或  大于预设温度偏差阈值时，以最小化第一偏差和第二偏差的加权平方和为目标函数，以各操作变量的当前值为初始点，在各操作变量的约束范围内进行迭代搜索，目标函数为：

50、

51、其中， 为目标函数值， 为碳含量偏差的权重系数， 为温度偏差的权重系数，且 ；

52、s503：在每次迭代中，分别对氧气吹入量 、底吹气体流量 、各副原料加入重量  及氧枪枪位高度  进行单变量扰动，计算扰动后的目标函数值变化量，选取使目标函数值下降最大的扰动方向作为搜索方向；

53、s504：沿搜索方向以预设步长  进行移动，若移动后目标函数值下降则继续沿该方向移动，若目标函数值上升则回退并缩小步长，重复执行直至目标函数值收敛或达到最大迭代次数；

54、s505：将收敛后各操作变量的取值作为当前时刻至下一采样时刻之间的最优设定值。

55、优选的，在步骤s600之后还包括步骤s700，步骤s700为模型自学习更新步骤，具体包括：

56、s701：当吹炼终点到达后，获取本炉次的实际终点碳含量  和实际终点温度 ，计算本炉次的碳含量预测偏差  和温度预测偏差 ：

57、；

58、；

59、其中， 为终点时刻钢水碳含量预测值， 为终点时刻钢水温度预测值；

60、s702：判断碳含量预测偏差  是否在预设碳含量偏差范围内、温度预测偏差 是否在预设温度偏差范围内、烟气分析数据是否在预设烟气成分范围内，当三个条件同时满足时，将本炉次的多源过程数据及实际终点值作为新增样本加入原始训练数据集；

61、s703：当新增样本数量达到预设累计数量时，触发模型重训练，按照步骤s300的方法重新进行超参数优化和模型训练，用更新后的终点预测模型替换原模型；

62、s704：当三个条件中任一条件不满足时，不将本炉次数据加入训练数据集，并记录该炉次的操作变量设定值与实际终点值的对应关系，作为异常炉次样本存储。

63、优选的，所述步骤s500中，操作变量还包括各副原料的加入时机，计算各副原料加入时机具体包括：

64、s501：根据终点预测模型输出的钢水碳含量预测值随时间的变化趋势，计算碳含量下降速率 ：

65、；

66、其中， 为当前采样时刻  的钢水碳含量预测值， 为上一采样时刻  的钢水碳含量预测值；

67、s502：当碳含量下降速率  小于预设速率阈值  时，判定当前为脱碳反应减弱阶段，生成第一批冷却剂加入触发信号；

68、s503：根据钢水温度预测值与目标温度之间的偏差大小，确定冷却剂的加入总量，并将加入总量按照预设比例分配为多个批次，每个批次的加入量不大于预设单批上限值 ；

69、s504：根据烟气分析数据中一氧化碳含量的变化趋势，确定各批次冷却剂的加入时间间隔 ，当一氧化碳含量呈上升趋势时缩短时间间隔，当一氧化碳含量呈下降趋势时延长时间间隔；

70、s505：将各批次冷却剂的加入时机和加入量作为副原料加入重量的最优设定值的组成部分。

71、优选的，所述步骤s700之后还包括步骤s800，步骤s800为喷溅预警及枪位动态调整步骤，具体包括：

72、s801：在吹炼过程中，实时获取烟气分析数据中的一氧化碳含量  和氧气含量，计算一氧化碳含量与氧气含量的比值 ：

73、；

74、s802：当比值  在预设时间窗口  内连续下降且超过预设下降斜率阈值 时，判定为喷溅前兆状态，生成喷溅预警信号，下降斜率的计算方式为：

75、；

76、其中，为时间窗口末端时刻  的比值， 为时间窗口起始时刻  的比值，当  时触发喷溅预警；

77、s803：响应于喷溅预警信号，将氧枪枪位在当前枪位  基础上上提预设提枪幅度 ：

78、；

79、其中， 为提枪后的氧枪枪位高度；

80、s804：在提枪后的预设观察时间  内，若烟气分析数据中一氧化碳含量和氧气含量均回落至安全范围内，则将氧枪枪位逐步降回至正常吹炼枪位范围；若未回落，则维持提枪状态并生成二次喷溅预警；

81、s805：在吹炼后期，根据终点预测模型输出的钢水碳含量预测值与目标碳含量之间的偏差，计算拉碳阶段的分步降枪幅度 ，每一步降枪幅度的计算方式为：

82、；

83、其中， 为当前枪位高度， 为目标拉碳枪位高度， 为拉碳阶段总步数， 为偏差调节系数， 为当前碳含量预测偏差， 为目标碳含量，直至枪位降至拉碳枪位范围。

84、基于机器学习的转炉吹炼过程动态优化系统，包括：

85、采集模块：在转炉吹炼过程中，按照预设时间间隔采集多源过程数据，多源过程数据包括副枪检测数据、烟气分析数据、光谱分析数据以及氧枪操作参数数据，并对多源过程数据进行时间戳对齐和异常值剔除处理，构建原始训练数据集；

86、特征提取模块：对原始训练数据集进行特征提取和特征筛选，根据各特征与吹炼终点碳含量偏差及终点温度偏差的相关性分析结果，保留相关性系数大于预设阈值的特征变量，形成模型输入特征向量；

87、模型构建模块：利用模型输入特征向量和对应的吹炼终点目标值，采用梯度提升决策树算法建立转炉吹炼终点预测模型，并通过交叉验证方法对模型超参数进行迭代优化，得到训练完成的终点预测模型；

88、预测模块：在当前炉次吹炼过程中，将实时采集的多源过程数据经相同的特征提取处理后输入终点预测模型，获得当前时刻钢水碳含量预测值和钢水温度预测值；

89、计算模块：根据钢水碳含量预测值、钢水温度预测值与对应的目标值之间的偏差，结合动态优化算法计算当前时刻至下一采样时刻之间各操作变量的最优设定值，操作变量包括氧气吹入量、底吹气体流量、各副原料加入重量及氧枪枪位高度；

90、执行模块：将最优设定值下发至转炉吹炼控制系统执行，并在下一采样时刻重复执行上述模块中的步骤，直至吹炼终点到达。

91、与现有技术相比，本发明提供了基于机器学习的转炉吹炼过程动态优化方法，具备以下有益效果：

92、1、本发明通过三倍标准差法结合加权平均替换与滑动窗口平滑的多级数据清洗流程，有效去除多源异构过程数据中的异常值和噪声，显著提升模型训练数据质量，从而提高终点预测精度；通过皮尔逊相关系数综合评分与方差膨胀因子筛选相结合的特征工程方法，系统性地消除特征冗余和多重共线性问题，选取与碳含量偏差和温度偏差均高度相关且彼此独立的最优特征子集，增强模型的预测稳定性；

93、2、采用梯度提升决策树算法并通过五折交叉验证迭代优化超参数，使模型具备更强的非线性拟合能力，终点碳含量和温度预测精度均达到较高水平；

94、3、通过构建多目标加权优化函数并结合单变量扰动搜索的动态优化算法，在多操作变量约束条件下实时计算最优设定值，兼顾碳含量和温度的同步命中；

95、4、通过喷溅前兆比值斜率判据与终点偏差联动的枪位动态调整策略，实现异常工况下的快速响应与自动恢复；

96、5、通过日级数据分组训练专用子模型并依据炉次条件自适应选取最优模型，有效解决了工况漂移导致的模型泛化能力不足问题；

97、6、通过模型自学习更新机制，使系统能够随生产数据积累持续进化，长期保持高精度控制能力。