一种转炉终点渣成分预测及护炉指导方法及系统

本发明属于钢铁冶金自动化控制及智能炼钢，具体涉及一种基于机理‑数据融合驱动的转炉终点渣成分预测方法、护炉指导方法及系统。

背景技术：

1、转炉溅渣护炉是延长炉衬寿命、减少耐火材料消耗的核心工艺，其成败直接受制于终点渣的理化特性。传统工业现场对终渣成分的获取依赖现场反馈化验值，存在10～15分钟的时间滞后，导致工人只能依靠人工经验进行调渣与溅渣。一旦终渣成分失控，易引发溅渣层大面积脱落、炉衬剧烈异常侵蚀甚至炉渣喷溅等安全事故。

2、目前，转炉终点炉渣的预测与控制主要依赖两类现有技术：

3、第一类是基于静态物料平衡与多元线性回归的传统静态经验方案，完全依赖吹炼前期的静态初始条件，利用多元一次经验公式或查表估算终点渣成分。该方案忽视了吹炼末期微观反应场的变化，无法感知严重后吹、枪位过高引起的炉渣过氧化或炉衬侵蚀。

4、第二类是基于纯数据驱动的独立机器学习回归方案，例如bp神经网络、支持向量机等。该类模型只追求数学损失函数的最小化，缺乏冶金物理化学机理的约束，在原材料波动、钢种切换时易输出违背冶金学常识的预测值，泛化能力差。

5、此外，现有系统普遍无法将预测的炉渣过氧化程度或mgo饱和度直接、量化地转换为改渣设施的加料指令，操作工仍依赖主观经验估算加料，导致熔剂过量或不足，严重影响炉衬寿命与生产安全。

6、因此，急需一种能够高精度预测终点渣成分、并自动定量指导护炉加料的智能化方法。

技术实现思路

1、本发明旨在提供一种转炉终点渣成分预测及护炉指导方法、系统与设备，以解决现有技术中预测滞后、纯数据模型易失真、无法自动闭环控制的技术问题，实现高精度预测终点渣多组分及总渣量，并基于饱和mgo理论和热平衡规则自动、定量下发改渣护炉控制指令。

2、为达到上述目的，本发明提供的技术方案如下：

3、本发明提供了一种转炉终点渣成分预测及护炉指导方法，包括以下步骤：

4、s1、特征数据提取步骤： 通过自动化数据同步网关，实时获取转炉二级控制系统中的静态特征值和动态时序特征值，所述静态特征值至少包括铁水含量、废钢添加量、辅料添加量、炉渣分析历史数据、钢水分析历史数据及副枪动态测量数据；所述动态时序特征值包括吹炼末期最后30秒的平均枪位、平均氧气流量、烟气co平均含量及烟气co2平均含量；

5、s2、多维度输入特征构建步骤：对步骤s1提取的特征数据进行基于冶金学边界的特征工程处理，构建具有冶金物理化学意义的衍生特征变量，所述衍生特征变量至少包括石灰熔化效率cao、理论成渣碱度r以及脱磷指数lp；

6、s3、 多目标集成学习预测步骤：将步骤s2构建的特征向量输入至复合算法架构中，该复合算法架构包括：

7、第一预测支路，由深度神经网络mlp、直方图梯度提升树histgbdt、随机森林rf及极限树et构成的机器学习回归阵列；

8、第二预测支路，基于自适应的近邻回归网络knn，输出具备局部时空相似性的推演值空间；

9、第三预测支路，利用深度神经网络专门拟合冶金热力学理论计算值与实际物理化学动态测量值之间的残差，输出残差修正推演值空间；

10、通过智能评判器实时扫描当前炉次的动态特征向量空间布局，预测多种融合策略的后验概率分布，并依据概率最大化原则调度最优融合策略，输出终点渣各组分的预测值及理论计算总渣量；

11、s4、护炉加料闭环控制步骤： 基于步骤s3输出的终点渣组分预测值和理论计算总渣量，按照预设的改渣护炉加料规则，动态计算调渣料的理论投料量，并将计算出的调渣料量通过局域网写入l2中央数据库并触发自动下料。

12、优选地，步骤s2中，所述石灰熔化效率cao按照以下公式构建：

13、

14、其中thm为铁水温度，[si]为铁水硅含量，c为终点目标碳含量；

15、所述脱磷指数lp按照以下公式构建：

16、

17、其中tsteel为终点钢水温度，为估算cao百分比，tfe为前期炉渣中总铁中位数。

18、优选地，步骤s1还包括自愈数据处理机制，该机制包括：

19、建立基于冶金热力学常识的界定值，当炉次记录值超出所述界定值时判定为异常数据并予以拦截；

20、针对缺失数据，从历史数据库中筛选与当前缺失炉次相同钢种的近期生产数据，计算该钢种的平均值进行填补；

21、对异常喷溅或过氧化过程中炉渣成分突变波动的真实值予以保留。

22、优选地，步骤s1中，所述动态时序特征值在吹炼末期连续抽取最后30个样本点的氧枪实际位置轨迹、氧枪枪位移动轨迹高度和烟气co及co2时序变动率，用于动态表征炉内非线性反应的过氧化倾向以及熔渣的物理流体特性。

23、优选地，步骤s3中，所述机器学习回归阵列的训练采用时间指数衰减函数，使距离当前时间节点越近的历史样本获得越高的训练权重；所述智能评判器提取测试集的逆平均绝对百分比误差的4次方作为动态加权基准。

24、优选地，步骤s4中，所述改渣护炉加料规则包括：

25、碱度亏损控制规则：当预测碱度r<2且满足氧化物质量分数差值方程2×sio2-cao>0时，按照以下公式动态补充生白云石：

26、

27、饱和mgo护炉规则：基于饱和mgo溶解度安全阈值，按照以下公式动态补充镁球：

28、

29、其中δmgo为当前炉渣与安全饱和mgo溶解度红线之间的热力学亏损额度，δmgo= max(0, 8%-mgo)；

30、碳热还原降氧规则：当预测总铁含量tfe>25%时，按照以下公式动态补充焦丁：

31、

32、其中，为总铁含量。

33、优选地，步骤s4中，对计算出的生白云石量、镁球量、焦丁量统一执行以50kg为物理步长的整量化结算，并设置单炉安全上限：生白云石≤800kg、镁球≤400kg、焦丁≤300kg；在饱和mgo护炉规则中，系统首先扣除因补充碱度投入生白云石而连带带入的mgo质量分数，若仍存在mgo饱和度缺口则触发镁球追加。

34、优选地，步骤s2中，所述多维度输入特征值还包括：针对低硅铁水建立的基于物料平衡方程动态测算的理论sio2量与辅料溶解的理论cao质量比；针对高废钢比引入的废钢冷却当量与碳氧化发热当量组合特征；对入炉铁水p含量、终点目标c含量及供氧强度进行三维正交切分构建的3×3×3工况网格；以及上一炉真实tfe、mgo和碱度数据。

35、本技术还提供一种电子设备，包括：存储器、处理器，其中，所述存储器上存储有用于在所述处理器上执行的计算机程序指令，所述处理器执行该计算机程序指令时，实现如上所述的基于条件扩散模型的自动驾驶测试场景风险分层生成方法。

36、本技术还提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述基于条件扩散模型的自动驾驶测试场景风险分层生成方法的步骤。

37、有益效果

38、与现有技术相比，本发明具有以下优点：

39、1）大幅提升预测精度：通过引入吹炼末期最后30秒的动态时序特征（氧枪轨迹、烟气co/co2变动率），代替仅依赖静态装入量的传统方法，使总渣量、tfe及mgo的预测平均绝对误差收敛至±1.5%以内，多组分预测命中率提高12%以上。

40、2）强鲁棒性与安全性：在模型架构中专设物理信息神经网络（pinn）支路，拟合热力学理论边界与实测值的非线性残差，并融合10种机器学习算法构建多模型集成预测网络，确保在钢种切换、原材料剧烈波动的极端工况下，预测输出始终被约束在冶金热力学/动力学边界内，避免了纯数据模型输出违背物理常识的预测值。

41、3）实现闭环定量控制：直接打通二级控制链，基于饱和mgo溶解度红线和碳热还原分子平衡常数，定量结算生白云石、镁球、焦丁的精准加料指令，并自动扣除熔剂间的协同效应，执行50kg步长整量化及安全上限限制，实现完全无人干预的调渣溅渣护炉闭环控制，平均每炉降低辅料消耗成本约15%，显著延长炉衬寿命。