CN104630410A - 一种基于数据解析的转炉炼钢质量实时动态预测方法 - Google Patents

Abstract

本发明提供一种基于数据解析的转炉炼钢质量实时动态预测方法，包括：建立转炉炼钢质量离线预测模型数据库；将钢水温度和碳元素含量分别划分为若干阶段范围，建立转炉炼钢质量实时动态预测模型；根据转炉炼钢质量实时动态预测模型进行转炉炼钢质量实时动态预测；对钢水出钢成分含量进行检验；定期对历史数据集合更新。本发明在保证满足转炉炼钢工艺要求的前提下，对转炉炼钢过程中的钢水温度和钢水质量进行实时动态预测，可以实时对炉内的状况进行跟踪，克服了现场延时滞后的缺陷，提高了各成分含量的检测精度，降低了生产成本，同时也降低了设备的需求成本，为操作人员的控制提供了有价值的参考信息。

Description

一种基于数据解析的转炉炼钢质量实时动态预测方法

技术领域

本发明属于冶金炼钢技术领域，具体涉及一种基于数据解析的转炉炼钢质量实时动态预测方法。

背景技术

转炉炼钢作为钢铁生产的重要环节之一，它的主要目标是冶炼出钢水质量(主要指钢水碳含量、硅含量、锰含量、硫含量、磷含量)均符合要求的钢水。因此，实时的掌握冶炼过程中钢水的温度和各种成分的状态对钢水质量有着重要的影响，这样就需要各个元素的全冶炼过程的预测模型，在吹炼前进行准备，以保证操作的顺利进行，并且不占用过多的资源，造成成本增加。然而，转炉炼钢生产过程钢水质量信息难以动态检测，测量信息有限，不仅导致质量测量信息不完备，而且伴随着延时性，这给转炉炼钢生产过程的实时预报带来了巨大的挑战。

通过对转炉炼钢的钢水温度和钢水质量进行实时动态预测，可以设定或者调整生产过程操作变量，准确地对炉内各元素含量进行调节，使生产过程处于优化运行的状态，从而提高钢水质量、安全生产、降低成本和能耗。如对炉况未进行实时动态预报，则炉内的反应情况是未知的，温度过高会将转炉烧坏，而且钢水的质量也无法得到有效的保证。所以转炉炼钢质量实时动态预测对提高钢水温度和钢水成分含量的命中率起到了关键作用，进而帮助提高炼钢厂的整体生产效率。

按照生产工艺进行划分，传统的转炉炼钢过程主要分为3个阶段如图1所示。在吹炼初期，首先是硅锰反应阶段，虽然铁水中含碳量很高，有利于碳的氧化，但由于熔池平均温度低，碳处于不活泼状态，而且硅、锰含量较高，以硅、锰的氧化为主。当硅、锰氧化基本结束后，炉温达到1450℃以上时，碳的氧化速度迅速提高。第二阶段主要以碳氧反应为主，由于碳剧烈氧化，所以升温较快，在该阶段主要控制温度的变化使反应平稳均匀。随着碳元素含量的降低，脱碳速度变慢，进入吹炼后期，该阶段主要任务是调整温度与成分，做出钢的准备。所以说转炉冶炼过程具有高温、多种物理化学变化、反应速度快、冶炼周期短等特点，生产过程非常复杂。

从实际生产和理论研究中可以发现，目前转炉炼钢技术主要依赖于人工经验的终点预测技术，利用自动副枪，烟气分析仪，光谱分析仪，声纳仪和投掷探头等技术对炉内状况进行预测。由于转炉炼钢是一个具有复杂的高温化学反应过程，因此这些方法常依赖于钢厂现有的检测设备，需要耗费大量的时间。专利号ZL201110324038.0的中国专利发明了一种转炉炼钢终点预测方法和***，通过实时获取转炉生产信息及转炉炉口的火焰信息，可以在线实时精确的分析炼钢终点的时间、钢水温度和碳含量，但是其未对炉内其他的元素进行预测。专利号ZL201310026381.6的中国专利发明了一种辅助预报转炉炼钢终点方法，根据转炉吹炼初始金属料装入信息及终点钢水目标碳含量和温度计算各副原料加入量和氧耗量，进而计算出温度及碳、锰，磷、硫等其他元素。但是其未对整个过程进行预测和分析，只单单对终点状态进行预测。专利号ZL200910010672.X的中国专利发明了一种连续预测转炉熔池碳含量方法，利用数学模型进行分析计算，但是只单单预测出碳元素含量，未对其他的反应元素进行分析。专利号ZL200910076894.1的中国专利发明了一种转炉炼钢全程动态监控方法，利用***体分析仪和料仓口投弹实现转炉冶炼全程动态控制，对钢水成分和温度进行连续预报和动态检测。此方法利用了检测装置对炼钢过程进行全程动态监控，如检测装置有故障会影响预测的精度，在实施过程中会造成成本的增加。

发明内容

针对现有技术存在的不足，本发明提供一种基于数据解析的转炉炼钢质量实时动态预测方法。

本发明的技术方案是：

一种基于数据解析的转炉炼钢质量实时动态预测方法，包括以下步骤：

步骤1：建立转炉炼钢质量离线预测模型数据库；

步骤1.1：建立转炉炼钢历史数据集合，并在历史数据集合中选取参考炉次数据集合；

步骤1.1.1：获取不同钢种在铁水入炉到钢水出炉整个吹炼过程期间产生的数据，包括钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量信息；

步骤1.1.2：在主原料入炉前，记录入炉的主原料重量以及不同时刻投入炉内的副原料加入量；

主原料包括铁水和废钢；

副原料包括块状石灰石、轻烧白云石、菱镁球、sishen块矿、块白云石、镍板和复合碳化硅球；

步骤1.1.3：获取各时刻炉内状态下测得的顶吹氧枪高度、熔池高度、顶吹氧气流量以及底吹气体流量、烟气总流量、烟气中一氧化碳含量、烟气中二氧化碳含量；

底吹气体流量包括底吹氩气流量和底吹氮气流量；

步骤1.1.4：将步骤1.1.1～步骤1.1.3所获得的数据作为历史数据集合，包括：在铁水入炉到钢水出炉整个吹炼过程期间各个时刻的钢水温度、钢水碳元素含量、钢水硅元素含量、钢水锰元素含量、钢水硫元素含量、钢水磷元素含量、顶吹氧气流量、顶吹氧枪高度、熔池高度、底吹气体流量、副原料加入的重量、烟气总流量、烟气中一氧化碳含量、烟气中二氧化碳含量、入炉铁水重量和入炉废钢重量；

步骤1.1.5：从历史数据集合中选取不同钢种的入炉铁水重量、入炉废钢重量、入炉时的钢水温度、入炉时的碳元素含量、入炉时的硅元素含量、入炉时的锰元素含量、入炉时的硫元素含量、入炉时的磷元素含量信息，以及出炉时的钢水温度和出炉时的碳元素含量、出炉时的硅元素含量、出炉时的锰元素含量、出炉时的硫元素含量、出炉时的磷元素含量信息作为不同钢种的参考炉次数据集合；

步骤1.2：分别以钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量为预测目标，对铁水入炉到钢水出炉整个吹炼过程的各炉次数据进行分类；

步骤1.2.1：将历史数据集合按照不同钢种需求进行预划分；

步骤1.2.2：对历史数据集合中的相同钢种的炉次分别以钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量为预测目标进行聚类，其中钢水温度以初始钢水入炉温度、钢水出钢温度以及入炉前的炉内温度、主原料重量作为划分条件分别进行聚类；碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量均以入炉前的元素含量、元素出钢含量、入炉铁水重量、入炉废钢重量、副原料投入量作为划分条件分别进行聚类，得到分类炉次数据集合，其中分类炉次数据集合包含着所有的历史数据信息；

步骤1.2.3：根据钢种的不同对参考炉次数据集合进行预划分，建立属于各自钢种的参考炉次数据集合；

步骤2：将钢水温度和碳元素含量分别划分为若干阶段范围，以步骤1.2.2中的分类炉次数据集合作为各转炉炼钢质量实时动态预测模型的输入，以钢水温度和碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量作为各转炉炼钢质量实时动态预测模型的输出；采用最小二乘支持向量机方法分别对不同阶段范围的钢水温度、不同阶段范围的碳元素含量对应的碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量建立转炉炼钢质量实时动态预测模型；

步骤3：根据转炉炼钢质量实时动态预测模型进行转炉炼钢质量实时动态预测；

步骤3.1：采集当前炼钢过程中的钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量、入炉主原料加入量、副原料投入量、顶吹氧气流量、烟气流量、烟气中一氧化碳含量、烟气中二氧化碳含量、顶吹氧枪高度、底吹气体流量作为输入信息，选取采集的钢水温度及碳元素含量所属阶段范围对应的转炉炼钢质量实时动态预测模型进行预测，将输入信息带入到相应的各转炉炼钢质量实时动态预测模型并输出预测值，并将当前输出的预测值作为下一次转炉炼钢质量实时动态预测模型的输入值；

步骤3.2：从当前钢种的参考炉次数据集合中选取与当前炉况相近的参考炉次数据，通过插值方法建立参考曲线，将各预测值与对应参考曲线上相应时刻数据进行对比，若误差超过允许值时，则对转炉炼钢质量实时动态预测模型进行误差校正，使误差在允许范围之内；若误差在允许范围内，则进行转炉炼钢过程动态操作优化，即以当前预测的钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量与各自参考曲线的偏差最小化为目标，确定当前时刻到下一时刻的顶吹氧气流量、底吹气体流量、顶吹氧枪高度、各副原料投入量以及投料开关装置状态；

步骤3.3：将当前时刻到下一时刻的顶吹氧气流量、底吹气体流量、顶吹氧枪高度、各副原料投入量以及投料开关装置状态下发到转炉的各控制器中，对其进行控制；

步骤3.4：在吹炼后期下副枪取样得到当前时刻钢水温度与钢水中碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量；

步骤4：对钢水出钢成分含量进行检验；

步骤4.1：若吹炼后期下副枪取样得到的钢水中碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量满足出钢条件，则钢水出钢，执行步骤5；否则执行步骤4.2；

步骤4.2：判断吹炼后期下副枪时的各转炉炼钢质量实时动态预测模型输出的碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量预测值与取样值误差是否在偏差范围以内：是，则在下一次预测的时候继续用当前的转炉炼钢质量实时动态预测模型，返回步骤3，继续进行转炉炼钢质量实时动态预测，否则对转炉炼钢质量实时动态预测模型进行校正，然后返回步骤3，继续进行转炉炼钢质量实时动态预测；

所述的对转炉炼钢质量实时动态预测模型进行校正，具体是将吹炼后期下副枪时与各转炉炼钢质量实时动态预测模型输出的碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量预测值的误差超出偏差范围的取样值加入到历史数据集合中，重新建立转炉炼钢质量离线预测模型数据库，并建立转炉炼钢质量实时动态预测模型，完成转炉炼钢质量实时动态预测模型校正；

步骤5：定期对历史数据集合更新。

有益效果：

本发明通过对转炉炼钢过程实际生产数据的采集，根据转炉炼钢过程中钢水温度和碳含量的变化情况，提出了多阶段的建模方法，代替了广泛使用的静态阶段、动态阶段的建模方法，对吹炼的整个过程进行全流程动态实时预报，并且对吹炼时期各个元素含量分别进行建模，对钢水质量中各元素含量分别进行预测，为转炉炼钢的动态操作优化提供了保障。

本发明在保证满足转炉炼钢工艺要求的前提下，对转炉炼钢过程中的钢水温度和钢水质量进行实时动态预测，可以实时对炉内的状况进行跟踪，克服了现场延时滞后的缺陷，提高了各成分含量的检测精度，降低了生产成本，同时也降低了设备的需求成本，为操作人员的控制提供了有价值的参考信息，不仅提高了炼钢的生产效率，也提高了企业的经济效益和社会效益。

附图说明

图1为转炉炼钢反应阶段示意图；

图2为本发明具体实施方式的基于数据解析的转炉炼钢质量实时动态预测原理图；

图3为本发明具体实施方式的氧气顶吹转炉炼钢生产工艺与控制流程示意图；

图4(a)为本发明具体实施方式的动态温度预测值与实际值比较的曲线图；

图4(b)为本发明具体实施方式的动态碳元素含量预测值与实际值比较的曲线图；

图4(c)为本发明具体实施方式的动态硅元素含量预测值与实际值比较的曲线图；

图4(d)为本发明具体实施方式的动态锰元素含量预测值与实际值比较的曲线图；

图4(e)为本发明具体实施方式的动态硫元素含量预测值与实际值比较的曲线图；

图4(f)为本发明具体实施方式的动态磷元素含量预测值与实际值比较的曲线图；

图5为本发明具体实施方式的基于数据解析的转炉炼钢质量实时动态预测方法流程图；

图6为本发明具体实施方式的建立转炉炼钢质量实时动态预测模型数据库流程图；

图7为本发明具体实施方式的根据转炉炼钢质量实时动态预测模型进行转炉炼钢质量实时动态预测流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

本发明的目的是准确地动态预报转炉炼钢生产过程中钢水温度与钢水质量，如图2所示，基于数据解析的转炉炼钢质量实时动态预测原理是：首先通过采集大量的历史数据信息建立预测模型数据库，将废钢、铁水等相关炉况信息作为历史数据集合，然后不同钢种用聚类的方法分类，找到属于不同钢种的参考炉次集合作为动态操作优化的参考标准，选取符合钢水温度以及碳、硅、锰、硫、磷等元素含量条件相关数据集合，分别建立各自的预测模型集合，分别作为转炉炼钢质量实时动态预测模型(这里的转炉炼钢质量实时动态预测模型指的是通过对数据的收集、处理、分析后得到的所有预测模型的集合)，同时将历史数据集合中各炉况相近的数据集合进行分类，作为参考炉次数据集合，进而得到参考曲线，将预测值与参考曲线中的参考值进行对比，如误差大于允许值，则对转炉炼钢质量实时动态预测模型进行修复，使其在允许的误差范围以内；如误差在允许的范围以内，则以误差最小化作为动态操作优化的目标，将动态操作优化输出的各控制变量值下发到各控制器中，对转炉进行控制，如副枪取样时各元素的含量满足出钢条件，则钢水出钢，如没有满足出钢条件，则继续以原有的转炉炼钢质量实时动态预测模型进行下一时刻的预测；如偏差过大，则需要进行模型校正，将实时数据加入到历史数据中，重新建立转炉炼钢质量实时动态预测模型，并且删除重复数据，保证模型以增量形式进行增加，并且不占用过多内存。

氧气顶吹转炉炼钢生产工艺与控制流程如图3所示。按照工艺要求，先将废钢等装入转炉内，然后倒入脱硫处理后的高温液态铁水，由控制器C2来控制氧枪的高度，将氧气喷枪从炉顶***炉内，由控制器C1来控制吹入氧气的流量(纯度大于99％的高压氧气流)，使其直接与高温的铁水发生氧化反应，除去杂质。同时，为了避免投入副原料时烟气中一氧化碳和二氧化碳的流失，本实施方式设置了副原料的投料口的开关装置，分别由C10和C11来控制。C3-C9分别是各副原料投料控制器，由这些控制器来向转炉添加副原料(轻烧白云石，块状石灰，复合碳化硅等)，并由控制器C12和C13分别来控制转炉底部氮气和氩气等惰性气体流入量，使炉内能够进行均匀搅拌发生剧烈化学反应，同时产生的热量使钢水温度升高，反应后产生的生成物也将进入炉渣或直接从烟气中排出，排出的烟气总流量由烟气分析仪F1进行测量，烟气中一氧化碳和二氧化碳含量分别由A1和A2进行测量。最终烟气的检测结果将传送给OP转炉炼钢质量实时动态预测模型，由OP将最终的预测结果传送给OC总控制器，使得OC对各个控制器进行总体控制，同时OP也将接收OC控制器的实时数据，作为下一时刻转炉炼钢质量实时动态预测模型的输入。在吹炼进入到动态阶段之前，由C14控制副枪进入炉内进行取样，其中A3～A8分别为当前钢水温度以及碳、硅、锰、磷、硫元素含量的检测分析仪，利用检测的结果作为检测值对模型进行验证，如超过偏差范围则利用实时检测数据对OP模型进行校正更新。在除去大部分碳、硅、锰、硫、磷元素后，当钢水的成分和温度都达到要求时，即停止吹炼，提升喷枪，准备出钢。钢水合格后，可以浇成钢的铸件或钢锭，钢锭可以再轧制成各种钢材。

一种基于数据解析的转炉炼钢质量实时动态预测方法，如图5所示，包括以下步骤：

步骤1：建立转炉炼钢质量离线预测模型数据库，如图6所示；

步骤1.1：建立转炉炼钢历史数据集合，并在历史数据集合中选取参考炉次数据集合；

步骤1.1.1：获取不同钢种在铁水入炉到钢水出炉整个吹炼过程期间产生的数据，包括钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量信息；

步骤1.1.2：在主原料入炉前，记录入炉的主原料重量以及不同时刻投入炉内的副原料加入量；

主原料包括铁水和废钢；

副原料包括块状石灰石、轻烧白云石、菱镁球、sishen块矿、块白云石、镍板和复合碳化硅球；

步骤1.1.3：获取各时刻炉内状态下测得的顶吹氧枪高度、熔池高度、顶吹氧气流量以及底吹气体流量(氮气和氩气)、烟气总流量、烟气中一氧化碳含量、烟气中二氧化碳含量；

步骤1.1.4：将步骤1.1.1～步骤1.1.3所获得的数据作为历史数据集合，包括：在铁水入炉到钢水出炉整个吹炼过程期间各个时刻的钢水温度、钢水碳元素含量、钢水硅元素含量、钢水锰元素含量、钢水硫元素含量、钢水磷元素含量、顶吹氧气流量、顶吹氧枪高度、熔池高度、底吹气体流量、副原料加入的重量、烟气总流量、烟气中一氧化碳含量、烟气中二氧化碳含量、入炉铁水重量和入炉废钢重量；

步骤1.1.5：从历史数据集合中选取不同钢种的入炉铁水重量、入炉废钢重量、入炉时的钢水温度、入炉时的碳元素含量、入炉时的硅元素含量、入炉时的锰元素含量、入炉时的硫元素含量、入炉时的磷元素含量信息，以及出炉时的钢水温度和出炉时的碳元素含量、出炉时的硅元素含量、出炉时的锰元素含量、出炉时的硫元素含量、出炉时的磷元素含量信息作为不同钢种的参考炉次数据集合；

步骤1.2：分别以钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量为预测目标，对铁水入炉到钢水出炉整个吹炼过程的各炉次数据进行分类；

步骤1.2.1：将历史数据集合按照不同钢种需求进行预划分，将钢种划分为GL4G、IL5R、JT5Q等共14种；

步骤1.2.2：对历史数据集合中的相同钢种的炉次分别以钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量为预测目标进行聚类，其中钢水温度以初始钢水入炉温度、钢水出钢温度以及入炉前的炉内温度、主原料重量作为划分条件分别进行聚类；碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量均以入炉前的元素含量、元素出钢含量、入炉铁水重量、入炉废钢重量、副原料投入量作为划分条件分别进行聚类，得到分类炉次数据集合，其中分类数据集合包含着所有的历史数据信息；

对历史数据集合中的相同钢种的炉次采用减法聚类和模糊C均值聚类算法相结合的方式进行聚类，针对某一钢种JT5Q，所含样本的数目为n＝350，以它的钢水温度聚类为例(碳、硅、锰、硫、磷等元素含量均以入炉前的元素含量、元素出钢含量、入炉铁水重量、入炉废钢重量、副原料投入量作为划分条件分别进行聚类)，设Y＝{y₁,y₂,L y_n}为全部的样本集合，其中每一个样本都具备4种钢水温度属性：初始钢水入炉温度、钢水出钢温度以及入炉前的炉内温度和主原料投入量，聚类的具体步骤如下：

步骤1.2.2.1：对于Y中每一个点y_i点，计算其密度值M_i：

$M_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\exp \left(\frac{-{\left|\right|y_i-y_j\left|\right|}^2}{{\left(0.5r_a\right)}^2}\right)---\left(1\right)$

其中r_a为1，在这些数据点中如果一个点附近有多个相近的点，该点则具有较高的密度值。于是半径r_a定义该点的邻域，邻域以外的点对该数据点的密度值毫无影响。所以取密度值最高的数据点作为第一个数据聚类中心点；

步骤1.2.2.2：得出第一个聚类中心点后，利用其密度值公式：

$M_i=M_i-M_{c_1}\exp \left(\frac{-{\left|\right|y_i-y_{c_k}\left|\right|}^2}{{\left(0.5r_b\right)}^2}\right)---\left(2\right)$

其中，为第一个数据聚类中心点的密度值，为第k个数据聚类中心点，r_b为1.5倍的r_a，对聚类中心进行修正时，数据聚类中心点的密度值在明显减小，这些点也就无法成为下一个数据聚类的中心点。因此正数r_b定义了一个密度函数显著减小的邻域。通常r_b大于r_a，以避免出现距离相近的聚类中心。选出密度值最高的数据点设为聚类的新中心点；

步骤1.2.2.3：结合上述步骤1.2.2.1～1.2.2.2，确定聚类中心c_i以及聚类中心个数k，判断第k+1个数据聚类中心点的密度值与第一个数据聚类中心点的密度值的比值是否在设定的阈值δ范围内：是,则转到步骤1.2.2.2；否则进行步骤1.2.2.4，其中δ取0.5，此参数决定了最终产生的初始化聚类中心数目，δ越小，则产生的聚类数越多；

$\frac{M_{c_{k+1}}}{M_{c_1}}<\mathrm{\&delta;}---\left(3\right)$

步骤1.2.2.4：确定隶属矩阵：

${u_{\mathrm{ij}}}^r={\left(\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{\frac{2}{m-1}}\right)}^{-1}---\left(4\right)$

其中，隶属矩阵元素u_ij∈[0,1],i＝1,...c；j＝1,...n,d_ij＝||c_i-y_j||为第i个数据聚类中心点c_i与第j个数据聚类中心点间的欧几里德距离。其中r为迭代的次数，m∈(1,∞)是模糊权重系数，这里m取值为2；

步骤1.2.2.5：对聚类中心进行修正：

$c_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^r{y}_j}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^r}---\left(5\right)$

步骤1.2.2.6：更新完聚类中心后，再次计算隶属度大小，如

||u^(r+1)-u^r||≤ε      (6)

其中，ε设置为0.005，则执行步骤1.2.2.7；否则，执行r＝r+1并返回步骤1.2.2.4；

步骤1.2.2.7：计算所有样本点到求得的聚类中心的距离，距离相近的归为一类；

上述步骤中1.2.2.1～1.2.2.3为减法聚类，目的是为了确定聚类中心个数以及聚类中心值，步骤1.2.2.4～1.2.2.7为模糊C均值聚类算法，目的是根据聚类中心对数据进行聚类；

步骤1.2.3：根据钢种的不同对参考炉次数据集合进行预划分，建立属于各自钢种的参考炉次数据集合；

在以下过程中预测钢水温度的集合第i个分类为Q_1i，预测钢水碳元素含量的集合中第i个分类为Q_2i，预测钢水硅元素的集合第i个分类为Q_3i，预测钢水锰元素含量的集合中第i个分类为Q_4i，预测钢水硫元素的集合第i个分类为Q_5i，预测钢水磷元素含量的集合中第i个分类为Q_6i；

步骤2：将钢水温度和碳元素含量分别划分为若干阶段范围，以步骤1.2.2中的分类炉次数据集合作为各转炉炼钢质量实时动态预测模型的输入，以钢水温度和碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量作为各转炉炼钢质量实时动态预测模型的输出；采用最小二乘支持向量机方法分别对不同阶段范围的钢水温度、不同阶段范围的碳元素含量对应的碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量建立转炉炼钢质量实时动态预测模型；

步骤2.1：对每一分类，使用插值法将离散数据拟合成连续数据，将数据完善；

步骤2.2：对分类后的数据进行归一化处理；

步骤2.2.1：以其中的钢水温度为输出的转炉炼钢质量实时动态预测模型为例(碳、硅、锰、硫、磷元素含量预测方法与钢水温度一致，区别在于各自元素含量的转炉炼钢质量实时动态预测模型的输出目标不同)。初始化原始数据矩阵

$\left(\begin{array}{c}{Y}_1\\ .\\ .\\ .\\ Y_n\end{array}\right)=\left(\begin{array}{ccc}{y}_{11}& ...& y_{1m}\\ .& .& .\\ .& .& .\\ .& .& .\\ y_{n1}& ...& y_{\mathrm{nm}}\end{array}\right)---\left(7\right)$

y_im表示钢水温度的第i个样本，第m个属性的观测值。其中钢水温度中样本总数n为120，m为23；

步骤2.2.2：对数据进行归一化处理，z_ik为y_ik归一化后的结果；

$z_{\mathrm{ik}}=\frac{y_{\mathrm{ik}}-\min \left(y_{.k}\right)}{\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_{\mathrm{ik}}-{\stackrel{\&OverBar;}{y}}_{.k})}^2}{n-1}}},i=\mathrm{1,2},L,n,k=\mathrm{1,2},L,m.---\left(8\right)$

y_.k表示(.表示所有行的第k列数据)矩阵中第k列上的所有数据，y_.k为矩阵中第k列数据均值，得到归一化后数据矩阵：

$\left(\begin{array}{c}{Z}_1\\ .\\ .\\ .\\ Z_n\end{array}\right)=\left(\begin{array}{ccc}{z}_{11}& ...& z_{1m}\\ .& .& .\\ .& .& .\\ .& .& .\\ z_{n1}& ...& z_{\mathrm{nm}}\end{array}\right)---\left(9\right)$

步骤2.3：采用改进的最小二乘支持向量机方法分别建立钢水温度的转炉炼钢质量实时动态预测模型、碳元素含量的转炉炼钢质量实时动态预测模型、硅元素含量的转炉炼钢质量实时动态预测模型、锰元素含量的转炉炼钢质量实时动态预测模型、硫元素含量的转炉炼钢质量实时动态预测模型以及磷元素含量的转炉炼钢质量实时动态预测模型：

X_T(t+1)＝ML₁{T(t),C(t),Ho(t),Hh(t),Bh(t),N(t),F(t),G(t),CO(t),CO₂(t),Fe,Se(t)}   (10)

X_C(t+1)＝ML₂{T(t),C(t),Ho(t),Hh(t),Bh(t),N(t),F(t),G(t),CO(t),CO₂(t),Fe,Se(t)}   (11)

X_Si(t+1)＝ML₃{T(t),C(t),Si(t),Ho(t),Hh(t),Bh(t),N(t),F(t),G(t),CO(t),CO₂(t),Fe,Se(t)}  (12)

X_Mn(t+1)＝ML₄{T(t),C(t),Mn(t),Ho(t),Hh(t),Bh(t),N(t),F(t),G(t),CO(t),CO₂(t),Fe,Se(t)}  (13)

X_S(t+1)＝ML₅{T(t),C(t),S(t),Ho(t),Hh(t),Bh(t),N(t),F(t),G(t),CO(t),CO₂(t),Fe,Se(t)}  (14)

X_P(t+1)＝ML₆{T(t),C(t),P(t),Ho(t),Hh(t),Bh(t),N(t),F(t),G(t),CO(t),CO₂(t),Fe,Se(t)}  (15)

其中T(t)为测量范围内的当前时刻钢水温度、C(t)为当前时刻钢水碳元素含量、Si(t)为当前时刻钢水硅元素含量、S(t)为当前时刻钢水硫元素含量、Mn(t)为当前时刻钢水锰元素含量、P(t)为当前时刻钢水磷元素含量、Ho(t)为顶吹氧气流量、Hh(t)为顶吹氧枪高度、Bh(t)熔池高度、N(t)底吹气体总量、F(t)为石灰石等七种副原料加入的重量、G(t)为烟气总流量、CO(t)为烟气中一氧化碳含量、CO₂(t)为烟气中二氧化碳含量、Fe为入炉铁水重量、Se(t)为入炉废钢重量、X_T(t+1)为下一时刻钢水温度、X_C(t+1)为下一时刻碳元素含量、X_Si(t+1)为下一时刻硅元素含量、X_Mn(t+1)为下一时刻锰元素含量、X_S(t+1)为下一时刻硫元素含量、X_P(t+1)为下一时刻磷元素含量、ML_i{}为各个转炉炼钢质量实时动态预测模型，其中i＝1,K,6；

采用改进的最小二乘支持向量机方法步骤如下：

步骤2.3.1：利用历史数据集合构建转炉炼钢质量实时动态预测模型的训练数据，利用构造的最优决策函数，将非线性估计函数转化为高维特征空间中线性估计函数：

f(x_i)＝w^T·x_i+b,i＝1,2,K,N    (16)

其中N为样本的个数，每个样本x_i中均包含转炉炼钢质量实时动态预测模型当前时刻的所有炉况信息，f(x_i)为下一时刻钢水的预测目标，w^T为转炉炼钢质量实时动态预测模型的回归系数，b为转炉炼钢质量实时动态预测模型的偏差；

步骤2.3.2：利用结构风险最小化原理，将回归问题表示成约束优化问题：

$\min \frac{1}{2}{\left|\right|w\left|\right|}^2+\mathrm{\&gamma;}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i$

γ≥0.

其中γ为转炉炼钢质量实时动态预测模型的惩罚系数，w为转炉炼钢质量实时动态预测模型的回归系数，ξ_i为松弛变量，是一个从低维向高维的映射，用拉格朗日法求解这个优化问题；

步骤2.3.3：将多项式核函数d＝1,2,3,L、高斯核函数相结合，以K(x_i,x)＝a₁K₁(x_i,x)+b₂K₂(x_i,x)作为最优决策函数的映射核函数，最后将所求优化问题转化为求解线性方程组，其中a₁+b₂＝1，a₁≥0,b₂≥0；

步骤2.3.4：求出转炉炼钢质量实时动态预测模型的回归系数和偏差；

步骤2.4：利用差分进化算法对转炉炼钢质量实时动态预测模型的惩罚系数γ、多项式核函数维数d、高斯核函数中的参数σ、以及自适应混核函数系数a₁和b₂进行优化，由于a₁+b₂＝1故只须求得其中一个参数就可推算出另一个参数的取值；

步骤2.4.1：产生由n_p个解组成的初始种群，每个种群的粒子为其中i＝1,2,Kn_p，j＝1,2,Km，m为4(即需要对转炉炼钢质量实时动态预测模型优化的参数个数)，其中g为当前代数；

步骤2.4.2：初始化相关参数设置，确定种群规模n_p为100，最大迭代次数为G_max为20，变异率为F为0.5，交叉概率因子CR为0.7，设当前代数为G为0代；

步骤2.4.3：以钢水温度的转炉炼钢质量实时动态预测模型的预测值与实际检测值均方根误差最小为目标，计算每个粒子的适应度函数值；

步骤2.4.4：对种群的每个解进行变异与交叉操作，加入变异算子得到测试向量

$u_{i,j}^g=\left\{\begin{array}{cc}{x}_{r1,j}^g+F\&CenterDot;(x_{r2,j}^g-x_{r3,j}^g)& \mathrm{if}({\mathrm{rand}}_{i,j}\left(\mathrm{0,1}\right)\&le;\mathrm{CRorj}=j_{\mathrm{rand}})\\ x_{i,j}^g& \mathrm{otherwise}\end{array}\right.---\left(18\right)$

式中r₁、r₂和r₃是从区间[1,n_p]中随机选择的三个互不相同的整数，同时也不等于目标个体的索引值i。j_rand是一个[1,m]区间内的随机整数值，rand_i,j(0,1)为每一个个体的每一个元素都返回一个(0,1)区间内的随机实数，当该随机数小于等于交叉系数CR或者当前元素索引值j等于j_rand时，子代试验个体中的元素就赋值为对应的变异个体，否则该元素赋值为对应父代个体元素

步骤2.4.5：交叉操作后得到的子代个体要与对应的父代目标个体进行适应值大小的比较，二者中较优的一个将作为新的父代目标个体进入后续的迭代搜索过程：

$x_i^{g+1}=\left\{\begin{array}{cc}{u}_i^g& \mathrm{if}(F\left(u_i^g\right)\&le;F\left(x_i^j\right))\\ x_i^j& \mathrm{otherwise}\end{array}\right.---\left(19\right)$

步骤2.4.6：判断终止条件是否满足。当迭代次数达到最大迭代次数G_max时，满足算法的终止条件，停止，输出最优解(即转炉炼钢质量实时动态预测模型的优化参数)。否则，转步骤2.4.4，设置G＝G+1，继续进行迭代；

步骤2.5：分别对钢水温度以及碳、硅、锰、硫、磷元素含量建立转炉炼钢质量实时动态预测模型；

由于各个转炉炼钢质量实时动态预测模型的输入不同，所求得的转炉炼钢质量实时动态预测模型的参数也是不一样的，所以在建模的过程中依据工艺的要求采用多阶段的建模方法，针对于各元素含量的特点，对每种转炉炼钢质量实时动态预测模型进行不同方式的多阶段划分，判断转炉炼钢质量实时动态预测模型的当前钢水温度是否符合钢水温度的转炉炼钢质量实时动态预测模型的预测范围，(钢水温度的转炉炼钢质量实时动态预测模型按照钢水温度来进行多阶段划分，各元素含量都是根据碳元素含量进行划分多阶段)对于其他各元素含量进行判断时，主要以当前碳含量的取值进行划分，表1显示了各转炉炼钢质量实时动态预测模型的多阶段划分范围，其中钢水温度的转炉炼钢质量实时动态预测模型分为9个阶段，碳元素含量的转炉炼钢质量实时动态预测模型分为10个阶段，硅元素含量的转炉炼钢质量实时动态预测模型分为4个阶段，锰元素含量的转炉炼钢质量实时动态预测模型分为2个阶段，硫元素含量的转炉炼钢质量实时动态预测模型分为3个阶段，磷元素含量的转炉炼钢质量实时动态预测模型分为3个阶段，每个阶段代表着属于当前预测值的转炉炼钢质量实时动态预测模型，当前转炉炼钢质量实时动态预测模型的输出值作为下一次转炉炼钢质量实时动态预测模型的输入值，形成一种滚动的实时动态预测过程，表2显示了温度以及其他各元素含量的多阶段转炉炼钢质量实时动态预测模型的训练样本个数。

表1 本发明具体实施方式的多阶段建模划分范围

阶段数

温度划分

碳含量划分

硅含量划分

锰含量划分

硫含量划分

磷含量划分

1

1280℃以下

3.75％以上

3.7％以上

3％以上

2％以上

1％以上

2

1280℃-1340℃

3.45％-3.75％

3.4％-3.7％

3％以下

1％-2％

0.5％-1％

3

1340℃-1380℃

3.05％-3.45％

3.2％-3.4％

/

1％以下

0.5％以下

4

1380℃-1420℃

2.55％-3.05％

3.2％以下

/

/

/

5

1420℃-1450℃

2.05％-2.55％

/

/

/

/

6

1450℃-1500℃

1.65％-2.05％

/

/

/

/

7

1500℃-1550℃

1.15％--1.65％

/

/

/

/

8

1550℃-1600℃

0.75％-1.15％

/

/

/

/

9

1600℃以上

0.45％-0.75％

/

/

/

/

10

/

0.45％以下

/

/

/

/

表2 本发明具体实施方式的多阶段转炉炼钢质量实时动态预测模型的训练样本个数

阶段数	温度划分	碳含量划分	硅含量划分	锰含量划分	硫含量划分	磷含量划分
							1	200	200	100	100	100	100
2	100	100	100	100	100	100
							3	100	100	100	/	100	100
4	100	100	100	/	/	/
							5	100	100	/	/	/	/
6	100	100	/	/	/	/
							7	100	100	/	/	/	/
8	100	100	/	/	/	/
							9	86	100	/	/	/	/
10	/	160	/	/	/	/

步骤3：根据转炉炼钢质量实时动态预测模型进行转炉炼钢质量实时动态预测，如图7所示；

步骤3.1：采集当前炼钢过程中的钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量、入炉主原料加入量、副原料投入量、当前吹氧量、烟气流量、氧枪高度、底吹气体流量作为输入信息，选取采集的钢水温度及碳元素含量所属阶段范围对应的转炉炼钢质量实时动态预测模型进行预测，将输入信息带入到相应的各转炉炼钢质量实时动态预测模型并输出预测值，并将当前输出的预测值作为下一次转炉炼钢质量实时动态预测模型的输入值；

步骤3.2：从当前钢种的参考炉次数据集合中选取与当前炉况相近的参考炉次数据，通过插值方法建立参考曲线，将预测值与炉况相近的参考曲线中对应时刻数据进行对比，以误差最小化作为动态操作优化的目标，如钢水温度误差大于10℃，钢水各元素含量误差大于0.0005％，则应对转炉炼钢质量实时动态预测模型进行重新调整，利用公式：ML{}^*＝ML{}×[1±0.7×e(t)]对各个转炉炼钢质量实时动态预测模型进行误差校正，其中ML{}为转炉炼钢质量实时动态预测模型，ML{}^*为误差校正后的转炉炼钢质量实时动态预测模型，e(t)为预测值与参考曲线对应时刻数据的误差，如其中某一预测值偏离规定误差，则只对偏离的转炉炼钢质量实时动态预测模型进行修复(偏差大于0，则减去0.7e(t)；偏差小于0，则加上0.7e(t))，其他未偏离的转炉炼钢质量实时动态预测模型不进行误差校正。图4(a-f)分别为本发明具体实施方式的某一炉次的钢水温度，以及碳、硅、锰、硫、磷元素含量更新后的预测值与实际值比较的曲线图，其中检测的数据来自于副枪取样以后。表3显示了本发明具体实施方式更新后计算得到的该炉次当前改进的最小二乘支持向量机方法(ML)预测值与实际值的比较结果；

表3 为本发明具体实施方式更新后计算得到的当前ML预测值与实际值的比较结果

步骤3.3：将当前时刻到下一时刻的时间范围内的顶吹氧气流量、底吹气体流量、顶吹氧枪高度、各副原料投入量以及投料开关装置状态下发到转炉的各控制器中，对其进行控制；

步骤3.4：在吹炼后期下副枪取样得到当前时刻钢水温度与钢水中碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量；

步骤4：对钢水出钢成分含量进行检验；

步骤4.1：若吹炼后期下副枪取样得到的钢水中碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量含满足出钢条件，则钢水出钢，执行步骤5；否则执行步骤4.2；

步骤4.2：判断吹炼后期下副枪时的各转炉炼钢质量实时动态预测模型输出的碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量预测值与取样值误差是否在偏差范围以内：是，则在下一次预测的时候继续用当前的转炉炼钢质量实时动态预测模型，返回步骤3，继续进行转炉炼钢质量全实时动态预测，否则对转炉炼钢质量实时动态预测模型进行校正，然后返回步骤3，继续进行转炉炼钢质量实时动态预测；

所述的对转炉炼钢质量实时动态预测模型进行校正，具体是将吹炼后期下副枪时与各转炉炼钢质量实时动态预测模型输出的碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量预测值的误差超出偏差范围的取样值加入到历史数据集合中，重新建立转炉炼钢质量离线预测模型数据库，并建立转炉炼钢质量实时动态预测模型，完成转炉炼钢质量实时动态预测模型校正；

步骤5：定期对历史数据集合更新；

定期对历史数据集合进行增量式更新，将与更新后的转炉炼钢质量实时动态预测模型不相关的数据集删除，增强模型的适应性。

基于某炼钢厂的实际生产数据，多次重复本实施例的过程，其中表4为本发明具体实施方式计算得到的其他5组炉次的预测值与实际检测值的平均相对误差比较结果，温度的最大误差为9.96℃，碳含量最大误差为0.0296％，锰含量最大误差为0.01％，硅含量最大误差为0.098％，硫含量最大误差为0.002％，磷含量最大误差为0.009％，其中温度误差控制在10℃范围以内，碳含量误差控制在±0.03％范围以内，硅元素含量误差均控制在±0.12％范围以内，锰含量误差控制在±0.02％范围以内，硫含量误差控制在±0.003％范围以内，磷含量误差控制在±0.009％范围以内，证明了该方法能够帮助钢铁企业提高转炉炼钢中钢水温度、以及各元素含量预测的命中率，实时地检测炉内反应的变化情况，并且不占用过多的资源与硬件检测设备，造成成本增加，进而帮助提高钢铁产品质量，减少能源消耗。因此该方法不仅使操作人员能够实时动态的对转炉内生产过程进行跟踪检测，还可为日后进行动态操作优化时提供参考值，进一步提高炼钢厂的整体生产效率，使转炉炼钢在安全稳定的环境下进行生产。

表4 为本发明具体实施方式计算得到的预测值与实际检测值的平均相对误差比较结果

炉次	温度误差	碳含量误差	硅含量误差	锰含量误差	硫含量误差	磷含量误差
							1	0.0030	0.0191	0.0726	0.0433	0.2261	0.0963
2	0.0031	0.0150	0.0619	0.0305	0.4570	0.0584
							3	0.0031	0.0083	0.0458	0.0231	0.2603	0.0581
4	0.0035	0.0174	0.0750	0.0254	0.4712	0.1582
							5	0.0034	0.0120	0.0507	0.0659	0.1922	0.0485

Claims (2)

1.一种基于数据解析的转炉炼钢质量实时动态预测方法，其特征在于，包括以下步骤：

步骤1：建立转炉炼钢质量离线预测模型数据库；

步骤1.1：建立转炉炼钢历史数据集合，并在历史数据集合中选取参考炉次数据集合；

步骤1.1.1：获取不同钢种在铁水入炉到钢水出炉整个吹炼过程期间产生的数据，包括钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量信息；

步骤1.1.2：在主原料入炉前，记录入炉的主原料重量以及不同时刻投入炉内的副原料加入量；

主原料包括铁水和废钢；

副原料包括块状石灰石、轻烧白云石、菱镁球、sishen块矿、块白云石、镍板和复合碳化硅球；

步骤1.1.3：获取各时刻炉内状态下测得的顶吹氧枪高度、熔池高度、顶吹氧气流量以及底吹气体流量、烟气总流量、烟气中一氧化碳含量、烟气中二氧化碳含量；

底吹气体流量包括底吹氮气流量和底吹氩气流量；

步骤1.1.4：将步骤1.1.1~步骤1.1.3所获得的数据作为历史数据集合，包括：在铁水入炉到钢水出炉整个吹炼过程期间各个时刻的钢水温度、钢水碳元素含量、钢水硅元素含量、钢水锰元素含量、钢水硫元素含量、钢水磷元素含量、顶吹氧气流量、顶吹氧枪高度、熔池高度、底吹气体流量、副原料加入的重量、烟气总流量、烟气中一氧化碳含量、烟气中二氧化碳含量、入炉铁水重量和入炉废钢重量；

步骤1.1.5：从历史数据集合中选取不同钢种的入炉铁水重量、入炉废钢重量、入炉时的钢水温度、入炉时的碳元素含量、入炉时的硅元素含量、入炉时的锰元素含量、入炉时的硫元素含量、入炉时的磷元素含量信息，以及出炉时的钢水温度和出炉时的碳元素含量、出炉时的硅元素含量、出炉时的锰元素含量、出炉时的硫元素含量、出炉时的磷元素含量信息作为不同钢种的参考炉次数据集合；

步骤1.2：分别以钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量为预测目标，对铁水入炉到钢水出炉整个吹炼过程的各炉次数据进行分类；

步骤1.2.1：将历史数据集合按照不同钢种需求进行预划分；

步骤1.2.2：对历史数据集合中的相同钢种的炉次分别以钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量为预测目标进行聚类，其中钢水温度以初始钢水入炉温度、钢水出钢温度以及入炉前的炉内温度、主原料重量作为划分条件分别进行聚类；碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量均以入炉前的元素含量、元素出钢含量、入炉铁水重量、入炉废钢重量、副原料投入量作为划分条件分别进行聚类，得到分类炉次数据集合；

步骤1.2.3：根据钢种的不同对参考炉次数据集合进行预划分，建立属于各自钢种的参考炉次数据集合；

步骤2：将钢水温度和碳元素含量分别划分为若干阶段范围，以步骤1.2.2中的分类炉次数据集合作为各转炉炼钢质量实时动态预测模型的输入，以钢水温度和碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量作为各转炉炼钢质量实时动态预测模型的输出；采用最小二乘支持向量机方法分别对不同阶段范围的钢水温度、不同阶段范围的碳元素含量对应的碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量建立转炉炼钢质量实时动态预测模型；

步骤3：根据转炉炼钢质量实时动态预测模型进行转炉炼钢质量实时动态预测；

步骤3.1：采集当前炼钢过程中的钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量、入炉主原料加入量、副原料投入量、顶吹氧气流量、烟气流量、烟气中一氧化碳含量、烟气中二氧化碳含量、顶吹氧枪高度、底吹气体流量作为输入信息，选取采集的钢水温度及碳元素含量所属阶段范围对应的转炉炼钢质量实时动态预测模型进行预测，将输入信息带入到相应的各转炉炼钢质量实时动态预测模型并输出预测值，并将当前输出的预测值作为下一次转炉炼钢质量实时动态预测模型的输入值；

步骤3.2：从当前钢种的参考炉次数据集合中选取与当前炉况相近的参考炉次数据，通过插值方法建立参考曲线，将各预测值与对应参考曲线上相应时刻数据进行对比，若误差超过允许值时，则对转炉炼钢质量实时动态预测模型进行误差校正，使误差在允许范围之内；若误差在允许范围内，则进行转炉炼钢过程动态操作优化，即以当前预测的钢水温度以及碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量与各自参考曲线的偏差最小化为目标，确定转炉炼钢过程动态操作优化结果，即当前时刻到下一时刻的顶吹氧气流量、底吹气体流量、顶吹氧枪高度、各副原料投入量以及投料开关装置状态；

步骤3.3：将当前时刻到下一时刻的顶吹氧气流量、底吹气体流量、顶吹氧枪高度、各副原料投入量以及投料开关装置状态下发到转炉的各控制器中，对其进行控制；

步骤3.4：在吹炼后期下副枪取样得到当前时刻钢水温度与钢水中碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量；

步骤4：对钢水出钢成分含量进行检验；

步骤4.1：若吹炼后期下副枪取样得到的钢水中碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量满足出钢条件，则钢水出钢，执行步骤5；否则执行步骤4.2；

步骤4.2：判断吹炼后期下副枪时的各转炉炼钢质量实时动态预测模型输出的碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量预测值与取样值误差是否在偏差范围以内：是，则在下一次预测的时候继续用当前的转炉炼钢质量实时动态预测模型，返回步骤3，继续进行转炉炼钢质量实时动态预测，否则对转炉炼钢质量实时动态预测模型进行校正，然后返回步骤3，继续进行转炉炼钢质量实时动态预测；

步骤5：定期对历史数据集合更新。

2.根据权利要求1所述的基于数据解析的转炉炼钢质量实时动态预测方法，其特征在于，步骤4.2中所述的对转炉炼钢质量实时动态预测模型进行校正，具体是将吹炼后期下副枪时与各转炉炼钢质量实时动态预测模型输出的碳元素含量、硅元素含量、锰元素含量、硫元素含量、磷元素含量预测值的误差超出偏差范围的取样值加入到历史数据集合中，重新建立转炉炼钢质量离线预测模型数据库，并建立转炉炼钢质量实时动态预测模型，完成转炉炼钢质量实时动态预测模型校正。