CN116469481B - 一种基于XGBoost算法的LF精炼钢水成分预报方法 - Google Patents
一种基于XGBoost算法的LF精炼钢水成分预报方法 Download PDFInfo
- Publication number
- CN116469481B CN116469481B CN202310726453.1A CN202310726453A CN116469481B CN 116469481 B CN116469481 B CN 116469481B CN 202310726453 A CN202310726453 A CN 202310726453A CN 116469481 B CN116469481 B CN 116469481B
- Authority
- CN
- China
- Prior art keywords
- model
- molten steel
- xgboost
- value
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 51
- 239000010959 steel Substances 0.000 title claims abstract description 51
- 239000000203 mixture Substances 0.000 title claims abstract description 15
- 238000013277 forecasting method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 229910052782 aluminium Inorganic materials 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013450 outlier detection Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims 1
- 238000007670 refining Methods 0.000 abstract description 20
- 238000009628 steelmaking Methods 0.000 abstract description 7
- 238000010079 rubber tapping Methods 0.000 abstract description 6
- 238000009749 continuous casting Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 2
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 30
- 229910052786 argon Inorganic materials 0.000 description 15
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000003723 Smelting Methods 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 229910000519 Ferrosilicon Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- OOFUFVVNELMCSU-UHFFFAOYSA-N [Ar].[Fe] Chemical compound [Ar].[Fe] OOFUFVVNELMCSU-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007872 degassing Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000009849 vacuum degassing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明公开了一种基于XGBoost算法的LF精炼钢水成分预报方法，包含以下步骤：采集LF精炼初始参数；对数据进行预处理；将处理后的特征数据在python环境下运用XGBoost模块中的plot‑importance函数构建XGBoost模型；将XGBoost模型中的预测值与实际值相对比，用平均绝对误差MAE和R平方作为评价标准，反映预测值的好坏；模型评价合格后对钢水成分进行预测。整个过程简单，运用XGBoost算法对LF精炼初期钢水成分Al、Si、Mn进行预报，以此来指导转炉出钢及LF精炼初期工艺，提高钢水成分的稳定性、提高炼钢生产效率、降低炼钢成本，为连铸过程提供合格的高质量钢水。
Description
技术领域
本发明涉及炼钢技术领域，具体涉及一种基于XGBoost算法的LF精炼钢水成分预报方法。
背景技术
在以电弧炉或转炉-LF精炼-真空脱气-连铸为主流的现代化炼钢流程中，LF工序起着承上启下的作用，被誉为炼钢流程中的缓冲器。初炼后的钢水温度和成分通常具有一定波动性，通过LF精炼可以对其进行控制，定时为脱气或连铸工序提供温度和成分均合格的钢水。鉴于其优势，几乎所有优特钢的生产都需经过LF精炼工序，但企业目前在LF工序也面临着一些共性问题，例如，初炼炉终点往往存在一定的波动性，钢包到站后具体加多少脱氧剂、渣料，往往根据操作人员的经验而定，导致LF初期钢水成分和成渣性波动较大，这种波动性通常具有一定遗传性，最终导致产品质量波动大。如何实现LF精炼初期钢水成分的稳定控制是当前冶金工作者面临的一大难题。
发明内容
本发明的目的是克服现有技术的不足，提供一种基于XGBoost算法的LF精炼钢水成分预报方法，利用XGBoost算法对LF精炼初期钢水成分中Al、Si、Mn三种元素含量进行预报，旨在指导转炉出钢及LF精炼初期工艺，提高钢水成分的稳定性。
为达到上述目的，本发明采用的技术方案是：一种基于XGBoost算法的LF精炼钢水成分预报方法，包含以下步骤：
S1：结合冶金原理分析及现场操作工的经验，初步筛选出影响LF初期钢水成分的特征参数，并结合大量实际生产数据整合后存入数据库；
S2：利用python中的duplicate函数剔除数据中的重复项，利用dropna函数剔除空值；利用z-score方法将数据进行标准化，消除量纲和变量自身变异大小以及数值大小的影响；利用3σ离群值检测法，删除异常点；
S3：将预处理后的数据利用pearson相关系数表示特征之间的相关性，剔除对模型训练意义不大的特征；
S4：处理后的特征数据在python环境下运用XGBoost模块中的plot-importance函数构建XGBoost模型，建立输入特征与输出特征之间的关系，并根据输入特征对输出特征的贡献度进行排序，最后将对目标指数贡献度分数小于20的特征剔除；
S5：将XGBoost模型中的预测值与实际值相对比，用平均绝对误差MAE和R平方作为评价标准，反映预测值的好坏，具体公式如下：
，
，
式中：n、m为样本预测个数；为模型预测值；/>为实际值；/>为平均值；RSS为残差平方和；
S6：若步骤S5中MAE值和R2值均在预设范围内时，判定XGBoost模型评价合格，进入步骤S7，反之不合格，重新进行步骤S2至S5的操作；
S7：采用合格的XGBoost模型进行钢水成分预测。
作为一种具体的实施方式，经过步骤S3预处理后的数据随机分为训练组和测试组，XGBoost模型设置有Si、Mn、Al三个模型，三个模型的训练参数设置如下：
booster设为树模型gbtree；
树的最大深度max-depth均设置为6；
学习率cta在Si、Mn模型中设置为0.03，在Al模型中设置为0.01；
gbtree分类器数目在Si、Mn模型中设置为900，在Al模型中设置为1000。
作为一种具体的实施方式，Si模型中的MAE值设定范围为小于0.015，Mn模型中的MAE值设定范围为小于0.023、Al模型中的MAE值设定范围为小于0.003，三个模型的R 2值设定范围均大于0.98。
作为一种具体的实施方式，所述LF精炼钢水成分预报方法还包括以下步骤：
S8：经过步骤S7后，采集未来一段时间内的实际生产数据纳入样本数据存入数据库，而后重复步骤S2至S7。
由于上述技术方案的运用，本发明与现有技术相比具有下列优点：本发明运用XGBoost算法对LF精炼初期钢水成分Al、Si、Mn进行预报，旨在指导转炉出钢及LF精炼初期工艺，提高钢水成分的稳定性、提高炼钢生产效率、降低炼钢成本，为连铸过程提供合格的高质量钢水。
附图说明
图1为实施例1中LF精炼处理钢水成分Al的特征变量-重要性分数图；
图2为实施例1中LF精炼处理钢水成分Si的特征变量-重要性分数图；
图3为实施例1中LF精炼处理钢水成分Mn的特征变量-重要性分数图；
图4为实施例1中LF精炼初期Al含量实测值与预报值的对比图；
图5为实施例1中LF精炼初期Si含量实测值与预报值的对比图；
图6为实施例1中LF精炼初期Mn含量实测值与预报值的对比图；
图7为本发明所述的基于XGBoost算法的LF精炼初期钢水成分预测流程图。
具体实施方式
下面结合附图及具体实施例来对本发明的技术方案作进一步的阐述。
本发明提供一种基于XGBoost算法的LF精炼钢水成分预报方法，参见图1所示，包含以下步骤：
S1，采集LF精炼初始参数：结合冶金原理分析及现场操作工的经验，初步筛选出影响LF初期钢水成分的特征参数，并采集大量实际生产数据整合后存入数据库；
S2，数据预处理：利用python中的duplicate函数剔除数据中的重复项，利用dropna函数剔除空值；利用z-score方法将数据进行标准化，消除量纲和变量自身变异大小以及数值大小的影响；利用3σ离群值检测法，删除异常点；
S3，将预处理后的数据利用pearson相关系数表示特征之间的相关性，剔除对模型训练意义不大的特征；
S4，使用训练集构建XGBoost模型：
将经预处理后的数据随机分为训练组和测试组，XGBoost模型设置有Si、Mn、Al三个模型，三个模型的训练参数设置如下：
booster设为树模型gbtree；
树的最大深度max-depth均设置为6；
学习率cta在Si、Mn模型中设置为0.03，在Al模型中设置为0.01；
gbtree分类器数目在Si、Mn模型中设置为900，在Al模型中设置为1000；
将处理后的特征数据在python环境下运用XGBoost模块中的plot-importance函数构建XGBoost模型，建立输入特征与输出特征之间的关系，并根据输入特征对输出特征的贡献度进行排序，最后将对目标指数贡献度分数小于20的特征剔除；
S5，计算评价指标MAE和R2：
将XGBoost模型中的预测值与实际值相对比，用平均绝对误差MAE和R2作为评价标准，反映预测值的好坏，具体公式如下：
，
，
式中：n、m为样本预测个数；为模型预测值；/>为实际值；/>为平均值；RSS为残差平方和；
S6，使用测试集验证XGBoost模型：若步骤S5中Si含量预报模型MAE值小于0.015、Mn含量预报模型中MAE值小于0.023、Al含量预报模型中MAE值应小于0.003，R 2均大于0.98，判定预报模型评价合格，进入步骤S7，反之不合格，重新进行步骤S2至S5的操作；
S7，模型预测结果处置：采用合格的XGBoost模型进行钢水成分预测，而后结束；
S8，在采用合格的XGBoost模型进行钢水成分预测后，采集未来一段时间内的实际生产数据纳入样本数据存入数据库，而后重复步骤S2至S7。
实施例1
本例以江苏永钢集团有限公司二钢厂2019年1月1日至2023年1月1日的实际生产数据为例，对LF精炼钢水成分中Al元素含量进行预报，步骤如下：
S1，现场采集的2020组数据整合后存入数据库，初步筛选出可能与LF炉精炼钢液中Al元素含量相关的参数，即为输入特征参数，包括：LF炉进站温度、炉盖炉龄、钢包温度、冶炼周期、总氧量、铁水重量、铝块添加量、促净剂量、高纯硅铁添加量、转炉终点C含量、转炉终点S含量，氩后Mn含量、氩后Mo含量等等；
S2，利用python中的duplicate函数剔除数据中的重复项，利用dropna函数剔除空值；利用z-score方法将数据进行标准化，消除量纲和变量自身变异大小以及数值大小的影响；利用3σ离群值检测法，删除异常点，剩余2000组数据；
S3，将预处理后的数据利用pearson相关系数表示特征之间的相关性，剔除对模型训练意义不大的特征；
S4，使用训练集构建Al模型：
将经预处理后的数据随机分为训练数据1600组，测试数据400组，训练参数设置如下：
booster设为树模型gbtree；
树的最大深度max-depth设置为6；
学习率cta为0.01；
gbtree分类器数目为1000，
将处理后的特征数据在python环境下运用XGBoost模块中的plot-importance函数构建Al模型，建立输入特征与输出特征之间的关系，并根据输入特征对输出特征的贡献度进行排序，最后将对目标指数贡献度分数小于20的特征剔除，最终选取特征参数，参见图1，图1为Al模型输出特征重要性前30位的输出特征参数排序，包括：铝豆添加量、炉盖炉龄、LF炉进站温度、氩后S含量、钢包温度、冶炼周期、转炉出钢钢液重量、氩后Si含量、钢液总氧量、氮耗、LF炉炉龄、氩站进站时间、出钢过程耗时、炉渣回收值、转炉终点S含量、氩后Mo含量、氩后Mn含量、转炉终点C含量、氩后Nb含量、氩后V含量、钢水中铝元素占比、蒸汽回收量、转炉出钢与LF炉进站温度差、实际炉渣MgO含量、枪头年龄、铁水温度、铁水-氩后Ni元素含量差、回收热值及氩后Cr含量；
S5，计算评价指标MAE和R2：
将Al模型中的预测值与实际值相对比，用平均绝对误差MAE和R2作为评价标准，反映预测值的好坏，具体公式如下：
，
，
式中：n、m为样本预测个数，这里均为2000；为模型预测值；/>为实际值；/>为平均值；RSS为残差平方和；
Al模型中的预测值与实际值相对比，对比情况参见图4所示，通过计算，当Al模型的分类器数目设置为1000时，MAE为0.002345，R 2达到了0.983041；
S6，使用测试集验证XGBoost模型： Al模型中的MAE值小于设定值0.003，同时R 2大于设定值0.98，判定Al模型评价合格，进入步骤S7；
S7，模型预测结果处置：采用合格的Al模型进行钢水成分中Al含量的预测，而后结束；
S8，在采用合格的Al模型进行钢水成分中Al含量的预测后，采集未来一段时间内的实际生产数据纳入样本数据存入数据库，而后重复步骤S2至S7。
实施例2
采用与实施例1相同的方法对LF炉精炼钢液中Si、Mn元素含量进行预报：
S1，将现场采集的43147组数据整合后存入数据库，初步筛选出可能与LF炉精炼钢液中Si、Mn元素含量相关的参数，即为输入特征参数，包括：LF炉进站温度、炉盖炉龄、钢包温度、冶炼周期、总氧量、铁水重量、铝块添加量、促净剂量、高纯硅铁添加量、转炉终点C含量、转炉终点S含量，氩后Mn含量、氩后Mo含量等等；
S2，利用python中的duplicate函数剔除数据中的重复项，利用dropna函数剔除空值；利用z-score方法将数据进行标准化，消除量纲和变量自身变异大小以及数值大小的影响；利用3σ离群值检测法，删除异常点，剩余43053组数据；
S3，将预处理后的数据利用pearson相关系数表示特征之间的相关性，剔除对模型训练意义不大的特征；
S4，使用训练集构建Si、Mn两个模型：
Si、Mn两个模型将43053组数据随机分为训练数据34296组，测试数据8757组，两个模型的训练参数设置如下：
booster设为树模型gbtree；
树的最大深度max-depth均设置为6；
学习率cta均为0.03；
gbtree分类器数目均为900；
将处理后的特征数据在python环境下运用XGBoost模块中的plot-importance函数构建XGBoost模型，建立输入特征与输出特征之间的关系，并根据输入特征对输出特征的贡献度进行排序，最后将对目标指数贡献度分数小于20的特征剔除，参见图2、3所示，图2为Si模型输出特征重要性前30位的输出特征参数排序，包括：氩后Si含量、LF炉炉龄、氩前Si含量、氩后S含量等等；图3为Mn模型输出特征重要性前30位的输出特征参数排序，包括氩后Mn含量、氩前Mn含量、氩后C含量、氩后S含量等等；
S5，计算评价指标MAE和R2：
通过同实施例1相同的公式计算，这里，n、m均为43053，Si、Mn两个模型中的预测值与实际值相对比，对比情况参见图5、6，通过计算，当Si模型和Mn模型的分类器数目设置为900时，两个模型的MAE分别为0.014151和0.022906，R 2均达到了0.988921；
S6，使用测试集验证XGBoost模型：Si模型中的MAE值小于设定值0.015，Mn模型中的MAE值小于设定值0.023，两个模型的R 2值均大于设定值0.98，判定Si模型和Mn模型合格，进入步骤S7；
S7，模型预测结果处置：采用合格的Si模型和Mn模型分别进行钢水成分中Si、Mn含量的预测，而后结束；
S8，在采用合格的Si模型和Mn模型进行钢水成分中Si、Mn含量的预测后，采集未来一段时间内的实际生产数据纳入样本数据存入数据库，而后重复步骤S2至S7。
如此可见，LF精炼钢水成分预报模型整体预报精度较高，对产线实际生产具有良好的指导意义，并且随着后续数据量的不断增多，再排除多余的异常点和噪音，预测模型精度会随之升高。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于XGBoost算法的LF精炼钢水成分预报方法，其特征在于，包含以下步骤：
S1：结合冶金原理分析及现场操作工的经验，初步筛选出影响LF初期钢水成分的特征参数，并结合大量实际生产数据整合后存入数据库；
S2：利用python中的duplicate函数剔除数据中的重复项，利用dropna函数剔除空值；利用z-score方法将数据进行标准化，消除量纲和变量自身变异大小以及数值大小的影响；利用3σ离群值检测法，删除异常点；
S3：将预处理后的数据利用pearson相关系数表示特征之间的相关性，剔除对模型训练意义不大的特征；
S4：处理后的特征数据在python环境下运用XGBoost模块中的plot-importance函数构建XGBoost模型，建立输入特征与输出特征之间的关系，并根据输入特征对输出特征的贡献度进行排序，最后将对目标指数贡献度分数小于20的特征剔除；
S5：将XGBoost模型中的预测值与实际值相对比，用平均绝对误差MAE作为主要评价标准，反映预测值与实际值相差数值，用R平方作为辅助评估标准，反映模型拟合效果，具体公式如下：
式中：n、m为样本预测个数；为模型预测值；yi为实际值；/>为平均值；RSS为残差平方和；
S6：若步骤S5中MAE值和R2值均在预设范围内时，判定XGBoost模型评价合格，进入步骤S7，反之不合格，重新进行步骤S2至S5的操作；
S7：采用合格的XGBoos t模型进行钢水成分预测；
这里，经过步骤S3预处理后的数据随机分为训练组和测试组，XGBoost模型设置有Si、Mn、Al三个模型，三个模型的训练参数设置如下：
booster设为树模型gbtree；
树的最大深度max-depth均设置为6；
学习率cta在Si、Mn模型中设置为0.03，在Al模型中设置为0.01；
gbtree分类器数目在Si、Mn模型中设置为900，在Al模型中设置为1000。
2.根据权利要求1所述的基于XGBoo st算法的LF精炼钢水成分预报方法，其特征在于，Si模型中的MAE值设定范围为小于0.015，Mn模型中的MAE值设定范围为小于0.023、Al模型中的MAE值设定范围为小于0.003，三个模型的R2值设定范围均大于0.98。
3.根据权利要求1所述的基于XGBoo st算法的LF精炼钢水成分预报方法，其特征在于，所述LF精炼钢水成分预报方法还包括以下步骤：
S8：经过步骤S7后，采集未来一段时间内的实际生产数据纳入样本数据存入数据库，而后重复步骤S2至S7。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310726453.1A CN116469481B (zh) | 2023-06-19 | 2023-06-19 | 一种基于XGBoost算法的LF精炼钢水成分预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310726453.1A CN116469481B (zh) | 2023-06-19 | 2023-06-19 | 一种基于XGBoost算法的LF精炼钢水成分预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116469481A CN116469481A (zh) | 2023-07-21 |
| CN116469481B true CN116469481B (zh) | 2023-08-29 |
Family
ID=87177453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310726453.1A Active CN116469481B (zh) | 2023-06-19 | 2023-06-19 | 一种基于XGBoost算法的LF精炼钢水成分预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116469481B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077545B (zh) * | 2023-10-13 | 2023-12-26 | 南通钢安机械制造有限公司 | 一种基于含硅量控制的钢水流动性优化方法及*** |
| CN118016203B (zh) * | 2024-04-10 | 2024-06-14 | 苏州方兴信息技术有限公司 | 一种基于机理模型和XGBoost算法的LF精炼温度预报方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05222429A (ja) * | 1992-02-17 | 1993-08-31 | Nkk Corp | 精錬工程における溶鋼およびスラグの噴出規模の予測方法 |
| CN102766728A (zh) * | 2012-06-25 | 2012-11-07 | 攀钢集团研究院有限公司 | 钢包精炼炉精炼过程钢水硫含量实时预测的方法及装置 |
| CN114242179A (zh) * | 2021-12-09 | 2022-03-25 | 中冶赛迪重庆信息技术有限公司 | 精炼合金元素收得率预测方法、***、电子设备及介质 |
| CN114861535A (zh) * | 2022-04-27 | 2022-08-05 | 江苏集萃工业过程模拟与优化研究所有限公司 | 利用cfd做数据预处理的水处理过程机器学习建模方法 |
| CN115015161A (zh) * | 2022-05-30 | 2022-09-06 | 长春大学 | 一种煤质成分预测方法 |
| CN115906538A (zh) * | 2023-01-09 | 2023-04-04 | 湖南华联云创信息科技有限公司 | 一种钢包精炼炉钢水成分预测的方法 |
-
2023
- 2023-06-19 CN CN202310726453.1A patent/CN116469481B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05222429A (ja) * | 1992-02-17 | 1993-08-31 | Nkk Corp | 精錬工程における溶鋼およびスラグの噴出規模の予測方法 |
| CN102766728A (zh) * | 2012-06-25 | 2012-11-07 | 攀钢集团研究院有限公司 | 钢包精炼炉精炼过程钢水硫含量实时预测的方法及装置 |
| CN114242179A (zh) * | 2021-12-09 | 2022-03-25 | 中冶赛迪重庆信息技术有限公司 | 精炼合金元素收得率预测方法、***、电子设备及介质 |
| CN114861535A (zh) * | 2022-04-27 | 2022-08-05 | 江苏集萃工业过程模拟与优化研究所有限公司 | 利用cfd做数据预处理的水处理过程机器学习建模方法 |
| CN115015161A (zh) * | 2022-05-30 | 2022-09-06 | 长春大学 | 一种煤质成分预测方法 |
| CN115906538A (zh) * | 2023-01-09 | 2023-04-04 | 湖南华联云创信息科技有限公司 | 一种钢包精炼炉钢水成分预测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116469481A (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116469481B (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
| CN108676955B (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
| CN104630410B (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
| CN106096788B (zh) | 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及*** | |
| CN114611844B (zh) | 一种转炉出钢过程合金加入量的确定方法和*** | |
| CN109359723A (zh) | 基于改进正则化极限学习机的转炉终点锰含量预测方法 | |
| CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
| CN111915080A (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
| Shi et al. | Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology | |
| CN111020118B (zh) | 一种基于粒子群优化案例推理的rh终点温度预测方法 | |
| JP6617842B1 (ja) | 金属材料の設計支援方法及び設計支援装置 | |
| CN111798023B (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
| CN111518980B (zh) | 一种转炉终点碳含量预报模型的修正方法和*** | |
| CN102968644A (zh) | 一种氩氧精炼铁合金冶炼终点预测方法 | |
| Han et al. | BOF oxygen control by mixed case retrieve and reuse CBR | |
| CN113362903B (zh) | 一种大型转炉tsc阶段智能添加石灰的方法 | |
| CN115456264A (zh) | 一种中小型转炉的终点碳含量和终点温度预测方法 | |
| JP6160283B2 (ja) | 転炉吹錬におけるスロッピング予知方法 | |
| Zhao et al. | Optimal batching plan of deoxidation alloying based on principal component analysis and linear programming | |
| CN116127345B (zh) | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 | |
| CN117708708B (zh) | 一种炼钢用铁合金的品质评级及推荐方法 | |
| CN117744503A (zh) | 一种转炉出钢温度的预测方法 | |
| Huang et al. | Prediction of alloy yield based on optimized BP neural network | |
| Lin et al. | Study on Alloying Yield in Deoxidization and Alloying of Iron and Steel | |
| Han et al. | Case based reasoning for converter steelmaking dynamic oxygen volume control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |