硅锰合金冶炼炉渣碱度预测系统和方法与流程

1.本发明涉及硅锰炉渣成分预测技术领域，具体地，涉及一种硅锰合金冶炼炉渣碱度 预测系统和方法。


背景技术：

2.硅锰炉渣成分是影响冶炼技术经济指标的重要因素，根据原料和设备情况选择适宜 的炉渣成分非常重要。尽管冶炼硅锰合金的条件不同，但总的原则是要有适宜的熔点、 粘度和电导度，以保证获取好的技术经济指标。其中炉渣碱度就是炉渣成分中最重要的 指标，合适的碱度提高锰回收率、增加产量、降低冶炼电耗的重要条件之一。炉渣碱度 的定义如下：
[0003][0004]
其中，r3为炉渣的三元碱度；cao是炉渣中氧化钙化验成分百分比；mgo是炉渣 中氧化镁化验成分百分比；sio2是炉渣中二氧化硅化验成本百分比。一般认为，炉渣的 碱度应该控制在0.55-0.65之间。
[0005]
传统的炉渣碱度调整方法是当一炉硅锰合金冶炼结束后，对炉渣进行化验，根据炉 渣碱度的计算结果，再对下一炉配料中的锰矿、白云石、硅石、焦炭等原料的配比进行 调整，一般经过3-4炉的调整后，才能够确认炉渣碱度的调整结果和调节特性。由于每 一炉的硅锰合金冶炼时间需要3-4小时，因此炉渣碱度的调节具有严重的滞后性。
[0006]
专利文献cn103361461a(申请号：cn201210092210.9)公开了一种转炉冶炼低碳 钢磷含量在线预测控制方法，它的特点在于(1)利用在线采集的炉气信息间接对钢液中磷 含量进行在线实时预测；(2)利用转炉炉气中co的变化与吹炼后期熔池中氧含量的间接 关系，即由炉气中co的变化预测出碳含量，再根据碳氧积关系预测氧含量，炉渣碱度 控制在r＝3.0-3.5；(3)对加料量、耗氧量及吹炼终点进行判断，结合数学模型和操作工 艺实现转炉冶炼低碳钢磷含量在线控制。然而该专利无法在确定原料矿投入矿热炉之前， 提前预测炉渣碱度的变化趋势和范围，无法通过提前确定原料和辅料配比的调整量，实 现矿热炉运行炉况的优化，解决反馈不及时的问题，最终提高矿热炉产量和硅锰合金质 量。


技术实现要素：

[0007]
针对现有技术中的缺陷，本发明的目的是提供一种硅锰合金冶炼炉渣碱度预测系统 和方法。
[0008]
根据本发明提供的硅锰合金冶炼炉渣碱度预测系统，包括：
[0009]
数据获取模块：获取原料矿的化验数据、原料矿与配料的配比数据，以及冶炼结束 后对硅锰合金和炉渣的化验数据；
[0010]
数据计算模块：计算配料的化学成分和产品指标；
[0011]
模型训练模块：根据计算得到的数值对神经网络模型进行训练，得到预测模型；
[0012]
数据预处理模块：将存在滞后的配料数据和产品数据通过时间互相关分析进行映射 重构，并通过特征工程提取配料数据和产品数据的特征值；
[0013]
预测模块：将特征值输入到预测模型中，对未来时刻炉渣碱度进行预测。
[0014]
优选的，所述数据获取模块包括：
[0015]
获取每次配料时原料矿与辅料的配比，计算投入成分的综合水分、锰含量、铁含量、 硅含量、钙含量、镁含量、铝含量、锰铁比、硅锰比、碳锰比、铝锰比，以及入炉原料 的理论碱度；
[0016]
获取每次硅锰合金冶炼完成的出炉数据，包括冶炼开始时间和结束时间、硅锰合金 的产量、渣量、硅锰合金中的锰含量、硅含量、渣中锰含量、二氧化硅含量、氧化镁含 量、氧化钙含量，并计算炉渣碱度，以及在硅锰合金与炉渣中，锰、铁、硅、钙、镁、 铝的各种的总体含量。
[0017]
优选的，在配料数据和产品数据中，选取锰含量、铁含量、钙含量、镁含量、碱度 指标，以15分钟为步长计算各指标的时间互相关系数；
[0018]
将相同时间步长下所有指标的互相关系数相加，最大结果对应的时间步长为投料与 出炉的延迟时间；
[0019]
将所有指标对应的时间戳按照计算得到的延迟时间向后平移，与出炉指标的时间戳 一一映射后拼接两个数据集，得到投料与产品指标的互相对应的数据集。
[0020]
优选的，分别计算炉渣碱度与其他指标的pearson相关系数，并将相关系数从大到 小排列，选取相关系数高于0.5的变量作为预测模型的特征值；
[0021]
根据炉渣碱度与特征值构建数据集l；
[0022][0023]
式中，y为炉渣碱度，x为通过相关性分析得到的炉渣碱度相关特征值，下标a、b、 c、n、t均为大于0的自然数。
[0024]
优选的，构建神经网络预测模型，模型结构包括3个全连接层，其中第1、2层采用 relu函数作为激活函数，第3层采用linear函数作为激活函数，每层之间加入dropout 层增强预测模型的泛化能力；
[0025]
将数据集l中的y作为神经网络模型的输出，除y以外的值作为输入，经过训练后 得到炉渣碱度的预测模型。
[0026]
根据本发明提供的硅锰合金冶炼炉渣碱度预测方法，包括：
[0027]
数据获取步骤：获取原料矿的化验数据、原料矿与配料的配比数据，以及冶炼结束 后对硅锰合金和炉渣的化验数据；
[0028]
数据计算步骤：计算配料的化学成分和产品指标；
[0029]
模型训练步骤：根据计算得到的数值对神经网络模型进行训练，得到预测模型；
[0030]
数据预处理步骤：将存在滞后的配料数据和产品数据通过时间互相关分析进行映射 重构，并通过特征工程提取配料数据和产品数据的特征值；
[0031]
预测步骤：将特征值输入到预测模型中，对未来时刻炉渣碱度进行预测。
[0032]
优选的，所述数据获取步骤包括：
[0033]
获取每次配料时原料矿与辅料的配比，计算投入成分的综合水分、锰含量、铁含量、 硅含量、钙含量、镁含量、铝含量、锰铁比、硅锰比、碳锰比、铝锰比，以及入炉原料 的理论碱度；
[0034]
获取每次硅锰合金冶炼完成的出炉数据，包括冶炼开始时间和结束时间、硅锰合金 的产量、渣量、硅锰合金中的锰含量、硅含量、渣中锰含量、二氧化硅含量、氧化镁含 量、氧化钙含量，并计算炉渣碱度，以及在硅锰合金与炉渣中，锰、铁、硅、钙、镁、 铝的各种的总体含量。
[0035]
优选的，在配料数据和产品数据中，选取锰含量、铁含量、钙含量、镁含量、碱度 指标，以15分钟为步长计算各指标的时间互相关系数；
[0036]
将相同时间步长下所有指标的互相关系数相加，最大结果对应的时间步长为投料与 出炉的延迟时间；
[0037]
将所有指标对应的时间戳按照计算得到的延迟时间向后平移，与出炉指标的时间戳 一一映射后拼接两个数据集，得到投料与产品指标的互相对应的数据集。
[0038]
优选的，分别计算炉渣碱度与其他指标的pearson相关系数，并将相关系数从大到 小排列，选取相关系数高于0.5的变量作为预测模型的特征值；
[0039]
根据炉渣碱度与特征值构建数据集l；
[0040][0041]
式中，y为炉渣碱度，x为通过相关性分析得到的炉渣碱度相关特征值，下标a、b、 c、n、t均为大于0的自然数。
[0042]
优选的，构建神经网络预测模型，模型结构包括3个全连接层，其中第1、2层采用 relu函数作为激活函数，第3层采用linear函数作为激活函数，每层之间加入dropout 层增强预测模型的泛化能力；
[0043]
将数据集l中的y作为神经网络模型的输出，除y以外的值作为输入，经过训练后 得到炉渣碱度的预测模型。
[0044]
与现有技术相比，本发明具有如下的有益效果：
[0045]
(1)本发明的数据采集与处理充分考虑了投料时刻与冶炼结束时刻的时间延迟，采 用处理后的数据训练后的模型能够正确反应配料与产品之间的关系，计算精度高；
[0046]
(2)本发明基于神经网络模型对炉渣碱度进行预测，根据配料的计算结果对未来出 炉产品的炉渣碱度进行预测，能够提前对碱度进行调控，达到优化冶炼过程的目的；同 时通过主动调控，能够有效避免冶炼炉况与产品质量的大幅度波动，实现降本增效。
附图说明
[0047]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、
目 的和优点将会变得更明显：
[0048]
图1为本发明方法流程图；
[0049]
图2为本发明对370炉产品的炉渣碱度预测值与实际测量值的对比图。
具体实施方式
[0050]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人 员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技 术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于 本发明的保护范围。
[0051]
实施例：
[0052]
如图1，本发明提供了一种硅锰合金冶炼炉渣碱度预测模型建立方法，包括如下步 骤：
[0053]
步骤1，采集每次配料各种原料矿及辅料的配比，计算投入成分的综合水分、锰含 量、铁含量、硅含量、钙含量、镁含量、铝含量、锰铁比、硅锰比、碳锰比、铝锰比， 以及入炉原料的理论碱度；
[0054]
步骤2，采集每次硅锰合金冶炼完成的出炉数据，包括冶炼开始时间和结束时间、 硅锰合金的产量、渣量、硅锰合金中的锰含量、硅含量、渣中锰含量、二氧化硅含量、 氧化镁含量、氧化钙含量，并计算炉渣碱度，硅锰合金与炉渣中，锰、铁、硅、钙、镁、 铝的各种的总体含量；
[0055]
步骤3，分别在步骤1中的配料数据，以及在步骤2中的产品数据中，选取锰含量、 铁含量、钙含量、镁含量、碱度指标，以15分钟为步长计算各指标的时间互相关系数； 将相同时间步长下所有指标的互相关系数相加，最大结果对应的时间步长即为投料与出 炉的延迟时间；
[0056]
步骤4，将步骤1所有指标对应的时间戳按照步骤3计算得到的延迟时间向后平移， 与步骤2中出炉指标的时间戳一一映射后拼接两个数据集，即可得到投料与产品指标的 互相对应的数据集；
[0057]
步骤5，分别计算炉渣碱度与其他指标的pearson相关系数，并将相关系数从大到小 排列，选取相关系数高于0.5的变量作为预测模型的特征值；
[0058]
步骤6，提取炉渣碱度与步骤5中选择出来的特征值构建数据集l；
[0059][0060]
式中，y为炉渣碱度，x为通过相关性分析得到的炉渣碱度相关特征值。
[0061]
步骤7，构建神经网络预测模型，模型结构包括3个dense层，其中第1、2层采用 relu函数作为激活函数，第3层采用linear函数作为激活函数，每层之间还加入了dropout 层增强预测模型的泛化能力；将数据集l中的y作为神经网络模型的输出，除y以外的 值作为输入，经过训练后即可得到炉渣碱度的预测模型。
[0062]
本发明还提供了一种硅锰合金冶炼炉渣碱度预测模型建立系统，包括：
[0063]
数据采集模块，用于采集各种原料矿的化验数据，每次配料各种原料矿与辅料的配 比数据，冶炼结束后对硅锰合金和炉渣的化验数据；
[0064]
数据计算模块，用于计算配料的化学成分和产品的各项指标；
[0065]
数据预处理模块，将存在滞后的配料数据和产品数据通过时间互相关分析映射重构， 通过特征工程提取预测模型的输入特征值；
[0066]
模型训练模块，用于根据数据计算模块得到的数值对神经网络模型进行训练，得到 预测模型；
[0067]
预测模块，用于将数据计算模块得到的数据值输入预测模型中，对未来时刻炉渣碱 度进行预测，如图2，为炉渣碱度预测值与实际测量值的对比图。
[0068]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、 装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系 统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式 微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以 被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件 内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以 是硬件部件内的结构。
[0069]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特 定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影 响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意 相互组合。

技术特征：
1.一种硅锰合金冶炼炉渣碱度预测系统，其特征在于，包括：数据获取模块：获取原料矿的化验数据、原料矿与配料的配比数据，以及冶炼结束后对硅锰合金和炉渣的化验数据；数据计算模块：计算配料的化学成分和产品指标；模型训练模块：根据计算得到的数值对神经网络模型进行训练，得到预测模型；数据预处理模块：将存在滞后的配料数据和产品数据通过时间互相关分析进行映射重构，并通过特征工程提取配料数据和产品数据的特征值；预测模块：将特征值输入到预测模型中，对未来时刻炉渣碱度进行预测。2.根据权利要求1所述的硅锰合金冶炼炉渣碱度预测系统，其特征在于，所述数据获取模块包括：获取每次配料时原料矿与辅料的配比，计算投入成分的综合水分、锰含量、铁含量、硅含量、钙含量、镁含量、铝含量、锰铁比、硅锰比、碳锰比、铝锰比，以及入炉原料的理论碱度；获取每次硅锰合金冶炼完成的出炉数据，包括冶炼开始时间和结束时间、硅锰合金的产量、渣量、硅锰合金中的锰含量、硅含量、渣中锰含量、二氧化硅含量、氧化镁含量、氧化钙含量，并计算炉渣碱度，以及在硅锰合金与炉渣中，锰、铁、硅、钙、镁、铝的各种的总体含量。3.根据权利要求1所述的硅锰合金冶炼炉渣碱度预测系统，其特征在于，在配料数据和产品数据中，选取锰含量、铁含量、钙含量、镁含量、碱度指标，以15分钟为步长计算各指标的时间互相关系数；将相同时间步长下所有指标的互相关系数相加，最大结果对应的时间步长为投料与出炉的延迟时间；将所有指标对应的时间戳按照计算得到的延迟时间向后平移，与出炉指标的时间戳一一映射后拼接两个数据集，得到投料与产品指标的互相对应的数据集。4.根据权利要求1所述的硅锰合金冶炼炉渣碱度预测系统，其特征在于，分别计算炉渣碱度与其他指标的pearson相关系数，并将相关系数从大到小排列，选取相关系数高于0.5的变量作为预测模型的特征值；根据炉渣碱度与特征值构建数据集l；式中，y为炉渣碱度，x为通过相关性分析得到的炉渣碱度相关特征值，下标a、b、c、n、t均为大于0的自然数。5.根据权利要求4所述的硅锰合金冶炼炉渣碱度预测系统，其特征在于，构建神经网络预测模型，模型结构包括3个全连接层，其中第1、2层采用relu函数作为激活函数，第3层采用linear函数作为激活函数，每层之间加入dropout层增强预测模型的泛化能力；将数据集l中的y作为神经网络模型的输出，除y以外的值作为输入，经过训练后得到炉渣碱度的预测模型。6.一种硅锰合金冶炼炉渣碱度预测方法，其特征在于，包括：
数据获取步骤：获取原料矿的化验数据、原料矿与配料的配比数据，以及冶炼结束后对硅锰合金和炉渣的化验数据；数据计算步骤：计算配料的化学成分和产品指标；模型训练步骤：根据计算得到的数值对神经网络模型进行训练，得到预测模型；数据预处理步骤：将存在滞后的配料数据和产品数据通过时间互相关分析进行映射重构，并通过特征工程提取配料数据和产品数据的特征值；预测步骤：将特征值输入到预测模型中，对未来时刻炉渣碱度进行预测。7.根据权利要求6所述的硅锰合金冶炼炉渣碱度预测方法，其特征在于，所述数据获取步骤包括：获取每次配料时原料矿与辅料的配比，计算投入成分的综合水分、锰含量、铁含量、硅含量、钙含量、镁含量、铝含量、锰铁比、硅锰比、碳锰比、铝锰比，以及入炉原料的理论碱度；获取每次硅锰合金冶炼完成的出炉数据，包括冶炼开始时间和结束时间、硅锰合金的产量、渣量、硅锰合金中的锰含量、硅含量、渣中锰含量、二氧化硅含量、氧化镁含量、氧化钙含量，并计算炉渣碱度，以及在硅锰合金与炉渣中，锰、铁、硅、钙、镁、铝的各种的总体含量。8.根据权利要求6所述的硅锰合金冶炼炉渣碱度预测方法，其特征在于，在配料数据和产品数据中，选取锰含量、铁含量、钙含量、镁含量、碱度指标，以15分钟为步长计算各指标的时间互相关系数；将相同时间步长下所有指标的互相关系数相加，最大结果对应的时间步长为投料与出炉的延迟时间；将所有指标对应的时间戳按照计算得到的延迟时间向后平移，与出炉指标的时间戳一一映射后拼接两个数据集，得到投料与产品指标的互相对应的数据集。9.根据权利要求6所述的硅锰合金冶炼炉渣碱度预测方法，其特征在于，分别计算炉渣碱度与其他指标的pearson相关系数，并将相关系数从大到小排列，选取相关系数高于0.5的变量作为预测模型的特征值；根据炉渣碱度与特征值构建数据集l；式中，y为炉渣碱度，x为通过相关性分析得到的炉渣碱度相关特征值，下标a、b、c、n、t均为大于0的自然数。10.根据权利要求9所述的硅锰合金冶炼炉渣碱度预测方法，其特征在于，构建神经网络预测模型，模型结构包括3个全连接层，其中第1、2层采用relu函数作为激活函数，第3层采用linear函数作为激活函数，每层之间加入dropout层增强预测模型的泛化能力；将数据集l中的y作为神经网络模型的输出，除y以外的值作为输入，经过训练后得到炉渣碱度的预测模型。

技术总结
本发明提供了一种硅锰合金冶炼炉渣碱度预测系统和方法，包括：数据获取模块：获取原料矿的化验数据、原料矿与配料的配比数据，以及冶炼结束后对硅锰合金和炉渣的化验数据；数据计算模块：计算配料的化学成分和产品指标；模型训练模块：根据计算得到的数值对神经网络模型进行训练，得到预测模型；数据预处理模块：将存在滞后的配料数据和产品数据通过时间互相关分析进行映射重构，并通过特征工程提取配料数据和产品数据的特征值；预测模块：将特征值输入到预测模型中，对未来时刻炉渣碱度进行预测。本发明充分考虑了投料时刻与冶炼结束时刻的时间延迟，采用处理后的数据训练后的模型能够正确反应配料与产品之间的关系，计算精度高。高。高。


技术研发人员：樊融 陈向阳 宋志刚 段张杰 朱莉莉 严雯静
受保护的技术使用者：寰清能源科技（上海）有限公司
技术研发日：2021.11.12
技术公布日：2022/3/8