[发明专利]基于深度神经网络的钙处理过程中钙的收得率的预测方法

权利要求书

1.一种基于深度神经网络的钙处理过程中钙的收得率的预测方法，其特征在于：其包括以下步骤：

S1：获取生产及操作数据信息中影响钙处理过程中钙的收得率的参数并构建数据集；步骤S1具体包括如下步骤：

S11、采集每一生产炉次精炼过程中生产及操作数据信息并计算每一炉次的钙的收得率，作为一条记录单元；每一炉次的钙的收得率分别包括精炼过程钙的收得率η₁、中间包钙的收得率η₂以及连铸坯钙的收得率η₃；

精炼过程钙的收得率的计算方式为：

中间包钙的收得率的计算方式为：

连铸坯钙的收得率的计算方式为：

式中：W代表钢液质量，单位为t；ω[Ca]_O代表钢液钙处理前钙含量，单位为ppm；χ代表喂钙线长度，单位为m；β代表钙线中钙含量，单位为％；μ代表钙线米重，单位为kg/m，ω[Ca]_R代表精炼结束后钢液钙含量，单位为ppm；ω[Ca]_T代表连铸过程中间包中钢液钙含量，单位为ppm；ω[Ca]_B代表连铸坯中钙含量，单位为ppm；

S12、重复采集每一生产炉次精炼过程中生产及操作数据信息，建立数据集；

S13、对步骤S12所得数据进行预处理，去除缺失和明显不合理的数据；

S2：对步骤S1得到的数据集的数据进行归一化处理，得到归一化处理后的数据集；

S3：建立深度神经网络：将步骤S2获得的数据集分为训练数据集和测试数据集；以生产及操作数据信息作为深度神经网络的输入，实际的钙的收得率作为输出，对比计算结果及实际结果，修正权值及阈值，并利用训练数据集中的数据对深度神经网络进行训练，得到训练好的深度神经网络；

S4：使用测试数据集对步骤S3训练好的深度神经网络进行测试，测试数据集中的输入数据作为深度神经网络的输入数据，得到钙的收得率计算结果，以实际收得率结果与深度神经网络计算得到的钙的收得率产生的误差值达到最小阈值作为优化目标对深度神经网络进行优化；

S5：根据步骤S4计算的误差值，确定训练好的深度神经网络是否满足要求，如果误差值达到最小阈值，则将当前的深度网络作为最终的钙的收得率的预测模型；若误差值未达到最小阈值，则修改神经网络的隐藏层数量、节点数以及学习率，重复步骤S4直至误差值达到最小阈值，深度神经网络计算的钙的收得率能满足预定要求；

S6：根据步骤S5得到的最终的钙的收得率的预测模型，对实际钙处理操作过程中的钙的收得率进行预测。

2.根据权利要求1所述的基于深度神经网络的钙处理过程中钙的收得率的预测方法，其特征在于：步骤S11中所述影响钙处理过程钙的收得率的参数包括：钢液C含量、钢液Si含量、钢液Mn含量、钢液P含量、钢液S含量、钢液游离氧含量、钢液温度、钙线种类、喂钙线速度、吹氩流量、钢液重量、喂线长度、精炼过程中加入的原辅料的种类及数量以及钙线钙含量。

3.根据权利要求2所述的基于深度神经网络的钙处理过程中钙的收得率的预测方法，其特征在于：步骤S11中采集时分别在钙处理前后取球拍样，用于化验钢液成分，取样过程中需要将取样器放在钢包的相同位置；

检测中间包钢液成分时，在中间包相同位置，浇注一半时取球拍样；

检测连铸坯成分时，取浇注稳定的连铸坯，在板宽1/4并且距离内弧侧1/4位置处取样分析。

4.根据权利要求3所述的基于深度神经网络的钙处理过程中钙的收得率的预测方法，其特征在于：钙处理前钢液成分使用电火花直读光谱仪法进行检测，首先将试样打磨光亮，然后在试样表面至少激发出两个点，观察激发出的点的成分，删去其中成分偏差较大的点，直到获得稳定的测量结果；在钙处理后钢液进站时使用定氧探头测定钢液温度及溶解氧含量，定氧探头保证插入钢液的相同位置。