[发明专利]单渣法冶炼终点磷含量的预测方法

权利要求书

1.一种单渣法冶炼终点磷含量的预测方法，其特征在于，包括以下步骤：

采集冶炼中自变量数据：入炉铁水重量、半钢钢水重量、辅料重量、入炉铁水温度、入炉铁水中各成分的质量分数、终点钢水温度、终点炉渣中各成分的质量分数、终点碱度和废钢比；

利用AdaBoost模型对所述自变量数据进行模型计算，预测终点磷含量；其中，

所述AdaBoost模型中参数设置为：树最大深度＝12，基础分类器个数＝100，学习率＝0.2，损失函数＝‘linear’。

2.根据权利要求1所述的单渣法冶炼终点磷含量的预测方法，其特征在于，所述入炉铁水中各成分包括碳、硅、锰、磷和硫。

3.根据权利要求1所述的单渣法冶炼终点磷含量的预测方法，其特征在于，所述终点炉渣中各成分包括Cao、SiO₂、MgO、P₂O₅、MnO、FeO、总铁和Al₂O₃。

4.根据权利要求1所述的单渣法冶炼终点磷含量的预测方法，其特征在于，所述辅料重量包括化渣剂重量、石灰重量、轻烧白云石重量、萤石重量以及前述四者的总和。

5.根据权利要求4所述的单渣法冶炼终点磷含量的预测方法，其特征在于，所述化渣剂重量为高炉返矿重量、冷固球石重量或高炉返矿和冷固球石的重量之和。

6.根据权利要求1所述的单渣法冶炼终点磷含量的预测方法，其特征在于，所述入炉铁水温度为1250℃～1500℃；所述终点钢水温度为1500℃～1700℃；所述终点碱度为1.5～4.5。

7.根据权利要求1所述的单渣法冶炼终点磷含量的预测方法，其特征在于，所述AdaBoost模型中参数的确定方法包括：

对采集到的所述自变量数据进行预处理，获得有效数据；

构建AdaBoost集成学习模型，并对所述有效数据进行模型训练，获得预测曲线；

根据所述预测曲线调整模型参数，得到最终的所述模型参数。

8.根据权利要求7所述的单渣法冶炼终点磷含量的预测方法，其特征在于，对采集到的所述自变量数据进行预处理包括：

删除重复的数据值；

采用3σ原则对数据异常值进行处理；

删除缺失的数据值；

采用最值法对数据进行归一化处理；

数据去冗余；

数据降维：通过Python环境下的plot_importance函数对数据进行排序输出并结合冶金机理进行分析剔除。

9.根据权利要求7或8所述的单渣法冶炼终点磷含量的预测方法，其特征在于，所述有效数据为剔除所述自变量数据中的半钢钢水重量、入炉铁水中的硫和终点炉渣中的TFe后剩余的所有数据。

10.根据权利要求7所述的单渣法冶炼终点磷含量的预测方法，其特征在于，所述模型训练包括将所述有效数据按照训练集与测试集为7:3的划分比进行随机划分，并通过模型对所述训练集进行学习，并对所述测试集进行预测试，获得预测曲线。