一种轧钢燃耗参数推荐方法、系统、介质及终端与流程

本发明涉及冶金领域及人工智能领域，尤其涉及一种基于算法预测模型的轧钢燃耗参数推荐方法、系统、介质及终端。

背景技术：

在冶金行业中，加热炉燃耗占据轧钢工序能耗的65％～75％，是轧材生产线成本主要成本的来源之一，因此，如何对加热炉燃耗的关联参数的预测和分析，确定准确的燃耗控制参数对优化轧钢生产工艺和降低钢材生产运行成本具有重要意义。目前，钢铁行业对轧材生产线上的燃耗预测，主要依据对加热炉的运行进行阶段性分析，具体为通过采集基本的生产运行数据，分析与燃耗的关联性参数，然后通过经验公式进行燃耗预测和优化工序的时间、温度参数，从而达到降低燃耗的目的。

但是，在复杂的生产过程中，不论是工人直接参与设定，还是通过固有数学模型进行分析都无法排除采集数据本身的干扰因素，会造成燃耗最小取值不准确，产生燃耗浪费，且当设备、环境发生变化时，无法及时调整最低燃耗值和保持工艺参数最优数值。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明提供一种轧钢燃耗参数推荐方法、系统、介质及终端，以解决上述技术问题。

本发明提供的轧钢燃耗参数推荐方法，包括：

获取轧钢工序生产线中的轧钢生产数据，建立燃耗工艺数据集；

根据所述燃耗工艺数据集建立最优算法模型，并对其进行训练；

根据训练后的最优算法模型获取数据重要特征，建立重要特征数据集；

对所述重要特征数据集构建特征字段均分数据集，并利用训练后的最优算法模型，获取燃耗值最小的推荐工艺参数。

可选的，定期重新获取燃耗工艺参数数据，对所述最优算法模型进行更新，并根据更新后的模型，重新获取燃耗值最小的推荐工艺参数。

可选的，所述轧钢生产数据包括工艺参数和人员操作参数，通过对所述轧钢生产数据进行预处理，获取所述燃耗工艺数据集，所述预处理包括：

将人员操作参数并入轧钢生产数据，通过数据差值形成新的特征，得到完整轧钢生产数据集；

对所述完整轧钢生产数据集进行缺失值填充；

将完整轧钢生产数据集中的异常数据删除。

可选的，对所述燃耗工艺数据集进行归一化处理；

将处理后的燃耗工艺数据集分别采用不同算法方式获取多个算法模型；

分别获取各算法模型的绝对误差率均值；

通过比较各模型的绝对误差率均值，得到最优算法模型。

可选的，所述不同算法包括线性回归、随机森林、支持向量回归、神经网络、极端梯度提升训练。

可选的，获取各模型中各个特征的重要程度分数；

将各模型的准确度作为权重，对所有特征的加权平均处理；

对加权平均处理后的各个特征的重要程度分数进行排序，并按预设的阈值进行筛选，获取所述重要特征数据集；

对所述重要特征数据集进行回归测试，并获取效果最好的特征比例，进而获取含有最优参数值的最优燃耗算法模型。

可选的，对所述重要特征数据集构建特征字段均分数据集包括：

获取每个重要特征的上下限，构成新的重要特征上下限数据集；

将重要特征上下限数据集每列特征字段等间隔分成固定段数，按照工艺逻辑，形成特征字段均分数据集。

本发明还提供一种轧钢燃耗参数推荐系统，包括

数据获取模块，用于获取轧钢工序生产线中的轧钢生产数据；

数据处理模块，用于建立燃耗工艺数据集，并对其进行数据处理；

模型训练模块，用于根据所述燃耗工艺数据集建立最优算法模型，并对其进行训练；

备选方案构建模块，用于构建备选方案数据集；

参数推荐模块，用于根据训练后的最优算法模型获取数据重要特征，建立重要特征数据集；对所述重要特征数据集构建特征字段均分数据集，并利用训练后的最优算法模型，获取燃耗值最小的推荐工艺参数。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述中任一项所述方法。

本发明还提供一种电子终端，包括：处理器及存储器；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述中任一项所述方法。

本发明的有益效果：本发明中的轧钢燃耗参数推荐方法、系统、介质及终端，排除了采集数据本身的干扰因素，参数推荐准确度高，并且当设备、环境发生变化时，可以及时调整最低燃耗值和保持工艺参数最优数值，解决了现有技术中存在的加热炉燃耗分析精细度低、实时性差的问题。

附图说明

图1是本发明实施例中轧钢燃耗参数推荐方法的流程示意图。

图2是本发明实施例中轧钢燃耗参数推荐系统的结构示意图。

图3是本发明实施例中轧钢燃耗参数推荐方法的燃耗推荐结果示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。

如图1所示，本实施例中的轧钢燃耗参数推荐方法，包括：

获取轧钢工序生产线中的轧钢生产数据，建立燃耗工艺数据集；

根据所述燃耗工艺数据集建立最优算法模型，并对其进行训练；

根据训练后的最优算法模型获取数据重要特征，建立重要特征数据集；

对所述重要特征数据集构建特征字段均分数据集，并利用训练后的最优算法模型，获取燃耗值最小的推荐工艺参数。

在本实施例中，轧钢生产数据主要包括工艺参数和人员操作参数，工艺参数是生产线实时产生的数据，而人员操作参数是操作人员自主设定数据。工艺参数包括"加热段残氧值","均热段残氧值","预热段残氧量","加热段上方空燃比","加热段下方空燃比","均热段轧机侧上方空燃","均热段轧机侧下方空燃比"等多种工艺参数。通过对轧钢生产数据进行预处理，获取燃耗工艺数据集。本实施例中的预处理包括将人员操作参数特征并入轧钢生产数据集中，做数据差值形成新的特征，得到完整轧钢生产数据集；对完整轧钢生产数据集进行缺失值填充，对其中字符型特征使用one-hot方法进行数字化处理，对其中部分特征求均值处理；删除完整轧钢生产数据集中异常数据，得到清洗后的燃耗工艺数据集。可选的，可以使用孤立森林算法找出异常值并删除，按照出炉时间对出炉数据集进行排序；对燃耗工艺参数数据集进行缺失值填充，具体是使用前面的值进行填充；对其中字符型特征进行数字化处理，例如使用one-hot方法，将特征值数字化为0、1、2等数字；对其中部分特征求均值处理；得到清洗后轧钢工序燃耗工艺数据集。

在本实施例中，对所述燃耗工艺数据集进行归一化处理，将处理后的燃耗工艺数据集分别采用不同算法方式获取多个算法模型，分别获取各算法模型的绝对误差率均值；通过比较各模型的绝对误差率均值，得到最优算法模型，可选的，本实施例中使用线性回归、随机森林、svr(supportvactorregression，支持向量回归)、神经网络和xgboost(extremegradientboosting，极端梯度提升)等回归模型进行训练，获取最优算法模型，首先导入sklearn库中的线性回归算法、随机森林算法、svr算法和神经网络算法，以及xgboost库中的xgboost回归算法。分别使用各模型的默认参数，得到初始模型。使用清洗后轧钢工序燃耗工艺数据集分别训练各回归算法模型，用由预测值减去实际值的差除以真实值的商的绝对值的平均数，得到绝对误差率均值，通过比较各模型的绝对误差率均值，得到最优算法模型。绝对误差率均值的公式如下

其中，y_pred[i]为燃耗预测值，y_true[i]为燃耗实际值，n为样本数量

通过比较各模型的绝对误差率均值，得到最优算法模型。

在本实施例中，获取各模型中各个特征的重要程度分数；将各模型的准确度作为权重，对所有特征的加权平均处理；对加权平均处理后的各个特征的重要程度分数进行排序，并按预设的阈值进行筛选，获取重要特征数据集；对所述重要特征数据集进行回归测试，并获取效果最好的特征比例，进而获取含有最优参数值的最优燃耗算法模型。根据最优算法模型获取数据重要特征，获得重要特征数据集，可选的，通过model.feature_importances_特征重要性方法能计算出燃耗工艺数据集中的各个特征的重要程度分数，本领域技术人员可以知晓，也可以使用其他方法找出特征重要度分数，如线性回归。通过使用各个算法模型的根据各个特征的重要程度分数从大到小排序，按预设的阈值进行筛选，获取重要特征数据集，例如：分别取重要程度大小为前80％、60％、50％的特征作为该数据集的重要特征，得到重要特征数据集，其意义可解释为与燃耗相关性较大的工艺参数特征。

在本实施例中，利用重要特征数据集和最优算法模型进行参数调节，训练获得最优燃耗算法模型。使用重要特征数据集，训练最优算法模型，其中，使用网格寻参方法，调节n_estimators、reg_alpha、reg_lambda、max_depth、colsample_bytree五个主要参数，得到最优燃耗算法模型。

在本实施例中，对所述重要特征集构建特征字段均分数据集，启动所述最优燃耗算法模型，获得燃耗值最小的推荐工艺参数。本实施例中的构建特征字段均分的燃耗工艺参数数据集，包括获取每个重要特征的上下限，构成新的重要特征上下限数据集；将重要特征上下限数据集每列特征字段等间隔分成固定段数，按照工艺逻辑，形成特征字段均分数据集。例如以温度为例，具体为：首先按照入炉温度将重要特征数据集进行分段，将分段后的n条数据，加入一些工艺逻辑限制条件，比如入炉温度<预热温度<加热温度<均热温度后，只剩n/2条数据，将构建后的离散点训练集带入最优燃耗算法模型中继续训练，得出燃耗预测值的集合，选取燃耗预测值集合中最小值，最小值所对应的特征值即为优选工艺参数推荐值，具体燃耗推荐结如图3所示。

在本实施例中，定期采集燃耗工艺参数数据，循环以上步骤，更新最优模型和推荐工艺参数。可选的，定期将新产生的工艺参数数据并入历史数据集中，通过上述方法，更新历史最优模型，预测更新推荐工艺参数，若最新燃耗数据预测值较以往燃耗数据预测值高，则不必更新最优模型一级推荐工艺参数。本实施例中的推荐工艺参数可以包括"加热段残氧值","均热段残氧值","预热段残氧量","加热段上方空燃比","加热段下方空燃比","均热段轧机侧上方空燃","均热段轧机侧下方空燃比","均热段非轧侧上方空燃比","均热段非轧侧下方空燃比","出炉温度","预热段上方炉气温度","预热段下方炉气温度","加热段上方炉气温度","加热段下方炉气温度","均热段上方炉气温度","均热段下方炉气温度","出钢节奏","入炉温度"、"出炉温度"，"预热段时长"，"加热段时长"，"炉压"，"周围环境温度"，"湿度"等。

相应的，本实施例还提供一种轧钢燃耗参数推荐系统，如图2所示，包括

数据获取模块，用于获取轧钢工序生产线中的轧钢生产数据；

数据处理模块，用于建立燃耗工艺数据集，并对其进行数据处理；

模型训练模块，用于根据所述燃耗工艺数据集建立最优算法模型，并对其进行训练；

备选方案构建模块，用于构建备选方案数据集；

参数推荐模块，用于根据训练后的最优算法模型获取数据重要特征，建立重要特征数据集；对所述重要特征数据集构建特征字段均分数据集，并利用训练后的最优算法模型，获取燃耗值最小的推荐工艺参数。

本实施例中的轧钢燃耗参数推荐系统通过上述方法，利用训练后的最优算法模型，获取燃耗值最小的推荐工艺参数。

本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。

本实施例还提供一种电子终端，包括：处理器及存储器；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。

本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。

在本实施例中，存储器可能包含随机存取存储器(randomaccessmemory，简称ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field－programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。