本发明属于铸钢丸生成制造,特别是涉及一种熔融钢渣重构还原铁制备铸钢丸的寿命预测方法及系统。
背景技术:
1、在钢铁行业中,每年会产生大量钢渣,目前,每生产1t粗钢要产生约130kg钢渣。钢渣经过磁选加工以后,仍有大量钢尾渣排放。目前钢尾渣利用率比较低,大部分处于堆放未处理的状态,造成严重的资源浪费,不利于钢铁厂循环经济的发展。为了充分利用液态钢渣及液态钢渣中的热焓,在液态钢渣中加入改制剂与还原剂,再利用还原铁制备铸钢丸(caststeel shot,css)。此外,余渣可以作为混合材料掺入水泥熟料中,从而实现钢渣的高效利用。
2、利用钢渣回收的铁元素制备铸钢丸的影响因素多且复杂,耦合关系强,生产过程中采集的数据量大。采用先进的算法先对这些数据进行处理,预测制备出的铸钢丸的寿命,从而提前调整铸钢丸的制备工艺参数,主要包括铸钢丸生产过程中c、si、cr、mn等元素含量以及热处理过程中的淬火、回火温度和时长等,对降本增效、固废资源化有着重要意义。
3、主成分分析法(principal components analysis,pca)是一种多元统计分析的线性降维算法,其基本原理是在尽量保证信息量不丢失的前提下,将原始高维数据映射到低维空间中,并且期望在所投影的维度上数据的方差最大,使得损失的数据量最小来实现用较小的数据维度保留住较大的原始数据特征的目的。通常用于高维数据集的探索与可视化,还可以用于数字压缩和预处理等。
4、朴素贝叶斯法(naive bayesian,nb)是一种基于贝叶斯定理和特征条件独立假设的分类算法,其基本原理是对于给定的类别集合,先基于特征条件独立假设学习类的先验概率和条件概率的联合概率,得到分类模型,然后基于此分类模型求解新的个体从属于给定类别的最大后验概率,从而判断出新的个体的所属类别。通常用于数据类别预测、文档分类、过程决策等。
5、通过采集铸钢丸生产过程中c、si、cr、mn等元素含量数据以及热处理过程中的淬火、回火温度和时长数据,利用主成分分析法对影响铸钢丸寿命的相互独立的因素进行提取,利用朴素贝叶斯法对提取到的影响铸钢丸寿命相互独立的因素数据及其对应的铸钢丸寿命数据进行分类,构造铸钢丸寿命分类器。在生产过程中,将实时监测到的数据输入到铸钢丸寿命分类器中,从而预测铸钢丸寿命的变化范围,进而调整和控制铸钢丸生产过程和热处理过程中的参数,保证制备出的铸钢丸寿命达到使用要求。
技术实现思路
1、技术方案,为了解决上述背景技术中的技术问题:为了解决铸钢丸生产成本高、使用寿命短等技术问题,实现铸钢丸生产的降本增效,同时实现钢渣与熔融还原铁中热焓的高效利用;基于主成分分析与朴素贝叶斯的联合算法,对熔融钢渣还原铁制备铸钢丸的过程中实时监测到的多种化学物质数据及其对应的铸钢丸寿命数据进行处理,构造铸钢丸寿命分类器,将实际生产过程中实时采集到的数据输入到铸钢丸寿命分类器中,从而预测铸钢丸寿命的变化范围,进而调整和控制铸钢丸生产过程和热处理过程中的参数。
2、本发明的第一目的是提供一种熔融钢渣重构还原铁制备铸钢丸的寿命预测方法,包括:
3、s1、利用主成分分析法对熔融还原铁中影响铸钢丸寿命的数据进行降维处理;
4、s2、利用朴素贝叶斯法对降维后的数据进行分类处理,构造铸钢丸寿命分类器;
5、s3、将生产过程和热处理过程中实时监测到的数据输入到铸钢丸寿命分类器中,预测铸钢丸寿命的变化范围,调整铸钢丸生产过程和热处理过程中的参数。
6、优选地,s1包括:
7、将影响铸钢丸寿命的数据整理成一个n维数据集m,m={q1,q2,…,qm},即数据集m中有m组数据;第i组数据qi的影响因素表示为n为每组数据含有的影响因素的个数,即每组数据都有n维影响因素;
8、对所述影响因素的数据进行中心化,表达式为:
9、
10、其中,为第i组数据qi中第j个影响因素中的值,为整个数据集中第j个影响因素的平均值,表达式为:
11、
12、数据集m在这n维影响因素下的协方差矩阵c表达式为:
13、
14、其中,第n个影响因素与第n个影响因素的协方差cov(qn,qn)的表达式为:
15、
16、对协方差矩阵c做特征值分解,表达式为:
17、cw=λw;
18、其中,λ为特征值,w为特征向量,将特征值从大到小的顺序排列,所述特征值就是这n维影响因素的方差;
19、每个影响因素的贡献率contj表达式为:
20、
21、其中,λj为第j个影响因素的特征值。
22、累计贡献率表示为:
23、
24、取n'个特征值所对应的特征向量w1,w2,…,wn',对于数据集m的第i组数据qi,将其投影到n'个特征向量上,表达式为:
25、
26、其中,w1,w2,…,wn'为n'个特征值所对应的特征向量,为数据qi从n维影响因素降维到n'维影响因素的数据。
27、优选地,s2包括:
28、将降维后的n'维数据作为用于构造铸钢丸寿命分类器的原始样本数据集,表示为r={r1,r2,…,rk},其中k为样本的个数;消除原始样本数据的冗余特征后,样本数据特征集合表示为x={x1,x2,…,xn'};当x1,x2,…,xn'是相互独立时,消除原始样本数据的冗余类别,类别集合表示为y={y1,y2,…,yu},其中,u为分类后的类别个数;
29、对原始样本数据进行标准化处理,表达式为:
30、
31、其中,ra,css(max)为原始样本数据集r中铸钢丸寿命的最大值,ra,css(min)为原始样本数据集r中铸钢丸寿命的最小值;
32、对原始样本数据集r中的每个特征xb的值表示为找到的最大值和进行10等分;
33、原始样本数据集r中每一类铸钢丸寿命的先验概率表达式为:
34、
35、其中,1≤u'≤u。
36、类条件概率分布表达式为:
37、
38、每个特征xb对于每一类铸钢丸寿命先验概率p(yu')的类条件概率分布,表达式为:
39、
40、其中,0≤s≤9;
41、铸钢丸寿命分类器表达式为:
42、
43、优选地,s3包括:
44、将实时监测到的数据输入到铸钢丸寿命分类器中;
45、计算后验概率最大值,得到其对应类别的表达式为:
46、
47、铸钢丸寿命f变化范围为:
48、
49、本发明的第二目的是提供一种熔融钢渣重构还原铁制备铸钢丸的寿命预测系统,包括:
50、降维模块、利用主成分分析法对熔融还原铁中影响铸钢丸寿命的数据进行降维处理;
51、分类模块、利用朴素贝叶斯法对降维后的数据进行分类处理,构造铸钢丸寿命分类器;
52、预测控制模块、将生产过程和热处理过程中实时监测到的数据输入到铸钢丸寿命分类器中,预测铸钢丸寿命的变化范围,调整铸钢丸生产过程和热处理过程中的参数。
53、优选地,降维模块的降维过程包括:
54、将影响铸钢丸寿命的数据整理成一个n维数据集m,m={q1,q2,…,qm},即数据集m中有m组数据;第i组数据qi的影响因素表示为n为每组数据含有的影响因素的个数,即每组数据都有n维影响因素;
55、对所述影响因素的数据进行中心化,表达式为:
56、
57、其中,为第i组数据qi中第j个影响因素中的值,为整个数据集中第j个影响因素的平均值,表达式为:
58、
59、数据集m在这n维影响因素下的协方差矩阵c表达式为:
60、
61、其中,第n个影响因素与第n个影响因素的协方差cov(qn,qn)的表达式为:
62、
63、对协方差矩阵c做特征值分解,表达式为:
64、cw=λw;
65、其中,λ为特征值,w为特征向量,将特征值从大到小的顺序排列,所述特征值就是这n维影响因素的方差;
66、每个影响因素的贡献率contj表达式为:
67、
68、其中,λj为第j个影响因素的特征值。
69、累计贡献率表示为:
70、
71、取n'个特征值所对应的特征向量w1,w2,…,wn',对于数据集m的第i组数据qi,将其投影到n'个特征向量上,表达式为:
72、
73、其中,w1,w2,…,wn'为n'个特征值所对应的特征向量,为数据qi从n维影响因素降维到n'维影响因素的数据。
74、优选地,分类模块的分类过程包括:
75、将降维后的n'维数据作为用于构造铸钢丸寿命分类器的原始样本数据集,表示为r={r1,r2,…,rk},其中k为样本的个数;消除原始样本数据的冗余特征后,样本数据特征集合表示为x={x1,x2,…,xn'};当x1,x2,…,xn'是相互独立时,消除原始样本数据的冗余类别,类别集合表示为y={y1,y2,…,yu},其中,u为分类后的类别个数;
76、对原始样本数据进行标准化处理,表达式为:
77、
78、其中,ra,css(max)为原始样本数据集r中铸钢丸寿命的最大值,ra,css(min)为原始样本数据集r中铸钢丸寿命的最小值;
79、对原始样本数据集r中的每个特征xb的值表示为找到的最大值和进行10等分;
80、原始样本数据集r中每一类铸钢丸寿命的先验概率表达式为:
81、
82、其中,1≤u'≤u。
83、类条件概率分布表达式为:
84、
85、每个特征xb对于每一类铸钢丸寿命先验概率p(yu')的类条件概率分布,表达式为:
86、
87、其中,0≤s≤9;
88、铸钢丸寿命分类器表达式为:
89、
90、优选地,预测控制模块的预测过程包括:
91、将实时监测到的数据输入到铸钢丸寿命分类器中;
92、计算后验概率最大值,得到其对应类别的表达式为:
93、
94、铸钢丸寿命f变化范围为:
95、
96、本专利的第三发明目的是提供一种实现上述熔融钢渣重构还原铁制备铸钢丸的寿命预测方法的计算机程序。
97、本专利的第四发明目的是提供一种实现上述熔融钢渣重构还原铁制备铸钢丸的寿命预测方法的信息数据处理终端。
98、本专利的第五发明目的是提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的熔融钢渣重构还原铁制备铸钢丸的寿命预测方法。
99、通过采用上述技术方案,本发明具有如下的技术效果:
100、本发明通过采集熔融还原铁中的多种化学成分含量数据以及热处理过程参数,利用主成分分析法对影响铸钢丸寿命的相互独立的因素进行提取,利用朴素贝叶斯法对提取到的影响铸钢丸寿命的相互独立的因素数据及其对应的铸钢丸寿命的数据进行分类,构造铸钢丸寿命分类器。在实际生产过程中,将实时监测到的数据输入到铸钢丸寿命分类器中,从而预测铸钢丸寿命变化范围,合理调整和控制c、si、cr、mn等元素含量及热处理过程参数。不仅可以使得铸钢丸的寿命达到最佳,还可以大量地减少铸钢丸寿命测试试验,减少人工投入成本,实现降本增效。