基于XGboost 和学习BP 神经网络对转炉智能化炼钢控制系统的开发及应用项目概述

基于XGboost和学习BP神经网络对转炉智能化炼钢控制系统的开发及应用项目概述一、项目简述该项目是一个融合了先进机器学习技术的工程项目，旨在提升转炉炼钢过程的智能化水平与控制效率。该项目整合了两种强大的算法——XGBoost和BP神经网络，以实现对转炉炼钢过程的精准控制和优化。XGBoost是一种高效的梯度提升决策树算法，以其出色的预测性能和模型解释性在众多领域展现出优越性。在该项目中，XGBoost主要用于处理大规模的炼钢过程数据，进行特征选择和重要性评估，以及建立高精度的预测模型，比如预测钢水温度、成分变化等关键参数。另一方面，BP（Backpropagation）神经网络作为一种经典的多层前馈网络，擅长非线性问题的学习与建模。在该项目中，BP神经网络被用于构建动态模型，模拟转炉炼钢过程中的复杂非线性关系，如炉内化学反应动力学、热交换过程等，实现对炼钢终点状态的高效预报。结合这两种技术，通过XGBoost对历史数据的深度挖掘，预测炼钢过程中的关键变量，为实时调整操作提供依据；同时，利用BP神经网络构建的动态模型，实施精确控制策略，确保钢水质量满足预定标准。本项目集成两种模型的优势，为操作人员提供优化建议，如最佳投料时机、吹氧量控制等，以减少能源消耗和提高生产效率。最终将上述模型集成到一个统一的智能化控制系统中，实现自动化监控和决策支持，提升整个炼钢生产线的智能化水平。的提出奠定了理论与实践基础。本项目通过整合XGBoost的强大预测能力和BP神经网络的非线性建模优势，开发出一套能够实时监控、精确预测并自动调控的智能化炼钢控制系统，以期解决传统控制方法的局限，推动转炉炼钢技术的革新，实现更加高效、环保和智能的生产模式。三、成果主要内容3.1转炉智能化炼钢控制系统构成如图1所示：基于XGboost和学习BP神经网络对转炉智能化炼钢控制系统由客户端、服务器、数据库构成。其中客户端负责画面显示功能，包括生产作业计划、生产技术标准、生产过程和实绩数据、模型计算结果、化验成分数据以及生产历史数据，其中生产历史数据可以根据条件进行查询。服务器负责模型计算、数据采集以及冶炼过程跟踪等功能。模型计算包括工艺目标计算、主原料计算、熔剂计算、氧量调温剂计算以及动态计算等功能。数据采集包括数采系统与模型计算中心、客户端、数据库、MES系统以及一级服务器的数据通信。3.2项目主要研究内容为：（1）基于大数据模型和算法，对各种主原料的合理加入量模型的开发。（2）分段氧气流量和氧枪枪位控制模型的开发。（3）基于造渣碱度，对炼钢过程辅料的投入量的计算模型的开发。（4）利用大数据开发出通过控制转炉炼钢过程参数实现转炉出钢终点温度和碳含量控制的模型。四、创新点（1）新日铁提出了冷却能和氧单耗的概念，选择最新的终点碳温双命中的炉次作为参考炉次，通过增量模型，计算本炉次与参考炉次的操作条件差异来计算本炉次的目标冷却能和氧单耗。新日铁原模型计算冷却能操作条件差异，仅考虑了参考炉次和本炉次的铁水硅含量、铁水温度、终点温度和终点碳含量4个因素：RsT=Asi(siJ−siK)+AHMT(THMJ−THMK)+AET(TETJ−TETK+FCETJ−FCETK]式中：RsT为冷却能操作条件差异，%；Asi、AHMT、AET分别为铁水硅、铁水温度、钢水温度的冷却比系数；siJ、siK分别为本炉次和参考炉次的铁水硅含量（%THMJ、THMK分别为本炉次和参考炉次的铁水温度，℃;FC=ysC−δsln(EXP()-1)式中：C为终点目标碳含量（%）。αs为脱碳系数1，kg/m3；-1；C0为终点平衡碳含量，10-2%，取值1.5。下标s表示静态。新日铁原模型仅考虑了参考炉次和本炉次的铁水硅含量、铁水温度、终点温度和终点碳含量4个因素，忽略了铁水碳含量、锰含量和磷含量的影响，其模型计算精度较低，因而本项目考虑了铁水碳含量、锰含量和磷含量对冷却比的影响，将其优化为：CK分别为本炉次和参考炉次的铁水碳含量（%MnJ、MnK分别为本炉次和参考炉次的铁水锰含量（%PJ、PK分别为本炉次和参考炉次的铁水磷含量（%）。优化后，冷却剂/发热剂的加入量、供氧量计算更准确。（2）新日铁计算冷却剂/发热剂的加入量、供氧量只采用了增量模型，本项目引入了集成学习XGboost和深度学习BP神经网络，建立了求解冷却剂/发热剂加入量、供氧量的融合模型，进一步提高了模型的精度。（3）基于反应动力学建立了脱碳速率模型，能实时预报全过程钢水碳含量；基于硅、锰、磷的氧化速率模型，依据物料平衡，能实时预报全过程钢水温度。在没有副枪和炉气分析仪的条件下，智能炼钢系统实时预报钢水碳含量和温度，可协助操作工终点提枪，可减少钢水过氧化现象、减低合金成本消耗。可规范标准化作业。五、主要研究成果5.1转炉炼钢过程精准预测与控制能力增强XGBoost作为一种高效的梯度提升决策树算法，被用于对转炉炼钢过程中关键参数（如终点钢水的化学成分、温度、熔渣状况等）进行高精度预测。而BP神经网络则能够处理非线性关系，模拟复杂的冶炼过程动态变化。两者的结合显著提高了预测模型的准确性和稳定性，使得出钢过程碳提升0.01%，2024年4月碳粉市场价格为2300元/t，120t转炉每炉钢增加0.01%碳，出钢量按142t算，则每炉需要增碳剂17kg，月均产量为3100炉，则该系统预计年节约碳粉成本为145.45万元。同时，使得出钢锰提升0.01%，吨钢节约成本2元，预计年节约硅锰合金的成本为518.3万元。对诸如终点磷含量等重要指标的控制更为精确，命中率≥90%，有助于减少成品钢的成分波动，提高产品质量。5.2工艺参数的优化提升该系统能够通过学习历史冶炼数据，识别出对终点参数影响最大的因素，比如入炉原料成分、温度、造渣材料比例等，并据此优化吹氧量、加料时机和量等工艺参数，从而缩短冶炼周期，提高生产效率，同时作业率。2024年3月平均每炉补吹时间35s，含氧枪作业时间补吹影响时间42s。含检修时间6#转炉日均炉数50炉。故年预估产生效益18.635.3转炉炼钢过程智能化动态调整该成果实现了冶炼过程的实时监控与动态调整功能。系统能够根据当前冶炼状态，快速响应并自动调整控制策略，如自动判定原辅料的添加时间和需求等，以应对炉内条件的变化，确保冶炼过程稳定高效。通过集成XGBoost和BP神经网络的智能化控制系统，减少了人工干预的需要，提升了转炉炼钢的自动化水平，降低了操作人员的劳动强度，同时减少了因人为因素导致的操作失误，使得转炉终点命中率提高5%。若钢水渣量按照8t/炉计算，正常炉次TFe含量11%，点吹炉次全铁15%，差值元。终点命中率提高5%，因此点吹频次降低5%，月均产量按3100炉计算，每月点吹炉次降低155炉，故年预估效益节约成本133.32万元。5.5环境效益的改善该系统的实施有效降低了能耗和原材料成本，提高了产品质量和生产效率，为企业带来了直接的经济效益。同时，通过优化冶炼过程，减少了有害排放，符合绿色制造的发展趋势，带来了显著的环境效益。六、经济与社会效益（1）终点命中率提高5%效益：月原料数据正常炉次TFe含量11%（数据来源：2024年4月平均数据），点吹炉次全铁15%（数据来源：2024年4年4月）计算，补吹一炉损失约716.8元。终点命中率较2024年3月因此点吹频次降低5%，一月按3100炉计算，每月点吹炉次降低3100*5%=155炉。每年12个月，故年预估效益：716.8*155*12=133.32万（2）出钢碳提升0.01%效益：碳粉2.3元，120t转炉每炉钢增加0.01%碳，出钢量按142t（数据来源：2024年4月平均数据）计算，需要增碳剂：0.01%/95%/90%/142*1000=17kg故年预估产生效益：17*2.3*3100*12=145.45万元2024年3月6#转炉平均出钢锰0.26%，2024年4月平均出钢锰0.28%，平均出钢锰提升0.02%。出钢影响硅锰合金加入按2024年4月硅锰合金价格，影响吨钢成本2元。故年预估产生效益：2*50*142*365=518.3万元（4）作业效率提高2024年3月平均每炉补吹时间35s，含氧枪作业时间补吹影响时间42s。含检修时间6#转炉日均炉数50炉（数据来源：2023年平均值）。42/86400*50*142*3000*5%*360=18.63万元综上，合计年直接影响经济效益为815.7万元该项目研究的技术进一步完善了传统的计算机炼钢技术，该技术的推广应用对社会带来了多方面的积极效益，主要包括以下几个方面：（1）提高生产效率和产能利用率：自动化控制系统能够实现生产过程的自动化监测、控制和调整，有效地提高了炼钢过程的生产效率和产能利用率，使钢铁企业能够更有效地利用资源，增加产值。（2）减少人力成本和人为错误：自动化炼钢系统减少了对人力的依赖，降低了劳动强度，减少了人力成本。此外，自动化系统的精确控制也减少了由人为操作带来的误差，提高了生产的稳定性和可靠性。（3）改善生产环境和提高安全性：自动化控制系统的应用减少了工人在高温、高压等危险环境下的直接接触，降低了工伤事故的发生率，提高了工人的生产安全。同时，减少了生产过程中的废气、废水和固体废物排放，改善了生产环境。（4）节能减排和环保效益：自动化控制系统可以对生产过程中的能源消耗和废气排放进行实时监测和控制，优化炼钢过程，减少能源消耗和污染物排放，降低碳排放量，减缓全球变暖，符合环保法规和社会期待。（5）提升产品质量和可追溯性：自动化系统可以实现对生产过程的实时监控和精确控制，确保产品质量的稳定性和一致性。同时，系统记录了完整的生产数据，提高了产品的可追溯性，为产品质量的持续改进提供了有力支持。（6）促进产业升级和技