[go: up one dir, main page]

CN115187102A - 一种基于烧结矿质量预测下的模型评估改进方法 - Google Patents

一种基于烧结矿质量预测下的模型评估改进方法 Download PDF

Info

Publication number
CN115187102A
CN115187102A CN202210858429.9A CN202210858429A CN115187102A CN 115187102 A CN115187102 A CN 115187102A CN 202210858429 A CN202210858429 A CN 202210858429A CN 115187102 A CN115187102 A CN 115187102A
Authority
CN
China
Prior art keywords
prediction
quality
model
algorithm
tolerance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202210858429.9A
Other languages
English (en)
Inventor
杨爱民
齐西伟
李�杰
任鑫英
于复兴
薛涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Science and Technology
Original Assignee
North China University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China University of Science and Technology filed Critical North China University of Science and Technology
Priority to CN202210858429.9A priority Critical patent/CN115187102A/zh
Publication of CN115187102A publication Critical patent/CN115187102A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
    • C22B1/00—Preliminary treatment of ores or scrap
    • C22B1/14—Agglomerating; Briquetting; Binding; Granulating
    • C22B1/16—Sintering; Agglomerating
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Chemical & Material Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geology (AREA)
  • Manufacturing & Machinery (AREA)
  • Environmental & Geological Engineering (AREA)
  • Materials Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本发明公开一种基于烧结矿质量预测下的改进模型评估的方法，属于冶金炼铁技术领域。基于烧结矿质量预测技术对烧结矿转鼓指数、成品率、返矿率、收缩率、垂直烧结速度进行预测，构建预测模型，对模型进行评估，首先计算误差的绝对值；其次确认容差范围；再次根据容差算法核函数确定每组烧结矿质量的标记值；最后计算模型评价准确率。作为检验同时使用
Figure DEST_PATH_IMAGE001
、可解释方差算法做对比进行算法性能分析。本发明可以对烧结矿质量预测模型进行客观评价，并展现出更为良好的性能。与传统的预测模型评价方法做比较，本发明可以更快地完成模型评价。

Description

一种基于烧结矿质量预测下的模型评估改进方法
技术领域
本发明属于冶金炼铁技术领域，具体涉及一种基于烧结矿质量预测下的模型评估改进方法。
背景技术
钢铁工业是国民经济的基本保障，推进了国家经济的发展。烧结过程是钢铁冶炼过程中极其重要的一个环节，烧结矿的质量直接影响高炉炉况和钢铁产品的好坏。而烧结矿的质量检测技术存在大滞后问题，实际生产过程中无法对烧结矿的质量进行精准预测和及时调整。因此，建立烧结矿质量预测模型并对其进行合理评价，对钢铁冶炼工艺具有十分重要的意义。
目前，应用到烧结矿质量预测模型的评价算法主要是对模型的预测精度与收敛速度进行评价，且不同的评价方法具有不同的评价标准。均方误差（MSE）作为线性回归中最常用的损失函数，常用于预测模型评价中。
在烧结矿质量预测模型中，普遍使用均方误差、均方根误差、平均绝对误差和拟合度评价模型的好坏，这些评价指标均在预测值和真实值相等的情况下达到最优。但在实际的烧结矿质量预测中，只要预测值的大小在质量标准值的一定范围内，预测结果便满足烧结矿的质量要求。可见传统的预测模型的评价方法不能满足此要求。因此，本文提出了一种基于容差算法的烧结矿质量预测评价模型，利用容差算法对烧结矿质量预测模型的评价方法进行改进，使得烧结矿质量预测过程更加契合实际烧结过程，并提高了预测模型的准确率。
发明内容
本发明的目的在于提供一种基于烧结矿质量预测下的模型评估改进方法，进而对烧结矿质量预测模型进行合理的评价，并在一定程度上提高预测模型准确率。
许多生产领域的相关产品，在质量达到一个特定的误差范围内，可以视为合格产品。基于此理念设计并开发得到改进的模型评估算法-容差算法
为解决上述问题，本发明的实施例提供如下方案：一种基于烧结矿质量预测下的模型评估改进方法，基于烧结矿质量预测技术对烧结矿转鼓指数、成品率、返矿率、收缩率、垂直烧结速度进行预测，构建预测模型，对模型进行评估，算法对比分析，评估过程包括以下步骤：
首先计算误差的绝对值，输入每组烧结矿质量的真实值和模型的预测值，计算每组质量真实值和预测值误差的绝对值，误差绝对值的计算公式如下：
Figure 338604DEST_PATH_IMAGE001
，其中，
Figure 521324DEST_PATH_IMAGE002
为第i个质量的预测绝对误差，
Figure 628957DEST_PATH_IMAGE003
为 第i个质量的预测值。
其次确认容差范围，针对不同烧结矿质量允许偏差的范围，根据每组质量真实值，确定质量合格的范围即容许偏差的范围，预测质量指标容许偏差的范围的计算公式如下：
Figure 289746DEST_PATH_IMAGE004
，其中，
Figure 307380DEST_PATH_IMAGE005
为第i个质量的实际值，其 对应的预测容差为
Figure 395422DEST_PATH_IMAGE006
，
Figure 741084DEST_PATH_IMAGE007
为第i个质量的容差范围。
再次根据容差算法核函数确定每组烧结矿质量的标记值，容差算法核函数计算公式如下：
Figure 205563DEST_PATH_IMAGE008
，其中，
Figure 77704DEST_PATH_IMAGE006
为预测质量容许偏差的范围，即容差，其值需根据 实际预测模型和预测质量指标确定。
最后计算模型评价准确率，模型评价准确率计算公式如下：
Figure 336647DEST_PATH_IMAGE009
，其中，t表示模型准确率，n表示模型样本量。
进一步的所述算法对比分析：同时使用
Figure 418873DEST_PATH_IMAGE010
、可解释方差算法做对比进行算法性能 分析。
本发明具有以下优点：
1、实际的烧结矿生产工作中，烧结矿质量在一个标准区间范围内即可满足生产要求。本发明通过提出容差算法，考虑实际的烧结预测要求，可以更加反映出烧结预测模型的真实性能。
2、通过使用容差算法评估烧结预测模型，可在一定程度上提高烧结预测模型的准确度，提升了预测模型的可信度。
3、通过使用容差算法评估烧结矿质量预测模型，相较于传统的模型评估算法，在一定程度上，容差算法的运算速度更快。在数据量大的情况下，此特性会更加明显。
4、通过应用容差算法理念，容差算法理念适用但不局限于烧结预测领域。容差算法作为预测评估模型的核心算法，适用于一切对预测指标有明确界定的预测模型。
附图说明
图1：容差算法的流程图；
图2：模型评估流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方案作进一步地详细描述。
本发明的实例提供了一种基于烧结矿质量预测下的模型评估改进方法。模型评估流程图如图2所示，所述方法包括以下步骤：
步骤一、预测模型训练
对于烧结矿质量的预测，现有研究中使用的变量不尽相同。在本次预测实验中，选取烧结杯试验数据进行回归预测，共收集到某烧结厂的269条烧结杯数据，部分烧结数据如表1所示。将烧结混合矿的TFe，FeO，SiO2，CaO，MgO，Al2O3含量作为输入变量，针对转鼓指数、成品率、返矿率、收缩率、垂直烧结速度5个烧结矿质量指标，分别应用梯度提升回归预测算法，随机森林回归预测算法，随机森林回归预测算法，梯度提升回归预测算法，最近邻回归预测算法建立烧结矿质量预测模型，并对5个烧结矿质量预测模型分别进行训练。
表1 预测烧结矿质量的实验数据示例
Figure 421464DEST_PATH_IMAGE011
步骤二、模型评估
待预测模型训练完成后，应用容差算法，对上述5个烧结矿质量预测模型分别进行评估。对烧结矿质量进行预测时，依据实际烧结生产时，将各项指标容许偏差的范围作为容差值。烧结矿质量预测指标包含烧结矿转鼓指数、成品率、返矿率、收缩率和垂直烧结速度。烧结矿质量预测指标对应的容差值如表2所示。
表2 烧结矿质量预测指标的容差值
Figure 148111DEST_PATH_IMAGE012
步骤三、算法对比分析
应用容差算法对预测模型进行评估改进，同时使用
Figure 843535DEST_PATH_IMAGE013
、可解释方差算法做对比。为 保证算法对比结果的公信力，各个算法的初始化状态相同，均迭代300次，以平均值作为模 型评估结果。由表3中预测模型应用的算法对比结果可看出，相比于
Figure 163789DEST_PATH_IMAGE013
算法和可解释方差算 法，容差算法在5个烧结预测指标上的准确率均为最优，使用容差算法改进烧结矿质量预测 模型的评估器，在保证了预测效果的同时，也在一定程度上提高了模型的准确率。除此之 外，容差算法在运行时间上，也较优于
Figure 704492DEST_PATH_IMAGE013
和可解释方差算法。
表3 预测模型应用的算法对比结果
Figure 551225DEST_PATH_IMAGE014
根据本发明得到的容差算法,对烧结矿质量预测模型的评估器进行改进，既能满足烧结质量预测的工艺需求，也能提高预测模型的准确度，还可以节省模型评估时间。
本发明适用于所有的烧结矿质量预测模型。在进行烧结矿质量预测后，根据预测模型得到预测值和烧结矿质量的真实值，使用容差算法对预测模型进行评估。

Claims (2)

1.一种基于烧结矿质量预测下的模型评估改进方法，基于烧结矿质量预测技术对烧结矿转鼓指数、成品率、返矿率、收缩率、垂直烧结速度进行预测，构建预测模型，对模型进行评估，算法对比分析，其特征在于，所述模型评估过程包括以下步骤：
首先计算误差的绝对值，输入每组烧结矿质量的真实值和模型的预测值，计算每组质量真实值和预测值误差的绝对值，误差绝对值的计算公式如下：
Figure 178338DEST_PATH_IMAGE001
，其中，
Figure 235155DEST_PATH_IMAGE002
为第i个质量的预测绝对误差，
Figure 579549DEST_PATH_IMAGE003
为第i 个质量的预测值；
其次确认容差范围，针对不同烧结矿质量允许偏差的范围，根据每组质量真实值，确定质量合格的范围即容许偏差的范围，预测质量指标容许偏差的范围的计算公式如下：
Figure 280789DEST_PATH_IMAGE004
，其中，
Figure 318015DEST_PATH_IMAGE005
为第i个质量的实际值，其对应 的预测容差为
Figure 268653DEST_PATH_IMAGE006
，
Figure 483648DEST_PATH_IMAGE007
为第i个质量的容差范围；
再次根据容差算法核函数确定每组烧结矿质量的标记值，容差算法核函数计算公式如下：
Figure 39394DEST_PATH_IMAGE008
，其中，
Figure 247522DEST_PATH_IMAGE006
为预测质量容许偏差的范围，即容差，其值需根据实际预 测模型和预测质量指标确定；
最后计算模型评价准确率，模型评价准确率计算公式如下：
Figure 13352DEST_PATH_IMAGE009
，其中，t表示模型准确率，n表示模型样本量。
2.根据权利要求1所述的一种基于烧结矿质量预测下的模型评估改进方法，所述算法 对比分析为同时使用
Figure 699548DEST_PATH_IMAGE010
、可解释方差算法做对比进行算法性能分析。
CN202210858429.9A 2022-07-21 2022-07-21 一种基于烧结矿质量预测下的模型评估改进方法 Withdrawn CN115187102A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210858429.9A CN115187102A (zh) 2022-07-21 2022-07-21 一种基于烧结矿质量预测下的模型评估改进方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210858429.9A CN115187102A (zh) 2022-07-21 2022-07-21 一种基于烧结矿质量预测下的模型评估改进方法

Publications (1)

Publication Number Publication Date
CN115187102A true CN115187102A (zh) 2022-10-14

Family

ID=83519532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210858429.9A Withdrawn CN115187102A (zh) 2022-07-21 2022-07-21 一种基于烧结矿质量预测下的模型评估改进方法

Country Status (1)

Country Link
CN (1) CN115187102A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116124677A (zh) * 2023-04-18 2023-05-16 江苏沙钢集团有限公司 一种高炉烧结矿料层透气性的快速评价方法
CN116254408A (zh) * 2022-12-27 2023-06-13 山东钢铁集团永锋临港有限公司 一种烧结工序超低内返率改进方法
CN118095962A (zh) * 2024-04-18 2024-05-28 华北理工大学 一种基于双模态超图神经网络的人造块矿质量预测系统
CN119294219A (zh) * 2023-07-10 2025-01-10 中冶长天国际工程有限责任公司 基于机尾断面可见光成像的烧结矿强度预测方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116254408A (zh) * 2022-12-27 2023-06-13 山东钢铁集团永锋临港有限公司 一种烧结工序超低内返率改进方法
CN116124677A (zh) * 2023-04-18 2023-05-16 江苏沙钢集团有限公司 一种高炉烧结矿料层透气性的快速评价方法
CN116124677B (zh) * 2023-04-18 2023-06-16 江苏沙钢集团有限公司 一种高炉烧结矿料层透气性的快速评价方法
CN119294219A (zh) * 2023-07-10 2025-01-10 中冶长天国际工程有限责任公司 基于机尾断面可见光成像的烧结矿强度预测方法及系统
CN118095962A (zh) * 2024-04-18 2024-05-28 华北理工大学 一种基于双模态超图神经网络的人造块矿质量预测系统
CN118095962B (zh) * 2024-04-18 2024-07-02 华北理工大学 一种基于双模态超图神经网络的人造块矿质量预测系统

Similar Documents

Publication Publication Date Title
CN115187102A (zh) 一种基于烧结矿质量预测下的模型评估改进方法
CN113343576B (zh) 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
Li et al. Dynamic time features expanding and extracting method for prediction model of sintering process quality index
CN106802977B (zh) 一种用于烧结矿性能指标预测及综合质量评价方法
CN101463407B (zh) 一种转炉炼钢石灰加入量计算方法
CN111047103B (zh) 基于多工况模式辨识的烧结过程碳效在线预测方法及设备
CN108256260A (zh) 一种基于极限学习机的连铸坯质量预测方法
CN111308894B (zh) 一种烧结过程耦合配矿及控制过程的参数调节方法
CN116307289B (zh) 一种纺织品加工工序参数检测预测方法、系统及存储介质
CN114764547A (zh) 融合机理与深度学习的加热炉钢坯温度预测方法及装置
CN114971064B (zh) 基于NGBoost算法的热轧带钢表面缺陷预测方法
CN101447001B (zh) 一种预测焦炭硫分的方法
CN111008477A (zh) 一种基于冷轧镀锌带钢力学性能调整工艺参数的方法
CN113642666A (zh) 一种基于样本扩充和筛选的主动增强软测量方法
CN114875196A (zh) 一种转炉出钢量的确定方法和系统
CN112434961A (zh) 一种铁钢界面铁水温降预测方法、装置和终端设备
CN104778361A (zh) 改进型EMD-Elman神经网络预测铁水硅含量的方法
Demin et al. Construction of a logical-probabilistic model of casting quality formation for managing technological operations in foundry production
Kai End temperature prediction of molten steel in RH based on case-based reasoning with optimized case base
CN112509642A (zh) 一种高炉炉渣粘度的在线预测方法
CN112388148A (zh) 基于模拟退火算法的焊接参数优化法
CN116300760A (zh) 一种钢卷性能数据控制方法、装置、介质及电子设备
CN115359851A (zh) 基于极端随机树-nsga-ⅱ的烧结配料多目标预测优化方法
CN109840309A (zh) 一种铁水脱硫剂用量的计算方法
CN117708708B (zh) 一种炼钢用铁合金的品质评级及推荐方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20221014

WW01 Invention patent application withdrawn after publication