(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110691320.6 (22)申请日 2021.06.22 (65)同一申请的已公布的文献号 申请公布号 CN 113343576 A (43)申请公布日 2021.09.0 3 (73)专利权人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街西段438号 专利权人 北京科技大 学 (72)发明人 张立峰　王伟健　任强　任英　 罗艳　 (74)专利代理 机构 北京孚睿湾知识产权代理事 务所(普通 合伙) 11474 代理人 王冬杰 (51)Int.Cl. G06F 30/27(2020.01) G16C 20/10(2019.01) G16C 20/30(2019.01) G16C 20/70(2019.01)G06N 3/08(2006.01) C21C 7/00(2006.01) G06F 111/06(2020.01) G06F 113/08(2020.01) (56)对比文件 CN 111950427 A,2020.1 1.17 CN 111549286 A,2020.08.18 US 202102786 0 A1,2021.01.28 CN 110866659 A,2020.0 3.06 檀亚宁等. “基于灰色神经网络模型的金属 元素收得率预测研究 ”. 《材料： 生产与工艺》 .2019, 吴越怡等. “基于 BP 神经网络对合金收得 率影响因素的研究 ”. 《河南科技学院学报 （自然 科学版） 》 .2020, Yi Wang等. “Effect of calcium treatment o n inclusion in Si-Mn-killed 304stainless steels ”. 《Journal of materials researc h and tec hnology》 .2020, 审查员 李紫君 (54)发明名称 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 (57)摘要 本发明公开了一种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， 涉及到钢铁 冶金领域的钢液精炼钙处理过程， 其包括以下步 骤： 预先获取每一炉次的生产及操作数据信息， 构建数据集； 基于构建的数据集训练并测试深度 神经网络， 建立预测模型； 基于预测模型将实际 每一炉次的生产及操作数据信息作为输入， 预测 计算当前钙的收得率。 本发明可以对钙处理过程 中钙的收得率进行预测， 有利于精 准控制钢中钙 含量， 稳定控制钙处理过程， 提升钙处理效果， 提 高产品质量， 保证生产的稳定性。 权利要求书2页 说明书6页 附图1页 CN 113343576 B 2022.03.11 CN 113343576 B 1.一种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， 其特征在于： 其包 括以下步骤： S1： 获取生产及操作数据信息中影响钙处理过程中钙的收得率的参数并构建数据集； 步骤S1具体包括如下步骤： S11、 采集每一生产炉次精炼过程中生产及操作数据信息并计算每一炉次的钙的收得 率， 作为一条记录单元； 每一炉次的钙的收得率分别包括精炼过程钙的收得率η1、 中间包钙 的收得率 η2以及连铸坯钙的收得率 η3； 精炼过程钙的收得率的计算方式为： 中间包钙的收得率的计算方式为： 连铸坯钙的收得率的计算方式为： 式中： W代表钢液质量， 单位为t； ω[Ca]O代表钢液钙处理前钙含 量， 单位为ppm； χ代表喂 钙线长度， 单位为m； β 代表钙线中钙含量， 单位为％； μ代表钙线米重， 单位为kg/m， ω[Ca]R 代表精炼结束后钢液钙含量， 单位为ppm； ω[Ca]T代表连铸过程中间包中钢液钙含量， 单位 为ppm； ω[Ca]B代表连铸坯中钙含量， 单位 为ppm； S12、 重复采集每一 生产炉次精炼过程中生产及操作数据信息， 建立数据集； S13、 对步骤S12所 得数据进行 预处理， 去除缺失和明显不 合理的数据； S2： 对步骤S1得到的数据集的数据进行归一 化处理， 得到归一 化处理后的数据集； S3： 建立深度神经网络： 将步骤S2 获得的数据集分为训练数据集和测试数据集； 以生产 及操作数据信息作为深度神经网络的输入， 实际的钙的收得率作为输出， 对比计算结果及 实际结果， 修正权值及阈值， 并利用训练数据集中的数据对深度神经网络进行训练， 得到训 练好的深度神经网络； S4： 使用测试数据集对步骤S3训练好的深度神经网络进行测试， 测试数据集中的输入 数据作为深度神经网络的输入数据， 得到钙的收得率计算结果， 以实际收得率结果与深度 神经网络计算得到的钙的收得率产生的误差值达到最小阈值作为优化目标对深度神经网 络进行优化； S5： 根据步骤S4计算的误差值， 确定训练好的深度神经网络是否满足要求， 如果误差值 达到最小阈值， 则将当前 的深度网络作为最终的钙的收得率的预测模型； 若误差值未达到 最小阈值， 则修改神经网络的 隐藏层数量、 节 点数以及学习率， 重复步骤S4直至误差值达到 最小阈值， 深度神经网络计算的钙的收得率能满足预定要求； S6： 根据步骤S5得到的最终的钙的收得率的预测模型， 对实际钙处理操作过程中的钙 的收得率进行 预测。 2.根据权利要求1所述的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，权　利　要　求　书 1/2 页 2 CN 113343576 B 2其特征在于： 步骤S11 中所述影响钙处理过程钙的收得率的参数包括： 钢液C含量、 钢液Si含 量、 钢液Mn含量、 钢液P含量、 钢液S含量、 钢液游离氧含量、 钢液温度、 钙线种类、 喂钙线速 度、 吹氩流量、 钢液重量、 喂线长度、 精炼过程中加入的原辅料的种类及数量以及钙线钙含 量。 3.根据权利要求2所述的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， 其特征在于： 步骤S11中采集时分别在钙处理前后取球拍样， 用于化验钢液成分， 取样过程 中需要将取样器放在钢包的相同位置； 检测中间包钢液成分时， 在中间包相同位置， 浇注一半时取球拍样； 检测连铸坯成分时， 取浇注稳定的连铸坯， 在板宽1/4并且距离内弧侧 1/4位置处取样 分析。 4.根据权利要求3所述的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， 其特征在于： 钙处理前钢液成分使用电火花直读光谱仪 法进行检测， 首先将试样打磨光亮， 然后在试样表面至少激发出两个点， 观察激发出的点的成分， 删去其中成分偏差较大的点， 直到获得稳定的测量结果； 在钙处理后钢液进站时使用定氧探头测定钢液温度及溶解氧含 量， 定氧探 头保证插 入钢液的相同位置 。 5.根据权利要求1所述的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， 其特征在于： 步骤S3中所述对深度神经网络进行训练具体包括以下子步骤： S31、 用小的随机数对每一层的权值和阈值进行初始化， 通过设置的网络结构和前一次 迭代的权值和阈值， 从网络第一层向后计算各神经元的输出， 然后对权值和阈值进 行修改， 从最后一层向前计算各个阈值和权值对总误差的影响， 并根据误差对权值和阈值进行调 整， 两个过程交替进行， 直至 达到收敛； S2、 神经元之间的传递 函数使用Sigmo id函数， 公式如下： 式中， x代表归一化后的x变量， w代表神经元之间连接的权值， θ代表神经元节点的阈 值。 6.根据权利要求5所述的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， 其特征在于： 步骤S 3中构建的深度神经网络输入层包含15 ‑25个节点， 中间层 包含1‑6个， 每 个中间层包 含1‑10个节点， 输出层含有1个节点， 最大迭代次数为15 00， 学习率 为0.1‑0.5。 7.根据权利要求1所述的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， 其特征在于： 误差值的最小阈值 为5％。权　利　要　求　书 2/2 页 3 CN 113343576 B 3