CN101504544A - 用于氧气转炉质量控制系统的方法和装置 - Google Patents

Abstract

本发明公开了用于氧气转炉质量控制系统的方法和装置。用于控制碱性氧气转炉的方法包括：基于支持向量回归(SVR)来创建碱性氧气转炉的计算机实施的模型，以便将该模型配置成产生碱性氧气转炉的第一倾炉质量的预测。接收与第一倾炉质量相关联的历史数据。将该模型应用于该历史数据以产生第一倾炉质量的预测，将第一倾炉质量的该预测与第一倾炉质量的实际测量进行比较。碱性氧气转炉的控制配方至少部分地基于比较的结果。系统一般而言包括预处理器、配置成存储与碱性氧气转炉的第一倾炉质量相关联的历史数据的数据库、与数据库耦合的预测模块、以及批次到批次控制模块。提供图形用户接口以用于数据的可视化和调整。

Description

用于氧气转炉质量控制系统的方法和装置

技术领域

本发明一般而言涉及过程控制方案，更具体而言，涉及用于与氧气转炉(oxygen furnace)相关联的第一倾炉(turndown)质量的在线质量预测和控制的方法和装置。

背景技术

碱性氧气转炉(BOF)是一种分批化学反应器，其将从鼓风炉产生的高温金属转化为具有期望的钢的等级、成分、重量和温度的液态钢。为了做到这样，吹入高纯氧气穿过熔池以降低液态铁的碳、硅、锰和磷的含量。随后在漂浮在高温金属表面上的熔渣中去除杂质和少量氧化的铁。在钢被提纯以后，将钢液倒入预热的钢水包中。在该倒入操作期间将合金加入该钢水包以便使钢具有期望的精确成分，这被称作“第一倾炉”。

BOF第一倾炉质量和分批生产时间的精确控制是在最大化钢生产率和产量、降低能量和材料消耗、以及平衡从BOF到连续浇铸操作的预测路径中的重要因素。目标和实际质量之间的误差的平均值和标准偏差的减少也是经济上所期望的。

目前已知的BOF系统是难以控制的。例如，在BOF的分批过程期间通常几乎没有可获得的实时信息，并且因此在批次末尾的质量完全取决于在该批次起始点的配方。此外，BOF过程非常复杂且高度非线性，并且静态加料模型的性能不能令人满意。因为在分批过程期间缺少实时质量信息，所以在加料时的第一倾炉质量的预测和控制对于有效控制BOF生产很重要。

BOF预测器的功能是以实际和预测质量之间的最小预测误差来产生在第一倾炉时的质量(即主要的化学成分、温度和重量)的预测。大多数现有技术预测方法是基于具有反向传播(BP)监督学习的前馈神经网络(NN)。然而，如果不能适当控制NN训练的终止，EMR(经验最小风险)类型的神经网络训练可以导致数据的过度拟合。另一方面，一般化性能严重依赖于从大量历史批次的数据中选择的训练实例，即一批次又一批次地在第一倾炉时的输入、预测质量以及实际结果。

该控制系统还可用从不可控的输入空间和表示目标(target)质量空间的目标(aim)质量(在第一倾炉时)空间映射到输出空间(即加料决策空间)的数据模式映射的概念来说明。从计算的观点来看，这样的复杂系统不能提供具有一致性的唯一解，特别是对于有噪数据。为了改进开环控制质量，已有辅助措施来根据机器学习和数据挖掘技术来预测具有不可控的输入和计算出的加料决策的第一倾炉质量。

因此，需要一种在加料操作时、在可变生产条件下和具有有噪数据的情况下提供更精确的预测结果和控制决策的在线(连网)系统。更具体而言，这种系统应当能够提供与批次数据质量和输入空间的可控性无关的控制决策。根据随后结合附图和本发明的本背景所作的本发明的详细描述以及所附权利要求书，本发明其他期望的特征和特性将变得显而易见。

附图说明

下文将结合后面的附图来描述本发明，其中相同的附图标记表示相同的元件，并且

图1描绘根据一个实施例的BOF过程控制系统的概念方框图；

图2描绘根据一个实施例的在炼钢过程中用于预测碳百分比和温度的静态BOF模型；

图3描绘根据一个实施例的第一倾炉质量预测的用于调整氧气和冷却剂的示例性过程的流程图；

图4描绘根据一个实施例的用于BOF加料决策的批次到批次(run-to-run)控制模型；

图5描绘根据一个实施例的用于BOF加料决策的混合控制模型；

图6描绘用于预测BOF过程的第一倾炉质量的示例性过程的流程图；

图7描绘在说明本发明中有用的典型BOF过程；以及

图8给出用于使用图4的模型来控制BOF过程的第一倾炉质量的计算机实施的算法。

具体实施方式

本发明一般而言涉及在线(即连网)系统和方法，用于基于支持向量回归(SVR)来利用碱性氧气转炉的计算机实施的模型对碱性氧气转炉进行控制，从而将该模型配置成生成第一倾炉质量的预测。将该模型应用于历史数据以生成第一倾炉质量的预测，将该预测与实际测量进行比较。碱性氧气转炉的控制配方至少部分地基于比较的结果，并且更新该模型。系统通常包括预处理器、配置成存储与碱性氧气转炉的第一倾炉质量相关联的历史数据的数据库、与数据库耦合的预测模块、以及批次到批次控制模块。提供图形用户接口以用于数据的可视化和调整。

以下的详细描述本质上仅仅是示例性的，并且不打算限制可能的实施例和应用的范围。此外，不打算受限于在前面的背景或者以下的详细描述中所给出的任何理论。

为了说明的简单和清楚起见，附图描绘了通用结构和/或各种实施例的构造方式。可能省略了公知的特征和技术的描述和细节以避免不必要地模糊其他特征。附图中的元件不一定是按比例绘制的：一些特征的尺寸可能相对于其他的元件被夸大，以帮助改进对示例实施例的理解。

列举的术语，例如“第一”、“第二”、“第三”等，可被用于区别类似的元件，并且不一定用于描述特定的空间或时间的顺序。如此使用的这些术语在适当的情况下是可互换的。术语“包括”、“包含”、“具有”及其用于权利要求书或说明书中的任何变体是被同义地使用以表示非排他包含的开放术语。在“举例”而不是“理想情况”的意义上来使用术语“示例性”。

此处描述的本发明的实施例例如能够以不同于所图示的或以其他方式在此所述的顺序来使用。除非另有明确说明，否则“连接”是指一个元件/节点/特征被直接地结合至另一个元件/节点/特征(或者与其直接地通信)，并且不一定是以机械的方式。同样，除非另有明确说明，否则“耦合”是指一个元件/节点/特征被直接地或间接地结合至另一个元件/节点/特征(或者与其直接地或间接地通信)，并且不一定是以机械的方式。此处包含的各个图中所示的连接线打算表示各种元件之间的示例功能关系和/或物理耦合。应当注意，许多替换的或附加的功能关系或物理连接可能存在于实际的实施例中。

为了简明起见，本领域技术人员已知的常规技术、结构和原理可能在此未进行描述，例如包括常规的炼钢过程、碱性氧气转炉操作、以及标准计算机建模和过程控制原理。

一般而言，本发明涉及用于例如碱性氧气转炉(BOF)系统中的第一倾炉质量的质量控制的方法和系统。简要地参考图7，碱性氧气转炉(BOF)700是一种分批化学反应器，其将从鼓风炉产生的高温金属转换为具有期望钢等级的液态钢。在具有耐火炉衬704的钢壳708内，经由氧气喷枪702吹入高纯氧气穿过熔池710以降低液态铁的碳、硅、锰和磷的含量。在漂浮在高温金属710表面上的熔渣中去除杂质和少量氧化的铁。在钢被提纯以后，转炉700倾斜(相对于引入助熔剂料706的加料侧)，并且将钢液710倒入预热的钢水包(未示出)中。在倒入期间将合金加入该钢水包以便使钢具有期望的精确成分。

本发明提供用于对BOF在线质量预测和控制的方法和系统。更具体而言，现在参考图1，根据一个实施例的系统包括数据库模块(或简称为“数据库”)102、数据预处理器116、预测模块(128、130)、批次到批次控制模块(124、126)、图形用户接口144和外部接口模块134。

预测控制模块122提供BOF的第一倾炉质量的在线预测。预测结果与现有加料模型相集成以改进在第一倾炉时的BOF质量。预测模块122包括批次到批次算法124以及用于为下一批次生产来调整控制配方的批次到批次控制模型块(或简称为“R2R控制模型”)126。预测控制模块还包括耦合至第一倾炉预测模型块130的第一倾炉预测模块128，其与批次到批次控制模型块126通信。块130和126都与实时运行时引擎132耦合。

外部接口模块134提供用于从PLC、DCS和其他上层机器(模块136)以及其他各种BOF(138、140和142)下载和上传数据的合适的硬件和/或软件接口。

将数据库102配置成存储控制模型数据104、实时数据106、历史数据108、预测模型数据110、报告数据文件112和分析数据文件114，它们中的每一个在下面进一步详细描述。

数据预处理器116从块106和108接收数据并且提供数据检查、数据处理和分析，以及包括数据过滤模块118和数据标准化模块120。

图形用户接口模块144为实时应用结果提供图形视图，并且允许人工操作员调整和查看结果。在一个实施例中，模块144包括图形接口(例如基于Windows的应用)，其中用户可以选择预测和控制哪个BOF；下载历史数据108(和/或数据库102内的其他数据)；选择哪个模型(在块130内)来用于预测；编辑和建立模型参数(104)；保存数据集；以及提供数据可视化。正如本领域所已知的那样，用户接口144经由合适的控制消息与预测及控制模块122通信。预测和控制算法例如可被实施为Windows的“.dll”文件。

继续参考图1，将进一步详细描述所提出的系统体系结构的原理模块。首先，数据库模块102包括被创建并保持以记录各种数据文件的名称以及实时、历史和模型数据的建立/编辑/检索数据属性的文件。该数据库例如可以被实施为SQL数据库。

从生产和质量数据的观点来看，历史数据文件108优选是自动创建的。数据属性和相关的格式可以由开发者或应用工程师来定义或设计。在一个优选实施例中，原始历史数据文件不能由用户编辑，但是用户可以在数据预处理期间运行数据过滤器以除去异常值或伪数据，这在下面进一步详细描述。可以人工定义历史数据的长度，例如日历的天数或批次的数目。用户还可以对历史数据文件的属性进行定义和格式化。

实时数据文件106包括与高温金属化学制剂、温度等相关的数据，和从生产可编程逻辑控制器或任何遥感器(未示出)中转换。为实时决策和控制提供实时数据106到第一倾炉预测模块130和R2R控制模块126。用户可定义和格式化实时数据文件的属性。

预测模型数据文件110为预测模型130存储相关参数，例如SVM调节参数等。当在重新训练之后更新这些参数时更新数据文件110。类似地，控制模型数据文件104为控制模型126存储相关参数，例如学习和调节参数。

数据预处理模块116允许检查、修复和转换各种数据文件。该模块优选地允许新数据集的产生、以及数据过滤、数据标准化、数据模式聚类、数据模式分类、自动数据生长和演变。

在操作中，通常实施第一倾炉预测模型130(或简称为“预测模型”)来预测所得到的材料的质量，例如按照可控的和不可控的变量的观测，在批次时间的末尾所达到的第一倾炉时的碳百分比和温度。在一个实施例中，具有多元统计的支持向量模型(SVM)在开发第一倾炉预测模型的过程中根据本发明的多个方面来实施。该模块的主要功能包括：建立第一倾炉预测模型；指定、训练和测试数据集；训练和更新各种模型；模型交叉验证；利用预测模型的离线实验；在在线数据集中运行模型；为在线使用产生和保存模型数据集；与历史和实时数据集以及实时运行时引擎接口。

图3描绘一个流程图，该流程图描绘与第一倾炉质量预测有关的氧气和冷却剂的调整。一般而言，在氧化的化学反应下，BOF将铁液以及一定量的钢屑和弯曲(flex)转换成期望的液态钢。BOF第一倾炉质量向量Y包括钢温度(T)、重量(W)、以及碳和其他化学制品(C)。可控的输入向量Uc包括氧气体积、碎屑重量、鼓风炉高温金属重量、铁矿石和助熔剂种类。高温金属化学成分和温度是不可控的向量Ud。为了最小化第一倾炉时的目标质量和实际质量之间的误差，BOF加料模型304被用来计算加料变量的值。由模块312提供氧气和/或冷却剂调整，以及由块306提供预测。

用于加料计算(模型)的数据模式映射可被描述如下：

[Ud，Yaim]^T→Uc                  (1)

用于第一倾炉时的BOF质量预测的数据模式映射可被描述如下：

[Ud，Uc]^T→Y                     (2)

预测器306是用来改进加料模型304的性能的辅助模型。BOF质量预测的任务是开发在期望的时间窗或移动窗下最小化实际和预测质量之间误差的预测模型，并且可以被表示如下：

基于计算出的加料决策和不可控的BF高温金属信息，预测器提供估计的第一倾炉质量，所述估计的第一倾炉质量可以被用来进一步人工地或者按照简单规则集和/或计算而产生加料决策的调整。基于在调整之后创建的实际加料，启动加料操作并且采集实时信息。然后再次运行BOF预测器来预测具有实时信息的估计的质量，以及估计的结果可被用来修改计算出的吹氧体积。

加料模型的输出典型地被用于预测倾炉质量。这个预测的质量可以与目标质量或目标质量进行比较以产生质量水平偏差(通常按照温度和碳成分)。作为质量水平偏差和加料模型输出的函数来实施氧气或冷却剂调整。

图2示出BOF静态模型200的示例性框架。输入201包括高温金属硅百分比、高温金属锰百分比、高温金属磷百分比、高温金属硫百分比、高温金属温度、以及高温金属重量(总称为204)、氧气水平206、矿石、矿块、石头、煅烧物(burnt)和摩擦(scrape)水平(总称为208)、以及时间210。输出包括碳百分比(212)和温度(214)。

假定原始采样数据的集合，根据Min-Max范围来选择一组可变数据{(x_i，y_i)，x_i∈X¹⁴，y_i∈Y²，i＝1，...，n+m}。随后向该组数据应用标准化。从标准化的数据集中随机选择n个模式来确定训练数据集{((x_i，y_i)，i＝1，...，n)}，其中m个模式确定测试数据集{((x_i，y_i)，i＝1，...，m)}。

如上所述，BOF可经由SVR来建模。BOF的输出是二维的，并且SVR一次仅处理一个输出。因此，期望为BOF从两个数据集：{(x_i，y¹ _i)，x_i∈X¹⁴，y¹ _i∈Y，i＝1，...，n+m}和{(x_i，y² _i)，x_i∈X¹⁴，y² _i∈Y，i＝1，...，n+m}中建立两个隔离的模型。这两个模型的建立过程相同。为了与上述技术保持一致，从数据集{(x_i，y_i)，x_i∈X¹⁴，y_i∈Y，i＝1，...，n+m}中建立下述模型，并且最后具有SVR的BOF模型被给出为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\stackrel{\‾}{\mathrm{\α}}}_{i}K(x_i,x)+b---\left(4\right)$

主要任务是产生

i＝1，...，n和b的值。首先，系统将所有的

b初始化为零，并利用默认值来设置内核参数σ、软余量(margin)ε、以及罚参数C。然后，系统训练具有SMO的所有模式{((x_i，y_i)，i＝1，...，n)}以便寻找i＝1，...，n和b。

示例性的训练过程进行如下：如果系统处于第一次迭代，或者如果前一次迭代没有进展，则令工作集为所有训练数据点{(x_i，y_i)|i＝1，...，n)}。否则，令工作集仅由具有无界的拉格朗日乘数的数据点组成 $\left\{(x_i,y_i)\right|0<\stackrel{\&OverBar;}{{\mathrm{\&alpha;}}_i}<C,i=l,...,n)\}.$

接下来，对于处于工作集的所有数据点，系统通过下面的过程来循环：挑选两个乘数以便根据适用的试探法来优化(如上所述)，并且利用更新的规则来更新这两个乘数(也如上所述)。如果没有取得进展，并且工作集是所有数据点，则停止。否则，返回到第一步。注意，因为学习发生在由内核形成的高维空间，所以根据本发明的多个方面所定义的支持向量使得训练过程对于历史数据的质量不敏感。

当完成训练过程时，即当已经建立了BOF模型时，就确定了模型功能。系统通过计算目标值和每个测试模式的预测输出之间的误差来测试该BOF模型的性能。常规平均值和误差的标准偏差可被用来测量性能。

系统将精炼数据分为两个数据集：“训练数据”和“测试数据”。在ε-SV回归中，目标是找到对于所有训练数据而言与实际获得的目标Yi具有至多e偏差的平坦函数f(x)。可以使用一种类型的损耗函数，其被称作ε-不灵敏的损耗函数。对于有噪数据的情况，系统为每个训练数据引入松驰变量ξ_i，

其中ξ_i＝-(y-f(x_i，w))-ε和 ${\mathrm{\&xi;}}_i^{*}=y-f(x_i,w)-\mathrm{\&epsiv;}.$ 在非线性函数的情况下，f(x)采用的形式为f(x，w)＝w·φ(x)+b，其中φ是从x空间到特征空间φ(x)的映射，w是加权向量，以及b是表示偏差的常数。这里，使用RBF核函数：

K(x，y)＝exp(-‖x-y‖²/2σ²)     (5)

使用序列最小优化(SMO)作为SVM训练算法来解决二次方程式问题。在每一个搜索步骤，SMO仅仅选择两个拉格朗日乘数来联合优化，为这些乘数找到最优值，以及更新SVM以反映新的最优值。它由两部分组成：(1)用于高效地选择拉格朗日乘数对来继续工作的一组试探，以及(2)尺寸为2的QP问题的解析解。因此，根据本发明的上述方面，可以在具有多维的特征空间中找到最优分离器，这大大减少了计算负荷而不损害预测误差。

优选地使用数据预处理和数据标准化。不期望使用不能作为BOF预测器的输入和监督输出的原始数据，因为它们未被适当地缩放并且常常包括由于伪测量而引起的丢失数据。BOF原始数据还可利用按照原理分析和设备操作而开发的逻辑规则来检查。例如，BF高温金属化学制品和温度应当在一定的最小值和最大值之间。

根据一个实施例，使用“平均值-方差”标准化方法。标准化和去标准化算法可被表示如下：

$x_n=\frac{x-x_m}{x_{\mathrm{var}}}---\left(6\right)$

x＝x_nx_var+x_m

其中可从系统数据中如下计算平均值和方差：

其中K表示样本数据的数目。类似地，样本输出y也为了模型的训练而被标准化。当预测器处于工作阶段时，在预测值被用于调整计算出的加料决策之前，需要将预测器的输出弄混乱(demoralize)。

优选地由系统执行数据聚类。因为经验SVR统计学习模型是通过从例子中学习来建立的，所以在产生具有足够的鲁棒性和一般化的训练模型中训练样本的选择变得很重要。为了确保学习样本在输入空间上是均匀分布的，并且为了适应具有演化增长的工作环境的变化，优选地基于BOF数据库来每天更新学习和测试例子。训练样本应当为多天而延长具有扩展操作的整个操作环境，并且为了减少计算时间，系统通过模式聚类来持续地限制训练数据模式。模式的密度可以通过在输入超空间上的任何两个模式之间设置最小距离来调整。

系统优选地为输入超空间中训练模式的选择而使用面向模式分类的算法。同时不应包括具有显著相似性的模式。模式相似性可由超空间中的模式之间的欧几里德距离来定量地测量。任何两个有值的模式Xⁱ和X^j之间的欧几里德距离可被定义为：

d_ij＝‖Xⁱ-X^j||                (8)

如果新的样本数据和来自训练数据集的任何数据之间的距离小于最小距离ε_d，则不应将其引入到训练数据。

如图4所示，BOF学习控制系统将加料模型404与长期和短期R2R控制相结合。R2R控制414的功能是按照从历史批次运行结果中建立的长期和短期数据(422和424)来为控制配方提供实时调整。

如图4所示，BOF 408的R2R控制器400的输入402包括不可控的向量D(UNC)和第一倾炉时的AIM(目标)质量。R2R控制的输出是控制配方的调整ΔU1，其是通过经由从先前批次运行中的学习建立的联想式记忆而产生的。因此，BOF R2R控制414的目标是基于BOF历史和最新数据来折衷由长期和短期联想式记忆而给出的配方调整结果。

具有长期联想式记忆的模型可利用传统回归SVM等来建立。BOF混合控制的通用算法包括以下步骤：数据处理、建立具有数据模式映射的控制模型、以及控制模型的应用。

数据处理包括：接收历史分批过程数据，将数据文件分成对应于BOF数目的多个子数据集，从数据集中利用数据过滤来除去异常值批次，利用所选算法来执行数据标准化，以及使用例如网格法来执行聚类和分类。

建立控制模型优选地包括：利用数据模式映射({Aim X-Act X，D}→{U-U1})，使用SVM来建立具有长期联想式记忆的控制模型，按照每个子数据集来建立基于网格的模型(例如具有面向网格的模型参数的唯一模型结构)。

控制模型的应用进行如下：当开始新的加热时，系统收集相关的Aim X和D。随后运行现有加料模型以确定U1；随后运行长期记忆模型以从长期联想式记忆中确定配方调整。接下来，系统运行短期记忆模型以从短期联想式记忆中确定配方调整，以及从ΔU₁ ^L和ΔU₁ ^S中确定配方调整ΔU1。

图5描绘可结合本发明使用的用于BOF加料决策的混合控制模型。具体而言，它示出一个替换实施例，其中使用混合控制模块504来代替图4中所示的系统。混合控制模块504包括预测模型506(其产生预测结果)以及R2R控制模型510(其产生配方调整)，它们都被馈入推理块508，所述推理块508确定ΔU的期望值。

图6是描绘用于第一倾炉质量预测的训练的组合的流程图和方框图。如所示，首先通过访问一个或多个数据库(604)来读取历史数据(步骤606)，其中包括最新的每天的BOF操作数据。接下来，执行合适的预处理操作(610)，其中包括过滤、标准化和聚类。将该数据存储为标准化数据文件和聚类数据(608)。接下来，设置(612)和保存(614)模型SVR参数。随后在步骤618中使用这些模型参数来训练模型。这产生模型训练参数620和训练结果616。接下来，在步骤622中，基于标准化数据608来测试模型以产生测试结果624。最后，查看和检查(626)训练和测试结果(616和624)。

在图8中示出一种示例性批次到批次控制算法。如所示，系统首先下载历史分批过程数据，其中包括钢的目标值802(目标碳和高温金属硅)和高温金属信息804(高温金属的重量、高温金属的温度、铁矿石的重量、煅石灰的重量、碎屑的重量、石头的重量、domo的重量、氧气的体积、高温金属的化学成分、以及运行时间)。系统运行数据预处理器(步骤806)以执行数据聚类和分类，并且输出数据集以训练BOF模型。随后下载实时生产数据(来自前一批次的数据808)。系统随后使用预处理数据集和实时数据来执行BOF模型验证/修改(810)。运行该模型以基于简单规则集来计算配方的调整，并且检查输出是否超过最小-最大边界(判定步骤814)。如果输出超过任何最小-最大边界，则系统调整模型参数并重新计算配方的调整，直到它满足约束(步骤820和812)。作为输出，它为下一批次产生经更新的配方(816)。

因此，此处已经描述的是用于在碱性氧气转炉过程中第一倾炉质量的质量控制的改进的方法和相关系统。虽然已在前面的本发明的详细描述中给出至少一个示例性实施例，但是应当认识到存在大量的变化。还应当认识到，一个或多个示例性实施例仅仅是例子，并且不打算以任何方式限制本发明的范围、适用性或配置。更确切地说，前面的详细描述将为本领域技术人员提供用于实施本发明的示例性实施例的便利的一套指导方针。应当理解，在不脱离由所附权利要求书及其法律等同物所陈述的本发明范围的情况下，可以在示例性实施例中所描述的元素的功能和布置中作出各种变化。

Claims (15)

1、一种用于控制碱性氧气转炉的方法，包括以下步骤：

基于支持向量回归SVR来创建所述碱性氧气转炉的计算机实施的模型，以便将所述模型配置成产生所述碱性氧气转炉的第一倾炉质量的预测；

接收与所述第一倾炉质量相关联的历史数据；

将所述模型应用于所述历史数据以产生第一倾炉质量的所述预测；

比较第一倾炉质量的所述预测与第一倾炉质量的实际测量；

至少部分地基于所述比较步骤的结果来调整所述碱性氧气转炉的控制配方。

2、根据权利要求1所述的方法，其中所述控制配方是不可控的输入与目标质量的函数。

3、根据权利要求1所述的方法，进一步包括：允许用户在所述调整步骤之前人工调整所述控制配方。

4、根据权利要求1所述的方法，进一步包括：允许用户图形地查看所述控制配方、所述模型、以及所述历史数据。

5、根据权利要求1所述的方法，其中接收历史数据包括通过网络从数据库接收所述历史数据。

6、根据权利要求1所述的方法，其中所述SVR利用序列最小优化来创建所述模型。

7、根据权利要求1所述的方法，进一步包括对所述历史数据进行预处理的步骤。

8、根据权利要求7所述的方法，其中所述预处理步骤包括所述历史数据的标准化和聚类。

9、一种用于控制碱性氧气转炉的系统，包括：

数据库，其被配置成存储与所述碱性氧气转炉的第一倾炉质量相关联的历史数据；

与所述数据库耦合的预测模块，所述预测模块包括基于支持向量回归SVR的所述碱性氧气转炉的计算机实施的模型，以便将所述模型配置成产生所述碱性氧气转炉的第一倾炉质量的预测，所述预测模块进一步被配置成接收与所述第一倾炉质量相关联的历史数据；

与所述预测模块耦合的批次到批次控制模块，所述批次到批次控制模块被配置成将所述模型应用于所述历史数据以产生第一倾炉质量的所述预测，并且将第一倾炉质量的所述预测与第一倾炉质量的实际测量进行比较，以及至少部分地基于所述比较的结果来调整所述碱性氧气转炉的控制配方。

10、根据权利要求9所述的系统，其中所述控制配方是不可控的输入与目标质量的函数。

11、根据权利要求9所述的系统，进一步包括图形用户接口，所述图形用户接口与所述预测模块耦合，并且被配置成允许用户在所述调整步骤之前人工调整所述控制配方。

12、根据权利要求11所述的系统，其中所述图形用户接口进一步被配置成允许用户图形地查看所述控制配方、所述模型、以及所述历史数据。

13、根据权利要求9所述的系统，其中所述SVR利用序列最小优化来创建所述模型。

14、根据权利要求9所述的系统，进一步包括预处理器，所述预处理器被配置成提供所述历史数据的标准化和聚类。

15、根据权利要求9所述的系统，其中所述数据库进一步存储与所述碱性氧气转炉相关联的实时数据和与所述模型相关联的模型数据。

Images