(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111500819.0 (22)申请日 2021.12.09 (71)申请人 中冶赛迪 重庆信息技 术有限公司 地址 401329 重庆市九龙坡区白市驿镇农 科大道66号2幢5-6号 (72)发明人 严莹子　张璟涵　汤槟　张晓辉　 蒲大志　向山林　 (74)专利代理 机构 上海光华专利事务所(普通 合伙) 31219 代理人 李铁 (51)Int.Cl. G16C 20/30(2019.01) G16C 20/70(2019.01) G06Q 10/04(2012.01) G06Q 50/04(2012.01) (54)发明名称 精炼合金元素收得率预测方法、 系统、 电子 设备及介质 (57)摘要 本发明涉及精炼合金技术领域， 公开了一种 精炼合金元素收得率预测方法、 系统、 电子设备 及介质， 该方法获取待预测炉次的当前数据， 并 获取多个历史数据， 根据当前合金化前特征从各 历史数据中确定待预测炉次对应的相似数据， 并 根据相似数据确定待预测炉次对应的预测合金 化过程特征， 将当前合金化前特征和预测合金化 过程特征输入 预测模型， 得到待预测炉次所精炼 合金的预测元素收得率， 通过历史数据和当前数 据获取待预测炉次的预测合金化过程， 进而通过 将当前数据和预测合金化过程特征输入训练成 功的预测模 型获取预测元素收得率， 使得预测模 型的输入数据更具有可靠性， 提高了待预测炉次 所精炼合金的预测元 素收得率的准确度。 权利要求书3页 说明书13页 附图3页 CN 114242179 A 2022.03.25 CN 114242179 A 1.一种精炼合金 元素收得率预测方法， 其特 征在于， 包括： 获取待预测炉次的当前数据， 并获取多个历史数据， 其中， 所述当前数据包括当前合金 化前特征； 根据所述当前合金化前特征从各所述历史数据中确定所述待预测炉次对应的相似数 据， 并根据所述相似数据确定所述待预测炉次对应的预测合金化过程特 征； 获取预测模型的模型训练结果， 其中， 所述预测模型通过所述待预测炉次对应的多个 样本数据训练得到， 所述样本数据包括合金化前样本特征、 合金化过程样本特征和元素收 得率标签； 若所述模型训练结果包括训练成功， 则将所述当前合金化前特征和所述预测合金化过 程特征输入所述预测模型， 得到所述待预测炉次所精炼合金的预测元 素收得率。 2.根据权利要求1所述的方法， 其特征在于， 根据 所述当前合金化前特征从各所述历史 数据中确定所述待预测炉次对应的相似数据， 包括： 所述历史数据包括历史合金化前特征和历史合金化过程特征， 所述当前合金化前特征 和所述历史合金化前 特征均包括多个合金化前子特 征； 获取各所述合金化前子特征对应的特征加权值， 并根据所述当前合金化前特征、 所述 历史合金化前特征和各所述特征加权值确定所述当前数据与各所述历史数据之间的相似 度； 根据各所述相似度从各 所述历史数据中确定相似数据。 3.根据权利要求2所述的方法， 其特征在于， 通过以下方式确定所述当前数据与所述历 史数据之间的相似度： 其中， Similarity为所述当前数据与所述历史数据之间的相似度， Scorel为所述当前合 金化前特征的第l个合金化前子特征对应的特征加权值， xl为所述历史合金化前特征的第l 个合金化前子特征的特征值， xl'为所述当前合金化前特征的第l个合金化前子特征的特征 值， N为所述合金化前子特 征的数量。 4.根据权利要求1至3任一项所述的方法， 其特征在于， 通过以下方式确定所述预测模 型的模型训练结果： 将多个所述样本数据划分为多个训练数据和多个验证数据； 通过各所述训练数据对预设神经网络模型进行训练， 得到预测模型； 根据各所述验证数据确定所述预测模型的误差值； 若所述误差值小于预设误差阈值， 则将模型训练结果确定为训练成功； 若所述误差值大于或等于所述预设误差阈值， 则将模型训练结果确定为训练失败。 5.根据权利要求1所述的方法， 其特 征在于， 通过以下 方式获取样本数据， 包括： 从各所述历史数据中确定当前炉次信息对应的多个备选数据， 其中， 当前炉次信息包 括所述待预测炉次对应的厂商信息、 钢种信息、 合金化时间信息、 时间区间中的至少一种， 所述备选数据包括 合金化前样本特 征和合金化过程样本特 征； 若所述备选数据的数量大于或等于训练数量阈值， 则获取各所述备选数据对应的元素权　利　要　求　书 1/3 页 2 CN 114242179 A 2收得率， 并将所述备选数据对应的元素收得率确定为所述备选数据的元素收得率标签， 得 到样本数据； 若所述筛选数据的数量小于训练数量阈值， 则继续采集并记录新的炉次生产 数据增加 到历史数据， 以获取新的样本数据。 6.根据权利要求1所述的方法， 其特征在于， 获取所述预测模型的模型训练结果之后， 所述方法还 包括以下至少一种： 若所述模型训练结果包括训练失败， 获取所述相似数据对应的元素收得率， 并根据各 所述相似数据对应的元 素收得率确定所述预测元 素收得率； 将所述当前合金化前特征和所述预测合金化过程特征输入所述预测模型之前， 获取所 述预测模型 的更新时间， 并预先设置第一预设条件， 所述第一预设条件为所述模型训练结 果包括训练成功且所述更新时间在预设时间区间内， 若满足第一预设条件， 则将所述当前 合金化前 特征和所述预测合金化过程特 征输入所述预测模型； 将所述当前合金化前特征和所述预测合金化过程特征输入所述预测模型之前， 获取所 述预测模型 的更新时间， 并预先设置第一预设条件， 所述第一预设条件为所述模型训练结 果包括训练成功且所述更新时间在预设时间区间内， 若不满足第一预设条件， 则获取更新 数据对所述预测模型进行更新训练， 其中， 所述更新数据根据所述更新时间之后的历史数 据得到。 7.根据权利要求5或6所述的方法， 其特 征在于， 通过以下 方式确定元 素收得率： 其中， n为合金化次数， 为j元素第n次合金化的元素收得率， Δwj为第1次钢水内j元 素质量与和第n次钢水内j元素质量之间的差值， G为钢水初始重量， Gm为第m次合金加入重 量， gi为i类合金的加入质量， 为i类合金中j元 素的含量。 8.一种精炼合金 元素收得率预测系统， 其特 征在于， 包括： 第一获取模块， 用于获取待预测炉次的当前数据， 并获取多个历史数据， 其中， 所述当 前数据包括当前合金化前 特征； 确定模块， 用于根据 所述当前合金化前特征从各所述历史数据中确定所述待预测炉次 对应的相似数据， 并根据所述相似数据确定所述待预测炉次对应的预测合金化过程特 征； 第二获取模块， 用于获取预测模型的模型训练结果， 其中， 所述预测模型通过所述待预 测炉次对应的多个样本数据训练得到， 所述样本数据包括合金化前样本特征、 合金化过程 样本特征和元素收得率标签； 预测模块， 用于若所述模型训练结果包括训练成功， 则将所述当前合金化前特征和所 述预测合金化过程特征输入所述预测模型， 得到所述待预测炉次所精炼合金的预测元素收 得率。 9.一种电子设备， 其特 征在于， 包括： 处 理器及存 储器； 所述存储器用于存储计算机程序， 所述处理器用于执行所述存储器存储的计算机程 序， 以使所述电子设备 执行如权利要求1至7中任一项所述的方法。权　利　要　求　书 2/3 页 3 CN 114242179 A 3