买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东北大学申请的专利一种电弧炉冶炼终点参数自适应混合智能预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121256747B 。

龙图腾网通过国家知识产权局官网在2026-02-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511816345.9，技术领域涉及：G06F18/27；该发明授权一种电弧炉冶炼终点参数自适应混合智能预测方法及系统是由朱红春;姜周华;陆泓彬;李花兵;杨策;王忠昊;李腾;李阳设计研发完成，并于2025-12-04向国家知识产权局提交的专利申请。

本一种电弧炉冶炼终点参数自适应混合智能预测方法及系统在说明书摘要公布了：本发明属于冶金工业过程智能控制与预测技术领域，公开一种电弧炉冶炼终点参数自适应混合智能预测方法及系统。获取电弧炉冶炼过程数据；构建包含机理模型与数据驱动模型的双驱动预测体系；计算机理模型预测值与实际测量值的决定系数，统计有效历史数据量；构建机器学习预测模型，根据有效历史数据量选择建模算法；基于决定系数和有效历史数据量，选择混合预测策略；根据混合预测策略预测输出终点碳含量预测值和终点温度预测值；进行预测偏差阈值判断与执行控制，调节电弧电功率、吹氧流量、加料速度或冷却水流量。本发明实现了电弧炉终点参数的精准预测与动态优化控制，显著提升了冶炼质量、能源利用率和生产稳定性。

本发明授权一种电弧炉冶炼终点参数自适应混合智能预测方法及系统在权利要求书中公布了：1.一种电弧炉冶炼终点参数自适应混合智能预测方法，其特征在于，包括以下步骤： S1、数据获取；获取电弧炉冶炼过程数据，包括原料成分、原料加入量、辅料成分、辅料加入量、供电系统参数、供气系统参数、水冷系统参数和冶炼时间； S2、构建包含机理模型与数据驱动模型的双驱动预测体系； S3、进行数据质量综合评估，包括：使用历史生产数据对机理模型进行验证，计算机理模型预测值与实际测量值的决定系数，统计有效历史数据量； S4、构建机器学习预测模型，根据有效历史数据量选择建模算法： S5、基于决定系数和有效历史数据量，选择混合预测策略；根据所选混合预测策略预测输出终点碳含量预测值和终点温度预测值； S6、根据S5输出进行预测偏差阈值判断与执行控制，调节电弧电功率、吹氧流量、加料速度或冷却水流量，实现终点参数向目标值收敛； 所述混合预测策略具体为： 当且时，启用特征增强策略A； 当且时，启用误差补偿策略B； 当且时，启用动态加权策略C； 当时，启用纯数据驱动策略D； 所述特征增强策略A：使用机理模型输出机理预测值；将机理预测值作为衍生特征与原始生产数据特征合并形成增强特征集，用于训练并构建机器学习预测模型；以增强特征集下训练得到的机器学习预测模型的预测值作为最终预测值； A1：使用机理模型计算得到终点碳含量机理预测值和终点温度机理预测值； A2：将和作为衍生特征，与原始生产数据特征合并形成增强特征集； A3：将所述增强特征集输入机器学习预测模型，输出终点碳含量最终预测值和终点温度最终预测值； 所述误差补偿策略B：使用机理模型输出机理预测值；使用机器学习预测模型学习机理模型的系统性偏差，输出误差补偿值；通过机理预测值与误差补偿值相加得到最终预测值； B1：使用机理模型计算得到终点碳含量机理预测值和终点温度机理预测值； B2：构建机器学习预测模型以原始生产数据特征预测机理模型误差，输出碳含量误差预测值和温度误差预测值； B3：计算终点参数最终预测值： ； ； 所述动态加权策略C：使用机理模型输出机理预测值；以原始生产数据特征训练并构建机器学习预测模型；根据聚类算法将历史生产数据划分为个子群，为每个子群计算机理模型权重和机器学习预测模型权重，其中；对新样本判定其所属簇，终点参数预测值机理模型预测值机器学习模型预测值； C1：使用K-means聚类算法或DBSCAN聚类算法将历史生产数据划分为个子群； C2：对每个子群，通过网格搜索或贝叶斯优化确定机理模型最优权重和机器学习模型最优权重，优化目标为最小化验证集均方根误差RMSE，约束条件为且； C3：对待预测样本，计算其与各簇中心的欧式距离，判定其所属簇； C4：计算终点参数最终预测值： ； ； 式中：为机器学习预测模型独立预测的碳含量值，为机器学习预测模型独立预测的温度值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路三巷11号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。