基于集成学习的转炉吹炼终点磷锰预测模型

基于260 t转炉炼钢实际生产数据,用RF(Random Forests,随机森林)、LGBM(Light Gradient Boosting Machine,轻量级梯度提升机)和Stacking集成三种不同机器学习算法建立了转炉炼钢终点磷锰预测模型。通过相关理论分析和皮尔逊相关系数法确定了模型输入变量,对比三种集成学习模型的终点命中率,表明Stacking集成模型的预测性能最好,在预测终点磷质量分数误差为±0.001%、±0.001 5%时的终点命中率分别为86.3%、97.1%,在预测终点锰质量分数误差为±0.008%、±0.01%时的命中率分别为83.4%、94.4%。     

利用非数值型特征的转炉出钢合金化硅铁加入量预测模型开发

利用100 t转炉出钢合金化数据,通过数据预处理和采用皮尔逊相关系数(Pearson correlation coefficient)进行特征选择,用非数值型变量—钢种作为其中的一个特征变量,采用SVR (Support Vector Regression,支持向量机回归)算法,建立出钢合金化硅铁加入量模型。引入钢种作为特征变量后建立的转炉出钢合金化硅铁加入量SVR模型,误差在±40 kg、±30 kg、±20 kg的范围下,预测的命中率分别为94.84%、87.58%、75.77%,而无钢种这一特征变量的SVR模型在相同的误差下的命中率分别为88.4%、80.61%、65.85%,表明采用钢种作为特征变量,提高了硅铁加入量预测模型准确度,对于实际出钢合金化具有更好的参考价值。     

80 t转炉终点预报TSVR模型精度

 转炉炼钢是一个复杂的高温物理化学反应过程。在冶炼过程中不能连续检测钢的成分。所以,准确地预报终点的碳质量分数和温度对于提高终点命中率是非常有意义的。基于广西某钢厂80 t转炉炼钢实际生产数据,建立了终点碳质量分数和终点温度的孪生支持向量回归机(TSVR)预测模型,对100个炉次的实际生产数据进行了模型的训练,另外30个炉次的数据用于验证模型的精度。结果表明,预测误差Δω([C])≤ 0.01%的命中率为93.3%,Δt≤15 ℃的命中率为96.7%,双命中率为90%。与BP神经网络模型相比,TSVR模型的终点碳质量分数和终点温度命中率均比BP神经网络模型高。     

基于粗糙集理论与神经网络的铁水硅含量预测

高炉铁水硅含量预测对调控炉温和稳定炉况具有重要作用。基于粗糙集理论与神经网络模型对铁水硅含量进行预测。采用粗糙集理论对输入参数进行约简,得到优化的输入集,结合BP(back propagation)神经网络实现高炉硅含量的预测。同时,针对炉况波动较大情况下神经网络模型预测误差大的问题,建立波动知识库,利用kNN(k-Nearest Neighbor)算法匹配识别波动炉况,对预测结果进行补偿。以国内某钢铁厂实际高炉生产数据进行验证,该方法在预测误差为±0.1%以内时预测命中率达到91.74%,可为高炉操作者判断炉况提供参考。     

转炉终渣成分和溅渣时间数据驱动预测模型开发

基于260 t转炉实际生产数据，通过机器学习算法XGBoost(eXtreme Gradient Boosting,极限梯度提升树)、弹性回归、线性回归、AdaBoost(Adaptive Boosting,自适应提升树)四种算法建立了终渣主要成分CaO、SiO₂、TFe和MgO的预测模型。通过优化调参，XGBoost终渣成分预测模型的决定系数R²均在0.8以上。溅渣时间模型采用SVR(Support Vector Regression,支持向量机回归)、LGBM (Light Gradient Boosting Machine,轻量梯度提升机回归)、GBDT(Gradient Boosting Decision Tree,梯度提升树回归)、RF(Random Forest,随机森林)和XGBoost五种算法进行建模。通过探究，将SVR、XGBoost、GBDT算法使用集成方法得到Stacking集成溅渣时间预测模型，Stacking集成溅渣时间预测模型提升了单个模型的预测效果，偏差为±20 s的预测命中率达89.95%。     

基于机器学习的转炉热损失率预测

转炉热损失率是影响物料消耗量预测精度的重要参数之一，利用某钢厂150 t转炉1 900炉次冶炼历史生产数据，在热损失率计算的基础上，采用机器学习算法实现了转炉热损失率的准确预测。预测结果表明，相比于支持向量回归(support vector regression, SVR)和随机森林(random forest, RF)算法，轻量级梯度提升机(light gradient boosting machine, LightGBM)算法的预测精度最高；考虑上炉次的影响，增加上炉次冶炼终点温度变量后，LightGBM算法的决定系数R²由0.89提高到0.93,在±0.005、±0.01范围内，热损失率预测命中率分别由85%、89%提高到90%、93%;另外，通过算法内部参数优化可进一步提高模型预测精度，对于LightGBM算法，决定系数R²和均方根误差E_RMS(root mean square error, RMSE)进一步分别达到了0.94、0.009,在±0.005、±0.01范围内热损失率预测命中率进一步分别提高到91%、...     

基于粗糙集理论与神经网络的铁水硅含量预测

摘要：高炉铁水硅含量预测对调控炉温和稳定炉况具有重要作用。基于粗糙集理论与神经网络模型对铁水硅含量进行预测。采用粗糙集理论对输入参数进行约简,得到优化的输入集,结合BP(back propagation)神经网络实现高炉硅含量的预测。同时,针对炉况波动较大情况下神经网络模型预测误差大的问题,建立波动知识库,利用kNN(k Nearest Neighbor)算法匹配识别波动炉况,对预测结果进行补偿。以国内某钢铁厂实际高炉生产数据进行验证,该方法在预测误差为±0.1％以内时预测命中率达到91.74％,可为高炉操作者判断炉况提供参考。     

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义.      

基于机器学习算法的“全三脱”工艺转炉终点预测

建立精准的转炉终点预测模型对生产效率和钢液洁净度的提升尤为重要。以首钢京唐钢铁联合有限责任公司“全三脱”工艺转炉为研究对象,对历史生产数据进行皮尔逊相关性分析,得到与转炉终点温度、碳含量最相关的15个自变量。利用BP神经网络、极限学习机(ELM)和支持向量机(SVM)3种机器学习算法分别建立了转炉终点预测模型。随后选取160组新样本数据来检验3种模型的预测精度,结果表明：SVM模型下转炉终点温度、碳含量预测模型精度更高,终点温度预测误差在±15℃内的命中率为90.6%,终点碳质量分数预测误差在±0.01%内的命中率为93.8%。另外,基于支持向量机算法建立的转炉终点预测模型,全三脱工艺比常规工艺的终点温度误差±15℃内、碳质量分数±0.01%内命中率分别提高了9.1百分点和14.4百分点。     

基于PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

基于FA-ELM的转炉终点磷含量预测模型

 转炉终点磷含量的预测对实现转炉自动出钢、缩短冶炼周期具有重要意义,为了实现转炉终点磷含量的窄窗口控制,为操作工艺提供指导,需要建立更高精度的终点磷含量预测模型。通过对冶炼工艺以及脱磷热力学的分析,选取12项影响脱磷过程的可观测指标,构建了终点磷含量预测指标体系,然后借助因子分析法(FA)对数据进行降维处理,得到6个派生变量,将其作为模型输入,终点磷含量作为模型输出,建立基于超限学习机(ELM)的终点磷含量预测模型。并将ELM模型预测结果与BP神经网络的进行对比,研究发现,ELM模型拟合度更高,回归系数R2=0.778 7,平均误差MAPE=0.106 0,并且预测误差在±0.003 0%内的炉次所占比例为86.67%。因此,相比于BP神经网络模型,ELM模型具有较高的精度和较好的泛化能力。     

基于改进人工神经网络的LF钢水终点温度预报

采用改进的人工神经网络算法,开发了40t钢包炉精炼时钢水终点温度预报模型。与传统BP网络算法相比较,改进算法可提高预测速度和精度。生产现场实验表明,传统BP神经网络算法,钢水温度预测误差±5℃的炉次仅为77%,用改进的BP神经网络算法,其误差±5℃的炉次为90%。     

转炉炼钢综合智能型静态控制模型改进与应用

为了提高转炉炼钢自动控制的水平,将理论法、增量计算法和神经元法相结合开发出了炼钢转炉综合智能型静态控制模型。在实际运行中对转炉神经网络模型进行结构优化,对增量模型参数进行实际数据修正,增加参考炉炉数,采用理论与经验模型防止神经网络模型预报结果偏离等改进措施,提高了模型的可靠性和实用性。该模型在转炉自动化炼钢实际生产中获...     

炼钢成品成分预测模型研究及工程应用

采用3层BP神经网络来预测炼钢成品的C、Si、Mn成分,根据炼钢的实际生产数据,选取铁水、废钢、供氧、吹氩、硅锰合金、增碳剂等28个因素作为输入变量,对输入参数进行归一化处理,采取附加动量项和自适应学习步长的措施,解决了BP神经网络局部收敛和学习时间过长的问题,提高了神经网络预报的准确率。并用VC 语言编写程序,软件经生产现场运用后,模型预测结果表明:在规定的误差内(C±0.02%、Si±0.05%、Mn±0.06%),预报命中率达到85%以上,证明了模型的有效性。     

利用人工神经网络系统提高转炉终点碳温双命中率

以神经网络为基础开发出一套转炉冶炼终点控制模型。模型以转炉炼钢基础理论为依据,采用误差后向传播网络——BP网络为原形,对其算法进行改进,建立两个三层BP预测神经网络,选用29个输入参数,分别对终点温度和终点碳含量进行预报。通过采集现场操作数据和实际应用,碳温双命中率达到80%以上。     

260t转炉终点磷含量预报模型的开发实践

针对邯钢集团邯宝钢铁有限公司西区炼钢厂转炉的冶炼工艺特点和生产数据,建立了基于PCA-GA-BP神经网络的转炉终点磷含量预测模型。通过主成分分析(PCA)将终点磷含量的影响因素降维,并采用遗传算法(GA)对BP神经网络的初始权重进行优化。用Java语言开发了转炉终点磷含量预测模型的软件,在炼钢厂进行了现场使用。结果表明:转炉终点钢水w(P)控制精度在±0.007%时,命中率达到96.67%;控制精度在±0.005%时,命中率达到93.33%;控制精度在±0.004%时命中率达到86.67%。     

基于BP神经网络的转炉供氧模型研究

为了准确控制转炉静态吹炼过程的供氧量,研发了基于BP神经网络的转炉供氧模型。通过分析元素之间的化学反应确定影响转炉供氧量的主要因素,根据转炉历史炉次信息对神经网络模型进行训练,并通过加入动量项和采用变步长法对模型进行改进。通过仿真以及对实际值、静态模型预测值和神经网络预测值的均方差分析,表明该模型可以更加准确地预测和确定供氧量,并具有较好的计算精度和适应能力,最终可提高静态模型的控制精度与终点命中率。     

基于孪生支持向量回归机的转炉炼钢终点预测

为了提高转炉炼钢的终点命中率,建立了一种新的转炉终点预测模型,实现了对转炉终点碳质量分数和温度的准确预测。模型采用K最近邻孪生支持向量机(KNNWTSVR)算法,将权重矩阵引入到目标函数中,并利用鲸群优化算法进行求解,提高了传统算法的性能;然后基于某炼钢厂260 t转炉的实际生产数据,建立了转炉炼钢终点预测模型。结果表明,预测模型的终点碳质量分数(误差±0.005%)和温度(误差±15 ℃)的终点单命中率分别为94%和88%,双命中率达到84%。与其他两种现有的建模方法相比,本模型取得了最优的预测效果。该方法满足转炉炼钢实际生产的需求,也可适用于钢铁冶金其他领域的数学建模。     

基于改进BP神经网络的烧结矿FeO含量预测

影响烧结矿FeO含量的因素较多且FeO含量与各因素间呈现非线性关系，预测难度较大。针对烧结矿FeO含量难以直接预测的问题，提出一种Dropout算法与Adam算法和四层BP神经网络相融合的烧结矿FeO含量预测模型。为提高烧结矿FeO含量的预测准确率，结合烧结工艺，选取与烧结矿FeO含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Dropout算法改善四层BP神经网络结构，Adam算法优化四层BP神经网络的训练过程，进而提高模型的预测精度和泛化能力。试验表明，改进的模型预测烧结矿FeO含量误差值在±0.5、±0.8和±1.0时，命中率分别达到77.42%、88.71%和96.77%。与三层BP神经网络预测模型和支持向量机回归(support vector regression, SVR)模型相比，该模型的误差更小，同时预测精度也得到显著提升。     

基于神经网络的转炉冶炼终点锰、磷静态预测算法

在国内重工业领域中,很多钢铁企业所采用的转炉大部分为最小型的转炉,由于容量有限无法对转炉冶炼结束时的锰、磷进行静态预测,进行影响了冶炼的精度。然而,传统算法用于实现锰和磷的冶炼终点。因此,充分利用最近开发的人工神经网络技术,基于Visual Basic编程语言,神经网络模型用于预测转炉冶炼结束时的锰和磷状态。针对半钢炼钢分开建立锰、磷含量、温度预测模型,确定输入层参数有37个,中间隐藏层参数有30个,输出层参数有两个3层BP神经网络。模型在30 000炉样本的基础上做数据训练,对权值、阈值进行修正,并保存100炉未训练过的学习样本作为模型网络训练依据,对转炉冶炼进行在线训练,通过训练的模型可以很好的适应转炉冶炼多变的生产条件。