基于数据驱动的转炉耗氧量模型研究

基于45 t转炉炼钢实际生产数据,通过数据预处理和互信息(MI)法进行特征选择,采用贝叶斯算法(BOA)优化BP神经网络模型、支持向量回归机(SVR)模型和LGBM模型的参数,预测转炉吹炼的耗氧量。用1 176炉的实际生产数据对模型进行训练,504炉的数据用于验证模型的预测效果。结果表明,在预测的氧气体积偏差分别为±50、±40、±30 m³的范围下,LGBM模型的预测命中率分别为94.04%、85.91%、76.58%。与SVR模型和BP神经网络模型相比较,LGBM模型有着更高的预测精度和稳定性以及更强的泛化能力。     

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。     

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。     

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。     

转炉冶炼终点磷的预报模型

根据现场的冶炼工艺和生产数据，研究了转炉冶炼终点磷的预报方法；采用机理模型和偏最小二乘模型分析了终点磷的影响因素；建立了基于偏最小二乘回归的转炉终点磷的预报模型。结果表明，训练样本在终点磷的绝对误差为±0.003%，在控制精度范围内命中率达87.26%，测试样本在此精度范围内的命中率达到8627%。     

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.      

基于集成学习的转炉炼钢供氧量预测模型

针对大多数中小型转炉无法使用动态模型的现状，基于3种不同集成方式的集成学习算法(随机森林、XGBoost和stacking集成)建立了转炉炼钢供氧量预测模型。通过理论基础和相关性分析确定了模型的输入变量；利用五数概括法与孤立森林算法进行数据预处理；结合5折交叉验证和网格搜索方法确定模型的最佳参数。最后通过对比3种集成学习算法的预测结果，表明stacking集成模型的预测性能最好，供氧量在±200、±300 m³精度下的命中率分别为84.04%、95.11%,均方根误差(RMSE)为147.31。     

基于炉口火焰多光谱分析技术预报转炉终点碳的研究

利用多光谱复合分析技术,设计开发了远距离、非接触式转炉炉口火焰碳谱线分析技术和装置,预报转炉熔池钢液碳含量。该技术通过分析转炉主吹过程炉口火焰碳谱线的变化规律,找出了炉口火焰多光谱光强分布图样与转炉熔池钢液碳含量的对应关系,建立了转炉冶炼过程熔池碳含量的实时预报模型。该装置在某钢厂70t转炉上进行了试验,按照终点[C]≤0.05%±0.02%、0.05%~0.15%±0.03%和0.15%±0.05%三个范围内预报精度,预报命中率分别为83.8%、80.1%和85.6%,研究表明,转炉冶炼过程的装入制度、造渣制度以及供氧制度对终点碳预报基本没有影响。     

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%。     

K-OBM-S转炉冶炼不锈钢过程的数学模拟和应用

K-OBM-S转炉是以铁水和电弧炉预熔钢液为原料冶炼不锈钢的精炼设备。以转炉冶炼普碳钢的顶吹模型和AOD法冶炼不锈钢模型为基础,建立了适用于80 t K-OBM-S转炉冶炼不锈钢的数学模型。对二步法冶炼2Cr13型不锈钢和三步法冶炼0Cr18Ni9型不锈钢的过程验证结果表明,大部分终点碳含量的误差≤±0.03%,终点铬含量误差≤±0.3%,110炉0Cr18Ni9钢目标碳(0.10%～0.25%)命中率为95.6%,终点目标铬(17.1%17.6%)的命中率为85.2%。     

KR-BOF-RH流程高牌号无取向硅钢W310超低硫冶炼研究与实践

高牌号无取向硅钢W310成品硫含量一般要求小于0.0025%。基于“KR铁水脱硫→顶底复吹转炉→RH真空炉→连铸”制造流程，分析研究了KR深脱硫、转炉冶炼、RH喷粉脱硫机理，结合300 t炼钢系统工况及原料条件，提出了铁水成分、温度优化，KR、RH脱硫剂成分调整，转炉热平衡控制、强底吹冶炼，工序硫负荷管控等热力学、动力学条件改善措施。应用表明：优化后KR一次处理硫含量小于15×10^-6炉次比例由69%提升到100%,处理后硫含量由10.48×10^-6下降到7.07×10^-6;转炉终点平均硫含量20.10×10^-6,过程回硫13.03×10^-6,较优化前分别降低44.8%、49.8%;RH钢液硫含量由19.50×10^-6降至8.65×10^-6,脱硫剂用量减少55.9%,硫含量小于25.00×10^-6比例由90.5%提升到100%,取得了良好的效果     

机理和数据混合驱动的RH脱碳建模方法

RH精炼是冶炼超低碳钢的重要工序之一，其中碳含量的控制尤为重要。为提高RH脱碳模型计算的精准度和应用的泛化性，提出一种机理和数据混合驱动的RH脱碳模型构建方法。首先，为更贴近实际生产过程的吹氧操作，采用即时学习算法预测RH脱碳过程的吹氧量；然后，针对脱碳方程中不同地点的脱碳量引入权值参数，结合历史数据通过即时学习算法确定参数值；最后，将权值参数代入脱碳机理模型，实现机理和数据混合驱动的碳含量预测。相较于传统机理模型，机理和数据混合驱动的RH脱碳模型具有更高的预测精度，吹氧量预测误差在±10 m³以内的命中率为89%;碳质量分数预测误差在±5×10^-6以内的命中率为100%,误差在±3×10^-6以内的命中率为78%,模型可为现场操作人员提供参考。     

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%。     

基于混合策略的转炉终点锰含量预测研究

摘要：转炉终点钢水锰含量预测,对原料添加和冶炼成本节约具有重要作用。针对凭经验预估的终点锰含量值与实际值较大偏差导致的生产成本升高的问题,建立了一种基于混合策略的改进型鲸鱼优化算法(IWOA)与最小二乘向量机(LSSVM)的转炉终点锰含量预测模型,引入柯西变异提高鲸鱼优化算法(WOA)跳出局部最优的能力;借助惯性权重增强鲸鱼算法局部搜索能力和收敛精度;提出差分变异以增加鲸鱼算法在探索末期的物种多样性和降低陷入局部最优概率。实验结果表明,IWOA LSSVM锰含量预测模型不仅在全局和局部寻优以及收敛速度有较大的提升,在误差性能指标方面优势明显,且预测误差于±0.01%间的命中率为93.3%。     

改进的TSVR转炉终点预测模型研究

准确的预测转炉炼钢终点碳含量和终点温度,对于提高钢的生产效率具有重要意义。建立了一种基于加权拉格朗日ε-孪生支持向量回归机（WL-ε-TSVR）的转炉终点预测模型。根据采集到的某钢厂260 t转炉的实际生产数据,将450组样本用于模型的训练,50组样本用于测试模型的准确性。仿真结果表明,预测误差碳含量控制在±0.005%范围,终点温度控制在±10℃范围,模型的命中率分别达到88%和92%;另外,双命中率达80%。所建模型具有较高的精度,能够更好的满足钢厂的生产需求。     

应用改进的神经网络模型预报转炉冶炼终点

准确预报转炉冶炼终点的钢水温度与碳含量对提高转炉终点命中率具有重要意义。针对现有多层前馈网络学习算法的不足,基于BP模型提出一种改进算法,建立了复吹转炉冶炼终点的预报模型,并与BP模型的预测结果进行了统计比较。研究表明,改进后的模型能够对冶炼终点进行良好的预报。采用单节点输出模型对终点钢水碳含量与温度分别进行预报,预测误差w(Δ[C])<±0.03%的命中率达97.22%,Δt<±12℃的命中率为94.44%。还建立了神经网络双节点输出模型对转炉终点钢水碳含量及温度同时进行预报,误差Δt<±15℃、w(Δ[C])<0.03%的双命中率为76.92%。     

利用炉气分析进行转炉钢水连续定碳

介绍了本溪板材股份有限公司从美国引进的 15 0t转炉炉气分析系统及其在钢水连续定碳中的应用。研究表明 ,炉气中CO、CO2 和N2 含量在冶炼周期中的变化 ,对判断转炉冶炼终点有指导作用。本文作者开发的cubic曲线拟合模型对含碳量低于 0 .10 %的炉次 ,其精度在± 0 .0 2 %以内的命中率在 95 %以上 ,而对含碳量大于 0 .15%的炉次则误差较大     

转炉CaO渣系加锂云母矿冶炼超低磷钢的热力学分析和工业试验

通过共存理论计算和热力学分析得出添加锂云母矿形成的CaO-MgO-FeO-Li₂O-Na₂O-K₂O-SiO₂-P₂O₅复合脱磷渣的渣-钢磷分配比Lp明显高于CaO-MgO-FeO-SiO₂-P₂O₅基本渣系,并确定锂云母矿的加入最佳时期是转炉吹炼前期。10炉120 t转炉冶炼的超低磷钢的结果表明,与未加锂云母矿的炉次相比,加锂云母矿可以使半钢[P]快速降低至0.044%以下,并且半钢脱磷率和磷分配比Lp分别从40.62%和13.13提高到67.71%和36.89,使转炉平均终点脱磷率和磷分配比Lp分别从92.35%和130.7提高到94.85%和191.9,转炉终点[P]可以控制在0.005%~0.007%,[P]的命中率100%,此复合渣系满足超低磷钢生产要求。     

基于鲸鱼算法优化BP神经网络的结晶器液面波动的预测

在连铸过程中，结晶器液面波动是限制连铸速度和铸坯质量的关键参数之一，因此，液面波动行为的准确预测一直是冶金学者的研究重点。基于此，本文利用Python对结晶器液面波动的振幅值进行预测。首先，选取中间包的质量、塞棒的位置、拉力和结晶器振动作为模型的输入，对数据快速傅里叶变换和归一化处理。然后，构建4×3×1的反向传播(back propagation, BP)神经网络模型，并利用鲸鱼算法(whale optimization algorithm, WOA)对初始权值和阈值优化。通过训练预测，相比BP神经网络，WOA-BP神经网络能较好地对结晶器液面波动进行预测，且预测值与结晶器液面波动振幅吻合较好，拟合决定系数(R²)为0.841 4;当振幅偏差为±0.02时，命中率可达到91%。