基于案例推理的钢水温度在线管控模型

钢水温度的精确管控有利于提高铸坯质量和降低生产成本。针对目前炼钢—连铸区段钢水温度在线管控方面存在的不足,在分析钢水温度影响因素的基础上,建立了基于案例推理的炼钢—连铸区段钢水温度在线管控模型。同时通过调整案例推理算法的相似度计算方法、权重计算方法、重用案例个数等参数提高模型的精度。结果表明:转炉出钢温度预定模型平均降低转炉出钢温度6℃,精炼结束温度预定模型提高连铸开浇温度命中率2.33%。精炼开始温度,精炼结束温度和连铸开浇温度预报模型误差小于10℃的命中率分别达到75.33%、98.33%和95.67%,且均高于神经网络模型。     

基于数据驱动的转炉二吹阶段钢水温度动态预测模型

转炉钢水温度是转炉终点控制的工艺参数之一,精确的钢水温度预测对转炉终点控制具有重要的指导意义。然而,以往的大多数转炉终点预测模型属于静态模型,只能够实现对转炉吹炼终点钢水温度的预测,无法实现动态预测,导致模型的作用有限。针对该问题,提出了一种基于数据驱动的转炉二吹阶段钢水温度动态预测模型。模型先通过新案例主吹阶段的工艺参数,基于案例推理算法找到历史案例库中相似案例。再利用相似案例的二吹阶段工艺参数并基于长短期记忆网络（Long short-term memory,LSTM）算法训练工艺参数与钢水温度的变化关系。然后利用训练好的LSTM模型,计算新案例二吹阶段的钢水温度变化。最后,利用某钢厂实际生产数据,研究了不同重用案例个数及神经元个数对模型预测精度的影响,实验结果表明:模型在重用案例个数为4,神经元个数为10时模型的预测精度最高,此时模型对钢水温度的预测误差在[?5 ℃, 5 ℃]、[?10 ℃,10 ℃]和[?15 ℃,15 ℃]的命中率分别达到40.33%、68.92%和88.33%,模型的性能高于传统二次方模型和三次方模型。