-
题名基于集成学习的转炉吹炼终点磷锰预测模型
被引量：3
- 1
-
-
作者
黄一鑫
赵自鑫
钟良才
于海岐
刘承军
-
机构
东北大学冶金学院
鞍钢股份有限公司鲅鱼圈钢铁分公司
-
出处
《炼钢》
CAS
北大核心
2023年第6期15-22,共8页
-
基金
国家自然科学基金资助项目(U21A20117,51574069)
中央高校基本科研业务专项资金资助项目(N2125018)
科技部国家重点研发计划资助项目(2017YFB0304100)。
-
文摘
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%、±0.0015%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%。
-
关键词
转炉吹炼
终点磷预测
终点锰预测
机器学习
集成算法
数据驱动模型
-
Keywords
converter blowing
endpoint phosphorus prediction
endpoint manganese prediction
machine learning
integrated algorithm
data driven model
-
分类号
TF711
[冶金工程—钢铁冶金]
-
-
题名基于SSA−LSTM的转炉炼钢终点锰含量预测
- 2
-
-
作者
马帅印
高丽丽
贺锦峰
殷磊
张茜
胥军
-
机构
西安邮电大学计算机学院
西安邮电大学陕西省网络数据分析与智能处理重点实验室
西安邮电大学西安市大数据与智能计算重点实验室
西安邮电大学陕西省“四主体一联合”
敬业钢铁有限公司
西安电子科技大学机电工程学院
中国电子科技集团公司第十研究所
西安电子科技大学广州研究院
-
出处
《工程科学学报》
EI
CSCD
北大核心
2024年第10期1764-1775,共12页
-
基金
陕西省科学技术厅资助项目(2022JQ-376)
陕西省教育厅资助项目(22JK0567)
+2 种基金
陕西省普通高等学校重点学科专项资金建设项目
西安邮电大学研究生创新基金资助项目(CXJJYL2022081)
中央高校基本科研业务费专项资金资助项目(XJSJ23095)。
-
文摘
锰是钢铁中重要的合金元素,加入适量锰元素能提高钢铁的性能.在转炉炼钢过程中锰元素的含量直接影响钢铁质量,锰元素加入过少会导致钢铁产品的硬度和强度不足,锰元素加入过量会导致钢铁过脆和生产成本增加.因此,合适的锰元素添加量对提升钢铁质量与减少冶炼成本具有重要意义.转炉炼钢过程中锰元素的添加量主要通过终点锰预测的结果来确定,然而,终点锰含量多少受到多个因素的综合影响,其中包括氧化反应进程和合金中其他元素的添加量,影响因素呈现非线性、高耦合的特征,导致终点锰预测难度大.针对转炉炼钢终点锰预测过程中数据有含噪声、强耦合性等问题,提出了一个转炉炼钢终点锰含量预测研究架构,基于长短期记忆网络(Long Short-term memory,LSTM)预测模型,引入奇异谱分析(Singular spectral analysis,SSA)方法去除终点锰预测过程中非线性、非平稳序列的高频噪声,提出了一种基于SSA−LSTM的终点锰含量预测方法.利用河北敬业钢铁有限公司转炉炼钢生产数据验证所提预测方法的平均绝对误差为1.19%,均方根误差为1.48%.结果表明,该方法能够解决数据存在较多噪声及非线性等问题;与已有的时间序列预测方法相比,经过SSA处理的预测误差均有所减小,证明了该方法的有效性,为实际生产过程中精准加入合金提供了依据.
-
关键词
转炉炼钢
终点锰预测
奇异谱分析
长短期记忆网络
预测方法
-
Keywords
converter steelmaking
end-point manganese content
singular spectrum analysis
long short-term memory network
prediction methods
-
分类号
TF723
[冶金工程—钢铁冶金]
-
