基于BP神经网络的RH精炼终点钢液温度预测.pdf
《基于BP神经网络的RH精炼终点钢液温度预测.pdf》由会员分享,可在线阅读,更多相关《基于BP神经网络的RH精炼终点钢液温度预测.pdf(9页珍藏版)》请在咨信网上搜索。
1、2023 年,10 月第39 卷第5期炼钢SteelmakingOct.2023Vol.39No.5:33:基于BP神经网络的RH精炼终点钢液温度预测柴宝堂12,雷洪1-2,徐猛1-2,赵岩2(1.东北大学材料电磁过程研究教育部重点实验室,辽宁沈阳110 8 19;2.东北大学冶金学院,辽宁沈阳110 8 19)摘要:合理地控制RH精炼终点钢液温度,可以有效地保障连铸过程中拉速的稳定,明显提升铸坏的质量。为了精准预测RH精炼终点钢液温度,先采用Spearman相关系数分析各影响因素与RH精炼终点钢液温度之间的关系,筛选出相关系数较高的影响因素;然后运用SPSS软件进行主成分分析,得到一组互不相
2、关且能较好地描述RH精炼终点钢液温度的影响因素;最后分别采用粒子最优化算法、遗传算法和退火算法优化BP神经网络模型预测终点温度。计算结果表明,到站温度、进站钢水氧值、真空时间、钢中初始碳含量、钢包净空、脱碳终点氧值这些因素是RH真空精炼终点钢液温度预报的主要因素。粒子最优化算法优化BP神经网络预测RH处理终点钢液温度的温度极差最大,为2 0。该模型的均方根误差和平均绝对误差最小,分别为3.38 和2.35,且预测RH处理终点钢液温度5的命中率最高,达到9 0.0%。关键词:RH精炼;粒子最优化算法;遗传算法;退火算法;BP神经网络模型;钢液温度中图分类号:TF769.4文献标志码:A文章编号:
3、10 42-10 43(2 0 2 3)0 5-0 0 33-0 8Predicted temperature of molten steel at the end of RH refining on the base ofBP neural networkCHAI Baotangl-2,LEI Hongl2,XU Mengl-2,ZHAO Yan?1.Key Laboratory of Electromagnetic Processing of Materials,Ministry of Education,NortheasternUniversity,Shenyang 110819,Chi
4、na2.School of Metallurgy,Northeastern University,Shenyang 110819,ChinaAbstract:Appropriately control of the temperature of molten steel at the end of RH refining canensure the stability of casting speed during the continuous casting effectively,and improve the qualityof billet significantly.In order
5、 to accurately predict the temperature of molten steel at the end pointof RH refining,Spearman product-moment correlation coefficient was applied to analyze therelationship between the factors and the temperature of molten steel at the end of RH refining,andthe factors with higher correlation coeffi
6、cient were given.Then SPSS software was applied to do theprincipal component analysis in order to determine a set of independent factors to describe thetemperature of molten steel at the end of RH refining.Finally,the particle optimization algorithm,thegenetic algorithm and the annealing algorithm w
7、ere applied to optimize BP neural network model topredict the temperature of molten steel at the end point of RH refining.Numerical results showedthat,arrival RH temperature,initial concentration of oxygen in the molten steel in RH,vacuum time,initial concentration of carbon in the molten steel,head
8、 room of ladle,terminal concentration ofoxygen in the molten steel in RH were the main factors to predict the molten steel temperature at theend of RH treatment.If BP neural network optimized by particle optimization algorithm is applied topredict the molten steel temperature at the end of RH treatm
9、ent,the temperature range is themaximum,and up to 20 C.T h e v a l u e o f R M SE a n d M A E o f t h i s m o d e l a r e t h e l e a s t,a n d u p t o 3.38and 2.35 respectively.The hit rate of the molten steel temperature 5 i s t h e b e s t,a n d u p t o90.0%.Key words:RH refine;particle optimizat
10、ion algorithm;genetic algorithm;annealing algorithm;BPneural network model;molten steel temperature基金项目:国家自然科学基金与宝钢联合资助项目(U1460108)通信作者:雷洪(19 7 3一),男,博士,教授;E-mail:;收稿日期:2 0 2 2-12-15:34伴随着科技的发展,人们对炼钢的成本以及钢的洁净度、生产效率和性能有了更高的要求 门。因为RH具有真空脱气脱碳、温度补偿和合金化等多种功能,所以RH真空处理 2 逐渐成为大多数高附加值钢产品生产的重要环节。精准预测RH终点钢液温度能
11、够有效地控制RH真空处理进程、缩短真空精炼时间、提高生产效率、降低生产成本,因此RH终点温度预测成为冶金工作者关注的重点问题 3。通常,钢液温度预测主要是依靠精炼操作人员的经验,通过多次测温来判断是否需要调整工艺来保证RH终点钢液预测温度命中。这样的预测方法极不可靠,多次测温会降低生产效率,严重情况下还可能因为钢液温度过低而导致钢液报废,造成极大的经济损失 4。因此,寻找一种可以精准预测RH终点钢液温度的便捷方法十分必要。随着人工智能的日益发展,许多机器学习方法逐渐运用在冶金领域,这些机器学习方法包括神经网络 5、支持向量机 6 、极限梯度提升(eXtreme Gradient Boostin
12、g,简称 XGBoost)7、随机森林(RF)81等。林云 9 1等运用人工神经网络建立RH终点钢液温度预测模型,钢液预测温度与实际测量温度偏差在5以内的命中率为87%。郑伟 10 1等运用BP神经网络建立LF精炼终点钢液温度预测模型,模型预测误差为5时准确率为9 6.5%。这些模型均为单一的机器学习模型,预测能力有限。Bao11等运用云模型预测RH钢液终点温度,模型预测误差为10 时准确率达到9 3.32%。曹宇轩 12 等以印度比莱钢铁厂LF为研究对象,运用基于蒙特卡洛方法优化BP神经网络结构的模型预测LF终点钢液温度,模型预测误差为土5时准确率达到90.52%。以上两种模型均没有筛选出影
13、响RH与LF终点钢液温度的主要因素,造成模型计算复杂,增加模型的运行时间;最大的问题是影响RH与LF钢液终点温度的因素之间存在的较强相关关系会带来多重共线性等问题。上述文献表明提升模型命中率主要方法有:合理的筛选影响终点钢液温度的影响因素;运用优化算法优化机器学习模型。本文基于炼钢厂RH现场数据,引用大数据挖掘的相关方法对RH终点钢液温度的影响因素进行筛选。首先筛除数据库中的异常值和缺失值;然后运用Spearman相关系数筛选出与RH终点钢液温度相关度较高炼钢的影响因素;接着运用SPSS软件进行主成分分析,得到一组线性不相关且能反映原始数据特征的变量。采用经典BP神经网络和多种优化算法下BP神
14、经网络模型预测RH终点钢水温度,分析了不同预测模型的命中率、误差以及计算耗时。1数据预处理本研究的数据来源于炼钢车间RH的生产数据,数据在采集过程中会出现某些变量存在一些缺失值和异常值,这样的数据用来建模会导致模型的预测效果较差以及预测精度较低,无法得到对实际生产有帮助的预测模型。因此,为了得到预测能力较强的模型需对原始数据进行以下处理。1.1数据筛选原则1)如果影响因素中存在缺失值,就剔除相应的炉次。2)存在相同炉次的数据,会影响训练集和预测集数据的选取,影响模型的预测精度;并且多余的数据会增加模型的运行时间。因此,筛除重复的炉次。3)如果数据存在过大、过小的异常值,就运用箱线图法筛出并且删
15、除相应的炉次。基于上述三条筛选原则,从炼钢厂48 5组数据中可以筛选出439 组数据;按照训练数据与预测数据比例为3:1,筛选32 9 组数据作为训练集用于训练模型,剩下110 组数据作为预测集用于验证模型预测性能。1.2景影响因素的筛选1.2.1相关程度计算RH精炼工艺表明,影响RH终点钢水温度的因素有进站钢水温度、进站钢水的氧值、精炼时间、真空时间、总用氧量、脱碳终点氧值、铝加人量、渣厚、钢包净空、锰加人量、钢中初始碳含量。相关系数可以用来衡量多个影响因素对RH终点钢水温度的影响。常用的相关系数有Pearson相关系数和Spearman相关系数。如果绝大部分影响因素的数据服从正态分布,那么
16、选择Pearson相关系数;否则,采用 Spearman相关系数。基于32 9 组训练数据,首先采用分位数-分位数(Q-Q)图来判断每个变量的正态性。当实际分位数与标准正态分位数在一条直线上,则认为该变量数据服从正态分布;反之,不服从正态分布。图1表明,绝大部分变量不服从正态分布,因此衡量各个影响因素与终点温度相关程度的参数采用 Spearman相关系数。第39 卷第5期柴宝堂,等:基于BP神经网络的RH精炼终点钢液温度预测3520001800160014001200-5000500100015002000实测值/(a)进站钢水温度4035302520203002001000060055050
17、0450400350300300350400450500550600实测值/mmG)钢包净空Fig.1 Quantile-quantile(Q-Q)diagram of variable data两个变量X和Y的N个原始数据对(X,Y,),;为变量X的样本值经过从小到大排列后X;的序数,y为变量Y的样本值经过从小到大排列后Y;的序数。故变量X与Y的Spearman 相关系数通过式(1)得出 13)。i=1(0=1N(N2-1)8006004002002003002001000-100L2530实测值/min(d)真空时间100200实测值/kg(g)锰加入量DO62(;-y:)27060504
18、030205400600实测值/10-6(b)进站钢水氧值3540300图1各变量数据的分位数-分位数(Q-Q)图(1)8800203040506070实测值/min(c)精炼时间500400300200-1000实测值/m(e)总用氧量4003002001001000.080.0610.040.02100200实测值/kg(h)铝加入量0.020.040.060.08实测值/10-6(k)钢中初始碳含量式中:为变量X与Y的Spearman相关系数。表1给出了各影响因素与终点钢水温度的Spearman相关系数。其中,相关系数绝对值大于0.05的影响因素分别是进站钢水温度、进站钢水氧值、真空时间
19、、脱碳终点氧值、钢包净空、锰加入量、铝加人量、钢中初始碳含量。1.2.2主成分分析因为Spearman相关系数筛选出的影响因素20030040016200./161016001590158015801590160016101620实测值/()终点钢水温度2001201008060402020406080100120实测值/mm(i)渣厚300实测值/10-6(f)脱碳终点氧值40050036进站钢水温度0.469锰加人量-0.081可能存在较强相关关系,所以需要运用SPSS软件定量分析影响因素之间的相互关系,从而获得一组线性不相关且能较好地反映原始数据的影响因素。SPSS软件分析结果表明,Ba
20、rtlett球形度检验显著性概率P值为0.0 0 0,小于0.0 1;KMO统计量为0.548,大于0.5;故该组变量存在相关性,需要进行主成分分析。通过式(1)计算可得影响RH终点钢水温度的多个因素之间的Spearman相关系数,计算结果如表2 所示。相关系数的绝对值越大,表明两Table 2 Spearman product-moment correlation coefficient among influencing factors进站钢水进站钢水影响因素真空时间温度氧值进站钢水温度1进站钢水氧值-0.110真空时间-0.042钢中初始碳含量0.029钢包净空0.048脱碳终点氧值-0
21、.108锰加人量-0.161铝加入量-0.025运用主成分的方差来衡量筛选得到的主成分对原始数据的解释程度。主成分的方差为对应协方差矩阵的特值征入,第k个主成分的方差为入,定义Y为主成分的方差贡献率,其为第k个主成分占总方差的比例,表达式为:Y=X入那么前k个主成分方差累计方差贡献率Zk为:+.+入元表3将影响因素按方差贡献率的数值从大到小的次序进行自上而下的排列。为了保证筛选的主成分尽可能包含初始变量的全部信息,因此筛选出主成分的累计方差贡献率需要在8 5%以上。由表3中进站钢水温度、进站钢水氧值、真空时间、钢中初始碳含量、钢包净空,脱碳终点氧值的炼钢表1各因素与钢水终点温度的Spearma
22、n相关系数Table 1SSpearman product-moment correlation coefficient between various factors进站钢水氧值0.142铝加人量0.150表2 各影响因素之间的Spearman相关系数钢包净空碳含量-0.110-0.04210.0300.0301-0.4880.1400.095-0.1040.2210.1190.2680.3840.207-0.194(2)(3)第39 卷and end point temperature of molten steel精炼时间0.023渣厚0.045钢水初始-0.029-0.048-0.48
23、8-0.0950.140-0.1041-0.1360.1361-0.086-0.0340.1330.006-0.120-0.013累计方差贡献率为8 8.553%,超过8 5%,故以上六个影响因素为筛选得到的主成分。表3每个影响因素对应参数值Table 3 Parameter values corresponding toeach influencing factor影响因素方差贡献率/%累计方差贡献率/%进站钢水温度24.079进站钢水氧值18.357真空时间13.239钢中初始碳含量11.933钢包净空11.735脱碳终点氧值9.210锰加人量6.100铝加量5.3461.3数据归一化利用
24、式(4)将筛选出的影响因素的所有数据真空时间0.146钢包净空-0.084者之间的相关性越强。正相关系数表明其呈正相关;负相关系数表明其呈负相关。部分相关系数(例如进站钢水氧值和钢中初始碳含量之间的相关系数、进站钢水氧值和铝加人量之间的相关系数、真空时间和锰加人量之间的相关系数、脱碳终点氧值和锰加入量之间的相关系数)的绝对值均大于0.2。其中,进站钢水氧值和钢中初始碳含量之间的相关系数接近0.5,表明这两个因素之间具有中等的负相关关系。脱碳终点锰加人量铝加人量氧值-0.108-0.1610.2210.2680.1190.384-0.086-0.133-0.0340.00610.2880.288
25、10.1550.09424.07942.43655.67667.60879.34388.55394.554100总用氧量0.009钢中初始碳含量-0.053脱碳终点氧值0.068-0.0250.207-0.194-0.120-0.0130.1550.0941第5期归一化处理。=max(;)一min(c;)式中:;为输入的特征变量。2BP及优化BP建模方法2.1BP神经网络2.1.1BP算法原理BP神经网络 14 是19 8 6 年Rumelhart和McCelland提出的通过误差反向传播算法进行训练的多层前馈网络。在BP神经网络 15 的正向传递过程中,每个节点的输出值都是根据上一层所有节点
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 BP 神经网络 RH 精炼 终点 温度 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。