转炉终渣成分和溅渣时间数据驱动预测模型开发.pdf

1、基金项目:中央高校基本科研业务专项资金资助项目(N );国家自然科学基金资助项目();科技部国家重点研发计划资助项目(Y F B )通信作者:钟良才(),男,博士,教授;E m a i l:z h o n g l c c o m;收稿日期:转炉终渣成分和溅渣时间数据驱动预测模型开发洪科,赵自鑫,钟良才,于海岐,刘承军(东北大学 冶金学院,沈阳 ;鞍钢股份有限公司 鲅鱼圈钢铁分公司,辽宁 营口 )摘要:基于 t转炉实际生产数据,通过机器学习算法X G B o o s t(e X t r e m eG r a d i e n tB o o s t i n g,极限梯度提升树)、弹性回归、线性回归、

2、A d a B o o s t(A d a p t i v eB o o s t i n g,自适应提升树)四种算法建立了终渣主要成分C a O、S i O、T F e和M g O的预测模型.通过优化调参,X G B o o s t终渣成分预测模型的决定系数R均在 以上.溅渣 时间 模型 采 用S V R(S u p p o r tV e c t o rR e g r e s s i o n,支 持 向 量 机 回 归)、L G B M(L i g h tG r a d i e n tB o o s t i n gM a c h i n e,轻量梯度提升机回归)、G B D T(G r a d

3、 i e n tB o o s t i n gD e c i s i o nT r e e,梯度提升树回归)、R F(R a n d o mF o r e s t,随机森林)和X G B o o s t五种算法进行建模.通过探究,将S V R、X G B o o s t、G B D T算法使用集成方法得到S t a c k i n g集成溅渣时间预测模型,S t a c k i n g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 s的预测命中率达 .关键词:转炉;溅渣护炉;终渣成分;溅渣时间;预测模型;机器学习中图分类号:T F 文献标志码:A文章编号:()D e v e l o p

4、m e n t o fd a t ad r i v e np r e d i c t i o nm o d e l f o r e n d p o i n t s l a gc o m p o s i t i o na n ds l a gs p l a s h i n g t i m eo f c o n v e r t e rH O N GK e,Z H A OZ i x i n,Z H O N GL i a n g c a i,Y UH a i q i,L I UC h e n g j u n S c h o o l o fM e t a l l u r g y,N o r t h e

5、a s t e r nU n i v e r s i t y,S h e n y a n g ,C h i n a B a y u q u a nI r o na n dS t e e lC o m p a n y,A n g a n gS t e e lC o,L t d,Y i n g k o u ,C h i n aA b s t r a c t:B a s e do nt h ea c t u a lp r o d u c t i o nd a t ao f tc o n v e r t e r,p r e d i c t i o nm o d e l so ft h em a i n

6、c o m p o n e n t so f e n d p o i n t s l a g,C a O,S i O,T F ea n dM g O,w e r ee s t a b l i s h e d t h r o u g h f o u r a l g o r i t h m so fm a c h i n el e a r n i n ga l g o r i t h m,X G B o o s t(e X t r e m e G r a d i e n tB o o s t i n g),e l a s t i cr e g r e s s i o n,l i n e a rr

7、e g r e s s i o na n dA d a B o o s t(A d a p t i v eB o o s t i n g)B yo p t i m i z i n gt h ep a r a m e t e r s,t h ed e t e r m i n a t i o nc o e f f i c i e n t sRo fX G B o o s te n d p o i n ts l a gc o m p o s i t i o np r e d i c t i o nm o d e l i sa l la b o v e T h es l a gs p l a s h

8、i n gt i m em o d e lw a sm o d e l e du s i n g f i v ea l g o r i t h m s:S V R(S u p p o r tV e c t o rR e g r e s s i o n),L G B M(L i g h tG r a d i e n t B o o s t i n gM a c h i n e),G B D T(G r a d i e n tB o o s t i n gD e c i s i o nT r e e),R F(R a n d o mF o r e s t)a n dX G B o o s t,r

9、e s p e c t i v e l y T h e n,t h ei n t e g r a t e ds l a gs p l a s h i n gt i m e m o d e l w a so b t a i n e db yi n t e g r a t i n gS V R,X G B o o s ta n dG B D T S t a c k i n gi n t e g r a t e ds l a gs p l a s h i n gt i m em o d e l i m p r o v e st h ep r e d i c t i o ne f f e c t o

10、f e a c hs i n g l em o d e l,a n d t h ep r e d i c t i o nh i t r a t e i s i n t h ee r r o r r a n g eo f s K e yw o r d s:c o n v e r t e r;s l a gs p l a s h i n g;e n d p o i n ts l a gc o m p o s i t i o n;s l a gs p l a s h i n gt i m e;p r e d i c t i o nm o d e l;m a c h i n e l e a r n i

11、 n g溅渣护炉是 世纪 年代兴起的一项保护转炉炉衬、提高炉龄的技术.此技术可以大幅度提高转炉的炉衬寿命、减少炼钢耐火材料的消耗、节约资源、提高了转炉的利用率和生产能力.影响转炉溅渣护炉效果的因素主要是终渣成分、终渣量、终渣温度和溅渣时间.炉渣氧化性过高、炉渣M g O未达到饱和、炉渣温度高时炉渣熔化温度低,不利于溅渣护炉.溅渣时间是溅渣护炉的重要工艺参数,在很大程度上炉身溅渣量可以通过控制溅渣时间来控制溅渣层厚度.溅渣时间与 年月第 卷 第期炼钢S t e e l m a k i n gA u g V o l N o 终渣成分、终渣量以及出钢温度有很大的关系.目前溅渣时间大多还是通过人工经验

12、判断,取得的溅渣护炉效果受经验影响较大,因此能够准确预知溅渣时间对于提高转炉溅渣护炉效果具有重要意义.随着人工智能的高速发展,冶金行业智能模型的使用越来越普遍,将机器学习用于转炉炼钢建模取得了很多优秀的研究成果.彭开香等提出了一种基于即时学习的动态终点预测方法.在即时学习的框架下,分别构建局部回归模型,最后通过集成学习输出各个局部模型的预测结果.经过不断优化,使得终点温度在 内命中率为 ,终点碳质量分数在 内命中率为 .杨仕存等基于S V R、L G B M、B P神经网络建立了转炉耗氧量模型,通过贝叶斯优化,得到耗氧量的绝对误差在 m内,L G B M算法耗氧量模型的命中率为 ,在 m内,命

13、中率为 .柯凯等通过X G B o o s t和R F算法对转炉供氧量建立预测模型,之后将R F与X G B o o s t算法的预测结果使用S t a c k i n g集成方法,在第二层使用线性回归算法集成后得到最优预测结果,在供氧量 m、m精度下,命中率分别为 、.冶金工作者开发了不少转炉终点钢水成分和温度智能模型,但转炉终渣成分和溅渣时间的智能模型未见有报道.本文以 t转炉实际生产 数 据 为 基 础,首 先 采 用X G B o o s t(e X t r e m eG r a d i e n tB o o s t i n g,极限梯度提升树)、弹性回归、线性回归、A d a B o

14、 o s t(A d a p t i v eB o o s t i n g,自适应提升树)四种算法对转炉炉渣S i O、C a O、M g O、T F e这种主要成分建立预测模型.之后分别使用S V R(S u p p o r tV e c t o rR e g r e s s i o n,支持向量机回归)、L G B M(L i g h tG r a d i e n tB o o s t i n gM a c h i n e,轻量梯度提升机回归)、G B D T(G r a d i e n tB o o s t i n gD e c i s i o nT r e e,梯度提升树回归)、R F

15、(R a n d o mF o r e s t,随机森林)和X G B o o s t算法建立溅渣时间预测模型,最后通过S t a c k i n g集成方法建立溅渣预测时间模型.终渣成分预测模型经过探索研究,终渣成分模型采用X G B o o s t、弹性回归、线性回归、A d a B o o s t四种算法进行对比建模.X G B o o s t和A d a B o o s t算法是将多个弱回归器进行合理的结合,使其成为一个强回归器;弹性回归算法在构造损失函数时同时使用了L 和L 先验正则化矩阵;线性回归算法是完全由线性变量组成的回归模型,即输出是输入变量的线性组合.数据经过预处理后共有

16、组数据.将数据集按 的比例划分为训练集和测试集用于转炉终渣成分模型的训练和测试,即其中 组数据作为训练集对数据进行训练,剩余 组数据作为测试集进行预测.为了便于将一炉的S i O、C a O、M g O、T F e四种主要终渣成分均完成预测,将数据集的第到 行划分为训练集,第 到 行划分为测试集.从冶金原理出发,炉渣作为转炉冶炼的副产物,其成分明显受转炉冶炼条件的影响.铁水、废钢和氧气是转炉冶炼的主要原料,石灰和轻烧白云石作为造渣剂,对炉渣中S i O、C a O、M g O、T F e含量有显著影响.模型中S i O含量、C a O含量、M g O含量采用的特征变量为铁水C含量、S i含量、

17、M n含量、P含量、S含量,废钢加入量,铁水加入量,耗氧量,出钢温度,石灰加入量,轻烧白云石加入量.在转炉冶炼中,渣中T F e含量与终点C含量有关,在T F e模型终将终点C含量作为特征.所以T F e含量采用的特征变量为铁水C含量、S i含量、M n含量、P含量、S含量,废钢加入量,铁水加入量,耗氧量,出钢温度,终点C含量.各个变量的数据信息见表.不同终渣成分预测模型预测结果R对比如表所示,可知X G B o o s t终渣成分预测模型的决定系数R均在 以上,表明X G B o o s t终渣成分预测模型预测效果较好,可以使用预测结果作为特征变量预测溅渣时间.取炉渣成分测试集全部 炉次绘制

18、散点图如图所示,可以观察出终渣w(S i O)预测与实际误差大于的有 炉,w(C a O)预测与实际误差大于的有 炉,w(M g O)预测与实际误差大于的有 炉,w(T F e)预测与实际误差大于的有 炉.炉渣成分模型的预测值均比较集中分布于拟合直线周围,表明模型的预测误差较小,精度较高.溅渣时间预测模型与结果分析溅渣时间预测模型特征变量包括铁水C含量、S i含量、M n含量、P含量、S含量,废钢加入量,铁水加入量,出钢温度,耗氧量,渣量,渣碱度,炼钢第 卷表终渣成分模型变量数据信息T a b l eD a t a i n f o r m a t i o no fv a r i a b l e

19、 so f e n d p o i n t s l a gc o m p o n e n tm o d e l s项目铁水wB/CS iM nPS出钢温度/废钢量/t铁水量/t白云石量/t石灰量/t平均值 最大值 最小值 方差 项目耗氧量/m终点w(C)/终渣wB/S i OC a OM g OT F e平均值 最大值 最小值 方差 表不同终渣成分预测模型预测结果的R对比T a b l eC o m p a r i s o no fRo fp r e d i c t i o nr e s u l t s f r o md i f f e r e n te n d p o i n t s l a

20、 gc o m p o s i t i o np r e d i c t i o nm o d e l s终渣组元X G B o o s t弹性回归线性回归A d a B o o s tS i O C a O M g O T F e 炉渣C a O含量、S i O含量、T F e含量、M g O含量.其中渣量使用物料平衡计算得出.溅渣时间预测模型的训练集使用实际数据,测试集中炉渣成分使用前面终渣成分模型预测结果进行模型测试.将前述渣成分的测试集添加进数据集后共有 组数据,前 组数据为训练集,后 组数据为测试集,测试集比例为 .溅渣时间以及渣量数据信息如表所示.图X G B o o s t终渣成

21、分预测模型预测值与实际值比较F i g C o m p a r i s o nb e t w e e np r e d i c t e da n da c t u a l o fX G B o o s te n d p o i n t s l a gc o m p o s i t i o np r e d i c t i o nm o d e l第期洪科,等:转炉终渣成分和溅渣时间数据驱动预测模型开发表溅渣时间以及渣量数据信息T a b l eD a t a i n f o r m a t i o no fs l a gs p l a s h i n gt i m ea n ds l a ga

22、 m o u n t项目溅渣时间/s渣量/t平均值 最大值 最小值 方差 集成学习是通过一定的方式组合多个弱学习器,构造出比单一学习器性能更好的强学习器.常见 的 集 成 学 习 方 法 有B a g g i n g、B o o s t i n g和S t a c k i n g等.B a g g i n g和B o o s t i n g采用线性集成策略,组合同质弱学习器形成 强学习器.与B a g g i n g和B o o s t i n g不同的是,S t a c k i n g采用非线性集成策略,通过组合异质学习器构成强学习器,通常采用两层学习器组合,第层学习器能够通过初级学习器的输

23、出结果对模型进一步泛化增强.S t a c k i n g集成模型的建模流程如图所示.详细的算法步骤描述如下:将选择出的N个初级学习器分别采用折交叉验证进行训练.以初级学习器为例,将经过预处理的数据集随机划分为训练集和测试集,其中训练集划分为份大小相等的训练子集.使用其中的份训练子集作为初级学习器的训练集,剩下的份作为初级学习器的验证集.训练好的初级学习器由验证子集得到相应的模型验证输出v、v、v、v、v,组合成一个验证输出集合V,对N个初级学习器进行训练和验证,共得到N个验证输出集合V、V、V N.将测试集输入到训练好的初级学习器,得到由组测试子集输入模型而得到的测试输出t、t、t、t、t,

24、组合成一个测试输出集合T.对N个初级学习器进行测试,共得到N个验证输出集合T、T、T N.将初级学习器的验证输出集合与测试输出集合分别组合成为第层学习器的训练集和测试集,分别输入至第层学习器中进行学习器的训练和测试,最终建立S t a c k i n g集成模型.图采用折交叉验证的S t a c k i n g集成模型建模流程F i g P r o c e s so fS t a c k i n g i n t e g r a t i o nm o d e l s e t u pw i t hf i v ef o l dc r o s sv a l i d a t i o nS t a c k

25、 i n g集成模型在选择初级学习器时,既要分析每个初级学习器的单独预测能力,同时也要综合比较各个初级学习器的组合效果,使得S t a c k i n g集成学习模型获得最佳预测效果.学习能力强的初级学习器有助于S t a c k i n g集成模型预测效果的提升,单独预测性能非常好的初级学习器能在很大程度上提升S t a c k i n g集成模型的最终预测性能,因此要尽量选择学习能力强的初级学习器.另外要尽可能选择差异性较大的模型作为初级学习器,才能最大程度地综合不同算法的优势.炼钢第 卷本文中溅渣时间预测模型采用S V R、L G B M、G B D T、R F和X G B o o s

26、t五种算法进行建模.各个模型的MA E如表所示.由表可知,种模型中,S V R溅渣时间预测模型MA E最小,模型的预测效果最好,学习能力最强.X G B o o s t和L G B M算法的MA E较小,在 左右.表五种溅渣时间预测模型MA E对比T a b l eC o m p a r i s o no f f i v es l a gs p l a s h i n gt i m ep r e d i c t i o nm o d e l sM A ES V RL G B MG B D TR FX G B o o s t 将各个初级学习器单独进行溅渣时间预测所产生的预测误差作为衡量各初级学习

27、器差异性的指标.初级学习器之间的差异性可以使用相关系数来表示,本文使用P e a r s o n(皮尔逊)相关系数分析不同模型的差异性.P e a r s o n相关系数的计算式如下:x ynixix()yiy()nixix()niyiy()()式中:xi和yi分别为初级学习器x和y预测的溅渣时间误差;x和y分别为初级学习器x和y的预测溅渣时间误差均值.根据各初级学习器溅渣时间预测误差结果和式()计算得到的结果,画出各初级学习器之间的相关性矩阵热力图,如图所示.热力图上的数字代表各初级学习器之间的P e a r s o n相关系数,初级学习器之间的P e a r s o n相关系数越接近,差异

28、性越强;反之,初级学习器之间的P e a r s o n相关系数越接近,差异性越弱.图各初级学习器之间相关性矩阵热力图F i g H e a t m a po f c o r r e l a t i o nm a t r i xb e t w e e nm o d e l s由图可看出各个初级学习器之间的相关性有明显差异,这是因为这几个算法的训练机理不同.R F算法以决策树为基学习器构建B a g g i n g集成学习模型.而X G B o o s t、L G B M、G B D T算法以C A R T树为基学习器构建B o o s t i n g集成学习模型.S V R算法通过最大化间隔带

29、的宽度与最小化总损失来优化模型.在上述 研 究 基 础 上 设 计 不 同 组 合 方 式 下S t a c k i n g集成模型的预测效果,选择单模型中性能表现最好的S V R模型以及与S V R模型差异性最强的G B D T模型作为初级学习器,再组合其余模型选择评估指标表现最好的组合构成初级学习器.第层学习器一般选择泛化能力较强的模型,以降低过拟合.上述学习器中R F通过降低方差来提高模型预测性能,L G B M通过不断迭代弱学习器来提高模型预测精度,两者均是泛化能力较 强 的 模 型.因 此 本 文 对 比 使 用R F、L G B M作为候选第层学习器.构建S t a c k i n

30、 g集成溅渣时间预测模型时,使用折交叉验证分别训练初级学习器,每次交叉验证的预测结果取平均值后作为此初级学习器的预测结果.在第层,将每个初级学习器训练集组合作为第层学习器的训练集,初级学习器的预测数据集组合作为第层 学 习 器 的 测 试 集,建 立 不 同 组 合 的S t a c k i n g集成模型,得到的预测结果如表所示.表不同模型组合后的预测效果T a b l eP r e d i c t i o ne f f e c t a f t e rc o m b i n a t i o no f d i f f e r e n tm o d e l s组合初级学习器第层学习器RRM S

31、ES V RG B D TL G BM S V RG B D TR F S V RG B D TX G B o o s tL G BM S V RG B D TR FL G BM S V RG B D TL G BML G BM S V RG B D TX G B o o s t L G BML G BM 根据表,不同组合方式下S t a c k i n g集成溅渣时间预测模型的预测效果有着明显的差异.组合方式的 预 测 效 果 优 于 组 合 方 式,说 明L G B M算法作为第层学习器比R F算法性能更好,更有利于提高模型的泛化能力.组合方式的预测效果优于组合方式,这是因为R F溅渣时间

32、预测模型MA E大于X G B o o s t溅渣时间预测模型,R F溅 渣 时 间 预 测 模 型 的 学 习 能 力 较 弱.组 合方式的预测效果优于组合方式、,这是第期洪科,等:转炉终渣成分和溅渣时间数据驱动预测模型开发因为 组 合 方 式、中,初 级 学 习 器 已 经 存 在L G B M算法,第层学习器也是L G B M算法,导致数据被反复训练,增加了过拟合的风险,降低了模型的泛化能力.综合上述探究,组合为最佳组合方式.表为不同溅渣时间预测模型预测结果对比.由表可知,S t a c k i n g集成溅渣时间预测模型的决定系数R最高,为 ,均方根误差RM S E同样也是最低为 .在

33、模型评估指标上S t a c k i n g集成溅渣时间预测模型表现最好,所以S t a c k i n g集成模型的预测值比其他种模型更接近实际值,预测精度最高.在 s内命中率最高为S t a c k i n g集成模型,为 ,其次为S V R溅渣时间预测模型,其命中率为 .表各模型溅渣时间预测效果对比T a b l eC o m p a r i s o no f s p l a s h i n gt i m ep r e d i c t i o nf r o md i f f e r e n tm o d e l s算法RRM S E s内命中率/s内命中率/S V R L G B M X

34、 G B o o s t R F G B D T S t a c k i n g 取溅渣时间种预测模型测试集全部 炉次绘制预测值与实际值散点图,如图所示.由图可以看出误差大于 s的炉次,S V R模型有 炉,X G B o o s t模 型 有 炉,R F模 型 有 炉,图溅渣时间模型预测值与实际值比较F i g C o m p a r i s o nb e t w e e np r e d i c t e dv a l u ea n da c t u a l v a l u eo f s l a gs p l a s h i n gt i m e 炼钢第 卷L G B M模 型 有 炉,G

35、B D T模 型 有 炉,S t a c k i n g集成模型有 炉.S t a c k i n g集成模型的散点图收敛性最好,更加贴近于斜率为的直线,分布在误 差 线 s以 外 的 点 最 少,表 明S t a c k i n g溅渣时间预测集成模型的预测误差最小,精度最高.通过以上分析可知,S t a c k i n g集成溅渣时间预测模型比单个模型具有更强的学习能力,对转炉溅渣时间具有更好的预测性能和较强的泛化能力,有效地提高了单个模型的预测性能.因此,S t a c k i n g集成溅渣时间预测模型对改善单个模型的预测性能,提升转炉溅渣时间预测效果有极大的帮助.利用大数据和机器学习

36、的人工智能方法建立的数据驱动模型,是一种不采用任何简化假设只基于数据的建模方法.本文的溅渣时间的数据驱动模型是从现场大数据中挖掘出输入变量和溅渣时间之间的规律,建立数据驱动模型来预测溅渣护炉溅渣时间.尽管采用由人工操作的溅渣护炉时间的数据来建模,但是,经过多年的溅渣护炉实践,现场操作人员具有了较高的溅渣护炉技能和操作水平,可根据终渣渣况以及溅渣时渣粒从炉口飞溅的情况停止溅渣,现场获得了高的炉龄和生产效率说明了这一点;另一方面在建模时,采用的建模数据是经过数据处理,将不合理和异常的数据样本删除,使溅渣时间数据在合理的范围.因此,本文的模型预测溅渣护炉时间是有实际意义的.需要说明的是,数据驱动模型

37、在建模过程中完全依赖具体的被控对象的数据,对于不同的被控对象,由于其设备和原材料以及工艺不同等原因,数据特性也有很大不同,造成此类模型不具有普适性.对新的被控对象,需要根据该被控对象的数据特性建立适合于该被控对象的数据驱动模型.结论)采 用X G B o o s t、弹 性 回 归、线 性 回 归、A d a B o o s t四种算法针对种主要终渣成分S i O、C a O、M g O、T F e建 立 终 渣 成 分 预 测 模 型,最 终X G B o o s t终渣成分预测模型的决定系数R均在 以上,终渣成分预测结果可以作为溅渣时间模型的特征预测溅渣时间.)采用S V R、X G B

38、o o s t、L G B M、R F、G B D T建立了种溅渣时间预测模型,通过对比种模型的预测结果,误差最小的为S V R溅渣时间预测模型,在 s内命中率为 .)选用S V R、X G B o o s t、G B D T作为S t a c k i n g集成溅渣时间预测模型的初级学习器,第层学习器采用L G B M算法构建S t a c k i n g集成溅渣时间预测模型.S t a c k i n g集成溅渣时间预测模型提高了单个模型的预测精度,在 s内命中率为 .参 考 文 献钟良才,朱英雄,姚永宽,等转炉高氧化性炉渣溅渣护炉工艺优化及效果J炼钢,():高泽平转炉溅渣护炉技术的工艺参

39、数优化J湖南冶金,():彭开香,张学艺,胡鑫裕一种基于即时学习的局部模型集成转炉炼钢终点预测方法J冶金自动化,():杨仕存,魏志强,钟良才,等基于数据驱动的转炉耗氧量模型研究J炼钢,():柯凯,彭其春,彭霞林,等基于集成学习的转炉炼钢供氧量预测模型J炼钢,():杨晓猛,赵阳,钟良才,等基于X G B o o s t算法的转炉吹炼终点预报J炼钢,():朱苗勇,魏国,储满生现代冶金工艺学:钢铁冶金卷M北京:冶金工业出版社,:姜澜,钟良才冶金工厂设计基础M北京:冶金工业出版社,:周志华,王珏机器学习及其应用M北京:清华大学出版社,:吴顺川,王艳超,张化进基于S t a c k i n g集成算法的岩

40、石单轴抗压强度预测方法研究J矿业研究与开发,():史佳琪,张建华基于多模型融合S t a c k i n g集成学习方式的负荷预测方法J中国电机工程学 报,():常玉清,孙雪婷,钟林生,等基于改进随机森林算法的工业过程运行状态评价J自动化学报,():谢少捷,王伟,何福善基于梯度提升决策树的特征筛选与钢卷力学性能预测J机械工程材料,():秦波,吴庆朝,张娟娟,等基于P S O优化S VM的转炉炼钢用氧量预测研究J测控技术,():宋建,王文龙,李东,等基于S t a c k i n g集成学习的注塑件尺寸预测 方 法 J华 南 理 工 大 学 学 报(自 然 科 学 版),():A N D E R S O N A E,T E S F A Y E F,I L O E J E C O,e t a l C o m p u t a t i o n a lm o d e l i n go fm e t a l l u r g i c a l f u r n a c e sJ J O M,():第期洪科,等:转炉终渣成分和溅渣时间数据驱动预测模型开发