转炉终渣成分和溅渣时间数据驱动预测模型开发.pdf
《转炉终渣成分和溅渣时间数据驱动预测模型开发.pdf》由会员分享,可在线阅读,更多相关《转炉终渣成分和溅渣时间数据驱动预测模型开发.pdf(7页珍藏版)》请在文库网上搜索。
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
- 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:
- 转炉 成分 时间 数据 驱动 预测 模型 开发