基于PSO-SVM模型的转炉终点预测

刘增山; 冯亮花; 康小兵

doi:10.20057/j.1003-8620.2023-00257

您当前的位置：

首页 >

文章列表页 >

基于PSO-SVM模型的转炉终点预测

冶炼与凝固 | 更新时间：2025-05-09

- 基于PSO-SVM模型的转炉终点预测
- Converter Endpoint Prediction Based On PSO-SVM Model
- 特殊钢 2024年45卷第3期页码：27-32
- 作者机构：
  
  1.辽宁科技大学材料与冶金学院，鞍山 114051
  2.河北燕山钢铁集团有限公司，迁安 064400
- 作者简介：
  
  刘增山（1999—），男，硕士； E-mail：167896851@qq.com
  冯亮花（1974—），女，博士，教授； E-mail：fenglianghua1974@126.com
- 基金信息：
  
  国家自然科学基金资助项目(52074151);辽宁省科学技术厅资助项目(2022 JH2/101300079)
- DOI：10.20057/j.1003-8620.2023-00257
  中图分类号： TF713
- 收稿：2023-12-18，
  
  纸质出版：2024-05-30
- 稿件说明：
移动端阅览
刘增山,冯亮花,康小兵.基于PSO-SVM模型的转炉终点预测[J].特殊钢,2024,45(03):27-32.

Liu Zengshan,Feng Lianghua,Kang Xiaobing.Converter Endpoint Prediction Based On PSO-SVM Model[J].Special Steel,2024,45(03):27-32.
刘增山,冯亮花,康小兵.基于PSO-SVM模型的转炉终点预测[J].特殊钢,2024,45(03):27-32. DOI： 10.20057/j.1003-8620.2023-00257.

Liu Zengshan,Feng Lianghua,Kang Xiaobing.Converter Endpoint Prediction Based On PSO-SVM Model[J].Special Steel,2024,45(03):27-32. DOI： 10.20057/j.1003-8620.2023-00257.

摘要

转炉冶炼过程包含着复杂的多相、高温的物理化学反应，建立可靠的转炉终点预测模型对有效减少钢水成分波动、提高钢铁品质有重要的意义。以某钢厂200 t转炉实际生产数据为依据，采用粒子群优化算法选取支持向量机模型最优惩罚参数C和核参数g的方法建立预测模型，对转炉终点碳质量分数和温度进行预测。将数据处理后得到425组数据，数据划分为训练集数据和测试集数据，并对其进行归一化预处理，其中，随机选取50组为测试集数据。结果表明，转炉终点预测模型的终点钢水碳含量（误差±0.015%）的命中率为84%，终点温度（误差±15 ℃）的命中率为80%。与BP神经网络模型和RBF模型相比，基于粒子群算法优化的支持向量机模型具有精度高、泛化能力强的特点。

Abstract

The converter smelting process contains complex multi-phase and high-temperature physical and chemical reactions， and it is of great significance to establish a reliable converter endpoint prediction model to effectively reduce the fluctuation of molten steel composition and improve the quality of steel. Based on the actual production data of a 200 t converter in a steel mill， the particle swarm optimization algorithm is used to select the optimal penalty parameter C and kernel parameter g of the support vector machine model to establish a prediction model， and the carbon mass fraction and temperature at the end point of the converter are predicted. After data processing 425 sets of data were obtained and divided into training set data and test set data， and normalized them， of which 50 groups were randomly selected as test set data.The results show that the accuracy of carbon mass fraction （error ±0.015%） and temperature （error ±15 ℃） is 81.8% and 80% respectively. Compared with BP neural network model and RBF model， support vector machine model optimized by particle swarm optimization has higher accuracy and better generalization ability.

关键词

Keywords

references

任燕雄，彭　超，许君诚，等 . 转炉炼钢终点控制技术研究与分析［J］. 中国金属通报， 2022 （ 10 ）： 20 - 22 .

李少帅 . 转炉炼钢终点控制技术浅析［J］. 冶金与材料， 2023 ， 43 （ 2 ）： 90 - 92 .

王冠华 . 转炉冶炼中高碳钢过程及终点控制分析［J］. 冶金与材料， 2023 ， 43 （ 2 ）： 105 - 107 .

薛月凯 . 转炉冶炼静态控制模型的研究［D］. 唐山：河北联合大学， 2012 .

孙凤梅，崔绍刚，卢金强，等 . 50 t转炉静态控制模型开发及生产实践［J］. 上海金属， 2013 ， 35 （ 6 ）： 34 - 37 .

郭亚芬，杜　斌 . 宝钢有副枪转炉吹炼终点控制模型研究与应用［J］. 冶金自动化， 2003 ， 27 （ S1 ）： 45 - 48 .

岳　峰，包燕平，崔　衡，等 . 基于副枪控制的转炉终点预测模型［J］. 炼钢， 2009 ， 25 （ 1 ）： 38 - 40+59 .

王希政 . 基于RBF神经网络的转炉炼钢终点碳温预测模型［D］. 沈阳：东北大学， 2015 .

苏春阳，陈　君，姜亚清 . 基于PCA-BP神经网络的LF精炼终点温度预测［J］. 特殊钢， 2023 ， 44 （ 6 ）： 39 - 44 .

郑　忠，史战东，高小强，等 . 两种转炉炼钢终点控制模型的比较［J］. 特殊钢， 2008 ， 29 （ 6 ）： 20 - 22 .

Han M ， Liu C . Endpoint prediction model for basic oxygen furnace steel-making based on membrane algorithm evolving extreme learning machine ［J］. Applied Soft Computing ， 2014 ， 19 ： 430 - 437 .

Wang X Z ， Han M ， Wang J . Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction ［J］. Engineering Applications of Artificial Intelligence ， 2010 ， 23 （ 6 ）： 1012 - 1018 .

刘冬梅，陈　斌，王淑阁，等 . 改进训练方法的模糊神经网络模型预报转炉终点磷的研究和应用［J］. 特殊钢， 2007 ， 28 （ 2 ）： 41 - 43 .

Han M ， Cao Z J . An improved case-based reasoning method and its application in endpoint prediction of basic oxygen furnace ［J］. Neurocomputing ， 2015 ， 149 ： 1245 - 1252 .

铉明涛，李娇娇，王　楠，等 . 基于FOA-GRNN模型的转炉炼钢终点预报［J］. 材料与冶金学报， 2019 ， 18 （ 1 ）： 31 - 36+57 .

刘　闯，韩　敏，王心哲 . 基于膜算法进化极限学习机的氧气转炉炼钢终点预报模型［J］. 大连理工大学学报， 2014 ， 54 （ 1 ）： 124 - 130 .

谷茂强 . 基于数据驱动的转炉终点控制模型研究与应用［D］. 北京：北京科技大学， 2023 .

杜贤敏 . 转炉炼钢终点预报与控制模型的研究［D］. 沈阳：东北大学， 2014 .

高绪东 . BP神经网络在高炉铁水硅预报中的应用［J］. 中国冶金， 2014 ， 24 （ 6 ）： 24 - 26+39 .

崔桂梅，李　静，张　勇，等 . 基于T-S模糊神经网络模型的高炉铁水温度预测建模［J］. 钢铁， 2013 ， 48 （ 11 ）： 11 - 15 .

任彦军，王家伟，张晓兵，等 . 基于LM算法BP神经网络的高炉-转炉界面铁水温度预报模型［J］. 钢铁， 2012 ， 47 （ 9 ）： 40 - 42+49 .

赵路朋，吴　铿，朱　利，等 . 基于BP神经网络的烧结矿性能预报模型［J］. 钢铁， 2017 ， 52 （ 9 ）： 11 - 15 .

秦　波，吴庆朝，张娟娟，等 . 基于PSO优化SVM的转炉炼钢用氧量预测研究［J］. 测控技术， 2014 ， 33 （ 12 ）： 121 - 124 .

王建国，吴庆朝，秦　波，等 . 粒子群优化支持向量机的BOF用氧量预报研究［J］. 铸造技术， 2014 ， 35 （ 8 ）： 1806 - 1809 .

王旭生，贾金锁 . 基于支持向量机的转炉炼钢终点预测研究［J］. 无线互联科技， 2017 （ 2 ）： 115 - 117 .

汪　淼，李胜利，高　闯，等 . 80 t转炉终点预报TSVR模型精度［J］. 钢铁， 2020 ， 55 （ 7 ）： 53 - 57 .

罗　娜 . 数据挖掘中的新方法——支持向量机［J］. 软件导刊， 2008 ， 7 （ 10 ）： 30 - 31 .

Aydin I ， Karakose M ， Akin E . A multi-objective artificial immune algorithm for parameter optimization in support vector machine ［J］. Applied Soft Computing ， 2011 ， 11 （ 1 ）： 120 - 129 .

Shi Y ， Eberhart R . A modified particle swarm optimizer ［C］. 1998 IEEE International Conference on Evolutionary Computation Proceedings. IEEE World Congress on Computational Intelligence . 2002 ： 69 - 73 .

浏览量

下载量

CSCD

CNKI被引量

文章被引用时，请邮件提醒。

提交

工具集

关联资源

经济性Q355钢转炉冶炼实践

两种转炉炼钢终点控制模型的比较

基于UMAP-GWO-DNN的转炉终点磷含量预测模型