Die präzise Steuerung des Endphosphorgehalts im Konverter ist ein zentraler Schritt zur Verbesserung der Stahlqualität und der Schmelzeffizienz. In dieser Studie, die sich auf den Stahl 42CrMo konzentriert, wurden innovativ Unified Manifold Approximation and Projection (UMAP), Grey Wolf Optimierung (GWO) und tiefe neuronale Netze (DNN) kombiniert, um ein multimodales intelligentes Vorhersagemodell zu erstellen. Durch den UMAP-Algorithmus wurde eine nichtlineare Dimensionsreduktion hochdimensionaler Schmelzparameter (wie Temperatur, Höhe der Sauerstofflanze, Schlackenbasizität usw.) durchgeführt, um Schlüsselmerkmale effektiv zu extrahieren; GWO optimierte die Anfangsgewichte und Hyperparameter des DNN und verbesserte die Modellkonvergenzgeschwindigkeit und Stabilität erheblich. Die Experimente basierten auf realen Produktionsdaten von 200 Öfen eines Stahlwerks. Im Vergleich zu BP-Neuronalen Netzen, Standard-DNN und GWO-DNN-Modellen erreichte das UMAP-GWO-DNN-Modell Trefferquoten von 86,7 % und 95,4 % in Fehlerbereichen von ±0,001 % bzw. ±0,002 %; der mittlere quadratische Fehler (RMSE) wurde um 23,6 % reduziert. Die industrielle Validierung zeigte, dass dieses Modell die Standardabweichung der Schwankungen des Endphosphorgehalts um 41 % reduzierte, den Mittelwert von 0,0012 % auf 0,0009 % stabilisierte und erfolgreich das Ziel der "engen Fenstersteuerung" erreichte. Die Studie bietet einen reproduzierbaren technischen Weg zur digitalen Aufrüstung des Konverter-Schmelzprozesses.

Endphosphorgehalt; Konverterstahlerzeugung; tiefes neuronales Netz; Vorhersagemodell; industrielle Anwendung