Точное управление содержанием фосфора в конце конвертера является ключевым этапом повышения качества стали и эффективности плавки. В настоящем исследовании, направленном на сталь марки 42CrMo, инновационно объединены методы унифицированного многообразного приближения и проекции (UMAP), алгоритма серого волка (GWO) и глубокой нейронной сети (DNN) для создания мультимодальной интеллектуальной прогнозной модели. С помощью алгоритма UMAP выполнено нелинейное снижение размерности высокоразмерных параметров плавки (таких как температура, высота кислородной горелки, щелочность шлака и др.), что эффективно выделяет ключевые характеристики; алгоритм GWO оптимизирует начальные веса и гиперпараметры DNN, значительно улучшая скорость сходимости и стабильность модели. Эксперименты основаны на данных 200 плавок сталеплавильного завода, сравнивались сети BP, стандартная DNN и модель GWO-DNN, модель UMAP-GWO-DNN достигла точности 86.7% и 95.4% в интервалах ошибок ±0.001% и ±0.002% соответственно, среднеквадратичная ошибка (RMSE) уменьшилась на 23.6%. Промышленная проверка показала, что модель снизила стандартное отклонение колебаний содержания фосфора в конце на 41%, среднее значение стабилизировалось с 0.0012% до 0.0009%, успешно достигнута цель управления "узким окном". Исследование предлагает воспроизводимый технический путь для цифровой модернизации процесса плавки конвертера.

содержание конечного фосфора; конвертерное сталеплавильное производство; глубокая нейронная сеть; модель прогнозирования; промышленное применение