Точное управление содержанием фосфора на конечной стадии конвертера является ключевым элементом повышения качества стали и эффективности выплавки. В данном исследовании на стали марки 42CrMo инновационно объединены методы универсального приближения многообразий и проекции (UMAP), алгоритм оптимизации серого волка (GWO) и глубокая нейронная сеть (DNN) для создания мультимодальной интеллектуальной прогностической модели. С помощью алгоритма UMAP выполнено нелинейное уменьшение размерности высокоразмерных параметров выплавки (таких как температура, высота кислородной горелки, щелочность шлака и др.) с эффективным выделением ключевых признаков; применён GWO для оптимизации начальных весов и гиперпараметров DNN, что значительно улучшило скорость сходимости и стабильность модели. Эксперименты основаны на данных 200 плавок сталелитейного завода, с сравнением моделей BP нейронной сети, стандартной DNN и GWO-DNN; модель UMAP-GWO-DNN достигла точности попадания в диапазоны ошибок ±0,001% и ±0,002% на уровне 86,7% и 95,4% соответственно, при снижении среднеквадратичной ошибки (RMSE) на 23,6%. Промышленная проверка показала, что модель уменьшила стандартное отклонение колебаний содержания фосфора на конечной стадии на 41%, стабилизировав среднее значение с 0,0012% до 0,0009% и успешно реализовав цель контроля «узкого окна». Это исследование предоставляет масштабируемый технический путь цифровой модернизации процесса выплавки в конвертере.

Содержание фосфора на конечной стадии; Сталь конвертерная; Глубокая нейронная сеть; Прогностическая модель; Промышленные применения