基于神經(jīng)網(wǎng)絡的LF爐鋼液溫度的預測模型

張家磊，魏志君，汪亞偉

（江蘇永鋼集團有限公司，江蘇 蘇州 215628）

引 言

隨著爐外精煉技術的發(fā)展，初煉爐、精煉爐、連鑄的煉鋼[1-4]工藝流程已經(jīng)非常成熟。精煉爐在整個煉鋼過程中銜接著上下道工序，更是對鋼質(zhì)量有著至關重要的影響。目前，在我國優(yōu)鋼特鋼企業(yè)中，LF爐[5-8]的主要功能包括白渣精煉、成分微調(diào)、埋弧加熱、還原氣體雜質(zhì)等作用，而在這其中溫度控制更是尤為重要，其中LF爐鋼液的終點溫度更是影響到后續(xù)連鑄工序的進行，與鋼的質(zhì)量關系尤為密切。目前，永鋼集團特鋼公司為了控制精煉爐終點溫度，采用人工多次測溫，以達到控制精煉爐終點溫度的效果，但是采用人工經(jīng)驗控制存在控制不精準及隨機性等問題。隨著目前計算機技術的飛速發(fā)展，有大量的預測模型能夠對精煉爐終點溫度進行預測，相較于傳統(tǒng)的人工測溫，使用先進的模型算法能夠省去相應的人工成本，且測量精度較高，利于高質(zhì)量鋼的生產(chǎn)。

本文結合實際工藝和目前研究的實際條件決定采用神經(jīng)網(wǎng)絡模型對LF爐終點溫度進行預測?；舅枷胧窃趯σ酝纳a(chǎn)數(shù)據(jù)進行分析并結合煉鋼的實際工藝，確定模型的各種參數(shù)，從而確定LF爐終點溫度預測模型。

1 神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡[9-12]能學習和存貯大量的輸入—輸出模式映射關系，而無需事前知道這種映射關系的數(shù)學方程，通過訓練多個神經(jīng)網(wǎng)絡并將其結論進行合成，可以顯著地提高學習系統(tǒng)的泛化能力。它不僅有助于學者對機器學習和神經(jīng)計算進行深入的研究，還能幫助工程技術人員利用神經(jīng)網(wǎng)絡這項先進的技術來分析現(xiàn)實世界中的各種問題，加速問題的解決。

神經(jīng)元是神經(jīng)網(wǎng)絡的基本單元，神經(jīng)元先獲得輸入再進行某些數(shù)學運算后，再產(chǎn)生一個輸出，如圖1所示的2個輸入神經(jīng)元的例子。

在這個神經(jīng)元中輸入一共經(jīng)過了三步數(shù)學運算，首先輸入變量x1和x2乘以各自的權重w1和w2，然后加上偏置變量b，最后經(jīng)過激活函數(shù)σ處理得到輸出：y=σ[（x1·w1）+（x2·w2）+b]。

圖2所示的為一個最簡單的三層的前饋神經(jīng)網(wǎng)絡，拓撲結構包括輸入層、隱含層和輸出層，樣本的輸入送至網(wǎng)絡輸入層的各個神經(jīng)元，各個輸入乘以各自的權重經(jīng)過激活函數(shù)處理后得到了隱藏層的輸出，隱含層的輸出作為下一層的輸入，然后再乘以相應的權重后再經(jīng)過隱藏層與輸出層的激活函數(shù)處理后，輸出層各個神經(jīng)元輸出對應的預測值y。

2 模型準備階段

2.1 數(shù)據(jù)采集

結合精煉的工藝和與現(xiàn)場技術人員的溝通，在LF精煉過程中影響鋼液溫度的主要因素有：鋼包上線溫度、鋼液進站溫度、鋼液出站溫度、冶煉時間、耗電量、耗氬量和鋼液重量，且這些因素對不同鋼種的LF爐鋼液終點溫度影響程度不同，現(xiàn)采用生產(chǎn)量較大的42CrMo4鋼種作為研究對象。了解到2021年度LF爐在精煉過程中的操作規(guī)范和較往年有較大提升，遂采用2021年1月1日至2021年8月17日的LF生產(chǎn)數(shù)據(jù)作為數(shù)據(jù)集，總計收集到了1473組包含LF爐進站鋼水溫度、總用電量、氬氣總耗量、處理周期、白渣保持時間、鋼包上線溫度、最終鋼水重量、初始鋼水重量、LF爐終點溫度這九類變量關于42CrMo4的數(shù)據(jù)。

2.2 數(shù)據(jù)的預處理

在數(shù)據(jù)挖掘中，海量的原始數(shù)據(jù)存在著大量不完整、不一致、有異常的數(shù)據(jù)，嚴重影響到了數(shù)據(jù)挖掘建模的執(zhí)行效率，甚至可能影響到數(shù)據(jù)挖掘的偏差，所以為了提高數(shù)據(jù)的質(zhì)量，必須對數(shù)據(jù)的異常值進行處理，本文采用3σ法對異常值進行查找與剔除，若樣本數(shù)據(jù)X={x1，x2，···，xn}的偏差大于 3σ，即認為這組數(shù)據(jù)異常，將其剔除。其中：

利用3σ法則對收集到的1473組42CrMo4數(shù)據(jù)集進行異常數(shù)據(jù)的剔除，剔除后數(shù)據(jù)集還剩1079組。

2.3 相關性分析

相關性分析[12]主要判斷兩個或多個變量之間的統(tǒng)計學關聯(lián)，如果存在關聯(lián)則進一步分析關聯(lián)強度和方向。為了度量變量之間的相關性，本文利用皮爾遜系數(shù)對關聯(lián)程度進行評價，計算公式如下所示：

皮爾遜系數(shù)的絕對值介于0～1之間，它的絕對值越大，表示兩者的相關性越強。

對影響精煉爐終點溫度的幾個因素利用皮爾遜系數(shù)做了相關性分析，分析結果表1所示，從表中可以看出最終鋼水重量、初始鋼水重量與精煉爐終點溫度的相關系數(shù)的絕對值過小，所以把這個兩個因素剔除，以處理開始時鋼水溫度、總用電量、氬氣總耗量、處理周期、白渣保持時間、鋼包上線溫度這6個因素作為神經(jīng)網(wǎng)絡的輸入。其中處理開始時鋼水溫度、總用電量、處理周期、白渣保持時間、鋼包上線溫度與精煉爐終點溫度呈正相關關系，而氬氣總耗量與精煉爐終點溫度呈負相關關系。

表1 相關性分析

3 網(wǎng)絡結構設計

3.1 輸入輸出層的設計

該模型由處理開始時鋼水溫度、總用電量、氬氣總耗量、處理周期、白渣保持時間、鋼包上線溫度作為輸入量，LF爐終點溫度作為輸出，所以輸入層的節(jié)點數(shù)為6，輸出層的節(jié)點數(shù)為1。

3.2 隱層設計

有關研究表明，包含一個隱含層的神經(jīng)網(wǎng)絡只要隱節(jié)點足夠多的情況下，就可以很好的逼近一個非線性函數(shù)。因此，本文采用含有一個隱層、三層多輸入單輸出的前饋神經(jīng)網(wǎng)絡來預測LF爐終點溫度。在網(wǎng)絡設計過程中，隱層神經(jīng)元數(shù)的確定十分重要。隱層節(jié)點數(shù)過少時，學習的容量有限，不足以存儲訓練樣本中蘊涵的所有規(guī)律；隱層節(jié)點過多不僅會增加網(wǎng)絡訓練時間，而且會將樣本中非規(guī)律性的內(nèi)容如干擾和噪聲存儲進去，反而降低泛化能力。目前，對于隱層中神經(jīng)元數(shù)目的確定并沒有明確的公式，只有一些經(jīng)驗公式，神經(jīng)元個數(shù)的最終確定還是需要根據(jù)經(jīng)驗和多次實驗來確定。本文在選取隱層神經(jīng)元個數(shù)的問題上參照了如下經(jīng)驗公式：式中n為輸入層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(shù)，a為[1，10]之間的常數(shù)。根據(jù)式（3）

可以計算出神經(jīng)元個數(shù)為3～12個之間，在本次實驗中選擇隱層神經(jīng)元個數(shù)為10。

4 實驗結果分析

本文在數(shù)據(jù)預處理后，將其中70%作為訓練集，15%作為驗證集，15%作為測試集。本實驗在Matlab中完成，實驗環(huán)境為Windows 10操作系統(tǒng)，內(nèi)存空間8 GB，其處理器為英特爾 Core i7-7700 HQ。神經(jīng)網(wǎng)絡的相關參數(shù)設置如圖3所示。

模型預估值與生成實際值的誤差直方圖如圖4所示，可以看出大多數(shù)的數(shù)據(jù)的預測值與實際值的誤差在±8oC之內(nèi)，誤差波動較小，且誤差在±5oC的命中率在80%以上，誤差在±2oC大概在50%左右，模型預測效果良好。在后續(xù)跟蹤的500爐生產(chǎn)數(shù)據(jù)顯示，溫度命中誤差如表2所示。

表2 500爐溫度誤差爐數(shù)統(tǒng)計

5 結束語

針對江蘇永鋼集團特鋼公司在LF爐終點溫度控制方面提出了一種基于神經(jīng)網(wǎng)絡的LF爐終點溫度預測模型，利用處理開始時鋼水溫度、總用電量、氬氣總耗量、處理周期、白渣保持時間、鋼包上線溫度作為輸入量，預測LF爐終點溫度。與實際生產(chǎn)數(shù)據(jù)相對比，預測值與實際值的誤差波動較小，誤差在±5oC的命中率達到了80%以上，神經(jīng)網(wǎng)絡模型能很好的預測LF爐終點溫度。