基于Stacking模型融合的AOD终点碳温预测

为提高AOD不锈钢冶炼终点碳温预测的准确性和可靠性,提出一种基于多个机器学习算法(RF、XGBoost、AdaBoost、KNN、SVR和岭回归)嵌入的Stacking模型融合的AOD终点碳温预测方法。基于理论基础和相关性分析确定了模型的输入特征变量,利用箱线图法对历史数据进行预处理,结合5折交叉验证和贝叶斯优化算法确定了模型的最优参数,通过对上述6种机器学习算法的逐层筛选,构建了RF+XGBoost+KNN—RF二层Stacking多模型融合的终点碳含量预测模型、RF+AdaBoost+KNN—RF+XGBoost+KNN—XGBoost三层Stacking多模型融合的终点温度预测模型。预测结果表明,RF+XGBoost+KNN—RF二层Stacking模型在终点碳质量分数误差为±0.01%的命中率为87.86%,RF+AdaBoost+KNN—RF+XGBoost+KNN—XGBoost三层Stacking模型在终点温度误差为±15℃的命中率为94.22%,相较于单一的机器学习模型,预测精度显著提高。

转炉炼钢终点碳温预测与控制模型优化研究

为提高转炉炼钢的生产效率和经济效益,提出以改进神经网络学习极限机的预测模型为基础,引入改进的粒子群算法作为终点碳温控制优化模型。经过研究表明,转炉炼钢温度偏差在15℃左右的样本有89个,命中率为62.676%。碳含量w(C)偏差在0.015左右的样本有105个,命中率为72.112%。由此可见,预测模型及控制模型对转炉炼钢终点碳温控制的有效性以及降低能源消耗均具有重要意义。

基于M-NSGA-Ⅱ的转炉炼钢补加供料量优化

在转炉炼钢过程中,供料量的多少会极大影响钢水的终点碳含量和终点温度,因此,优化转炉炼钢的补加供料量可以提高钢铁的产出质量。首先,依据二次吹炼终点碳温与补加供料量的回归模型构建了补加供料量优化模型;其次,由于转炉炼钢要求优化算法的计算时间短,设计了移动非支配排序遗传算法Ⅱ(movingnon-dominatedsortinggenetic algorithm Ⅱ, M-NSGA-Ⅱ);最后,采用目标函数平均缩小值与平均标准差作为评价指标,对模型结果进行对比实验。结果表明,所设计的M-NSGA-Ⅱ可以在较短的计算时间内获得更优的非支配解集,并且基于该算法的补加供料量优化模型可以有效调整终点碳温。