[发明专利]基于改进正则化极限学习机的转炉终点锰含量预测方法

说明书

本发明公开了一种基于改进正则化极限学习机的转炉终点锰含量预测方法，首先，采集转炉炼钢实际生产所涉及的数据，找到影响转炉炼钢终点锰含量的影响因素，确定模型的输入变量，建立了基于正则化极限学习机(RELM)的转炉炼钢终点锰含量预测模型，在终点锰含量的预测过程中，采用改进粒子群优化算法(IPSO)对RELM模型的输入层权值和隐含层偏差进行优化，建立了基于改进粒子群算法优化正则化极限学习机(IPSO‑RELM)的转炉炼钢终点锰含量预测模型。采用转炉现场实际冶炼数据对该锰含量预测方法进行检验，结果表明本方法的预测精度和运算速度都有了明显的提升，进而可对转炉炼钢终点锰含量进行及时准确的预测。

技术领域

本发明属于钢铁冶金领域，具体涉及一种基于改进正则化极限学习机的转炉终点锰含量预测方法。

背景技术

转炉炼钢作为钢铁生产流程中十分重要的环节，是目前世界上最主要的炼钢方法。转炉炼钢的目的是为下道工序提供化学成分和温度均合格的初炼钢水，因此，保证吹炼的平稳进行以及准确预测并控制冶炼终点钢水的成分和温度，是转炉炼钢的重要任务之一。在转炉冶炼过程中，若能实现对终点钢水锰含量的精准且快速的预测，则可以提高操作人员对出钢判断的准确性，以及出钢合金化操作的效率，从而降低生产成本，提高钢水质量。为了实现钢铁冶炼过程精准控制，如何及时准确地预报转炉炼钢终点钢水锰的含量是亟待解决的重要问题。

为了实现转炉炼钢终点控制高命中率的目标，转炉吹炼由以前的人工经验操作向着自动化炼钢方向发展。目前，转炉炼钢终点锰含量的预测方法主要包括统计学方法和非统计学方法，统计学方法包括：线性回归、非线性回归等，非统计学方法包括：专家系统、BP神经网络等。由于转炉冶炼过程熔池化学反应作用机理十分复杂，影响钢水锰含量的因素很多，而且这些因素之间相互影响，与终点锰含量有着较强的非线性关系。基于统计学方法建立的转炉炼钢终点锰含量预测模型的适应性和泛化能力较弱，而且某些统计方法是在基于副枪取样分析钢水锰含量的基础上，利用热力学和物质平衡建立了从副枪取样到吹炼终点的锰含量预测模型，成本较高，且只适用于装备有副枪的转炉；而基于非统计学方法的转炉炼钢终点锰含量预测模型具有较强的适应性和泛化能力，由于影响炼钢终点锰含量的因素众多，且各影响因素和终点锰含量之间具有较强的非线性关系，人工神经网络较强的非线性逼近能力可以很好的解决这一问题，BP神经网络是目前应用较为广泛的神经网络之一。同样，该方法也有应用于转炉炼钢终点锰含量预测。但是基于该方法建立的模型在训练过程需要消耗大量的时间、易陷入局部最优值以及训练过程需要设置大量的网络训练参数，且预测精度低，难以迅速、及时地对转炉炼钢终点锰含量进行准确的预测，不利于钢铁企业高品质钢的高效化生产。RELM模型虽然在ELM模型的基础上通过引入结构风险最小化理论提高了泛化能力，但在解决梯度下降问题时，由于RELM模型的隐藏节点参数(输入层权值和隐含层偏差)随机产生，并不能保证训练出的RELM模型达到最优，因此需要更多的隐含层节点才能达到理想的精度，从而导致收敛速度慢等问题。此外，由于RELM中输出权值矩阵由输入权值矩阵和隐含层偏差计算获得的，可能会存在无效的隐含层节点，这会影响RELM模型的预测精度、效率以及稳定性，最终达不到理想的泛化性能。因此，开发一种适应性强，运算速率快且预测准确率高的转炉炼钢终点锰含量预测方法，对于提高转炉炼钢终点成分控制水平具有重要意义。

发明内容

为解决上述问题，提高转炉炼钢终点锰含量的预测精度，本发明通过分析粒子群优化算法PSO的原理，提出了一种基于改进粒子群优化算法优化正则化极限学习机(IPSO-RELM)的转炉冶炼终点锰含量预测模型，并用某钢厂转炉实际生产数据进行了训练及验证，明显提高了转炉炼钢终点锰含量的预测精度和运算速率。

本发明涉及一种基于改进粒子群算法优化正则化极限学习机的转炉炼钢终点锰含量预测方法，本方法主要通过对国内某特钢厂80吨转炉在冶炼中高碳钢过程中，通过构建转炉冶炼后期(主吹结束时)钢水锰含量预测模型，为转炉冶炼中高碳钢终点钢水锰含量的准确控制提供指导。