王旭生，賈金鎖

（華北理工大學(xué) 信息工程學(xué)院，河北 唐山 063000）

基于支持向量機(jī)的轉(zhuǎn)爐煉鋼終點(diǎn)預(yù)測研究

王旭生，賈金鎖

（華北理工大學(xué) 信息工程學(xué)院，河北 唐山 063000）

文章主要探究的是建立精確預(yù)測爐內(nèi)的終點(diǎn)碳含量和鋼水溫度的函數(shù)模型，從而準(zhǔn)確、高效地得到滿足要求的鋼材。通過使用對樣本數(shù)目要求不高、學(xué)習(xí)能力強(qiáng)的支持向量機(jī)學(xué)習(xí)算法建立數(shù)據(jù)模型，在MATLAB軟件的實(shí)驗(yàn)環(huán)境下，實(shí)現(xiàn)對該模型的訓(xùn)練、測試以及繪制出完整的預(yù)測函數(shù)圖形，并用K折交叉驗(yàn)證算法對預(yù)測函數(shù)進(jìn)行反復(fù)的訓(xùn)練優(yōu)化，最終得到較理想的MSE終點(diǎn)預(yù)測函數(shù)。

轉(zhuǎn)爐煉鋼；SVM；預(yù)測模型

1 研究背景

1.1 轉(zhuǎn)爐煉鋼原理和工藝

轉(zhuǎn)爐冶煉的主要反應(yīng)原理是利用原料組分之間產(chǎn)生的化學(xué)反應(yīng)釋放出的物理熱將主要原料為鐵及鐵的化合物的物質(zhì)融化，以完成煉鋼的一個物理階段。在鋼材的生產(chǎn)過程中，主要經(jīng)過軋鋼、鑄造、煉鋼和煉鐵4個方面的冶煉過程。其中，煉鋼環(huán)節(jié)對提高產(chǎn)品質(zhì)量、降低生產(chǎn)成本以及擴(kuò)大品種范圍等有著重要作用。氧氣頂吹轉(zhuǎn)爐煉鋼法是當(dāng)前在社會上各個生產(chǎn)單位主要應(yīng)用的冶煉方法。氧氣頂吹轉(zhuǎn)爐煉鋼法是一種具有較高復(fù)雜度的方法，但是該方法已成為當(dāng)前世界主流的煉鋼方法。建立準(zhǔn)確的終點(diǎn)鋼的碳含量和溫度函數(shù)模型至關(guān)重要，能夠得到所需碳含量鋼材、可以節(jié)省高爐工人的工作時間和勞動量，避免進(jìn)行不必要的冶煉過程，提升冶煉的產(chǎn)品出產(chǎn)效率，投入成本相對較低。

2 支持向量機(jī)原理

2.1 支持向量機(jī)原理

支持向量機(jī)（Support Vector Machine，SVM）是一種分類算法，通過尋求結(jié)構(gòu)化風(fēng)險最小來提高學(xué)習(xí)機(jī)泛化能力，由有限的訓(xùn)練樣本得到小的誤差能夠保證獨(dú)立的測試集仍保持小的誤差。實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險和置信范圍的最小化，從而達(dá)到在統(tǒng)計(jì)樣本量較少的情況下，亦能獲得良好統(tǒng)計(jì)規(guī)律的目的。通俗來講，它是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，即支持向量機(jī)的學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個凸二次規(guī)劃問題的求解，因此局部最優(yōu)解一定是全局最優(yōu)解。并且應(yīng)用核函數(shù)，把非線性問題轉(zhuǎn)化為線性問題來求解。

2.2 核函數(shù)

SVM的不同是因滿足Mercer定理的核函數(shù)的不同而引發(fā)的，所以不同的核函數(shù)塑造不同的SVM算法。在目前數(shù)學(xué)應(yīng)用領(lǐng)域，使用最廣泛的向量機(jī)核函數(shù)有3種：

第一，RBF（徑向基核函數(shù)）：

第二，S形核函數(shù)：

第三，多項(xiàng)式核函數(shù)：

3 終點(diǎn)預(yù)測函數(shù)曲線

3.1 原料提取

通常情況下，煉鋼所用的基本原料是由大部分的鐵質(zhì)以及一小部分的造渣、冷卻等輔助材料所組成。所以根據(jù)各部分原材料占比含量的不同分成主、輔材料。一般來說，煉鋼用輔原料包括氣體（氧氣、氮?dú)?、氬氣）、造渣劑（合成造渣劑、石灰、螢石、白云石）、冷卻劑（球團(tuán)礦、鐵礦石、氧化鐵皮、燒結(jié)礦）、增碳劑等。原則上通常選用鐵質(zhì)元素含量高、易于提取和分離的鐵合金礦石作為煉鋼的主要原材料。

煉鋼工藝制度的基礎(chǔ)是轉(zhuǎn)爐入爐原料組成。首先是鋼鐵料組成，即廢鋼種類及鐵水和廢鋼的合理配比；然后是造渣料結(jié)構(gòu)，也就是鐵礦石、石灰、白云石、螢石等的配比組成；研究煉鋼主要原材料的科學(xué)配比，主要是想讓煉鋼的成本最小化，產(chǎn)出鋼材的質(zhì)量最優(yōu)化，企業(yè)生產(chǎn)價值最大化。而且通過調(diào)節(jié)爐料的加入配比，也就是主、輔原料的結(jié)構(gòu)，就可以科學(xué)準(zhǔn)確地控制轉(zhuǎn)爐煉鋼爐內(nèi)溫度的變化。當(dāng)然加入的鐵水的含量對終點(diǎn)溫度可以產(chǎn)生巨大影響，因?yàn)殍F質(zhì)原材料的加入量一般占據(jù)全部材料的70%以上。因此，對溫度和入爐鐵水化學(xué)成分都有相應(yīng)的要求。

3.2 溫度終點(diǎn)預(yù)測模型

本文中提取的煉鋼用鐵質(zhì)原料作為主要原材料。煉鋼用輔原料包括氣體（氧氣、氮?dú)?、氬氣）、造渣劑（合成造渣劑、石灰、螢石、白云石）、冷卻劑（球團(tuán)礦、鐵礦石、氧化鐵皮、燒結(jié)礦）、增碳劑等。還常用鐵合金有硅錳合金、硅鈣合金、金屬鋁等16個主要發(fā)熱物質(zhì)，下面以這16個主要物質(zhì)作為研究對象，通過整理得出溫度為因變量其他參數(shù)為自變量的120組樣本數(shù)據(jù)，在120組樣本數(shù)據(jù)中隨機(jī)抽取30組數(shù)據(jù)作為測試集，剩下的90組數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)。利用90組訓(xùn)練集數(shù)據(jù)應(yīng)用MATLAB軟件和運(yùn)用SVM算法，生成原始數(shù)據(jù)曲線得到預(yù)測數(shù)據(jù)曲線；其中，原始數(shù)據(jù)曲線（如圖1中圓形數(shù)據(jù)曲線）和預(yù)測數(shù)據(jù)曲線（如圖1中三角形數(shù)據(jù)曲線），之后繪制出30組測試集數(shù)據(jù)原始曲線（如圖2中圓形數(shù)據(jù)曲線）與圖1得到的預(yù)測數(shù)據(jù)曲線（見圖2中三角形數(shù)據(jù)曲線）相比較，進(jìn)而得到兩組曲線的符合程度。

圖1 90組溫度訓(xùn)練集數(shù)據(jù)生產(chǎn)預(yù)測函數(shù)圖像

如圖2中的兩組曲線所示，在一定精度下，測試集數(shù)據(jù)可以驗(yàn)證預(yù)測函數(shù)的準(zhǔn)確性，證明在圖1中得到的預(yù)測函數(shù)可以準(zhǔn)確地預(yù)測溫度與各組分之間的函數(shù)對應(yīng)關(guān)系，所以可以應(yīng)用此預(yù)測函數(shù)得到所需要的對應(yīng)溫度，進(jìn)而可以從溫度方面把控鋼材質(zhì)量。

圖2 30組溫度測試集數(shù)據(jù)測試函數(shù)圖像

3.3 碳含量終點(diǎn)預(yù)測模型

碳含量與鋼材質(zhì)量的關(guān)系，其中主要包含碳素鋼和合金鋼兩種。碳素鋼是鐵和碳的合金，其中碳素鋼又包含3種：（1）低碳鋼：含碳量低于0.3%，鋼材的韌性和焊接性好，但是強(qiáng)度低，用于制作鋼板、鋼絲、鋼管等；（2）中碳鋼：碳含量為0.3%～0.6%，強(qiáng)度高，韌性及加工性很好，多用于制作鋼軌、車輪和建材等；（3）高碳鋼：碳含量高于0.6%，硬而脆，熱處理后彈性好，用于制作器械、彈簧、刀具等等。另一種是合金鋼：在碳素鋼中加入鉻、鉬、鎢、鎳、錳、鈷、硅等合金元素，具有各種不同的優(yōu)良性能，用于制作不銹鋼和各種特種鋼材。所以，研究出上面提到的16種元素在轉(zhuǎn)爐煉鋼中對終點(diǎn)碳含量的函數(shù)模型的精確預(yù)測，進(jìn)而可以借助預(yù)測函數(shù)實(shí)現(xiàn)對所需鋼材的把控。

與上面溫度的研究方法類似，通過整理得出碳含量為因變量其他參數(shù)為自變量的120組樣本數(shù)據(jù)，通過在120組樣本數(shù)據(jù)中隨機(jī)抽取30組數(shù)據(jù)作為測試集，剩下的90組數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)。利用90組訓(xùn)練集數(shù)據(jù)應(yīng)用MATLAB軟件和運(yùn)用SVM算法，生成原始數(shù)據(jù)曲線得到預(yù)測數(shù)據(jù)曲線；其中，原始數(shù)據(jù)曲線（如圖3中圓形數(shù)據(jù)曲線）和預(yù)測數(shù)據(jù)曲線（如圖4中三角形數(shù)據(jù)曲線），然后繪制出30組測試集數(shù)據(jù)原始曲線（如圖4中圓形數(shù)據(jù)曲線）與圖3得到的預(yù)測數(shù)據(jù)曲線（如圖4中三角形數(shù)據(jù)曲線）相比較，進(jìn)而得到兩組曲線的符合程度。

圖3 90組碳含量訓(xùn)練集數(shù)據(jù)生產(chǎn)預(yù)測函數(shù)圖像

圖4 30組碳含量測試集數(shù)據(jù)測試函數(shù)圖像

如圖3中兩組曲線所示。在一定精度下，測試集數(shù)據(jù)可以驗(yàn)證預(yù)測函數(shù)的準(zhǔn)確性，證明在圖4中得到的預(yù)測函數(shù)可以準(zhǔn)確地預(yù)測碳含量與各組分之間的函數(shù)對應(yīng)關(guān)系，所以可以應(yīng)用此預(yù)測函數(shù)得到需要的碳含量對應(yīng)的鋼材，進(jìn)而可以從碳含量方面把控鋼材質(zhì)量。

4 結(jié)語

本文的預(yù)測模型原始數(shù)據(jù)曲線與預(yù)測曲線適應(yīng)得很好，溫度和碳含量預(yù)測函數(shù)可以作為終點(diǎn)預(yù)測函數(shù)來指導(dǎo)鋼材材質(zhì)的確定，根據(jù)函數(shù)曲線調(diào)整加入相應(yīng)原材料的配比和爐內(nèi)溫度，然后入爐冶煉就能控制產(chǎn)出的所需鋼材。目前來說，終點(diǎn)模型的精確預(yù)測的實(shí)驗(yàn)結(jié)果具有較高的實(shí)際生產(chǎn)價值，對調(diào)整鋼鐵產(chǎn)品種類和對鋼結(jié)構(gòu)材料的新研發(fā)具有重大的指導(dǎo)意義。

[1]袁亞湘，孫文瑜.最優(yōu)化理論方法[M].北京：科學(xué)出版社，1997.

[2]陶鈞，謝書明，柴天佑. 轉(zhuǎn)爐煉鋼控制模型的研究與展望[J]. 鋼鐵，1999（8）：39-72.

[3]鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法—支持向量機(jī)[M].北京：科學(xué)出版社，2004.

[4]曹衛(wèi)華.最優(yōu)化技術(shù)方法及MATLAB的實(shí)現(xiàn)[M].北京：化學(xué)工業(yè)出版社，2005.

[5]王茂華，惠志剛，施雄梁.轉(zhuǎn)爐終點(diǎn)控制技術(shù)[J].鞍鋼技術(shù)，2005（3）：6-10.

[6]WEN H, ZHAO Q, CHEN Y, et a1. Converter end-point prediction model using spectrum image analysis and improved neural network algorithm[J].Optical Applicata, 2008（4）：693-704.

[6]鄭金星，王振光，王慶春.煉鋼工藝及設(shè)備[M].北京：冶金工業(yè)出版社，2011.

[7]劉超.中國轉(zhuǎn)爐煉鋼技術(shù)的發(fā)展、創(chuàng)新與展望[J].特鋼技術(shù)，2013（4）：6-9.

[8]張輝宜，周奇龍，袁志祥，等. 基于AP聚類的RBF神經(jīng)網(wǎng)絡(luò)研究及其在轉(zhuǎn)爐煉鋼中的應(yīng)用[J].鋼鐵研究學(xué)報(bào)，2014（1）：22-26.

[9]陳虎.淺析如何實(shí)現(xiàn)現(xiàn)代轉(zhuǎn)爐煉鋼各工序爐渣的再利用[J].建筑工程技術(shù)與設(shè)計(jì)，2016（3）：1044.

Research on end point prediction of converter steelmaking based on support vector machine

Wang Xusheng, Jia Jinsuo

（Information Engineering School of North China University of Science & Technology, Tangshan 063000, China）

This paper mainly explores establishing the function model for accurate prediction of end point carbon content and temperature of molten steel, so as to accurately and efficiently obtain the steel products which meet the requirements. Support vector machine learning algorithm which has lower requirement for number of samples and strong learning ability is taken advantage to establish data model, in the experimental environment of MATLAB software achieve training and testing of the model and draw complete the prediction function graphics. Finally, the K cross validation algorithm is used to optimize the prediction function, so as to obtain the final MSE prediction function.

converter steelmaking; SVM; prediction model

唐山市科技局項(xiàng)目；項(xiàng)目編號：14130248B。

王旭生（1973— ），男，河北唐山，碩士。