汪淼 ,高闖 ,艾新港 ,李勝利
(1.遼寧科技大學(xué)材料與冶金學(xué)院,遼寧 鞍山 114051;2.遼寧科技大學(xué)電子與信息工程學(xué)院,遼寧 鞍山 114051)
鋼的生產(chǎn)要經(jīng)過(guò)很多生產(chǎn)工藝,整個(gè)過(guò)程中 影響鋼的質(zhì)量因素很多,其中轉(zhuǎn)爐終點(diǎn)的碳含量和終點(diǎn)溫度就是影響鋼的質(zhì)量因素之一[1-5]。因此,針對(duì)轉(zhuǎn)爐終點(diǎn)預(yù)測(cè)的研究是十分有意義的。目前,大多數(shù)學(xué)者采用神經(jīng)網(wǎng)絡(luò)建立轉(zhuǎn)爐終點(diǎn)預(yù)測(cè)模型[6-11],均取得了很好的研究成果。但由于神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值,過(guò)度的依賴樣本數(shù)量,使得模型精度有待進(jìn)一步提高。因此,有一些研究人員利用孿生支持向量回歸機(jī)建立轉(zhuǎn)爐終點(diǎn)預(yù)測(cè)模型[12-15]。盡管孿生支持向量回歸機(jī)能夠避免神經(jīng)網(wǎng)絡(luò)的弊端,但其自身也存在些不足,如運(yùn)算效率低,泛化性差。因此,針對(duì)于此問(wèn)題,一些改進(jìn)的TSVR被提出[16-17],并逐漸的被應(yīng)用到轉(zhuǎn)爐煉鋼中[13-14]。本文利用帶副槍系統(tǒng)的260 t轉(zhuǎn)爐的實(shí)際生產(chǎn)數(shù)據(jù),針對(duì)于補(bǔ)吹階段的冶煉情況,建立了WL-ε-TSVR轉(zhuǎn)爐終點(diǎn)預(yù)測(cè)模型,提高了終點(diǎn)的預(yù)測(cè)精度,為后續(xù)的產(chǎn)品加工提供了有效的保障。
假設(shè)有n組m個(gè)特征變量的訓(xùn)練樣本數(shù)據(jù)集 C={xi,yi}n,定義矩陣 A=[x1, ...,xn]T∈Rn×m為輸入訓(xùn)練樣本,向量 Y=[y1, ...,yn]T∈Rn為輸出訓(xùn)練樣本。 向量 e=[l,..., ]lT為適當(dāng)維度的向量。對(duì)于非線性系統(tǒng)的回歸問(wèn)題,需要利用核函數(shù)將訓(xùn)練樣本映射到高維空間。本文采用高斯核函數(shù),即K(xT,AT)=exp(-‖xT-xTi‖2/2σ2),式中,σ 是高斯核函數(shù)的寬度,‖.‖代表2范數(shù)。
與傳統(tǒng)的 TSVR 相似,WL-ε-TSVR[17]也是通過(guò)尋找兩個(gè)上下不敏感函數(shù)分別為 f1(x)=K(xT,AT)ω1+b1和 f2(x)=K(xT,AT)ω2+b2。其中,ω1和 ω2是權(quán)值向量,b1和b2是偏置。最終得到回歸函數(shù)為:
通過(guò)求解公式(2)和(3),可計(jì)算出:
最后,將其結(jié)果帶入到回歸函數(shù)f(x)中。
(1) 變量選取
260 t轉(zhuǎn)爐煉鋼的補(bǔ)吹階段是利用副槍對(duì)鋼水進(jìn)行檢測(cè),根據(jù)副槍碳含量和溫度的檢測(cè)結(jié)果,調(diào)整吹氧量或者冷卻劑的加入。由于在副槍檢測(cè)后,熔池內(nèi)的物理化學(xué)反應(yīng)相對(duì)穩(wěn)定。因此,通過(guò)機(jī)理分析,確定了補(bǔ)吹階段影響轉(zhuǎn)爐終點(diǎn)的因素為:副槍碳含量,副槍溫度,補(bǔ)吹氧氣量,將以上三種因素作為預(yù)測(cè)模型的輸入變量。由于條件限制,暫不考慮冷卻劑對(duì)溫度的影響。模型的輸出變量為終點(diǎn)碳含量或者終點(diǎn)溫度。
(2) 建模步驟
在建立預(yù)測(cè)模型之前,需要確定權(quán)重矩陣D。本文采用高斯函數(shù),即:
式中,diag(·)表示對(duì)角矩陣,exp(·)為指數(shù)函數(shù),E是高斯函數(shù)的峰值,θ為高斯函數(shù)的標(biāo)準(zhǔn)偏差,Y^是輸出樣本Y的估計(jì)值向量。
采用小波變換來(lái)求估計(jì)值向量Y^,這個(gè)過(guò)程分為對(duì)信號(hào)進(jìn)行小波分解、信號(hào)處理以及信號(hào)重構(gòu)三個(gè)部分。首先,對(duì)輸出樣本進(jìn)行分解,分解方式由小波函數(shù)決定,然后對(duì)分解后的信號(hào)進(jìn)行濾波,最后進(jìn)行重構(gòu)處理,得到變換后的信號(hào)。
轉(zhuǎn)爐煉鋼補(bǔ)吹階段終點(diǎn)預(yù)測(cè)模型的建模過(guò)程如下:
第一步,讀取訓(xùn)練樣本,將其進(jìn)行歸一化處理,映射到[-1, ]1 區(qū)間。
第二步,選用DB13小波,對(duì)輸出數(shù)據(jù)進(jìn)行降噪處理。初始化參數(shù)E,θ。
第三步,初始化模型參數(shù),調(diào)整參數(shù) C1,C2,v1,v2,ε1,ε2,σ,E,θ。
第四步,通過(guò)求解公式(2)和(3),求出向量(ω1,b1)T,(ω2,b2)T。
第五步,將結(jié)果代入到f(x)中,即得到轉(zhuǎn)爐終點(diǎn)預(yù)測(cè)模型的回歸函數(shù)。
第六步,將測(cè)試樣本帶入到轉(zhuǎn)爐終點(diǎn)預(yù)測(cè)模型中,得到測(cè)試樣本的測(cè)試值。利用相關(guān)指標(biāo)計(jì)算模型的精度。當(dāng)模型的精度滿足要求時(shí),則保存當(dāng)前參數(shù)。否則,重復(fù)第三步到第六步。
樣本來(lái)自某鋼廠260 t轉(zhuǎn)爐實(shí)際生產(chǎn)數(shù)據(jù),剔除異常數(shù)據(jù)后,建立了含有500組轉(zhuǎn)爐數(shù)據(jù)的樣本數(shù)據(jù)庫(kù)。將前450組作為訓(xùn)練樣本,后50組作為測(cè)試樣本。通過(guò)調(diào)整參數(shù),預(yù)測(cè)模型參數(shù)確定如下:
碳含量模型參數(shù)為 C1=1,C2=1,v1=0.01,v2=0.01,ε1=0.01,ε2=0.01,σ=0.8,E=10,θ=1 000。
溫度模型參數(shù)為 C1=1,C2=1,v1=0.01,v2=0.01,ε1=0.01,ε2=0.01,σ=0.6,E=10,θ=1 000。
預(yù)測(cè)模型采用的相關(guān)指標(biāo)為:均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)、模型的擬合程度(SSE/SST)、模型的波動(dòng)程度(SSR/SST)、命中率(HR)和雙命中率(DHR)[14]。
為了驗(yàn)證WL-ε-TSVR的有效性,利用相同的樣本數(shù)據(jù)庫(kù),將其與ε-TSVR和TSVR進(jìn)行了比較。為滿足實(shí)際現(xiàn)場(chǎng)的要求,本次仿真選取的碳含量模型的誤差容限為±0.005%,溫度模型的誤差容限為±10℃。三種預(yù)測(cè)模型對(duì)比見(jiàn)表1。
表1 三種預(yù)測(cè)模型對(duì)比Table 1 Comparison of Three Kinds of Prediction Models
從表1可以看出,對(duì)于終點(diǎn)碳含量的預(yù)測(cè),WL-ε-TSVR模型的RMSE和MAE是三種模型中最小的,分別為0.004 1和0.002 9,說(shuō)明該模型的預(yù)測(cè)值與實(shí)際值的誤差小。WL-ε-TSVR模型的SSE/SST為0.353 9,比另外兩種模型更低,說(shuō)明該模型的擬合程度要好。當(dāng)SSR/SST的值接近于1,說(shuō)明模型預(yù)測(cè)值與實(shí)際值的波動(dòng)程度一致。而WL-ε-TSVR模型的SSR/SST為0.912 5,在三種模型中排名第一。此外,該模型的終點(diǎn)命中率為88%,也是三種模型中最高的。因此,從總體上看WL-ε-TSVR模型的預(yù)測(cè)效果是三種模型中較好的。同理,對(duì)于終點(diǎn)溫度的預(yù)測(cè),WL-ε-TSVR模型的RMSE和MAE分別為6.659 2℃和5.254 0℃,且低于另外兩種模型;其SSE/SST為0.532 2,是三種模型中最小的,盡管其SSR/SST為0.775 5,是三種模型中最小的,但是,該模型的終點(diǎn)命中率為92%,在三種模型中排名第一。因此,得到了和碳含量預(yù)測(cè)類似的結(jié)論。此外,該模型的雙命中率達(dá)到了80%,WL-ε-TSVR模型的預(yù)測(cè)效果如圖1所示。
圖1 預(yù)測(cè)模型的預(yù)測(cè)效果Fig.1 Prediction Effect of Prediction Model
從圖1看出,WL-ε-TSVR得到的終點(diǎn)碳含量或者終點(diǎn)溫度的預(yù)測(cè)值與實(shí)際值具有較好的擬合度。進(jìn)一步驗(yàn)證了WL-ε-TSVR對(duì)于預(yù)測(cè)終點(diǎn)信息的可行性。綜上所述,WL-ε-TSVR具有更好的處理非線性預(yù)測(cè)問(wèn)題的能力,模型的預(yù)測(cè)效果好,終點(diǎn)命中率高,能夠給實(shí)際生產(chǎn)提供有價(jià)值的參考。
(1)仿真結(jié)果表明,基于WL-ε-TSVR建立的終點(diǎn)預(yù)測(cè)模型,當(dāng)終點(diǎn)碳含量在誤差為±0.005%范圍內(nèi),模型的終點(diǎn)命中率為88%。當(dāng)終點(diǎn)溫度在誤差為±10℃范圍內(nèi),模型的終點(diǎn)命中率為92%。此外,模型的雙命中率為80%。為了實(shí)現(xiàn)對(duì)轉(zhuǎn)爐終點(diǎn)目標(biāo)的控制水平,調(diào)整碳含量在誤差為0.009%范圍內(nèi),模型的命中率為96%,該模型能夠更好的滿足實(shí)際生產(chǎn)要求。
(2)該模型在做輸入變量的選取時(shí),沒(méi)有考慮到冷卻劑的加入。如果條件允許,可以把冷卻劑作為溫度模型的輸入變量。因?yàn)樵诖禑捄笃冢鋮s劑只影響溫度。
(3)基于該預(yù)測(cè)模型,可建立轉(zhuǎn)爐終點(diǎn)控制模型,用于計(jì)算補(bǔ)吹吹氧量和冷卻劑加入量,其結(jié)果可為現(xiàn)場(chǎng)的生產(chǎn)提供指導(dǎo)。