基于粒度聚類的轉爐煉鋼氧氣消耗量預測

陽青鋒 賴旭芝 杜 勝 胡 杰 陳略峰 吳 敏

轉爐煉鋼是鋼鐵企業的主要耗氧工序,煉鋼過程具有典型的周期性和間歇性特點,煉鋼在短時間內氧氣需求激增,與制氧機只能穩定制氧之間存在生產矛盾,難以保證氧氣供需平衡.預測轉爐煉鋼過程的氧氣消耗,可給予調度人員充足時間去調度決策,保證氧氣系統動態平衡.

針對轉爐煉鋼過程氧氣消耗預測問題,有學者從機理角度進行了研究.文獻[1] 分析轉爐煉鋼過程的主要化學反應,建立了轉爐煉鋼過程的氧氣消耗預測模型,該模型對認識轉爐煉鋼過程、實現氧氣消耗在線預測具有積極作用.但缺少對轉爐煉鋼過程中不同因子間的耦合性分析,鐵水中的化學物質種類眾多,冶煉過程伴隨眾多的物理化學反應、復雜的相變過程以及各種不確定因素,機理模型無法準確計算煉鋼過程氧氣的消耗量[2].受現場爐體參數和檢測精度的影響,該方法不具備良好的普適性.

工業過程海量數據存儲與計算能力的提升為基于數據驅動的預測方法提供了重要基礎.這類方法利用數理統計知識和人工智能方法來挖掘數據特征,不需要建立完全刻畫機理過程的數學模型,如多元線性回歸[3]、自回歸滑動平均[4]、長短記憶網絡[5]、支持向量機[6]、T-S 模糊模型[7]、回聲狀態網絡[8]等方法.上述研究可分為時序預測和回歸預測兩大類.時序預測往往通過頻譜分析、時序分解等技術提取歷史數據特征,利用時序網絡挖掘數據變化規律,達到預測的目的,值得注意的是,時序預測非常依賴歷史數據的質量,預測之前往往要對原始數據進行去噪處理.回歸預測將機理知識或專家經驗知識與數據相融合,采用主成分分析、皮爾遜相關性分析、互信息等方法提取主要特征因子,采用回歸網絡挖掘工業過程的非線性關系進行預測.

上述方法在工業過程取得了良好應用,但是這些方法直接用于轉爐煉鋼的氧氣消耗量預測還存在一些問題.首先,在轉爐高溫、高壓、高噪音的環境下,傳感器難以高精度在線測量甚至會采集一些異常數據,數據驅動模型非常依賴數據的質量,這些模型缺少數據的異常檢測;其次,各類鋼種的化學物質含量存在差異,上述模型是針對單一工況的建模,從鋼種的角度來說,轉爐煉鋼存在多工況的特點.

單一工況無法有效反映工業過程多工況的特性,有許多學者對工業過程多工況預測進行了研究并取得了一定成果.文獻[9] 針對燒結過程多工況特性,提出了一種基于差分進化算法的多級預測模型,預測燒結過程的綜合焦比.文獻[10] 提出一種基于時間序列數據分析的波動區間工況識別,判斷燒結過程波動工況.文獻[11] 針對淬火過程建立了多工況板形預報模型.上述研究側重于單個樣本數據特征的聚類,而本文需從鋼種角度進行聚類,即不同鋼種聚類成多個工況.在實際生產中,不同鋼種的冶煉爐數與公司的訂單需求有關,導致不同鋼種采集到的歷史數據樣本長度不同.因此,本文在識別轉爐工況前需要解決不同鋼種粒度不統一的問題,本文提到的鋼種數據粒度不統一是指不同鋼種的樣本數據長度不同.

針對上述問題,本文提出一種基于粒度聚類的轉爐煉鋼氧氣消耗量預測方法,利用孤立森林對實際生產過程數據進行預處理,剔除異常數據;接著,采用信息?；幚聿煌摲N數據量不平衡的問題,在此基礎上進行模糊C 均值(Fuzzy C-means,FCM) 聚類;然后針對不同的工況,分別建立基于支持向量回歸(Support vector regression,SVR)的工況子模型;最后,利用實際生產數據對本文所提方法進行實驗,驗證本文所提方法的準確性和有效性.

本文的創新性主要包括以下兩個方面: 首先是設計了轉爐煉鋼氧氣消耗量預測方案,該方案從工況的角度,采用孤立森林、相關性分析、粒度聚類、支持向量回歸進行轉爐煉鋼氧氣消耗量預測;其次是采用信息?；鉀Q了鋼種在不同數據粒度下進行工況識別的問題.

1 轉爐過程描述與方案設計

本節從轉爐煉鋼生產工藝過程出發,對轉爐煉鋼氧氣消耗機理進行詳細分析,指出轉爐煉鋼氧氣消耗預測的難點,并設計轉爐煉鋼氧氣消耗量的預測方案.

1.1 轉爐煉鋼過程描述與分析

轉爐煉鋼的基本原理是在轉爐中加入鐵水、廢鋼、石灰石等原料,在高溫環境下通入高純度氧氣,氧化去除鐵水中的碳、磷、硫等物質,同時利用氧化反應釋放的熱量加熱爐體,達到煉鋼所需的溫度.轉爐煉鋼生產主要包括倒廢鋼、兌鐵水、加熱、脫硫、脫碳、調和、出鋼等過程,其工藝流程如圖1 所示.

圖1 轉爐冶煉過程Fig.1 Converter steelmaking process

高爐生產的鐵水,用鐵牛罐車運輸到轉爐,鐵水裝入轉爐爐體后倒入廢鋼.鐵水在運輸過程中會損耗大量熱量,在冶煉前需吹入氧氣進行預加熱,提高鐵水溫度;然后加入石灰石去除鐵水中的含硫物質,通過氧氣槍向轉爐內吹入高純度氧氣,氧化鐵水中的碳、磷、硫等化學物質,分解出CO 與CO2等氣體;接著加入合金元素,調節鋼水的化學成分,達到不同鋼種化學物質含量要求;最后將鋼水倒出并清理爐渣,鋼水運輸到連鑄、熱軋、冷軋等工序進行后續加工.

高爐出鐵口和轉爐現場的環境十分惡劣,鐵水溫度高達1 600 ℃,碳、磷、硫等參數實時在線監測困難.本文研究的鋼鐵企業轉爐過程參數通過以下方式獲取: 1) 鐵水經過出鐵口時會進行取樣,檢測鐵水中各類物質含量;2) 鐵水與廢鋼在倒入轉爐前進行稱重.本文的檢測參數是以爐次為單位進行檢測的,即每一爐鋼水在冶煉前檢測.每一爐次的時間跨度是30 分鐘左右,其中冶煉時長在18 分鐘左右,等待鐵水12 分鐘左右.深冷法制氧機的調節速度緩慢,無法實現分鐘級快速響應,因此以爐次進行氧氣消耗預測對氧氣調度具有參考意義.

在整個吹煉過程中,轉爐煉鋼的氧氣消耗量與眾多變量密切相關.從物理化學角度來說,首先,冶煉的鐵水、廢鋼以及加入的石灰石越多,需要去除的雜質越多,對氧氣的需求量也越大,因此鐵水重量、廢鋼重量、石灰重量與氧氣消耗可能存在較強的線性相關性.其次,氧氣與鐵水接觸時會與鐵水中的化學物質發生各種化學反應,包括氧化、還原、熔化、滲碳等,在不同的階段,化學反應的程度不相同,反應機理也存在差異,在初期主要與碳反應,在后期則主要與硅、錳等化學物質反應,因此這類變量與氧氣的消耗量存在嚴重的非線性關系.此外,上述變量之間并不是相互獨立的,還存在耦合作用,例如,不同類型廢鋼的殘余元素成分不同.鐵水與廢鋼的比例對氧氣吹入量有影響,該因素也會直接影響化學反應進程.

除上述因素外,還存在許多變量難以檢測的問題.不同類別的鋼種其最終的化學成分不同,也影響著轉爐煉鋼過程的氧氣消耗量.上述各類原因導致轉爐煉鋼的氧氣消耗量難以預測,有必要對轉爐煉鋼從冶煉鋼種角度來劃分工況,對氧氣消耗量進行分工況預測.

綜合上述分析并結合轉爐煉鋼氧氣消耗過程特點,本文需考慮以下問題:

1) 現場環境惡劣,采集到的數據存在異常值,數據質量難以保證;

2) 轉爐冶煉過程工況復雜,參數變量多,參數之間存在嚴重非線性;

3) 不同鋼種間的數據粒度不統一.

本文的難點首先是工業過程數據維度過高,難以對高維數據進行無監督異常檢測.其次是鋼種粒度不統一時,無法進行鋼種聚類,當前的工況識別算法和以往的研究都是對多條數據進行聚類,每條數據維度為1×N 維,而本文不同類型鋼種的數據維度為m i×N,鋼種不同,m i的值也不同,因此無法以鋼種為單位進行工況識別.最后就是進行工況識別后,轉爐過程的數據被劃分為多個工況,模型訓練的數據量減小,如何利用小樣本數據進行高精度預測.

1.2 方案設計

考慮到轉爐煉鋼的氧氣消耗量與轉爐工況息息相關,且不同鋼種的數據粒度不統一.結合轉爐煉鋼過程特點,本文提出了一種基于粒度聚類的轉爐煉鋼氧氣消耗預測方法,其結構圖如圖2 所示.

圖2 基于粒度聚類的氧氣消耗量預測方案Fig.2 Oxygen consumption prediction scheme based on granularity clustering

本文方法首先從轉爐過程的歷史數據庫中獲取轉爐煉鋼過程的相關數據,工業過程的異常數據難以發現,采用孤立森林對異常數據進行剔除.然后,針對檢測參數眾多的問題,利用皮爾遜相關性分析和互信息法計算檢測參數和計劃參數與氧氣消耗量的相關性,選取與轉爐煉鋼耗氧具有強相關性的參數,降低數據冗余對工況識別的影響.接著,按鋼種對樣本數據進行分類,考慮到不同數據粒度的鋼種無法聚類且轉爐煉鋼過程無統一標準劃分轉爐工況,采用信息?；崛〔煌摲N樣本的數據特征并統一數據的維度,對?；蟮臄祿M行模糊C 均值聚類.最后,對不同類別的鋼種數據,分別建立不同工況的子模型.在測試階段,將采集到的過程數據,根據鋼種編號分別輸入訓練好的工況子模型,達到預測轉爐煉鋼過程氧氣消耗量的目的.

2 轉爐煉鋼耗氧預測模型

本節主要介紹基于粒度聚類的轉爐煉鋼氧氣消耗量預測模型.為減小異常數據對預測模型精度的影響,利用孤立森林去除轉爐煉鋼生產過程的異常數據;針對工況復雜、數據粒度不統一的問題,采用信息?；湍：鼵 均值聚類劃分不同工況類型,建立不同工況下的轉爐氧氣消耗量預測子模型.

2.1 基于孤立森林的異常數據剔除

鋼鐵冶煉現場環境惡劣,歷史生產數據存在一些異常值.這些異常數據雖然較少,且與正常樣本之間存在明顯的差別,若不加以剔除的話會直接影響相關參數的選取,不利于神經網絡對轉爐煉鋼氧氣消耗量非線性模型的擬合,因此有必要對異常數據進行剔除.

孤立森林采用一套高效的孤立策略來構造二叉樹,使異常樣本少且與正常樣本屬性差異明顯的樣本能率先被分離出來[12].該方法是一種無監督異常檢測方法,構建樹的過程不涉及密度、距離等復雜運算,計算復雜度低.孤立森林不依賴數據的分布假設,而基于概率分布的方法如高斯混合模型[13]等方法,需要正常數據滿足正態分布,這對于轉爐煉鋼過程的數據要求過于苛刻.基于統計的 3σ、Grubbs 等方法簡單高效,但其魯棒性較差[14].本文對多個轉爐煉鋼過程特征參數進行異常檢測,在高維度中,數據點的密度分布會變稀疏,基于密度的DBSCAN方法[15]處理高維數據存在維度災難,并不適用本文的異常檢測.因此,本文選擇孤立森林進行異常數據檢測.

孤立森林的關鍵在于孤立樹的構建,圖3 為轉爐過程數據樣本的孤立樹,樹節點的子節點采用隨機采樣的方式生成,構建孤立樹的步驟如下:

圖3 孤立樹結構Fig.3 Isolation tree structure

步驟1.選擇轉爐煉鋼過程數據中的一個特征向量Xi.

步驟2.隨機選擇該數據集中的一個值xn.

步驟3.把特征中小于x n的數據放入左節點,大于x n的數據放入右節點.

步驟4.若二叉樹的高度達到上限或所有子節點只有一條數據,樹的構建結束.否則判斷所有子節點,若子節點只有一條數據則該節點結束,否則該節點跳轉步驟2 繼續構建新節點.

數據樣本距離根節點越近,該樣本為異常樣本的概率越高.但是在構建孤立樹的過程中,轉爐數據的特征向量和節點分割值隨機選取,僅使用一棵孤立樹來確定樣本的異常不具備魯棒性,因此需要不斷構造新的孤立樹,將多個孤立樹集成為孤立森林,來增加判別的可靠性以及對局部相對稀疏點的覆蓋率.構建多棵孤立樹會增加計算負擔,考慮到數據密度較小的樣本大概率會被率先孤立出來,當孤立樹的高度達到一定程度時,剩下的數據所處位置密度較高,這些數據是異常值的概率較低.本文設置孤立樹的最大高度為100 來降低計算負擔,且孤立樹的構建是相互獨立的,可以采用并行計算技術來加快孤立森林的構建速度.為定量說明樣本異常程度,定義樣本x異常得分函數S(x)

含量CSi、Mn 含量CMn、P 含量CP等.轉爐過程的檢測參數屬于典型的高維數據,隨著維數增加,數據空間大小會呈指數級增長,導致轉爐過程數據分布稀疏.考慮到所有成分參數都是同時進行化驗檢測的,在進行異常數據檢測時可選擇一個成分參數作為代表,本文選擇鐵水硅含量作為鐵水中化學元素含量的代表.綜上所述,本文選擇氧氣消耗量、鐵水重量、廢鋼重量、石灰重量以及鐵水硅含量這5個特征參數進行異常值檢測.本文的符號含義如表1所示.

表1 符號說明Table 1 Symbol description

2.2 基于信息?；匿摲N聚類

根據轉爐煉鋼過程描述和特性分析可知,轉爐煉鋼的氧氣消耗量與檢測參數之間存在一定的相關性.其中檢測參數主要指鐵水中各種化學物質的含量,計劃參數則主要指冶煉的鐵水量、廢鋼量、鋼種等生產計劃,這些參數可能存在大量的冗余數據,具體參數如表2 所示.為定量描述各類檢測參數與氧氣消耗量之間的相關性,本文采用皮爾遜相關系數ρpcc[11]和互信息相關系數ρNMI[16]來計算它們之間的相關性,并選取強相關參數因子減小數據的冗余.其中,皮爾遜相關系數可描述過程參數與轉爐煉鋼氧氣消耗量之間的線性關系,歸一化互信息相關系數則可描述它們之間的非線性關系.

表2 相關參數與吹氧量的 ρpcc 和 ρNMI 值Table 2 ρpcc and ρNMI values between relevant parameters and oxygen blowing amount

不同鋼種的化學物質含量不同,從鋼種角度來說,冶煉不同鋼種也可看作不同的生產工況.對轉爐煉鋼過程的歷史數據按冶煉的鋼種進行歸納,鋼其中,m為孤立樹的數量,m ≥100 時異常得分趨于穩定,n為樣本數量,d i(x) 為樣本x距離第i棵樹根節點的路徑長度,c(n) 為孤立樹的平均高度

其中,γ為歐拉常數,γ=0.5772156649.

通過上述方式,可以得到樣本的異常得分,異常得分越高,表示樣本越可能為異常值.

轉爐過程涉及的檢測參數多達20 個,主要包括操作參數和成分參數,操作參數受人為控制可直接調節,如鐵水重量C1、廢鋼重量C2、石灰重量C3.成分參數為鐵水中各種化學元素的含量,如Si種的類型多達幾十種.若對每一種鋼種單獨建立轉爐煉鋼的氧氣消耗預測模型,會使整個模型非常復雜,并且小樣本的鋼種無法有效描述鋼種冶煉過程的非線性關系.為了解決上述問題,需要對轉爐煉鋼過程的歷史數據以鋼種為單位進行聚類.不同鋼種的數據量存在差別,在聚類之前要統一不同鋼種的數據粒度.如圖4 所示,采用信息?；c模糊C均值聚類相結合的方法來解決上述問題,不同顏色代表不同鋼種,每個鋼種的過程參數維度相同,但數據長度不同.先對每個鋼種的過程參數進行信息?；?提取該鋼種的主要數據特征并統一所有鋼種的數據維度,接著采用模糊C 均值算法對鋼種進行分類,將相似的鋼種進行聚類.

圖4 基于信息?；匿摲N模糊聚類Fig.4 Fuzzy clustering of steel types based on information granulation

其中,C為鋼種類別數,n為樣本數,m為加權系數.ci為不同鋼種類別的聚類中心,Xj表示信息粒,uij表示信息粒Xj屬于ci類的隸屬度,u ij需滿足約束條件

引入拉格朗日系數法對上述約束方程求解,使目標函數J取極小值的必要條件為

模糊C 均值算法通過迭代計算ci,u ij與J,直到目標函數值小于給定閾值或u ij趨于穩定,算法停止.聚類算法完成后,可計算鋼種屬于不同類別的隸屬度值,進而識別鋼種所屬的類別.對?；蟮匿摲N進行聚類,得到的類別就是以鋼種進行分類,聚類中心是鋼種的中心.在線應用時,根據需要冶煉的鋼種名稱即可判斷所屬的工況模型.

模糊C 均值算法是無監督聚類,需指定聚類數目以完成對鋼種的聚類.本文引入Davies-Bouldin 指數(Davies-Bouldin index,DBI)來評價聚類效果[20],指數Db值越小,類別之間的相似度越低,聚類效果越好.Db值的定義如下

其中,Si表示屬于i類的鋼種到類中心距離的平均值,d ij表示i類與j類聚類中心間的距離.

2.3 基于支持向量回歸的預測模型

綜合考慮轉爐煉鋼過程氧氣消耗量影響因子,使用歷史數據來建立氧氣消耗量的預測模型.轉爐煉鋼過程的數據按鋼種聚類后,按工況建立多個預測模型,相較于建立單個預測模型,歷史數據被劃分為多個工況,訓練模型的數據量減小.支持向量回歸模型通過高維映射方法來解決數據在低維空間難以非線性擬合的問題,該模型在小樣本建模上具有優秀的表現[21],本文采用支持向量回歸來建立轉爐煉鋼的氧氣消耗預測模型.

假設轉爐煉鋼氧氣消耗量的相關影響因子為X=[X1,X2,···,Xk]T,轉爐煉鋼氧氣消耗量為Y=[y1,y2,···,yn],其中,k為數據維度,Xt=[x1,x2,···,xn],n為數據長度.構建支持向量回歸模型Y=wX+b,尋找超平面w和偏置b使模型的輸入參數與模型輸出之間具有最小擬合誤差,讓離超平面最遠的樣本點距離最小.轉化為如下數學關系式

其中,λi為松弛變量,在λi范圍內的樣本不計算損失,g為λi的懲罰因子.在此之前,需使用核函數將輸入數據映射到高維空間,本文選用高斯核函數

其中,σ為高斯核函數參數,xi和xj代表轉爐煉鋼氧氣消耗量數據的特征向量.引入拉格朗日乘子α和α′對其對偶問題進行求解,得到氧氣消耗量預測函數f(x)

3 仿真與結果分析

為驗證本文所提方法的有效性,本文使用我國某大型聯合鋼鐵企業的210 t 轉爐生產過程2023年1 月至3 月的數據,共收集和使用708 組樣本數據進行仿真實驗.其中588 組數據作為訓練集,120組數據用于測試.

對588 組訓練數據進行孤立森林異常檢測,檢測到異常數據45 組并將異常值剔除.在圖5 中,列舉了其中4 個檢測參數使用孤立森林剔除異常值前后的箱線圖,其中綠色箱體為原始數據,紫色箱體為去除異常值后的數據,紅色點為離群數據.通過對比可以看出,使用孤立森林后,4 種參數的離群值數量大大減少,剔除后的箱體上下限和箱線圖的上下須長度與原始數據差異很小,說明孤立森林可以有效剔除轉爐生產過程的異常數據并且不會改變轉爐過程的訓練數據分布.

圖5 剔除異常值前后箱線圖對比Fig.5 Comparison of box plots before and after removing outliers

利用剔除異常數據后的543 組數據計算皮爾遜相關系數值和互信息相關系數值,計算結果如表2所示.根據表中的ρpcc值可知,相較于其他過程參數而言,轉爐煉鋼的氧氣消耗量與鐵水重量、廢鋼重量、石灰重量具有更強的線性相關性,這符合轉爐煉鋼氧氣消耗過程分析的物理化學特點.廢鋼重量和石灰重量的ρNMI值超過了0.8,證明這兩個變量與氧氣消耗量具有強相關性,鐵水重量的ρNMI值為0.776,也與氧氣消耗量具有較強相關性.由于在進行相關性分析之前,剔除了訓練數據中的異常數據,絕大部分參數與氧氣消耗量的ρNMI值超過了0.5,為降低數據的冗余,本文選擇ρNMI超過0.8 的過程參數作為氧氣消耗的主要影響因子.綜合上述分析,本文選擇C1(鐵水重量)、C2(廢鋼重量)、C3(石灰重量)、CSi(Si 含量)、CMn(Mn 含量)、CS(S 含量)、CTi(Ti 含量)、CV(V 含量)這8 個變量作為轉爐煉鋼過程氧氣消耗量的影響因子.

剩余的543 組訓練數據中,共有31 類鋼種數據,首先對數據按鋼種進行信息?；?根據?；蟮臄祿M行模糊C 均值聚類,計算不同聚類數目時的Db值,如圖6 所示.聚類數目為4 時,取得最小的Db值0.471,將鋼種數據聚類為4 類,本文需建立4 個不同工況的轉爐煉鋼氧氣消耗預測子模型.

圖6 不同聚類數目的 Db 值Fig.6 Db values for different numbers of clusters

為對比驗證本文所提基于粒度聚類的轉爐煉鋼氧氣消耗預測方法的有效性,分別與Elman 網絡、極限學習機(Extreme learning machine,ELM)以及支持向量回歸方法等進行對比實驗.為比較各模型預測效果的優劣,采用均方根誤差r1、平均絕對誤差r2、平均絕對百分比誤差r3、最大絕對百分比誤差r4作為評價指標,評價不同模型的預測結果,其計算公式如下所示

其中,N為預測樣本數,yi為預測值,為實際值.r1,r2,r3,r4的值越小,表示模型的預測精度越高,性能越好.

不同模型的預測誤差如表3 所示,從表中可以看出,SVR 模型的性能優于Elman 網絡、ELM 網絡和隨機森林[22](Random forest,RF).相較于單一的Elman、ELM、SVR、RF 預測模型,對應的基于粒度聚類的組合預測模型IG-FCM-Elman、IGFCM-ELM、IG-FCM-SVR (本文提出的方法)、IGFCM-RF 的RMSE、MAE、MAPE 更小,組合模型預測精度更具優勢,說明基于信息?；木垲惸苡行澐洲D爐冶煉的工況.IG-FCM-Elman 和IGFCM-ELM 的MaxAPE 有所升高,可能是模型分工況后樣本數量減少、模型出現過擬合且模型預測遠離歷史數據分布的邊界數據產生不穩定結果導致的;IG-FCM-SVR 的MaxAPE 相較于單一的SVR 有所降低,說明了SVR 模型的高斯函數內核以及在小樣本建模上的良好性能.本文所提IG-FCMSVR 方法的均方根誤差、平均絕對誤差、平均絕對百分比誤差、最大絕對百分比誤差分別為407.64、304.74、3.16、0.14,表明該模型能有效挖掘轉爐煉鋼過程氧氣消耗的非線性特征,本文所提方法能基本滿足工業現場應用需求.

表3 不同模型預測誤差Table 3 Prediction errors of different models

為直觀展示不同模型的預測效果,繪制不同方法的轉爐煉鋼氧氣消耗量預測結果與實際檢測值的曲線圖.圖7 為基于單一模型的氧氣消耗量預測結果圖,在單一預測模型中,支持向量回歸預測模型的預測值受轉爐煉鋼氧氣消耗相關因子的數值波動影響較小,預測結果不會大幅度波動,能更好地跟蹤實際的氧氣消耗量.圖8 為基于不同組合模型的氧氣消耗量預測結果圖,在組合模型中,ELM 和Elman 的組合模型分別在第59 個樣本和第3 個樣本預測誤差明顯增大,這是由于ELM 的輸出權重采用線性回歸的方式進行求解,可能存在奇異解,無法有效應對生產過程的異常數值.Elman 網絡是具有短期記憶功能的動態網絡,更適合時序預測,而本文的預測是回歸預測,因此Elman 網絡在預測氧氣消耗總量的表現上遜色于SVR 網絡.

圖7 基于單一模型的氧氣消耗量預測結果Fig.7 Oxygen consumption prediction results based on a single model

圖8 基于不同組合模型的氧氣消耗量預測結果Fig.8 Oxygen consumption prediction results based on different combination models

結合圖7 和圖8 可知,支持向量回歸模型預測的可靠性更強.基于信息?；蟮哪：鼵 均值聚類結合支持向量回歸的組合方法相對于其他方法擬合效果更好.本文的數據異常值處理是針對訓練集數據進行的,而在實際檢測過程中難免會出現少量無法識別的異常數據,支持向量回歸引入了松弛變量,增加了對異常數據的敏感性,因此,采用支持向量回歸模型更適合工業現場的應用.

4 總結

本文針對轉爐煉鋼氧氣消耗量難以預測、不同鋼種冶煉數據量不統一的問題,提出了一種基于粒度聚類的轉爐煉鋼氧氣消耗預測方法.該方法采用信息?；姆椒ńy一不同鋼種的數據維度,在此基礎上針對不同工況進行轉爐煉鋼氧氣消耗量預測.仿真結果表明,本文所提方法對轉爐煉鋼氧氣消耗預測的精度更高,可為鋼鐵企業調節氧氣系統平衡提供科學的參考信息.下一步將參考轉爐煉鋼氧氣消耗預測的相關成果,繼續研究鋼鐵企業氧氣系統平衡調度策略,并將其用于鋼鐵企業能源管控系統中,保證氧氣系統動態平衡.