基于FA-ELM的转炉终点磷含量预测模型

作者：高放; 包燕平^*; 王敏; 刘宇; 黄永生; 孙光涛

来源：钢铁, 2020, 55(12): 24-30.

DOI：10.13228/j.boyuan.issn0449-749x.20200246

• 因子分析
• 预测指标
• 数据降维
• 超限学习机
• BP神经网络

转炉终点磷含量的预测对实现转炉自动出钢、缩短冶炼周期具有重要意义,为了实现转炉终点磷含量的窄窗口控制,为操作工艺提供指导,需要建立更高精度的终点磷含量预测模型。通过对冶炼工艺以及脱磷热力学的分析,选取12项影响脱磷过程的可观测指标,构建了终点磷含量预测指标体系,然后借助因子分析法(FA)对数据进行降维处理,得到6个派生变量,将其作为模型输入,终点磷含量作为模型输出,建立基于超限学习机(ELM)的终点磷含量预测模型。并将ELM模型预测结果与BP神经网络的进行对比,研究发现,ELM模型拟合度更高,回归系数R2=0.778 7,平均误差MAPE=0.106 0,并且预测误差在±0.003 0%内的炉次所占比例为86.67%。因此,相比于BP神经网络模型,ELM模型具有较高的精度和较好的泛化能力。

• 单位
  钢铁冶金新技术国家重点实验室; 北京科技大学; 中天钢铁集团有限公司