科研之友
微信
新浪微博
Facebook
分享链接
摘要
对转炉炼钢终点的实时精准控制能够有效提高钢铁产出的质量,炉口火焰光谱在炼钢不同时期的变化明显,对其进行分析处理并与机器学习方法相结合可有效用于炼钢终点的实时控制。针对炉口火焰光谱数据量大、现有方法对光谱特征提取在可信度和实时性上不足的缺陷,提出一种基于窗口竞争性自适应重加权采样(WCARS)结合迭代式连续投影算法(ISPA)的光谱特征波长选择方法,该方法在有效解决模型过拟合问题的同时,能够降低高维数据计算的复杂度。将火焰光谱数据沿波长方向进行窗口划分后,使用CARS进行计算选出特征窗口波段,再将迭代式选择与传统连续投影算法相结合,通过重复迭代精选出特征波长,在此基础上使用支持向量机回归(SVR)建立炼钢终点碳含量预测模型。实验采集363组炼钢后期的炉口火焰光谱数据作为样本,并对其进行Savitzky-Golay平滑预处理。使用WCARS-ISPA算法从全光谱数据中选出10个特征波长作为SVR模型的输入,碳含量为模型输出,Kennard-stone算法对训练集和测试集进行划分,选择碳含量的平均预测误差、预测误差在±2%以内的命中率以及运行30次的平均时间作为模型评价指标。实验结果显示,模型的平均碳含量预测误差为1.413 2%,命中率高达90.63%,运行时间为0.019 679 s。与使用全光谱和WCARS-ISPA, CARS-SPA, WCARS和SPA四种不同特征选择方法选出的特征波长建模得到的结果进行对比,基于WCARS-ISPA方法选出的特征波长建立的终点碳含量预测模型误差最小、命中率最高。提出一种新的炉口火焰光谱特征波长提取方法,使用窗口竞争性自适应重加权采样结合迭代式连续投影算法选取特征波长,并在此基础上建立转炉炼钢终点碳含量预测模型,实验结果表明,该方法能够有效提取火焰光谱特征,所建模型能够对转炉炼钢终点进行准确预测,满足工业生产的实时控制要求,为实际生产提供可靠帮助。
- 单位
