基于机器学习的转炉热损失率预测

01研究背景转炉炼钢是现代最主要的炼钢方法，其核心功能是脱碳、脱磷，为精炼和连铸工序提供合格成分和温度的钢水。转炉炼钢是一个复杂的高温物理化学过程，特别是受到原料条件、生产节奏多变的影响，钢水成分和温度难以高精度稳定控制。想要达成转炉冶炼目标，氧耗、渣料、冷却剂等物料消耗控制是基础，物料消耗预测精度对于冶炼目标的达成具有决定性影响。在实际生产中，物料消耗通常通过经验模型或冶金机理模型预测，均不同程度存在适应性差、预测精度低等问题。其中经验模型主要依赖于操作人员经验，反应能力有限，且随机性较大；机理模型通常建立在物料平衡和热平衡基础之上，其中包含了热损失率、氧气利用率等系列关键参数，这些参数通常是固定的，无法适应原料条件、过程操作及冶炼目标多变的需求。近年来，大数据和人工智能等技术快速发展，在蛋白质预测、聊天机器人等领域展现了良好的发展前景，在冶金中的应用探索也逐步深入。对于转炉炼钢，相继出现了基于冶炼数据的渣料预报模型、转炉终点碳温预报模型、磷含量预报模型、氧含量预报模型、炉渣成分预报模型等。转炉在冶炼过程中，高温熔渣和钢水外部空间传递热量而造成热损失，热损失率的确定对物料消耗预测精度具有重要影响。本文拟利用转炉冶炼大数据构建转炉热损失率预测模型，实现转炉热损失率的动态预测，希望通过改善模型参数的适用性来提升转炉物料消耗机理模型预测精度。02研究方法本文采集国内某炼钢厂150吨转炉实际冶炼数据，并对其中空值、零值和离散程度较大的异常数据利用删除法和均值代替法进行数据预处理，进一步进行热损失率的计算，其中热损失率定义为热损失占热收入的比例，热损失为热收入与热支出的差值，随后使用皮尔逊相关系数法和逐步删除法进行特征选择，采用随机搜索优化的SVR、RF、LightGBM三种算法分别建立转炉热损失率预测模型。结合该转炉实际冶炼数据，一共选择1900炉次有效数据作为样本数据，其样本特征至少包括：熔炼号、枪号、枪龄、生产日期、钢质代码、炉次间隔时间、铁水重量、铁水温度、废钢重量、铁水成分含量、渣料种类与重量、炉衬成分、出钢温度、终点钢水成分含量等。采用决定系数（R²）和均方根误差（RMSE）进行模型预测效果评价，其中R²评价模型预测值的拟合程度，RMSE评价模型预测值的准确度。03研究结果热损失率与特征变量的皮尔逊相关系数如图1所示。从图中可知，炉次间隔时间与热损失率的相关性为0.0017，相关性较弱，不予考虑。最终确定模型特征变量为铁水温度（HM_TEMP）、铁水重量（HT_W）、废钢重量（SCRAP_W）、铁水碳含量（HM_C）、铁水硅含量（HM_SI）、铁水锰含量（HM_MN）、终点目标温度（END_TEMP_AIM）、终点目标碳含量（END_C_AIM）和上炉次终点温度（LAST_T_END）。图1增加特征后的热损失率相关系数在初步确定特征变量的基础上，分别采用SVR(支持向量回归机)算法、RF(随机森林)算法和LightGBM(轻量级梯度提升机)算法建立转炉热损失率预测模型。图2为三种算法预测值与实际值的对比情况，表1为相应预测结果的评价情况。从图表中可以看出，对于SVR算法，R²和RMSE分别达到了0.75和0.025，±0.005范围内的命中率为73%；对于RF算法，R²和RMSE分别达到了0.88和0.01，±0.005范围内的命中率为86%；对于LightGBM算法，R²和RMSE分别达到了0.93和0.01，±0.005范围内的命中率为90%。（a）SVR算法（b）RF算法（c）LightGBM算法图2增加特征后预测值与实际值的对比情况表1增加特征后三种算法的预测结果评价文中采用的三种算法均存在内部控制参数，相同的参数应用于不同的场景，预测精度往往存在差异。也就是说，针对不同的数据条件，会存在最佳的参数组合。为此，本文在初始参数的基础上，采用随机搜索方法对算法参数进行了优化，以获得相应算法的最佳参数组合。图3参数优化前后R2、RMSE对比图3是三种算法模型参数优化前后的R2和RMSE对比情况。从图中可以看出，三种算法的预测精度也得到了进一步改善。对于SVR算法，R²由0.75提高到了0.79，RMSE由0.025精确到0.02；对于RF算法，R²由0.88提高到0.89，RMSE保持在0.01；对于LightGBM模算法，R²由0.93提高到0.94，RMSE精确到0.009。04研究结论特征变量选择对预测精度具有重要影响，增加上炉次冶炼终点温度特征后，模型预测精度显著提高。算法内部参数对预测精度具有一定影响，优化算法内部参数