·206· 北京科技大学学报 第36卷 如表6和图6.由表6可知，混合模型在温度误差范 LF开始目标温度和转炉炉后吹氩站目标温度，最终 围[-10℃，10℃]内的预测命中率是97.09%， 得出转炉终点目标温度. BPNN模型是95.45%；在[-7℃，7℃]内的预测 (2)通过对炼钢连铸过程钢水温度主要影响因 命中率是85.44%，BPNN模型是82.20%；在 素的分析和钢包热状态的研究，提出了一种基于钢 [-5℃，5℃]内的预测命中率是70.55%，BPNN 包热状态和BP神经网络的钢水温度预报混合模 模型是67.96%.所以，混合模型对LF终点温度的 型.混合模型克服了单一的数学模型或智能模型的 预测命中率高于BPNN模型预测命中率. 缺点，更适合实际炼钢过程 表6混合模型和BPNN模型的预测命中率 (3)由混合模型对LF终点温度的预测结果可 Table 6 Hit rate of predicted temperature with hybrid model and BPNN 知，混合模型考虑钢包热状态后，明显改善了BP神 model 经模型的预测精度，而且预测精度较高，在温度误差 温度误差范围 范围[-10℃，10℃]内的预测命中率达到 模型 [-5℃，5℃][-7℃，7℃][-10℃，10℃] 97.09%,在[-7℃，7℃]内的预测命中率达到 BPNN模型 67.96% 82.20% 95.45% 85.44%,在[-5℃，5℃]内的预测命中率达到 混合模型 70.55% 85.44% 97.09% 70.55%,基本能满足实际生产的要求. 图6是针对测试样本中非正常周转包的73炉 参考文献 样本，分别用BPNN模型和混合模型预测的结果比 [Zoryk A,Reid P M.On line liquid steel temperature control. 较.由图6可知，混合模型中考虑了钢包热状态的 Iron and Steelmaker (USA),1993,20(6):21 温度修正后，明显改善了BPNN模型的预测精度，混 2] Dorcak L,Terpak J.Monitoring and prediction of the liquid steel temperature in the ladle and tundish.Metalurgija,2006,45(2):93 合模型预测温度和实际温度更接近 B] Jormalainen T,Louhenkilpi S.A model for predicting the melt 1600 temperature in the ladle and in the tundish as a function of operat- 实际温度 ing parameters during continuous casting.Steel Research Interna- 1590 BPNN模型预测值 混合模型预测温度 tional,2006,77(7):472 4] Wu Y J,Jiang Z H,Jiang M F.Prediction of molten steel tem- 5 perature in LF refining.Journal of Northeastern Unirersity,2002 23(3):247 (武拥军，姜周华，姜茂发.LF炉精炼过程钢水温度预报技 560 术.东北大学学报，2002,23(3)：247) 5] 1550 Tian H X,MaoZZ,Wang A N.A new incremental learning mod- 10 30 60 70 炉次 eling method based on multiple models for temperature prediction of molten steel in LF.ISIJ Int,2009,49(1)58 图6混合模型和BP神经网络模型预测温度和实际温度的比较 [6] Chen W Q,Duan G S,Ou C S.Neural network applied to predic- Fig.6 Comparison of actual and predicted temperatures using the hy- ting molten steel temperature profile from converter to continuous brid model and BPNN model casting.Iron Stssl,1997,32(8)30 (陈伟庆，段贵生，欧昌俗.利用神经网络预测转炉出钢一连 由上可知，混合模型中考虑钢包热状态并进行 铸过程钢液温度.钢铁，1997,32(8)：30) 温度修正后，预测精度不仅高于BP神经网络模型， Huang Y,Qi Z Y,Dong L R.Predicting system for molten steel tem- 而且预测精度较高，能满足实际生产要求. perature by using neural net work.Steelmaking,2001,17(5):43 (黄云，齐振亚，董履仁.利用人工神经网络系统预报钢水温 3结论 度.炼钢，2001,17(5)：43) 8] Yuan P,Mao ZZ,Wang F L.Prediction model of Molten Steel (1)针对实际炼钢厂钢水温度控制现状和炼钢 Temperature in LF/009 Chinese Control and Decision Conference 连铸流程的特点，为了主动进行钢水温度的准确控 (3).Guilin,2009:5 制，以钢包热状态跟踪模型为基础，建立了关键工序 (袁平，毛志忠，王福利.LF炉钢水温度预报模型/2009中 节点钢水温度的正向预测模型和逆向预定模型.正 国控制与决策会议论文集(3).桂林，2009：5) 向预测模型从转炉吹炼终点开始，随生产过程进行 ⑨ He D F,Xu A J,Wu P F,et al.Ladle thermal tracking model in 依次预测转炉炉后吹氩站钢水温度、LF开始温度、 a steeml aking workshop.J Univ Sci Technol Beijing,2011,33 (1):110 LF终点温度和中间包温度；逆向预定模型从要求的 (贺东风，徐安军，吴鹏飞，等.炼钢厂钢包热状态跟踪模型 中间包钢水温度开始，逆向计算LF终点目标温度、 北京科技大学学报，2011,33(1)：110)北 京 科 技 大 学 学 报 第 36 卷 如表 6 和图 6． 由表 6 可知，混合模型在温度误差范 围［－ 10 ℃，10 ℃］内的预测命中率是 97. 09% ， BPNN 模型是 95. 45% ; 在［－ 7 ℃，7 ℃］内的预测 命 中 率 是 85. 44% ，BPNN 模 型 是 82. 20% ; 在 ［－ 5 ℃，5 ℃］内的预测命中率是 70. 55% ，BPNN 模型是 67. 96% ． 所以，混合模型对 LF 终点温度的 预测命中率高于 BPNN 模型预测命中率． 表 6 混合模型和 BPNN 模型的预测命中率 Table 6 Hit rate of predicted temperature with hybrid model and BPNN model 模型 温度误差范围 ［－ 5 ℃，5 ℃］ ［－ 7 ℃，7 ℃］ ［－ 10 ℃，10 ℃］ BPNN 模型 67. 96% 82. 20% 95. 45% 混合模型 70. 55% 85. 44% 97. 09% 图 6 是针对测试样本中非正常周转包的 73 炉 样本，分别用 BPNN 模型和混合模型预测的结果比 较． 由图 6 可知，混合模型中考虑了钢包热状态的 温度修正后，明显改善了 BPNN 模型的预测精度，混 合模型预测温度和实际温度更接近． 图 6 混合模型和 BP 神经网络模型预测温度和实际温度的比较 Fig． 6 Comparison of actual and predicted temperatures using the hy￾brid model and BPNN model 由上可知，混合模型中考虑钢包热状态并进行 温度修正后，预测精度不仅高于 BP 神经网络模型， 而且预测精度较高，能满足实际生产要求． 3 结论 ( 1) 针对实际炼钢厂钢水温度控制现状和炼钢 连铸流程的特点，为了主动进行钢水温度的准确控 制，以钢包热状态跟踪模型为基础，建立了关键工序 节点钢水温度的正向预测模型和逆向预定模型． 正 向预测模型从转炉吹炼终点开始，随生产过程进行 依次预测转炉炉后吹氩站钢水温度、LF 开始温度、 LF 终点温度和中间包温度; 逆向预定模型从要求的 中间包钢水温度开始，逆向计算 LF 终点目标温度、 LF 开始目标温度和转炉炉后吹氩站目标温度，最终 得出转炉终点目标温度． ( 2) 通过对炼钢连铸过程钢水温度主要影响因 素的分析和钢包热状态的研究，提出了一种基于钢 包热状态和 BP 神经网络的钢水温度预报混合模 型． 混合模型克服了单一的数学模型或智能模型的 缺点，更适合实际炼钢过程． ( 3) 由混合模型对 LF 终点温度的预测结果可 知，混合模型考虑钢包热状态后，明显改善了 BP 神 经模型的预测精度，而且预测精度较高，在温度误差 范围［－ 10 ℃，10 ℃］内的预测命中率达到 97. 09% ，在［－ 7 ℃，7 ℃］内的预测命中率达到 85. 44% ，在［－ 5 ℃，5 ℃］内的预测命中率达到 70. 55% ，基本能满足实际生产的要求． 参 考 文 献 ［1］ Zoryk A，Ｒeid P M． On － line liquid steel temperature control． Iron and Steelmaker ( USA) ，1993，20( 6) : 21 ［2］ Dorcak L，Terpak J． Monitoring and prediction of the liquid steel temperature in the ladle and tundish． Metalurgija，2006，45( 2) : 93 ［3］ Jormalainen T，Louhenkilpi S． A model for predicting the melt temperature in the ladle and in the tundish as a function of operat￾ing parameters during continuous casting． Steel Ｒesearch Interna￾tional，2006，77( 7) : 472 ［4］ Wu Y J ，Jiang Z H，Jiang M F． Prediction of molten steel tem￾perature in LF refining． Journal of Northeastern University，2002， 23( 3) : 247 ( 武拥军，姜周华，姜茂发． LF 炉精炼过程钢水温度预报技 术． 东北大学学报，2002，23( 3) : 247) ［5］ Tian H X，Mao Z Z，Wang A N． A new incremental learning mod￾eling method based on multiple models for temperature prediction of molten steel in LF． ISIJ Int，2009，49( 1) : 58 ［6］ Chen W Q，Duan G S，Ou C S． Neural network applied to predic￾ting molten steel temperature profile from converter to continuous casting． Iron Stssl，1997，32( 8) : 30 ( 陈伟庆，段贵生，欧昌俗． 利用神经网络预测转炉出钢—连 铸过程钢液温度． 钢铁，1997，32( 8) : 30) ［7］ Huang Y，Qi Z Y，Dong L Ｒ． Predicting system for molten steel tem￾perature by using neural net work． Steelmaking，2001，17( 5) : 43 ( 黄云，齐振亚，董履仁． 利用人工神经网络系统预报钢水温 度． 炼钢，2001，17( 5) : 43) ［8］ Yuan P，Mao Z Z，Wang F L． Prediction model of Molten Steel Temperature in LF / /2009 Chinese Control and Decision Conference ( 3) ． Guilin，2009: 5 ( 袁平，毛志忠，王福利． LF 炉钢水温度预报模型/ /2009 中 国控制与决策会议论文集( 3) ． 桂林，2009: 5) ［9］ He D F ，Xu A J，Wu P F，et al． Ladle thermal tracking model in a steeml aking workshop． J Univ Sci Technol Beijing，2011，33 ( 1) : 110 ( 贺东风，徐安军，吴鹏飞，等． 炼钢厂钢包热状态跟踪模型． 北京科技大学学报，2011，33( 1) : 110) ·206·