张壮等：基于PSO-RELM转炉治炼终点锰含量预测模型 ·1053· when the predictive errors of the model are within 0.025%,the mean square error is 2.18x10-,and the fitting degree is 0.72.Rela- tive to the above three models,the IPSO-RELM prediction model may provide a more accurate prediction of the end-point manganese content and thus serves as a good reference point for actual production. KEY WORDS basic oxygen furace BOF);end-point manganese content;improved particle swarm optimization (IPSO);extreme learning machine ELM);regularized extreme learning machine RELM):prediction model 转炉炼钢作为钢铁生产长流程中十分重要的环 提出了正则化极限学习机(regularized extreme learn- 节，是目前世界上最主要的炼钢方法.转炉炼钢的 ing machine,RELM).RELM模型具有比ELM模型 目的是获得化学成分和温度均合格的钢水，为此，转 更好的泛化性能，但同ELM模型一样，RELM模型 炉炼钢过程的重要任务就是保证吹炼的平稳进行以 采用随机给定的输入层权值和隐含层偏差，这会影 及准确预测并控制终点钢水的成分和温度-].目 响RELM模型的稳定性和预测精度，而粒子群优化 前，国内外关于转炉冶炼终点碳含量和温度预测方 算法[)](particle swarm optimization,PSO)具有实现 面的研究工作开展得较多，并且取得了较好的预测 容易、精度高、收敛快等优，点.通过分析PS0优化算 效果[4-)：然而，在终点锰含量预测方面做的研究相 法的原理，针对RELM模型输入层权值和隐含层偏 对较少.在转炉炼钢过程中，若能实现对终点钢水 差随机给定的问题，作者以国内某钢厂80t转炉实 锰含量的准确预测，则可以提高操作人员对出钢判 际生产数据为建模样本，将冶金基本原理同统计学 断的准确性，进一步提高转炉冶炼终点命中率，从而 理论相结合，对转炉冶炼终点锰含量预测模型进行 降低生产成本，提高钢水质量.日本高翰武志等6 了研究，通过将其与转炉冶炼终点锰含量相关的因 在副枪取样分析钢水锰含量的基础上，利用热力学 素进行分析，提出基于改进粒子群算法(improved 原理和质量守恒建立了从副枪取样到吹炼终点的锰 particle swarm optimization,PSO)优化正则化极限学 含量预测模型，由于该模型需要用副枪测量钢水中 习机的转炉冶炼终点锰含量预测模型，与基于BP 的锰含量，因而成本较高，且只适用于装备有副枪的 神经网络模型、ELM模型和RELM模型的预测结果 转炉.杨立红等[)利用自适应模糊神经网络对转炉进行比较发现，本文建立的基于PS0-RELM转炉 治炼终点锰含量进行了较为精确的预测，其控制水 冶炼终点锰含量预测模型具有较高的预测精度和良 平接近于动态锰成分控制模型.刘锟等[)分析了影 好的泛化性能，可以更为精确的实现对转炉冶炼终 响终点锰含量的工艺因素，并根据吹炼后期副枪检 点锰含量预测 测的熔池碳含量和温度建立了终点锰含量预测模 型.Wang等[]根据转炉冶金基本原理结合统计学 1研究方法 的方法，分别建立了转炉冶炼终点锰含量代数学预 由于转炉炼钢过程中的物理化学反应十分复 测模型、B神经网络预测模型和基于遗传算法改进 杂，转炉冶炼终点锰含量的影响因素众多，且各影响 的BP神经网络预测模型，其中基于BP神经网络和 因素之间具有很强的非线性关系，机理模型很难建 基于遗传算法改进的BP神经网络预测模型，预测 立.针对上述问题，本文引入粒子群算法、极限学习 误差在±0.025%范围内时，锰含量预测的命中率分 机算法和正则化极限学习机算法对终点锰含量预测 别为71%和84%.上述研究工作为转炉冶炼终点 模型进行研究，并将智能算法的不足进行改进，采用 锰含量预测研究奠定了重要基础 综合优化算法建模，以期获得一种终点锰含量预测 然而，传统的BP神经网络算法具有需要设置 精度较高的建模方法 大量网络训练参数、训练速度较慢且容易陷入局部 1.1粒子群算法及其改进 最优解的固有缺陷.为此，本文引入极限学习机 粒子群算法源于对鸟群捕食行为的研究，是一 (extreme learning machine,ELM)模型，它是Huang 种新兴起来的进化算法(evolutionary algorithm, 等[1基于广义逆矩阵理论提出的一种单隐层前馈 EA),由Kennedy和Eberhart[a]于1995年首次提 神经网络，该算法拥有极快的学习速度，同时可避免出.粒子群算法在对动物群体活动行为进行深人观 传统神经网络算法存在的问题).然而ELM模型 察的基础上，利用群体中个体对信息的共享使整个 也存在泛化能力较差、预测不稳定等问题.为提高 群体运动在问题求解空间中从无序逐渐变得有序， ELM模型的泛化性能，2009年，Deng等]通过向 从而获得最优解 ELM模型引入结构风险最小化理论以及正则化项， 类似于遗传算法(genetic algorithm,GA),粒子张 壮等: 基于 IPSO鄄鄄RELM 转炉冶炼终点锰含量预测模型 when the predictive errors of the model are within 0郾 025% , the mean square error is 2郾 18 伊 10 - 8 ,and the fitting degree is 0郾 72. Rela鄄 tive to the above three models, the IPSO鄄鄄RELM prediction model may provide a more accurate prediction of the end鄄point manganese content and thus serves as a good reference point for actual production. KEY WORDS basic oxygen furnace (BOF); end鄄point manganese content; improved particle swarm optimization (IPSO); extreme learning machine (ELM); regularized extreme learning machine (RELM); prediction model 转炉炼钢作为钢铁生产长流程中十分重要的环 节,是目前世界上最主要的炼钢方法. 转炉炼钢的 目的是获得化学成分和温度均合格的钢水,为此,转 炉炼钢过程的重要任务就是保证吹炼的平稳进行以 及准确预测并控制终点钢水的成分和温度[1鄄鄄3] . 目 前,国内外关于转炉冶炼终点碳含量和温度预测方 面的研究工作开展得较多,并且取得了较好的预测 效果[4鄄鄄5] ;然而,在终点锰含量预测方面做的研究相 对较少. 在转炉炼钢过程中,若能实现对终点钢水 锰含量的准确预测,则可以提高操作人员对出钢判 断的准确性,进一步提高转炉冶炼终点命中率,从而 降低生产成本,提高钢水质量. 日本高輪武志等[6] 在副枪取样分析钢水锰含量的基础上,利用热力学 原理和质量守恒建立了从副枪取样到吹炼终点的锰 含量预测模型,由于该模型需要用副枪测量钢水中 的锰含量,因而成本较高,且只适用于装备有副枪的 转炉. 杨立红等[7]利用自适应模糊神经网络对转炉 冶炼终点锰含量进行了较为精确的预测,其控制水 平接近于动态锰成分控制模型. 刘锟等[8]分析了影 响终点锰含量的工艺因素,并根据吹炼后期副枪检 测的熔池碳含量和温度建立了终点锰含量预测模 型. Wang 等[9]根据转炉冶金基本原理结合统计学 的方法,分别建立了转炉冶炼终点锰含量代数学预 测模型、BP 神经网络预测模型和基于遗传算法改进 的 BP 神经网络预测模型,其中基于 BP 神经网络和 基于遗传算法改进的 BP 神经网络预测模型,预测 误差在 依 0郾 025% 范围内时,锰含量预测的命中率分 别为 71% 和 84% . 上述研究工作为转炉冶炼终点 锰含量预测研究奠定了重要基础. 然而,传统的 BP 神经网络算法具有需要设置 大量网络训练参数、训练速度较慢且容易陷入局部 最优解的固有缺陷. 为此,本文引入极限学习机 (extreme learning machine,ELM) 模型,它是 Huang 等[10]基于广义逆矩阵理论提出的一种单隐层前馈 神经网络,该算法拥有极快的学习速度,同时可避免 传统神经网络算法存在的问题[11] . 然而 ELM 模型 也存在泛化能力较差、预测不稳定等问题. 为提高 ELM 模型的泛化性能,2009 年,Deng 等[12] 通过向 ELM 模型引入结构风险最小化理论以及正则化项, 提出了正则化极限学习机(regularized extreme learn鄄 ing machine,RELM). RELM 模型具有比 ELM 模型 更好的泛化性能,但同 ELM 模型一样,RELM 模型 采用随机给定的输入层权值和隐含层偏差,这会影 响 RELM 模型的稳定性和预测精度,而粒子群优化 算法[13] (particle swarm optimization,PSO) 具有实现 容易、精度高、收敛快等优点. 通过分析 PSO 优化算 法的原理,针对 RELM 模型输入层权值和隐含层偏 差随机给定的问题,作者以国内某钢厂 80 t 转炉实 际生产数据为建模样本,将冶金基本原理同统计学 理论相结合,对转炉冶炼终点锰含量预测模型进行 了研究,通过将其与转炉冶炼终点锰含量相关的因 素进行分析,提出基于改进粒子群算法( improved particle swarm optimization,IPSO)优化正则化极限学 习机的转炉冶炼终点锰含量预测模型,与基于 BP 神经网络模型、ELM 模型和 RELM 模型的预测结果 进行比较发现:本文建立的基于 IPSO鄄鄄 RELM 转炉 冶炼终点锰含量预测模型具有较高的预测精度和良 好的泛化性能,可以更为精确的实现对转炉冶炼终 点锰含量预测. 1 研究方法 由于转炉炼钢过程中的物理化学反应十分复 杂,转炉冶炼终点锰含量的影响因素众多,且各影响 因素之间具有很强的非线性关系,机理模型很难建 立. 针对上述问题,本文引入粒子群算法、极限学习 机算法和正则化极限学习机算法对终点锰含量预测 模型进行研究,并将智能算法的不足进行改进,采用 综合优化算法建模,以期获得一种终点锰含量预测 精度较高的建模方法. 1郾 1 粒子群算法及其改进 粒子群算法源于对鸟群捕食行为的研究,是一 种新 兴 起 来 的 进 化 算 法 ( evolutionary algorithm, EA),由 Kennedy 和 Eberhart [14]于 1995 年首次提 出. 粒子群算法在对动物群体活动行为进行深入观 察的基础上,利用群体中个体对信息的共享使整个 群体运动在问题求解空间中从无序逐渐变得有序, 从而获得最优解. 类似于遗传算法( genetic algorithm,GA),粒子 ·1053·