王振阳等：基于支持向量回归与极限学习机的高炉铁水温度预测 575· 预测值相较测量基准值的偏差波动；选取命中率 及误差波动方面表现较佳，对铁水温度±10℃范 (Hit rate,HR)用以表征在工艺可接受范围内的模 围内的预测命中率为94%. 型预测可信度，其计算方法分别如式(15)至(18) 所示： 参考文献 [1]Wang Z Y,Zhang J L,Liu Z J,et al.Status,technological MAE=-. (15) progress,and development directions of the ironmaking industry in China.Ironmaking Steelmaking,2019,46(10):937 [2] (16) Wang Z Y,Zhang J L,An G,et al.Analysis on the oversize blast furnace desulfurization and a sulfide capacity prediction model based on congregated electron phase.Metall Mater Trans B,2016, RMSE= 日2- (17) 47(1):127 [3]Martin R D,Obeso F,Mochon J,et al.Hot metal temperature prediction in blast furnace using advanced model based on fuzzy R=HR×10% logic tools.Ironmaking Steelmaking,2007,34(3):241 n [4] Jimenez J,Mochon J,de Ayala J S,et al.Blast furnace hot metal (18) 1,-y≤c temperature prediction through neural networks-based models./S// HR;= m,2004.44(3):573 0,-为>c [5] Ding Z Y,Zhang J,Liu Y.Ensemble non-Gaussian local 其中，n为测试集中样本总数量，和：分别为铁 regression for industrial silicon content prediction./SI/Int,2017, 水温度预测值与测量值，c为命中率判定边界值， 57(11):2022 本文选取c值为10℃，即以误差(-10℃，10℃)范 [6] Gao C H.Chen J M.Zeng J S,et al.A chaos-based iterated 围内为基准进行命中率计算，计算结果如表3所 multistep predictor for blast fumace ironmaking process.A/ChE 2009,55(4):947 示.由此可知，无论是从偏差绝对值与相对值角 [7]Cui G M,Li J,Zhang Y,et al.Prediction modeling study for blast 度，亦或是从偏差波动与命中率角度，SVR与ELM fumace hot metal temperature based on T-S fuzzy neural network 算法均对铁水日平均温度实现了较好的预测.相 model.Iron Steel,2013,48(11):11 较而言，SVR算法对铁水温度的预测优于ELM算 (崔桂梅，李静，张勇，等.基于TS模糊神经网络模型的高炉铁 法，其平均绝对误差、平均绝对百分比误差、均方 水温度预测建模.钢铁，2013,48(11)：11) 根误差与±10℃以内的命中率表现较佳 [8] Cui G M,Cheng S.Predictive modeling of blast furnace temperature by using distributed neural network model.J Iron 表3SVR与ELM算法铁水温度预测结果综合定量表征 Steel Res,.2014,26(6):27 Table 3 Quantitative characterization of SVR and ELM model (崔桂梅，程史.基于分布式神经网路模型的高炉炉温预测建模 prediction results of hot metal temperature 钢铁研究学报，2014,26(6)：27) Model MAPE/% MAE/℃ RMSE/C HP±10℃)M% [9] Shi L,Tang J J,Yu T,et al.Parameters prediction on furnace SVR 0.29 4.33 5.60 94.0 temperature on blast furnace based on a nonlinear spline ELM 0.31 4.69 6.09 88.5 transform-PLS.J Iron Steel Res,2013,25(2):20 (石琳，汤佳佳，于涛，等.基于样条变换的非线性PLS的反应高 炉炉温的参数预测.钢铁研究学报，2013,25(2)：20) 3结论 [10]Zhang X M,Kano M,Matsuzaki S.A comparative study of deep and shallow predictive techniques for hot metal temperature (1)正相关影响铁水温度变化的特征参量主 prediction in blast furnace ironmaking.Compu Chem Eng,2019, 要为煤气利用率、铁水硅含量和利用系数等：负相 130:106575 关影响铁水温度变化的特征参量主要为炉腹煤气 [11]Zhang X M,Kano M,Matsuzaki S.Ensemble pattern trees for 指数、水温差和焦丁比等.铁水温度受到高炉直 predicting hot metal temperature in blast furnace.Comput Chem 接与间接还原度以及热量平衡相关特征参量的影 Eng,2019,121:442 [12]Diaz J,Fernandez F J,Prieto MM.Hot metal temperature 响较大 forecasting at steel plant using multivariate adaptive regression (2)基于SVR与ELM算法构建的模型均对铁 splines.Metals,2020,10(1):41 水温度实现了较好的预测效果，前者在预测值与 [13]Hashimoto Y,Sawa Y,Kano M.Online prediction of hot metal 误差值散点分布，平均绝对误差和百分比误差，以 temperature using transient model and moving horizon estimation.预测值相较测量基准值的偏差波动；选取命中率 （Hit rate，HR）用以表征在工艺可接受范围内的模 型预测可信度，其计算方法分别如式（15）至（18） 所示： MAE = 1 n · ∑n i=1 |yˆi −yi | （15） MAPE = 1 n · ∑n i=1      yˆi −yi yi      ×100% （16） RMSE = tv 1 n · ∑n i=1 (yˆi −yi) 2 （17）    HR = 1 n · ∑n i=1 HRi ×100% HRi =    1,   byi −yi    ⩽ c 0,   byi −yi    > c （18） 其中，n 为测试集中样本总数量， yˆi 和 yi 分别为铁 水温度预测值与测量值，c 为命中率判定边界值， 本文选取 c 值为 10 ℃，即以误差（−10 ℃，10 ℃）范 围内为基准进行命中率计算，计算结果如表 3 所 示. 由此可知，无论是从偏差绝对值与相对值角 度，亦或是从偏差波动与命中率角度，SVR 与 ELM 算法均对铁水日平均温度实现了较好的预测. 相 较而言，SVR 算法对铁水温度的预测优于 ELM 算 法，其平均绝对误差、平均绝对百分比误差、均方 根误差与±10 ℃ 以内的命中率表现较佳. 表 3  SVR 与 ELM 算法铁水温度预测结果综合定量表征 Table  3    Quantitative  characterization  of  SVR  and  ELM  model prediction results of hot metal temperature Model MAPE/% MAE /℃ RMSE/℃ HP(±10 ℃)/% SVR 0.29 4.33 5.60 94.0 ELM 0.31 4.69 6.09 88.5 3    结论 （1）正相关影响铁水温度变化的特征参量主 要为煤气利用率、铁水硅含量和利用系数等；负相 关影响铁水温度变化的特征参量主要为炉腹煤气 指数、水温差和焦丁比等. 铁水温度受到高炉直 接与间接还原度以及热量平衡相关特征参量的影 响较大. （2）基于 SVR 与 ELM 算法构建的模型均对铁 水温度实现了较好的预测效果，前者在预测值与 误差值散点分布，平均绝对误差和百分比误差，以 及误差波动方面表现较佳，对铁水温度±10 ℃ 范 围内的预测命中率为 94%. 参    考    文    献 Wang  Z  Y,  Zhang  J  L,  Liu  Z  J,  et  al.  Status,  technological progress, and development directions of the ironmaking industry in China. Ironmaking Steelmaking, 2019, 46（10）: 937 [1] Wang Z Y, Zhang J L, An G, et al. Analysis on the oversize blast furnace  desulfurization  and  a  sulfide  capacity  prediction  model based on congregated electron phase. Metall Mater Trans B, 2016, 47（1）: 127 [2] Martin  R  D,  Obeso  F,  Mochon  J,  et  al.  Hot  metal  temperature prediction in blast furnace using advanced model based on fuzzy logic tools. Ironmaking Steelmaking, 2007, 34（3）: 241 [3] Jimenez J, Mochon J, de Ayala J S, et al. Blast furnace hot metal temperature prediction through neural networks-based models. ISIJ Int, 2004, 44（3）: 573 [4] Ding  Z  Y,  Zhang  J,  Liu  Y.  Ensemble  non-Gaussian  local regression for industrial silicon content prediction. ISIJ Int, 2017, 57（11）: 2022 [5] Gao  C  H,  Chen  J  M,  Zeng  J  S,  et  al.  A  chaos-based  iterated multistep predictor for blast furnace ironmaking process. AIChE J, 2009, 55（4）: 947 [6] Cui G M, Li J, Zhang Y, et al. Prediction modeling study for blast furnace hot metal temperature based on T-S fuzzy neural network model. Iron Steel, 2013, 48（11）: 11 （崔桂梅, 李静, 张勇, 等. 基于T-S模糊神经网络模型的高炉铁 水温度预测建模. 钢铁, 2013, 48（11）：11） [7] Cui  G  M,  Cheng  S.  Predictive  modeling  of  blast  furnace temperature  by  using  distributed  neural  network  model. J Iron Steel Res, 2014, 26（6）: 27 （崔桂梅, 程史. 基于分布式神经网络模型的高炉炉温预测建模. 钢铁研究学报, 2014, 26（6）：27） [8] Shi  L,  Tang  J  J,  Yu  T,  et  al.  Parameters  prediction  on  furnace temperature  on  blast  furnace  based  on  a  nonlinear  spline transform-PLS. J Iron Steel Res, 2013, 25（2）: 20 （石琳, 汤佳佳, 于涛, 等. 基于样条变换的非线性PLS的反应高 炉炉温的参数预测. 钢铁研究学报, 2013, 25（2）：20） [9] Zhang X M, Kano M, Matsuzaki S. A comparative study of deep and  shallow  predictive  techniques  for  hot  metal  temperature prediction in blast furnace ironmaking. Comput Chem Eng, 2019, 130: 106575 [10] Zhang  X  M,  Kano  M,  Matsuzaki  S.  Ensemble  pattern  trees  for predicting  hot  metal  temperature  in  blast  furnace. Comput Chem Eng, 2019, 121: 442 [11] Diaz  J,  Fernandez  F  J,  Prieto  M  M.  Hot  metal  temperature forecasting  at  steel  plant  using  multivariate  adaptive  regression splines. Metals, 2020, 10（1）: 41 [12] Hashimoto  Y,  Sawa  Y,  Kano  M.  Online  prediction  of  hot  metal temperature using transient model and moving horizon estimation. [13] 王振阳等： 基于支持向量回归与极限学习机的高炉铁水温度预测 · 575 ·