增刊1 贺东风等：炼钢连铸流程在线钢水温度控制 ·205· 表4模型输入输出变量的描述性统计 Table 4 Descriptive statistics of input and output variables of the model 钢水 LF开始 精炼 氩气 通电 合金和渣料LF终点 钢包热 参数 重量1 温度/℃时间/min 消耗L时间/min热效应/℃ 温度/℃ 状态 平均值 277.26 1575.50 41.12 42096.447.71 6.70 1571.29 最小值 210.00 1520.00 7.00 1017.00 1.67 -38.00 1546.00 最大值300.07 1649.00 90.00 168593.00 28.15 44.00 1614.00 1A,2A,3A,4A,5A,6A,7A,1B,2B,3B,4B等 标准差 11.56 19.73 13.80 21101.84 3.81 6.24 9.24 表5相关性分析 Table 5 Correlation analysis 钢水 LF开始 精炼 氩气 通电 合金和渣料 参数 重量/： 温度/℃ 时间/min 消耗L 时间/min 热效应/℃ LF终点温度 -0.0455 0.2524 0.1293 0.0976 0.2012 -0.0470 标记 R R2 R Ra R 同时，为了消除不同量纲对数据的影响，对以上 常周转包（钢包热状态为1A)的反向传播神经网络 筛选后的样本集各变量按照下式归一化到区间 (BPNN)模型，然后，对于任何非1A的钢包热状态 [-1,1]之内. 炉次，先采用此模型进行钢水温度预测，再根据其钢 2(x-xn） y= (2) 包热状态进行相应的温度补正，最后得出修正后的 Xax一xmin 钢水温度预测值.其中，关于正常周转包的BP神经 其中，y是归一化后的数据，x是归一化前的数据， 网络模型，隐含层使用正切S型传递函数(tansig函 xmm是归一化前数据的最大值，xm是归一化前数据 数)，输出层使用线性传递函数(purelin函数)，隐含 的最小值 层个数和节点数经过多次的尝试和比较，得到最优 2.2.3混合模型的建立 网络结构为6×6×1. 采用数据预处理后的4156炉样本，其中3847 为了更好的验证混合模型的应用效果，建立未 炉样本作为训练集，用来训练模型，309炉样本作为 考虑钢包热状态的BP神经网络模型，与混合模型 测试集，用来测试模型预测精度.基于钢包热状态 进行比较.未考虑钢包热状态下的BP神经网络模 和BP神经网络的LF终点温度预测的混合模型结 型，相比混合模型的区别主要是未对样本数据中钢 构如图5所示.混合模型的建立，主要是考虑到钢 包热状态进行分类，而由此训练数据得到其最优网 包热状态是非数值变量，不能直接作为BP神经网 络结构为6×10×1. 络的输入，而影响钢水温度的其他因素是数值变量 2.2.4 结果比较和分析 所以首先根据钢包热状态为1A的正常周转包的历 利用混合模型和未考虑钢包热状态的BP神经 史数据，利用钢水温度的其他主要影响因素构建正 网络模型分别对309炉的测试样本进行预测，结果 钢包热状态 钢包热状态跟踪模型 钢包热状态修正温度 正常周转包的BPN、模型 L开始温度， 钢水重量， 当前炉次 精炼时间， 通电时间， 氢气清耗量 合金和渣料 输出层 热效应预测 隐含层 输人层 LF终点温度 图5混合模型 Fig.5 Hybrid model增刊 1 贺东风等: 炼钢连铸流程在线钢水温度控制 表 4 模型输入输出变量的描述性统计 Table 4 Descriptive statistics of input and output variables of the model 参数 钢水 重量/t LF 开始 温度/℃ 精炼 时间/min 氩气 消耗/L 通电 时间/min 合金和渣料 热效应/℃ LF 终点 温度/℃ 钢包热 状态 平均值 277. 26 1575. 50 41. 12 42096. 44 7. 71 6. 70 1571. 29 最小值 210. 00 1520. 00 7. 00 1017. 00 1. 67 － 38. 00 1546. 00 1A，2A，3A，4A，5A，6A，7A，1B，2B，3B，4B 等 最大值 300. 07 1649. 00 90. 00 168593. 00 28. 15 44. 00 1614. 00 标准差 11. 56 19. 73 13. 80 21101. 84 3. 81 6. 24 9. 24 表 5 相关性分析 Table 5 Correlation analysis 参数 钢水 重量/t LF 开始 温度/℃ 精炼 时间/min 氩气 消耗/L 通电 时间/min 合金和渣料 热效应/℃ LF 终点温度 － 0. 0455 0. 2524 0. 1293 0. 0976 0. 2012 － 0. 0470 标记 Ｒ1 Ｒ2 Ｒ3 Ｒ4 Ｒ5 Ｒ6 同时，为了消除不同量纲对数据的影响，对以上 筛选后的样本集各变量按照下式归一化到区间 ［－ 1，1］之内． y = 2( x － xmin ) xmax － xmin － 1． ( 2) 其中，y 是归一化后的数据，x 是归一化前的数据， xmax是归一化前数据的最大值，xmin是归一化前数据 的最小值． 图 5 混合模型 Fig． 5 Hybrid model 2. 2. 3 混合模型的建立 采用数据预处理后的 4156 炉样本，其中 3847 炉样本作为训练集，用来训练模型，309 炉样本作为 测试集，用来测试模型预测精度． 基于钢包热状态 和 BP 神经网络的 LF 终点温度预测的混合模型结 构如图 5 所示． 混合模型的建立，主要是考虑到钢 包热状态是非数值变量，不能直接作为 BP 神经网 络的输入，而影响钢水温度的其他因素是数值变量． 所以首先根据钢包热状态为 1A 的正常周转包的历 史数据，利用钢水温度的其他主要影响因素构建正 常周转包( 钢包热状态为 1A) 的反向传播神经网络 ( BPNN) 模型，然后，对于任何非 1A 的钢包热状态 炉次，先采用此模型进行钢水温度预测，再根据其钢 包热状态进行相应的温度补正，最后得出修正后的 钢水温度预测值． 其中，关于正常周转包的 BP 神经 网络模型，隐含层使用正切 S 型传递函数( tansig 函 数) ，输出层使用线性传递函数( purelin 函数) ，隐含 层个数和节点数经过多次的尝试和比较，得到最优 网络结构为 6 × 6 × 1． 为了更好的验证混合模型的应用效果，建立未 考虑钢包热状态的 BP 神经网络模型，与混合模型 进行比较． 未考虑钢包热状态下的 BP 神经网络模 型，相比混合模型的区别主要是未对样本数据中钢 包热状态进行分类，而由此训练数据得到其最优网 络结构为 6 × 10 × 1． 2. 2. 4 结果比较和分析 利用混合模型和未考虑钢包热状态的 BP 神经 网络模型分别对 309 炉的测试样本进行预测，结果 ·205·