516 工程科学学报，第39卷，第4期 表6多元线性回归系数 表7多元线性回归模型和BP神经网络模型预测结果对比 Table 6 Coefficients of multiple linear regression Table 7 Comparison of the prediction results of the BP neural network 多元线性 RH进站 RH进站 脱碳结束 and multiple linear regression models 常量 吹氧量 回归参数 钢液温度 氧活度 氧活度 平均 最大 最小 模型形式 标准差 回归系数2.761 -0.0020.0040.002 误差/% 误差1% 误差/% 0.001 多元线性回归模型0.311 11.56 42.93 0.27 BP神经网络模型 0.285 5.34 19.35 0.07 ·期望输出 2.5 BP神经网络预测输出 一多元线性回归预测输出 由表7可知，BP神经网络模型预测结果的标准 2.0 差、平均误差、最大误差以及最小误差均较小，因此BP 神经网络模型更适合应用在F钢生产过程铝耗的预 测上. 3结果与讨论 BP神经网络铝耗预测模型能够较为准确地预测 20 40 60 100 出不同工艺条件下的铝耗情况，在此模型基础上，分析 测试样本 不同治炼工艺对铝耗的具体影响 图5BP神经网络和多元线性回归预测输出和期望输出对比图 3.1RH进站氧活度和脱碳结束氧活度对铝耗的影响 Fig.5 Comparison of the prediction output of BP neural network and 将RH进站钢液温度和吹氧量分别设定在1615℃ multiple linear regression and desired output 和100m3,不同RH进站氧活度条件下，脱碳结束氧活 预测精度更高.对两种模型预测结果的相对误差进行 度与铝耗的关系如图7所示. 对比，如图6所示. 2.3 22 ·一RH进站氧活度0.050% 45 2.1 RH进站氧活度0.055% ·一BP神经网络 2.0 ◆一RH进站氧活度0.060% 40 ·一多元线性回归 1.9 -RH进站氧活度0.065% 1.8 ◆一RH进站氧活度0.070% 一RH进站氧活度0.075% ◆一RH进站氧活度0.080% 520 1.4 13 1.2 0 1.1 1.0 0.9 0.8 0.0200.0250.0300.0350.0400.045 20 40 60 80 100 脱碳结束氧活度/% 测试样本 图7不同日进站氧活度条件下铝耗与脱碳结束氧活度的关系 图6BP神经网络模型与多元线性回归模型相对误差对比图 Fig.7 Relationship between the aluminum consumption and oxygen Fig.6 Comparison between the relative errors of the BP neural net- activity after decarbonization under the conditions of different oxygen work and multiple linear regression models activities before RH 由图6可知，BP神经网络模型预测结果相对误差 由图7可知，RH进站氧活度相同时，铝耗随着脱 大部分在10%以内，少数炉次在10%~20%之间，但 碳结束氧活度的上升而上升：脱碳结束氧活度相同时， 均处于20%以内：多元线性回归模型预测结果相对误 铝耗随着RH进站氧活度的上升而上升.当脱碳结束 差仅有一半左右在10%以内，其余炉次相对误差较 氧活度或者RH进站氧活度降低0.005%左右时，铝耗 高，波动较大，BP神经网络模型预测结果明显要好于 降低0.07~0.08kg.主要是因为随着RH进站氧活度 多元线性回归模型.两种模型部分炉次误差较大，主 和脱碳结束氧活度的提高，钢中自由氧含量上升，脱氧 要是由于生产原料波动以及现场操作问题所致，属于 用铝耗量增多. 现场操作复杂性的不可抗拒因素 该钢厂生产F钢过程所用铝合金为纯铝粒，铝与 将BP神经网络模型和多元线性回归模型预测结 钢液中氧发生如下反应： 果的相关参数进行比较，如表7所示 2[1]+3[O]=AL,03(s). (3)工程科学学报，第 39 卷，第 4 期 表 6 多元线性回归系数 Table 6 Coefficients of multiple linear regression 多元线性 回归参数 常量 ＲH 进站 钢液温度 吹氧量 ＲH 进站 氧活度 脱碳结束 氧活度 回归系数 2. 761 － 0. 002 0. 004 0. 002 0. 001 图 5 BP 神经网络和多元线性回归预测输出和期望输出对比图 Fig． 5 Comparison of the prediction output of BP neural network and multiple linear regression and desired output 预测精度更高． 对两种模型预测结果的相对误差进行 对比，如图 6 所示． 图 6 BP 神经网络模型与多元线性回归模型相对误差对比图 Fig． 6 Comparison between the relative errors of the BP neural net￾work and multiple linear regression models 由图 6 可知，BP 神经网络模型预测结果相对误差 大部分在 10% 以内，少数炉次在 10% ～ 20% 之间，但 均处于 20% 以内; 多元线性回归模型预测结果相对误 差仅有一半左右在 10% 以内，其余炉次相对误差较 高，波动较大，BP 神经网络模型预测结果明显要好于 多元线性回归模型． 两种模型部分炉次误差较大，主 要是由于生产原料波动以及现场操作问题所致，属于 现场操作复杂性的不可抗拒因素． 将 BP 神经网络模型和多元线性回归模型预测结 果的相关参数进行比较，如表 7 所示． 表 7 多元线性回归模型和 BP 神经网络模型预测结果对比 Table 7 Comparison of the prediction results of the BP neural network and multiple linear regression models 模型形式 标准差 平均 误差/% 最大 误差/% 最小 误差/% 多元线性回归模型 0. 311 11. 56 42. 93 0. 27 BP 神经网络模型 0. 285 5. 34 19. 35 0. 07 由表 7 可知，BP 神经网络模型预测结果的标准 差、平均误差、最大误差以及最小误差均较小，因此 BP 神经网络模型更适合应用在 IF 钢生产过程铝耗的预 测上． 3 结果与讨论 BP 神经网络铝耗预测模型能够较为准确地预测 出不同工艺条件下的铝耗情况，在此模型基础上，分析 不同冶炼工艺对铝耗的具体影响． 3. 1 ＲH进站氧活度和脱碳结束氧活度对铝耗的影响 将 ＲH 进站钢液温度和吹氧量分别设定在1615 ℃ 和 100 m3 ，不同 ＲH 进站氧活度条件下，脱碳结束氧活 度与铝耗的关系如图 7 所示． 图 7 不同 ＲH 进站氧活度条件下铝耗与脱碳结束氧活度的关系 Fig． 7 Ｒelationship between the aluminum consumption and oxygen activity after decarbonization under the conditions of different oxygen activities before ＲH 由图 7 可知，ＲH 进站氧活度相同时，铝耗随着脱 碳结束氧活度的上升而上升; 脱碳结束氧活度相同时， 铝耗随着 ＲH 进站氧活度的上升而上升． 当脱碳结束 氧活度或者 ＲH 进站氧活度降低 0. 005% 左右时，铝耗 降低 0. 07 ～ 0. 08 kg． 主要是因为随着 ＲH 进站氧活度 和脱碳结束氧活度的提高，钢中自由氧含量上升，脱氧 用铝耗量增多． 该钢厂生产 IF 钢过程所用铝合金为纯铝粒，铝与 钢液中氧发生如下反应［15］: 2［Al］+ 3［O］Al2O3 ( s) ． ( 3) · 615 ·