·1694 工程科学学报.第43卷，第12期 Start BP PCA Training set Initial data BP neural network PCA model training processing Principal Validation set component data information Model validation Application BP neural network Test set Forecast result Result analysis model prediction 图4合金收得率PCA-BP神经网路建立流程图 Fig.4 Flowchart of the alloy element yield PCA-BP neural network PCA-BP naural petwork Input layer Hidden layer Output layer 2 24.5g prediction model Forecast erroe Hit race ①人 0000 17.0 15.1 11.3% Ook-D 10 7.5 5.7% s%☑ 02 0 Iom(m OonDon 草装 fx) f(x) fC) 图5PCA-BP神经网络结构图 Fig.5 Structure diagram of the PCA-BP neural network Forecast error range/% 图6合金收得率预测误差频率分布 500炉次42CrMo钢生产数据为数据样本，对锰元 Fig.6 Frequency distribution of the alloy yield prediction error 素收得率预测模型进行训练，并选取50炉数据作 为验证集，验证模型预测精度.模型预测误差频率 为100%：预测误差在±1.5%以内的命中率为81.1%： 分布如图6所示，其中部分预测结果如表2所示， 预测误差在±1.0%以内的命中率为50.9%：预测误 可以看出同一座转炉生产的相同钢种，在不同炉 差在±0.5%以内的命中率为32.1%，预测结果较准 次的钢液状态下合金收得率各不相同，若在合金 确，能满足实际生产的要求 配料时按照固定的收得率进行计算，将会使得合 3.2合金化成本优化对比 金加入量计算值与实际需求的用量差值较大，不 为了验证模型对炼钢用铁合金的降本效果， 利于合金配料的准确性和命中率 运用模型进行模拟计算，研究不同钢种的实际合 对收得率预测模型的预报误差范围及命中率 金成本与优化成本.本文选取某炼钢厂11种钢种 进行分析，如图6所示.可以发现预测误差主要分 共35个炉次的合金加料数据为样本进行对比分 布在2%之内，预测误差在2.0%以内的命中率 析，合金加入总成本统计结果如图7所示500 炉次 42CrMo 钢生产数据为数据样本，对锰元 素收得率预测模型进行训练，并选取 50 炉数据作 为验证集，验证模型预测精度. 模型预测误差频率 分布如图 6 所示，其中部分预测结果如表 2 所示， 可以看出同一座转炉生产的相同钢种，在不同炉 次的钢液状态下合金收得率各不相同，若在合金 配料时按照固定的收得率进行计算，将会使得合 金加入量计算值与实际需求的用量差值较大，不 利于合金配料的准确性和命中率. 对收得率预测模型的预报误差范围及命中率 进行分析，如图 6 所示. 可以发现预测误差主要分 布在±2% 之内，预测误差在±2.0% 以内的命中率 为 100%；预测误差在±1.5% 以内的命中率为 81.1%； 预测误差在±1.0% 以内的命中率为 50.9%；预测误 差在±0.5% 以内的命中率为 32.1%，预测结果较准 确，能满足实际生产的要求. 3.2    合金化成本优化对比 为了验证模型对炼钢用铁合金的降本效果， 运用模型进行模拟计算，研究不同钢种的实际合 金成本与优化成本. 本文选取某炼钢厂 11 种钢种 共 35 个炉次的合金加料数据为样本进行对比分 析，合金加入总成本统计结果如图 7 所示. Start Training set Initial data BP neural network model training BP PCA Validation set PCA processing Principal component data information End Model validation BP neural network model prediction Test set Forecast result Result analysis Application 图 4 合金收得率 PCA-BP 神经网络建立流程图 Fig.4 Flowchart of the alloy element yield PCA-BP neural network Input layer Hidden layer Output layer Iinput-1 Ihidden-1 Ioutput-1 Ooutput-1 Doutput-1 Do-2 Do-k Oo-2 Oo-k Oo-n Do-n Io-2 Io-k Io-n Ih-2 Ih-j Ih-m Oinput-1 Ohidden-1 Oh-2 Oi-2 v1j w1k w2k v2j Ii-2 Ii-i Ii-1 1 2 i 1 2 j 1 2 k l n Oi-1 Oi-i vij vlj f i (x) fh (x) fo (x) m Oh-j Oh-m wjk wmk 图 5 PCA-BP 神经网络结构图 Fig.5 Structure diagram of the PCA-BP neural network 25 20 15 10 5 0 7.5% 24.5% 15.1% 15.1% 17.0% 11.3% 5.7% 3.8% <(−4.0%) (−4.0%)−(−3.5 %) (−3.5 %)−(−3.0 %) (−3.0 %)−(−2.5 %) (−2.5 %)−(−2.0 %) (−2.0 %)−(−1.5 %) (−1.5 %)−(−1.0 %) (−1.0 %)−(−0.5 %) (−0.5 %)−0 % 0%−0.5 % 0.5 %−1.0 % 1.0 %−1.5 % 1.5 %−2.0 % 2.0 %−2.5 % 2.5 %−3.0 % 3.0 %−3.5 % 3.5 %−4.0 % >4.0 % Frequency distribution/ % Forecast error range/% PCA-BP naural network prediction model Hit rate/% Forecast error range/% ±3.5 100 100 100 100 81.1 50.9 32.1 ±3.0 ±2.5 ±2.0 ±1.0 ±1.5 ±0.5 图 6 合金收得率预测误差频率分布 Fig.6 Frequency distribution of the alloy yield prediction error · 1694 · 工程科学学报，第 43 卷，第 12 期