运用主成分分析和深度神经网络预测钢包炉合金元素收得率的研究

钢包炉（ladle furnace，LF）精炼的核心任务之一是进行钢水合金化过程，以保证钢包到达连铸平台后满足钢水成分要求。钢水合金化也是较为复杂的物理化学反应过程，其不仅对钢水温度有影响，而且对钢水质量、合金料消耗量均有影响。因此，实现LF精炼过程中合金元素收得率的精准预测具有重要意义。本研究首先采用主成分分析法（principal component analysis，PCA）对模型输入变量进行处理，用于简化实际生产数据结构；然后，融合SGDM算法和L2正则化方法，构建了深度神经网络（deep neural network，DNN）；最后，采用主成分分析和深度神经网络相结合的方法，建立了合金元素收得率预测模型。结果表明，Si元素收得率命中率在±1%, ±3%和 ±5%误差范围内分别为54.0%、93.8%和98.8%；Mn元素收得率命中率在±1%, ±2%和 ±3%误差范围内分别为77.0%、96.3%和99.5%。此外，PCA–DNN模型的预测精度优于参考炉次法、多元线性回归模型、改进BP神经网络模型和DNN模型，有助于实现钢水成分的“窄窗口”控制。本研究中合金元素收得率预测模型的建立，也可为LF智能精炼合金化控制模型的开发提供支撑。