钢铁研究学报

作者：潘佳^1,2, 孙中强², 刘晓航¹, 李光强¹, 王强¹

单位：1.武汉科技大学钢铁冶金及资源利用省部共建教育部重点实验室,湖北武汉430081;；2.阳春新钢铁有限责任公司炼钢厂,广东阳江529600

关键词：终点温度,终点碳含量,神经网络,特征提取,LightGBM,回归分析

基金：国家自然科学基金区域创新发展联合基金资助项目(U22A20173)

转炉终点的温度和碳含量是转炉终点控制的重要参数。转炉终点特征因子的传统分析方法依赖人工经验,但随着数据量的急剧增长和工艺复杂性的增加,人工分析的方法难以充分挖掘转炉冶炼数据中的潜在关系,无法对转炉终点控制的特征因子进行深入理解。提出了一种神经网络特征提取与树模型回归相融合的新方法,用于寻找特征因子中复杂关系,进一步精确预测转炉终点的温度和碳含量。通过构建可调节的神经网络作为特征提取器,采用贝叶斯优化方法自动搜索最佳网络结构,设计适用于转炉流程的特征提取网络。其次,利用LightGBM树模型对特征因子进行回归分析。采用自定义的训练过程,将树模型的预测误差反向传播至特征提取网络,更新网络权重。结果表明,该方法显著提高了预测精度,终点温度±15和±20 ℃误差内的命中率分别达到91.80%和96.12%,终点碳±0.01%和±0.02%误差内的命中率分别达到90.72%和96.36%,且其在现场落地后,转炉一倒出钢率提升了10%。

来源：2025年第7期

《钢铁研究学报》期刊编辑部

查看钢铁研究学报杂志2025年第7期