基于支持向量机的转炉炼钢终点预测研究

王旭生，贾金锁

（华北理工大学 信息工程学院，河北 唐山 063000）

基于支持向量机的转炉炼钢终点预测研究

王旭生，贾金锁

（华北理工大学 信息工程学院，河北 唐山 063000）

文章主要探究的是建立精确预测炉内的终点碳含量和钢水温度的函数模型，从而准确、高效地得到满足要求的钢材。通过使用对样本数目要求不高、学习能力强的支持向量机学习算法建立数据模型，在MATLAB软件的实验环境下，实现对该模型的训练、测试以及绘制出完整的预测函数图形，并用K折交叉验证算法对预测函数进行反复的训练优化，最终得到较理想的MSE终点预测函数。

转炉炼钢；SVM；预测模型

1 研究背景

1.1 转炉炼钢原理和工艺

转炉冶炼的主要反应原理是利用原料组分之间产生的化学反应释放出的物理热将主要原料为铁及铁的化合物的物质融化，以完成炼钢的一个物理阶段。在钢材的生产过程中，主要经过轧钢、铸造、炼钢和炼铁4个方面的冶炼过程。其中，炼钢环节对提高产品质量、降低生产成本以及扩大品种范围等有着重要作用。氧气顶吹转炉炼钢法是当前在社会上各个生产单位主要应用的冶炼方法。氧气顶吹转炉炼钢法是一种具有较高复杂度的方法，但是该方法已成为当前世界主流的炼钢方法。建立准确的终点钢的碳含量和温度函数模型至关重要，能够得到所需碳含量钢材、可以节省高炉工人的工作时间和劳动量，避免进行不必要的冶炼过程，提升冶炼的产品出产效率，投入成本相对较低。

2 支持向量机原理

2.1 支持向量机原理

支持向量机（Support Vector Machine，SVM）是一种分类算法，通过寻求结构化风险最小来提高学习机泛化能力，由有限的训练样本得到小的误差能够保证独立的测试集仍保持小的误差。实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解，因此局部最优解一定是全局最优解。并且应用核函数，把非线性问题转化为线性问题来求解。

2.2 核函数

SVM的不同是因满足Mercer定理的核函数的不同而引发的，所以不同的核函数塑造不同的SVM算法。在目前数学应用领域，使用最广泛的向量机核函数有3种：

第一，RBF（径向基核函数）：

第二，S形核函数：

第三，多项式核函数：

3 终点预测函数曲线

3.1 原料提取

通常情况下，炼钢所用的基本原料是由大部分的铁质以及一小部分的造渣、冷却等辅助材料所组成。所以根据各部分原材料占比含量的不同分成主、辅材料。一般来说，炼钢用辅原料包括气体（氧气、氮气、氩气）、造渣剂（合成造渣剂、石灰、萤石、白云石）、冷却剂（球团矿、铁矿石、氧化铁皮、烧结矿）、增碳剂等。原则上通常选用铁质元素含量高、易于提取和分离的铁合金矿石作为炼钢的主要原材料。

炼钢工艺制度的基础是转炉入炉原料组成。首先是钢铁料组成，即废钢种类及铁水和废钢的合理配比；然后是造渣料结构，也就是铁矿石、石灰、白云石、萤石等的配比组成；研究炼钢主要原材料的科学配比，主要是想让炼钢的成本最小化，产出钢材的质量最优化，企业生产价值最大化。而且通过调节炉料的加入配比，也就是主、辅原料的结构，就可以科学准确地控制转炉炼钢炉内温度的变化。当然加入的铁水的含量对终点温度可以产生巨大影响，因为铁质原材料的加入量一般占据全部材料的70%以上。因此，对温度和入炉铁水化学成分都有相应的要求。

3.2 温度终点预测模型

本文中提取的炼钢用铁质原料作为主要原材料。炼钢用辅原料包括气体（氧气、氮气、氩气）、造渣剂（合成造渣剂、石灰、萤石、白云石）、冷却剂（球团矿、铁矿石、氧化铁皮、烧结矿）、增碳剂等。还常用铁合金有硅锰合金、硅钙合金、金属铝等16个主要发热物质，下面以这16个主要物质作为研究对象，通过整理得出温度为因变量其他参数为自变量的120组样本数据，在120组样本数据中随机抽取30组数据作为测试集，剩下的90组数据作为训练集数据。利用90组训练集数据应用MATLAB软件和运用SVM算法，生成原始数据曲线得到预测数据曲线；其中，原始数据曲线（如图1中圆形数据曲线）和预测数据曲线（如图1中三角形数据曲线），之后绘制出30组测试集数据原始曲线（如图2中圆形数据曲线）与图1得到的预测数据曲线（见图2中三角形数据曲线）相比较，进而得到两组曲线的符合程度。

图1 90组温度训练集数据生产预测函数图像

如图2中的两组曲线所示，在一定精度下，测试集数据可以验证预测函数的准确性，证明在图1中得到的预测函数可以准确地预测温度与各组分之间的函数对应关系，所以可以应用此预测函数得到所需要的对应温度，进而可以从温度方面把控钢材质量。

图2 30组温度测试集数据测试函数图像

3.3 碳含量终点预测模型

碳含量与钢材质量的关系，其中主要包含碳素钢和合金钢两种。碳素钢是铁和碳的合金，其中碳素钢又包含3种：（1）低碳钢：含碳量低于0.3%，钢材的韧性和焊接性好，但是强度低，用于制作钢板、钢丝、钢管等；（2）中碳钢：碳含量为0.3%～0.6%，强度高，韧性及加工性很好，多用于制作钢轨、车轮和建材等；（3）高碳钢：碳含量高于0.6%，硬而脆，热处理后弹性好，用于制作器械、弹簧、刀具等等。另一种是合金钢：在碳素钢中加入铬、钼、钨、镍、锰、钴、硅等合金元素，具有各种不同的优良性能，用于制作不锈钢和各种特种钢材。所以，研究出上面提到的16种元素在转炉炼钢中对终点碳含量的函数模型的精确预测，进而可以借助预测函数实现对所需钢材的把控。

与上面温度的研究方法类似，通过整理得出碳含量为因变量其他参数为自变量的120组样本数据，通过在120组样本数据中随机抽取30组数据作为测试集，剩下的90组数据作为训练集数据。利用90组训练集数据应用MATLAB软件和运用SVM算法，生成原始数据曲线得到预测数据曲线；其中，原始数据曲线（如图3中圆形数据曲线）和预测数据曲线（如图4中三角形数据曲线），然后绘制出30组测试集数据原始曲线（如图4中圆形数据曲线）与图3得到的预测数据曲线（如图4中三角形数据曲线）相比较，进而得到两组曲线的符合程度。

图3 90组碳含量训练集数据生产预测函数图像

图4 30组碳含量测试集数据测试函数图像

如图3中两组曲线所示。在一定精度下，测试集数据可以验证预测函数的准确性，证明在图4中得到的预测函数可以准确地预测碳含量与各组分之间的函数对应关系，所以可以应用此预测函数得到需要的碳含量对应的钢材，进而可以从碳含量方面把控钢材质量。

4 结语

本文的预测模型原始数据曲线与预测曲线适应得很好，温度和碳含量预测函数可以作为终点预测函数来指导钢材材质的确定，根据函数曲线调整加入相应原材料的配比和炉内温度，然后入炉冶炼就能控制产出的所需钢材。目前来说，终点模型的精确预测的实验结果具有较高的实际生产价值，对调整钢铁产品种类和对钢结构材料的新研发具有重大的指导意义。

[1]袁亚湘，孙文瑜.最优化理论方法[M].北京：科学出版社，1997.

[2]陶钧，谢书明，柴天佑. 转炉炼钢控制模型的研究与展望[J]. 钢铁，1999（8）：39-72.

[3]邓乃扬，田英杰.数据挖掘中的新方法—支持向量机[M].北京：科学出版社，2004.

[4]曹卫华.最优化技术方法及MATLAB的实现[M].北京：化学工业出版社，2005.

[5]王茂华，惠志刚，施雄梁.转炉终点控制技术[J].鞍钢技术，2005（3）：6-10.

[6]WEN H, ZHAO Q, CHEN Y, et a1. Converter end-point prediction model using spectrum image analysis and improved neural network algorithm[J].Optical Applicata, 2008（4）：693-704.

[6]郑金星，王振光，王庆春.炼钢工艺及设备[M].北京：冶金工业出版社，2011.

[7]刘超.中国转炉炼钢技术的发展、创新与展望[J].特钢技术，2013（4）：6-9.

[8]张辉宜，周奇龙，袁志祥，等. 基于AP聚类的RBF神经网络研究及其在转炉炼钢中的应用[J].钢铁研究学报，2014（1）：22-26.

[9]陈虎.浅析如何实现现代转炉炼钢各工序炉渣的再利用[J].建筑工程技术与设计，2016（3）：1044.

Research on end point prediction of converter steelmaking based on support vector machine

Wang Xusheng, Jia Jinsuo

（Information Engineering School of North China University of Science & Technology, Tangshan 063000, China）

This paper mainly explores establishing the function model for accurate prediction of end point carbon content and temperature of molten steel, so as to accurately and efficiently obtain the steel products which meet the requirements. Support vector machine learning algorithm which has lower requirement for number of samples and strong learning ability is taken advantage to establish data model, in the experimental environment of MATLAB software achieve training and testing of the model and draw complete the prediction function graphics. Finally, the K cross validation algorithm is used to optimize the prediction function, so as to obtain the final MSE prediction function.

converter steelmaking; SVM; prediction model

唐山市科技局项目；项目编号：14130248B。

王旭生（1973— ），男，河北唐山，硕士。