基于支持向量機的轉爐煉鋼終點預測研究

王旭生，賈金鎖

（華北理工大學 信息工程學院，河北 唐山 063000）

基于支持向量機的轉爐煉鋼終點預測研究

王旭生，賈金鎖

（華北理工大學 信息工程學院，河北 唐山 063000）

文章主要探究的是建立精確預測爐內的終點碳含量和鋼水溫度的函數模型，從而準確、高效地得到滿足要求的鋼材。通過使用對樣本數目要求不高、學習能力強的支持向量機學習算法建立數據模型，在MATLAB軟件的實驗環境下，實現對該模型的訓練、測試以及繪制出完整的預測函數圖形，并用K折交叉驗證算法對預測函數進行反復的訓練優化，最終得到較理想的MSE終點預測函數。

轉爐煉鋼；SVM；預測模型

1 研究背景

1.1 轉爐煉鋼原理和工藝

轉爐冶煉的主要反應原理是利用原料組分之間產生的化學反應釋放出的物理熱將主要原料為鐵及鐵的化合物的物質融化，以完成煉鋼的一個物理階段。在鋼材的生產過程中，主要經過軋鋼、鑄造、煉鋼和煉鐵4個方面的冶煉過程。其中，煉鋼環節對提高產品質量、降低生產成本以及擴大品種范圍等有著重要作用。氧氣頂吹轉爐煉鋼法是當前在社會上各個生產單位主要應用的冶煉方法。氧氣頂吹轉爐煉鋼法是一種具有較高復雜度的方法，但是該方法已成為當前世界主流的煉鋼方法。建立準確的終點鋼的碳含量和溫度函數模型至關重要，能夠得到所需碳含量鋼材、可以節省高爐工人的工作時間和勞動量，避免進行不必要的冶煉過程，提升冶煉的產品出產效率，投入成本相對較低。

2 支持向量機原理

2.1 支持向量機原理

支持向量機（Support Vector Machine，SVM）是一種分類算法，通過尋求結構化風險最小來提高學習機泛化能力，由有限的訓練樣本得到小的誤差能夠保證獨立的測試集仍保持小的誤差。實現經驗風險和置信范圍的最小化，從而達到在統計樣本量較少的情況下，亦能獲得良好統計規律的目的。通俗來講，它是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，即支持向量機的學習策略便是間隔最大化，最終可轉化為一個凸二次規劃問題的求解，因此局部最優解一定是全局最優解。并且應用核函數，把非線性問題轉化為線性問題來求解。

2.2 核函數

SVM的不同是因滿足Mercer定理的核函數的不同而引發的，所以不同的核函數塑造不同的SVM算法。在目前數學應用領域，使用最廣泛的向量機核函數有3種：

第一，RBF（徑向基核函數）：

第二，S形核函數：

第三，多項式核函數：

3 終點預測函數曲線

3.1 原料提取

通常情況下，煉鋼所用的基本原料是由大部分的鐵質以及一小部分的造渣、冷卻等輔助材料所組成。所以根據各部分原材料占比含量的不同分成主、輔材料。一般來說，煉鋼用輔原料包括氣體（氧氣、氮氣、氬氣）、造渣劑（合成造渣劑、石灰、螢石、白云石）、冷卻劑（球團礦、鐵礦石、氧化鐵皮、燒結礦）、增碳劑等。原則上通常選用鐵質元素含量高、易于提取和分離的鐵合金礦石作為煉鋼的主要原材料。

煉鋼工藝制度的基礎是轉爐入爐原料組成。首先是鋼鐵料組成，即廢鋼種類及鐵水和廢鋼的合理配比；然后是造渣料結構，也就是鐵礦石、石灰、白云石、螢石等的配比組成；研究煉鋼主要原材料的科學配比，主要是想讓煉鋼的成本最小化，產出鋼材的質量最優化，企業生產價值最大化。而且通過調節爐料的加入配比，也就是主、輔原料的結構，就可以科學準確地控制轉爐煉鋼爐內溫度的變化。當然加入的鐵水的含量對終點溫度可以產生巨大影響，因為鐵質原材料的加入量一般占據全部材料的70%以上。因此，對溫度和入爐鐵水化學成分都有相應的要求。

3.2 溫度終點預測模型

本文中提取的煉鋼用鐵質原料作為主要原材料。煉鋼用輔原料包括氣體（氧氣、氮氣、氬氣）、造渣劑（合成造渣劑、石灰、螢石、白云石）、冷卻劑（球團礦、鐵礦石、氧化鐵皮、燒結礦）、增碳劑等。還常用鐵合金有硅錳合金、硅鈣合金、金屬鋁等16個主要發熱物質，下面以這16個主要物質作為研究對象，通過整理得出溫度為因變量其他參數為自變量的120組樣本數據，在120組樣本數據中隨機抽取30組數據作為測試集，剩下的90組數據作為訓練集數據。利用90組訓練集數據應用MATLAB軟件和運用SVM算法，生成原始數據曲線得到預測數據曲線；其中，原始數據曲線（如圖1中圓形數據曲線）和預測數據曲線（如圖1中三角形數據曲線），之后繪制出30組測試集數據原始曲線（如圖2中圓形數據曲線）與圖1得到的預測數據曲線（見圖2中三角形數據曲線）相比較，進而得到兩組曲線的符合程度。

圖1 90組溫度訓練集數據生產預測函數圖像

如圖2中的兩組曲線所示，在一定精度下，測試集數據可以驗證預測函數的準確性，證明在圖1中得到的預測函數可以準確地預測溫度與各組分之間的函數對應關系，所以可以應用此預測函數得到所需要的對應溫度，進而可以從溫度方面把控鋼材質量。

圖2 30組溫度測試集數據測試函數圖像

3.3 碳含量終點預測模型

碳含量與鋼材質量的關系，其中主要包含碳素鋼和合金鋼兩種。碳素鋼是鐵和碳的合金，其中碳素鋼又包含3種：（1）低碳鋼：含碳量低于0.3%，鋼材的韌性和焊接性好，但是強度低，用于制作鋼板、鋼絲、鋼管等；（2）中碳鋼：碳含量為0.3%～0.6%，強度高，韌性及加工性很好，多用于制作鋼軌、車輪和建材等；（3）高碳鋼：碳含量高于0.6%，硬而脆，熱處理后彈性好，用于制作器械、彈簧、刀具等等。另一種是合金鋼：在碳素鋼中加入鉻、鉬、鎢、鎳、錳、鈷、硅等合金元素，具有各種不同的優良性能，用于制作不銹鋼和各種特種鋼材。所以，研究出上面提到的16種元素在轉爐煉鋼中對終點碳含量的函數模型的精確預測，進而可以借助預測函數實現對所需鋼材的把控。

與上面溫度的研究方法類似，通過整理得出碳含量為因變量其他參數為自變量的120組樣本數據，通過在120組樣本數據中隨機抽取30組數據作為測試集，剩下的90組數據作為訓練集數據。利用90組訓練集數據應用MATLAB軟件和運用SVM算法，生成原始數據曲線得到預測數據曲線；其中，原始數據曲線（如圖3中圓形數據曲線）和預測數據曲線（如圖4中三角形數據曲線），然后繪制出30組測試集數據原始曲線（如圖4中圓形數據曲線）與圖3得到的預測數據曲線（如圖4中三角形數據曲線）相比較，進而得到兩組曲線的符合程度。

圖3 90組碳含量訓練集數據生產預測函數圖像

圖4 30組碳含量測試集數據測試函數圖像

如圖3中兩組曲線所示。在一定精度下，測試集數據可以驗證預測函數的準確性，證明在圖4中得到的預測函數可以準確地預測碳含量與各組分之間的函數對應關系，所以可以應用此預測函數得到需要的碳含量對應的鋼材，進而可以從碳含量方面把控鋼材質量。

4 結語

本文的預測模型原始數據曲線與預測曲線適應得很好，溫度和碳含量預測函數可以作為終點預測函數來指導鋼材材質的確定，根據函數曲線調整加入相應原材料的配比和爐內溫度，然后入爐冶煉就能控制產出的所需鋼材。目前來說，終點模型的精確預測的實驗結果具有較高的實際生產價值，對調整鋼鐵產品種類和對鋼結構材料的新研發具有重大的指導意義。

[1]袁亞湘，孫文瑜.最優化理論方法[M].北京：科學出版社，1997.

[2]陶鈞，謝書明，柴天佑. 轉爐煉鋼控制模型的研究與展望[J]. 鋼鐵，1999（8）：39-72.

[3]鄧乃揚，田英杰.數據挖掘中的新方法—支持向量機[M].北京：科學出版社，2004.

[4]曹衛華.最優化技術方法及MATLAB的實現[M].北京：化學工業出版社，2005.

[5]王茂華，惠志剛，施雄梁.轉爐終點控制技術[J].鞍鋼技術，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]鄭金星，王振光，王慶春.煉鋼工藝及設備[M].北京：冶金工業出版社，2011.

[7]劉超.中國轉爐煉鋼技術的發展、創新與展望[J].特鋼技術，2013（4）：6-9.

[8]張輝宜，周奇龍，袁志祥，等. 基于AP聚類的RBF神經網絡研究及其在轉爐煉鋼中的應用[J].鋼鐵研究學報，2014（1）：22-26.

[9]陳虎.淺析如何實現現代轉爐煉鋼各工序爐渣的再利用[J].建筑工程技術與設計，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

唐山市科技局項目；項目編號：14130248B。

王旭生（1973— ），男，河北唐山，碩士。