基于机器学习模型的Consteel电弧炉终点碳含量及温度预测

01研究背景随着“中国制造2025”的提出，智能制造已成为我国钢铁行业的发展趋势。炼钢生产在钢铁企业中扮演着重要角色，要获得高质量钢水，需要对炼钢生产进行精准控制。转炉和电弧炉作为炼钢生产的初炼炉，其冶炼任务主要是将钢水碳含量和温度控制在要求范围内，以便后续精炼和连铸工序的稳定运行。然而，由于影响初炼炉终点碳含量和温度的因素众多，且各因素之间存在着复杂的相互作用，从而给初炼炉终点碳含量和温度的精准控制带来困难。因此，许多学者对初炼炉终点碳含量和温度的预测进行了研究。例如，利用改进的果蝇算法优化广义回归神经网络预报模型，对转炉终点碳含量和温度进行预报；利用BP神经网络构建了电弧炉终点碳含量模型；采用了K最近邻孪生支持向量机算法，建立了转炉炼钢终点预测模型。上述智能模型虽已达到较高的预测精度，但鉴于高品质钢生产对实际冶炼过程稳定控制提出的新要求与新挑战，需要通过智能优化和机器学习技术进一步提高终点预测模型的精度，因此，本文基于Consteel电弧炉冶炼GCr15轴承钢实际生产数据，采用包括极端梯度提升算法（eXtremegradientboosting，XGBoost）、梯度提升决策树算法（gradientboostingdecisiontree，GBDT）以及贝叶斯优化算法（Bayesianoptimizationalgorithm，BOA）等在内的多种机器学习模型进行组合，对树基集成模型超参数优化进行了探究分析。同时，通过对优化实验进行对比，建立具有最佳预测性能的Consteel电弧炉终点碳含量和温度预测模型。02研究方法1）为了构建出具有较高性能的机器学习模型，建立两种以Boosting算法为基础的集成模型，包括GBDT和XGBoost。这两种集成模型都主张对预测误差进行学习，从而提升模型的拟合和泛化能力。2）选用决定系数R²、平均绝对误差（meanabsoluteerror,MAE）、均方误差EMS（meansquareerror,MSE）、均方根误差（rootmeansquareerror,RMSE），以及五折交叉验证(five-foldcross-validation)等对模型预测结果进行评价。3）为了进一步提升模型的拟合和泛化能力，采用贝叶斯优化算法对分别对GBDT和XGBoost的超参数进行优化。4）对比优化结果，确定以BOA与GBDT相结合的方式来构造Consteel电弧炉终点碳含量和温度的预测模型。03研究结果采用Pearson相关系数分析机器学习模型（BOA-GBDT）实际值和预测值之间的相关性，最终结果如图1所示。对于Consteel电弧炉终点碳含量，其预测误差在±0.15%和±0.10%时，预测准确率分别为96%和83%，预测值和实际值的Pearson相关系数为0.80；对于Consteel电弧炉终点温度，其预测误差在±15℃、±10℃和±5℃时，预测准确率分别为95%、86%和62%，预测值和实际值的Pearson相关系数为0.73。通过上述模型验证结果可知，模型的预测值与实际值的一致性较好。同时，对于Consteel电弧炉终点碳含量和温度也有着很高的预测准确率，这表明本文所构建的BOA优化的GBDT具有较好的预测性能，从而为现场Consteel电弧炉冶炼提供生产指导。（a）终点碳含量（b）终点温度图1

Consteel电弧炉终点预测模型效果评估04研究结论1）相比于普通模型，GBDT和XGBoost均具有较好的拟合和泛化性能，能够对关系复杂的Consteel电弧炉实际生产数据进行很好拟合。同时，BOA可以进一步提升GBDT和XGBoost的拟合和泛化性能。相比于XGBoost，GBDT具有较好的综合优化性能，包括优化时间和优化结果，故本文选取BOA和GBDT结合的方式（BOA-GBDT）对Consteel电弧炉终点碳含量和温度进行预测。经测试集验证，本文所构建模型对Consteel电弧炉终点操作能够给予可靠的指导。2）本文候选模型只选入了典型的树基集成模型和单一模型，未来将对候选模型进行扩充，并在异构质集成模型（majorityvoti