BP神经网络IF钢铝耗的预测模型

工程科学学报，第39卷，第4期：511-519,2017年4月 Chinese Journal of Engineering,Vol.39,No.4:511-519,April 2017 DOI:10.13374/j.issn2095-9389.2017.04.005:http://journals.ustb.edu.cn BP神经网络IF钢铝耗的预测模型 张思源”，包燕平)区，张超杰”，林路》 1)北京科技大学钢铁治金新技术国家重点实验室，北京1000832)钢铁研究总院治金工艺研究所，北京100081 区通信作者，E-mail:baoyp@usth.cdu.cn 摘要为了解决某钢厂F钢冶炼RH精炼过程铝耗偏高问题，通过数理统计和BP神经网络相结合的方法建立了铝耗预 测模型，并与多元线性回归模型进行比较，该模型具有更高准确度.该模型分析了不同治炼工艺参数对铝耗的具体影响，并 对相应工艺参数进行了优化.结果表明：脱碳结束氧活度或RH进站氧活度降低0.005%左右，每吨钢铝耗可降低0.07~ 0.08kg,铝脱氧有效利用系数为70.31%-80.35%：RH进站钢液温度增加35-40℃，铝耗降低1kg左右，铝热反应升温利用 系数在97.4%左右：吹氧量小于100m3和大于100m3时，氧气与铝反应的比例分别为37.3%和74.6%左右，吹氧量每增加 50m3,铝耗分别增加0.1kg和0.2kg左右.工艺参数优化后平均铝耗由1.359kg降低到1.113kg,降幅达18.1%. 关键词F钢：低碳钢：铝耗：神经网络：预测模型 分类号TF769.4 Prediction model of aluminum consumption with BP neural networks in IF steel production ZHANG Si-yuan,BAO Yan-ping,ZHANG Chao-jie,LIN Lu 1)State Key Laboratory of Advanced Metallurgy,University of Science and Technology Beijing,Beijing 100083,China 2)Metallurgical Technology Institute,Central Iron and Steel Research Institute,Beijing 100081,China Corresponding author,E-mail:baoyp@ustb.edu.cn ABSTRACT To solve the high aluminum consumption problem in interstitial-free steel production in a steel plant,an aluminum consumption prediction model was established by mathematical statistics and BP neural networks.Compared with the multiple linear regression model,this model's result is more accurate.The influence of different smelting processes on aluminum consumption was analyzed,and the process parameters were optimized.The results show that the amount of aluminum consumption per ton of steel decreases 0.07 to 0.08 kg when the oxygen activity before RH or after decarbonization reduces by 0.005%.The effective utilization coefficient of aluminum-deoxidizing is from 70.31%to 80.35%;the aluminum consumption decreases about 0.1 kg when the tempera- ture of steel before RH increases by 35 to 40 C.The heating utilization coefficient of aluminum thermal reaction is about 97.4%. When the blowing oxygen quantity is less than 100 m and greater than 100 m,the ratio of oxygen reacting with aluminum is about 37.3%or about 74.6%respectively,and the aluminum consumption increases by 0.1 kg or0.2kg,respectively,with the blowing ox- ygen quantity increasing by 50 m.After the process parameter optimization,the aluminum consumption decreases from 1.359 to 1.113 kg,which results in a decrease of 18.1%. KEY WORDS IF steel:low carbon steel:aluminum consumption:neural networks:prediction models F钢由于良好的深冲性能，被广泛应用在汽车和中夹杂物的数量、大小、形态和分布-园.F钢属于铝 家电行业中，对洁净度要求十分严格，因此需要控制钢 脱氧镇静钢，生产过程中要加入大量的铝合金进行脱 收稿日期：2016-07-25 基金项目：国家自然科学基金资助项目(51404022)：钢铁治金新技术国家重点实验室自主课题(41616003)

工程科学学报，第 39 卷，第 4 期: 511--519，2017 年 4 月 Chinese Journal of Engineering，Vol． 39，No． 4: 511--519，April 2017 DOI: 10． 13374 /j． issn2095--9389． 2017． 04． 005; http: / /journals． ustb． edu． cn BP 神经网络 IF 钢铝耗的预测模型 张思源1) ，包燕平1) ，张超杰1) ，林 路2) 1) 北京科技大学钢铁冶金新技术国家重点实验室，北京 100083 2) 钢铁研究总院冶金工艺研究所，北京 100081 通信作者，E-mail: baoyp@ ustb． edu． cn 摘 要 为了解决某钢厂 IF 钢冶炼 ＲH 精炼过程铝耗偏高问题，通过数理统计和 BP 神经网络相结合的方法建立了铝耗预 测模型，并与多元线性回归模型进行比较，该模型具有更高准确度． 该模型分析了不同冶炼工艺参数对铝耗的具体影响，并 对相应工艺参数进行了优化． 结果表明: 脱碳结束氧活度或 ＲH 进站氧活度降低 0. 005% 左右，每吨钢铝耗可降低 0. 07 ～ 0. 08 kg，铝脱氧有效利用系数为 70. 31% ～ 80. 35% ; ＲH 进站钢液温度增加 35 ～ 40 ℃，铝耗降低 1 kg 左右，铝热反应升温利用 系数在 97. 4% 左右; 吹氧量小于 100 m3 和大于 100 m3 时，氧气与铝反应的比例分别为 37. 3% 和 74. 6% 左右，吹氧量每增加 50 m3 ，铝耗分别增加 0. 1 kg 和 0. 2 kg 左右． 工艺参数优化后平均铝耗由 1. 359 kg 降低到 1. 113 kg，降幅达 18. 1% ． 关键词 IF 钢; 低碳钢; 铝耗; 神经网络; 预测模型 分类号 TF769. 4 收稿日期: 2016--07--25 基金项目: 国家自然科学基金资助项目( 51404022) ; 钢铁冶金新技术国家重点实验室自主课题( 41616003) Prediction model of aluminum consumption with BP neural networks in IF steel production ZHANG Si-yuan1) ，BAO Yan-ping1)  ，ZHANG Chao-jie1) ，LIN Lu2) 1) State Key Laboratory of Advanced Metallurgy，University of Science and Technology Beijing，Beijing 100083，China 2) Metallurgical Technology Institute，Central Iron and Steel Ｒesearch Institute，Beijing 100081，China Corresponding author，E-mail: baoyp@ ustb． edu． cn ABSTＲACT To solve the high aluminum consumption problem in interstitial-free steel production in a steel plant，an aluminum consumption prediction model was established by mathematical statistics and BP neural networks． Compared with the multiple linear regression model，this model's result is more accurate． The influence of different smelting processes on aluminum consumption was analyzed，and the process parameters were optimized． The results show that the amount of aluminum consumption per ton of steel decreases 0. 07 to 0. 08 kg when the oxygen activity before ＲH or after decarbonization reduces by 0. 005% ． The effective utilization coefficient of aluminum-deoxidizing is from 70. 31% to 80. 35% ; the aluminum consumption decreases about 0. 1 kg when the tempera￾ture of steel before ＲH increases by 35 to 40 ℃ ． The heating utilization coefficient of aluminum thermal reaction is about 97. 4% ． When the blowing oxygen quantity is less than 100 m3 and greater than 100 m3 ，the ratio of oxygen reacting with aluminum is about 37. 3% or about 74. 6% respectively，and the aluminum consumption increases by 0. 1 kg or 0. 2 kg，respectively，with the blowing ox￾ygen quantity increasing by 50 m3 ． After the process parameter optimization，the aluminum consumption decreases from 1. 359 to 1. 113 kg，which results in a decrease of 18. 1% ． KEY WOＲDS IF steel; low carbon steel; aluminum consumption; neural networks; prediction models IF 钢由于良好的深冲性能，被广泛应用在汽车和 家电行业中，对洁净度要求十分严格，因此需要控制钢 中夹杂物的数量、大小、形态和分布［1--2］． IF 钢属于铝 脱氧镇静钢，生产过程中要加入大量的铝合金进行脱

·512 工程科学学报，第39卷，第4期 氧，但过量的AL,0,脱氧产物会影响钢液洁净度.铝耗 BP神经网络可以进行自主训练，在训练过程中通 的降低一方面能够节约生产成本，更重要的是能够减 过不断的计算修正，实现输入变量和输出结果之间准 少A山20，的产生，降低大尺寸簇状Al203夹杂形成的概 确的映射作用，数学理论证明三层的神经网络可以以 率，提高铸坯洁净度.因此通过降低铝耗，达到降 任意精度逼近任何非线性连续函数1-.F钢治炼 低钢厂生产成本和提高钢液洁净度的目的显得尤为 过程中，影响铝耗的工艺参数较为复杂，BP神经网络 重要. 恰好可以准确地探求出不同工艺因素对铝耗的影响， 目前国内外学者对铝脱氧镇静钢的研究大部分集 以此来指导生产 中在如何降低已经生成的AL,0,夹杂对钢材质量的影 2模型建立及应用 响或仅对A山，0，夹杂的危害进行描述5，很少有学者 对治炼工艺对铝耗的具体影响进行系统的分析.本文2.1输入变量确定 通过B神经网络构建铝耗预测模型，以此来分析不 正确的输入变量是保证模型中铝耗与治炼工艺参 同RH治炼工艺参数对铝耗的具体影响，从而根据该 数准确映射关系的前提，可能影响铝耗的治炼工艺参 结果对实际生产予以指导，最终通过降低铝耗达到降 数为进站到开始处理时间、抽真空到深真空时间、最小 低生产成本和提高钢液洁净度的目的 真空度、H进站钢液温度、吹氧量、RH进站氧活度和 BP神经网络 脱碳结束氧活度.本文所用数据以某钢厂2016年3一 5月份的治炼工艺数据为基础，筛选掉异常炉次，对 BP神经网络是一种多层前馈神经网络，由信息的 845炉有效治炼工艺数据进行处理. 正向传播和误差的反向调节两个过程组成网，如图1 考虑到各治炼工艺参数之间可能存在一定的关联 所示，其中xn和ym为训练样本输入输出的原始数据， 性，首先通过主成分分析，对可能影响铝耗的工艺参数 W为输入层神经元和隐含层神经元之间的连接权值， 进行降维处理，计算结果如表1所示 W为隐含层神经元和输出层神经元直接的连接权值 表1方差及主成分贡献率 Table 1 Eigenvalue and principle component contribution rate 特征向量 成分 特征值 方差贡献率/% 方差累计贡献率/% 1 2.018 28.823 28.823 2 1.230 17.567 46.390 3 1.037 14.818 61.208 4 0.913 14.183 75.391 5 0.778 11.116 86.507 输人层 隐含层 输出层 0.677 9.668 96.175 7 0.268 3.825 100.000 图1三层BP神经网络结构图 Fig.1 Structure diagram of a three-ayer BP neural network 从表1发现，特征值大于1的主成分有3项，累计 BP神经网络包含3层网：输入层、隐含层和输出 方差贡献率为61.208%，小于主成分方差占总方差 层，隐含层可以为一层也可以为多层（本模型隐含层 75%~85%的要求圆，因此不能够通过主成分分析进 为1层)，每一层神经元互相连接，通过向后反馈的学 行降维处理.通过SPSS软件对治炼工艺参数与铝耗 习机制，不断修正神经网络中神经元权值，直至输出正 的关系进行相关性分析，明确铝耗与主要工艺参数的 确结果 显著性水平，如表2所示. 表2不同治炼工艺与铝耗的显著性结果 Table 2 Significant results between different smelting processes and aluminum consumption 工艺参数进站到开始处理时间抽真空到深真空时间最小真空度RH进站钢液温度吹氧量RH进站氧活度脱碳结束氧活度 显著性 0.061 0.135 0.232 0 0 0 0 注：在0.01水平（双侧）上显著相关. 从表2可知，RH进站钢液温度、吹氧量、RH进站 于显著性水平0.01，应拒绝H。假设（与铝耗之间的相 氧活度以及脱碳结束氧活度与铝耗的显著性结果均小 关性不显著)，认为与铝耗之间的相关性显著

工程科学学报，第 39 卷，第 4 期 氧，但过量的 Al2O3脱氧产物会影响钢液洁净度． 铝耗 的降低一方面能够节约生产成本，更重要的是能够减 少 Al2O3的产生，降低大尺寸簇状 Al2O3夹杂形成的概 率，提高铸坯洁净度［3--4］． 因此通过降低铝耗，达到降 低钢厂生产成本和提高钢液洁净度的目的显得尤为 重要． 目前国内外学者对铝脱氧镇静钢的研究大部分集 中在如何降低已经生成的 Al2O3夹杂对钢材质量的影 响或仅对 Al2O3夹杂的危害进行描述［5--8］，很少有学者 对冶炼工艺对铝耗的具体影响进行系统的分析． 本文 通过 BP 神经网络构建铝耗预测模型，以此来分析不 同 ＲH 冶炼工艺参数对铝耗的具体影响，从而根据该 结果对实际生产予以指导，最终通过降低铝耗达到降 低生产成本和提高钢液洁净度的目的． 1 BP 神经网络 BP 神经网络是一种多层前馈神经网络，由信息的 正向传播和误差的反向调节两个过程组成［9］，如图 1 所示，其中 xn和 ym为训练样本输入输出的原始数据， Wab为输入层神经元和隐含层神经元之间的连接权值， Wbc为隐含层神经元和输出层神经元直接的连接权值． 图 1 三层 BP 神经网络结构图 Fig． 1 Structure diagram of a three-layer BP neural network BP 神经网络包含 3 层［10］: 输入层、隐含层和输出 层，隐含层可以为一层也可以为多层( 本模型隐含层 为 1 层) ，每一层神经元互相连接，通过向后反馈的学 习机制，不断修正神经网络中神经元权值，直至输出正 确结果． BP 神经网络可以进行自主训练，在训练过程中通 过不断的计算修正，实现输入变量和输出结果之间准 确的映射作用，数学理论证明三层的神经网络可以以 任意精度逼近任何非线性连续函数［11--12］． IF 钢冶炼 过程中，影响铝耗的工艺参数较为复杂，BP 神经网络 恰好可以准确地探求出不同工艺因素对铝耗的影响， 以此来指导生产． 2 模型建立及应用 2. 1 输入变量确定 正确的输入变量是保证模型中铝耗与冶炼工艺参 数准确映射关系的前提，可能影响铝耗的冶炼工艺参 数为进站到开始处理时间、抽真空到深真空时间、最小 真空度、ＲH 进站钢液温度、吹氧量、ＲH 进站氧活度和 脱碳结束氧活度． 本文所用数据以某钢厂 2016 年 3— 5 月份的冶炼工艺数据为基础，筛选掉异常炉次，对 845 炉有效冶炼工艺数据进行处理． 考虑到各冶炼工艺参数之间可能存在一定的关联 性，首先通过主成分分析，对可能影响铝耗的工艺参数 进行降维处理，计算结果如表 1 所示． 表 1 方差及主成分贡献率 Table 1 Eigenvalue and principle component contribution rate 成分 特征向量 特征值 方差贡献率/% 方差累计贡献率/% 1 2. 018 28. 823 28. 823 2 1. 230 17. 567 46. 390 3 1. 037 14. 818 61. 208 4 0. 913 14. 183 75. 391 5 0. 778 11. 116 86. 507 6 0. 677 9. 668 96. 175 7 0. 268 3. 825 100. 000 从表 1 发现，特征值大于 1 的主成分有 3 项，累计 方差贡献率为 61. 208% ，小于主成分方差占总方差 75% ～ 85% 的要求［13］，因此不能够通过主成分分析进 行降维处理． 通过 SPSS 软件对冶炼工艺参数与铝耗 的关系进行相关性分析，明确铝耗与主要工艺参数的 显著性水平，如表 2 所示． 表 2 不同冶炼工艺与铝耗的显著性结果 Table 2 Significant results between different smelting processes and aluminum consumption 工艺参数 进站到开始处理时间 抽真空到深真空时间 最小真空度 ＲH 进站钢液温度 吹氧量 ＲH 进站氧活度 脱碳结束氧活度 显著性 0. 061 0. 135 0. 232 0 0 0 0 注: 在 0. 01 水平( 双侧) 上显著相关． 从表 2 可知，ＲH 进站钢液温度、吹氧量、ＲH 进站 氧活度以及脱碳结束氧活度与铝耗的显著性结果均小 于显著性水平 0. 01，应拒绝 H0假设( 与铝耗之间的相 关性不显著) ，认为与铝耗之间的相关性显著． · 215 ·

张思源等：BP神经网络F钢铝耗的预测模型 513 作845炉中RH进站钢液温度、吹氧量与铝耗关 R进站氧活度和脱碳结束氧活度与铝耗关系的散点 系的散点图，因吹氧量对钢液氧活度产生较大影响， 图为未吹氧的338炉次统计结果，如图2所示 2.4(a 2.4b) 2.2 2.2 2.0 2.0 1.8 1.8 1.6 1.6 14 14 12 12 1.0 1.0 ◆ 0.8 0.8 0.6 0.6 156015801600162016401660168017001720 0 50100150200250300 RH进站钢液温度/℃ 吹氧量m 2.0 2.0d ◆ 1.8 1.8 1.6 1.6 14 1.4 1.2 1.2 1.0 1.0 0.8 0.8 ■ 0 06 .030.04 0.050.060.07 0.08 0.09 0.01 0.02 0.03 0.040.05 0.06 RH进站氣活度% 脱碳结束氧活度/% 图2不同治炼工艺与铝耗关系.()铝耗与H进站钢液温度的关系：(b)铝耗与吹氧量的关系：(c)铝耗与RH进站氧活度的关系：(d)铝 耗与脱碳结束氧活度的关系 Fig.2 Relationship between different smelting processes and aluminum consumption:(a)relationship between aluminum consumption and steel tem- perature before RH:(b)relationship between aluminum consumption and blowing oxygen quantity:(e)relationship between aluminum consumption and oxygen activities before RH:(d)relationship between aluminum consumption and oxygen activity after decarbonization 由图2可知，RH进站钢液温度、吹氧量、H进站 表3不同治炼工艺与铝耗的相关系数 氧活度和脱碳结束氧活度与铝耗均有明显的线性关 Table 3 Correlation coefficients between different smelting processes 系，铝耗随RH进站钢液温度的升高而降低，随吹氧 and aluminum consumption 量、RH进站氧活度和脱碳结束氧活度的升高而升高. 治炼工艺 RH进站 RH进站 脱碳结束 吹氧量 计算各因素与铝耗的相关系数r如下式： 参数 钢液温度 氧活度 氧活度 n∑xy-∑x∑y 相关系数 -0.527 0.685 0.533 0.395 √Σ-（Σ）][Σ2-（Σ门] 与铝耗的相关系数居中，对铝耗影响处于居中位置，因 (1) 此可以确定以上四个冶炼工艺参数作为模型的输入 式中，x为RH进站钢液温度、吹氧量、RH进站氧活度 变量 或脱碳结束氧活度中的影响因素之一，y为铝耗，为 2.2模型建立过程 样本量.结果如表3所示. 以2016年3一5月份的845炉RH治炼工艺参数 由表3可知，吹氧量与铝耗的相关系数最大，对铝 为依据，进行模型的训练和仿真，随机选择其中90% 耗影响最强：脱碳结束氧活度与铝耗的相关系数最小， 的数据用于训练，剩余10%的数据用于结果的仿真. 对铝耗影响最弱：H进站钢液温度和RH进站氧活度 训练参数如表4所示. 表4BP神经网络铝耗预测模型训练参数 Table 4 Training parameters of the aluminum consumption prediction model with BP neural networks 训练参数隐层个数隐层神经元个数学习速率动量因子·训练精度输入层传递函数隐层传递函数输出层传递函数训练函数 设定值 8 0.001 0.9 0.0001 tansig tansig purelin trainlm

张思源等: BP 神经网络 IF 钢铝耗的预测模型 作 845 炉中 ＲH 进站钢液温度、吹氧量与铝耗关 系的散点图，因吹氧量对钢液氧活度产生较大影响， ＲH 进站氧活度和脱碳结束氧活度与铝耗关系的散点 图为未吹氧的 338 炉次统计结果，如图 2 所示． 图2 不同冶炼工艺与铝耗关系． ( a) 铝耗与 ＲH 进站钢液温度的关系; ( b) 铝耗与吹氧量的关系; ( c) 铝耗与 ＲH 进站氧活度的关系; ( d) 铝 耗与脱碳结束氧活度的关系 Fig． 2 Ｒelationship between different smelting processes and aluminum consumption: ( a) relationship between aluminum consumption and steel tem￾perature before ＲH; ( b) relationship between aluminum consumption and blowing oxygen quantity; ( c) relationship between aluminum consumption and oxygen activities before ＲH; ( d) relationship between aluminum consumption and oxygen activity after decarbonization 由图 2 可知，ＲH 进站钢液温度、吹氧量、ＲH 进站 氧活度和脱碳结束氧活度与铝耗均有明显的线性关 系，铝耗随 ＲH 进站钢液温度的升高而降低，随吹氧 量、ＲH 进站氧活度和脱碳结束氧活度的升高而升高． 计算各因素与铝耗的相关系数 r 如下式［14］: r = n∑xy － ∑x∑ [ y n∑x 2 ( － ∑ ) x ] [ 2 n∑y 2 ( － ∑ ) y 槡 ] 2 ． ( 1) 式中，x 为 ＲH 进站钢液温度、吹氧量、ＲH 进站氧活度 或脱碳结束氧活度中的影响因素之一，y 为铝耗，n 为 样本量． 结果如表 3 所示． 由表 3 可知，吹氧量与铝耗的相关系数最大，对铝 耗影响最强; 脱碳结束氧活度与铝耗的相关系数最小， 对铝耗影响最弱; ＲH 进站钢液温度和 ＲH 进站氧活度 表 3 不同冶炼工艺与铝耗的相关系数 Table 3 Correlation coefficients between different smelting processes and aluminum consumption 冶炼工艺 参数 ＲH 进站 钢液温度 吹氧量 ＲH 进站 氧活度 脱碳结束 氧活度 相关系数 － 0. 527 0. 685 0. 533 0. 395 与铝耗的相关系数居中，对铝耗影响处于居中位置，因 此可以确定以上四个冶炼工艺参数作为模型的输入 变量． 2. 2 模型建立过程 以 2016 年 3—5 月份的 845 炉 ＲH 冶炼工艺参数 为依据，进行模型的训练和仿真，随机选择其中 90% 的数据用于训练，剩余 10% 的数据用于结果的仿真． 训练参数如表 4 所示． 表 4 BP 神经网络铝耗预测模型训练参数 Table 4 Training parameters of the aluminum consumption prediction model with BP neural networks 训练参数 隐层个数 隐层神经元个数 学习速率 动量因子 训练精度 输入层传递函数 隐层传递函数 输出层传递函数 训练函数 设定值 1 8 0. 001 0. 9 0. 0001 tansig tansig purelin trainlm · 315 ·

·514 工程科学学报，第39卷，第4期 表4训练参数选取为多次训练以后选取的最优参 将BP神经网络铝耗预测模型编制成软件进行应用， 数，其他未注明参数均采用默认值.应用matlab GUI 模型界面和控制过程如图3和图4所示. ☑化两料料候期板草 基于BP神经网络的F钢铝耗预测模型 单护合金耗量预测 吹氧录m侧 进站钢液温度1 模型训练 进站氧活度10“65税氧前氧活度103端 歌RH治炼的软 单护合金耗量预测 批量合金耗量预涮 招耗妈 13 退出程序 领测合金耗量 清除数据 图3BP神经网络铝耗预测模型界面 Fig.3 Interface of the aluminum consumption prediction model with BP neural networks 开始 由表5可知，BP神经网络铝耗预测模型仿真结果 的标准差为0.285，平均误差为5.34%，平均正确率为 [导入训练样本，数据归一化 94.66%.相对误差在10%以内的命中率达到了 91.8%,绝对误差范围在[-0.1,0.1]范围内的命中率 模型训练参数初始化 达到了85.9%，命中率较高，具有很高的应用价值 2.4BP神经网络模型与多元线性回归模型对比 计算隐含层和输出层的输出值 由图2可知，RH进站钢液温度、吹氧量、RH进站 氧活度和脱碳结束氧活度与铝耗呈线性关系，对以上 「修正权值和國值 因素和铝耗的关系进行多元线性回归建模，回归系数 如表6所示. 否 。调练样本是否> 多元线性回归模型为： 完成 y=-0.002×t+0.004×Lo+0.002×a[0]+ 是 0.001×a[0]+2.761. (2) 根据目标函数计算总误差 式中：t为RH进站钢液温度；L,为吹氧量；a[O]为RH 进站氧活度，a:O]为脱碳结束氧活度. 是否小于设定值 由式(2)可知，吹氧量系数最大，对铝耗影响最 或大于训练次数 大：脱碳结束氧活度系数最小，对铝耗影响最小；RH 是 进站钢液温度和RH进站氧活度系数绝对值相等，对 结束训练 铝耗影响几乎相同，同2.1节所反映的影响规律几乎 相同，验证了各工艺参数对铝耗影响的重要性. 图4BP神经网络铝耗预测模型控制过程 将BP神经网络铝耗预测模型用于结果仿真的85 Fig.4 Control process of the aluminum consumption prediction mod- el with BP neural networks 炉工艺参数代入多元线性回归模型中，对两种模型的 预测输出与期望输出进行对比，如图5所示. 2.3模型结果仿真 由图5可知，两种模型的预测输出和期望输出均 模型训练完成以后，将845炉次的10%用于结果 有较好的吻合度，变化趋势几乎相同.但大部分炉次 的仿真.仿真结果如表5所示 中，BP神经网络模型的预测输出与期望输出更接近

工程科学学报，第 39 卷，第 4 期 表 4 训练参数选取为多次训练以后选取的最优参 数，其他未注明参数均采用默认值． 应用 matlab GUI 将 BP 神经网络铝耗预测模型编制成软件进行应用， 模型界面和控制过程如图 3 和图 4 所示． 图 3 BP 神经网络铝耗预测模型界面 Fig． 3 Interface of the aluminum consumption prediction model with BP neural networks 图 4 BP 神经网络铝耗预测模型控制过程 Fig． 4 Control process of the aluminum consumption prediction mod￾el with BP neural networks 2. 3 模型结果仿真 模型训练完成以后，将 845 炉次的 10% 用于结果 的仿真． 仿真结果如表 5 所示． 由表 5 可知，BP 神经网络铝耗预测模型仿真结果 的标准差为 0. 285，平均误差为 5. 34% ，平均正确率为 94. 66% ． 相 对 误 差 在 10% 以 内 的 命 中 率 达 到 了 91. 8% ，绝对误差范围在［－ 0. 1，0. 1］范围内的命中率 达到了 85. 9% ，命中率较高，具有很高的应用价值． 2. 4 BP 神经网络模型与多元线性回归模型对比 由图 2 可知，ＲH 进站钢液温度、吹氧量、ＲH 进站 氧活度和脱碳结束氧活度与铝耗呈线性关系，对以上 因素和铝耗的关系进行多元线性回归建模，回归系数 如表 6 所示． 多元线性回归模型为: y = － 0. 002 × t + 0. 004 × LO + 0. 002 × a［O］+ 0. 001 × a'［O］+ 2. 761． ( 2) 式中: t 为 ＲH 进站钢液温度; LO为吹氧量; a［O］为 ＲH 进站氧活度，a'［O］为脱碳结束氧活度． 由式( 2) 可知，吹氧量系数最大，对铝耗影响最 大; 脱碳结束氧活度系数最小，对铝耗影响最小; ＲH 进站钢液温度和 ＲH 进站氧活度系数绝对值相等，对 铝耗影响几乎相同，同 2. 1 节所反映的影响规律几乎 相同，验证了各工艺参数对铝耗影响的重要性． 将 BP 神经网络铝耗预测模型用于结果仿真的 85 炉工艺参数代入多元线性回归模型中，对两种模型的 预测输出与期望输出进行对比，如图 5 所示． 由图 5 可知，两种模型的预测输出和期望输出均 有较好的吻合度，变化趋势几乎相同． 但大部分炉次 中，BP 神经网络模型的预测输出与期望输出更接近， · 415 ·

张思源等：BP神经网络F钢铝耗的预测模型 515 表5BP神经网络铝耗预测模型仿真结果 Table 5 Simulation results of the aluminum consumption prediction model with BP neural networks 炉次 期望输出kg 预测输出kg 相对误差/% 炉次 期望输出/kg 预测输出/kg 相对误差/% 1 1.41 1.31 7.00 44 1.10 1.08 1.39 1.59 1.67 4.56 子 0.96 0.89 6.91 1.21 1.17 3.08 46 1.43 1.49 3.90 0.95 0.97 2.11 47 1.04 1.06 1.99 1.51 1.44 4.20 1.28 1.17 8.56 6 1.48 1.42 3.95 49 1.31 1.10 16.04 1.22 1.39 13.53 50 1.06 0.99 7.23 1.40 1.37 2.43 51 1.72 1.60 6.73 9 1.40 1.28 8.38 9 1.15 1.04 9.50 白 1.10 1.06 4.03 分 1.35 1.27 5.94 11 1.65 1.58 3.85 54 1.06 1.01 4.49 12 1.33 1.24 7.02 夕 0.89 1.07 19.35 13 1.46 1.43 2.09 56 1.63 1.71 5.18 14 1.42 1.35 5.36 51 1.31 1.25 4.n 15 0.92 0.92 0.07 58 1.54 1.39 9.47 16 1.17 1.23 5.03 1.73 1.64 5.63 17 1.20 1.12 6.18 四 0.89 0.91 2.73 18 1.63 1.59 2.46 61 1.38 1.41 2.15 19 1.55 1.48 4.29 62 0.91 0.96 5.08 场 1.42 1.50 5.39 63 0.91 0.96 4.88 21 1.45 1.38 4.72 64 0.96 0.98 2.48 22 1.92 1.90 1.07 65 1.98 1.92 3.01 23 1.56 1.60 2.83 66 1.05 1.03 1.89 24 1.69 1.52 10.13 6 1.73 1.59 8.10 25 1.28 1.34 4.48 68 1.30 1.20 7.30 26 0.93 0.90 3.09 69 1.19 1.23 3.00 27 0.70 0.80 12.88 N 1.09 1.00 8.47 28 1.23 1.26 2.33 1.16 1.04 10.52 29 1.03 0.97 5.76 72 1.52 1.47 3.51 30 1.52 1.44 5.14 1.30 1.22 6.38 31 1.07 1.09 1.89 1.32 1.29 2.90 32 1.31 1.21 7.20 75 0.83 0.86 3.36 33 1.27 1.22 4.04 和 1.26 1.19 5.69 34 2.35 2.41 2.79 77 1.38 1.33 3.54 35 1.10 1.17 6.29 78 1.33 1.41 6.08 36 1.08 0.99 8.25 79 1.54 1.51 1.57 37 0.93 0.93 0.64 形 1.15 1.23 7.41 38 1.83 1.89 3.24 时 1.49 1.32 11.01 39 1.49 1.41 5.15 82 1.15 1.22 6.02 40 1.57 1.49 4.92 0.97 0.95 2.57 41 1.11 1.09 2.23 华 1.20 1.10 8.03 42 1.66 1.72 3.87 香 1.09 1.04 4.07 0.84 0.90 7.17

张思源等: BP 神经网络 IF 钢铝耗的预测模型 表 5 BP 神经网络铝耗预测模型仿真结果 Table 5 Simulation results of the aluminum consumption prediction model with BP neural networks 炉次 期望输出/ kg 预测输出/ kg 相对误差/% 炉次 期望输出/ kg 预测输出/ kg 相对误差/% 1 1. 41 1. 31 7. 00 44 1. 10 1. 08 1. 39 2 1. 59 1. 67 4. 56 45 0. 96 0. 89 6. 91 3 1. 21 1. 17 3. 08 46 1. 43 1. 49 3. 90 4 0. 95 0. 97 2. 11 47 1. 04 1. 06 1. 99 5 1. 51 1. 44 4. 20 48 1. 28 1. 17 8. 56 6 1. 48 1. 42 3. 95 49 1. 31 1. 10 16. 04 7 1. 22 1. 39 13. 53 50 1. 06 0. 99 7. 23 8 1. 40 1. 37 2. 43 51 1. 72 1. 60 6. 73 9 1. 40 1. 28 8. 38 52 1. 15 1. 04 9. 50 10 1. 10 1. 06 4. 03 53 1. 35 1. 27 5. 94 11 1. 65 1. 58 3. 85 54 1. 06 1. 01 4. 49 12 1. 33 1. 24 7. 02 55 0. 89 1. 07 19. 35 13 1. 46 1. 43 2. 09 56 1. 63 1. 71 5. 18 14 1. 42 1. 35 5. 36 57 1. 31 1. 25 4. 77 15 0. 92 0. 92 0. 07 58 1. 54 1. 39 9. 47 16 1. 17 1. 23 5. 03 59 1. 73 1. 64 5. 63 17 1. 20 1. 12 6. 18 60 0. 89 0. 91 2. 73 18 1. 63 1. 59 2. 46 61 1. 38 1. 41 2. 15 19 1. 55 1. 48 4. 29 62 0. 91 0. 96 5. 08 20 1. 42 1. 50 5. 39 63 0. 91 0. 96 4. 88 21 1. 45 1. 38 4. 72 64 0. 96 0. 98 2. 48 22 1. 92 1. 90 1. 07 65 1. 98 1. 92 3. 01 23 1. 56 1. 60 2. 83 66 1. 05 1. 03 1. 89 24 1. 69 1. 52 10. 13 67 1. 73 1. 59 8. 10 25 1. 28 1. 34 4. 48 68 1. 30 1. 20 7. 30 26 0. 93 0. 90 3. 09 69 1. 19 1. 23 3. 00 27 0. 70 0. 80 12. 88 70 1. 09 1. 00 8. 47 28 1. 23 1. 26 2. 33 71 1. 16 1. 04 10. 52 29 1. 03 0. 97 5. 76 72 1. 52 1. 47 3. 51 30 1. 52 1. 44 5. 14 73 1. 30 1. 22 6. 38 31 1. 07 1. 09 1. 89 74 1. 32 1. 29 2. 90 32 1. 31 1. 21 7. 20 75 0. 83 0. 86 3. 36 33 1. 27 1. 22 4. 04 76 1. 26 1. 19 5. 69 34 2. 35 2. 41 2. 79 77 1. 38 1. 33 3. 54 35 1. 10 1. 17 6. 29 78 1. 33 1. 41 6. 08 36 1. 08 0. 99 8. 25 79 1. 54 1. 51 1. 57 37 0. 93 0. 93 0. 64 80 1. 15 1. 23 7. 41 38 1. 83 1. 89 3. 24 81 1. 49 1. 32 11. 01 39 1. 49 1. 41 5. 15 82 1. 15 1. 22 6. 02 40 1. 57 1. 49 4. 92 83 0. 97 0. 95 2. 57 41 1. 11 1. 09 2. 23 84 1. 20 1. 10 8. 03 42 1. 66 1. 72 3. 87 85 1. 09 1. 04 4. 07 43 0. 84 0. 90 7. 17 · 515 ·