基于长短期记忆网络模型的转炉吹炼过程预测

来源：钢铁研究学报杂志2025年第8期北京时间：

作者：刘增山¹, 冯亮花¹, 孔令种¹, 康小兵²

单位：1.辽宁科技大学材料与冶金学院,辽宁鞍山114051;；2.河北燕山钢铁集团有限公司,河北迁安064400

摘要：随着信息技术的发展,充分挖掘、筛选、分析钢铁生产大数据,对钢铁生产实现智能控制、节能增效有重要的意义。通过对某钢厂200 t转炉425组炉气成分实时测试数据深入分析,基于碳积分模型将其转化为碳成分及温度时序数据,并进行数据归一化预处理,建立了能够预测炼钢过程碳质量分数及温度的长短期记忆(LSTM)网络模型。该模型以加料信息和炉气信息为输入变量,通过对生产现场50炉次的终点实测数据与模型计算数值进行对比,结果表明:碳质量分数终点预测误差±0.03%内命中率为96%,温度终点预测误差在±15 ℃内命中率为92%,实际值和LSTM模型预测值偏差较小,同范围内的终点命中率比极限学习机(ELM)和反向传播(BP)神经网络预测模型均有所提高,LSTM模型有利于对冶炼过程实施动态预测和控制。

关键词：转炉炼钢,LSTM模型,碳含量,温度,时间序列

基金资助：国家自然科学基金资助项目(52074151);辽宁省科学技术厅资助项目(2022JH2/101300079)