炼钢

作者：李威,熊凌,罗钟邱,吴经纬,万诗斐,但斌斌

单位：1.武汉科技大学 信息科学与工程学院，湖北 武汉 430081；2.武汉科技大学 冶金自动化与检测技术教育部工程研究中心，湖北 武汉 430081；3.宝信软件（武汉）有限公司，湖北 武汉 430080；4.中冶南方工程技术有限公司 智能制造事业部，湖北 武汉 430223

关键词：KR脱硫,SHAP,DBSCAN聚类,DNN,预测模型,

为了准确预测铁水KR脱硫工序中的脱硫剂加入量，提出了一种基于密度的聚类方法（DBSCAN）和深度神经网络（DNN）相结合的建模方法。首先计算Spearman相关系数筛选出与脱硫剂加入量相关性较强的6个输入特征；基于筛选后的特征，利用DNN对数据集建立脱硫剂加入量预测模型；通过SHapley Additive exPlanations（SHAP）方法解释DNN模型，计算出各个特征对模型输出的贡献程度，根据得到的权重代入DBSCAN聚类算法中对某炼钢厂的脱硫实际生产数据进行聚类，保留清洗后的数据集；最后，通过五折交叉验证的方法对比了数据清洗前后的支持向量回归（SVR）、随机森林（RF）、极限梯度提升（XGBoost）、BP神经网络、深度神经网络（DNN）的预测模型性能。试验结果表明，使用清洗后的数据集建立的脱硫剂加入量预测模型的均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、决定系数（R2）较原数据集平均提高了33.6%、15.5%、12.9%、6.9%。

来源：2025年第1期

《炼钢》期刊编辑部

查看炼钢杂志2025年第1期