钢包炉精炼是钢铁冶金中提升钢材质量的重要环节，其核心任务之一是控制钢水的精确温度。精炼终点温度的准确预测不仅有助于钢水质量的提升，也能确保连续铸钢工艺的顺利进行。然而，由于钢包炉工艺变量复杂且耦合性强，传统基于热力学和能量守恒的预测方法在实际应用中表现出一定的局限性。
尽管已有研究尝试利用能量平衡和历史数据构建预测模型，但传统模型在应对复杂多变量非线性关系时表现不佳。此外，参数优化效率低下、容易陷入局部最优等问题进一步限制了模型的预测精度和泛化能力。
最近，北京科技大学的王敏教授及其团队通过结合粒子群优化（PSO）算法与长短期记忆（LSTM）神经网络技术，提出了一种全新的黑箱预测模型，用于钢包炉精炼终点温度的精准预测。研究团队收集了某钢铁厂的2368组钢包炉精炼数据，通过严格的数据清洗规则和箱线图方法筛选出1646组高质量数据。基于此数据集，他们构建了PSO–LSTM预测模型，使用PSO算法优化LSTM网络的超参数，从而显著提高了模型的预测精度与泛化能力。
相关研究成果以“Prediction of Ladle Furnace Refining Endpoint Temperature Based on Particle Swarm Optimization Algorithm and Long Short-Term Memory Neural Network”为题目发表于JOM期刊2025年第77卷第1期。论文作者为：Huan Wang, Min Wang*, Qing Liu, Zeyu Yang, Lidong Xing。
研究结果和结论
通过分析，确定了8个关键因素影响钢包炉终点温度，包括：加热时间、造渣剂加入量、钢包预热温度等，并将其作为模型输入变量。
PSO–LSTM模型表现出优越的预测能力，其R²值为0.924，平均绝对误差（MAE）为4.064，均方根误差（RMSE）为5.109。
在±10℃误差范围内的预测命中率达到94.83%，显著高于多元线性回归（MLR）和BP神经网络等传统模型。
与其他模型相比，PSO–LSTM模型在预测精度、一致性和泛化能力上均表现最优。
该论文中共有图片12张、表格2个，部分图片和表格如下：
图1. 钢包炉精炼过程路径示意图
图2. 钢包炉精炼过程中的能量平衡分析
图3. 钢包炉精炼数据清洗规则
图4. 清洗后数据的箱线图异常值检测
图5. LSTM的内部结构示意图
图6. PSO–LSTM模型的流程图
图7. 变量的Pearson相关性热图
图8. 变量相关性雷达图
图9. 不同模型预测温度与实测温度对比图
图10. 不同模型预测误差分布
图11. 各模型预测命中率对比
图12. 不同模型的Taylor图性能评估
如果您需要论文原文，请在本页最下方留言“2501”。您想看哪方面的文献资料，也请给小编留言。
您可以点击下方“#炉外精炼与铁水预处理”，然后“订阅”该合集，系统将更精准地向您推荐相关资讯。
欢迎投稿，欢迎“点赞、在看”！
