在现代钢铁生产中，RH真空精炼技术在提高钢液纯度和性能方面起着重要作用。然而，由于RH处理过程中的温度变化对钢液质量有显著影响，如何精确控制处理后的钢液温度成为业界的关注重点。研究表明，RH处理后钢液温度每降低1°C即可节省0.1美元/吨的生产成本，因此高精度的温度预测对钢铁制造的经济性和产品质量至关重要。
已有研究采用多种机器学习方法（如BP神经网络、基于案例的推理法和多元线性回归等）来预测RH处理后的钢液温度。然而，由于未能全面考虑数据预处理和特征选择对预测精度的影响，现有模型的预测命中率通常在80%左右，难以满足钢液温度误差在±5°C范围内命中率90%以上的实际生产需求。
最近，东北大学的雷洪教授及其团队通过数据预处理和特征选择方法，开发了一种智能预测模型来提高RH处理后钢液温度的预测精度。该团队通过数据清洗和关键因素提取，将影响钢液温度的九个因素降维为六个主成分，并利用粒子群优化算法改进的反向传播神经网络（BPNN-PSO）进行温度预测。研究表明，经过优化的模型在±5°C误差范围内的命中率达到了92.2%，显著提高了传统预测模型的精度。
相关研究成果以“Intelligent prediction for the temperature of molten steel after RH treatment”为题目发表于Ironmaking & Steelmaking 期刊2024年51卷7期。论文作者为：Baotang Chai, Hong Lei, Denghui Li, Meng Xu, Jia Fan, Zhijie Wu。
该论文的主要研究结果与结论如下：
确定了影响RH处理后钢液温度的九个关键因素，通过主成分分析将其减少为六个主成分。
数据预处理显著提高了预测模型的准确性。在数据预处理和特征选择后，BPNN-PSO模型的温度预测命中率达到92.2%。
研究提供了一种有效的温度预测方法，将数据预处理、特征选择和BPNN-PSO模型相结合，提升了模型的泛化能力，适用于复杂工业数据的温度控制需求。
论文中的主要图片和表格如下：
图1. 计算流程图
图2. Q-Q图
图3. Spearman相关系数的热力图
图4. 调整BPNN和BPNN-PSO的超参数
图5. BPNN超参数对RMSE的影响
图6. 预测温度与实验数据的对比
图7. BPNN-PSO的损失函数
如果您需要论文原文，请在本页最下方留言“2411”。您想看哪方面的文献资料，也请给小编留言。
欢迎“点赞、在看”！
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送相关资讯。
