基于集成学习的转炉炼钢终点预测建模与优化研究.pdfVIP

摘要

在转炉炼钢技术中，转炉炼钢终点中的各质量指标是否符合要求决定着钢材的综

合性能，精准的转炉炼钢终点预测技术对于整个冶炼过程起到至关重要的作用。在转

炉炼钢终点的多个质量指标中，除了对钢材性能起主要作用的钢水温度和碳含量外，

磷、锰等杂质元素含量同样也对钢材性能产生重要影响。目前的研究主要集中在钢水

温度和碳含量方面，针对锰和磷的研究相对较少，鉴于此，本文以钢厂实际生产数据

为依据，从数据驱动的角度出发，利用机器学习下的集成学习建模思想，结合群智能

优化算法，对转炉炼钢终点磷含量和锰含量的预测建模和优化进行深入研究，进一步

完善转炉炼钢终点预测技术。

(1)提出了多策略改进的猎人-猎物优化算法。针对基本猎人-猎物优化(Hunter-

PreyOptimization，HPO)算法在寻优精度和收敛速度上的不足，进行多策略改进，采

用Circle混沌映射初始化搜索个体位置，增加种群的多样性；引入动态切换概率策略，

维持算法中捕猎者探索阶段和猎物开发阶段之间的平衡；在搜索个体位置更新处引入

自适应惯性权重策略，提高算法的求解精度和收敛速度，得到一种改进型猎人-猎物

优化(ImprovedHunter-PreyOptimization,IHPO)算法。将IHPO算法与5种群智能优

化算法进行仿真测试对比，结果表明IHPO算法在求解精度、收敛速度上相较于5种

对比算法的寻优能力更为出色，验证了改进策略的有效性。该算法为基于集成学习的

转炉炼钢终点磷、锰含量模型的关键参数优化及输入特征选择奠定了优化算法基础。

(2)开发了基于同质集成算法建模的转炉炼钢终点磷含量预测模型。转炉炼钢终

点钢水磷含量的预测对控制钢材脆性、韧性、焊接性和降低生产成本具有重要意义，

为提高转炉炼钢终点磷含量的控制精准和减少原料消耗，开发出一种在Stacking集成

学习框架下融合多个改进型极限学习机(ImprovedExtremeLearningMachine,IELM)的

转炉炼钢终点磷含量预测模型。基于IHPO算法出色的寻优性能，将IHPO算法用于

ELM(ExtremeLearningMachine,ELM)模型的关键参数寻优，与6种模型进行仿真实

验对比，结果表明IHPO-ELM模型具有更高的预测精度，验证了IHPO算法在参数优

化上的有效性。为进一步提高模型整体预测性能，引入集成学习思想，选取3种不同

的融合策略(Bagging平均法、Bagging加权平均法、Stacking方法)进行对比测试，结

果表明基于Stacking集成算法框架下以IHPO-ELM模型作为初级学习器、

GPR(GaussianProcessRegression,GPR)模型作为次级学习器的集成方式取得了更好的

预测结果，误差范围在±0.001%、±0.002%、±0.003%之间的命中率分别为57.14%、

82.86%、92.86%。

(3)开发了基于异质集成算法建模的转炉炼钢终点锰含量预测模型。转炉炼钢终

点钢水锰含量的精准预测可以有效避免因钢水锰含量过高或过低带来的流动性下降、

开浇性变差、硬度和韧性不足等问题。借鉴转炉炼钢终点磷含量预测建模的经验，通

过引入不同类型的模型进行异质集成建模。从基模型的预测性能和模型间差异性两个

角度出发，优选出XGBoost(eXtremeGradientBoosting,XGB)、RF(RandomForest,RF)

和GPR模型进行异质集成。综合考虑模型输入特征对实际预测效果的影响和IHPO

算法的参数寻优能力，提出一种IHPO特征选择算法，并结合转炉炼钢终点锰含量影

响因素和专家经验确定了转炉炼钢终点锰含量预测模型的输入特征。通过对比研究，

选择Stacking集成算法作为融合策略，并引入特征加权策略对其进行改进，同时将前

文提出的具有高精度预测性能的IHPO-ELM模型作为Stacking算法中的第二层模型，

建立具有较高预测性能和泛化能力的转炉炼钢终点锰含量预测模型，误差范围在±

0.008%、±0.01%之间的命中率分别为78.89%、90.00%。

关键词：转炉炼钢；集成学习；磷含量预测；锰含量预测；猎人-猎物优化算法

Abstract

Inconvertersteel