炼钢 ›› 2025, Vol. 41 ›› Issue (1): 12-18.

• 铁水预处理 • 上一篇    下一篇

基于加权聚类和DNN的KR法脱硫剂加入量预报模型

李  威1,2,熊  凌1,2,罗钟邱3,吴经纬4,万诗斐4,但斌斌2   

  1. (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)
  • 出版日期:2025-02-05 发布日期:2025-01-24

Prediction model for desulfurizer addition for KR process based on weighted clustering and DNN

  • Online:2025-02-05 Published:2025-01-24

摘要: 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%。

关键词: KR脱硫, SHAP, DBSCAN聚类, DNN, 预测模型