文献类型：期刊文章

作　　者：张壮[1] 曹玲玲[1] 林文辉[1] 孙建坤[1] 冯小明[2] 刘青[1]

ZHANG Zhuang;CAO Ling-ling;LIN Wen-hui;SUN Jian-kun;FENG Xiao-ming;LIU Qing(State Key Laboratory of Advanced Metallurgy,University of Science and Technology Beijing,Beijing 100083,China;Xinyu Iron&Steel Group Co.,Ltd.,Xinyu 338001,China)

机构地区：[1]北京科技大学钢铁冶金新技术国家重点实验室,北京100083 [2]新余钢铁集团有限公司,新余338001

出　　处：《工程科学学报》

基　　金：江西省重点研发计划资助项目(20171ACE50020)

年　　份：2019

卷　　号：41

期　　号：8

起止页码：1052-1060

语　　种：中文

收录情况：BDHX、BDHX2017、CSA-PROQEUST、CSCD、CSCD_E2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：分析了影响转炉冶炼终点钢水中锰含量的因素,针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢,预测精度低等问题,提出了一种基于极限学习机(ELM)算法建模的新思路,并引入正则化以及改进粒子群优化算法(IPSO),建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM)的转炉终点锰含量预测模型;应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证,并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明,采用IPSO-RELM方法构建的模型,锰含量预测误差在±0.025%范围内的命中率达到94%,均方误差为2.18×10^-8,拟合优度R2为0.72,上述三项指标均显著优于其他三类模型,此外,该模型还具有良好的泛化能力,对于转炉实际冶炼过程具有一定的指导意义.

关 键 词：转炉 终点锰含量  改进粒子群算法 极限学习机 正则化极限学习机  预测模型  

分 类 号：TF723]