基于二次相似性度量的即时学习转炉炼钢终点碳温软测量方法

Vol27No5May2021
第27卷第5期2021 年5 月
计算机集成制造系统
Computer Integrated Manufacturing Systems
DOI ： 10. 13196/j. cims. 2021. 05. 019
基于二次相似性度量的即时学习转炉炼钢
终点碳温软测量方法
曾鹏飞，刘辉+
(昆明理工大学信息工程与自动化学院，云南昆明650500)
摘 要：转炉炼钢过程中碳、温连续实时预报是终点控制的关键，针对炉次间的时间序列样本差异度大进而影
响模型预测精度的问题，提出一种二次相似性度量的即时学习策略加具有反馈补偿机制的长短期记忆网络混合模
型预测终点碳温方法。

利用灰色关联度准则进行一次度量建立初始局部模型，在其局部模型中定位出“质心”样本 进行二次度量，从而获取最优局部模型；长短期记忆网络训练时，将输出反馈回输入端，使其二次训练能够提高泛 化能力。

通过钢厂转炉炼钢生产过程的实际数据对方法进行测试和验证，结果表明，按照炼钢工艺要求，温度预测
误差在士5C 的精度为76. 7%，碳预测误差在士0. 01的精度为86. 7%。

关键词：转炉炼钢；即时学习；灰色关联度；长短期记忆网络
中图分类号:TP391
文献标识码:A
Soft-sensing method for end-point carbon temperature of converter steelmaking
basedonquadratcsmlartymeasurement
ZENG Pengfei , LIU Hu +
(School of Information Engineering ^Automation, Kunming University of Science and
Technology ,Kunming 650500 ,China )
Abstract ：
Continuousreal-timepredictionofcarbonandtemperatureinconvertersteelmakingprocessisthekeyto
theend-pointcontrol Inviewofthelargedi f erenceoftimeseriessamplesbetweenfurnacesanda f ectingtheaccu- racy of the model prediction ,
a new method for predicting the end-point carbon temperature by using real-time learn ­
ing strategy of quadratic similarity measurement with a Long-Short Term Memory (LSTM ) network hybrid model that had feedback compensation mechanism were presented Theinitiallocalmodelwasestablishedbyusinggreyre- lationaldegreecriteria ,
andthecentroidsamplewaslocatedinthelocalmodeltoobtaintheoptimallocalmodel The
output feedback of LSTM network was backed to the input in training , which could improve its generalization ability
inthesecondarytraining Theexperimentalresultsshowedthattheaccuracyoftemperaturepredictionerror was
76 7% and carbon prediction error was 86 7% according to the process requirements of steelmaking Keywords :converter steelmaking ； instant learning ； grey relational degree ； long short-term memory network
0引言
志着国家经济发展的程度。

由于高生产率和低成本 的优势，全球近65%的钢厂使用转炉炼钢BOF
(basic oxygen furnace )[1]。

冶炼终点钢水中的碳含钢铁工业在国民经济生产中占有重要地位，标
量和温度决定了钢的质量，因此对转炉终点碳温进
收稿日期：2019-08-20；修订日期：2019-12-29。

Received 20 Aug. 2019 ；accepted 29 Dec. 2019.基金项目：国家自然科学基金资助项目(1863018
)
云南省科技厅面上资助项目(202001AT070038
)
Foundation items ： Project supported by
theNationalNaturalScienceFoundation , China (No 61863018) , and the Science and Technology Department of Yunnan Province ,
China (No202001AT070038
)
1430计算机集成制造系统第27卷
行控制尤为重要，而实际生产中受工人经验、熟练程度和主观情绪等影响，依靠人工经验预测终点碳温的方法因预测精度较低，导致炼钢生产效率低，资源浪费严重。

通常，氧气转炉终点碳温测量方法分为直接测量和间接测量两大类。

直接测量的方法检测熔池内钢水碳温时大多采用副枪检测法即利用专门的探头和检测工具测量熔池内钢水的碳温，其测量精度高但不能连续实时测量，而且副枪探头长期处于高温腐蚀环境中，使用成本较高。

在BOF过程中,加入的石灰石、铁水、废钢、吹氧量等过程生产数据与终点碳含量和温度存在非线性关系［3］,为间接测量碳含量和温度提供了理论依据，其中基于物料平衡和热平衡的终点碳温预测模型过分依赖炼钢原材料初始条件的稳定性和操作过程平稳性。

当前国内钢厂铁矿石、废钢等原材料的品质波动很大,导致机理模型的建立十分困难。

随着人工智能技术的发展，智能模型被广泛用于转炉炼钢过程建模。

王心哲等4将经过变量选择后的特征作为转炉炼钢模型的输入进行终点预测；Cox等阪采用B玖back prop­agation)神经网络模型对BOF终点碳温进行预测；柴天佑等6综合使用径向基函数(Radial Basis Function,RBF)神经网络对转炉终点的碳含量和温度进行预测;Zhou7和Tang8等人分别根据生产线上传感器测量的相关数据，结合多输出最小二乘支持向量回归理论，建立了非线性终点碳温以及硅含量的预测模型。

然而，非线性建模方法主要基于离线数据进行全局建模，实际炼钢过程中，受检测仪表和变送器等装置故障以及人工操作失误的影响，所采集的生产过程数据经常出现异常，导致预测模型与实际工况不匹配，很难在线更新全局模型，无法有效预测当前炉次的终点碳温，难以把握出钢的最佳时刻9。

当全局建模策略无法有效满足转炉炼钢终点碳温预测的实际需要时，常采用即时学习［1011］(Just­in-Time Learning,JITL)策略。

围绕JITL策略的核心(即相似度准则问题),Chen等［12］认为相似度准则仅与样本的输入信息有关，没有考虑样本的输出信息，因此将输入和输出变量信息综合起来构建自适应加权距离作为相似度指标；Niu等［3将模糊C-均值方法与常用的JITL结合，首先通过模糊C-均值重构历史数据集，然后在重构的数据集中再采用JITL方法选取当前的局部样本建立软测量模型。

然而，这类方法没有考虑JITL每次重新建立局部模型时耗时较长的问题，在转炉炼钢终点碳、温预测实时性要求较高的背景下效果不佳。

&£；等［4将计算前后两个相邻测试样本之间的相似度改进为计算当前时刻样本与上一更新初始时刻样本之间的相似度，可以有效解决这一问题。

牛大鹏等［旧在文献［14］的基础上引入时间序列，并通过投影算法预测未更新时刻的输出并达到了一定的效果。

然而,数据样本采用的相似度准则均属于一阶相似度(First-Order Similarity,FOS)准则，仅在FOS准则的基础上采用模型更新的方法，虽然可以有效提高模型的实时性，但是会相应降低模型的精度，而且基于角度和距离度量指标无法适用于数据波动大且具有时间序列的BOF炉次样本。

综上所述，本文从相似性度量准则出发，提出一种二次相似性(Quadratic-Order Similarity,QOS)度量策略来建立局部最优模型。

QOS度量策略不仅充分考虑了样本的总体特征，还考虑了样本间的时间序列特性，使选择出的样本类内方差更小、类间方差更大，选择到的相似样本更合理。

采用具有反馈补偿机制的长短期记忆(Long Short-Term Mem­ory,LSTM)循环神经网络建模时，训练样本具有很强的时间序列，更加有利于模型对前一炉次样本信息的利用，增强了模型的泛化能力。

最后，通过转炉炼钢终点碳、温预测仿真实验结果表明，本文所提方法可以有效解决数据异常问题，同时提高模型的预测精度。

1基于二次相似性度量的即时学习策略
11即时学习相似性度量策略
JITL的思想是相似输入产生相似输出，目的是从历史样本库X中选择与待测样本…相似度最高的一组训练样本来建立当前的最优局部模型，其核心是相似度准则的选取。

传统的JITL度量准则描述为
s=A槡e xp(d2)+(1—A)cos()。

(1)式中：狊为待测样本s与训练样本X之间的相似度值;A为0〜1之间的权值系数犱为两个样本间的二范数，为两个样本之间的夹角，计算公式分别为：
d—||狓狇—狓||2,(2)
T
心||狓狇||狓狓||狓||2。

⑶
FOS准则仅考虑两个样本点对点之间的相似
第5期曾鹏飞等：基于二次相似性度量的即时学习转炉炼钢终点碳温软测量方法1431
性，没有考虑多样本之间的相似性，忽略了样本的总
体特征，使选择到的相似样本不够合理，虽然可以有
效提高模型的实时性，但是相应降低了模型精度。

1.2二次相似性度量策略
1.2.1灰色关联度分析准则
给定包含N个炉次样本历史库［16］。

数据表
示为
「狓1,1狓1,2…•狓1”
X一狓2,1狓2,2…•狓2,”
0(4)狓n,狓n,°•狓n,120燅狀犿
式中X=｛狓G犚犿,=1,2,3,…，N｝,犿为样本维数。

假定当前待测炉次样本狓，QOS度量策略的目的是从历史样本库X中选择与s相似度最高的一组训练样本来建立当前最优局部模型训练集，文献［17-19］和基础实验证明，传统的基于FOS度量时的角度和距离准则不适应于BOF炼钢中具有时间序列特性且波动较大的炉次样本。

虽然文献［17］中的二阶相似度准则考虑了样本的总体特征，但是相比已有方法使选择到的相似样本更合理且速度更快，其二阶度量策略无法有效度量更高阶下的样本,且无法挖掘时间信息，导致所选择的局部样本类内、类间区的分度达不到最佳。

因此，本文采用灰色关联度分析（Grey Relation Analysis,GRA）准则和QOS度量策略衡量样本间的相似度,其GRA度量准则描述为
1犖
犇狓，狇=N工狓狓狇（）（5）
犖犽一1
式中犇狓,为待测炉次样本狓狇与历史库样本X之间的GRA值,其计算步骤如下：
步骤1通过式（6）计算待测样本狓与历史库样本X间每一维度的差值，构成一个差值矩阵，结果如式（7）所示。

A犻，狓狇（犽）一丨X q（k）-
亠狓狇（）一
-Xi(k)|；(6)几狇(1)△衍％(2)…A”(”)
q
A
(1)A&，狓(2)…乂”，狓(”)
狓2，狓狇2，q
0(7)
(1)A—狓(2)…△狓犻狓
(”)
步骤2由式（7）获取两级极差的最大值A （max）和最小值A（min）:
A（max）=maxCmax A^狓（犽））;
犻'狇
A（min）=min（min A狓，狓（犽））。

（8）步骤3求差值矩阵中参考数列和比较数列的灰色关联系数
犻”（犽）
A(min)+必(1!18乂)=q5
A””(犽)+pA(max)，'(9)步骤4获取狓与历史库样本X间每一维度的关联度值
€1,1€1,…€1,”
.€2,€2,2.…€2,”
€狓狓狇（犽一：：：，（10）
_€i,1€犻2€犻”_
得到灰色关联度的值，进而采用式（5）求样本狓狇的最终训练样本集。

1.2.2二次相似性度量策略的定义
定义1设转炉炼钢历史库样本为X=｛狓犚”犻=1,2,3,…，N｝,当前待测炉次样本为狓。

定义GRA度量的FOS初始模型样本集合S”*”=狊，S2，…,”｝为球集合。

球集合中样本点的质量为狓与历史库样本X 的GRA值，其不仅考虑了样本间点对点的相似度,还兼顾了炉次样本间的时间序列特性。

定义2为更好地建立局部模型，在球集合S”x”=s,s2,・・・，s”｝中计算两两样本之间的FOS 值得到S P x t矩阵，定义质心样本索引向量1=［i\, ii,…i t］,max（犐）为质心样本索引编码。

质心样本的确定使二次度量具有可行性,将两样本间拥有大多数共同FOS相似的样本纳入训练库，使其待测样本的训练库样本最佳。

QOS度量策略通过FOS度量建立初始球集合模型，确定质心样本点二次度量，建立最终局部模型。

QOS度量策略的伪代码如下：
输入:历史样本X=｛狓i G犚”，i=1,2,3,…，N｝，测试样本狓狇。

输出：最佳训练样本库犛犱*犕。

for i=1：N
得到训练样本两两之间的相似度矩阵S pxm。

Endfor
forj=1：p forj=1：p
通过GRA算法计算S pxm两两样本之间的FOS值。

Endfor
Endfor
得到训练样本两两之间的相似度矩阵S pxp,得到对应的质心样本索引矩阵I=［i1，2,…i p］输出max⑴即为质心样本，记为I max o fori=1：N
1432计算机集成制造系统第27卷
计算训练样本X与I max之间的FOS,获取阈值在0.8以上
的样本，构成最佳样本库S dXM。

Endfor
相比于FOS策略，QOS度量策略充分考虑了
样本的总体特征，使选择的相似样本更合理。

算法
原理如图1所示，样本2为待测样本，样本1、样本3
〜样本9为历史库的部分样本。

采用FOS策略度
量时，只度量出将样本1、样本3〜样本7,而样本8
和样本9与样本3〜样本7的相似度很高却被漏
捡。

QOS度量策略确定质心样本5后进行二次度
量，可以将漏检的样本8和样本9重新纳入训练集。

因此,QOS度量策略不但使训练样本的整体分布更
加合理，而且使历史库中的样本与待测样本的整体
相似度达到最高，更有利于预测待测样本。

y
待测/n
样本/Q3 o FOS模型中，2为
一_\:待测样本，样本1、
：样本3〜样本9为衿令二卫耳⑨：历史库样本，6为
:几何中心到O点的
I—:—
FOS模型相似性度量原理图
通过FOS模型建立的初始模型，进行两两样本之间的1度量，从而获取“质心”样本点。

i 提高模型的预测精度，解决了文献［17］方法中二阶度量策略无法挖掘时间序列信息且不能更好区分样本类内类间方差的问题。

2转炉炼钢的终点碳、温预测模型
2.1反馈补偿机制的长短期记忆网络
循环神经网络(Recurrent Neural Network, RNN)是一种深度神经网络，其最大的优势是将时序概念引入神经网络，从而使上一时刻输入的数据直接影响当前时刻数据，当RNN有足够的隐藏层数时，其能够以任意精度逼近需要预测的序列。

然而，随着时间序列特征的增加，RNN会出现“梯度消失”可题，不利于准确预测终点碳温，因此LSTM在RNN的基础上增加了记忆模块、输入门、遗忘门、输出门。

前期实验证明，将LSTM方法应用于具有时间序列的炉次样本数据来预报终点碳温具有较好的效果。

由于炉次样本间生产工况的复杂性导致样本数据丢失或出错，本文在传统LSTM网络中将输出层反馈回输入层，改进后的网络不但可以提取层次间的特征，而且加入的反馈层融合了炉次样本间的序列特征，能够在数据残缺的情况下充分利用T-1炉次下的信息，使预测精度最优，并增强网络的抗干扰能力。

实验证明，在数据有残缺或不合理的情况下，碳温预测精度仍在误差允许范围内。

图2所示为改进的LSTM网络结构，图3所示为LSTM记忆块结构。

待测样本
1 2:QOS模型中，2为
:待测样本，样本1、
：样本3〜样本9为
!历史库样本，样本5
j为“质心”样本点，
:为几何中心到
i o点的距离
输出层
隐含层
输入层
图2LSTM模型结构
7
“质心”样本
x
QOS模型相似性度量原理图
图1QOS度量策略和FOS策略算法原理图
本文从二次度量策略角度出发采用灰色关联度准则，不但兼顾了距离和角度的信息，而且挖掘出了炉次样本的时间信息，质心样本使QOS策略能够有效减小样本间的类内差距，增大类间差距,有利于
利用LSTM网络预测转炉炼钢终点碳温时，图3中的记忆模块在第犜炉次预测终点碳温的计算过程如下：
c=tanh(狑犮狓狋+狑犺狋-\+犫犮);(11)犻=狑狓狓狋+狑犺L1+狑犮—1+犫2);(12)
f=°(狑犳狓狋+狑f h t—\+狑犮狋—1+犫犳);(13) o t=°(狑狅狓狋+狑犺犺+狑犮狋+犫。

)；(14)
犮狋=t—1・f狋+犻•犮狋;(15)
h t=o t•anhc t。

(16)式中：为犜炉次下记忆细胞的更新状态；t f t，t
,
第5 期曾鹏飞等:基于二次相似性度量的即时学习转炉炼钢终点碳温软测量方法
1433
图3 LSTM 记忆块结构
h (-i 犮狋犺分别为输入门、遗忘门、输出门、记忆细胞和犜 炉次时的输出；狓为犜炉次的输入；犺—1 ,狋—1分别
为隐含层和记忆细胞在犜一1炉次的输出；％ , 分别为记忆细胞与输入狓狋以及隐含层的权值矩阵；
W xl ，狑犻分别为输入门与狓t 隐含层、记忆细胞的
权值矩阵W hf W cf 分别为遗忘门与T 炉次的输
入狓的权值矩阵、隐含层、记忆细胞的权值矩阵;
W c 0分别为输出门与T 炉次的输入狓t 的权
值矩阵、隐层、记忆细胞的权值矩阵；c ，犻，f ，狅均
表示偏置；()tanh ()为激活函数；•”为点乘。

2.2转炉炼钢终点碳、温预测模型的建立步骤
本文终点碳温预测模型建立流程如图4所示,
具体建模步骤如下：
步骤1获取历史样本训练集。

将传感器采集 的BOF 转炉炼钢过程生产数据进行数据清洗和特
征选择后得到历史样本库。

步骤2获取待测样本的初始训练样本集。

通
过GRA 准则［0］计算待测样本和历史库样本FOS 值，选择阈值在0. 8以上的相似样本,得到初始样本 矩阵犛犘沖。

步骤3选择质心样本。

通过GRA 准则得到 初始样本矩阵S p x m 两两之间的FOS 值，并降序排
序得到对应的索引值矩阵,将获得的最大FOS 值样 本作为质心样本。

步骤4获取待测样本的最终训练样本集。

二 次计算质心样本与历史样本库的FOS 值，选择
GRA 值在0. 8以上的样本，得到最终待测样本的训 练样本库S"M 。

步骤5预测模型。

将得到的最终待测样本的 训练样本库S d X M 输入改进的LSTM 网络中进行训
练，输出待测样本的终点碳、温值。

通过灰色关联度进行
FOS 度量
获取FOS 值在0.8以上 的样本，构成初始训
练样本库
将初始模型看作 一个“球”的集合, 样本视为有质量的
“质心”点
输出待测样本最终训练样本库
计算样本库中两两 样本之间的FOS 值
QOS
度量策略
si
获取历史样本训练集
建立最优局部模型
终点碳温预测
模型
图4碳、
温预测模型建模流程图
1434计算机集成制造系统第27卷
3仿真实验
按照上述方法建立转炉炼钢终点碳温预测模 型，用30组数据进行预测实验，为证明本文方法在
预测精度上的有效性和模型抗干扰能力，分别用
JITL+LSTM 模型、改进 JITL + LSTM 模型 J ITL +改进LSTM 模型、数据扰动下的改进JITL+改
进LSTM 模型与本文方法进行终点碳温预测对比
实验，同时与文献［17-19］进行横向对比°
3.1实验原始数据和样本特征
实验数据来源于实际钢厂转炉炼钢生产数据,
其过程数据包括装入铁水量、装入生铁量、装入废钢
量、铁水C 、铁水SI 、铝铁时间、1吹氧量、枪位16、氧 压28等120维数据，历史库样本2万炉次°将原始
实验数据进行抽象，如表1所示，其中温度的单位 为C ，碳含量的单位为百分比含量。

表1转炉炼钢生成过程原始数据
炉次
装入铁水量
装入生铁量
装入废钢量
铁水C
氧压28
■-- 温度厂
c
碳含量/
%
1120. 07 3910. 414 150. 87 ■-16320. 222118 0
7. 10
8 99
4 190. 84 ■-- 1 640
0. 253
124. 08 18& 084 21
0. 89
■-
1642
0. 24
N 112 89 1612. 094 360. 81 ■-15970. 09
通过特征 选择选出终点 碳、 温与 生 产过程数据 联系最密切的特征，如表2所示。

其中：终点温度预 测的输入特征包括氧压31、兑铁时长、兑铁结束到
开氧时间、铁水温度、枪位36、装入废钢量；终点碳 含量预测的输入特征包括装入生铁量、铁水P 、枪位
22、氧压29、氧压11、枪位16。

表2终点碳、温预测模型的输入特征输入变量
氧压31兑铁时长
兑铁结束到开氧时间
铁水温度
枪位36 装入废钢量
装入生铁量
铁水P 枪位22氧压29
氧压11枪位16
输出
终点钢水碳含量/
10-2%
终点钢水温度/
C
3.2终点碳温预测实验
为证明本文算法的有效性，进行5组对比实验°
以终点碳温的预测精度为评价指标，对比实验结果
如表3和表4所示，其中：表3为终点温度预测的精 度，给出了 士10C 和士5C 时模型的预测精度；表4 为终点碳含量的预测精度，给出了终点碳含量预测
时误差在士 1个碳（0.01%）和士2个碳（0. 02%）的
预测误差精度。

表3终点温度模型预测结果
%
模型
转炉炼钢终点温度预测误差/c
士10
士5
JLIT + LSTM 33. 3167
改进 JLIT +LSTM
43. 3
20. 0JLIT +改进 LSTM
53. 3283改进JLIT+改进LSTM （本文方法）
86. 7767文献［17］二次度量策略+改进LSTM
56. 3
333扰动+改进JLIT +改进LSTM
833667文献［18］667333文献［19］
567
267
表4终点碳含量模型预测结果
%
模型
转炉炼钢终点温度预测误差/c
士0. 02
士0.01
JLIT+LSTM 70. 0533改进 JLIT +LSTM
85. 0633JLIT +改进 LSTM
90. 0
833改进JLIT+改进LSTM （本文方法）
933867文献［17］二次度量策略+改进LSTM
867533扰动+改进JLIT +改进LSTM
933733
文献［18］73350. 0文献［19］
60. 0
30. 0
（1）对比实验1为证明QOS 度量策略的有效
性，将改进JITL + LSTM 模型与JITL + LSTM 模
第5 期曾鹏飞等:基于二次相似性度量的即时学习转炉炼钢终点碳温软测量方法
1435
型进行对比，如图5〜图8所示。

5
10 15 20 25 30
炉次样本数
••…真实值一预测值1 7001 6801 6601 6401 6201 600
1 5801 560
° 0
5 10 15 20 25 30
炉次样本数
••…真实值一预测值
图8改进JLIT+LSTM 终点碳含量预测
0. 140. 120. 100. 080. 060. 04
0. 02
图5 JLIT+LSTM 终点温度预测
° 0
0. 140. 120. 10
兴 0. 08
1°-06
0. 040. 02
5 10 15 20 25 30
炉次样本数
“…真实值一预测值
真实值——预测值
1 7001 6801 6601 6401 620图6 JLIT+LSTM 终点碳含量预测
1 6001 5801 560
0 5 10 15 20 25 30
炉次样本数
••…真实值一预测值图7改进JLIT+LSTM 终点温度预测
(2)对比实验2,为证明带有反馈补偿的改进 LSTM 网络的有效性，将JITL + LSTM 模型与
JITL+改进LSTM 模型进行对比，如图5、图6、图
9、图10所示。

()对比实验3图11和图12所示为本文所提
0. 140. 120. 100. 080. 060. 040. 02
° 0 5 10 15 20 25 30
炉次样本数
“…真实值一预测值
图10 JLIT+改进LSTM 终点碳含量预测
图9 JLIT+改进LSTM 终点温度预测
方法的实验结果。

为证明本文所提方法具有较强的 抗干扰能力，将本文方法(改进JITL+改进LSTM 模型)应用于异常波动的数据终点碳温预测，结果如
图13和图14所示。

(4)对比实验4,为证明本文QOS 度量策略优 于文献［17］中的二阶相似性度量方法，
采用文献
1436计算机集成制造系统第27卷
0.14
0.12
罢0.08
刼0.06
0.04
0.02
0.10
05101520 2530
炉次样本数
真实值—
—预测值
图14扰动+改进JLIT+改进LSTM终点碳含量预测
1700
1680
1660
P1640
躬1620
1600
1580
1560
0510********
炉次样本数
真实值一预测值
图15文献［17］二阶相似性度量策略+改进LSTM终点温度预测［17］中的二阶相似性度量方法并结合与本文方法相
同的预测模型进行实验，也即实验将两种度量策略
得到的样本统一采用改进的LSTM网络进行对比,
结果如图15和图16所示。

1700
1680
1660
1640
1620
1600
1580
1560o—r1015202530
炉次样本数
真实值一预测值
图13扰动+改进JLIT+改进LSTM终点温度预测
(5)对比实验5,为证明本文所提方法在碳温预测精度上的优势，引入文献［18-19］的方法预测终点碳温进行横向对比实验，结果如图17〜图20所示。

3.3实验分析
通过分析实验结果，在对比实验1中,ITL+ LSTM模型与改进JITL+LSTM模型，预测温度在士10C的精度从33.3%提高到433%，碳含量预测误差在士0.02内的精度从70.0%
提高到
第5 期曾鹏飞等:基于二次相似性度量的即时学习转炉炼钢终点碳温软测量方法
1437
舉
、*妣磴
真实值——预测值
真实值一预测值
图17文献［18］方法终点温度预测
O
J
醫
真实值——预测值
图19文献［19］方法终点温度预测
图18文献［18］方法终点碳含量预测
85.0%。

这是由于本文方法所采用的QOS 度量策
略在选择质心样本的基础上提出二次度量机制，并 考虑了样本的整体特性和时间序列信息，使局部样
本的选择更加合理，证明了本文QOS 度量策略的 有效性。

对比实验2中，JITL +LSTM 模型与JITL +14O.2 0 8
6 4
I X 1±o.0.0.0.0.
罢、*如禮
0. 02
5 10 15 20 25 30
炉次样本数真实值——预测值
图20文献［19］方法终点碳含量预测
改进LSTM 模型，预测温度在士10C 的精度从 33. 3%提高到53. 3%，碳含量预测误差在士0. 02内 的精度从70.0%提高到90.0%，精度提升约15%。

原因是改进后的RNN 不但可以提取层次间的特 征，而且加入的反馈层融合了炉次样本间的序列特 征，从而充分利用犜一1炉次信息，有效提高了模型
预测精度。

对比实验3中，在数据有干扰的情况下，预测温
度在士10C 的精度为83. 3%，在士 5°C 的预测精度 为66.7%，相比无干扰的情况分别下降了 3.4%和
10% ;在误差允许范围内，碳含量预测中，士0.02的 预测精度为93. 3%，士0. 01的预测精度为73. 3%,
相比无干扰的情况，误差在士0. 02时保持不变，在
士0.01时下降了 13.4%。

该组对比实验证明本文 所提方法具有一定的抗干扰能力，原因是QOS 度
量策略使选择的局部样本时间序列信息更强，而且
改进的LSTM 网络有效融合了邻近样本信息，在数 据异常时可以有效忽略其干扰，增强了模型的鲁
棒性。

相比于文献［17］,本文所提方法的预测温度在
士10C 的精度从56. 3%提高到86. 7%，碳含量的预
测误差在士 0.02内的精度从86.7%提高到
93.3%。

该组对比实验证明本文方法选择的局部样 本优于文献［17］方法，原因是本文采用灰色关联度
指标时有效挖掘出了炉次样本的时间序列信息，同
时质心样本的确定解决了更高阶情况下的样本漏检 问题,使其局部样本类内和类间分布更佳。

文献［18-19］的实验结果中，温度预测误差在士 10C 时的精度分别为66.7% ,56.7%，碳含量预测 误差在士0.02内的精度为73.3% ,60.0%。

实验结
果表明，
采用本文方法预测转炉炼钢生产过程数据
1438计算机集成制造系统
第27卷
通过实验结果分析，本文提出的QOS 度量策 略能够实现终点碳温软测量方案，所建立的局部模
型使终点温度预测精度提高了 10%，使终点碳含量 的预测精度提高了约15%，说明改进的终点碳温即
时学习能兼顾样本的全局性，使待测样本的训练样
本集合相似性更高，同时改进的LSTM 使终点碳温
的预测精度提高了 20%，证明了改进方法的有效 性；而且在样本数据有干扰的情况下，模型的预测精 度在误差允许范围内，证明了本文所提二次度量策
略+改进LSTM 模型具有一定的抗干扰能力。

4结束语
转炉炼钢过程中，终点碳温准确预测是影响钢
铁质量的关键。

本文针对转炉炼钢过程数据具有炉 次间的时间序列特性以及样本间数据波动较大的问
题，建立QOS 度量策略的终点碳温软测量方案，以 及带有反馈补偿机制的改进LSTM 网络模型进行
终点碳温预测，具体内容如下：
(1) 采用GRA 准则进行第一次度量，建立初始 待测样本的训练集,确定质心样本，然后进行二次度
量获取最终的训练集样本库，使训练集样本类内方
差总和最小，进而获取最佳训练样本。

(2) 改进的LSTM 网络使隐含层和输出层的特
征使用得更加合理，循环隐含层可以提取层次间的 特征,加入反馈层融合了炉次样本间的序列特征，使 在数据残缺时充分利用上一炉次的信息，从而保证
其预测精度最优。

本文所提终点碳温预测模型具有一定实用价
值，为实现计算机自动控制转炉炼钢奠定了基础。

参考文献：
[1
]
WANG Xinzhe , HAN Min ,
WANG Jun. Applying input vari ­ables selection technique on input weighted support vector ma ­
chine modeling lor BOF endpoint prediction [J ]. Engineering Applications o! Artificial Intelligence,2010,23() ： 1012-1018.
[2
]
LIU Chao. Development,innovation and prospect o! converter steelmakingtechnologiesinChina [J ] SpecialSteelTechnolo- gy ,013(4):6-9(in Chinese).[刘 超.中国转炉炼钢技术的
发展、创新与展望
[]
•特钢技术,
013(4)=6-9.
]
[3
]
ZHOU Ping ,
GUO Dongwei ,
WANG Hong ,
et al. Data-driv ­
en robust M-LS-SVR-based NARX modeling for estimation and control o! molten iron quality indices in blast furnace iron-
making [J ] IEEE Transactions on Neural Networks and LearningSystems2018，29(9)：4007-4021
WANG Xinzhe
,
HAN Min. Prediction model o! converter
steelmakingendpointbasedonvariableselection [J ] Control
and Decision , 2010,25(10
) : 1589-1592 (in Chinese).[王 心哲
,
韩 敏•基于变量选择的转炉炼钢终点预报模型[]
•控制与决
策，2010,25(10):1589-1592.
][5] COXA I J
，LEWIS R W
，
RANSING R S
，
et al Application
o! neural computing in basic oxygen steelmakingJ ]
. Journal
o!MaterialsProcessingTechnology 2002，120(1-3)：310-315[6] CHAITianyou ，XIE Shuming ，DU Bin ，etal Theendpoint
predictiono!convertersteelmakingbasedon RBF neuralnet-
work [J ] TheChineseJournalo! Non!errous Metals ，1999，9
(4):868-872(in Chinese).[柴天佑，
谢书明，杜 斌，
等.基于
RBF 神经网络的转炉炼钢终点预报
[].
中国有色金属学报
,
1999,9(4
)：868-872
]
[] LIU Hui ,
ZENG Penglei , WU Qiaoshun ,
et al. Data !eature selectiono!convertersteelmakingprocessbasedonimproved
genetic algorithm [J ] Chinese Journalo! Scienti!icInstru-
ment,2019,40(
12)：185-195(n Chinese).[刘 辉，曾鹏飞，
巫
乔顺，
等•基于改进遗传算法的转炉炼钢过程数据特征选择
[]•
仪器仪表学报,
2019,40(
12)：185-195.
]
[]
TANG Xianlun ,
ZHUANG Ling ,
JIANG Changjiang. Predic-
tiono!siliconcontentinhotmetalusingsupportvectorregres- sionbased on chaos particle swarmoptimization [J ] Expert
Systemswith Applications2009，36(9)：11853-11857
[]
YI Chengming ,
ZHOU Ping ,
CHAI Tianyou. Data-driven a-
daptivepredictivecontrolo!blast!urnaceironmakingprocess
based on real-time learning [J ]
. Control Theory & Applica ­tion , 2020 , 37(2) ：295-306(in Chinese).[易诚明，周 平，
柴天
佑.基于即时学习的高炉炼铁过程数据驱动自适应预测控制
[]•控制理论与应用,2020,37(2):295-306.
]
[10
] LI Haiying , YANG Bing!ang ,
SUN Weiqing Powercon ­
sumptionprediction method basedonreal-timelearningdi!-
!erentialmodeling [J ] Proceedingso!theCSU-EPSA ,2020,
32(3):14-19(in Chinese).[李海英，杨冰芳，孙伟卿.基于即
时学习差异化建模的用电量预测方法
[]•电力系统及其自动
化学报，2020,32(3):14-19.
][11
]
TONG Ying ,
GU Xinjian ,
JI Yangjian ,
et al. Online monito ­
ring o! industrial boiler based on IOT and cloud computing [J ] ComputerIntegrated Manu!acturingSystems ,2016,22
(I )
:213-219(in Chinese).[
仝 营，顾新建，纪杨建，等.基于
物联网和云计算的工业锅炉在线监测
[].
计算机集成制造系
统，2016,22(1):213-219.
]
[12
]
CHEN Kun ,
LIU Yi. Adaptive weighting just-in-time-learn ­ingquality prediction model!oranindustrialblast!urnace
[J ] TheIron and SteelInstitute o!Japan ,2017,57 (1)： 107-113
[13] NIU Dapeng , GAO Huiyuan , LIU Yuanqing Modelingo!
penici l in !ermentation process based on FCM and improved just-in-time learning algorthm[C]//Proceedings o! the 2017
36thChineseControlCon!erence Washington , D C , USA ：
IEEE ,2017：
10328-10332。