End-point prediction of basic oxygen furnace (BOF) steelmaking based on improved twin support vector regression

Predicción del punto final de la fabricación de acero en hornos de oxígeno básicos (BOF) basada en una regresión de vectores de soporte doble mejorada

En este artículo, se propone un nuevo método de predicción para el acero de bajo contenido en carbono basado en un algoritmo de regresión de vectores de soporte gemelos mejorado. Se recogen 300 muestras cualificadas mediante las mediciones de sublanza de la planta real. Los resultados de la simulación muestran que los modelos de predicción pueden alcanzar una tasa de acierto del 96 % para el contenido de carbono dentro del límite de error del 0,005 % y del 94 % para la temperatura dentro del límite de error de 15 °C. La tasa de acierto doble alcanza el 90 %. El porcentaje de aciertos dobles alcanza el 90 %. Esto indica que el método propuesto puede proporcionar una referencia significativa para aplicaciones reales de BOF, y también puede extenderse a la predicción de otras industrias metalúrgicas.

INTRODUCCIÓN

En los últimos años, se han logrado algunos avances significativos en la modelización de la predicción del horno de oxígeno básico (BOF) [1]-[4]. Estos logros se basan en métodos estadísticos e inteligentes. Como método inteligente, Jayadeva propuso un algoritmo de máquina de vectores de soporte gemelos (TSVM) en 2007 para las aplicaciones de clasificación [5]. En 2010, Peng propuso una máquina de vectores soporte gemelos para regresión (TSVR) [6], que puede utilizarse para establecer el modelo de predicción para datos industriales. Después de eso, se propusieron algunos métodos TSVR mejorados [7]-[11], las ventajas del algoritmo se han demostrado en estas literaturas. Por lo tanto, se trata de un nuevo enfoque para establecer el modelo de predicción BOF.

En este artículo, se propone en primer lugar un nuevo método de modelado de predicción BOF basado en un algoritmo TSVR mejorado. El modelo propuesto puede proporcionar un significado orientativo para la producción real de BOF. También es útil para otras aplicaciones metalúrgicas de preidcción y control. La mejora del algoritmo TSVR aumenta el rendimiento y la eficiencia del modelo. Las contribuciones de este trabajo incluyen: (1) Es el primer intento de predecir la información del punto final de BOF utilizando el algoritmo TSVR. (2) El algoritmo propuesto es una extensión del algoritmo TSVR, que es más flexible y preciso para establecer un modelo de predicción. (3) El método de modelización propuesto también es adecuado para los modelos de predicción de otras aplicaciones metalúrgicas, como la fabricación de hierro en altos hornos, el proceso de colada continua, etc.