基于加权聚类和DNN的KR法脱硫剂加入量预报模型

作     者：李威 熊凌 罗钟邱 吴经纬 万诗斐 但斌斌 

作者机构：武汉科技大学信息科学与工程学院 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 宝信软件(武汉)有限公司 中冶南方工程技术有限公司智能制造事业部 

出 版 物：《炼钢》 (Steelmaking)

年 卷 期：2024年

学科分类：080602[工学-钢铁冶金] 08[工学] 0806[工学-冶金工程] 

基　　金：国家自然科学基金资助项目(62173261) 湖北省重点研发计划项目(2023BAB003) 武汉市重点研发计划项目(2023010402010603) 

主　　题：KR脱硫 SHAP DBSCAN聚类 DNN 预测模型 

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%。