Page 55 - 国外钢铁技术信息内参（2022年8月）
P. 55
ᇏݓࣁඋ࿐߶
本研究所使用数据来源于加拿大楠蒂科克的 Stelco 炼钢厂。数据集中记录了
钙处理钢连铸过程中的操作参数。选择钙处理钢为初步研究对象来验证建模方法
是因为其塞棒行为一致性更高，并且能够同时验证正指数和负指数。在多个中间
包连续作业期间收集数据。每个数据点每隔 3 秒记录一次，记录内容包括塞棒位
置、结晶器液位和浇铸速度等操作参数。数据集中共有 323696 个数据点，在每
个数据点计算三个堵塞指数，以便得到数量相等堵塞指数用于建模。
ᇏݓࣁඋ࿐߶
每个堵塞指数构建一个 LSTM 网络，即，指数 1、2 和 3 共构建 3 个网络（分
别表示为 LSTM#1、#2 和#3）。各 LSTM 模型以堵塞指数为输入特征，输入后 ᇏݓࣁඋ࿐߶
进行预测。构建时间序列模型时需要利用序列函数处理输入特征，定义将来预测
计算所需历史值的数量。这种情况下，LSTM 模型在先前 60 个数据点的基础上
预测第 12 个未来值，所对应的时间窗口为过去 3 分钟和未来 36 秒。时间 t 的
LSTM 网络特征处理如方程（9）所示：
X（t）=[CI（t-59），CI（t-58），...，CI（t-1），CI（t）] 方程（9）
其中，CI 为堵塞指数，'t'为时间步。输入特征处理妥当后，将序列数据集划
ᇏݓࣁඋ࿐߶
分为 70%的试验数据集和 30%的训练数据集。另外，将 30%的训练数据集进一
步划分为用于监督训练过程中是否存在过拟合的验证数据集。 LSTM 要求对输入
特征进行三维重建，其中，第一维度为数据点的数量，第二维度为每个样本的输
入特征时间步（60），第三维度为特征数量（1）。
ᇏݓࣁඋ࿐߶
通过 Python 构建深度学习模型。本研究中三个 LSTM 网络采用相同的结构，
均由两个含有等量神经元和 sigmoid 激活函数的 LSTM 层和一个线性激活函数输
出层组成。各模型共享相同的超参数，其中，两个 LSTM 层中有 64 个神经元，
输出层中有 1 个神经元，隐藏层之间的丢失率为 0.2。比对实验数据表验证 LSTM
2
模型的输出情况，将均方误差 (MSE) 和确定系数 (R ) 作为评估指标。每个网
络训练 50 个时段并记录训练和验证损失，确保模型不会与训练数据过度拟合。
3. 结果和讨论
ᇏݓࣁඋ࿐߶
(1) 堵塞指数直观化
连铸数据集由 323696 个数据点组成，分别通过方程（1）、（4）和（5）计
算每个数据点的三个堵塞指数。浇铸过程中堵塞指数的直观趋势如图 3 所示。图
CSM 中国金属学会 CMISI 冶金工业信息标准研究院
52
