简介这份资源是第九届MathorCup数学建模挑战赛的获奖论文PDF面向备战数模竞赛的高校学生与指导教师聚焦钢水“脱氧合金化”配料方案优化这一典型赛题。论文完整呈现了从数据预处理、收得率计算到建模求解的全过程先剔除异常数据并按钢种分类建立一般收得率模型与基于参考炉次的自学习模型得出C、Mn平均历史收得率分别为84.29%和91.18%再通过灰色关联度分析筛选关键影响因素继而用BP神经网络预测收得率并引入粒子群算法优化最后建立最小成本模型借助Linprog()求解使成本降低12.59%。资源包为1个PDF文件约996KB篇幅紧凑但内容完整涵盖问题重述、模型假设、符号说明及各问建模求解章节。目前已有123人学习适合希望学习数据处理、灰色预测、神经网络与线性规划综合应用的读者参考借鉴。1. 从一份 40 页的 D 题论文说起脱氧合金化配料优化到底在算什么炼钢转炉出钢那几分钟决定成本的地方不在炉子本身而在往钢包里加什么、加多少。第 9 届 MathorCup 数学建模挑战赛 D 题给的就是这个场景附件一是 1700 多炉历史数据附件二是合金料价格表要求算 C、Mn 收得率、预测收得率、再拿预测值做最小成本配料。这份获奖论文队伍号 904604把四个问题串成了一条完整链路——数据预处理、收得率建模、BP 神经网络加粒子群优化、线性规划配料最后附了三大段 MATLAB 代码。它适合两类人正在准备数学建模竞赛、想找一份带完整代码和推导的实战范本以及做钢铁冶金数据分析、需要一套从收得率反算到配料优化的可复现流程。我拆完这份 PDF 最大的感受是它的价值不在模型多高级而在每一步都留了可验证的中间结果——收得率算出来是多少、哪些因素被选进来了、成本降了几个点这些数字才是能抄作业的地方。2. 数据预处理与收得率计算从 1716 炉原始数据到可用的 C、Mn 收得率2.1 收得率公式怎么落地成可算的表达式论文给的收得率定义是「被钢水吸收的合金元素重量与加入该元素总重量之比」落到公式上就是 5-1 式。这个式子看着简单但真正动手算之前得先把每个符号对应到附件一的哪一列想清楚。钢水质量变化 ΔY 论文做了理想化处理忽略出渣量只算合金加入总量连铸正样含量 N 和转炉终点含量 M 分别对应附件里两个不同工序的化验值。我一般会先把附件一按炉次号排序确认每一炉的转炉终点数据和连铸正样数据能对上再套公式。这里有个容易翻车的地方合金加入量那一列如果有多种合金得先按元素含量折算成该元素的总加入量不能直接拿合金重量当分母。import pandas as pd import numpy as np # 读取附件一假设列名已按工序整理 df pd.read_excel(附件1.xlsx) # 第一步剔除缺失数据 # C 收得率计算第 811 炉后连铸正样 C 缺失剔除 df_c df[df[炉次号] 811].copy() # Mn 收得率计算第 252 炉后转炉终点 Mn 缺失剔除 df_mn df[df[炉次号] 252].copy() # 第二步剔除异常数据 # 转炉终点温度为 0、转炉终点 C 或 Mn 含量为 0 的炉次 for col in [转炉终点温度, 转炉终点C, 转炉终点Mn]: df_c df_c[df_c[col] ! 0] df_mn df_mn[df_mn[col] ! 0] # 第三步按钢种钢号分类 df_c[钢种分类] df_c[钢号].apply(lambda x: 普碳 if Q in str(x) else 低合金)这段代码的逻辑是按论文 5.1 节的三步走先剔缺失、再剔异常、最后分类。参数上要注意论文明确写了 C 收得率计算剔除第 811 炉之后的数据Mn 收得率剔除第 252 炉之后的数据这两个截断点不能搞反。异常值判断里转炉终点温度为 0 是硬性异常因为温度为零根本没法进行脱氧合金化转炉终点 C、Mn 含量为 0 同理实际冶炼中不可能出现。跑完这三步C 收得率可用数据从 1716 炉降到 963 炉Mn 收得率可用数据降到 1489 炉这个损耗率在冶金数据里算正常的。2.2 C 收得率大于 1 怎么处理电极增碳与参考炉次自学习算完一般收得率后论文发现约六分之一的 C 收得率大于 1。这个现象在冶金里不玄学原因是精炼加热时电极会增碳钢水实际碳含量比加入合金带来的碳多收得率自然可能超过 100%。论文的处理思路是建一个基于参考炉次的自学习模型对新炉次从历史数据里找生产条件最接近的 5 个炉次用它们的收得率均值作为新炉次的收得率同时把电极增碳量从分子里扣掉。参考炉次的选取用 5-2 式本质是算新炉次和候选炉次在 C、Al、Si 三个元素上的偏差和偏差和最小的 5 个就是参考炉次。def select_reference_heats(new_heat, history_df, k5): 选取参考炉次计算新炉次与历史炉次在 C、Al、Si 上的偏差和 new_heat: dict, 包含 C, Al, Si 三个键 history_df: 历史炉次 DataFrame同样包含这三列 history_df history_df.copy() history_df[偏差和] ( abs(history_df[C] - new_heat[C]) abs(history_df[Al] - new_heat[Al]) abs(history_df[Si] - new_heat[Si]) ) # 取偏差和最小的 k 个炉次 ref_heats history_df.nsmallest(k, 偏差和) return ref_heats # 电极增碳量论文给出理想化条件下吨钢平均增碳 0.0291%/h # 实际使用时按加热时长折算 def calc_c_yield_with_decarb(heat_data, ref_heats, heating_hours): avg_yield ref_heats[C收得率].mean() decarb_correction 0.0291 * heating_hours / 100 # 折算成质量分数 corrected_yield avg_yield - decarb_correction return corrected_yield参考炉次法的关键参数是 k5论文明确选了 5 个这个数不是随便定的——太少则均值不稳太多则参考炉次的生产条件差异过大。电极增碳量 0.0291%/h 是论文查资料后理想化的结果实际应用时如果加热时长数据可得按小时折算如果不可得论文的做法是直接把这个修正项当常数处理。优化后 C 收得率大于 1 的比例从六分之一降到约三十分之一剩下那 20 个异常数据论文判断是合金加入量本身有问题直接删除。最终 C 平均历史收得率 84.29%Mn 平均历史收得率 91.18%这两个数在后面 BP 神经网络预测时可以作为基准参考。2.3 灰色关联度分析7 个输入变量是怎么选出来的论文用灰色关联度分析来筛影响收得率的因素这个方法在数据量不大、分布规律不明显时比皮尔逊相关系数更稳。具体做法是以优化后的 C、Mn 收得率为参考序列以转炉终点温度、转炉终点 C/Mn/S/P/Si 含量、各种合金加入量为比较序列先做均值化无量纲处理再算关联系数和关联度。分辨系数取 0.5这是灰色关联度的常规取值值越小分辨率越大但太小会导致关联度区分度下降。论文最终为 C 收得率选了 7 个关联度较大的因素转炉终点温度、转炉终点 C、转炉终点 S、转炉终点 Si、钒铁(FeV50-B)、锰硅合金、碳化硅(55%)为 Mn 收得率也选了 7 个转炉终点温度、转炉终点 C、转炉终点 S、转炉终点 Si、硅铝合金 FeAl30Si25、石油焦增碳剂、锰硅合金。因素C 收得率关联度Mn 收得率关联度转炉终点温度0.85890.8566转炉终点 C0.80230.7466转炉终点 S0.85460.7706转炉终点 Si0.82250.7415锰硅合金0.88380.9178碳化硅(55%)0.83880.7743这张表里锰硅合金对 Mn 收得率的关联度高达 0.9178是全部因素里最高的说明锰硅合金加入量对 Mn 收得率的影响最直接。转炉终点 P 和转炉终点 Mn 的关联度都在 0.65 以下论文没把它们选进预测模型的输入这个取舍在后续 BP 神经网络训练时能减少输入维度降低过拟合风险。做灰色关联度时有个坑数据必须先无量纲化论文用的是均值化算子不是初值化也不是标准化这个选择会影响关联度数值但不影响排序如果复现时结果排序对不上先检查无量纲方法是否一致。3. BP 神经网络预测收得率7 输入 1 输出怎么调粒子群优化改了什么3.1 网络结构确定输入层 7 节点、输出层 1 节点、隐含层怎么定问题二的核心是用问题一筛出的 7 个因素预测 C、Mn 收得率。论文的 BP 神经网络结构是输入层 7 个节点对应 7 个因素输出层 1 个节点对应收得率隐含层节点数靠反复调试确定。C 收得率预测用了前 620 组数据做样本Mn 收得率预测用了前 248 组数据做样本这个样本量差异是因为 Mn 数据在预处理后剩得更少。隐含层节点数的经验公式一般是sqrt(输入层输出层)aa 取 1 到 10但论文没写具体用了多少只说了「反复调试确定」。我一般会从 4 开始试逐步加到 15看训练集和验证集的误差曲线选验证误差最低的那个点。import numpy as np from sklearn.neural_network import MLPRegressor from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split # 假设 X_c 是 C 收得率的 7 个输入因素y_c 是 C 收得率 # X_c 形状 (n_samples, 7)y_c 形状 (n_samples,) # 数据标准化BP 神经网络对输入尺度敏感 scaler StandardScaler() X_c_scaled scaler.fit_transform(X_c) # 划分训练集和测试集论文用前 620 组做样本 X_train, X_test, y_train, y_test train_test_split( X_c_scaled, y_c, test_size0.2, random_state42, shuffleFalse ) # 隐含层节点数调试从 4 到 15 best_score float(inf) best_hidden None for hidden in range(4, 16): mlp MLPRegressor( hidden_layer_sizes(hidden,), activationlogistic, # 论文用的 Sigmoid 类激活函数 solveradam, max_iter2000, learning_rate_init0.01, random_state42 ) mlp.fit(X_train, y_train) score mlp.score(X_test, y_test) if score best_score: best_score score best_hidden hidden print(f最佳隐含层节点数: {best_hidden})这段代码里几个参数需要说明。activationlogistic对应论文里的 Sigmoid 激活函数BP 神经网络经典配置solveradam是自适应学习率优化器比原始梯度下降收敛快max_iter2000是最大迭代次数论文里设了最大训练次数让网络自动停止。shuffleFalse是因为论文按时间顺序取前 620 组做样本不是随机打乱这个细节在复现时如果搞错训练集和测试集的分布会不一致。隐含层节点数调试时如果验证误差曲线一直下降不反弹说明节点数还可以再加如果训练误差降但验证误差升就是过拟合了得往回减。3.2 粒子群算法优化 BP惯性权重和学习因子怎么设论文在 BP 神经网络之后加了粒子群算法做优化目的是提高预测精度、减少拟合误差。粒子群优化的本质是找 BP 网络的最优初始权值和阈值因为 BP 对初始值敏感初始值不好容易陷局部最优。粒子群里每个粒子代表一组权值阈值组合粒子的位置更新靠速度速度更新靠个体最优和全局最优。论文没给具体的粒子群参数但常规配置是种群规模 20 到 50惯性权重从 0.9 线性降到 0.4学习因子 c1c22最大迭代 100 到 200 代。import numpy as np class PSO_BP: def __init__(self, n_particles30, n_iter100, w_start0.9, w_end0.4, c12.0, c22.0): self.n_particles n_particles self.n_iter n_iter self.w_start w_start self.w_end w_end self.c1 c1 self.c2 c2 def optimize(self, X, y, hidden_size): # 粒子维度 输入层到隐含层权值 隐含层阈值 隐含层到输出层权值 输出层阈值 n_input X.shape[1] dim n_input * hidden_size hidden_size hidden_size * 1 1 # 初始化粒子位置和速度 positions np.random.uniform(-1, 1, (self.n_particles, dim)) velocities np.random.uniform(-0.1, 0.1, (self.n_particles, dim)) pbest positions.copy() pbest_score np.array([self._fitness(p, X, y, hidden_size) for p in positions]) gbest pbest[np.argmin(pbest_score)] gbest_score np.min(pbest_score) for it in range(self.n_iter): # 惯性权重线性递减 w self.w_start - (self.w_start - self.w_end) * it / self.n_iter for i in range(self.n_particles): r1, r2 np.random.rand(dim), np.random.rand(dim) velocities[i] (w * velocities[i] self.c1 * r1 * (pbest[i] - positions[i]) self.c2 * r2 * (gbest - positions[i])) positions[i] positions[i] velocities[i] score self._fitness(positions[i], X, y, hidden_size) if score pbest_score[i]: pbest[i] positions[i].copy() pbest_score[i] score if score gbest_score: gbest positions[i].copy() gbest_score score return gbest, gbest_score def _fitness(self, particle, X, y, hidden_size): # 把粒子解码成权值阈值前向传播算 MSE n_input X.shape[1] idx 0 w1 particle[idx:idx n_input * hidden_size].reshape(n_input, hidden_size) idx n_input * hidden_size b1 particle[idx:idx hidden_size] idx hidden_size w2 particle[idx:idx hidden_size].reshape(hidden_size, 1) idx hidden_size b2 particle[idx] # Sigmoid 前向 h 1 / (1 np.exp(-(X w1 b1))) out h w2 b2 return np.mean((out.flatten() - y) ** 2)粒子群优化的参数里惯性权重从 0.9 降到 0.4 是标准线性递减策略前期偏全局搜索、后期偏局部收敛。学习因子 c1 和 c2 都取 2.0 是经典值c1 控制个体认知、c2 控制社会认知如果 c1 太大粒子容易散、c2 太大容易早熟。_fitness函数里把粒子解码成权值阈值后做一次前向传播算 MSE这个 MSE 就是粒子的适应度。实际跑的时候粒子群优化完的权值阈值再赋给 BP 网络做精细训练论文里说的「提高预测准确性、减少拟合预测误差」就是这个意思。C 收得率预测误差整体在 -0.1 到 0.1 内Mn 收得率误差在 -0.05 到 0.05 内Mn 的预测精度比 C 高因为 Mn 收得率本身波动小、没有大于 1 的异常情况。3.3 预测结果怎么验证误差图和拟合曲线看什么论文给了 C 和 Mn 的收得率预测图和误差图。C 收得率预测值最高接近 1最低 0.55 左右大部分落在 0.75 到 0.95误差整体在 -0.1 到 0.1少数到 -0.2 到 0.2极少数到 -0.3 到 0.3。Mn 收得率预测值最高 0.95 左右最低 0.75 左右大部分在 0.85 到 0.95误差整体在 -0.05 到 0.05。看误差图时重点看两件事一是误差有没有随样本序号出现趋势性偏移如果有说明模型对时间维度的泛化不行二是误差的绝对值有没有在某个区间突然放大如果有说明那批炉次的生产条件可能和训练集差异大。论文的误差图没有明显趋势偏移说明按时间顺序取前 620 组做训练是合理的。复现时如果误差比论文大先检查输入因素的量纲是否统一、标准化是否做了、粒子群迭代次数够不够。4. 最小成本配料模型Linprog 求解与 12.59% 成本降幅怎么来的4.1 约束条件怎么列为什么只考虑三种元素问题三要建最小成本模型目标函数是合金配料总成本约束条件是钢水成分达标。论文明确说了 S、P 是有害元素必须达国家标准但在用浓度约束合金配料用量时不予考虑只考虑余下三种元素。这个取舍的逻辑是S、P 的达标主要靠铁水预处理和转炉冶炼控制脱氧合金化阶段加入的合金对 S、P 含量的影响很小把它们放进约束里反而会让模型复杂化且对结果影响不大。选用的 6 种主要合金配料做线性规划约束目标函数是各合金加入量乘以单价求和。from scipy.optimize import linprog import numpy as np # 假设 6 种合金的单价元/吨 prices np.array([price1, price2, price3, price4, price5, price6]) # 约束钢水成分达标 # A_ub x b_ub 形式 # 每种合金对目标元素的贡献 加入量 * 合金中该元素含量 * 收得率 # 收得率用问题二预测值 # 以 C、Mn、Si 三种元素为例每种元素有上下限 # 下限约束-A_lower x -b_lower # 上限约束A_upper x b_upper A_ub np.vstack([-A_lower, A_upper]) b_ub np.hstack([-b_lower, b_upper]) # 变量下界合金加入量不能为负 bounds [(0, None) for _ in range(6)] # 线性规划求解 result linprog( cprices, A_ubA_ub, b_ubb_ub, boundsbounds, methodhighs # 单纯形法的现代实现 ) if result.success: print(f最优配料方案: {result.x}) print(f最低成本: {result.fun}) else: print(f求解失败: {result.message})linprog的methodhighs是 SciPy 现在推荐的求解器底层用的是单纯形法变体比老版本的simplex更稳。约束矩阵A_ub的构造是关键每种元素的下限约束要取负号变成小于等于形式上限约束直接是小于等于。合金对元素的贡献要乘收得率C 和 Mn 的收得率用问题二的预测值Si 的收得率论文没单独预测一般用历史均值。变量下界全设 0因为合金加入量不可能为负。论文用这个模型算出来成本减少 12.59%再选达标的炉次分析平均减少成本 10.32%。这两个数的差异说明优化模型对不达标炉次的成本改善更明显因为不达标炉次原本可能加了过量合金来保成分。4.2 单纯形法求解时怎么判断结果可信线性规划求解完不能直接信结果得做几项检查。第一看result.status0 表示最优解找到1 表示迭代次数超限2 表示不可行3 表示无界4 表示数值困难。第二看最优解里有没有合金加入量为 0 的情况如果有说明该合金在成本上不划算可以进一步分析是不是可以替换。第三做灵敏度分析看目标函数系数合金单价在多大范围内变化时最优解不变这个范围叫最优基不变区间超出这个区间配料方案就得重新算。论文没做灵敏度分析但实际工程应用里这一步不能省因为合金价格是波动的。第四拿优化后的配料方案回代到收得率模型里验证钢水成分是否真的达标因为线性规划用的是预测收得率预测有误差回代能发现预测误差导致的成分偏差。检查项判断标准异常处理求解状态status0非 0 时检查约束是否矛盾变量取值无负值负值说明下界设置错误成本降幅与历史方案对比降幅过大需复核收得率成分回代在标准范围内超差则收紧约束重算5. 避坑与排查复现这份论文时最容易翻车的五个地方5.1 数据截断点搞反导致收得率全错现象算出来的 C 收得率大面积大于 1Mn 收得率也有异常高值。原因C 收得率计算应该剔除第 811 炉之后的数据Mn 收得率剔除第 252 炉之后的数据这两个截断点容易记混。如果 C 用了 252 的截断会把大量连铸正样 C 缺失的炉次算进去分母缺失导致收得率虚高。解决在代码里把两个截断点写成常量并加注释跑完后打印两个数据集的炉次号范围确认。5.2 灰色关联度分辨系数取错导致因素排序变化现象复现出来的关联度排序和论文对不上选出来的 7 个因素不一样。原因分辨系数 ρ 论文取 0.5如果取了 0.1 或 0.9关联度数值会变虽然理论上排序不变但实际数据里接近的关联度可能因为 ρ 变化而换位。解决固定 ρ0.5并且无量纲化方法用均值化算子不要用标准化或初值化。5.3 BP 神经网络输入未标准化导致训练不收敛现象网络训练误差一直不降或者降得很慢预测结果和实际值偏差大。原因7 个输入因素里转炉终点温度是 1600 多合金加入量是几吨量纲差异巨大不标准化的话梯度下降会被大量纲特征主导。解决用StandardScaler做 Z-score 标准化注意标准化参数只能从训练集算再应用到测试集不能全量数据一起算。5.4 粒子群优化早熟导致权值阈值不是最优现象粒子群优化后的 BP 网络预测精度和没优化差不多甚至更差。原因粒子群种群规模太小或迭代次数不够粒子过早聚集到局部最优或者惯性权重没有递减后期还在大范围搜索。解决种群规模至少 20迭代至少 100 代惯性权重从 0.9 线性降到 0.4如果还早熟就加变异算子。5.5 线性规划约束方向写反导致无可行解现象linprog返回 status2 不可行或者解出来的配料方案成分不达标。原因下限约束A_lower x b_lower转成A_ub形式时要取负号变成-A_lower x -b_lower漏了负号方向就反了。解决构造A_ub时先写上限约束再写下限约束的负形式用np.vstack堆叠跑之前先用一个已知可行解验证约束矩阵。6. 从论文到落地把 MATLAB 代码转成 Python 时我固定走的几步这份论文的附录给了三大段 MATLAB 代码分别是问题一、问题二、问题三的求解脚本。MATLAB 转 Python 不是逐行翻译就完事我一般固定走四步。第一步先跑通数据读取和预处理确认 Python 读出来的数据维度和 MATLAB 一致特别是 Excel 读取时列名里的空格和特殊字符MATLAB 的readtable和 pandas 的read_excel处理方式不同。第二步把收得率计算和灰色关联度用 numpy 重写这部分是纯矩阵运算numpy 的广播机制比 MATLAB 的bsxfun更直观但要注意 MATLAB 的./和.*在 numpy 里就是/和*别多写点。第三步 BP 神经网络MATLAB 的newff和 Python 的MLPRegressor参数对应关系要理清newff的隐含层节点数对应hidden_layer_sizes训练函数trainlm对应solverlbfgs学习率lr对应learning_rate_init。第四步线性规划MATLAB 的linprog和 SciPy 的linprog参数顺序不同MATLAB 是linprog(f, A, b, Aeq, beq, lb, ub)SciPy 是linprog(c, A_ub, b_ub, A_eq, b_eq, bounds)约束方向也相反MATLAB 默认A*x bSciPy 也是但 MATLAB 的Aeq是等式约束SciPy 对应A_eq。MATLABPython注意点readtablepd.read_excel列名空格处理newffMLPRegressor激活函数对应trainlmsolverlbfgs小数据集更快linprog(f,A,b)linprog(c,A_ub,b_ub)参数顺序不同grayrela手写灰色关联度无直接对应库转完之后验证方法很简单拿论文里表 5-3 的前十五炉 C、Mn 收得率对一遍数值对上了说明预处理和收得率计算没问题拿表 5-6 的关联度对一遍排序对上了说明灰色关联度没问题拿成本降幅 12.59% 对一遍量级对上了说明线性规划没问题。这三个验证点过了整套流程就算复现成功。从那以后我每次转 MATLAB 代码都强制走一遍这三个验证点不跑通不往下做省得后面返工。希望帮到你。本文还有配套的精品资源点击获取
MathorCup D题脱氧合金化配料优化：从收得率建模到BP神经网络与线性规划实战
简介这份资源是第九届MathorCup数学建模挑战赛的获奖论文PDF面向备战数模竞赛的高校学生与指导教师聚焦钢水“脱氧合金化”配料方案优化这一典型赛题。论文完整呈现了从数据预处理、收得率计算到建模求解的全过程先剔除异常数据并按钢种分类建立一般收得率模型与基于参考炉次的自学习模型得出C、Mn平均历史收得率分别为84.29%和91.18%再通过灰色关联度分析筛选关键影响因素继而用BP神经网络预测收得率并引入粒子群算法优化最后建立最小成本模型借助Linprog()求解使成本降低12.59%。资源包为1个PDF文件约996KB篇幅紧凑但内容完整涵盖问题重述、模型假设、符号说明及各问建模求解章节。目前已有123人学习适合希望学习数据处理、灰色预测、神经网络与线性规划综合应用的读者参考借鉴。1. 从一份 40 页的 D 题论文说起脱氧合金化配料优化到底在算什么炼钢转炉出钢那几分钟决定成本的地方不在炉子本身而在往钢包里加什么、加多少。第 9 届 MathorCup 数学建模挑战赛 D 题给的就是这个场景附件一是 1700 多炉历史数据附件二是合金料价格表要求算 C、Mn 收得率、预测收得率、再拿预测值做最小成本配料。这份获奖论文队伍号 904604把四个问题串成了一条完整链路——数据预处理、收得率建模、BP 神经网络加粒子群优化、线性规划配料最后附了三大段 MATLAB 代码。它适合两类人正在准备数学建模竞赛、想找一份带完整代码和推导的实战范本以及做钢铁冶金数据分析、需要一套从收得率反算到配料优化的可复现流程。我拆完这份 PDF 最大的感受是它的价值不在模型多高级而在每一步都留了可验证的中间结果——收得率算出来是多少、哪些因素被选进来了、成本降了几个点这些数字才是能抄作业的地方。2. 数据预处理与收得率计算从 1716 炉原始数据到可用的 C、Mn 收得率2.1 收得率公式怎么落地成可算的表达式论文给的收得率定义是「被钢水吸收的合金元素重量与加入该元素总重量之比」落到公式上就是 5-1 式。这个式子看着简单但真正动手算之前得先把每个符号对应到附件一的哪一列想清楚。钢水质量变化 ΔY 论文做了理想化处理忽略出渣量只算合金加入总量连铸正样含量 N 和转炉终点含量 M 分别对应附件里两个不同工序的化验值。我一般会先把附件一按炉次号排序确认每一炉的转炉终点数据和连铸正样数据能对上再套公式。这里有个容易翻车的地方合金加入量那一列如果有多种合金得先按元素含量折算成该元素的总加入量不能直接拿合金重量当分母。import pandas as pd import numpy as np # 读取附件一假设列名已按工序整理 df pd.read_excel(附件1.xlsx) # 第一步剔除缺失数据 # C 收得率计算第 811 炉后连铸正样 C 缺失剔除 df_c df[df[炉次号] 811].copy() # Mn 收得率计算第 252 炉后转炉终点 Mn 缺失剔除 df_mn df[df[炉次号] 252].copy() # 第二步剔除异常数据 # 转炉终点温度为 0、转炉终点 C 或 Mn 含量为 0 的炉次 for col in [转炉终点温度, 转炉终点C, 转炉终点Mn]: df_c df_c[df_c[col] ! 0] df_mn df_mn[df_mn[col] ! 0] # 第三步按钢种钢号分类 df_c[钢种分类] df_c[钢号].apply(lambda x: 普碳 if Q in str(x) else 低合金)这段代码的逻辑是按论文 5.1 节的三步走先剔缺失、再剔异常、最后分类。参数上要注意论文明确写了 C 收得率计算剔除第 811 炉之后的数据Mn 收得率剔除第 252 炉之后的数据这两个截断点不能搞反。异常值判断里转炉终点温度为 0 是硬性异常因为温度为零根本没法进行脱氧合金化转炉终点 C、Mn 含量为 0 同理实际冶炼中不可能出现。跑完这三步C 收得率可用数据从 1716 炉降到 963 炉Mn 收得率可用数据降到 1489 炉这个损耗率在冶金数据里算正常的。2.2 C 收得率大于 1 怎么处理电极增碳与参考炉次自学习算完一般收得率后论文发现约六分之一的 C 收得率大于 1。这个现象在冶金里不玄学原因是精炼加热时电极会增碳钢水实际碳含量比加入合金带来的碳多收得率自然可能超过 100%。论文的处理思路是建一个基于参考炉次的自学习模型对新炉次从历史数据里找生产条件最接近的 5 个炉次用它们的收得率均值作为新炉次的收得率同时把电极增碳量从分子里扣掉。参考炉次的选取用 5-2 式本质是算新炉次和候选炉次在 C、Al、Si 三个元素上的偏差和偏差和最小的 5 个就是参考炉次。def select_reference_heats(new_heat, history_df, k5): 选取参考炉次计算新炉次与历史炉次在 C、Al、Si 上的偏差和 new_heat: dict, 包含 C, Al, Si 三个键 history_df: 历史炉次 DataFrame同样包含这三列 history_df history_df.copy() history_df[偏差和] ( abs(history_df[C] - new_heat[C]) abs(history_df[Al] - new_heat[Al]) abs(history_df[Si] - new_heat[Si]) ) # 取偏差和最小的 k 个炉次 ref_heats history_df.nsmallest(k, 偏差和) return ref_heats # 电极增碳量论文给出理想化条件下吨钢平均增碳 0.0291%/h # 实际使用时按加热时长折算 def calc_c_yield_with_decarb(heat_data, ref_heats, heating_hours): avg_yield ref_heats[C收得率].mean() decarb_correction 0.0291 * heating_hours / 100 # 折算成质量分数 corrected_yield avg_yield - decarb_correction return corrected_yield参考炉次法的关键参数是 k5论文明确选了 5 个这个数不是随便定的——太少则均值不稳太多则参考炉次的生产条件差异过大。电极增碳量 0.0291%/h 是论文查资料后理想化的结果实际应用时如果加热时长数据可得按小时折算如果不可得论文的做法是直接把这个修正项当常数处理。优化后 C 收得率大于 1 的比例从六分之一降到约三十分之一剩下那 20 个异常数据论文判断是合金加入量本身有问题直接删除。最终 C 平均历史收得率 84.29%Mn 平均历史收得率 91.18%这两个数在后面 BP 神经网络预测时可以作为基准参考。2.3 灰色关联度分析7 个输入变量是怎么选出来的论文用灰色关联度分析来筛影响收得率的因素这个方法在数据量不大、分布规律不明显时比皮尔逊相关系数更稳。具体做法是以优化后的 C、Mn 收得率为参考序列以转炉终点温度、转炉终点 C/Mn/S/P/Si 含量、各种合金加入量为比较序列先做均值化无量纲处理再算关联系数和关联度。分辨系数取 0.5这是灰色关联度的常规取值值越小分辨率越大但太小会导致关联度区分度下降。论文最终为 C 收得率选了 7 个关联度较大的因素转炉终点温度、转炉终点 C、转炉终点 S、转炉终点 Si、钒铁(FeV50-B)、锰硅合金、碳化硅(55%)为 Mn 收得率也选了 7 个转炉终点温度、转炉终点 C、转炉终点 S、转炉终点 Si、硅铝合金 FeAl30Si25、石油焦增碳剂、锰硅合金。因素C 收得率关联度Mn 收得率关联度转炉终点温度0.85890.8566转炉终点 C0.80230.7466转炉终点 S0.85460.7706转炉终点 Si0.82250.7415锰硅合金0.88380.9178碳化硅(55%)0.83880.7743这张表里锰硅合金对 Mn 收得率的关联度高达 0.9178是全部因素里最高的说明锰硅合金加入量对 Mn 收得率的影响最直接。转炉终点 P 和转炉终点 Mn 的关联度都在 0.65 以下论文没把它们选进预测模型的输入这个取舍在后续 BP 神经网络训练时能减少输入维度降低过拟合风险。做灰色关联度时有个坑数据必须先无量纲化论文用的是均值化算子不是初值化也不是标准化这个选择会影响关联度数值但不影响排序如果复现时结果排序对不上先检查无量纲方法是否一致。3. BP 神经网络预测收得率7 输入 1 输出怎么调粒子群优化改了什么3.1 网络结构确定输入层 7 节点、输出层 1 节点、隐含层怎么定问题二的核心是用问题一筛出的 7 个因素预测 C、Mn 收得率。论文的 BP 神经网络结构是输入层 7 个节点对应 7 个因素输出层 1 个节点对应收得率隐含层节点数靠反复调试确定。C 收得率预测用了前 620 组数据做样本Mn 收得率预测用了前 248 组数据做样本这个样本量差异是因为 Mn 数据在预处理后剩得更少。隐含层节点数的经验公式一般是sqrt(输入层输出层)aa 取 1 到 10但论文没写具体用了多少只说了「反复调试确定」。我一般会从 4 开始试逐步加到 15看训练集和验证集的误差曲线选验证误差最低的那个点。import numpy as np from sklearn.neural_network import MLPRegressor from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split # 假设 X_c 是 C 收得率的 7 个输入因素y_c 是 C 收得率 # X_c 形状 (n_samples, 7)y_c 形状 (n_samples,) # 数据标准化BP 神经网络对输入尺度敏感 scaler StandardScaler() X_c_scaled scaler.fit_transform(X_c) # 划分训练集和测试集论文用前 620 组做样本 X_train, X_test, y_train, y_test train_test_split( X_c_scaled, y_c, test_size0.2, random_state42, shuffleFalse ) # 隐含层节点数调试从 4 到 15 best_score float(inf) best_hidden None for hidden in range(4, 16): mlp MLPRegressor( hidden_layer_sizes(hidden,), activationlogistic, # 论文用的 Sigmoid 类激活函数 solveradam, max_iter2000, learning_rate_init0.01, random_state42 ) mlp.fit(X_train, y_train) score mlp.score(X_test, y_test) if score best_score: best_score score best_hidden hidden print(f最佳隐含层节点数: {best_hidden})这段代码里几个参数需要说明。activationlogistic对应论文里的 Sigmoid 激活函数BP 神经网络经典配置solveradam是自适应学习率优化器比原始梯度下降收敛快max_iter2000是最大迭代次数论文里设了最大训练次数让网络自动停止。shuffleFalse是因为论文按时间顺序取前 620 组做样本不是随机打乱这个细节在复现时如果搞错训练集和测试集的分布会不一致。隐含层节点数调试时如果验证误差曲线一直下降不反弹说明节点数还可以再加如果训练误差降但验证误差升就是过拟合了得往回减。3.2 粒子群算法优化 BP惯性权重和学习因子怎么设论文在 BP 神经网络之后加了粒子群算法做优化目的是提高预测精度、减少拟合误差。粒子群优化的本质是找 BP 网络的最优初始权值和阈值因为 BP 对初始值敏感初始值不好容易陷局部最优。粒子群里每个粒子代表一组权值阈值组合粒子的位置更新靠速度速度更新靠个体最优和全局最优。论文没给具体的粒子群参数但常规配置是种群规模 20 到 50惯性权重从 0.9 线性降到 0.4学习因子 c1c22最大迭代 100 到 200 代。import numpy as np class PSO_BP: def __init__(self, n_particles30, n_iter100, w_start0.9, w_end0.4, c12.0, c22.0): self.n_particles n_particles self.n_iter n_iter self.w_start w_start self.w_end w_end self.c1 c1 self.c2 c2 def optimize(self, X, y, hidden_size): # 粒子维度 输入层到隐含层权值 隐含层阈值 隐含层到输出层权值 输出层阈值 n_input X.shape[1] dim n_input * hidden_size hidden_size hidden_size * 1 1 # 初始化粒子位置和速度 positions np.random.uniform(-1, 1, (self.n_particles, dim)) velocities np.random.uniform(-0.1, 0.1, (self.n_particles, dim)) pbest positions.copy() pbest_score np.array([self._fitness(p, X, y, hidden_size) for p in positions]) gbest pbest[np.argmin(pbest_score)] gbest_score np.min(pbest_score) for it in range(self.n_iter): # 惯性权重线性递减 w self.w_start - (self.w_start - self.w_end) * it / self.n_iter for i in range(self.n_particles): r1, r2 np.random.rand(dim), np.random.rand(dim) velocities[i] (w * velocities[i] self.c1 * r1 * (pbest[i] - positions[i]) self.c2 * r2 * (gbest - positions[i])) positions[i] positions[i] velocities[i] score self._fitness(positions[i], X, y, hidden_size) if score pbest_score[i]: pbest[i] positions[i].copy() pbest_score[i] score if score gbest_score: gbest positions[i].copy() gbest_score score return gbest, gbest_score def _fitness(self, particle, X, y, hidden_size): # 把粒子解码成权值阈值前向传播算 MSE n_input X.shape[1] idx 0 w1 particle[idx:idx n_input * hidden_size].reshape(n_input, hidden_size) idx n_input * hidden_size b1 particle[idx:idx hidden_size] idx hidden_size w2 particle[idx:idx hidden_size].reshape(hidden_size, 1) idx hidden_size b2 particle[idx] # Sigmoid 前向 h 1 / (1 np.exp(-(X w1 b1))) out h w2 b2 return np.mean((out.flatten() - y) ** 2)粒子群优化的参数里惯性权重从 0.9 降到 0.4 是标准线性递减策略前期偏全局搜索、后期偏局部收敛。学习因子 c1 和 c2 都取 2.0 是经典值c1 控制个体认知、c2 控制社会认知如果 c1 太大粒子容易散、c2 太大容易早熟。_fitness函数里把粒子解码成权值阈值后做一次前向传播算 MSE这个 MSE 就是粒子的适应度。实际跑的时候粒子群优化完的权值阈值再赋给 BP 网络做精细训练论文里说的「提高预测准确性、减少拟合预测误差」就是这个意思。C 收得率预测误差整体在 -0.1 到 0.1 内Mn 收得率误差在 -0.05 到 0.05 内Mn 的预测精度比 C 高因为 Mn 收得率本身波动小、没有大于 1 的异常情况。3.3 预测结果怎么验证误差图和拟合曲线看什么论文给了 C 和 Mn 的收得率预测图和误差图。C 收得率预测值最高接近 1最低 0.55 左右大部分落在 0.75 到 0.95误差整体在 -0.1 到 0.1少数到 -0.2 到 0.2极少数到 -0.3 到 0.3。Mn 收得率预测值最高 0.95 左右最低 0.75 左右大部分在 0.85 到 0.95误差整体在 -0.05 到 0.05。看误差图时重点看两件事一是误差有没有随样本序号出现趋势性偏移如果有说明模型对时间维度的泛化不行二是误差的绝对值有没有在某个区间突然放大如果有说明那批炉次的生产条件可能和训练集差异大。论文的误差图没有明显趋势偏移说明按时间顺序取前 620 组做训练是合理的。复现时如果误差比论文大先检查输入因素的量纲是否统一、标准化是否做了、粒子群迭代次数够不够。4. 最小成本配料模型Linprog 求解与 12.59% 成本降幅怎么来的4.1 约束条件怎么列为什么只考虑三种元素问题三要建最小成本模型目标函数是合金配料总成本约束条件是钢水成分达标。论文明确说了 S、P 是有害元素必须达国家标准但在用浓度约束合金配料用量时不予考虑只考虑余下三种元素。这个取舍的逻辑是S、P 的达标主要靠铁水预处理和转炉冶炼控制脱氧合金化阶段加入的合金对 S、P 含量的影响很小把它们放进约束里反而会让模型复杂化且对结果影响不大。选用的 6 种主要合金配料做线性规划约束目标函数是各合金加入量乘以单价求和。from scipy.optimize import linprog import numpy as np # 假设 6 种合金的单价元/吨 prices np.array([price1, price2, price3, price4, price5, price6]) # 约束钢水成分达标 # A_ub x b_ub 形式 # 每种合金对目标元素的贡献 加入量 * 合金中该元素含量 * 收得率 # 收得率用问题二预测值 # 以 C、Mn、Si 三种元素为例每种元素有上下限 # 下限约束-A_lower x -b_lower # 上限约束A_upper x b_upper A_ub np.vstack([-A_lower, A_upper]) b_ub np.hstack([-b_lower, b_upper]) # 变量下界合金加入量不能为负 bounds [(0, None) for _ in range(6)] # 线性规划求解 result linprog( cprices, A_ubA_ub, b_ubb_ub, boundsbounds, methodhighs # 单纯形法的现代实现 ) if result.success: print(f最优配料方案: {result.x}) print(f最低成本: {result.fun}) else: print(f求解失败: {result.message})linprog的methodhighs是 SciPy 现在推荐的求解器底层用的是单纯形法变体比老版本的simplex更稳。约束矩阵A_ub的构造是关键每种元素的下限约束要取负号变成小于等于形式上限约束直接是小于等于。合金对元素的贡献要乘收得率C 和 Mn 的收得率用问题二的预测值Si 的收得率论文没单独预测一般用历史均值。变量下界全设 0因为合金加入量不可能为负。论文用这个模型算出来成本减少 12.59%再选达标的炉次分析平均减少成本 10.32%。这两个数的差异说明优化模型对不达标炉次的成本改善更明显因为不达标炉次原本可能加了过量合金来保成分。4.2 单纯形法求解时怎么判断结果可信线性规划求解完不能直接信结果得做几项检查。第一看result.status0 表示最优解找到1 表示迭代次数超限2 表示不可行3 表示无界4 表示数值困难。第二看最优解里有没有合金加入量为 0 的情况如果有说明该合金在成本上不划算可以进一步分析是不是可以替换。第三做灵敏度分析看目标函数系数合金单价在多大范围内变化时最优解不变这个范围叫最优基不变区间超出这个区间配料方案就得重新算。论文没做灵敏度分析但实际工程应用里这一步不能省因为合金价格是波动的。第四拿优化后的配料方案回代到收得率模型里验证钢水成分是否真的达标因为线性规划用的是预测收得率预测有误差回代能发现预测误差导致的成分偏差。检查项判断标准异常处理求解状态status0非 0 时检查约束是否矛盾变量取值无负值负值说明下界设置错误成本降幅与历史方案对比降幅过大需复核收得率成分回代在标准范围内超差则收紧约束重算5. 避坑与排查复现这份论文时最容易翻车的五个地方5.1 数据截断点搞反导致收得率全错现象算出来的 C 收得率大面积大于 1Mn 收得率也有异常高值。原因C 收得率计算应该剔除第 811 炉之后的数据Mn 收得率剔除第 252 炉之后的数据这两个截断点容易记混。如果 C 用了 252 的截断会把大量连铸正样 C 缺失的炉次算进去分母缺失导致收得率虚高。解决在代码里把两个截断点写成常量并加注释跑完后打印两个数据集的炉次号范围确认。5.2 灰色关联度分辨系数取错导致因素排序变化现象复现出来的关联度排序和论文对不上选出来的 7 个因素不一样。原因分辨系数 ρ 论文取 0.5如果取了 0.1 或 0.9关联度数值会变虽然理论上排序不变但实际数据里接近的关联度可能因为 ρ 变化而换位。解决固定 ρ0.5并且无量纲化方法用均值化算子不要用标准化或初值化。5.3 BP 神经网络输入未标准化导致训练不收敛现象网络训练误差一直不降或者降得很慢预测结果和实际值偏差大。原因7 个输入因素里转炉终点温度是 1600 多合金加入量是几吨量纲差异巨大不标准化的话梯度下降会被大量纲特征主导。解决用StandardScaler做 Z-score 标准化注意标准化参数只能从训练集算再应用到测试集不能全量数据一起算。5.4 粒子群优化早熟导致权值阈值不是最优现象粒子群优化后的 BP 网络预测精度和没优化差不多甚至更差。原因粒子群种群规模太小或迭代次数不够粒子过早聚集到局部最优或者惯性权重没有递减后期还在大范围搜索。解决种群规模至少 20迭代至少 100 代惯性权重从 0.9 线性降到 0.4如果还早熟就加变异算子。5.5 线性规划约束方向写反导致无可行解现象linprog返回 status2 不可行或者解出来的配料方案成分不达标。原因下限约束A_lower x b_lower转成A_ub形式时要取负号变成-A_lower x -b_lower漏了负号方向就反了。解决构造A_ub时先写上限约束再写下限约束的负形式用np.vstack堆叠跑之前先用一个已知可行解验证约束矩阵。6. 从论文到落地把 MATLAB 代码转成 Python 时我固定走的几步这份论文的附录给了三大段 MATLAB 代码分别是问题一、问题二、问题三的求解脚本。MATLAB 转 Python 不是逐行翻译就完事我一般固定走四步。第一步先跑通数据读取和预处理确认 Python 读出来的数据维度和 MATLAB 一致特别是 Excel 读取时列名里的空格和特殊字符MATLAB 的readtable和 pandas 的read_excel处理方式不同。第二步把收得率计算和灰色关联度用 numpy 重写这部分是纯矩阵运算numpy 的广播机制比 MATLAB 的bsxfun更直观但要注意 MATLAB 的./和.*在 numpy 里就是/和*别多写点。第三步 BP 神经网络MATLAB 的newff和 Python 的MLPRegressor参数对应关系要理清newff的隐含层节点数对应hidden_layer_sizes训练函数trainlm对应solverlbfgs学习率lr对应learning_rate_init。第四步线性规划MATLAB 的linprog和 SciPy 的linprog参数顺序不同MATLAB 是linprog(f, A, b, Aeq, beq, lb, ub)SciPy 是linprog(c, A_ub, b_ub, A_eq, b_eq, bounds)约束方向也相反MATLAB 默认A*x bSciPy 也是但 MATLAB 的Aeq是等式约束SciPy 对应A_eq。MATLABPython注意点readtablepd.read_excel列名空格处理newffMLPRegressor激活函数对应trainlmsolverlbfgs小数据集更快linprog(f,A,b)linprog(c,A_ub,b_ub)参数顺序不同grayrela手写灰色关联度无直接对应库转完之后验证方法很简单拿论文里表 5-3 的前十五炉 C、Mn 收得率对一遍数值对上了说明预处理和收得率计算没问题拿表 5-6 的关联度对一遍排序对上了说明灰色关联度没问题拿成本降幅 12.59% 对一遍量级对上了说明线性规划没问题。这三个验证点过了整套流程就算复现成功。从那以后我每次转 MATLAB 代码都强制走一遍这三个验证点不跑通不往下做省得后面返工。希望帮到你。本文还有配套的精品资源点击获取
