江典蔚，刘惠康，曹宇轩，杨成威

(1.武汉科技大学信息科学与工程学院，湖北武汉 430081；2.宝钢股份中央研究院武汉分院，湖北武汉 430080)

0 引言

钢铁产业作为国民经济的支柱产业，占据着极其重要的地位，随着时代的进步，科技的创新，传统炼钢技术与产品已经越来越难以满足如今多元的需求。对于炉外精炼国内钢铁厂目前还基本采用人工操作的方式，RH炉作为炉外精炼的关键部分，若能精确的预测出当前温度则可以减少冶炼周期，降低不必要的成本和能耗。由于RH炉在冶炼过程中，需要考虑到各式各样的因素，因此有必要深入分析影响RH炉钢水终点温度的各种因素；删除影响较小的因素，实施属性约简，然后面向一定的数据驱动模型来优化影响因素的权重；最后，基于被处理后属性和权重值，再由能量守恒从而建立钢水终端温度预测模型，以实现RH钢水终点温度的预测。本文主要采用多元线性回归来简化过于庞杂的属性，利用粒子群算法优化影响因素权重[1]，从而利用粒子群优化案例推理来预测钢温，并与多元线性回归、BP神经网络和一般案例推理的预测结果进行比较。

1 粒子群优化案例推理方法

一般案例推理(CBR)基于相似度计算，缺乏问题影响因素的选择方法和属性权重的计算方法，直接限制了其在解决具体问题时的准确性[2]。因此本文提出利用多元线性回归和粒子群优化来解决这一问题。

1.1 一般案例推理方法

案例推理作为一种通过搜索相似历史案例来获取解决方案的数据挖掘方法，在机械、航天、医疗、冶金等领域得到了广泛的应用。……