基于烧结状态与集成学习的烧结矿转鼓强度预测

鉴于影响烧结转鼓因素较多,难精准预测的问题,将数据分析与现场经验结合,提出了一种基于烧结状态与集成学习的烧结矿转鼓强度自适应预测模型。该模型首先通过数据收集整合、异常数据识别与缺失数据处理等数据预处理过程,获取高质量烧结矿转鼓强度预测数据集合;再采用Boruta算法结合Pearson线性、XGBoost非线性相关性分析选择转鼓强度预测模型输入特征,避免了模型输入特征的不完整性;最后采用5种不同机器学习算法构建转鼓强度集成学习预测模型,各子模型预测结果权重可根据烧结生产实际情况进行自适应更新。结合现场生产实践与烧结历史数据分析,通过烧结终点温度与主管负压对烧结状态进行区分,在误差范围为0.5%时,转鼓强度的预测命中率在90%以上。     

基于大数据的智能化烧结技术研究进展

烧结是高炉炼铁过程的主要工序之一，利用大数据智能化技术有望解决烧结配矿原料条件复杂、配矿约束失真、配矿模型寻优困难、烧结过程参数预测模型精度低、产线适应性不强、烧结状态质量表征困难等传统难题。目前部分钢铁企业已经建立了包括烧结过程数据的炼铁数据平台，实现了烧结过程数据的采集存储与初步处理；现有配矿模型的约束设置与现场条件吻合度有所提升，通过数据分析与智能算法加快了配矿模型的寻优速度与精度；通过不同方法构建的烧结状态质量关键参数智能预测模型，在测试集上的预测效果良好；烧结过程综合评价与优化也进行了探索并取得了一定成效。基于现有研究进展，对烧结全链条数据治理、机理与数据融合的烧结智能配矿、烧结全产线关键参数自更新预测、数据与经验协同的烧结过程自适应综合评价体系构建与优化等智能化烧结技术的研究与应用方向进行了展望。需要针对烧结数据存在的问题开展模块化治理，消除参数间时滞性并构建参数动态关联规则库；进一步开发机理数据深度融合且适应产线条件的烧结智能配矿模型，并结合高炉使用效果对烧结智能配矿进行深度优化；结合产线自身数据特点与现场操作人员需求，全面选择烧结过程预测目标参数，并根据目标参数的数据频...